Вы находитесь на странице: 1из 135

Fı́sica em Computadores

Paulo Murilo Castro de Oliveira


Suzana Maria Moss de Oliveira

4 de junho de 2010
2

Preliminares
3

O presente texto se originou na disciplina Fı́sica Computacional, oferecida


como opcional aos graduandos do curso de Fı́sica da Universidade Federal Flu-
minense (UFF). O primeiro autor ministrou primeiramente essa disciplina, que
corresponde aos 6 primeiros capı́tulos. A segunda autora introduziu o capı́tulo 7.
O texto atual foi bastante incrementado, tanto pela inclusão de novos temas como
a modificação na forma como os temas originais estavam apresentados.
Os autores são professores permanentes do Instituto de Fı́sica da UFF. Junto
com os colegas Thadeu Josino Pereira Penna, Jürgen Fritz Stilck, Marcio Ar-
gollo de Menezes, Jorge Simões de Sá Martins e ainda visitantes, estudantes
de graduação, pós-graduação e colaboradores, formam o que hoje se denomina
Grupo de Sistemas Complexos da UFF. Seu tema de pesquisa é extremamente
diversificado: evolução biológica; redes complexas; fragmentação de sólidos,
lı́quidos, moléculas ou núcleos atômicos; dinâmica de fluidos e meios granulares;
polı́meros; comportamentos sociais; comportamentos animal e vegetal; ecologia;
geofı́sica; terremotos; trânsito; meteorologia; neurologia; economia; linguı́stica;
robótica; evolução tecnológica. O que todos esses temas têm em comum?
Primeiramente, todos se referem a sistemas com muitos componentes inte-
ragentes, mas o comportamento de interesse é o do sistema como um todo, suas
propriedades globais. Os vários componentes não interagem diretamente todos
com todos. Ao contrário, cada um interage diretamente apenas com seus vizi-
nhos mais próximos. No entanto, uma mudança no estado atual de um compo-
nente pode modificar o de seu vizinho, que por sua vez modifica o de seu próprio
vizinho, e assim por diante como numa onda que se propaga. Dois componen-
tes mesmo distantes entre si, sem interação direta, poderão estar correlacionados
dessa maneira, de forma que mudanças no estado de um deles afetam o estado do
outro. O comprimento de correlação ξ é uma medida do alcance espacial das
citadas correlações. É um conceito fundamental. Imagine que o estado de um
dado componente do sistema foi perturbado. Até qual distância, medida a partir
deste componente, é a perturbação sentida pelos demais?
Esta distância, o comprimento de correlação, pode se estender pelo sistema
inteiro. Nesse caso, trata-se de um sistema crı́tico, que apresenta correlações de
longo alcance. Todos os seus componentes estão correlacionados entre si, apesar
da interação direta entre eles ser de curto alcance.
Correlações de longo alcance trazem um problema intransponı́vel para as
técnicas tradicionalmente reducionistas da Ciência em geral e da Fı́sica em par-
ticular. Reducionismo é a estratégia de isolar uma pequena porção do sistema
em estudo, analisar suas propriedades separadamente, e depois acrescentar a in-
fluência do resto do sistema como pequena correção ao resultado. A estratégia re-
ducionista simplesmente não funciona quando correlações de longo alcance estão
presentes. Esse é exatamente o caso de toda a lista de temas apresentada acima
(evolução biológica, etc). Não se pode reduzir o estudo do comportamento glo-
4

bal à análise de cada componente individualmente, ou mesmo à análise de um


conjunto pequeno de vizinhos interagentes. O todo é bem diferente da soma das
partes tomadas isoladamente, e nesse sentido são sistemas não lineares. Este é o
lado ruim que torna difı́cil o estudo dos sistemas crı́ticos.
Por outro lado, correlações de longo alcance são responsáveis por uma pro-
priedade fundamental: a universalidade. As caracterı́sticas globais do sistema
crı́tico em estudo são fruto das correlações indiretas entre seus diversos compo-
nentes, que cobrem todas as escalas de distância no seu interior, e não de suas
interações diretas restritas a pequenas vizinhanças. São fruto da intrincada e ex-
tensa rede de influências (ou correlações) entre os vários componentes do sistema.
Assim, dois sistemas podem ser bem diferentes porque a origem da interação di-
reta entre componentes vizinhos é completamente distinta para um e para outro,
mas apresentar o mesmo comportamento global porque compartilham o mesmo
tipo de rede de correlações. É o caso da água e certos materiais magnéticos (os
que possuem uma direção preferencial de magnetização, ditos unidirecionais),
próximos às suas respectivas temperaturas crı́ticas.
Na água, moléculas vizinhas executam um movimento térmico caótico, en-
quanto se atraem ou se repelem de acordo com a complicada interação entre as
cargas elétricas de seus prótons e elétrons, descrita pela Mecânica Quântica. Se a
temperatura ambiente for relativamente baixa, a distância média de equilı́brio en-
tre moléculas vizinhas tem duas possibilidades: um valor pequeno d (lı́quido, alta
densidade) ou outro grande D (vapor, rarefeito). As duas fases, lı́quido e vapor,
podem coexistir no mesmo volume fixo, como as bolhas de vapor numa panela
fechada de água fervente. Aumentando-se gradativamente a temperatura, o valor
d aumenta porque o lı́quido se dilata, mas D diminui porque a quantidade e o
tamanho das bolhas aumentam dentro do volume total inalterado. As distâncias d
e D se aproximam gradativamente, a medida em que a temperatura aumenta, e se
igualam definitivamente a partir de 374o C, a temperatura crı́tica da água. Acima
disso, não há mais distinção entre lı́quido e vapor, a água é encontrada numa única
fase gasosa.
Os átomos dos citados materiais magnéticos, ao contrário da água, essencial-
mente não executam movimento algum porque são materiais sólidos cristalinos.
A distância entre átomos vizinhos é sempre a mesma, determinada pelo cristal.
Cada um dos N átomos é um minúsculo ı́mã cujo momento magnético aponta
numa direção cristalina preferencial, digamos vertical, alguns num sentido (para
cima) outros no sentido oposto (para baixo). Abaixo da temperatura crı́tica ca-
racterı́stica do material, a mesma amostra pode apresentar “bolhas” de átomos
vizinhos cujos momentos magnéticos apontam para baixo, em número n, no in-
terior do conjunto maior de N − n átomos com momento magnético apontando
para cima. A magnetização total da amostra se mede pela diferença N − 2n entre
esses números. Aumentando-se gradativamente a temperatura, n aumenta, en-
5

quanto N − n diminui porque o número total N de átomos na amostra não se


altera. Os valores de n e N − n gradativamente se aproximam e se igualam de-
finitivamente (a N/2, em média) a partir da temperatura crı́tica caracterı́stica do
material. Acima dessa temperatura, a citada diferença se anula, ou seja a amostra
perde sua magnetização.
O leitor há de convir que os dois últimos parágrafos são variações semânticas
sobre o mesmo tema. Se lhe parecem repetitivos, foi exatamente essa a intenção
do autor, mostrar de forma ilustrativa porque substâncias tão distintas como água
e um ı́mã apresentam o mesmo comportamento crı́tico global. É um exemplo
da citada universalidade. O que há de comum aos dois sistemas? Resposta du-
pla, são duas caracterı́sticas geométricas: A) ambos são materiais tridimensionais,
uma panela d’água ou um bloco de metal imantado; B) as diferenças D − d na
água ou N − 2n no ı́mã, denominados parâmetros de ordem e que caracterizam o
comportamento global de interesse em cada caso, são números escalares (grande-
zas não vetoriais). Essas duas singelas coincidências são suficientes para garantir
comportamentos globais idênticos de ambos os sistemas, não apenas do ponto de
vista qualitativo mas também quantitativo. Em ambos os casos, o parâmetro de
ordem se anula quando a temperatura crescente T se aproxima do valor crı́tico Tc
segundo uma lei de potência (Tc − T )β , onde o expoente crı́tico β tem o mesmo
valor para ambos os materiais, bem como para qualquer outro sistema natural ou
artificial que compartilhe as mesmas caracterı́sticas A e B acima. Diz-se que todos
estes sistemas pertencem à mesma classe de universalidade.
Pode-se, então, estudar de uma só vez os comportamentos da água (nas pro-
ximidades de sua temperatura crı́tica de 374o C), do imã unidirecional (também
nas proximidades da temperatura crı́tica na qual perde sua magnetização) e de
qualquer outro sistema real ou artificial que pertença à mesma classe de uni-
versalidade. Infelizmente, ainda temos pela frente o citado problema intrans-
ponı́vel para as técnicas reducionistas: os graus de liberdade correspondentes a
todos os componentes do sistema têm que ser considerados, não apenas aque-
les relativos à pequena vizinhança onde ocorrem as interações diretas sem levar
em conta componentes afastados desta vizinhança. Salvo alguns poucos exem-
plos famosos cuja análise teórica é extremamente sofisticada, não se consegue
ultrapassar esta barreira e exibir a solução analı́tica do problema. Sabe-se que
D − d ∼ N − 2n ∼ (Tc − T )β , onde o sinal ∼ representa proporcionalidade, mas
o expoente β não é conhecido exatamente. O valor β = 0, 3269 ± 0, 0005 é no
entanto determinado 1 através de simulações computacionais do tipo tratado neste
livro (capı́tulo 7).
O truque é criar um modelo artificial especialmente simples para que sua
1
H.W. Blöte, L.N. Shchur and A.L. Tapalov, Int. J. Mod. Phys. C10, 137 (1999); A.L. Tapalov
and H.W. Blöte, J. Phys. A29, 5727 (1996)
6

evolução dinâmica possa ser programada em computadores, e que por construção


pertença à mesma classe de universalidade daquele sistema real que se pretende
estudar. No caso da água ou do ı́mã unidirecional, há o modelo de Ising. Nos
vértices de uma rede cúbica L × L × L estão fixos os “spins” de Ising: setas que
podem apontar nos dois sentidos de uma mesma direção fixa, “up” ou “down”.
Cada spin interage diretamente apenas com seus 6 vizinhos mais próximos. Um
par de spins vizinhos armazena um quantum de energia, caso apontem em sentidos
opostos, um up o outro down. Caso contrário, se dois spins vizinhos apontarem
paralelos no mesmo sentido, o par não armazena energia alguma. A energia total é
portanto o número de pares de vizinhos up/down. Este é o modelo, simples assim,
nada mais. Repare que compartilha com a água e o imã unidirecional, sistemas
reais, as mesmas propriedades geométricas A e B citadas acima. Portanto, todos
pertencem à mesma classe de universalidade, e os expoentes crı́ticos (β e vários
outros relativos a outras grandezas que não o parâmetro de ordem) também são
compartilhados por todos os sistemas desta classe. O modelo de Ising, por sua
simplicidade, serve de “cobaia” para estudar a classe inteira.
A dinâmica mais simples que se pode associar ao modelo de Ising é a de um
banho térmico. A rede de spins se encontra em equilı́brio térmico com um reser-
vatório muito maior, sob temperatura fixa, com o qual pode trocar energia. Desta
forma, o estado da rede (o sentido up ou down de cada spin) muda incessante-
mente segundo a estatı́stica de Boltzmann-Gibbs. Outras dinâmicas podem ser
associadas ao mesmo modelo, ou outros modelos similares, de acordo com os si-
temas reais que se queira estudar. Os modelos computacionais tratados neste livro
são simples como o de Ising descrito acima, submetidos a evoluções dinâmicas di-
versas, em geral fora do equilı́brio. Os sistemas reais que tais modelos pretendem
simular se encontram na lista citada no inı́cio: evolução biológica; redes comple-
xas; fragmentação de sólidos, lı́quidos, moléculas ou núcleos atômicos; dinâmica
de fluidos e meios granulares; polı́meros; comportamentos sociais; comportamen-
tos animal e vegetal; ecologia; geofı́sica; terremotos; trânsito; meteorologia; neu-
rologia; economia; linguı́stica; robótica; evolução tecnológica. Ao longo do livro,
procura-se sempre base em exemplos de sistemas muito mais simples, nem sem-
pre sua relação com estes temas é aparente. Assim, os autores esperam que todo o
material aqui tratado seja compreensı́vel por estudantes de qualquer nı́vel a partir
do inı́cio da graduação em qualquer área tecnológica.
Sumário

1 Introdução 9

2 O Mapa Logı́stico 17

3 A Descoberta de Feigenbaum 29

4 O Pêndulo Simples 37

5 Difusão 53

6 Autômatos Celulares e Fractais 71

7 Sistemas Complexos e Evolucionários 83

A Respostas e Comentários 97
A.1 Capı́tulo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
A.2 Capı́tulo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
A.3 Capı́tulo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
A.4 Capı́tulo 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
A.5 Capı́tulo 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
A.6 Capı́tulo 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
A.7 Capı́tulo 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

7
8 SUMÁRIO
Capı́tulo 1

Introdução

9
10 CAPÍTULO 1. INTRODUÇÃO

As leis fı́sicas são geralmente expressas matematicamente através de equações


diferenciais. O exemplo mais famoso é a segunda lei de Newton

F = ma (1.1)
que relaciona a força F , que em geral depende da posição x do corpo cujo movi-
mento se deseja estudar ao longo de um eixo, com sua aceleração

d2 x
a= (1.2)
dt2
que vem a ser a segunda derivada da posição x em relação ao tempo t. Trata-se
de uma equação diferencial porque relaciona uma função matemática com suas
derivadas — no caso a segunda derivada da função x(t) que define a força. Os
termos diferencial e derivada se referem ao mesmo conceito.
Para melhor compreender o conceito de derivadas e equações diferenciais,
no entanto, vamos recorrer a um exemplo mais simples: o decaimento radioa-
tivo. Nesse caso, a equação diferencial correspondente envolve apenas uma pri-
meira derivada, ou simplesmente derivada, sendo portanto de mais fácil compre-
ensão que a segunda lei de Newton. Teremos mais tarde oportunidade de estudar
aplicações desta lei.
Numa amostra radioativa, alguns núcleos atômicos já decairam, ou seja já li-
beraram sua radioatividade, enquanto outros ainda não. Cada um desses núcleos
ainda radioativos vai acabar decaindo em algum instante futuro sem que se possa
prever quando. Não se trata de um problema de envelhecimento em que cada
núcleo iria perdendo gradativamente sua radioatividade. Ao contrário, cada núcleo
só pode se encontrar em um dentre dois possı́veis estados: já decaiu, ou ainda não
decaiu. No preciso instante em que um dado núcleo decai é emitida a radiação
responsável pelas propriedades radioativas do material.
Como há um número enorme de núcleos numa amostra radioativa, há sempre
algum deles decaindo, continuamente. A radioatividade do material é mantida por
muito tempo, até mesmo milhões de anos. A quantidade importante que vamos
estudar é o número N(t) de núcleos ainda radioativos na amostra, que diminui
a medida em que o tempo t passa. Para estudar como diminui este número, va-
mos considerar a quantidade ∆N de núcleos que decairam durante um pequeno
intervalo de tempo ∆t (por exemplo 1 segundo) entre os instantes t e t + ∆t.
Como já comentado, não há nenhuma maneira de prever quando um certo núcleo
vai decair. Os vários decaimentos ocorrem de forma completamente aleatória.
Por outro lado, esta imprevisibilidade nos permite tirar conclusões a respeito da
amostra toda, macroscópica.
Podemos afirmar, por exemplo, que ∆N representa uma pequena fração fixa
de N(t). Ou seja, quanto maior for o número N(t) de núcleos ainda radioativos
11

num dado instante t, maior será o número ∆N dentre eles que terão decaido 1
segundo depois. A constante de proporcionalidade entre ∆N e N(t) deve ser, por
sua vez, proporcional ao pequeno intervalo de tempo ∆t considerado. Matemati-
camente, podemos escrever

∆N = α ∆t N(t) , (1.3)
onde α é um valor constante que depende do material.
Como ∆N = N(t) − N(t + ∆t), podemos escrever

N(t + ∆t) = N(t) (1 − α ∆t) (1.4)


que relaciona diretamente a quantidade de núcleos ainda radioativos nos instantes
t e t + ∆t.
Esta relação nos permite resolver, com o uso de uma calculadora ou de um
computador, o seguinte problema: conhecidos o valor da constante α e o número
inicial N(0) de núcleos radioativos numa dada amostra, determinar a sequência
de valores N(1), N(2), N(3), N(4) . . . , monitorados a cada segundo. O valor
atual N(t) deve simplesmente ser multiplicado pela constante 1 − α (já consi-
derado ∆t = 1 segundo), dando como resultado o valor futuro N(t + 1), que
passa a ser o valor já atualizado do número de núcleos radioativos 1 segundo de-
pois. Repetindo-se o mesmo processo de multiplicação por 1 − α, atualiza-se este
número mais uma vez para N(t + 2), e assim por diante.
A equação (1.4) representa um mapa iterativo de primeira ordem. Significa
que sua aplicação repetitiva (sinônimo de iterativa) a partir do valor inicial N(0)
determina toda a sequência N(1), N(2), N(3), N(4) . . . . Primeira ordem sig-
nifica que cada termo nesta sequência depende apenas do anterior. Um exemplo
concreto real é o decaimento radioativo do Rb82 medido experimentalmente em
1953 1 . Os resultados experimentais também estão reproduzidos na página 226 da
referência 2 . No caso deste material, o valor da constante é α = 9, 24 × 10−3 s−1 .

1
L.M. Litz, S.A. Ring and W.R. Blackwell, Phys. Rev. 92, 288 (1953)
2
H.A. Enge, Introduction to Nuclear Physics, Addison-Wesley, Reading, Massachusetts (1966)
12 CAPÍTULO 1. INTRODUÇÃO

Problema 1-1

Use o mapa iterativo (1.4), com ∆t = 1s, e mostre que uma amostra
de Rb82 terá sua radioatividade reduzida à metade depois de decorridos
75s (ou 1min e 15s).

O tempo necessário para que metade da quantidade inicial N(0) de núcleos


radioativos já tenha decaido é denominado “tempo de meia vida” do material.
Esse valor depende da constante α também caracterı́stica do material.

Problema 1-2

Use de novo o mapa (1.4), com ∆t = 1s, para o caso do Rb82 , e


construa um gráfico do número de núcleos ainda radioativos em função
do tempo. Considere uma amostra com N(0) = 1000 núcleos radioativos
iniciais (uma amostra real terá normalmente muito mais, porém o aspecto
do gráfico será o mesmo). Para simplificar, assinale no gráfico apenas os
valores obtidos a cada 10s.
Comentário: a boa prática é separar completamente as duas tarefas.
Primeiro, resolve-se o problema numérico no computador, através de um
programa escrito pelo próprio usuário. O resultado é uma tabela com os
valores calculados — no caso a tabela terá duas colunas, uma com os su-
cessivos tempos t = 0, 1, 2, 3 . . . e a outra com as respectivas contagens
N(0), N(1), N(2), N(3) . . . calculadas. Apenas depois de obtido o re-
sultado, devidamente armazenado num arquivo, usa-se algum software
gráfico (qualquer um) para construir o gráfico desejado. Para economizar
espaço no disco do computador, você pode armazenar no arquivo ape-
nas os valores obtidos a cada 10s, embora tenham sido calculados com
intervalos de 1s.

Como você pode observar, o gráfico de N(t) em função de t não é linear, isto
é, os pontos não se sobrepõe a uma linha reta. Que curva será esta?
13

Problema 1-3

Reconstrua o gráfico do problema anterior, com os mesmos dados


numéricos, desta vez adotando escala logarı́tmica no eixo vertical. Pro-
ceda da seguinte maneira: em vez de assinalar no eixo vertical os valores
de N(t) calculados para t = 0, 10, 20 . . . , assinale os valores de ln N(t),
ou seja o logarı́tmo Neperiano de cada um dos valores N(t) já calculados.
Você pode acrescentar no seu programa este cálculo adicional, e dis-
ponibilizá-lo numa terceira coluna da tabela de resultados. Os softwares
gráficos normalmente aceitam arquivos de dados com duas ou mais colu-
nas, e deixam ao usuário a opção de apresentar o gráfico dos valores da
terceira coluna (no eixo vertical) contra os valores da primeira (no eixo
horizontal), por exemplo. No caso da amostra radioativa de Rb82 , uma
única tabela de 3 colunas pode ser usada para produzir ambos os gráficos
(problemas 1-2 e 1-3).
Alternativamente, em geral os softwares gráficos podem ser confi-
gurados para apresentar escala logarı́tmica em um dos eixos, ou ambos.
Neste caso, ambos os gráficos podem ser produzidos diretamente com o
uso da tabela original de duas colunas.

Desta vez seu gráfico deve ser linear, não?

Problema 1-4

Meça o coeficiente angular da reta obtida no gráfico do problema an-


terior, compare com a constante α do Rb82 , e mostre que a forma analı́tica
que descreve o decaimento é

N(t) = N(0) e−α t . (1.5)


Note que a solução analı́tica (uma fórmula matemática) pode ser ob-
tida a partir de resultados numéricos. É um dos subprodutos da Fı́sica
Computacional: indicar qual é a fórmula matemática (caso exista) que
resolve o problema.

A partir da expressão (1.5) pode-se verificar que o tempo de meia vida t1/2 se
14 CAPÍTULO 1. INTRODUÇÃO

relaciona com a constante α na forma

ln 2
t1/2 = (1.6)
α
que confirma o valor 75s citado no problema 1-1 para o caso do Rb82 . Verifique!
O tempo de meia vida de um dado material serve para avaliar a duração de
sua radioativodade. Depois de quanto tempo de uso será necessário trocar a fonte
radioativa de um aparelho de raio X? Suponhamos que o aparelho funcione ade-
quadamente enquanto sua intensidade radioativa for superior a um certo limiar, e
que o fabricante entregue o aparelho novo com intensidade radioativa duas vezes
maior do que este limiar. Nesse caso, a fonte deverá ser trocada depois de decor-
rido um tempo igual a t1/2 . Você poderá facilmente concluir que o Rb82 não é o
material adequado para servir de fonte radioativa neste tipo de aparelho, pois teria
que ser trocada a todo minuto.
Um exemplo oposto é o Pu239 cujo tempo de meia vida vale 22 mil anos! Este
material é um dos subprodutos das usinas nucleares, e faz parte do chamado lixo
atômico. O principal problema tecnológico de tais usinas é justamente a armaze-
nagem deste perigoso material, em local seguro, durante esta enorme quatidade
de tempo.
Uma outra quantidade alternativa é o “tempo de vida média” τ , que passare-
mos a descrever. Voltemos ao exemplo do Rb82 , considerando uma amostra com
N(0) = 1000 núcleos radioativos iniciais. Segundo a relação (1.3), ∆N1 = 9, 24
núcleos terão decaido durante o primeiro segundo, entre t = 0 e t = 1s. Não
se espante com o valor fracionário (24 centésimos de núcleo), uma vez que há
muito mais do que 1000 núcleos radioativos numa amostra real. Podemos imagi-
nar uma tal amostra dividida em muitas subamostras com 1000 núcleos cada uma.
Os valores fracionários representam apenas o resultado de uma média para todas
as subamostras.
O tempo de vida de cada um dos ∆N1 = 9, 24 núcleos foi curto, maior do
que 0 e menor do que 1s, mas vamos considerar que todos tenham decaido juntos
no tempo t1 = 1s. O erro final decorrente desta aproximação será irrelevante. Em
t = 1s sobram N(1) = 990, 76 núcleos ainda radioativos. Novamente segundo
a relação (1.3), ∆N2 = 9, 1546224 núcleos terão decaido entre t = 1s e t = 2s.
Vamos considerar que todos estes tenham decaido no tempo t2 = 2s.
Da mesma forma pode-se determinar o número ∆N3 de núcleos que decaem
entre t = 2s e t = 3s, adotar o tempo de vida t3 = 3s para todos eles, e assim por
diante.
O tempo de vida média é simplesmente a média ponderada

∆N1 t1 + ∆N2 t2 + ∆N3 t3 + . . .


τ= (1.7)
N(0)
15

que deve ser tomada até tempos suficientemente longos para que as contribuições
posteriores possam ser desprezadas.

Problema 1-5

Calcule numericamente o tempo de vida média τ do Rb82 , compu-


tando explicitamente a soma (1.7), e compare o resultado com o inverso
da constante α.

A relação

1
τ= (1.8)
α
é geral e pode ser obtida analiticamente a partir da equação (1.3) e da solução
(1.5).

Problema 1-6

Demonstre a relação (1.8).

Uma interpretação geométrica interessante do tempo de vida média τ é a se-


guinte: traçando-se uma tangente à curva do gráfico de N(t) em função de t
(problema 1-2), num ponto correspondente a um instante to qualquer, esta cruzará
o eixo t no instante to + τ , figura 1.1.
A mesma propriedade pode ser interpretada de outra maneira. Não só o
número de núcleos radioativos diminui com o tempo, mas também o próprio ritmo
de decaimento (o número ∆N de decaimentos nucleares por segundo) diminui na
mesma medida. Se, em vez disto, o decaimento passasse a ocorrer com ritmo
constante a partir de um dado instante to , a radioatividade da amostra cessaria por
completo depois de decorrido um tempo τ .
Toda a análise que fizemos sobre o decaimento radioativo é fundamentada na
relação (1.3) que escrevemos baseados apenas em dois fatos. Primeiro, o número
de núcleos ainda radioativos na amostra é muito grande. Segundo, o decaimento
de cada um em particular ocorre num instante completamente aleatório. Leia
de novo os dois parágrafos que precedem a equação (1.3), para relembrar o ra-
16 CAPÍTULO 1. INTRODUÇÃO

N (0)

0
to to + τ

Figura 1.1: Número de núcleos ainda radioativos em função do tempo.

ciocı́nio. Pode-se reescrevê-la na forma de equação diferencial. Lembrando da


definição

dN N(t + ∆t) − N(t)


= lim (1.9)
dt ∆t→0 ∆t
de derivada da função N(t), a relação (1.3) passa a ser
dN
= − α N(t) . (1.10)
dt
Esta equação diferencial define a evolução dinâmica do sistema — ou seja,
como N(t) decai a medida em que o tempo passa — a partir do conhecimento
da condição inicial — ou seja, o número inicial N(0) de núcleos radioativos na
amostra. A solução desta equação diferencial é a própria função exponencial

N(t) = N(0) e−α t (1.5)


que já havı́amos descoberto numericamente (problema 1-4). Aqueles que têm
alguma prática na manipulação de derivadas poderão verificar que realmente a
função (1.5) é solução da equação diferencial (1.10).
Capı́tulo 2

O Mapa Logı́stico

17
18 CAPÍTULO 2. O MAPA LOGÍSTICO

Nosso estudo numérico do decaimento radioativo foi baseado no mapa itera-


tivo (1.4) que permitiu o cálculo do valor futuro N(t + 1) a partir do valor atual
N(t) da variável dinâmica de interesse. No caso, se tratava de uma mapa linear
do tipo

x(t + 1) = λ x(t) , (2.1)


onde a variável dinâmica x não está elevada ao quadrado ou outra potência, nem
é argumento de nenhuma função transcendental do tipo seno, tangente, logarı́tmo,
etc. É a situação mais simples possı́vel, resultando como vimos numa evolução
dinâmica exponencial, igualmente simples. Ainda no caso do decaimento radioa-
tivo, o valor da constante λ é (1 − α ∆t), portanto menor do que 1. Sendo assim,
o valor futuro x(t + 1) é sempre menor do que o atual x(t), tratando-se por esta
razão de um “decaimento” exponencial.
Num outro problema em que o valor de λ fosse maior do que 1, terı́amos
uma “explosão” exponencial. É o caso de uma colônia de bactérias que se re-
produzem numa lâmina de microscópico. Cada bactéria se divide em duas de
tempos em tempos. Se contarmos o número N(t) de bactérias num dado ins-
tante t, e voltarmos a contar N(t + ∆t) novamente depois de decorrido um in-
tervalo de tempo ∆t, por exemplo 1 segundo, o valor terá crescido. O número
∆N = N(t + ∆t) − N(t) de bactérias que se duplicaram durante aquele intervalo
de tempo será maior quanto maior for o número total N(t) de bactérias passı́veis
de duplicação. Da mesma forma que no caso do decaimento radioativo, teremos

∆N = α ∆t N(t) (2.2)
onde α é um valor constante que depende da capacidade reprodutiva das bactérias.
Note no entanto que a ordem em que se toma a diferença entre N(t) e N(t + ∆t)
foi invertida em relação ao caso anterior do decaimento radioativo. Desta maneira,
em vez do mapa (1.4) teremos

N(t + ∆t) = N(t) (1 + α ∆t) (2.3)


que dará origem à citada “explosão” exponencial.
Tomemos ∆t = 1s, e suponhamos que uma em cada cem bactérias se divide
a cada segundo. Neste caso teremos α = 0, 01s−1.

Problema 2-1

Use o mapa iterativo (2.3), com ∆t = 1s e α = 0, 01s−1 , e mostre


que o número de bactérias dobra a cada 70s.
19

O gráfico do número de bactérias em função do tempo tem o aspecto esboçado


na figura 2.1.

N (0)
0
0 to − τ to

Figura 2.1: Número de bactérias em função do tempo.

Problema 2-2

Mostre que o tempo τ definido na figura 2.1 vale


1
τ= . (1.8)
α

Este modelo proposto para a “explosão” do número de bactérias é inteira-


mente análogo ao anterior proposto para descrever o “decaimento” do número de
núcleos radioativos numa amostra. Ambos têm sua evolução dinâmica determi-
nada por um mapa linear do tipo (2.1). A única diferença está no valor da cons-
tante λ maior ou menor do que 1 para cada caso. Do ponto de vista prático, no
entanto, ao contrário do decaimento radioativo, o presente modelo baseado num
mapa linear é irreal na descrição do crescimento do número de bactérias numa
20 CAPÍTULO 2. O MAPA LOGÍSTICO

lâmina de microscópio. Obviamente, esse número não pode crescer indefinida-


mente como prevê o modelo, porque o espaço fı́sico e a quantidade de nutrientes
são limitados na lâmina de microscópio.
Vamos considerar, em vez do número N(t) de bactérias, a densidade x(t) =
N(t)/NM em relação a um certo número máximo concebı́vel NM de bactérias na
lâmina. O valor de x(t) será sempre menor do que 1. No inı́cio do processo,
quando o número de bactérias ainda é muito pequeno comparado com NM e as
bactérias ainda estão bastante separadas umas das outras na superfı́cie da lâmina,
as duplicações se processam livremente como supusemos anteriormente. Desta
forma, o mapa (2.1) é válido enquanto x(t) for muito menor do que 1.
Em etapas posteriores do processo, no entanto, as bactérias não poderão mais
se duplicar livremente por falta de espaço fı́sico ou de nutrientes na lâmina. Isso
irá ocorrer quando o número de bactérias passar a ser comparável a NM , quando
x(t) assumir valores não mais muito menores do que 1. Matematicamente, signi-
fica que devemos acrescentar um novo termo corretivo ao mapa linear (2.1).
Em primeiro lugar, este termo adicional deve ser negativo, caso contrário seu
efeito seria fazer o número de bactérias explodir ainda mais rápido do que sem
a sua inclusão. Em segundo lugar, deve ser um termo desprezı́vel em relação ao
termo já existente λ x(t) enquanto x(t) for muito menor do que 1, uma vez que o
mapa linear (2.1) descreve satisfatoriamente a dinâmica no inı́cio do processo.
Podemos imaginar várias possibilidades na escolha do termo corretivo adici-
onal, na tentativa de modelar adequadamente os efeitos da limitação de espaço e
nutrientes na lâmina de microscópio. Vamos aqui, no entanto, seguir a linha da
simplicidade matemática mesmo que tenhamos que deixar de lado o realismo do
modelo. O termo matematicamente mais simples, a ser acrescentado ao termo
linear λ x(t) já existente, é um quadrado do tipo − λ′ x2 (t). A nova constante λ′
pode ser, em princı́pio, diferente de λ, mas vamos tomar λ′ = λ novamente por
simplicidade. O novo mapa que se obtém é o chamado mapa logı́stico 1

x(t + 1) = λ x(t) [1 − x(t)] . (2.4)


Numa notação simplificada,
1
Este mapa foi introduzido pelo matemático belga Pierre-François Verhulst no contexto do
crescimento de populações biológicas, num artigo sob o tı́tulo Recherches Mathématiques sur la
Loi d’Acroissement de la Population, Mem. Acad. Royale Belg. 18, 1 (1845). Este trabalho deu
origem a vários estudos posteriores ainda do ponto de vista da biologia de populações, como o
famoso modelo de Votka-Volterra, A.J. Lotka, Elements of Physical Biology, Williams & Wil-
kins, Baltimore (1925), V. Volterra, Leçons sur la Théorie Mathématique de la Lutte pour la Vie,
Gauthier-Villars, Paris (1931). Posteriormente, o mesmo mapa de Verlhust deu origem à moderna
Teoria do Caos e todas as suas variações. Uma pequena amostra da ampla influência deste mapa
em diversas áreas do conhecimento foi condensada no livro M. Ausloos and M. Diricky (eds.) The
Logistic Map and the Route to Chaos, Springer-Verlag, Berlin (2006).
21

x′ = λ x (1 − x) , (2.4)

subentendendo-se que x representa o valor atual e x′ o próximo valor futuro. Se-


gundo essa notação, uma série temporal dos valores da variável dinâmica x seria
representada por x, x′ , x′′ , x′′′ . . . x(t) , x(t+1) , etc.
Porque estudar o mapa (2.4) construido em base de várias simplificações? Em
1978 e 1979 mostrou-se que uma famı́lia muito mais geral que a forma simples
(2.4) apresenta as mesmas propriedades, ditas universais 2 . Assim, ao estudar o
mapa (2.4) estaremos também descobrindo propriedades gerais válidas para qual-
quer outra forma funcional, salvo algumas exceções.

Problema 2-3

Se considerarmos novamente que as bactérias se duplicam a cada se-


gundo na proporção de uma a cada cem — enquanto houver poucas na
lâmina de microscópio, e razoavelmente separadas umas das outras —
teremos λ = 1, 01 no mapa (2.4), já admitindo implicitamente ∆t = 1s.
Mostre que, em vez de explodir, a população se estabiliza numa den-
sidade final x∗ = 0, 0099.

O fato de haver uma situação estacionária com uma população final fixa de
bactérias (em número) indica que foi atingido um equilı́brio entre o número de
duplicações e o de bactérias que não sobrevivem à inanição ou à falta de espaço.
Outra questão interessante se relaciona com o tempo gasto até se atingir esta
situação final de equilı́brio. Numericamente, a resposta a esta questão depende da
precisão que se deseja para o valor final x∗ . Em outras palavras, a questão deve
ser colocada como se segue. Depois de quanto tempo o valor x(t) difere do valor
final x∗ por uma diferença menor que uma tolerância fixa predeterminada? Ou
ainda, depois de quanto tempo x(t) já convergiu ao valor final x∗ até uma certa
casa decimal predefinida?

2
Os pioneiros da citada moderna Teoria do Caos são M. Feigenbaun, J. Stat. Phys. 19, 25
(1978); 21, 669 (1979); P. Collet and J.-P. Eckmann, Iterated Maps on the Interval as Dynamical
Systems, Birkhaüser (1980).
22 CAPÍTULO 2. O MAPA LOGÍSTICO

Problema 2-4

Começando de uma população inicial correspondente a x(0) =


0, 0001, na mesma situação do problema anterior, mostre que o sistema
se estabiliza em x∗ = 0, 00990 depois de 20m.

Passaremos, de agora em diante, a notar os valores numéricos com o número


adequado de algarismos significativos. Passaremos também a considerar o mapa
logı́stico (2.4) como uma entidade matemática, independente da motivação inicial
proveniente do problema da evolução do número de bactérias.
Pode-se verificar que o tempo de convergência t∗ depende do valor de λ, como
exemplificado na tabela que se segue. Preste atenção no número de algarismos sig-
nificativos apresentados nas medidas de x∗ , e verifique numericamente no com-
putador os resultados obtidos para t∗ . Em todos os casos, o valor inicial adotado
foi x(0) = 0, 0001, e o intervalo de tempo ∆t = 1s.
λ x∗ t∗
2 0, 5000 16s
1, 1 0, 0909 2m
1, 01 0, 00990 20m
1, 001 0, 000999 2h43m

Como se pode notar, quanto mais o parâmetro de controle λ se aproxima do


valor crı́tico λ0 = 1, mais lenta é a convergência. O gráfico da figura 2.2 oferece
uma interpretação geométrica para este comportamento.
Cada passo na sequência x, x′ , x′′ . . . corresponde a um degrau na escada
desenhada com linhas tracejadas na figura 2.2. Compreenda bem esta construção
geométrica.

Problema 2-5

Construa, em escala, um gráfico como o da figura 2.2 para λ = 2


começando a escada a partir de x = 0, 01. Repita para λ = 1, 5.

Quanto mais estreita for a “barriga” existente entre a curva e a reta inclinada
o
45 , maior vai ser o número de degraus na escada e portanto maior será o tempo
23

x∗

x′′′

x′′

x′

0
0 x x′ x′′ ... x∗

Figura 2.2: Gráfico da função x′ = λ x (1 − x) superposto ao da reta diagonal


x′ = x, inclinada 45o em relação aos eixos.

t∗ de convergência. De qualquer maneira, a convergência é sempre rápida, no


sentido de que x(t) se aproxima exponencialmente de x∗ . Para se chegar a esta
conclusão, basta considerar a figura 2.2 na região próxima de x∗ , como no detalhe
ampliado na figura 2.3. Nesta região, bem próximo a x∗ , a curva correspondente
à função x′ = λ x (1 − x) pode ser aproximada por uma reta.

Problema 2-6

Considere x = x∗ + δ e x′ = x∗ + δ ′ , com δ e δ ′ pequenos, onde


x∗ = 1 − 1/λ, e mostre que

δ ′ = δ (2 − λ) ou δ(t + 1) = δ(t) (2 − λ) , (2.5)


desprezando termos em δ 2 .

A quantidade δ(t) = x(t) − x∗ definida no problema 2-6 representa o quanto


24 CAPÍTULO 2. O MAPA LOGÍSTICO

Figura 2.3: Detalhe ampliado do gráfico anterior.

ainda falta, no instante t, para a convergência de x(t) ao valor x∗ . Comparando a


equação (2.5) com a relação anterior (1.4) do decaimento radioativo e resgatando
o resultado do problema 1-4, podemos concluir que δ(t) também decai exponen-
cialmente a zero, isto é

δ(t) ∼ e−|λ−1| t (2.6)

ou

x(t) − x∗ ∼ e−|λ−1| t . (2.6)

A relação (2.6) vale também para λ < 1, porém neste caso o valor final da
variável dinâmica x(t) será x∗ = 0 (em vez de x∗ = 1 − 1/λ). A figura 2.4 ilustra
esta situação.
O decaimento exponencial indicado na relação (2.6), no entanto, não se veri-
fica no caso crı́tico λ = λ0 = 1. A razão para esta anomalia pode ser apreciada se
voltarmos ao enunciado do problema 2-6, no qual δ e δ ′ foram considerados “pe-
quenos” nas relações x = x∗ + δ e x′ = x∗ + δ ′. Não foi explicitado no enunciado,
mas obviamente δ e δ ′ deveriam ser pequenos se comparados a x∗ . Obviamente
também, esta condição não pode ser satisfeita no caso crı́tico λ = λ0 = 1, uma
vez que x∗ = 0.
25

x′

x′′
x′′′
0
0 x′′ x′ x

Figura 2.4: Equivalente à figura 2.2, para λ < 1.

Problema 2-7

A restrição indicada no parágrafo anterior, que invalida o procedi-


mento de desprezar termos em δ 2 no caso crı́tico λ = λ0 = 1, também
se aplicaria caso tivéssemos λ < 1 (porque x∗ = 0). No entanto, foi afir-
mado que o decaimento exponencial (2.6) também é válido para λ < 1.
Demonstre este fato sem passar pelas definições de δ e δ ′ do problema
2-6.

Qual é o tipo de decaimento anômalo (não exponencial) que ocorre no caso


crı́tico λ = λ0 = 1?
Diferente das figuras 2.2 e 2.4, a curva da figura 2.5 que corresponde ao caso
crı́tico λ = λ0 = 1, é tangente à reta inclinada 45o . A tangência obriga a escada
a ficar “espremida” no estreito espaço entre a curva e a reta, aumentando enor-
memente o número de degraus em comparação com os casos não crı́ticos. Desta
forma, compreende-se porque o decaimento anômalo do caso crı́tico é muito mais
lento que o decaimento exponencial observado nos demais casos.
26 CAPÍTULO 2. O MAPA LOGÍSTICO

x′
x′′
x′′′

0
0 ... x′′ x′ x

Figura 2.5: Equivalente às figuras 2.2 e 2.4, para λ = λ0 = 1.

Problema 2-8

Itere umas dez mil vezes o mapa logı́stico (2.4) na situação crı́tica,
λ = λ0 = 1. Comece em t = 0 com um valor inicial arbitrário, por
exemplo, x = 0, 1. Armazene os sucessivos valores de t e x num arquivo
de dados com duas colunas, e construa posteriormente o gráfico x × t.
Você obterá uma curva que descreve o decaimento.
No problema 1-3, verificamos que o gráfico curvo de um decai-
mento exponencial se transforma num gráfico reto se adotarmos escala
logarı́tmica no eixo vertical. Com os mesmos dados do parágrafo ante-
rior, construa um segundo gráfico x × t, dessa vez com escala logarı́tmica
no eixo vertical. Em vez de uma reta, você obterá uma outra curva, o que
mostra não ser exponencial a função x(t). Por esta razão o decaimento
crı́tico é denominado anômalo.
Ainda com os mesmos dados, construa um terceiro gráfico, dessa vez
com escalas logarı́timicas no eixo horizontal e no vertical. Agora, seu
gráfico é reto para tempos suficientemente grandes. Determine o coefici-
ente angular da reta.
27

Quantitativamente, para tempos suficientemente grandes, o decaimento crı́tico


é dado por uma lei de potência

x(t) ∼ t−1 (2.7)


em vez da forma exponencial.

Problema 2-9

Para grandes valores de t, e portanto para pequenos valores de x(t),


o mapa logı́stico correspondente ao caso crı́tico λ = λ0 = 1 pode ser
substituido pela equação diferencial (veja problema 2-7)
dx
= − x2 (t) . (2.8)
dt
Verifique que a lei de potência (2.7) realmente atende à condição dada
pela equação (2.8).
Verifique também que o expoente −1 da equação (2.7) coincide com
o coeficiente angular da reta obtida no problema 2-8.

Na natureza, os sistemas normalmente evoluem no tempo até atingirem o


equilı́brio. Em geral, o decaimento ao equilı́brio se dá rapidamente, segundo
leis exponenciais como na equação (2.6). Para certos valores particulares dos
parâmetros que influenciam o sistema, no entanto, o decaimento ao equilı́brio é
muito mais lento, segundo leis de potência do tipo da equação (2.7) onde o expo-
ente vale −1. Diferentes sistemas apresentam diferentes valores para este expo-
ente dinâmico, embora se possa classificar vários sistemas distintos numa mesma
classe de universalidade que corresponde ao mesmo valor do expoente dinâmico.
Acredita-se que algumas poucas classes de universalidade sejam suficientes para
englobar todos (ou quase todos) os sistemas naturais.
Da mesma forma como calculamos o tempo de vida média τ no decaimento
radioativo (1.5), podemos também calcular, como em (1.8),

1
τ= , (2.9)
|λ − 1|
que vem a ser o tempo caracterı́stico do decaimento exponencial (2.6) ao equilı́brio.
Este valor τ dá a ordem de grandeza do tempo de espera necessário para que o
sistema atinja o equilı́brio. Quanto mais próximo o parâmetro λ estiver do valor
28 CAPÍTULO 2. O MAPA LOGÍSTICO

crı́tico λ0 = 1, mais lento será o decaimento, conforme já havı́amos observado an-
teriormente. Se λ for escolhido justamente no valor crı́tico λ = λ0 = 1, o tempo
caracterı́stico de espera se torna infinito. Isto significa na prática que, na situação
crı́tica, o sistema jamais atinge o equilı́brio. Um exemplo convincente deste com-
portamento é o próprio mapa logı́stico na situação crı́tica: mesmo começando com
um valor x(0) muito próximo ao valor de equilı́brio x∗ = 0, o computador não
consegue atingı́-lo devido a erros de truncamento numérico. Verifique numerica-
mente, observando que o valor final após a convergência não coincide exatamente
com x∗ = 0!
A propriedade de decaimento lento, em leis de potência, é comum a inúmeros
sistemas naturais. A lentidão do processo é um entrave que dificulta tanto medi-
das experimentais quanto resultados de simulações em computador. A mudança
de regime de decaimento, de exponencial para lei de potência, é denominada ra-
lentamento crı́tico (ou “critical slowing down”).
Na figura 2.6 apresentamos um esboço do gráfico da relação (2.9). Este tipo
de “explosão” em lei de potência de uma certa grandeza fı́sica (no caso, τ ) quando
se ajusta o parâmetro de controle (no caso, λ) até atingir um valor crı́tico é muito
comum no estudo de transições de fase. São os chamados fenômenos crı́ticos.
tempo caracterı́stico τ

λ0
parâmetro de controle λ
Figura 2.6: Gráfico da relação (2.9).

A figura 2.6 serve para ilustrar que nem sempre as grandezas fı́sicas são “bem
comportadas”. Em situações crı́ticas nas quais os comportamentos usualmente
exponenciais são substituidos por leis de potência, aparecem singularidades.
Capı́tulo 3

A Descoberta de Feigenbaum
(tópico avançado opcional)

29
30 CAPÍTULO 3. A DESCOBERTA DE FEIGENBAUM

Não é apenas para o valor λ = λ0 = 1 do parâmetro de controle que o de-


caimento do mapa logı́stico (2.4) sofre ralentamento crı́tico. Experimente tomar
λ = λ1 = 3, e compare com outro valor um pouco menor, por exemplo λ = 2, 8.
Você observará o ralentamento crı́tico novamente em ação para λ = λ1 = 3!
Tomando-se agora outro valor um pouco maior, λ = 3, 2 por exemplo, o de-
caimento rápido (exponencial) é restabelecido. Porém, um novo fenômeno passa
a ocorrer: em vez de um único valor x∗ final, a convergência agora se dá em um
par de valores x1 e x2 que se alternam sucessivamente. Verifique!
Se seu computador ou calculadora escrever cada valor x(t) na mesma posição
da tela onde se encontrava escrito o valor anterior x(t − 1), ficará difı́cil obser-
var visualmente a convergência porque os dois valores piscarão alternadamente
impedindo a leitura. Uma alternativa é mandar o computador escrever apenas os
valores de 2 em 2, ou seja, x(0), x(2), x(4), x(6), etc. Ou ainda x(1), x(3), x(5),
etc.
Matematicamente, esse procedimento corresponde a substituir o mapa sim-
ples original

x′ = fλ (x) = λ x (1 − x) , (3.1)

pelo mapa composto

(2)
x′ = fλ [fλ (x)] = fλ (x) . (3.2)

Problema 3-1

Construa o gráfico da relação (3.1), e também o da (3.2), ambos para


λ = λ1 = 3.
Enquadre sempre os gráficos num quadrado de lado unitário.

A tangência entre a curva e a reta inclinada 45o , que caracteriza a ocorrência


(2)
de ralentamento crı́tico, aparece desta vez no mapa composto x′ = fλ (x). Isso
significa que tudo o que antes ocorreu no caso do mapa simples x′ = fλ (x) para
(2)
λ = λ0 = 1 agora se repete no mapa composto x′ = fλ (x) para λ = λ1 = 3.
31

Problema 3-2

Construa o gráfico da relação (3.1), dessa vez para λ = λ0 = 1,


também enquadrando o desenho num quadrado de lado unitário.

Problema 3-3

Desenhe uma moldura quadrada para destacar um detalhe no centro


(2)
do gráfico que você já construiu do mapa x′ = fλ (x) para λ = λ1 = 3.
Esse quadrado deve ter o canto superior direito coincidente com o ponto
fixo
1 2
x∗1 = 1 − = . (3.3)
λ1 3

(2)
Comparando o detalhe destacado no gráfico do mapa composto x′ = fλ (x)
para λ = λ1 = 3 com o gráfico do mapa simples x′ = fλ (x) para λ = λ0 = 1,
podemos concluir que a diferença é aparentemente uma questão de escala ou de
ampliação do detalhe. Matematicamente, essa transformação de escala se escreve
como
h x i
(2)
fλ0 (x) ≈ α1 x∗1 − fλ1 x∗1 − (3.4)
α1
onde

1 λ1
α1 = = =3 (3.5)
2x∗1−1 λ1 − 2
é o fator de ampliação da escala. Verifique!

Problema 3-4

Faça efetivamente a ampliação do detalhe destacado no problema 3-3,


e superponha o desenho ao gráfico do problema 3-2.
32 CAPÍTULO 3. A DESCOBERTA DE FEIGENBAUM

Como você poderá notar, a superposição das curvas não é perfeita, razão pela
qual usamos o sı́mbolo ≈ (aproximadamente igual) na relação de escala (3.4).
Além de λ0 = 1 e λ1 = 3, há outros valores do parâmetro de controle λ para
os quais o ralentamento crı́tico volta a ocorrer. Os primeiros estão listados abaixo.

λ0 =1
λ1 =3
λ2 = 3, 449.489.743
λ3 = 3, 544.090.359.6
λ4 = 3, 564.407.266.13
λ5 = 3, 568.759.419.55
λ6 = 3, 569.691.609.80
λ7 = 3, 569.891.259.38
λ8 = 3, 569.934.018.37

Vamos a seguir estudar o comportamento do mapa logı́stico x′ = fλ (x) para


valores intermediários do parâmetro λ, isto é, entre valores consecutivos desta
lista. Para valores de λ entre λ0 = 1 e λ1 = 3, já vimos que a variável dinâmica x
converge para o ponto fixo atrator x∗ = 1 − 1/λ.
Como também já vimos, para valores de λ um pouco maiores do que λ1 = 3
ocorre uma “bifurcação”, isto é, em vez de um único valor final x∗ , o mapa simples
x′ = fλ (x) converge num par de valores x1 e x2 que se sucedem alternadamente.
(2)
O mapa composto fλ (x) continua convergindo num único ponto fixo que tanto
pode ser x1 como x2 , dependendo do valor inicial x(0) escolhido.
(2)
Por sua vez, o próprio mapa composto x′ = fλ (x) também apresenta uma
bifurcação, dessa vez a partir de λ = λ2 . O mapa “composto do composto”
(4) (2) (2) 
x′ = fλ (x) = fλ [fλ (x)] = fλ fλ {fλ [fλ (x)]} (3.6)
continua a convergir para um único ponto fixo. Verifique! O mapa simples, nessa
situação em que λ é um pouco maior do que λ2 , λ = 3, 47 por exemplo, converge
para a sequência de quatro valores x1 , x2 , x3 e x4 que se sucedem sempre na
mesma ordem. Qualquer um desses quatro valores pode ser o ponto fixo do mapa
(4)
x′ = fλ (x), dependendo do valor inicial x(0) escolhido.
Para λ ligeiramente maior do que λ3 , λ = 3, 55 por exemplo, o mapa simples
converge para uma sequência de oito valores. Verifique! O mapa “composto do
(8)
composto do composto” fλ (x) continua a convergir num único ponto fixo que
pode ser qualquer um daqueles oito, dependendo do valor inicial escolhido.
Estas bifurcações se sucedem sempre nos valores crı́ticos λ1 , λ2 , λ3 , etc, lista-
dos anteriormente. Dessa forma, para valores intermediários de λ, entre λb e λb+1 ,
33

o mapa x′ = fλ (x) converge para uma sequência de 2b valores que se sucedem. O


(2b )
mapa x′ = fλ (x), no entanto, continua a convergir para um único valor.
É interessante notar que x∗ = 1 − 1/λ continua a ser ponto fixo para qualquer
valor de λ, isto é, x∗ = fλ (x∗ ). No entanto, a partir da primeira bifurcação em
λ = λ1 , esse ponto fixo x∗ = 1 − 1/λ deixa de ser “atrator”, ou seja, deixa de ser
o valor final de convergência para um valor inicial x(0) arbitrário.

Problema 3-5

Invente um método para determinar os valores crı́ticos λ1 , λ2 , λ3 , etc,


listados anteriormente.

Quanto mais próximo o parâmetro λ estiver de algum valor crı́tico λb , mais


lenta será a convergência. Nessa situação, torna-se difı́cil (ou pelo menos demo-
rado) determinar o atrator. Próximo de λ3 , por exemplo, é difı́cil saber se o atrator
é uma sequência de 4 ou de 8 valores, ou seja, se λ é menor ou maior do que
λ3 suposto desconhecido, se não tivermos ainda atingido um número suficiente
de casas decimais já convergidas. Mais do que isso, a precisão finita adotada no
cálculo numérico gera oscilações espúrias nos últimos dı́gitos dos valores obtidos
no computador, que nenhuma relação têm com a bifurcação real do atrator que se
deseja observar.

Problema 3-6

Verifique que o mapa auxiliar


q  
′ (2b )
x = x ± A ± fλ (x) − x (3.7)
(2b )
converge para o mesmo atrator que x′ = fλ (x), porém sem o ralen-
tamento crı́tico. O sinal + ou − deve ser escolhido o mesmo nos dois
casos indicados, de forma que o argumento da raı́z quadrada seja posi-
tivo. O valor da constante A deve ser escolhido suficientemente pequeno
para que haja convergência. Para apressar a convergência, A pode ser
gradativamente diminuido no decorrer do processo.
34 CAPÍTULO 3. A DESCOBERTA DE FEIGENBAUM

Problema 3-7
(4)
Construa o gráfico do mapa x′ = fλ (x) para λ = λ2 , também en-
quadrando o desenho todo num quadrado de lado unitário.

Problema 3-8

Destaque um detalhe central no gráfico do problema 3-7, desenhando


um quadrado cujo canto superior direito coincida com o ponto fixo
1
x∗2 = 1 − . (3.8)
λ2

(4)
Seguindo o mesmo procedimento, o detalhe central do mapa x′ = fλ (x)
(2)
para λ = λ2 pode ser comparado ao gráfico do mapa x′ = fλ (x) para λ = λ1 .

Problema 3-9

Amplie o detalhe destacado no problema 3-8 e superponha-o ao


(2)
gráfico do mapa x′ = fλ1 (x) construido no problema 3-1.

A relação
h x i
(2) (4)
fλ1 (x) ≈ α2 x∗2 − fλ2 x∗2 − (3.9)
α2
onde

1 λ2
α2 = = (3.10)
2x∗2−1 λ2 − 2
expressa matematicamente a transformação de escala do problema 3-9. Note que
desta vez a superposição das curvas foi mais precisa.
O mesmo procedimento pode ser repetido superpondo um detalhe central am-
(8) (4)
pliado do gráfico de x′ = fλ3 (x) para λ = λ3 ao gráfico de x′ = fλ2 (x) para
35

λ = λ2 , e assim por diante, com precisão cada vez maior. Matematicamente,


teremos
h x i
(2b−1 ) (2b )
fλb−1 (x) ≈ αb x∗b − fλb x∗b − (3.11)
αb
onde

1
xb = 1 − (3.12)
λb
e

1 λb
αb = = (3.13)
2x∗b−1 λb − 2
Quanto maior for o ı́ndice b que conta o número de bifurcações, mais precisa
será a relação de escala (3.11). No limite em que b cresce indefinidamente, essa
(2b )
relação define uma função universal, limite de fλb (x) para valores crescentes de
b, independente da forma particular do mapa logı́stico.
Também a sequência dos valores crı́ticos λ0 , λ1 , λ2 , etc apresenta proprieda-
des de universalidade. O valor

λb+1 − λb
δ = lim = 4, 669 . . . (3.14)
b→∞ λb+2 − λb+1

também independe da forma particular do mapa adotado, e tem sido medido em


diversos sistemas reais, experimentalmente. Muitas vezes nem mesmo se conhe-
cem as equações que descrevem a evolução dinâmica do sistema estudado, e ainda
assim o valor medido de δ coincide com a relação (3.14).
Nota-se que a sequência λ0 , λ1 , λ2 , etc apresenta um limite λ∞ = 3, 5699 . . . ,
abaixo do qual o comportamento do mapa logı́stico é periódico, como vimos
(perı́odos 1, 2, 4, 8, . . . 2b , na sequência das sucessivas bifurcações). No entanto,
para λ acima de λ∞ é o caos, no sentido matemático da palavra.
A caracterı́stica mais importante do regime caótico é que dois valores inici-
ais x(0) e x(0) dão origem a duas evoluções dinâmicas completamente diferen-
tes, mesmo no caso em que x(0) e x(0) estejam infinitamente próximos. A con-
sequência prática é que sistemas caóticos são imprevisı́veis: qualquer pequena in-
certeza nas condições iniciais se transforma numa incerteza absoluta (ignorância
total) no comportamento futuro do sistema. Um exemplo dramático de sistema
caótico é o clima na superfı́cie terrestre. As chamadas “previsões do tempo” são
muito incertas, jamais conseguem ultrapassar o prazo de uma semana apesar dos
modernı́ssimos computadores utilizados.
36 CAPÍTULO 3. A DESCOBERTA DE FEIGENBAUM

Uma segunda caracterı́stica interessante do regime caótico é a ausência de


periodicidade. Com exceção de pontos isolados como x∗ = 1−1/λ, por exemplo,
as trajetórias são autoexcludentes, jamais se retorna a algum ponto já visitado.
Outra observação interessante é a existência da volta de periodicidade em
certas janelas ao longo do eixo λ, já ultrapassado o limite do caos, λ > λ∞ =
3, 5699 . . . . Para valores de λ escolhidos dentro dessas janelas observam-se peri-
odicidades “esquisitas”: 3, 5, 6, etc. Procure-as!
Capı́tulo 4

O Pêndulo Simples

37
38 CAPÍTULO 4. O PÊNDULO SIMPLES

Conforme já comentado anteriormente, a lei de Newton, bem como a maior


parte das leis fı́sicas, é expressa na forma de uma equação diferencial. Os casos
em que se consegue a solução analı́tica de uma tal equação podem ser conside-
rados a exceção. Em geral, nos casos de interesse, ou se adotam soluções apro-
ximadas válidas dentro de certos limites, ou alternativamente adotam-se métodos
numéricos para resolver o problema no computador. Vamos a seguir exemplificar
ambas as alternativas no caso do pêndulo simples.
Consideremos uma massa soldada na extremidade de um arame rı́gido re-
tilı́neo, muito mais leve. A outra extremidade do arame está articulada num eixo
horizontal de forma que o pêndulo possa oscilar num plano vertical, sob a ação da
gravidade terrestre. Para simplificar o problema, vamos admitir que todos os atri-
tos sejam desprezı́veis. A trajetória ao longo da qual a massa oscila é um pedaço
de circunferência cujo raio é o comprimento ℓ do arame. Durante o movimento, as
duas forças que atuam na massa são seu peso m~g , onde m mede a própria massa
~ exercida pelo
sendo ~g a intensidade do campo gravitacional terrestre, e a tensão A
arame.

~
A tg

m~g
rd

Figura 4.1: Pêndulo simples.

A posição instantânea do pêndulo é definida pelo ângulo θ assinalado na figura


4.1. O problema que se deseja resolver é determinar a função θ(t) que caracteriza
a dependência temporal da posição. A solução formal deste problema é obtida
39

pela aplicação direta da lei de Newton, como se segue. A velocidade da massa é


um vetor na direção do eixo tangente tg também assinalado na figura, de módulo

v=ℓ . (4.1)
dt
Na direção do mesmo eixo tangente tg, a componente da aceleração é a derivada
do módulo da velocidade (aceleração escalar), ou seja

d2 θ
atg = ℓ
. (4.2)
dt2
Ainda na direção do mesmo eixo tangente tg, apenas o peso m~g possui compo-
nente não nula

Ftg = − mg senθ . (4.3)


Segundo a lei de Newton, finalmente, as componentes da força e da aceleração
nas equações (4.3) e (4.2) devem se relacionar na forma

Ftg = matg , (4.4)


ou ainda, simplificando com a eliminação da massa m,

d2 θ g
+ senθ = 0 , (4.5)
dt2 ℓ
que é a equação diferencial do movimento. Resolver tal equação consiste em
descobrir qual a função θ(t) cuja segunda derivada atende à igualdade. No caso
da equação (4.5), é possı́vel se chegar à solução analı́tica formal em termos das
chamadas integrais elı́pticas, cujos valores no entanto são determinados numeri-
camente no computador1 .
Além da equação do movimento (4.5), é preciso levar em conta também a
condição inicial imposta ao pêndulo. Por exemplo, o movimento pode ter sido
iniciado na posição de equilı́brio θ = 0, através de uma pancada seca que im-
primiu uma certa velocidade inicial vo à massa. Consideremos que esta pancada
ocorreu no instante t = 0, na direção horizontal. Matematicamente, esta condição
inicial se expressa como
dθ vo
θ(0) = 0 = . (4.6)
dt t=0 ℓ
O problema do movimento do pêndulo foi, agora, colocado em termos ma-
temáticos precisos: resolver a equação diferencial (4.5) sujeita à condição inicial
(4.6).
1
A. Beléndez, C. Pascual, D.I. Mendez, T. Beléndez e C. Neipp, Rev. Bras. Ens. Fı́s. 29, 645
(2007); 30, 1902 (2008); F.M.S. Lima, Rev. Bras. Ens. Fı́s. (2010).
40 CAPÍTULO 4. O PÊNDULO SIMPLES

Como não se sabe resolver analicamente este problema, vamos primeiro re-
solvê-lo num limite que simplifica a forma (4.5) da equação diferencial: as pe-
quenas oscilações. Neste limite, considera-se suficientemente fraca a pancada ini-
cial, de forma que a amplitude das oscilações seja pequena. Amplitude é o valor
máximo θA do ângulo θ entre o arame e a vertical, que ocorre no preciso momento
em que a massa para instantaneamente antes de iniciar o movimento de retorno.
Se θA é pequeno, todos os outros valores de θ durante a oscilação são menores
ainda. A aproximação que vamos adotar neste limite de pequenas oscilações é
substituir o valor senθ na equação (4.5) pelo próprio θ expresso em radianos, isto

senθ ≈ θ (em radianos) . (4.7)

Problema 4-1

Verifique que o erro cometido na aproximação (4.7) é de 1% para


θ = 0, 25rad (ou 14o ), e que o erro é menor ainda para ângulos menores.

Dentro da aproximação de pequenas oscilações, portanto, a equação do mo-


vimento do pêndulo passa a ser

d2 θ g
2
≈− θ (4.8)
dt ℓ
cuja solução, considerada a condição inicial (4.6), é
r g 
θ(t) ≈ θA sen t (4.9)

onde a amplitude de oscilação vale
vo
θA ≈ √ . (4.10)
gℓ
41

Problema 4-2

Considere um pêndulo de comprimento ℓ = 2, 00m cuja velocidade


inicial é vo = 1, 00m/s na posição vertical. O valor local da intensidade
do campo gravitacional é g = 9, 8m/s2 .
Dados estes valores com os algarismos significativos apresentados,
justifica-se ou não a aproximação de pequenas oscilações (4.7), (4.8),
(4.9) e (4.10) neste caso?

Problema 4-3

Construa o gráfico da posição θ em função do tempo t, no caso do


problema anterior.

Problema 4-4

Mostre que o perı́odo de oscilação do pêndulo vale


s

T ≈ 2π (4.11)
g
dentro da aproximação de pequenas oscilações, e verifique este resultado
no caso do gráfico do problema anterior.

Uma caracterı́stica interessante do movimento oscilatório do pêndulo é que


seu perı́odo não depende da amplitude, mas apenas de seu comprimento ℓ. Consi-
derando que a intensidade do campo gravitacional é a mesma em todos os pontos
da superfı́cie terrestre, digamos g = 9, 8m/s2 , esta caracterı́stica permite estabe-
lecer um padrão global de tempo. Por exemplo, poderı́amos definir um segundo
como o perı́odo de oscilação de um pêndulo de comprimento ℓ = 25cm, dentro
de uma precisão da ordem de 1%. Em qualquer lugar do mundo alguém poderia
facilmente construir um pêndulo com este comprimento, e usá-lo para medir tem-
pos. Não é necessário especificar a amplitude de oscilação, basta ser menor do
que 14o .
42 CAPÍTULO 4. O PÊNDULO SIMPLES

A precisão de 1% não é suficiente para muitas aplicações práticas, em parti-


cular para as modernas tecnologias de comunicação via satélite e telefonia celu-
lar. Portanto o padrão de tempo adotado internacionalmente é muito mais sofisti-
cado, baseado em oscilações atômicas. No Brasil, o primeiro relógio atômico foi
construido recentemente no Instituto de Fı́sica da USP em São Carlos. Relógios
atômicos estão também embarcados nos satélites do sistema de posicionamento
global (GPS). Precisão de uma parte em 1016 pode ser obtida com feixe ultrafrio
de átomos de césio 2 .
Voltando ao nosso pêndulo, poder-se-ia verificar facilmente que o perı́odo de
oscilação iria passar de um segundo, mesmo considerando apenas 1% de precisão,
caso a amplitude não fosse pequena. Para θA = π2 rad = 90o , por exemplo, o
perı́odo de oscilação seria cerca de 20% maior do que prevê a aproximação (4.11).
Para θA = 2π 3
rad = 120o , o desvio já seria de 40%.
Para grandes amplitudes de oscilação, portanto, as relações (4.7), (4.8), (4.9),
(4.10) e (4.11) não se aplicam. Infelizmente não se conhecem as relações, certa-
mente mais complicadas, que generalizariam a solução (4.9) ou a expressão (4.11)
do perı́odo no caso geral de grandes amplitudes de oscilação. Apenas a expressão

vo2
cosθA = 1 − , (4.12)
2gℓ
que generaliza (4.10) é conhecida analiticamente. Como esta expressão não en-
volve o tempo, no entanto, não nos dá nenhuma informação sobre os aspectos
dinâmicos do problema, em particular sobre o perı́odo de oscilação.

Problema 4-5

Com o uso da conservação de energia, demonstre a equação (4.12).

Passemos agora a tratar da solução numérica da equação de movimento (4.5),


fora da aproximação de pequenas oscilações.
No capı́tulo 1, ao estudar o problema do decaimento radioativo, partimos da
equação de diferenças finitas (1.3) relacionando ∆N e ∆t. No final do capı́tulo 1,
tomamos o limite ∆t → 0 na definição (1.9) de derivada e reformulamos o pro-
blema em termos da equação diferencial (1.10). Desta vez, ao estudar o problema
do pêndulo, vamos proceder ao contrário: a partir da equação diferencial (4.5),
vamos obter uma equação de diferenças finitas equivalente.
2
Colóquio de Claude Cohen-Tannoudji, prêmio Nobel de Fı́sica em 1997, no Instituto de Fı́sica
da UFRJ, setembro de 2009
43

Consideremos uma função x(t) genérica, e sua derivada dx/dt. A relação

dx x(t + ∆t) − x(t)


1 ≈ , (4.13)
dt t+ 2 ∆t ∆t
onde ∆t é um intervalo finito (ainda que pequeno) de tempo, é uma aproximação
para a derivada de x(t) em qualquer instante do intervalo entre t e t + ∆t, por
exemplo o ponto médio t + 12 ∆t conforme indicado. Analogamente, a relação

dx x(t) − x(t − ∆t)


1 ≈ (4.14)
dt t− 2 ∆t ∆t
é uma aproximação para a derivada de x(t), desta vez no instante t − 21 ∆t. Estas
aproximações serão tão melhores quanto menor for o intervalo ∆t escolhido.
A segunda derivada vem a ser a derivada da derivada, e o mesmo tipo de
aproximação

dx

d2 x dt t+ 21 ∆t
− dx
dt t− 21 ∆t
≈ (4.15)
dt2 t ∆t
pode ser adotado. Reunindo (4.13), (4.14) e (4.15), temos

d2 x x(t + ∆t) − 2x(t) + x(t − ∆t)


≈ (4.16)
dt2 t ∆t2
De volta ao problema do pêndulo, podemos agora adotar a aproximação (4.16)
para a segunda derivada de θ(t) que aparece na equação (4.5), obtendo
g
θ(t + ∆t) ≈ 2 θ(t) − ∆t2 senθ(t) − θ(t − ∆t) (4.17)

que servirá para resolver o problema numericamente, como se segue. Primeira-
mente, vamos simplificar a notação. Uma vez escolhido o intervalo de tempo ∆t,
a sequência θ(0), θ(∆t), θ(2∆t), etc será notada como θ0 , θ1 , θ2 , etc. Desta forma,
a equação (4.17) se reescreve como
g
θt+1 ≈ 2 θt − ∆t2 senθt − θt−1 , (4.18)

onde agora t = 0, 1, 2 . . . é um número inteiro que mede o número de intervalos
de tempo ∆t decorridos desde t = 0.
A equação (4.18) é um mapa iterativo de segunda ordem, onde cada valor
na sequência θ2 , θ3 , θ4 , etc depende dos dois anteriores. No caso do decaimento
radioativo, a equação diferencial correspondente (1.10) só envolvia a primeira
derivada da variável dinâmica N(t). Por esta razão, o mapa iterativo (1.4) era
de primeira ordem, cada valor na sequência N1 , N2 , N3 , etc dependia apenas do
44 CAPÍTULO 4. O PÊNDULO SIMPLES

anterior. Como agora, no caso do pêndulo, o equação diferencial (4.5) envolve a


segunda derivada de θ(t), o mapa (4.18) é de segunda ordem.
Desta forma, a sequência θ2 , θ3 , θ4 , etc pode ser determinada iterativamente
a partir do conhecimento de θ0 e θ1 . Primeiro, tomando-se t = 1 em (4.18),
determina-se θ2 . Depois, tomando-se t = 2 na mesma equação, determina-se θ3 ,
e assim por diante.

Problema 4-6

Resolva numericamente a equação (4.5) do pêndulo, através do mapa


(4.18), com os mesmos dados do problema 4-2. Escolha um intevalo ∆t
adequado à precisão compatı́vel com a dos dados apresentados.
Além de θ0 = 0, você necessitará conhecer a priori o valor de θ1 , a
partir da condição inicial (4.6). Para tanto, basta notar que a derivada de
θ(t) no instante t = 0 pode ser escrita como dθ/dt|t=0 ≈ θ1 /∆t.

Problema 4-7

A partir da tabela θ0 , θ1 , θ2 , etc obtida no problema anterior, de-


termine o perı́odo de oscilação T , e compare o resultado com o valor
previsto pela aproximação (4.11). Ao medir o perı́odo, procedimentos
simples de interpolação são recomendáveis para aumentar a precisão.

Problema 4-8

A partir da tabela θ0 , θ1 , θ2 , etc obtida no problema 4-6, construa o


gráfico da posição θ em função do tempo t, e compare-o com o obtido no
problema 4-3.
45

Problema 4-9

Repita o problema 4-6, desta vez usando uma velocidade inicial 5


vezes menor, vo = 0, 200m/s. Compare o perı́odo T e a amplitude θA
obtidos com os valores previstos pelas aproximações (4.11) e (4.10).

Problema 4-10

Repita novamente o problema 4-6, desta vez usando uma velocidade


inicial 5 vezes maior, vo = 5, 00m/s. Verifique que as aproximações
(4.11) e (4.10) não são mais válidas, mas o resultado (4.12) sim.

Obviamente, quanto maior for a velocidade inicial vo , maior será a amplitude


θA . Mas, também obviamente, a amplitude não pode ultrapassar πrad ou 180o .
Isto indica que há um valor máximo de vo compatı́vel com o movimento osci-
latório. Se vo for maior que este limite vc , a massa ultrapassa o ponto mais alto,
acima e na mesma vertical que o ponto de articulação do arame, e seu movimento
ocorre em voltas completas sucessivas, sempre no mesmo sentido (se não bater no
teto).

Problema 4-11

Mostre que p
vc = 2 gℓ . (4.19)

Problema 4-12

Repita o problema 4-6 para diferentes valores de vo todos menores


do que o limite vc , e meça o perı́odo T e a amplitude θA em cada caso.
Construa um gráfico de T em função de θA .
46 CAPÍTULO 4. O PÊNDULO SIMPLES

Há portanto dois regimes distintos para o movimento do pêndulo: i) movi-


mento oscilatório para vo < vc ; ii) movimento em voltas completas sucessivas,
sempre no mesmo sentido, para vo > vc . Neste segundo regime, o movimento
também é periódico, e o perı́odo T também pode ser obtido numericamente do
mapa (4.18). Neste caso, é prudente introduzir no seu programa de computador a
redução de todos os ângulos ao intervalo [−π, π].

Problema 4-13

Repita o problema 4-6, desta vez para uma velocidade inicial vo =


10, 0m/s, maior portanto do que vc . Determine o perı́odo T do movi-
mento em voltas completas sucessivas.

Problema 4-14

Repita o problema 4-6 para diferentes valores de vo maiores do que


vc , e meça o perı́odo T em cada caso. Com estes dados e mais os obti-
dos anteriormente no problema 4-12, construa o gráfico do perı́odo T em
função de vo .

A semelhança entre o gráfico que você obteve no problema 4-14 e o da figura


2.6 sugere que há um fenômeno crı́tico para velocidades iniciais próximas a vc .
Será a singularidade observada no gráfico T × vo regida por uma lei de potência?
Em outras palavras, será a relação entre as grandezas envolvidas do tipo

T ∼ |vo − vc |−α (4.20)


segundo algum valor particular do expoente α?
47

Problema 4-15

Ainda considerando os mesmos dados do problema 4-2, meça o


perı́odo T em função de vo , tomando valores bastante próximos de vc .
Alguns serão menores, outros maiores que vc . Trata-se da mesma tarefa
já solicitada nos problemas 4-12 e 4-14, mas desta vez uma análise mais
delicada da precisão numérica se faz necessária. Para cada caso, repita o
cálculo para diferentes valores do intervalo de tempo ∆t, e, comparando
os resultados, retenha apenas os algarismos realmente significativos de T .

Problema 4-16

Com os dados do problema anterior, construa dois gráficos de ln T ×


ln |vo − vc |, um para vo < vc e outro para vo > vc .

Conforme já verificamos no problema 2-8, se a relação (4.20) for verificada,


cada um dos gráficos obtidos no problema 4-16 deve corresponder a uma reta
com coeficiente angular igual ao expoente −α, na região crı́tica (onde ocorrem os
grandes valores de T ).

Problema 4-17
p p
A unidade natural de T é ℓ/g. Desta forma, T / ℓ/g é uma gran-
deza adimensional. Da mesma forma, |1−vo /vc | também é uma grandeza
adimensional.
pCom os mesmos dados do problema 4-15, construa dois gráficos de
T / ℓ/g × ln |1 − vo /vc |, um para vo < vc e outro para vo > vc .

A análise dos gráficos obtidos no problema 4-17 permite concluir que


s

T ≈ −2 ln(1 − vo /vc ) , (4.21)
g
para vo < vc , e que
48 CAPÍTULO 4. O PÊNDULO SIMPLES

s

T ≈− ln(vo /vc − 1) , (4.22)
g

para vo > vc , a menos de constantes aditivas que se tornam desprezı́veis a me-


dida em que vo se aproxima cada vez mais de vc , na região crı́tica onde ocorre a
singularidade observada no gráfico do problema 4-14.

Problema 4-18

Explique porque o perı́odo T do movimento oscilatório, com vo li-


geiramente menor do que vc , é o dobro do perı́odo T do movimento em
voltas completas sucessivas, com vo ligeiramente maior (simétrico) do
que vc . Sugestão: observe os gráficos θ × t nas duas situações.

Problema 4-19

Demonstre as relações (4.21) e (4.22). Sugestão: translade a ori-


gem dos tempos para o instante em que θ assume seu valor máximo (ou
mı́nimo).

As relações (4.21) e (4.22), se consideradas como leis de potência do tipo


(4.20), correspondem ao valor do expoente crı́tico α = 0. Para se convencer
R −α−1
R −1fato, basta considerar duas integrais bastante conhecidas: x
deste ∼ x−α e
x ∼ ln x. Isto significa que a singularidade observada no gráfico obtido no
problema 4-14 é mais fraca que qualquer lei de potência. Em outras palavras, o
ritmo segundo o qual o perı́odo T cresce indefinidamente quando vo se aproxima
de vc é mais lento do que |vo − vc |−α para qualquer α > 0.
O valor α = 0 do expoente crı́tico da relação (4.20) já poderia ter sido pre-
visto da análise dos gráficos obtidos no problema 4-16. Pense! Quando, no estudo
de um fenômeno crı́tico, se observa um expoente nulo, deve-se recorrer a uma
análise mais detalhada do comportamento matemático da grandeza em questão.
Um exemplo clássico é o calor especı́fico do famoso modelo de Ising em duas
dimensões, cujo expoente crı́tico é justamente α = 0. Neste caso, o comporta-
mento crı́tico também é logarı́tmico, isto é C ∼ − ln |1 − T /Tc |, onde T e Tc são
49

a temperatura e seu valor crı́tico respectivamente 3 . Curiosamente, a razão entre os


valores do calor especı́fico em temperaturas simétricas em relação ao valor crı́tico
também vale exatamente 2.
Neste capı́tulo estudamos a solução numérica de uma equação diferencial,
transformando-a numa equação de diferenças finitas. Aplicamos este método
geral ao problema do pêndulo simples para o qual são conhecidas as soluções
analı́ticas em dois casos: as pequenas oscilações quando vo ≪ vc ; e a região
crı́tica, quando vo ≈ vc . Verificamos que a solução numérica reproduz perfeita-
mente estes dois limites (problemas 4-7, 4-8, 4-9 e 4-17). Este fato indica que a
solução numérica também se aplica à situação intermediária entre estes dois limi-
tes, quando vo < vc , para o qual não se conhece a solução analı́tica do problema.
A solução numérica ainda se aplica igualmente ao caso do movimento em voltas
completas sucessivas, sempre no mesmo sentido, quando vo > vc .
Cabe um último comentário sobre o método de transformação de uma equação
diferencial em diferenças finitas. A equação (4.13) é uma aproximação para a de-
rivada de x(t) em qualquer instante entre t e t + ∆t. No entanto, adotamos tal
aproximação exatamente no centro deste intervalo. Da mesma forma, a equação
(4.14) foi adotada como aproximação da derivada também no centro do respec-
tivo intervalo entre t − ∆t e t. Com relação à segunda derivada, novamente a
aproximação (4.15) foi adotada no centro do intervalo entre t − 12 ∆t e t + 12 ∆t.
Em resumo, adotamos a diferença finita como aproximação para a derivada (pri-
meira ou segunda) sempre no centro do respectivo intervalo. Porque? A figura 4.2
deixa visı́vel a resposta.

3
L. Onsager, Phys. Rev. 65, 117 (1944); H.E. Stanley, Introduction to Phase Transitions and
Critical Phenomena, Oxford University Press (1971)
50 CAPÍTULO 4. O PÊNDULO SIMPLES

xt+1
variável dinâmica x(t)

xt

xt−1

t−1 t t+1
tempo

Figura 4.2: Gráfico de x(t) nas proximidades dos intantes t − 1, t e t + 1 (em


unidades de ∆t). A inclinação da reta superior representa a derivada de x(t) no
instante t. As inclinações dos 3 segmentos retilı́neos inferiores representam as
aproximações (4.23), (4.24) e (4.25), a seguir.

Problema 4-20

Considere 3 opções de aproximação para a derivada de x(t) no ins-


tante t,

dx x(t + ∆t) − x(t)


≈ , (4.23)
dt t ∆t
dx x(t) − x(t − ∆t)
≈ , (4.24)
dt t ∆t
ou

dx x(t + ∆t) − x(t − ∆t)


≈ . (4.25)
dt t 2∆t

Por expansão em série de potências de x(t), em torno do instante t, mostre


que o erro cometido na terceira opção é de segunda ordem ou quadrática
(proporcional a ∆t2 ), mas o erro nas duas primeiras opções é de primeira
ordem ou linear (proporcional a ∆t).
51

A aproximação (4.25) segue a receita de centralizar o intervalo, como já havia


sido considerado nas aproximações (4.13) e (4.14) para a primeira derivada. Desta
vez, no entanto, com um intervalo dobrado 2∆t centrado no instante t. Para a
segunda derivada, a equação (4.15) também segue a receita da centralização do
intervalo. Portanto, todas estas equações correspondem a erros de segunda ordem
— com exceção de (4.23) e (4.24) que não centralizam o intervalo. Ao se diminuir
o valor ∆t adotado na solução numérica, diminui-se também o erro cometido e
melhora-se a precisão. É um bom teste, por exemplo, reduzir ∆t à metade e
repetir o cálculo para verificar quais são os algarismos significativos do resultado:
são aqueles que não se alteram. Com ∆t reduzido à metade, o erro se reduz à
quarta parte no caso das aproximações de segunda ordem, mas apenas à metade
no caso da primeira ordem. Desta forma, é sempre preferı́vel adotar intervalos
centralizados na transformação de derivadas em diferenças finitas.
No caso em questão, não se trata apenas de ser preferı́vel. Na verdade é im-
perativo adotar aproximações de segunda ordem. O erro cometido é proporcional
a ∆t2 em cada passo de tempo, mas se acumula desde o instante inicial t = 0 até
o instante final t = T considerado (digamos, um perı́odo). Durante este tempo,
o número de iterações do mapa (4.18) terá sido N = T /∆t. Portanto, o erro
acumulado em N iterações é proporcional a N∆t2 ∼ ∆t. Nota-se que, mesmo
considerando o tempo correspondente a um perı́odo inteiro, o erro acumulado
pode ser diminuido quanto se queira pela simples redução do intervalo ∆t. Neste
sentido, a solução numérica apresentada é exata, o que significa um erro numérico
inteiramente controlável, menor do que qualquer tolerância previamente acordada.
Caso tivéssemos ignorado a boa prática de sempre centralizar os intervalos, ado-
tando então uma aproximação de primeira ordem, o erro cometido em cada passo
(proporcional a ∆t) ainda seria controlável, passı́vel de ser diminuido o quanto se
queira pela redução de ∆t. Mas não o erro acumulado num perı́odo de oscilação,
que continuaria o mesmo por mais que se reduzisse o valor de ∆t.
52 CAPÍTULO 4. O PÊNDULO SIMPLES

Problema 4-21

Se construı́ssemos um pêndulo real para experimentos equivalentes


aos casos tratados aqui numericamente, terı́amos um problema adicional
a resolver: não poderı́amos mais admitir que todos os atritos são des-
prezı́veis, como fizemos ao considerar apenas as duas forças mostradas
na figura 4.1. O atrito na articulação do arame ainda poderia ser despre-
zado, caso tomássemos algumas providências — roldana extremamente
bem lubrificada, ou levitação magnética, etc. Mas o atrito de resistência
do ar ao movimento da massa continuaria o mesmo.
Pode-se modelar este atrito como sendo proporcional à velocidade
da massa, equação (4.1), no sentido oposto. Mostre que neste caso, a
equação diferencial a ser resolvida é

d2 θ dθ g
2
+γ + senθ = 0 , (4.26)
dt dt ℓ
em vez de (4.5), onde γ é uma constante que representa a intensidade do
atrito, medida em unidades de inverso de tempo.

Problema 4-22

Resolva numericamente a equação (4.26), novamente para os mes-


mos dados do problema 4-2, considerando um atrito relativamente pe-
queno, γ = 1, 00s−1 . Não esqueça de centralizar o intervalo também para
o novo termo da equação (4.26), como na (4.25).
Você poderá verificar que o movimento ainda é oscilatório, mas não
é mais periódico. Portanto, não há mais perı́odo e sim o tempo decor-
rido durante uma oscilação completa, que pode ser medido. Meça-o e
compare-o com o perı́odo obtido sem atrito.

Problema 4-23

Repita o problema 4-22 para diferentes valores do parâmetro γ, e ana-


lise os resultados. O movimento é sempre oscilatório? Adote diferentes
velocidades iniciais, inclusive maiores do que vc .
Capı́tulo 5

Difusão

53
54 CAPÍTULO 5. DIFUSÃO

Ao aplicar a lei de Newton (1.1) no estudo do movimento de uma partı́cula,


admitindo que a força dependa apenas da posição segundo uma relação matemática
conhecida F (x), chega-se a uma equação diferencial

d2 x 1
2
= F (x) (5.1)
dt m
dita “ordinária”. Essa denominação indica que a variável dinâmica x(t), represen-
tando a posição da partı́cula, depende apenas do tempo.
Em várias outras situações, no entanto, o interesse é determinar uma quanti-
dade que depende tanto do tempo t como da posição x ao longo de um eixo (para
o caso simples de sistemas unidimensionais). Note que x agora não se refere à
posição de uma partı́cula em movimento, mas a um ponto no espaço que não varia
no tempo. Um exemplo importante deste tipo de situação é o eletromagnetismo
regido pelas equações de Maxwell para os campos elétrico E(~ ~ r, t) e magnético
~ r, t). Esses campos são vetores definidos em cada ponto ~r do espaço tridi-
B(~
mensional, e que também podem variar no tempo. As equações de Maxwell que
determinam o comportamento desses vetores no espaço e no tempo são equações
diferenciais. Porém, não são ordinárias, uma vez que envolvem derivadas parciais
dos campos em relação a cada uma de suas dependências espaciais e temporal
(quatro dimensões).
Vamos neste capı́tulo considerar a situação em que o sistema em estudo é
regido por equações diferenciais parciais (não ordinárias). Em lugar do espaço
tridimensional, no entanto, vamos considerar apenas sistemas unidimensionais
onde a posição é medida por um número x ao longo de um eixo, em vez do vetor
~r. Também a quantidade de interesse será um campo escalar u(x, t), em vez de
campos vetoriais como E ~ ou B.
~
Um exemplo importante é a difusão de calor ao longo de uma barra metálica.
Considerando u(x, t) a densidade de energia térmica em torno do ponto x da barra
e no instante t, a evolução desta quantidade é regida pela equação

∂u ∂2u
=D 2 , (5.2)
∂t ∂x
onde D é uma constante caracterı́stica do material. Não vamos aqui nos deter na
interpretação fı́sica nem na demonstração desta equação. O problema prático é
determinar u(x, t) ao longo de todo o eixo X, para cada instante t. Diferente do
pêndulo, quando determinou-se o valor do ângulo θ em cada instante, agora é toda
a função ut (x) = u(x, t) que deve ser determinada em cada instante.
Primeiramente vamos escolher um passo ∆t para a evolução temporal, e outro
passo ∆x ao longo do eixo X. Vamos também mudar a notação de u(x, t) para ux,t
onde agora t = 0, 1, 2, etc mede o número de intervalos de tempo ∆t decorridos
desde t = 0, e x = 0, ±1, ±2, etc mede a posição ao longo do eixo X em passos
55

discretos ∆x (x = 1, 2, 3, etc estão à direita da origem, e x = −1, −2, −3, etc


à esquerda). As notações alternativas u(x, t) e ut (x) se referem ao caso contı́nuo,
e ux,t ao caso discreto. No entanto, serão usadas indistintamente em diferentes
contextos.
Tornada discreta, a equação (5.2) se reescreve como 1

ux,t+1 − ux,t ux+1,t − 2ux,t + ux−1,t


≈D , (5.3)
∆t ∆x2
que permite calcular o valor futuro ux,t+1 no ponto x a partir do conhecimento
dos valores atuais ux,t, ux+1,t e ux−1,t na posição x e suas duas vizinhas x ± 1.
Portanto, dada a condição inicial

u(x, 0) = uo (x) , (5.4)


a aplicação de (5.3) a todos os valores de x em t = 0, define ux,1. Depois desta
primeira etapa, aplica-se novamente a equação (5.3) aos valores de x em t = 1
recém obtidos, e determina-se ux,2. Da mesma forma, determina-se ux,3 , e assim
por diante.

0 x−1 x x+1 X

t
t+1

Figura 5.1: Esquema de uso do mapa (5.3) para a solução da equação (5.2).

1
Note que o lado esquerdo de (5.3) é uma aproximação de primeira ordem, inconveniente a
longo prazo pelas razões já expostas no capı́tulo 4. Se necessário, a precisão pode ser facilmente
melhorada pela centralização da derivada no intervalo discreto de tempo, também discutida no
capı́tulo 4. O preço que se paga é apenas o armazenamento das configurações espaciais nos ins-
tantes t e t − 1 durante o processamento computacional. Na figura 5.1 acrescenta-se o ponto acima
do central à vizinhança que define ux,t+1 .
56 CAPÍTULO 5. DIFUSÃO

No diagrama x × t mostrado na figura 5.1, cada linha horizontal corresponde


a um instante t fixo. A função u(x, t) é suposta conhecida ao longo da linha hori-
zontal superior, no instante t = 0. A relação (5.3) determina o valor ux,t+1 (ponto
indicado por um cı́rculo aberto) em função de ux−1,t , ux,t e ux+1,t (cı́rculos fecha-
dos). Desta forma, todos os valores de u na linha t + 1 podem ser determinados
a partir dos valores de u na linha t. O processamento numérico começa na linha
superior t = 0, determina todos os valores de u na linha seguinte t = 1 a partir
dos valores conhecidos acima. Depois, toda a linha t = 2 é determinada a partir
da linha t = 1, e assim por diante.

Problema 5-1

Uma barra metálica com temperatura inicialmente uniforme é sub-


metida a um choque térmico localizado no seu centro (x = 0). Considere
então a função uo (x) nula em todos os pontos da barra, com exceção do
ponto central onde uo (0) = 1. Considere também ∆x = 1 e ∆t = 1, em
unidades arbitrárias nas quais o coeficiente de difusão vale D = 0, 1.
Determine a distribuição de temperaturas ao longo da barra, ou seja,
a função ut (x), para t = 1, 2, 4, 8, 16, 32, 64, 128, 256, 512 e 1024.

Como se pode notar pelo resultado do problema 5.1, a energia térmica inicial-
mente localizada apenas no ponto central da barra acaba por se difundir a medida
em que o tempo passa. A região em torno do centro da barra que concentra a
energia térmica aumenta com o tempo. O comprimento dessa região pode ser
estimado pela quantidade
v
u ∞
uX
∆(t) = t x2 u(x, t) (5.5)
x=−∞

denominada “dispersão”. O gráfico de ut (x) para um dado instante t fixo tem a


aparência de um sino, e a dispersão mede a largura desta curva.
57

Problema 5-2

Com os dados do problema anterior, calcule ∆(t) nos mesmos ins-


tantes citados, e mostre que

∆(t) ∼ t1/2 . (5.6)

A lei de potência (5.6), com o expoente caracterı́stico 1/2, aparece em várias


situações fı́sicas em que algum ingrediente aleatório governa a evolução temporal
do sistema. O exemplo mais famoso é o “problema do bêbado”. Considere um
bêbado inicialmente na origem do eixo X. A cada intervalo de tempo ∆t = 1,
o bêbado dá um passo de comprimento ∆x = 1 que tanto pode ser para a direita
como para a esquerda, de forma completamente aleatória. Vamos considerar p e q
as probabilidades de cada passo ser para a direita ou para a esquerda, respectiva-
mente. Temos a relação

p+q =1 (5.7)
entre as probabilidades. Se depois de t passos o bêbado andou n vezes para a
direita (e consequentemente t − n vezes para a esquerda), então ele se encontra
no ponto

x = n − (t − n) = 2n − t . (5.8)
A probabilidade de se encontrar no ponto x, no instante t, será
t!
u(x, t) = pn q t−n . (5.9)
n!(t − n)!
Compreenda bem a equação (5.9). Com esta probabilidade, pode-se calcular os
valores médios

X
hxi = x u(x, t) (5.10)
x=−∞
e

X
2
hx i = x2 u(x, t) . (5.11)
x=−∞
58 CAPÍTULO 5. DIFUSÃO

Problema 5-3

Usando a probabilidade (5.9), calcule hni e hn2 i. É conveniente usar


as relações
∂  n
n pn = p p (5.12)
∂p
e
∂ 2 n
n2 pn = p p . (5.13)
∂p
Mostre então que

hxi = (2p − 1) t (5.14)


e

hx2 i − hxi2 = 4p(1 − p) t . (5.15)

No caso em que o bêbado não tem nenhuma preferência de sentido, direita ou


esquerda, temos p = q = 1/2. Nesse caso, a posição média hxi do bêbado coin-
cide com a origem em qualquer instante. Isso significa que a média das posições
de vários bêbados independentes, todos no mesmo instante t, se anula. A dis-
persão (5.5) entre as várias posições destes bêbados independentes, no entanto,
cresce a medida em que o tempo passa na forma

∆(t) = t1/2 , (5.16)


segundo a relação (5.15). Note que se trata da mesma lei de potência obtida
numericamente no problema 5-2 para a difusão de calor na barra metálica.
O problema do bêbado e a difusão de calor na barra metálica têm muito mais
em comum do que apenas a semelhança entre as dispersões (5.6) e (5.16).
59

Problema 5-4

Sendo u(x, t) a probabilidade de se encontrar o bêbado na posição x,


no instante t, mostre que

u(x, t + 1) = p u(x − 1, t) + q u(x + 1, t) . (5.17)

No caso isotrópico em que p = q = 1/2, a equação de diferenças finitas (5.17)


corresponde à equação diferencial (5.2) com o coeficiente de difusão D = 1/2.
Verifique!

Problema 5-5

Mostre√que a constante de proporcionalidade embutida na relação


(5.6) vale 2D, ou seja

∆(t) = (2D t)1/2 . (5.18)

Passemos a estudar outro problema, a difusão de informações. Consideremos


uma sequência de indivı́duos (imóveis) localizados nos pontos x = 0, ±1, ±2,
±3, etc de um eixo X. No instante t, cada indivı́duo poderá ou não transmitir
uma informação a cada um de seus dois vizinhos à direita ou à esquerda, segundo
uma probabilidade p considerada a mesma em ambos os sentidos. Depois de
transmitir ou não a iformação, no instante t + 1 o indivı́duo considerado esquece
seu conteúdo, o que não o impede de receber de volta a mesma informação pos-
teriormente, por exemplo no instante t + 2, através de seus vizinhos que a estarão
transmitindo.
Vamos adotar o seguinte modelo 2 . Em cada instante t a probabilidade do in-
divı́duo x ser portador da informação é u(x, t). Ele pode ter recebido a informação
de seus vizinhos x ± 1 que por sua vez eram portadores da informação com pro-
babilidades u(x + 1, t − 1) e u(x − 1, t − 1). Considera-se que u(x, t) dependa
apenas de u(x + 1, t − 1) e u(x − 1, t − 1), além da probabilidade p de transmissão
(fixa), na forma
2
P.M.C. de Oliveira, J. Phys. A20, L521 (1987)
60 CAPÍTULO 5. DIFUSÃO

1 − u(x, t) = [1 − p u(x − 1, t − 1)] [1 − p u(x + 1, t − 1)] . (5.19)

A interpretação da equação (5.19) é a seguinte. A quantidade p u(x − 1, t − 1)


é a probabilidade do indivı́duo x − 1 ser portador da informação e ter decidido
passá-la (com probabilidade p) a seu vizinho x. Assim, 1 − p u(x − 1, t − 1) é a
probabilidade de x não ter recebido a informação de seu vizinho x − 1. Da mesma
forma, 1 − p u(x + 1, t − 1) é a probabilidade de x também não ter recebido a
informação de seu outro vizinho x + 1. Portanto, o produto no lado direito de
(5.19) é a probabilidade 1 − u(x, t) do indivı́duo x não ter recebido a informação
de nenhum de seus dois vizinhos.
Considera-se que a informação partiu do indivı́duo x = 0 no instante t = 0.
A distribuição inicial de probabilidades é portanto
(
1 x=0 ,
u(x, 0) = (5.20)
0 x 6= 0 .
Temos um sistema dinâmico bem definido pela equação (5.19) que determina
sua evolução temporal, e pela condição inicial (5.20). Podemos portanto estudar
como a informação inicialmente localizada na origem se difunde ao longo do eixo
X, a medida em que o tempo passa. Uma primeira questão a ser respondida é se
a informação sobrevive eternamente, ou se evanesce e se extingue depois de certo
tempo. A resposta depende do valor adotado para a probabilidade p de trans-
missão entre vizinhos. Se p for muito pequeno, a distribuição de probabilidades
u(x, t) acaba por se anular ao longo de todo o eixo X com o passar do tempo, e
a informação é perdida definitivamente. Por outro lado, se p for suficientemente
grande, a distribuição u(x, t) jamais se anula em todo o eixo X, a informação
sobrevive eternamente.

Problema 5-6

Faça a iteração numérica da equação (5.19), a partir da condição ini-


cial (5.20), para p = 1/4. Observe o comportamento da função ut (x) ao
longo do eixo X, a medida em que o tempo passa.
Repita para p = 3/4.

Ao contrário do caso da difusão definida nas equações (5.2) ou (5.3), ou do


caso equivalente do problema do bêbado, podemos notar que a soma das probabi-
61
P
lidades ∞ x=−∞ u(x, t) não se mantem igual a 1. Trata-se de situações completa-
mente distintas. Antes, no caso do bêbado, u(x, t) representou a probabilidade de
encontrá-lo no ponto x, no instante t. Como o bêbado tem quePse encontrar neces-
sariamente em algum ponto do eixo X, e num único, a soma ∞ x=−∞ u(x, t) = 1
se mantem a medida em que o tempo passa. Agora, é uma informação que se
difunde ao longo do eixo X, podendo ser conhecida simultaneamente
P∞ por vários
indivı́duos em diferentes posições do eixo X. A soma x=−∞ u(x, t) mede o
número médio de indivı́duos que conhecem a informação no instante t, e esse
número pode aumentar ou diminuir com o passar do tempo.

Para decidir se o número médio de indivı́duos que conhecem a informação


acaba por se anular ou não, ou seja, se a informação se extingue ou sobrevive eter-
namente, basta analisar o comportamento do indivı́duo localizado na origem que
dentre todos os indivı́duos, em qualquer instante t par, tem a maior probabilidade
u(0, t) de conhecer a informação.

Problema 5-7

Considere y(t) = u0,t , que corresponde ao indivı́duo localizado na


origem x = 0, num instante t par. O valor u0,t−1 para o instante t − 1
ı́mpar se anula segundo nossa regra dinâmica (5.19) sob a condição inicial
(5.20). No entanto, vamos provisoriamente adotar como aproximação
uma outra regra, y(t − 1) = u−1,t−1 = u1,t−1 .
Mostre, dentro desta aproximação, que y(t) evolui no tempo segundo
o mapa

1 − y ′(t) = [1 − p y(t − 1)]2 , (5.21)


que numa notação simplificada pode ser expresso como

y ′ = p y (2 − p y) . (5.21)
Mostre também que o valor final y ∗ = y(t → ∞) vale
(
0 p ≤ 1/2 ,
y ∗ = 2p−1 (5.22)
p2
p ≥ 1/2 .
Verifique que este valor final coincide com o obtido para u(0, t → ∞)
no problema 5-6, sem aproximação alguma.
62 CAPÍTULO 5. DIFUSÃO

A figura 5.2 ilustra, no plano [X, T ], os pontos onde u(x, t) é definida pela
regra dinâmica (5.19) a partir da condição inicial (5.20).

-5 -4 -3 -2 -1 0 1 2 3 4 5 X
1
2
3
4
5

Figura 5.2: Pontos (x, t) pelos quais a informação originada em x = 0 no instante


t = 0 se difunde com o passar do tempo, equações (5.19) e (5.20).

A probabilidade crı́tica pc = 1/2 divide o comportamento do sistema em dois


regimes distintos: a informação se perde definitivamente com o passar do tempo,
para p < pc ; ou a informação é mantida eternamente, para p > pc .

Problema 5-8

Construa os gráficos de y ′ em função de y, segundo o mapa (5.21),


para p = 3/4, 1/4 e 1/2. Compare-os com as figuras 2.2, 2.4 e 2.5.

Estamos diante, mais uma vez, de um fenômeno crı́tico nas proximidades de


um ponto onde ocorre uma transição de fase. Nesse ponto, no caso p = pc = 1/2,
aparece o ralentamento crı́tico caracterı́stico. Ver capı́tulo 2.
63

Problema 5-9

Tomando p = pc = 1/2, construa o gráfico de u(0, t) em função de t


com escala logarı́tmica nos dois eixos. Tome apenas os valores pares de
t, sem recorrer à aproximação dos dois problemas anteriores. Mostre que

uc (0, t) ∼ t−1/ν , (5.23)


para t → ∞, e determine o valor do expoente ν. (O subı́ndice colocado
agora em uc indica a situação crı́tica p = pc = 1/2.)

A lei de potência (5.23) pode ser colocada na forma de função homogênea,


isto é

uc (0, λt) = λ−1/ν uc (0, t) , (5.24)


onde λ é um valor arbitrário que pode ser escolhido convenientemente pelo usuário.
Ao adotar-se λ = t−1 , por exemplo, o lado esquerdo da relação (5.24) se reduz a
uma constante, e assim recupera-se a forma (5.23).
A equação (5.24) define uma lei de escala relacionando a função uc (0, t) com
ela própria depois de submetida a uma transformação de escala em que o tempo t
se transforma em λt. O efeito da multiplicação de t pelo fator de escala λ é que
uc é multiplicado por λ−1/ν .
Como uc também depende de x, a lei de escala (5.24) pode ser generalizada
para a forma

uc (λ1/θ x, λt) = λ−1/ν uc (x, t) (5.25)


de uma função homogênea generalizada. O fator de escala λ continua arbitrário,
convenientemente escolhido. O novo expoente θ pode ser determinado pelo com-
portamento da função ut (x) para p = pc = 1/2 — o mesmo que uc (x, t) para um
t par, fixo e suficientemente grande — em torno da origem x = 0.
64 CAPÍTULO 5. DIFUSÃO

Problema 5-10

Mostre que a segunda derivada

∂ 2 uc (x, t)
Vc (x, t) = (5.26)
∂x2
também é uma função homogênea generalizada

Vc (λ1/θ x, λt) = λ−1/ν−2/θ Vc (x, t) , (5.27)


e que portanto seu valor na origem x = 0 também se expressa como uma
lei de potência

Vc (0, t) ∼ t−1/ν−2/θ (5.28)


em função do tempo.

Numericamente, para instantes t pares, temos

−2Vc (0, t) = uc (0, t) − uc (2, t) , (5.29)

onde já se usou a simetria u(2, t) = u(−2, t). Verifique!

Problema 5-11

Repita o problema 5-6, dessa vez para p = pc = 1/2, e determine o


valor do expoente θ

A forma natural de se expressar a dependência de uc com relação a x e t é


construir vários gráficos de uc contra x, um para cada valor fixo de t.

Problema 5-12

Construa os gráficos de uc contra x para t = 2, 4, 8, . . . 8192 e 16384,


num total de 14 gráficos.
65

A forma mais conveniente de se expressar a dependência de uc com relação


a x e t, no entanto, é através de um único gráfico. Isso é possı́vel graças à lei de
escala (5.25). Se adotarmos λ = t−1 , temos

t1/ν uc (x, t) = f (t−1/θ x) , (5.30)


onde f (x) = uc (x, 1). Assim, construindo o gráfico de t1/ν uc contra t−1/θ x,
teremos a mesma curva independente do valor fixo de t adotado. Esta propriedade
é válida para valores suficientemente grandes de t. No limite t → ∞, diz-se que
há colapso de dados dos gráficos do problema (5.12) numa única curva 3 .

Problema 5-13

Com os mesmos dados do problema 5-12, reconstrua os gráficos,


dessa vez com t1/ν uc no eixo vertical e t−1/θ x no horizontal. Use os va-
lores de ν e θ obtidos nos problemas 5-9 e 5-11. Comece com t = 16384,
depois t = 8192, e assim por diante, enquanto t for suficientemente
grande para permitir a visualização do colapso de dados.

Na versão do problema 5-13, onde uma única curva representa a dependência


de uc ao longo do eixo X para vários instantes t fixos, a largura da curva é uma
só.
Já na versão do problema 5-12, cada curva corresponde a um instante t fixo
diferente e tem sua largura caracterı́stica que aumenta com o passar do tempo.
Essa largura pode ser medida, por exemplo, na metade do valor máximo do eixo
vertical, a assim chamada “largura à meia altura”, ou outras receitas equivalentes.
Isso significa que a informação se difunde ao longo do eixo X, atingindo um
número cada vez maior de indivı́duos a medida em que o tempo passa. Como foi
3
Esta maneira elegante de se expressar leis de escala foi adotada pela primeira vez em 1945
por E.A. Guggenheim, J. Chem. Phys. 13, 253. São gráficos experimentais da chamada curva
de coexistência lı́quido-vapor (temperatura contra densidade) de oito fluidos distintos, Ne, A, Kr,
Xe, N2 , O2 , CO e CH4 . Para cada um foram medidas as densidades de lı́quido e vapor em várias
temperaturas um pouco abaixo de sua temperatura crı́tica (acima da qual só há a fase gasosa).
Pode ser apreciado em H.E. Stanley, Introduction to Phase Transitions and Critical Phenomena,
Oxford (1971). Há mais de 60 anos, então, o colapso de dados provenientes de distintas situações
num mesmo gráfico, conseguido através da escolha adequada de fatores de escala nos dois eixos,
é um instrumento muito utilizado no estudo de sistemas regidos por leis de escala do tipo (5.25).
É uma forma simples, muitas vezes impressionante, de se exibir as diversas universalidades que
a Natureza oferece, sistemas completamente distintos que apresentam o mesmo comportamento
global.
66 CAPÍTULO 5. DIFUSÃO

feita apenas uma transformação de escala horizontal (x foi substituido por t−1/θ x)
na passagem dos gráficos do problema 5-12 para a curva única do problema 5-13,
fazendo-se a transformação inversa pode-se concluir que a largura cresce com o
tempo na forma

∆c (t) ∼ t1/θ . (5.31)

Problema 5-14

Meça as larguras à meia altura de uc (x, t) para vários valores de t,


e verifique a validade da relação (5.31) para os gráficos obtidos no pro-
blema 5-12.
Verifique também que a definição tradicional de largura
sP
x2 u(x, t)
∆(t) = P (5.32)
u(x, t)
para uma distribuição genérica u(x, t) — equivalente à equação (5.5)
onde as somas varrem todos os valores de x — é igualmente funcional.

Note que a largura da região em torno da origem onde se encontram os in-


divı́duos atingidos pela informação não cresce proporcionalmente ao tempo, por-
que 1/θ é menor que 1. Por essa razão diz-se que a informação se difunde mas não
se propaga com velocidade constante ao longo do eixo X, nesta situação crı́tica
em que p = pc = 1/2.
Fora da situação crı́tica, no entanto, para p > pc a informação se propaga com
velocidade constante ao longo do eixo X.

Problema 5-15

Meça a velocidade de propagação da informação para p = 3/4, no li-


mite de grandes valores de t. A maneira mais fácil é simplesmente seguir
o ponto x onde u(x, t) = u(0, t)/2, o mesmo que define a largura à meia
altura.
Meça a velocidade novamente para outros valores de p (maiores que
o valor crı́tico), e mostre que o resultado independe de p.
67

Na curva u(x, t) em função de x, os indivı́duos atingidos pela informação num


dado instante t fixo definem um segmento de largura ∆(t) em torno da origem.
Fora deste segmento, a distribuição u(x, t) evanesce e acaba por se anular. Esta
largura se comporta de formas diferentes, para t → ∞, conforme p seja maior,
igual ou menor do que o valor crı́tico pc = 1/2, como resumido abaixo

∼ t
 p > pc
∆(t) ∼ t 1/θ (5.33)
p = pc


=0 p < pc
válida para t ≫ 1. A variação de p induz, portanto, uma transição de fase: para
valores altos (p > pc ), a informação se propaga como uma onda de velocidade
constante ao longo do eixo X, nos dois sentidos; porém, deixa de se propagar
para valores pequenos (p < pc ), e acaba irremediavelmente perdida. Justo no
valor crı́tico p = pc = 1/2, a informação não chega a se propagar com velocidade
constante, mas também não se perde, é mantida por um conjunto de ∆c (t) ∼ t1/θ
indivı́duos concentrados em torno da origem. Este número t1/θ de indivı́duos
representa, no entanto, uma fração nula do total 2t de indivı́duos que poderiam
potencialmente ser atingidos pela informação depois de decorrido um tempo t.
Estudamos neste capı́tulo o problema da difusão caracterizado pela lei de
potência (5.6) (∆ ∼ t1/2 ). O expoente 1/2 caracterı́stico da difusão está relacio-
nado, como afirmamos antes, à aleatoriedade. No caso do bêbado, por exemplo,
cada passo pode ser dado à esquerda ou à direita de forma aleatória, sem nenhuma
influência dos passos dados anteriormente. A sequência de passos consecutivos
não apresenta nenhum tipo de correlação, porque a cada novo passo o bêbado “es-
quece” completamente os anteriores. Este mesmo expoente 1/2 permanece em
espaços de dimensões maiores do que 1. Se o bêbado estiver num plano e puder
dar passos à direita, à esquerda, para a frente ou para trás, ele estará depois de um
tempo t a uma distância média ∆ ∼ t1/2 do ponto de partida. O mesmo resultado
vale também para o espaço tridimensional, e para qualquer outra dimensão.
Há exemplos na natureza em que o expoente caracterı́stico da difusão é dife-
rente de 1/2. Nestes casos, a sequência de eventos consecutivos apresenta algum
tipo de correlação, ou seja, o evento que ocorre a cada instante depende de toda a
história pregressa do sistema em questão. É o caso de polı́meros em solução, onde
a distância média ∆ entre as duas pontas da molécula depende do número M de
monômeros na forma ∆ ∼ M 1/θ com θ 6= 2. Polı́mero é uma molécula formada
por muitas unidades menores, os monômeros, ligadas umas atrás das outras em
cadeia, como uma fila de pessoas num banco.
Um modelo simples para se compreender o comportamento anômalo (θ 6= 2)
dos polı́meros é considerar uma molécula construida passo a passo numa rede
quadrada (ou cúbica, numa visão tridimensional mais realista). Começa-se com
68 CAPÍTULO 5. DIFUSÃO

o primeiro monômero localizado num sı́tio qualquer da rede. Acrescenta-se o


segundo monômero aleatoriamente à direita, à esquerda, acima ou abaixo do pri-
meiro, formando assim um dı́mero (polı́mero com M = 2). Depois acrescenta-se
um terceiro monômero num ponto da rede vizinho ao segundo, formando assim
um trı́mero (M = 3), e assim por diante. Essa lei de formação do polı́mero
é muito parecida com o passeio do bêbado, cada novo monômero acrescentado
corresponde a um novo passo do bêbado. Há porém uma diferença fundamen-
tal: um novo monômero não pode se instalar numa posição já ocupada por outro
monômero anterior. É como se o bêbado se lembrasse de todas as posições por
onde já passou, e não repetisse nenhuma delas. Como consequência, mede-se
um expoente θ < 2 para esse modelo de crescimento dinâmico de polı́meros, em
simulações computacionais.
Outro exemplo interessante de sequências correlacionadas vem do material
genético de seres vivos, armazenado nas moléculas do ácido desoxirribonucleico
(DNA). Cada molécula é formada por duas cadeias entrelaçadas, e cada cadeia
é uma longa sequência de bases quı́micas de dois tipos: pirimidinas (timina ou
citosina) e purinas (adenina ou guanina). Foram observadas 4 correlações de longo
alcance nestas cadeias. Considera-se a sequência de bases num amostra de DNA
como se fossem os passos de um bêbado, cada pirimidina corresponde a um passo
à direita enquanto cada purina é associada a um passo à esquerda. Medidas da
dispersão ∆ observada em diferentes segmentos de diferentes comprimentos ℓ ao
longo da amostra de DNA resultam numa lei de potência ∆ ∼ ℓα , com α > 1/2.
Há portanto correlações de longo alcance na sequência de bases de moléculas
de DNA. Nota-se também que o valor de α é maior quanto maior for o grau de
evolução da espécie animal ou vegetal analisada. A explicação proposta para
estas observações se baseia em inserções de novos segmentos de DNA, durante a
evolução passada da espécie. Cada novo segmento inserido numa certa posição
ao longo da cadeia é uma cópia de outro segmento já existente em outra posição,
o que daria origem à correlação observada.
O mesmo tipo de correlação de longo alcance tem sido observado em outros
sistemas, dentre os quais: a sequência de letras em livros famosos 5 ; os batimen-
tos cardı́acos de pacientes sãos 6 (curiosamente, pacientes com graves deficiências
cardı́acas apresentam o expoente normal α = 1/2); os bits de um disco de compu-
tador usado e editado várias vezes 7 (que segue o mesmo mecanismo dinâmico de
copias de segmentos antigos em diferentes posições, como na evolução do DNA);

4
C.-K. Peng et al., Nature 356, 168 (1992).
5
A. Schenkel, J. Zhang and Y.-C. Zhang, Fractals 1, 47 (1993).
6
C.-K. Peng et al., Phys. Rev. Lett. 70, 1343 (1993).
7
G.F. Zebende, T.J.P. Penna and P.M.C. de Oliveira, Phys. Rev. E57, 3311 (1998); Physica
A257, 136 (1998); P.M.C. de Oliveira, Physica A273, 70 (1999).
69

os tempos de formação de gotas consecutivas a pingar de uma torneira 8 .

8
P.M.C. de Oliveira and T.J.P. Penna, J. Stat. Phys. 73, 789 (1993); Int. J. Mod. Phys. C5, 997
(1994); T.J.P. Penna, P.M.C. de Oliveira, J.C. Sartorelli, W.D. Gonçalves and R.D. Pinto, Phys.
Rev. E52, RC2168 (1995); A.R. de Lima, T.J.P. Penna and P.M.C. de Oliveira Int. J. Mod. Phys.
C8, 1073 (1997).
70 CAPÍTULO 5. DIFUSÃO
Capı́tulo 6

Autômatos Celulares e Fractais


(tópico avançado opcional)

71
72 CAPÍTULO 6. AUTÔMATOS CELULARES E FRACTAIS

A solução numérica da equação diferencial parcial da difusão foi obtida no


capı́tulo anterior pela discretização do espaço e do tempo. Assim, os valores de x
deixaram de variar continuamente e passaram a ser considerados apenas números
inteiros. O mesmo procedimento também foi adotado para os valores do tempo t.
No entanto, os valores da quantidade ux,t continuaram a ser considerados números
reais variando continuamente.
Autômatos celulares são sistemas equivalentes às equações diferenciais par-
ciais em sua versão discretizada, onde também os valores da quantidade ux,t são
discretos. Vamos considerar aqui a situação mais simples na qual ux,t pode as-
sumir apenas dois valores 0 ou 1. Vamos também considerar a mesma geometria
simples da figura 5.1 onde o valor futuro ux,t+1 depende apenas dos atuais ux±1,t
e ux,t . Cada um dos 3 pontos indicados na linha t da figura 5.1 pode assumir os
valores 0 ou 1, portanto temos um total de 8 distintas configurações para o con-
junto. Na definição da regra de evolução dinâmica do autômato, para cada uma
destas 8 possı́veis configurações deveremos ter um resultado 0 ou 1 para o valor
futuro no ponto indicado na linha t + 1 da figura 5.1. Sendo assim, temos apenas
256 possı́veis regras, já estudadas e classificadas1 .
A tı́tulo de exemplo, trataremos aqui apenas uma destas regras: caso os valo-
res vizinhos sejam atualmente diferentes, ou seja ux+1,t 6= ux−1,t , o valor futuro
será ux,t+1 = 1; caso contrário, ou seja ux+1,t = ux−1,t, teremos ux,t+1 = 0. A
tabela abaixo ilustra essa regra.

111 110 101 100 011 010 001 000


0 1 0 1 1 0 1 0

Acima aparecem as 8 possı́veis configurações relativas aos 3 pontos indicados


na linha t da figura 5.1, e abaixo de cada uma aparece o respectivo resultado para
o ponto indicado na linha t + 1. Esta é a chamada “regra 90”, porque a sequência
de bits 01011010 em base binária corresponde ao número 90 em base decimal.

1
S. Wolfram, Scientific American 251, 140 (September 1984); Theory and Applications of
Cellular Automata, World Scientific, Singapore (1986).
73

Problema 6-1

Realize a evolução dinâmica da regra 90 a partir da situação inicial


em que ux,0 = 0 para x 6= 0 e u0,0 = 1.
Apresente como resultado um desenho no plano [X, T ] onde cada
valor u = 1 corresponda a um ponto preto enquanto os valores u = 0
correspondam a pontos brancos.

Do ponto de vista computacional, a caracterı́stica mais interessante de um


autômato celular é a possibilidade de se realizar os cálculos em paralelo. Um
computador com vários processadores poderia ser programado da seguinte forma.
Todos os processadores realizam a mesma tarefa, por exemplo a regra 90. Cada
processador é responsável pelo cálculo do resultado numa dada posição do eixo
X, um processador em cada ponto. Dessa maneira, uma vez conhecidos os valores
ao longo de todo o eixo X no instante t, os valores futuros no instante t + 1 são
calculados simultaneamente, um em cada processador.
A estratégia de computação paralela tem sido muito difundida ultimamente.
A idéia é que um computador com muitos processadores simples atuando em pa-
ralelo é mais barato e eficiente (para este tipo de problema) do que um supercom-
putador com um único processador sofisticado (ou poucos) atuando sequencial-
mente. Um exemplo pioneiro de sucesso dessa estratégia é o Connection Machine,
um computador composto por 65536 processadores simples conectados numa es-
trutura hipercúbica (um “cubo” em 16 dimensões), construido há mais de 20 anos
e hoje já obsoleto. Diferentes versões foram desenvolvidas desde então, mas cada
uma é eficiente para apenas uma classe restrita de problemas. A estratégia ade-
quada de paralelização do processamento muda bastante de um problema para
outro.
O grande desafio para o desenvolvimento da estratégia de computação para-
lela é a necessidade de interconexão entre os vários processadores. No caso da re-
gra 90, por exemplo, cada processador necessita os valores atuais de seus vizinhos
ux−1,t e ux+1,t. Este é um exemplo adequado, onde a interconexão necessária é
local, cada processador interagindo apenas com seus dois vizinhos. Se o problema
a ser resolvido envolve interconexões não locais, por exemplo cada processador
depende dos valores de todos os outros, a estratégia de processamento paralelo
pode não ser a mais adequada.
Mesmo sem dispor de computadores com arquitetura paralela, podemos im-
plementar a estratégia de processamento paralelo em qualquer computador or-
dinário. Isso é possı́vel graças à forma de armazenamento na memória e de pro-
74 CAPÍTULO 6. AUTÔMATOS CELULARES E FRACTAIS

cessamento de informações. Um número inteiro é armazenado numa sequência


de 32 bits b = 31, 30, 29 . . . 1, 0. Desta forma, qualquer número inteiro desde
0 até 4294967295 pode ser armazenado nessa sequência de 32 bits denominada
“palavra” 2 . Se precisarmos lidar com inteiros positivos e negativos, cada palavra
pode armazenar um inteiro qualquer desde −2147483648 até 2147483647.
As operações elementares que o computador é capaz de executar são as cha-
madas operações lógicas AND, OR, XOR e NOT definidas a seguir. Os bits 1
ou 0 são associados aos valores lógicos VERDADEIRO ou FALSO, respectiva-
mente.

0 AND 0 = 0 0 OR 0 = 0
0 AND 1 = 0 0 OR 1 = 1
1 AND 0 = 0 1 OR 0 = 1
1 AND 1 = 1 1 OR 1 = 1

0 XOR 0 = 0
0 XOR 1 = 1 NOT 0 = 1
1 XOR 0 = 1 NOT 1 = 0
1 XOR 1 = 0

Pode-se notar que a regra 90 corresponde à operação XOR (de “eXclusive


OR”) entre os vizinhos, ou seja

ux,t+1 = ux−1,t XOR ux+1,t . (6.1)


As operações lógicas são efetuadas em paralelo, nos computadores ordinários,
em palavras de 32 bits. Desta forma, uma instrução do tipo C = A XOR B,
onde A e B são duas palavras de 32 bits, dá como resultado uma terceira palavra
C também com 32 bits, cada um com o resultado da operação XOR aplicada aos
respectivos bits de A e B, como ilustrado abaixo.

A = 01100010101111001010110100011011
B = 11000100110110101100011011101110
C = 10100110011001100110101111110101
2
Hoje em dia, a maioria dos processadores adotam 64 em vez de 32 bits, mas o raciocı́nio
que se segue é equivalente. Preferimos considerar 32 bits para evitar números enormes de casas
decimais como por exemplo 264 −1 = 18446744073709551615 que é o maior inteiro armazenável
numa palavra de 64 bits.
75

Qualquer computador ordinário, portanto, é uma sequência de 32 (ou 64) pro-


cessadores atuando em paralelo. Todas as demais operações mais sofisticadas rea-
lizadas pelo computador são, na realidade, combinações destas operações lógicas
elementares AND, OR, XOR e NOT.
A possibilidade de interconexão entre estes 32 processadores é garantida por
outras duas operações elementares: o deslocamento à esquerda que transfere cada
bit da palavra para a posição vizinha à sua esquerda, inclui um 0 na posição da ex-
trema direita (b = 0) e perde a informação contida na posição da extrema esquerda
(b = 31); e o deslocamento à direita que atua de forma simétrica.

Problema 6-2

Mostre que o deslocamento à esquerda corresponde a multiplicar um


número inteiro por 2, enquanto o deslocamento à direita é equivalente a
dividı́-lo por 2.

Representemos os deslocamentos à esquerda e à direita pelos sı́mbolos <<


e >> respectivamente, usados na linguagem C de programação. Desta forma,
A << 1 representa a palavra A depois de sofrer um deslocamento à esquerda.
Dois deslocamentos consecutivos são representados por A << 2, três consecuti-
vos por A << 3, e assim por diante. A palavra 1 << 31, por exemplo, tem um
único bit 1 na posição da extrema esquerda, todos os outros bits iguais a 0.
A operação

U = (U << 1) XOR (U >> 1) (6.2)

realiza a atualização simultânea dos 32 bits da palavra U, segundo a regra 90.


Verifique!

Problema 6-3

Repita o problema 6-1, desta vez adotando o processamento paralelo


(6.2). Considere o eixo X com apenas 32 valores inteiros desde x = −16
até x = +15. A configuração inicial da palavra U deve ter um único bit 1
na posição central b = 16, ou seja U = 1 << 16 = 65536.
76 CAPÍTULO 6. AUTÔMATOS CELULARES E FRACTAIS

Como o eixo X é limitado, é necessário adotar condições de contorno nas


extremidades. No caso do problema 6-3, usando a equação (6.2), foram adotadas
condições de contorno abertas, os valores de U são considerados iguais a 0 além
das duas extremidades, para x = −17 e para x = +16. Como consequência, as
figuras obtidas nos problemas 6-1 e 6-3 apresentam diferenças entre si a partir de
t = 16. Verifique!
Como o eixo X adotado no problema 6-3 é finito com 32 posições (um
número par), a posição central b = 16 adotada para o único bit inicialmente igual
a 1 é ambı́gua. Poderı́amos ter adotado alternativamente a posição central b = 15.
Pode-se notar, no entanto, que esta é exatamente a situação que se observa na
própria figura obtida no problema 6-3, a partir de t = 31. Verifique!
Em vez de condições de contorno abertas, poderı́amos ter adotado condições
de contorno periódicas, onde o valor de U além de cada extremidade é considerado
igual ao da extremidade oposta, ou seja U(−17) = U(15) e U(16) = U(−16).
Neste caso, em vez da regra de atualização (6.2) teremos

UE = (U AND 1) ? (U >> 1) OR (1 << 31) : U >> 1


UD = [U AND (1 << 31)] ? (U << 1) OR 1 : U << 1
U = UE XOR UD . (6.3)
Novamente usamos uma notação tı́pica da linguagem C, x = y ? A : B. Esta
operação define o valor de x que poderá ser A no caso y 6= 0, ou será B se y = 0.
Compreenda bem que as instruções (6.3) realizam a atualização de todos os 32
bits da palavra U simultaneamente, segundo a regra 90, desta vez com condições
periódicas de contorno.

Problema 6-4

Repita o problema 6-3, desta vez com condições periódicas de con-


torno, substituindo a regra de atualização (6.2) pela nova versão (6.3).
Note que a palavra U será definitivamente zerada a partir de t = 16.

Para evitar os efeitos de borda podemos usar palavras com mais de 32 bits, ou
alternativamente concatenar várias palavras de 32 bits. Com N palavras podemos
armazenar as informações relativas a 32N bits. Desta forma, o eixo X terá duas
extremidades em x = −16N e x = 16N − 1. O vetor U[i] armazena toda a
informação, com i = 0, 1, 2 . . . N − 1.
77

A rotina

D = U[N − 1] >> 31
E = U[0] << 31
REPITA(i = 0, 1, 2 . . . N − 2) {
UE = (U[i] >> 1) OR (U[i + 1] << 31)
UD = (U[i] << 1) OR D
D = U[i] >> 31
U[i] = UE XOR UD
}
UE = (U[N − 1] >> 1) OR E
UD = (U[N − 1] << 1) OR D
U[N − 1] = UE XOR UD (6.4)

realiza a atualização dos 32N bits, segundo a regra 90. Escolhendo-se adequada-
mente o tamanho N pode-se evitar os efeitos de borda. Explicitamente, os efeitos
de borda só ocorrerão a partir de t = 16N, admitindo que a condição inicial seja
um único bit 1 central, todos os outros bits nulos. Para N par, esta condição inicial

(
1 i = N/2 ,
U[i] = (6.5)
0 i 6= N/2 .

Problema 6-5

Itere a rotina (6.4) a partir da condição inicial (6.5), com N sufici-


entemente grande para evitar efeitos de borda. Imprima o desenho do
resultado no plano [X, T ], como no problema 6-1, até t = 31.
Repita imprimindo o resultado até t = 63, depois até t = 127.

A figura 6.1 mostra os desenhos obtidos nos problemas 6-3 e 6-5, iterando
a regra 90 até t = 15, 31, 63 e 127. Em cada caso adotou-se uma ampliação
diferente. Desta forma, cada figura está ampliada por um fator de escala 2 relativo
à figura imediatamente abaixo tanto na horizontal quanto na vertical. O número
total de linhas L, por exemplo, é multiplicado por 2 ao passarmos de uma figura
para a outra imediatamente abaixo.
78 CAPÍTULO 6. AUTÔMATOS CELULARES E FRACTAIS

Figura 6.1: Evolução da regra 90.

Se contarmos o número de quadrados pretos, no entanto, verificamos que este


aumenta por um fator 3 de cada figura para a seguinte. Chamaremos o número de
quadrados pretos de “massa” m(L) de cada figura. A relação entre duas figuras
consecutivas será

m(2L) = 3 m(L) (6.6)


Para um objeto unidimensional como uma barra metálica, o fator de escala
da massa é 2 para o mesmo fator de escala linear (de comprimento) 2, ou seja, a
massa dobra quando o comprimento é dobrado. Já para um objeto bidimensional,
como uma placa metálica quadrada, o fator de escala da massa é 4, ou seja, a
massa é quadruplicada quando o comprimento (lado do quadrado) dobra. Para
um objeto tridimensional como um cubo, o fator de escala da massa é 8 para o
mesmo fator 2 de escala linear.
79

No caso da figura 6.1, o fator de escala da massa é 3, para o mesmo fator 2 de


escala linear. Isto significa que sua dimensão é maior do que 1 porém menor do
que 2. Trata-se de uma dimensão fracionária, ou fractal.
Em geral, se todos os comprimentos de um objeto D dimensional são mul-
tiplicados por um fator de escala linear λ, sua massa será multiplicada por λD
conforme a relação

m(λL) = λD m(L) , (6.7)

onde L representa uma medida linear do objeto, tal como o lado do quadrado ou
do cubo, ou ainda o diâmetro de um disco ou de uma esfera.
Podemos também interpretar a relação (6.7) de uma forma alternativa equiva-
lente, escolhendo o valor particular λ = L−1 para o fator de escala linear. O lado
esquerdo da equação se torna uma constante, e pode-se reescrevê-la

m(L) ∼ LD . (6.8)

A massa de um objeto cuja dimensão linear caracterı́stica (comprimento) vale L


é proporcional a LD , onde D é a dimensão geométrica do objeto. Verifique que a
relação (6.8) é verdadeira para objetos ordinários tais como discos, esferas, cubos
e quadrados.
Objetos de dimensão não inteira, como é o caso da figura 6.1, são muito co-
muns e têm sido intensamente estudados nos últimos anos. Um exemplo concreto
é a medida do comprimento da costa de um paı́s. Podemos realizar esta medida
em um mapa, utilizando uma linha de costura. Posiciona-se a linha ao longo da
costa, no mapa, seguindo todos os contornos. Depois de marcadas as extremida-
des, estica-se a linha e mede-se seu comprimento com uma régua. O comprimento
real da costa pode então ser obtido a partir do fator de escala do mapa utilizado,
por exemplo 1cm : 100km.
A medida do comprimento real da costa não deveria depender do mapa utili-
zado, mas depende. Repetindo-se a medição num outro mapa maior, por exemplo
um fator de escala 1cm : 50km dobrado em relação ao anterior, o comprimento da
linha deveria também ser dobrado. Devido ao maior nı́vel de detalhes observados
no mapa maior, no entanto, acaba-se obtendo uma comprimento de linha maior
do que o dobro do anterior. Isso porque algumas reentrâncias ou protuberâncias
existentes na costa são imperceptı́veis no mapa menor, mas podem ser acompa-
nhadas pela linha no mapa maior. Assim, a costa de um paı́s não é um objeto
unidimensional como se poderia supor, mas sim um objeto de dimensão maior do
que 1. Certamente também a costa da Noruega tem uma dimensão maior que a
de outros paı́ses, devido aos inúmeros fiordes lá existentes. A dimensão fractal é
uma medida da rugosidade do objeto.
80 CAPÍTULO 6. AUTÔMATOS CELULARES E FRACTAIS

Problema 6-6

Mostre que a dimensão fractal do objeto mostrado na figura 6.1 é


Df = ln 3/ ln 2 ≈ 1, 58.

Outra caracterı́stica interessante da figura 6.1 é a contagem do número de


vazios triangulares brancos. Na figura de cima, com 16 linhas desde t = 0 até
t = 15, temos um vazio grande formado por 64 quadrados brancos contı́guos.
É um triangulo com a ponta para baixo começando na parte superior com 15
quadrados brancos na linha t = 8, continuando com outros 13 logo abaixo na
linha t = 9, outros 11 na linha t = 10, e assim por diante, terminando no vértice
inferior com um único quadrado branco na linha t = 15. Há ainda 3 outros vazios
triangulares com 16 quadrados brancos contı́guos, cada um com base superior
de 7 quadrados brancos. Além destes, há 9 vazios triangulares com 4 quadrados
brancos, 3 na base superior e 1 abaixo. Sobram 27 quadrados brancos isolados
(os únicos cercados por quadrados pretos acima e dos dois lados). Resumindo a
contagem, temos: n64 = 1; n16 = 3; n4 = 9; n1 = 27.
De forma equivalente, na figura seguinte desde t = 0 até t = 31, a contagem
é: n256 = 1; n64 = 3; n16 = 9; n4 = 27; n1 = 81. Na figura seguinte, desde t = 0
até t = 63, a contagem é: n1024 = 1; n256 = 3; n64 = 9; n16 = 27; n4 = 81;
n1 = 243. Finalmente, na última figura desde t = 0 até t = 127 a contagem é:
n4096 = 1; n1024 = 3; n256 = 9; n64 = 27; n16 = 81; n4 = 243; n1 = 729.

Problema 6-7

Construa um gráfico do número de vazios triangulares em função do


tamanho, isto é nb em função de b, para cada um dos quatro casos apre-
sentados na figura 6.1. Superponha os quatro gráficos usando um único
par de eixos para todos. Adote escalas logarı́tmicas em ambos os eixos.

Problema 6-8

Sem realizar efetivamente a contagem, construa o gráfico de nb em


função de b para a regra 90 desde t = 0 até t = 4294967295.
81

A caracterı́stica comum a todos os gráficos obtidos nos problemas 6-7 e 6-8 é


o coeficiente angular (inclinação) das retas, consideradas as escalas logarı́timcas
nos dois eixos. A forma analı́tica da relação entre nb e b é uma lei de potência

nb ∼ b−φ (6.9)
onde o expoente φ = ln 3/ ln 4 ≈ 0, 79 é caracterı́stico da regra 90.
No final do capı́tulo 2 discutimos o tempo caracterı́stico τ do decaimento ao
equilı́brio de um sistema dinâmico. Normalmente este decaimento se dá de forma
rápida, exponencial como na relação (2.6), que corresponde a um valor finito do
tempo caracterı́stico τ . Variando continuamente os parâmetros de controle do
sistema, no entanto, podemos sintonizar situações particulares, ditas crı́ticas, nas
quais o tempo caracterı́stico não pode ser definido porque teria valor infinito. O
valor de τ pode ser calculado como uma média, como foi feito no caso do decai-
mento radioativo através da relação (1.7). Como você deve ter feito na solução do
problema 1-6, pode-se reescrever (1.7) como
R∞
dt t e−αt
τ = R0 ∞ −αt
,
0
dt e
onde a forma exponencial do decaimento aparece explicitamente. Num caso
crı́tico em que esta exponencial é substituida por uma lei de potência como a
relação (2.7), terı́amos
R∞
dt t t−φ
R0 ∞ ,
0
dt t−φ
onde considerou-se um expoente genérico φ (no caso especı́fico do mapa logı́stico
este expoente vale 1). Como se pode notar, as integrais envolvidas divergem, e
como consequência o tempo caracterı́stico não pode ser definido.
De forma análoga, a distribuição (6.9) de tamanhos dos buracos na figura 6.1,
sendo também uma lei de potência, mostra não haver uma tamanho caracterı́stico
de buracos. Todos os tamanhos b = 1, 4, 16, 64, 256, 1024, 4096 . . . aparecem na
figura, sempre uma potência par de 2. Naturalmente, buracos maiores aparecem
com menor frequência, porém não há um limite superior para os tamanhos destes
buracos.
Sistemas que sofrem transições de fase num ponto crı́tico apresentam o mesmo
comportamento. A água fervente quando a temperatura se aproxima de 374oC, por
exemplo, apresenta bolhas de vapor de todos os tamanhos possı́veis, ao contrário
da água fervente a 100o C que apresenta bolhas de vapor com tamanho carac-
terı́stico bem determinado. Numa experiência sob pressão controlada, a água ferve
a temperaturas crescentes a medida em que se aumenta a pressão. Começando
82 CAPÍTULO 6. AUTÔMATOS CELULARES E FRACTAIS

sob pressão ambiente, a água ferve a 100o C e apresenta pequenas bolhas de va-
por. Aumentando-se um pouco a pressão, a temperatura de ebulição será um
pouco maior, e o tamanho caracterı́stico das bolhas de vapor também aumenta.
Na sequência gradual de aumento simultâneo da pressão e da temperatura de
ebulição, as bolhas de vapor aparecem cada vez maiores, em média. Próximo
da temperatura crı́tica 374o C, observam-se bolhas de todos os tamanhos limitados
apenas pelas próprias dimensões do recipiente.
Devido à distribuição de tamanhos variados de bolhas de vapor, especial-
mente devido às grandes bolhas, a compressibilidade da água aumenta indefi-
nidamente quando a temperatura se aproxima do valor crı́tico. Desta maneira,
minúsculas variações de pressão bastam para provocar enormes variações de vo-
lume. Essa é uma caracterı́stica comum aos sistemas crı́ticos: pequenas mudanças
num parâmetro de controle provocam enormes mudanças no sistema como um
todo. As aplicações práticas desse fenômeno são variadas. Em eletrônica, por
exemplo, dispositivos que possam se transformar de isolantes em condutores pela
aplicação de uma minúscula voltagem de controle são a base de qualquer circuito.
Outra caracterı́stica importante observada nas proximidades do ponto crı́tico
de um sistema é a anulação do parâmetro de ordem. No caso da água, esse
parâmetro mede a diferença entre as densidades do lı́quido e do vapor que co-
existem no ponto de ebulição. Abaixo de 374o C, lı́quido e vapor se distinguem
claramente e o parâmetro de ordem é diferente de zero. A medida em que o
ponto crı́tico se aproxima, menor é a diferença entre lı́quido e vapor, e o valor do
parâmetro de ordem diminui até se anular justamente em 374o C. Para temperatu-
ras superiores, a água se apresenta em uma única fase homogênea gasosa, não há
mais a coexistência de duas densidades distintas: o parâmero de ordem se anula
acima da temperatura crı́tica.
No caso de um ı́mã ocorre o mesmo fenômeno. Abaixo de uma certa tempera-
tura crı́tica observa-se a coexistência de domı́nios magnéticos . Tais domı́nios são
conjuntos de átomos vizinhos cujos momentos magnéticos apontam todos numa
mesma direção, gerando uma magnetização efetiva no interior do domı́nio. Pela
aplicação de um campo magnético externo, pode-se induzir uma direção prefe-
rencial para os vários domı́nios, criando um super domı́nio que ocupa a amostra
toda: o ı́mã se encontra magnetizado. Isto é possı́vel devido ao tamanho carac-
terı́stico finito dos domı́nios, que podem então ser orientados pela aplicação do
campo magnético externo. Devido à agitação térmica relativamente baixa, esta
orientação macroscópica dos vários domı́nios numa mesma direção se mantém
abaixo da temperatura crı́tica, mesmo depois de desligado o campo magnético
externo. Acima da temperatura crı́tica, ao contrário, o super domı́nio se quebra
em vários domı́nios menores que apontam em direções distintas, quando o campo
externo é desligado. O parâmetro de ordem aqui é a magnetização que assume
valores diferentes de zero abaixo da temperatura crı́tica, e se anula daı́ para cima.
Capı́tulo 7

Sistemas Complexos e
Evolucionários

83
84 CAPÍTULO 7. SISTEMAS COMPLEXOS E EVOLUCIONÁRIOS

Sistemas complexos são compostos por muitas unidades básicas interligadas


numa rede de influências mútuas, onde cada unidade evolui no tempo segundo
regras locais geralmente muito simples. Um exemplo é o cérebro, cujas unida-
des básicas de funcionamento são os neurônios, cada um interligado com alguns
outros (não todos) com os quais troca impulsos elétricos. O comportamento in-
dividual de cada neurônio é muito simples: se a soma dos impulsos recebidos
ultrapassar um certo limite, ele emite outro impulso através de seu axônio; caso
contrário, não há emissão. Mas observe que num dado instante qualquer, cada
neurônio só pode estar em um dos dois estados possı́veis, ativo ou passivo. Con-
tudo, como a atuação de cada unidade interfere na atuação de todas as unidades a
ela ligadas, pode haver conflito e frustração. Como resultado, o comportamento
que emerge do sistema como um todo é altamente complexo, apesar da simplici-
dade das interações de seus constituintes.
Este comportamento binário, assim como ocorre com os “spins” no modelo
de Ising (ver comentários preliminares no inı́cio do livro) é bastante conveniente
para simulações computacionais. No computador todas as informações são arma-
zenadas em sequências de bits 0 e 1, sistema igualmente binário. Desta forma,
pode-se representar os neurônios ativos por bits 1 e os passivos por bits 0, assim
como representar os “spins up” por bits 1 e os “spins down” por bits 0 no modelo
de Ising. Esta representação torna o processamento computacional muito mais
rápido e permite uma enorme economia de memória, com o uso das operações
lógicas apresentadas no capı́tulo 6 (ver também 1 ).
Mas como podemos caracterizar um sistema complexo, além da definição
introdutória dada acima? Na falta de uma descrição completa consensual, apre-
sentaremos a seguir algumas de suas propriedades mais importantes.

1) São sistemas dinâmicos não lineares no tempo. Se encontram eternamente


fora do equilı́brio e jamais atingem um atrator definitivo. Se distinguem dos
sistemas caóticos e dos regulares, uma vez que nestes casos algum atrator
definitivo é atingido num tempo finito. Em outras palavras, o tempo carac-
terı́stico τ da evolução de um sistema complexo é infinito (como no caso
λ = λ0 = 1 do capı́tulo 2), o que lhe confere memória de longo prazo.
Matematicamente esta caracterı́stica se traduz por decaimentos no tempo na
forma de lei de potência.

2) São sistemas não lineares no espaço, também chamados crı́ticos. Não é


possı́vel estudar o comportamento global dividindo-se o sistema em pedaços
1
P.M.C. de Oliveira, Computing Boolean Statistical Models, World Scientific, Singapore Lon-
don New York (1991); S. Moss de Oliveira, P.M.C. de Oliveira and D. Stauffer, Evolution, Money,
War and Computers: Non-Traditional Applications of Computational Statistical Physics, Teubner,
Stuttgart Leipzig (1999)
85

menores. O comportamento do todo é diferente da superposição dos com-


portamentos das partes tomadas isoladamente. Mesmo que cada unidade
básica esteja interligada diretamente apenas às suas vizinhas mais próximas,
sua influência se propaga pelo sistema todo, no que chamamos correlações
de longo alcance. A criticalidade também se traduz pelo decaimento das
correlações espaciais na forma de lei de potência.
3) São sistemas não ergódicos. Num sistema dinâmico ergódico, a partir da
configuração atual num dado instante, qualquer outra configuração pode ser
atingida num instante posterior, com probabilidade não nula. Durante a
evolução, portanto, todas as configurações inicialmente disponı́veis podem
ser visitadas. Um exemplo de sistema ergódico é uma caixa previamente fe-
chada e evacuada, na qual se faz um pequeno furo por onde entra ar, como
na difusão tratada no capı́tulo 6. As moléculas de ar ocuparão rapidamente
todo o espaço disponı́vel. Repetida a experiência, o mesmo espaço será
igualmente ocupado, ainda que cada molécula individualmente não ocupe
mais a mesma posição de antes. A cada nova repetição, novas posições são
ocupadas por diferente moléculas, mas macroscopicamente toda a caixa es-
tará uniformemente ocupada. Já a evolução de um sistema não ergódico
depende de sua história. Trajetórias evolutivas em princı́pio viáveis, se tor-
nam extintas durante esta evolução. Repetida a experiência, a configuração
macroscópica atingida pelo sistema após um certo tempo de observação
t pode ser inteiramente diferente daquela atingida na experiência anterior,
após o mesmo tempo t. Acontece em geral quando há hereditariedade e
variabilidade (ou diversidade).
As três propriedades acima são encontradas em todos os sistemas complexos.
Abaixo relacionamos algumas outras que podem ou não aparecer, dependendo
do sistema.
4) Fractalidade — ver capı́tulo 6.
5) Autossimilaridade — ver capı́tulo 6.
6) Ultrametricidade — para compreender esta propriedade, considere a figura 7.1
que corresponde ao autômato celular descrito no capı́tulo 6, após 7 passos
de tempo. Para se ir de um ponto a outro na linha de baixo, é preciso subir
no eixo dos tempos até seu ancestral comum. Exemplo: a distância entre os
pontos 2 e 3 é de 6 passos; entre 2 e 4 também é de 6 passos; já entre 3 e 4
é de 2 passos. Considere 3 pontos quaisquer A, B e C na linha de baixo. Há
três distâncias envolvidas: entre A e B; entre B e C; e entre A e C. Qualquer
uma delas é no máximo igual à maior dentre as outras duas (e não à soma
das outras duas, como na geometria usual).
86 CAPÍTULO 7. SISTEMAS COMPLEXOS E EVOLUCIONÁRIOS

1 2 3 4 5 6 7 8

Figura 7.1: Ultrametricidade.

É inevitável lembrarmos da evolução biológica quando olhamos para a figura


7.1. Atualmente o conceito de evolução a partir de um ancestral comum é extre-
mamente difundido e aceito. A distância entre duas espécies distintas é tão menor
quanto mais recente for a espécie ancestral comum às duas. Contudo, nem sem-
pre foi assim. Até o inı́cio do século XIX, a crença difundida era a de espécies
imutáveis e independentes. O conceito de evolução biológica foi introduzido pelo
naturalista francês Jean-Baptiste de Lamarck 2 . O termo evolução não era usado
naquela época, mas o termo Biologie foi cunhado por Lamarck. De acordo com
ele, cada espécie é o resultado de muitas pequenas modificações ocorridas em
espécies ancestrais, acumuladas durante muito tempo. As espécies atuais também
estão sujeitas a este lento e interminável processo de modificação gradual.
Lamarck caiu em desgraça porque sua teoria contradizia os dogmas religio-
sos vigentes na época. Atualmente, Lamarck continua em desgraça porque acre-
ditava que traços fenotı́picos adquiridos durante a vida eram passados adiante de
pais para filhos. Trata-se de uma injustiça, pois assim como todos os naturalis-
tas do século XIX, Lamarck não conhecia o conceito de genética. O mecanismo
de hereditariedade através dos genes das células reprodutivas era desconhecido, e
confundido com mecanismos alternativos de hereditariedade, como o da herança
cultural e outros. Portanto todos eles, inclusive Darwin (com a honrosa exceção
de Weissman), compartilhavam a mesma crença de Lamarck. O mecanismo de
herança genética foi descoberto por Gregor Mendel em 1866, mas mateve-se des-
conhecido até o inı́cio do século XX, quando se pode observar cromossomos ao
microscópio.
Em seu livro mais famoso, Lamarck incluiu um desenho curioso, reproduzido
na figura 7.2. É um esquema com nomes de distintas espécies animais ligadas por
linhas que indicam a hierarquia entre ancestrais e descendentes. O tempo corre no
sentido de cima para baixo. As linhas são ramos de uma árvore que se bifurcam,
2
J. Lamarck, Recherche sür l’Organisation des Corps Vivants, Maillard, Paris (1802); La Phy-
losophie Zoologique, Dentu, Paris (1809)
87

formando o que hoje em dia se chamaria uma árvore filogenética, equivalente às
árvores genealógicas familiares. Para as espécies animais conhecidas, a árvore
atualizada (e corrigida) é representada na figura 7.3. Todas as formas de vida
conhecidas são representadas na figura 7.4, onde o reino animal é apenas um
pequeno ramo na parte de baixo, à direita.

ADDITIONS. 463
TABLEAU
Servant à montrer l’origine des différens
animaux.

Vers. Infusoires.
Polypes.
Rádiaires.

Insectes.
Annelides. Arachnides.
Cirrhipèdes. Crustacés.
Mollusques.

Poissons.
Reptiles.

Oiseaux.

Monotrèmes. M. Amphibies.

M. Cétacés.

M. Ongulés.
M. Onguiculés.

Cette série d’animaux commençant par deux

Figura 7.2: Cópia da página 463 do livro de Lamarck “La Phylosophie Zoologi-
que”, volume II, de 1809.
88 CAPÍTULO 7. SISTEMAS COMPLEXOS E EVOLUCIONÁRIOS

Os 9 filos animais
Flagelados ancestrais

Porifera
Cnidaria

Platyhelminthes
Nematoda

Echinodermata Mollusca

Annelida

Arthropoda

Chordata

Figura 7.3: Árvore filogenética moderna do reino animal.

Árvore filogenética da vida


ancestral

Pyrodicticum
Thermoproteus
Aquifex
Thermotoga T. Celer
B. verdes Methanococcus
Methanobacterium
Methanosarcina
B. Cythofaga
| {zHalophiles} Diplomonados
ARCHAEA
Gram Positivas
Microsporidia
Planctomyces
Tricomonados
Cianobactérias Flagelados
Proteobactérias Amebas
Spirochetes Mixomicetas
| {z } Ciliados
BACTÉRIAS
Fungos
Plantas
Animais
| {z }
EUCARIOTOS

Figura 7.4: Classificação dos seres vivos conhecidos.

Observe que em qualquer das árvores mostradas nas figuras, nem todos os ra-
mos se bifurcam a medida em que o tempo evolui. Muitas espécies que poderiam
89

ter vingado, se extinguiram, como ocorreu por exemplo com os dinossauros após
a queda de um meteoro, há 65 milhões de anos na penı́nsula de Yucatan. Se esse
meteoro tivesse passado um pouco mais longe da Terra, provavelmente o elenco
das espécies que conhecemos hoje seria outro muito diferente. Os mamı́feros
poderiam não ter sobrevivido tão livremente e os grandes répteis dominariam as
florestas.

Problema 7-1

A árvore da figura 7.1 ou as árvores filogenéticas apresentadas nas


figuras 7.2, 7.3 e 7.4 podem ser interpretadas da seguinte maneira. Com
exceção da raı́z que não tem ascendente (situada no topo da árvore), cada
vértice está ligado a um único ancestral imediato acima. Abaixo, está
ligado a no máximo dois outros vértices descendentes imediatos (pode
não ter descendente algum, apenas um, ou dois). São as chamadas árvores
binárias, de uso muito comum em ciência da computação.
Tome os dez primeiros números naturais numa ordem aleatória qual-
quer (por exemplo 3, 7, 1, 5, 10, 8, 6, 4, 9, 2). Desenhe uma árvore binária
a começar com o primeiro valor no topo. Para determinar a posição do
segundo valor, abaixo do primeiro e ligado a ele, use a seguinte regra:
caso o segundo valor seja maior do que o primeiro, coloque-o à direita;
caso contrário, à esquerda.
A posição de qualquer outro valor Y será determinada pela mesma
regra: caso seja maior do que o primeiro (no topo), irá se posicionar à
direita e abaixo deste; caso seja menor, à esquerda. No entanto, pode
ser que a posição imediatamente abaixo, seguindo esta regra, já esteja
ocupada por algum valor X lá colocado anteriormente. Neste caso, anda-
se mais um passo para baixo novamente sob a mesma regra: caso Y seja
maior do que X, irá para a direita deste; caso contrário para a esquerda.
Repete-se, descendo sempre, até encontrar uma posição vazia, e liga-se
Y ao ancestral imediatamente acima.
Os dez valores devem ser colocados na árvore em sequência, na or-
dem em que se apresentaram. Repita para os mesmos dez valores, em
outra ordem aleatória.

É fácil por exemplo achar o menor de todos os valores armazenados numa


árvore binária construida como no problema 7-1: basta seguir os ramos de cima
para baixo, a partir da raı́z, escolhendo sempre o ramo da esquerda em qualquer
90 CAPÍTULO 7. SISTEMAS COMPLEXOS E EVOLUCIONÁRIOS

bifurcação. Para achar o maior dos números armazenados, segue-se o mesmo


procedimento sempre à direita nas bifurcações. Havendo N valores armazenados
nesta árvore, o número de passos para se encontrar o menor deles (ou o maior)
é da ordem de ln(N), muito menor do que no método da força bruta em que se
verifica cada um dos N valores em sequência.

Problema 7-2

Contingências probabilı́sticas numa simulação computacional são


produzidas por geradores de números pseudoaleatórios. Um dos mais
simples é a multiplicação de um número inteiro armazenado numa pa-
lavra de 32 bits por 16807. Inicialmente escolhe-se alguma semente,
um número inteiro ı́mpar qualquer. No programa, cada vez que um
novo número pseudoaleatório é necessário, multiplica-se o valor atual por
16807.
Faça um teste simples para avaliar a performance deste gerador de
números pseudoaleatórios. Dada uma probabilidade fixa p, gere uma série
de N números pseudoaleatórios, devidamente normalizados entre 0 e 1.
Conte o número n deles que se situem entre 0 e p. A fração n/N deve
reproduzir o valor p fornecido. Teste diferentes valores de N e de p.

Mas será que a contı́nua evolução das espécies está condicionada à esporádica
ocorrência de grandes catástofres e outras contingências similares? O grande
mérito de Darwin foi entender como estas bifurcações se processam no nı́vel
individual 3 . Sua teoria sobre a origem das espécies através da seleção natu-
ral apresenta dois ingredientes fundamentais: hereditariedade e variabilidade (ou
diversidade) genética. Sua formulação é muito simples. Indivı́duos se reprodu-
zem gerando filhos semelhantes, mas não idênticos. Dentre estes, aqueles que
melhor se adaptarem ao ambiente vigente ao seu redor terão maior chance de so-
brevivência e consequentemente maior chance de gerar seus próprios filhos. As
linhagens de maior sucesso reprodutivo tendem a se perpetuar com o passar das
gerações.
Observe que as variações no ambiente são normalmente pequenas porém
contı́nuas. Para que uma dada espécie se adapte às mesmas, seus organismos
precisam também mudar continuamente, geração após geração. Para tanto, é ne-
cessária a preservação de diferentes formas simultaneamente. A variabilidade
3
C. Darwin, On the Origin of Species by Means of Natural Selection, John Murray, London
(1859)
91

genética vem de duas fontes principais. Primeiro, as mutações que ocorrem no


DNA das células reprodutivas ao serem copiadas para produzir o descendente.
Mutações são aleatórias e inevitáveis. Até mesmo uma bactéria ao se reproduzir
gera uma cópia não idêntica à original. A outra principal fonte de variabilidade
é o sexo, que gera indivı́duos com herança genética de dois progenitores. O filho
herda metade de seu genoma da mãe, a outra metade do pai. Porém, as metades
que serão passadas a outro filho pelos mesmos pai e mãe são diferentes daquelas
passadas ao primeiro. Também as mutações que ocorrem tanto no gameta fe-
minino quanto no masculino, independentemente, são transmitidas aos filhos no
momento em que são gerados.
Em geral as mutações são neutras, pois ocorrem em partes não codifican-
tes do DNA, não conferindo qualquer vantagem ou desvantagem ao seu detentor.
As mutações ruins são as que provocam uma redução do sucesso reprodutivo,
como aquelas que provocam doenças graves que se manifestam antes da idade
de reprodução. Como dificilmente passam de uma geração para outra, tendem a
desaparecer da população. Já as mutações boas ou reversas, que corrigem erros
genéticos advindos de gerações anteriores aumentando a capacidade reprodutiva
acabam se fixando na população, em geral dando origem a uma nova espécie.
Contingências como a do meteoro que extinguiu os dinossauros provocam
uma abrupta e severa mudança no ambiente, e também levam a uma transformação
das espécies, mas não podem ser confundidas com a paulatina evolução por seleção
natural. Contudo, participam da evolução e, da mesma forma que o fluxo de
genes provocado pelas migrações, são fontes de variabilidade genética. Para se
estabelecer melhor a diferença, vejamos um exemplo tı́pico de seleção natural.
Imagine que por mutação um sapo nasce com a lı́ngua ligeiramente mais com-
prida. Por conseguir pegar mosquitos com mais facilidade, sobrevive por mais
tempo e gera mais filhos. Destes, os que herdarem a mutação também terão maior
sucesso reprodutivo e após várias gerações, podem acabar dominando todo o am-
biente. Após alguns milhares de anos, esta população dominante pode acumular
(fixar) tantas mutações aleatórias, convenientes ou neutras naquele ambiente, que
se entrar em contato com parte da população original (de lı́ngua mais curta) que
porventura tenha sobrevivido, já não consegue gerar filhos hı́bridos que possam
reproduzir. Está formada uma nova espécie.
Em algumas espécies os indivı́duos mais adaptados são os de maior força
fı́sica; em outras são os mais velozes, ou os que enxergam melhor ou ainda, os
mais inteligentes. Há inúmeros mecanismos de adaptação ao ambiente que au-
mentam a chance de sobrevivência, incluindo a colaboração entre indivı́duos e
o altruismo. Embora os comportamentos sociais que aprendemos durante a vida
não sejam transmissı́veis através do código genético, podem representar um maior
sucesso reprodutivo para aqueles indivı́duos que os adotam e acabarem se fixando
na população, isto é, sendo transmitidos através das gerações tal qual um traço
92 CAPÍTULO 7. SISTEMAS COMPLEXOS E EVOLUCIONÁRIOS

genético. Uma caracterı́stica fundamental da Teoria de Darwin é ser inteiramente


geral, abrangendo todas as espécies, inclusive a nossa. Praticamente ausente de
seu livro pioneiro de 1859, o ser humano é tratado com destaque num livro pos-
terior de Darwin 4 . Embora não seja exclusiva do ser humano, a caracterı́stica
que mais distingue nossa espécie das demais é a capacidade de comunicação, a
transmissão de informações e conhecimentos, muito mais desenvolvida entre nós
do que nas outras espécies, e que gerou nossa civilização e nossa cultura.
No que se refere ao estudo teórico da evolução biológica, há um problema ma-
temático fundamental. Geralmente os sistemas que evoluem no tempo são descri-
tos por equações diferenciais. No capı́tulo 1, vimos o caso simples do decaimento
radioativo que pode ser descrito pela equação diferencial (1.10), de primeira or-
dem. Neste caso basta que uma condição inicial seja dada (o número de núcleos
radioativos em t = 0) para que a equação seja resolvida. No capı́tulo 4 vimos o
problema do pêndulo simples, cuja evolução no tempo é dada pela lei de Newton,
que pode ser descrita por uma equação diferencial de segunda ordem (4.5). Para
resolvê-la já são necessárias duas condições iniciais (as posições angulares em
t = 0 e t = 1). Se os sistemas evolucionários, como é o caso daquele formado
pelo conjunto das diferentes espécies, pudessem ser descritos por uma equação di-
ferencial, para resolvê-la seria necessário conhecer todas as condições anteriores,
devido às contingências ocorridas durante toda a existência passada.
Em suma, não existe uma equação de Darwin a ser resolvida. Assim, os mo-
delos computacionais baseados no comportamento de uma população de agentes
se tornam uma alternativa quase única para se estudar os sistemas evolucionários.
Armazenam-se na memória do computador as informações relevantes de cada
agente, que podem ser modificadas ou não ao longo da evolução conforme as
regras dinâmicas do modelo. Faz-se uso da geração de números pseudoaleatórios
para simular contingências, decidir onde ocorre uma mutação, qual agente morre
e qual nasce, se o ambiente muda ou não, etc...
Um modelo simples e famoso que simula a evolução das espécies é o de
Bak-Sneppen 5 , onde N agentes são localizados em fila, formando um anel. A
interpretação dada pelos autores é a de que cada agente corresponde a uma espécie
viva. Cada espécie é representada por um grau de adaptabilidade ao ambiente ou
“fitness”, um número X entre 0 e 1. Inicialmente sorteia-se aleatoriamente o fit-
ness de cada uma das N espécies. A cada passo, a espécie com o menor fitness
e suas duas vizinhas no anel, independente de seus valores de X, são substituidas
por três novas espécies, cujos fitness são também sorteados aleatoriamente entre
0 e 1. As outras N − 3 espécies permanecem como estão.
4
C. Darwin, The Descent of Man, and Selection Related to Sex, John Murray, London (1871)
5
K. Sneppen, Phys. Rev. Lett. 69, 3539 (1992); P. Bak and K. Sneppen, Phys. Rev. Lett.
71, 4083 (1993); P. Bak, How Nature Works: the Science of Self-Organized Criticality, Oxford
University Press, Oxford Melbourne Tokio (1997)
93

Durante um perı́odo transiente os menores valores de fitness são eliminados


pela dinâmica, e a distribuição dos mesmos, que inicialmente era uniforme entre
0 e 1, se torna uniforme entre um valor finito Xmin e 1. A partir daı́, os valores
de fitness continuam mudando da mesma forma, mas a distribuição permanece
em média, a mesma, a de uma banda com Xmin = 0.6670, para valores de N
suficientemente grandes. A diversidade é mantida eternamente entre as espécies.
O modelo Bak-Sneppen considera que espécies vizinhas no anel se relacio-
nam umas às outras, por exemplo uma espécie é predada pela vizinha da direita
enquanto a da esquerda é sua presa. Assim, quando a espécie de menor adapta-
bilidade dentre todas é extinta, suas duas vizinhas também sofrem extinção. As
três são então substituidas por novas espécies. Apesar da simplicidade do mo-
delo, os resultados obtidos reproduzem caracterı́sticas fundamentais conhecidas
da evolução das espécies. Exemplos são as explosões populacionais como a do
perı́odo Cambriano e as grandes extinções, cujas intensidades se distribuem se-
gundo leis de potência. Uma análise mais completa deste tipo de modelos pode
ser obtida na referência 6 , onde também outros exemplos de dinâmicas complexas
são apresentados.
O modelo mais simples de todos 7 é o modelo de Yee, onde cada agente
também é representado por um fitness X entre 0 e 1. A cada passo apenas o
agente com o menor valor de X é substituido por outro, com novo valor aleatório
de X. Os outros N − 1 agentes permanecem como estão, não existe interação en-
tre agentes vizinhos. Assim como no modelo Bak-Sneppen, hereditariedade não
é levada em conta. O comportamento é trivial: o valor de Xmin converge conti-
nuamente para 1, de tal forma que se esperarmos um número grande o suficiente
de passos, todos os fitness de todos os agentes serão máximos e não haverá mais
diversidade.

6
J.S. Sá Martins and P.M.C. de Oliveira, Braz. J. Phys. 34, 1077 (2004)
7
K.K. Yee, xxx.arXiv.org/nlin.A0/0106028 (2001).
94 CAPÍTULO 7. SISTEMAS COMPLEXOS E EVOLUCIONÁRIOS

Problema 7-3

Implemente o modelo de Yee no computador. Verifique que a citada


convergência de Xmin ao valor limite 1 é lenta, em lei de potência no
tempo.
É conveniente armazenar os diversos valores individuais de cada
agente numa árvore binária. O agente que num dado passo armazena o
menor valor é tratado separadamente, fora da árvore. É o mesmo agente
que sofrerá as sucessivas substituições aleatórias, seguidamente, até que
o novo valor sorteado caia por acaso dentro da banda ocupada pelos de-
mais, cujos valores permanecem armazenados na árvore. Esta será alte-
rada intermitentemente, apenas quando o novo valor sorteado cair dentro
da banda atual, cuja largura 1 − Xmin diminui eternamente.

Embora trivial, o resultado deste modelo inclui uma caracterı́stica fundamen-


tal da dinâmica complexa: o decaimento em lei de potência no tempo.
Vamos agora passar a um modelo de agentes que inclui hereditariedade, e
que imita a evolução dos seres vivos asexuados através da genética. Cada in-
divı́duo possui um “cromossomo” haplóide representado por uma tira de 32 bits.
Inicialmente, cada indivı́duo apresenta apenas bits 0 ao longo de todo o seu cro-
mossomo. Ao reproduzir, no entanto, este cromossomo é copiado e pode haver
erros nesta cópia a ser passada para o filho, ou seja alguns bits 1 poderão apa-
recer no cromossomo do filho. Os descendentes posteriores também sofrerão
mutações aleatórias, bits 0 que se transformam em 1 ou vice-versa. Depois de
muitas gerações, portanto, haverá toda a sorte de cromossomos com bits 0 e 1
distribuidos ao longo da tira de cada indivı́duo. Se não houvesse critério algum
de seleção, depois de muitas gerações a distribuição de bits 0 ou 1 seria simétrica,
em média os indivı́duos apresentariam 50% de cada alelo em seu cromossomo, de
acordo com a segunda lei da Termodinâmica. Essa lei prevê que sistemas isolados
do resto do universo, que evoluem apenas devido às suas caracterı́sticas internas,
tendem a aumentar sua diversidade até o máximo possı́vel (no caso, a maior di-
versidade correponde às médias iguais a 50% para cada alelo).
O critério de seleção considera que o alelo 0 é mais vantajoso para a so-
brevivência do indivı́duo do que o alelo 1. A eficiência é medida através de
um parâmetro fixo x < 1. Caso o indivı́duo tenha N alelos (bits) 1 ao longo
de seu cromossomo, então sua probabilidade de sobrevivência a cada passo de
tempo é xN +1 . Desta forma, quanto maior o número de bits 1 na sua tira, menor
será a probabilidade de sobrevivência do indivı́duo. Depois de muitas gerações,
95

caso este critério de seleção seja suficientemente eficaz, a fração de alelos 0 será
bem maior do que a de alelos 1, embora esta não se anule. É uma solução de
compromisso ao se manter um certo grau de diversidade gerada pelo acaso das
mutações (os indivı́duos não são todos idênticos) e a necessidade de se preser-
var também a qualidade genética da população (alelos 0 são mais eficazes). Esta
solução de compromisso representa a essência do paradigma Darwiniano, muito
bem explorado por Jacques Monod em seu famoso livro 8 . É importante evitar a
interpretação errônea segundo a qual o paradigma Darwiniano violaria a segunda
lei da Termodinâmica, que se aplica a sistemas isolados. Na evolução de Darwin
os sistemas considerados são abertos, com critério de seleção determinado pelo
ambiente em que a população vive.
A cada passo de tempo a dinâmica do modelo se divide em duas etapas. Pri-
meiro, todos os indivı́duos são submetidos à roleta da morte: para cada um é
sorteado um número pseudoaleatório entre 0 e 1. Caso este valor seja menor do
que xN +1 , o indivı́duo sobrevive (N representa o número de alelos 1 em sua tira de
bits). Caso contrário, o indivı́duo é retirado da população. A segunda etapa, ainda
no mesmo passo de tempo, é a inclusão de novos indivı́duos em substituição aos
que morreram (em número igual, mantendo assim a população sempre do mesmo
tamanho). Cada novo indivı́duo será filho de algum sobrevivente sorteado aleato-
riamente. Sua tira de bits é copiada e mutações aleatórias são introduzidas nesta
cópia. Para cada mutação, uma posição aleatória ao longo dos 32 bits é sorteada,
e o bit ali presente é invertido. O número m de mutações é outro parâmetro fixo,
não necessariamente inteiro mas igual para todos os indivı́duos. Por exemplo, se
adotarmos m = 1, 3 cada novo indivı́duo sofrerá a primeira mutação com certeza,
e uma segunda com probabilidade 0, 3.

Problema 7-4

Implemente o modelo descrito acima no computador.

O modelo evolucionário muito simples aqui exemplificado 9 apresenta resul-


tados não triviais quando se aumenta o comprimento do cromossomo de 32 para
64, 128, etc. O comprimento de um cromossomo dos animais superiores, contado
em número de bases A, T, G e C em sequência, se aproxima do bilhão! Depois de
muitas gerações, a fração minoritária de bits 1 na população se estabiliza, como es-

8
J. Monod, Le Hasard et la Nécessité, Seuil, Paris (1970)
9
P.M.C. de Oliveira, J. Phys. CM19, 065147 (2007)
96 CAPÍTULO 7. SISTEMAS COMPLEXOS E EVOLUCIONÁRIOS

perado. Quanto maior o número m de mutações estabelecido inicialmente, maior


será esta fração, resultado também esperado. É intuitivo esperar-se que esta fração
não dependa do comprimento L do cromossomo, fixada a razão m/L. Contudo,
os resultados obtidos do modelo mostram que esta independência só acontece se a
população superar um certo contingente mı́nimo que depende do comprimento do
cromossomo segundo uma lei de potência Lα , onde o valor medido na simulação
computacional para o expoente é α = 2, 3.
Mais interessante é o caso sexuado, em que cada indivı́duo é representado por
duas tiras paralelas de bits, numa imitação de organismos diplóides. Além das
mutações, o cruzamento e a recombinação que ocorrem nestes organismos du-
rante a reprodução acrescentam uma segunda fonte de diversidade. Os resultados
das simulações computacionais 10 neste caso são ainda mais inesperados. Se o
comprimento do cromossomo é escalado de 32 para 64, 128, etc, deve-se manter
o mesmo número médio de mutações m (e não a razão m/L) para que a qualidade
genética da população seja preservada. Também há um limite máximo mc ≈ 1
de mutações acima do qual o destino final é a extinção. Curiosamente, este limite
mc ≈ 1 coincide com o número de mutações por cromossomo que se verifica
nos animais superiores (inclusive o homem), considerada apenas sua fração codi-
ficante de DNA. Talvez este resultado explique porque o genoma destes animais
são divididos em mais de um cromossomo (23 pares nos humanos), em vez da
opção muito mais simples de um único par longo de cromossomos homólogos.

10
P.M.C. de Oliveira, Theory in Biosciences 120, 1 (2001) (xxx.arXiv.org cond-mat
0101170); P.M.C. de Oliveira, S. Moss de Oliveira, D. Stauffer, S. Cebrat and A. Pekalski, Eur.
Phys. J. B63, 245 (2008) (www.arXiv.org Q-BIO.PE/0710.1357); D. Stauffer, S. Moss de Oli-
veira, P.M.C. de Oliveira and J.S. Sá Martins, Biology, Sociology, Geology by Computational
Physicists, Elsevier, Amsterdam (2006)
Apêndice A

Respostas e Comentários

97
98 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

A.1 Capı́tulo 1

Problema 1-1
O programa a seguir, escrito na linguagem C, resolve o problema.

#include <stdio.h>
#include <math.h>

/* constante de tempo (1/s) */ #define alfa 0.00924


/* número inicial de núcleos */ #define N0 1000.0
/* tempo total (s) */ #define T 100

/* PROGRAMA radioativo

Calcula o número de núcleos ainda radioativos a cada segundo.

*/

int t;
double N,fator;

main() {

fator = 1.0-alfa;
t = 0; N = N0;
printf("\n\n %3d %12.6lf",t,N);
for(t=1; t<=T; t++) {
N *= fator;
printf("\n %3d %12.6lf",t,N);
}
printf("\n\n");

}
A.1. CAPÍTULO 1 99

Problema 1-5
Pequenas modificações no programa anterior.
#include <stdio.h>
#include <math.h>

/* constante de tempo (1/s) */ #define alfa 0.00924

/* PROGRAMA vidamedia

Calcula a vida média da amostra radioativa.

*/

int t,T;
double tau,fator,N,DN;

main() {

fator = 1.0-alfa;
N = 1.0;
T = 10.0/alfa;
tau = 0.0;
for(t=1; t<=T; t++) {
DN = alfa*N;
tau += DN*t;
N *= fator;
}
printf("\n\n tau = %7.1lfs\n\n",tau);

Problema 1-6
Se cada ∆N da equação (1.7) for interpretado como uma quantidade infinite-
simal dN = α N(t) dt = α N(0) e−αt dt, a soma se transforma na integral
Z ∞
τ =α dt e−αt t (A.1)
0
onde também foram usadas as equações (1.3) e (1.5). Se você não sabe resolver
esta integral, talvez saiba resolver outra mais simples
Z ∞
I(α) = dt e−αt (A.2)
0
cuja derivada em relação a α fornece com o sinal trocado a integral que aparece
em (A.1)
100 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

A.2 Capı́tulo 2

Problema 2-7
O mapa logı́stico (2.4) pode ser escrito na forma

x(t + ∆t) − x(t)


= −(1 − λ) x(t) − λ x2 (t) , (A.3)
∆t
onde foi introduzido um denominador ∆t = 1 por conveniência do lado esquerdo.
Para t muito grande comparado com a unidade, pode-se reinterpretar a equação
acima como uma equação diferencial
dx
= −(1 − λ) x(t) − λ x2 (t) , (A.4)
dt
com o tempo a fluir continuamente.
Com λ < 1 a variável x(t) se aproxima de x∗ = 0 a medida em que o tempo t
evolui. Portanto, quando este tempo t é muito grande o valor x é muito pequeno,
e o termo λx2 pode ser desprezado frente à outra parcela −(1 − λ) x, ou seja
dx
= −(1 − λ) x(t) . (A.5)
dt
A solução desta última equação diferencial demonstra o resultado, equação
(2.6), também válida portanto para x∗ = 0 e λ < 1.
A.3. CAPÍTULO 3 101

A.3 Capı́tulo 3

Problema 3-1

f3 (x)
f3(x)

0, 5 (2)

0
0 0, 5 1 0 0, 5 1
x x

Figura A.1: Gráficos do mapa simples fλ (x) = λ x (1 − x) e do composto


(2)
fλ (x) = fλ [fλ (x)] para λ = λ1 = 3. O cı́rculo indica o ponto fixo atrator.
102 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problemas 3-2 e 3-3

f3 (x)
f1(x)

0, 5

(2)
0
0 0, 5 1 0 0, 5 1
x x

Figura A.2: Gráficos de fλ (x) para λ = λ0 = 1 quando ocorre o primeiro ralen-


(2)
tamento crı́tico (à esquerda), e de fλ (x) = fλ [fλ (x)] para λ = λ1 = 3 quando
ocorre o segundo (à direita). No gráfico à esquerda, o atrator (cı́rculo preto assi-
nalado) se situa na origem x = 0 onde a curva tangencia a reta inclinada de 45o .
Se λ aumenta um pouco, a curva fica mais alta no centro e mais inclinada próximo
da origem. Deixa portanto de tangenciar a reta, e passa a cortá-la em dois pontos
fixos: a origem x = 0 que deixa de ser atrator; e o novo atrator x∗ = 1 − 1/λ
que nasce quando λ ultrapassa o primeiro valor crı́tico λ0 = 1. Com o aumento
gradual de λ, este novo atrator se desloca. No gráfico à direita, ele já está por
sua vez na iminência de uma segunda bifurcação, com o nascimento de dois no-
vos atratores x1 e x2 quando λ ultrapassar o segundo valor crı́tico λ1 = 3 (veja o
problema 3-5). A partir daı́, x∗ = 1 − 1/λ passará a ser ponto fixo instável (não
atrator), como a origem já passou a ser desde λ0 = 1.
A.3. CAPÍTULO 3 103

Problema 3-4

1
3[2/3 − f3 (2/3 − x/3)] e f1 (x)

0, 5
(2)

0
0 0, 5 1
x

Figura A.3: Gráficos das duas expressões


h aproximadamente iguais da relação
2 (2) 2 x
i
(3.4). A linha cheia corresponde a 3 3 − fλ1 3 − 3 e a tracejada a fλ0 (x).

Problema 3-5
(2b )
O valor λb+1 é obtido pela condição do mapa x′ = fλ (x) ter derivada igual
a −1 em qualquer um de seus atratores (qualquer valor da sequência final x1 , x2 ,
. . . , x2b ). É o que se vê na figura A.1 à esquerda, para λ = λ1 = 3.
Para acharmos λ2 , podemos primeiramente explicitar o mapa composto

(2)  
x′ = fλ (x) = λ2 x 1 − (λ + 1)x + 2λx2 − λx3 ,
um polinômio do 4o grau na variável x. Fazendo-se x′ = x nesse mapa, acham-se
seus 4 pontos fixos. Dois deles são instáveis, x = 0 e x∗ = 1 − 1/λ, ou seja, não
são atratores (desde λ0 = 1 e λ1 = 3 respectivamente). Os outros dois,
p
(1 + λ) + (1 + λ)(λ − 3)
x1 =

e
104 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

p
(1 + λ) − (1 + λ)(λ − 3)
x2 =

são os atratores procurados.
Basta agora impor que a derivada

dx′  
= λ2 1 − 2(λ + 1)x + 6λx2 − 4λx3
dx
do mapa em x1 (ou x2 ) valha −1. O resultado é

λ2 = 1 + 6 = 3, 449.489.743 .
Os valores crı́ticos seguintes, já listados no capı́tulo 3, foram obtidos numeri-
camente porque os polinômios envolvidos são de graus elevados, o que impossi-
bilita a solução analı́tica. Para tanto, o método das tentativas funciona. Primeiro,
(2b )
fixa-se um valor de λ e acha-se um ponto fixo atrator para o mapa x′ = fλ (x)
(qualquer um da sequência x1 , x2 , . . . , x2b serve). O problema 3-6 é útil nessa
tarefa.
Depois, calcula-se numericamente a derivada do mapa nesse ponto. Caso essa
derivada seja maior do que −1 (por exemplo −0.999), o valor tentativo de λ que
se adotou está abaixo do λb procurado. Caso a derivada seja menor do que −1
(por exemplo −1.001), o valor tentativo está acima do procurado.
A.3. CAPÍTULO 3 105

Problemas 3-7 e 3-8

1
fλ2 (x)

0, 5
(4)

0
0 0, 5 1
x
(4)
Figura A.4: Gráfico de fλ2 (x). O quadrado central destacado foi construido com
vértice no ponto fixo x∗2 = 1 − 1/λ2 ≈ 0, 71 (instável). Os dois atratores x1 e x2
(pequenos cı́rculos pretos assinalados) correspondem aos pontos de tangência da
curva com a reta inclinada 45o , na iminência de se bifurcarem simultaneamente se
λ aumentar além de λ2 .
106 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problema 3-9

1
α2 [x∗2 − fλ2 (x∗2 − x/α2)] e fλ1 (x)
(2)

0, 5
(4)

0
0 0, 5 1
x

Figura A.5: Gráficos das duas expressões


h aproximadamente iguais da relação
∗ (4) ∗ x
i (2)
(3.9). A linha cheia corresponde a α2 x2 − fλ2 x2 − α2 e a tracejada a fλ1 (x).
A.4. CAPÍTULO 4 107

A.4 Capı́tulo 4

Problema 4-5
Ao passar pela posição inferior, a energia cinética da massa vale 21 mvo2 . Ao
chegar na posição de amplitude θA esta energia foi inteiramente transformada em
energia potencial gravitacional mgh, onde h = ℓ(1 − cosθA ) é a diferença de
alturas entre as duas posições.
108 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problema 4-6
O programa a seguir, escrito na linguagem C, resolve o problema.

#include <stdio.h>
#include <math.h>

/* aceleração da gravidade (m/s2) */ #define g 9.8


/* comprimento do arame (m) */ #define L 2.0
/* velocidade inicial (m/s) */ #define Vo 8.8
/* intervalo de tempo (s) */ #define Dt 0.01
/* tempo total (s) */ #define T 6

/* PROGRAMA pendulo

Calcula a inclinação do pêndulo em função do tempo.

*/

int n,N;
double t,teta,tetaA,tetaAA,fator;
#define Pi (double)acos(-1.0)
#define DPi (double)2*Pi

main() {

fator = g*Dt*Dt/L;
N = T/Dt;
t = tetaAA = 0.0;
printf("\n\n %12.6lf %12.6lf",t,tetaAA);
t = Dt;
tetaA = Vo*Dt/L;
printf("\n %12.6lf %12.6lf",t,tetaA);
for(n=2; n<=N; n++) {
t = n*Dt;
teta = 2*tetaA-fator*sin(tetaA)-tetaAA;
if(teta>Pi) {
teta -= DPi;
tetaA -= DPi;
tetaAA -= DPi;
}
printf("\n %12.6lf %12.6lf",t,teta);
tetaAA = tetaA;
tetaA = teta;
}
printf("\n\n");

}
A.4. CAPÍTULO 4 109

Problema 4-7
O programa a seguir calcula o perı́odo e a amplitude do movimento.
#include <stdio.h>
#include <math.h>

/* aceleração da gravidade (m/s2) */ #define g 9.8


/* comprimento do arame (m) */ #define L 2.0
/* velocidade inicial (m/s) */ #define Vo 8.8
/* intervalo de tempo (s) */ #define Dt 0.00005

/* PROGRAMA pendulo2

Calcula o perı́odo e a amplitude de oscilação do pêndulo.

*/

int t;
double teta,tetaA,tetaAA,fator,per=-1.0,amp=-1.0;
#define Pi (double)acos(-1.0)
#define DPi (double)2*Pi

main() {

fator = g*Dt*Dt/L;
tetaAA = 0.0;
tetaA = Vo*Dt/L;
t = 2;
while(per<0.0) {
teta = 2*tetaA-fator*sin(tetaA)-tetaAA;
if(teta>Pi) {
teta -= DPi;
tetaA -= DPi;
tetaAA -= DPi;
}
if(teta*tetaA<0.0) {
per = (t+teta/(tetaA-teta))*Dt;
if(teta<0.0) per *= 2;
}
if((amp<0.0)&&(teta<tetaA)) amp = tetaA
+(teta*teta+tetaAA*tetaAA-2*teta*tetaAA)
/(2*(teta+tetaAA-2*tetaA));
tetaAA = tetaA; tetaA = teta;
t++;
}
printf("\n\n per = %12.6lf\n Vo = %12.6lf\n",per,Vo);
if(amp>0) printf(" amp = %12.6lf\n",amp);

}
110 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problema 4-8

0.2

0.1
posição θ(rad)

−0.1

−0.2

0 1 2 3
tempo t(s)

Figura A.6: Movimento pendular, pequena oscilação.

Na figura A.6, a curva contı́nua corresponde à solução analı́tica (4.9) da


aproximação (4.8), com a amplitude obtida da equação (4.12). Os pontos cor-
respondem à solução numérica (4.18) da lei de Newton (4.5), com ∆t = 0, 05s.
A.4. CAPÍTULO 4 111

Problema 4-12

20

15
perı́odo T (s)

10

0
0 π/2 π
amplitude θA (rad)
Figura A.7: Perı́odo do pêndulo como função da amplitude de oscilação.
112 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problema 4-14

20

15
perı́odo T (s)

10

0
0 6 vc 12 18
velocidade inicial vo(m/s)
Figura A.8: Perı́odo do pêndulo como função da velocidade inicial.
A.4. CAPÍTULO 4 113

Problema 4-16

20

10
perı́odo T (s)

3
2

0.5
10−6 10−5 10−4 10−3 10−2 10−1 1 10
|vo − vc |(m/s)
Figura A.9: Mesmos dados do perı́odo do pêndulo. A curva superior corresponde
às velocidades iniciais subcrı́ticas, vo < vc . A inferior, às supercrı́ticas, vo > vc .

Caso a dependência de T com |vo − vc | fosse descrita por uma lei de potência
do tipo (4.20), as duas curvas apresentadas na figura A.9 se tornariam retas na
parte esquerda do gráfico, e suas inclinações mediriam o expoente α. Como se vê,
não é este o comportamento observado.
114 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problema 4-17

40

30
T / ℓ/g
p

20

10

0
10−7 10−6 10−5 10−4 10−3 10−2 10−1 1
|1 − vo/vc|
Figura A.10: Mesmos dados do perı́odo do pêndulo, desta vez com escala lo-
garı́tmica apenas no eixo horizontal. Desta vez, também, o bom procedimento de
se usar grandezas adimensionais foi implementado. Assim, este gráfico é válido
não somente para o caso particular dos valores numéricos de ℓ e g adotados desde
o problema 4-2, mas para qualquer outro pêndulo.

Na figura A.10, as linhas retas contı́nuas correspondem às equações (4.21)


e (4.22). Repare que falta uma constante a ser adicionada a cada uma destas
equações, para que as respectivas retas possam se encaixar perfeitamente nos re-
sultados numéricos. Como já comentado, tais constantes se tornam desprezı́veis
a medida em que se estende o gráfico para a esquerda, uma vez que T cresce
indefinidamente neste processo e a adição ou não de uma constante se torna irre-
levante. No entanto, como o crescimento de T é logarı́tmico, muito lento, uma
estimativa dos valores destas constantes é conveniente. Isso é feito no problema
4-19, adiante.
A.4. CAPÍTULO 4 115

Problema 4-18

2
posição θ(rad)

−1

−2

−3
0 5 10 15 20 25
tempo t(s)

Figura A.11: Movimento oscilatório do pêndulo na região crı́tica. Note que a am-
plitude (próxima a π) e o perı́odo são muito maiores do que no caso de pequenas
oscilações para o mesmo pêndulo (figura A.6).

A figura A.11 corresponde a ℓ = 2, 00m, g = 9, 8m/s2 e vo = 8, 85437742m/s.


A velocidade inicial é um pouco menor que o valor crı́tico vc = 8, 85437745m/s,
de forma que a amplitude se aproxima mas não chega a atingir π, o valor máximo
concebı́vel. O movimento é oscilatório.
Embora apenas cerca de 300 pontos igualmente espaçados a intervalos de
0, 075s tenham sido lançados no gráfico, na solução numérica o intervalo de tempo
adotado foi ∆t = 0, 00002s. A escolha do intervalo é uma tarefa delicada nas pro-
ximidades do ponto crı́tico. Se for grande demais, a transformação de derivadas
em diferenças finitas não tem precisão suficiente para descrever corretamente o
movimento. Se o intervalo for pequeno demais, os erros numéricos de trunca-
mento (número finito de algarismos na representação de números reais no com-
putador) também impede a descrição correta do movimento.
116 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

2
posição θ(rad)

−1

−2

−3
0 5 10 15 20 25
tempo t(s)

Figura A.12: Movimento do pêndulo em voltas completas sucessivas, sempre no


mesmo sentido, na região crı́tica.

A figura A.12 corresponde ao mesmo pêndulo com vo = 8, 85437748m/s. A


velocidade inicial é um pouco maior que o valor crı́tico vc = 8, 85437745m/s,
de forma que a inclinação θ ultrapassa π e o pêndulo executa voltas completas
sucessivas, sempre no mesmo sentido. Os ângulos são representados dentro do
intervalo [−π, π], toda vez que θ ultrapassa π é subtraida uma parcela 2π. O
intervalo de tempo adotado na solução numérica é novamente ∆t = 0, 00002s.
As figuras A.11 e A.12, com velocidades iniciais simétricas em relação ao
valor crı́tico, deixam evidente a razão pela qual o perı́odo de oscilação é o dobro
do perı́odo do movimento em voltas completas sucessivas.

Problema 4-19
Considere a origem do eixo horizontal (tempo) transladada de T /4 (um quarto
do perı́odo) para a direita, na figura A.11. Neste instante, a posição θ assume seu
valor máximo θA , muito próximo de π. Podemos representar este ângulo como

θA = π(1 − εo ) , (A.6)
onde εo ≪ 1 é positivo. A equação (4.12) permite relacionar εo com 1 − vo /vc ,
através de expansões em série de potências, como se segue.
A.4. CAPÍTULO 4 117

vo2
cos θA = 1 − = 1 − 2(vo /vc )2 ≈ −1 + 4 (1 − vo /vc ) , (A.7)
2gℓ

onde também se usou a expressão (4.19) da velocidade crı́tica. Por outro lado,

π 2 ε2o
cos θA = −cos(πεo ) ≈ −1 + . (A.8)
2
A comparação da equação (A.7) com (A.8) fornece a relação pretendida

8
ε2o ≈ (1 − vo /vc ) . (A.9)
π2

Durante o movimento, o ângulo θ(t) também pode ser expresso como

θ(t) = π[1 − ε(t)] , (A.10)


onde t representa o tempo depois de transladada a origem. Podemos reescrever a
lei de Newton (4.5) em função de ε(t)

d2 ε g
− sen(π ε) = 0 . (A.11)
dt2 πℓ
Repare que há uma diferença sutil mas fundamental no sinal do segundo termo,
quando se compara a equação (A.11) com (4.5).
Durante um longo tempo desde a nova origem até as proximidades de t = T /4
quando a curva da figura A.11 corta o eixo horizontal, ε(t) se mantem pequeno
(ε ≪ 1). Portanto, para t < T /4, pode-se adotar na equação (A.11) a mesma
aproximação que transformou a (4.5) na (4.8), cujo resultado é

d2 ε g
≈ ε , (A.12)
dt2 ℓ
e que deve ser resolvida sob a condição inicial


ε(0) = εo =0 . (A.13)
dt t=0
A solução é
εo  √ g t √ 
− gℓ t
ε(t) ≈ e ℓ +e . (A.14)
2
Vamos agora abusar da validade da aproximação (A.12), e tomar t = T /4 quando
θ = 0, ou ε(T /4) = 1, o que resulta em
118 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

2 √g T
√g T
√g T
≈e ℓ 4 + e− ℓ 4 ≈e ℓ 4 , (A.15)
εo
p
onde a aproximação à direita se justifica porque T ≫ ℓ/g. Finalmente,
s
ℓ  εo 
T ≈ −4 ln , (A.16)
g 2
resultado que conjugado com a equação (A.9) nos fornece
s
ℓ h i
T ≈ −2 ln(1 − vo /vc ) − ln(π 2 /2) . (A.17)
g
Note que a constante aditiva ausente na equação (4.21) está agora presente
na equação (A.17). A equação (4.22) pode também ser obtida seguindo a mesma
linha de raciocı́nio. A figura A.13, comparada à figura A.10, mostra o efeito das
constantes adicionadas.

40

30
T / ℓ/g
p

20

10

0
10−7 10−6 10−5 10−4 10−3 10−2 10−1 1
|1 − vo/vc|
Figura A.13: Repetição da figura A.10, desta vez com as constantes aditivas ade-
quadas incluidas nas retas contı́nuas.
A.5. CAPÍTULO 5 119

A.5 Capı́tulo 5

Problemas 5-1 e 5-2


O programa a seguir, escrito na linguagem C, resolve ambos os problemas.

#include <stdio.h>
#include <math.h>

/* constante de difusão */ #define D 0.1


/* tempo total */ #define T 1024

/* PROGRAMA difunde

Calcula a difusão ao longo de um eixo X.

*/

int x,t;
double r,DE,u[T+1],ua[T+1];
#define tol 0.0000000000000001

main() {

u[0] = 1; for(x=1; x<=T; x++) u[x] = 0;


t = 0;
do{
t++;
for(x=0; x<=t; x++) ua[x] = u[x];
u[0] = ua[0] + 2*D*(ua[1]-ua[0]);
for(x=1; x<=t; x++) u[x] = ua[x] + D*(ua[x+1]-2*ua[x]+ua[x-1]);
} while(t<T);
DE = 0.0;
for(x=0; x<=t; x++) if(u[x]>tol) {
printf("\n %6d %20.16lf",x,u[x]);
DE += x*x*u[x];
} else break;
printf("\n\n Delta(t=%d) = %20.16lf",t,sqrt(2*DE));
printf("\n\n");

}
120 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

A figura A.14 mostra duas curvas da distribuição u(x, t) nos instantes fixos
t = 512 e t = 1024. As curvas em forma de sino se alargam gradualmente. Como
a soma de todos os valores de u(x, t) num mesmo instante t é constante (igual a
1), o valor máximo na origem diminui também gradualmente na mesma proporção
em que a largura aumenta.

0, 04
u(x, t)

0, 02

0
-60 -40 -20 0 20 40 60
x
Figura A.14: Dois gráficos da função ut (x) para t = 512 e 1024.

A figura seguinte A.15 mostra a evolução temporal da largura ∆(t). Como


seria o gráfico do valor máximo ut (0) em função de t?
A.5. CAPÍTULO 5 121

10
∆(t)

0, 1
1 10 100 1000
t

Figura A.15: Evolução temporal da largura da distribuição ut (x). O comporta-


mento linear em escala log-log mostra que se trata da lei de potência (5.6). O
valor preciso do expoente 1/2 pode ser observado comparando-se a inclinação da
sequência de pontos obtidos numericamente com a da reta contı́nua ∆ = t1/2 pro-
positalmente acrescentada. A diferença entre os pontos e a reta é apenas um fator
de proporcionalidade omitido em (5.6), determinado no problema 5-5.

Problema 5-3
O famoso binômio de Newton

X t!
pn q t−n = (p + q)t (A.18)
n=−∞
n!(t − n)!
resolve o problema. Deve-se tratar p e q como variáveis independentes até o fim de
cada cálculo, só então o vı́nculo imposto pela equação (5.7) deve ser considerado.

O sı́mbolo p ∂p significa uma operação composta, primeiro a derivada, a

∂ 2
seguir a multiplicação do resultado por p. O sı́mbolo p ∂p significa esta mesma
operação composta aplicada duas vezes em sequência.
122 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problema 5-6
O programa a seguir, escrito na linguagem C, resolve o problema.

#include <stdio.h>
#include <math.h>

/* probabilidade de transmissão */ #define p 0.75


/* tempo total */ #define T 1024

/* PROGRAMA informa

Calcula a difusão da informação inicialmente na origem


como na equação (5.20), ao longo de um eixo X, segundo a regra
dinâmica (5.19) de transmissão.

*/

int x,t;
double r,u[T+2],ua[T+2];
#define tol 0.0000000000000001

main() {

u[0] = 1; for(x=1; x<=T+1; x++) u[x] = 0;


t = 0;
do{
t++;
for(x=0; x<=t+1; x++) ua[x] = u[x];
u[0] = p*ua[1]*(2-p*ua[1]);
for(x=1; x<=t; x++) u[x] = 1 - (1-p*ua[x+1])*(1-p*ua[x-1]);
} while(t<T);
for(x=0; x<=t; x++)
if(u[x]>tol) printf("\n %6d %20.16lf",x,u[x]);
printf("\n\n");

}
A.5. CAPÍTULO 5 123

Para p = 3/4, a figura A.16 mostra ut (x) nos instantes t = 30, 40, 50, 60,
70, 80, 90 e 100. Como ut (−x) = ut (x), apenas valores positivos de x são
apresentados. Note que a frente de decaimento da informação à direita se propaga
como uma onda de velocidade constante. A medida em que o tempo passa, a
informação atinge um número cada vez maior de indivı́duos ao longo do eixo X.
O mesmo comportamento se verifica para qualquer p > pc = 1/2.

1
ut (x)

0, 5

0
0 20 40 60 80 100
x

Figura A.16: ut (x) para p = 3/4 e sucessivos valores de t.

Repare na figura A.16 o patamar que gradualmente se alarga a partir da ori-


gem, mas nos instantes mencionados já teve sua altura não nula u(0, t → ∞)
estabilizada.
Para p < pc = 1/2, ao contrário, u(x, t) acaba por se anular em todo o eixo
X, a informação é definitivamente perdida após algum tempo.
124 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problema 5-8

p = 3/4

0, 5
y′

p = 1/2
p = 1/4

0
0 0, 5 1
y

Figura A.17: Gráficos do mapa y ′ = py (2 − py) para p = 3/4 (acima do valor


crı́tico), p = 1/4 (abaixo) e p = 1/2 (o valor crı́tico). A serem comparados com
as figuras 2.2, 2.4 e 2.5.
A.5. CAPÍTULO 5 125

Problemas 5-9 e 5-11

10−2 uc (0, t)

10−4

10−6
uc (0,t)−uc (2,t)
2
10−8

10−10

1 10 102 103 104 105


t

Figura A.18: Gráficos de uc (0, t) na origem e de sua segunda derivada espacial


Vc = [uc (2, t)−uc (0, t)]/2 também na origem. As retas contı́nuas propositalmente
adicionadas têm coeficientes angulares −1 e −2, que nos fornecem os expoentes
ν = 1 e θ = 2.
126 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problema 5-12

10−4

10−6
ut (x)

10−8

10−10

−1000 −500 0 500 1000


x
Figura A.19: Gráfico da distribuição ut (x) para t = 16384. Para os demais valores
de t, as curvas são semelhantes, com diferentes larguras ao longo do eixo X e
diferentes alturas na vertical.
A.5. CAPÍTULO 5 127

Problema 5-13

10−2

10−4
t1/ν ut (x)

10−6 3

10−8

10−10 2
−1 0 1

−10 −5 0 5 10
t−1/θ x
Figura A.20: Gráficos superpostos das distribuições ut (x) calculadas para t = 64,
128, 256, . . . 16384. Os eixos foram devidamente escalonados para que as 9
curvas colapsem numa única curva universal. O colapso naturalmente só é perfeito
no limite t → ∞. O detalhe ampliado mostra as mesmas curvas na região do
máximo, para t = 1024, 2048, 4096, 8192 e 16384.
128 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

A.6 Capı́tulo 6

Problema 6-5
O programa a seguir, escrito na linguagem C, resolve o problema.
#include <stdio.h>
#include <math.h>

/* comprimento do eixo (64N, N par) */ #define N 2


/* tempo total */ #define T 132

/* PROGRAMA regra90

Evolui o autômato celular (regra 90), com palavras de 64 bits.

*/

unsigned long i,b,t,x,x0=-32*N+1,D,E,UE,UD,U[N];


#define bit63 1LU<<63

main() {

if(N%2) {printf("\n\n o valor N deve ser par.\n\n"); return;}


for(i=0; i<N; i++) U[i] = 0; U[N/2] = 1;
t = 0; printf("\n\n t = 0\n 0");
do{t++;
D = U[N-1]>>63; E = (U[0]<<63);
for(i=0; i<N-1; i++) {
UE = (U[i]>>1)|(U[i+1]<<63); UD = (U[i]<<1)|D;
D = U[i]>>63;
U[i] = UEˆUD;
}
UE = (U[N-1]>>1)|E; UD = (U[N-1]<<1)|D;
U[N-1] = UEˆUD;
printf("\n\n t = %ld\n",t);
x = x0; i = N;
do {i--; b = bit63;
do {
if(U[i]&b) printf(" %ld",x);
x++; b >>= 1;
} while(b);
} while(i);
} while(t<T);
printf("\n\n");

}
A.6. CAPÍTULO 6 129

Problema 6-7

1000

100
nb

10

1
1 10 100 1000
b
Figura A.21: Gráficos do número de vazios triangulares brancos em cada desenho
da figura 6.1, em função de seus tamanhos.
130 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

A.7 Capı́tulo 7

Problema 7-1
3

1 7

2 5 10

4 6 8

Figura A.22: Árvore binária da sequência 3, 7, 1, 5, 10, 8, 6, 4, 9, 2.

4 9

2 5 8 10

1 3 7

Figura A.23: Árvore binária da sequência 6, 4, 9, 10, 2, 8, 1, 5, 3, 7.


A.7. CAPÍTULO 7 131

Problema 7-2
O programa a seguir, escrito na linguagem C, resolve o problema.

#include <stdio.h>
#include <math.h>

/* semente aleatória */ #define R 4023419


/* probabilidade */ #define p 0.3
/* número de sorteios */ #define N 1000000

#define rmaxint (double)4294967296.0

/* PROGRAMA random

Teste simples para o gerador


r = r*16807
de números pseudoaleatórios.

*/

int r=R|1,rf=16807,t,n=0;
unsigned fp=p*rmaxint;

main() {

for(t=0; t<N; t++) {r *= rf; if((unsigned)r<=fp) n++;}


printf("\n\n probabilidade fornecida = %6.4lf",p);
printf("\n probabilidade executada = %6.4lf\n\n"
,(double)n/N);

Os números aleatórios gerados são inteiros no intervalo (0, 232 ). Em vez de di-
vidı́-los por 232 , que os reduziria ao intervalo (0, 1) conveniente para comparação
com p, é mais eficiente fazer o contrário: p é multiplicado por 232 .
132 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

Problema 7-3
O programa a seguir, escrito na linguagem C, resolve o problema.

#include <stdio.h>
#include <math.h>

/* número de agentes */ #define N 10000


/* semente aleatória */ #define S 4785671
/* limite de tempo */ #define T 1000000

#define invMAX (double)1/4294967296.0

/* PROGRAMA Yee

Implementa o modelo de Yee numa árvore binária.

*/

unsigned r=S|1,t,i,raiz,imin,imin2,band,tprint = T/1000,


F[N+1],topo[N+1],esquerda[N+1],direita[N+1];
double invN = 1.0/N;
void Inclui(),Remove();
unsigned Minimo();

void Inclui(novo) unsigned novo; {


unsigned i,j,lf,f;

j = raiz; f = F[novo];
do {i = j;
if(f<F[i]) {j = esquerda[i]; lf = 1;}
else {j = direita[i]; lf = 0;}
} while(j);
topo[novo] = i;
if(lf) esquerda[i] = novo; else direita[i] = novo;
}

unsigned Minimo() {
unsigned i,j;

j = raiz;
do i = j; while(j=esquerda[i]);
return(i);
}
A.7. CAPÍTULO 7 133

void Remove(K) unsigned K; {


unsigned t,E,D,A,i,j;

t = topo[K]; E = esquerda[K]; D = direita[K];


topo[K] = esquerda[K] = direita[K] = 0;
A = direita[E];
if(t) {
if(E) {
if(K==esquerda[t]) esquerda[t] = E; else direita[t] = E; topo[E] = t;
if(D) {topo[D] = E; direita[E] = D;
if(A) { /* reposiciona A */
j = D;
do i = j; while(j=esquerda[i]);
topo[A] = i; esquerda[i] = A;
}
}
}
else {
topo[D] = t;
if(K==esquerda[t]) esquerda[t] = D; else direita[t] = D;
}
}
else { /* remove raı́z */
if(E) {raiz = E; topo[raiz] = 0;
if(D) {topo[D] = raiz; direita[raiz] = D;
if(A) {
j = D;
do i = j; while(j=esquerda[i]);
topo[A] = i; esquerda[i] = A;
}
}
}
else {raiz = D; topo[raiz] = 0;}
}
}

A subrotina Inclui(novo) inclui um novo agente na árvore. Minimo()


retorna o agente cujo valor é o menor dentre os armazenados na árvore. Ambas
são de compreensão imediata.
Remove(K) remove o agente K da árvore, e merece uma explicação. Os
agentes E e D são aqueles posicionados imediatamente abaixo de K, respectiva-
mente à sua esquerda e à sua direita, enquanto A está imediatamente abaixo e à
direita de E. Caso a posição E esteja vazia, K é substituido por D, caso contrário
por E. Se tal substituição gerar 3 ramos em vez de apenas 2, então A é transferido
para a primeira posição vazia ao longo do ramo mais à esquerda abaixo de D.
O programa principal vem a seguir.
134 APÊNDICE A. RESPOSTAS E COMENTÁRIOS

main() {

for(i=0; i<=N; i++) {topo[i] = esquerda[i] = direita[i] = 0;}


imin = 1; F[imin] = 0;
raiz = 2; r *= 16807; F[raiz] = r;
for(i=3; i<=N; i++) {r *= 16807; F[i] = r; Inclui(i);}
band = F[imin2=Minimo()];
printf("\n\n tau(1/N) banda");
for(t=0; t<=T; t++) {
if((t%tprint)==0)
printf("\n %10.6lf %10.6lf",t*invN,band*invMAX);
r *= 16807; F[imin] = r;
if(r>band) {
Remove(imin2);
Inclui(imin);
imin = imin2;
band = F[imin2=Minimo()];
}
}
printf("\n\n");

Problema 7-4
O programa a seguir, escrito na linguagem C, resolve o problema.

#include <stdio.h>
#include <math.h>

/* semente aleatória */ #define R 37861


/* populacão */ #define P 1000
/* intensidade da seleção */ #define x 0.9
/* número médio de mutações */ #define m (double)0.5
/* número de passos */ #define T 1000

#define rmaxint (double)4294967296.0

/* PROGRAMA evolui

Realiza a evolução de uma população com P indivı́duos.

*/

int r=R|1,rf=16807,i,j,k,b,t,p,M=m,bit[32],I[P],N[P];
unsigned fm,tprint,tmed,S[33];
double d=0.0,dm=0.0,mt=0.0,fp;
A.7. CAPÍTULO 7 135

main() {

tprint = T/1000; if(tprint==0) tprint = 1; tmed = 0.9*T;


fm=(m-M)*rmaxint;
bit[0] = 1; S[0] = x*rmaxint;
for(b=1; b<32; b++) {S[b] = x*S[b-1]; bit[b] = bit[b-1]<<1;}
S[32] = x*S[31];
for(i=0; i<P; i++) I[i] = N[i] = 0;
printf("\n tempo bits 1 mortes");
for(t=0; t<=T; t++) {
if((t%tprint)==0) printf("\n %10d %8.4lf %8.4lf",t,d,mt);
p = P; i = j = 0;
while(i<p) {
r *= rf;
if((unsigned)r>S[N[i]]) {j++; p--; N[i] = N[p]; I[i] = I[p];}
else i++;
}
if(p==0) {printf("\n\n população extinta\n\n"); return;}
mt = (double)j/P; fp = p/rmaxint;
for(i=p; i<P; i++) {
r *= rf; j = (unsigned)r*fp; I[i] = I[j]; N[i] = N[j];
for(k=0; k<M; k++) {r *= rf; b = bit[(unsigned)r>>27]; I[i] ˆ= b;}
r *= rf; if((unsigned)r<fm) {
r *= rf; b = bit[(unsigned)r>>27]; I[i] ˆ= b;
}
if(I[i]!=I[j]){b = I[i]; N[i] = 0; while(b) {b &= b-1; N[i]++;}}
}
d = 0.0; for(i=0; i<P; i++) d += N[i]; d /= 32*P;
if(t>tmed) dm += d;
}
printf("\n\n fração de bits 1 nos últimos %d passos = %8.4lf\n\n"
,T-tmed,dm/(T-tmed));