Modelo Lotka-Volterra: estudo anal tico e qualitativo

1 Introduo/Justicativas ca

A pesquisa no campo da matemtica aplicada tem tomado um grande impulso neste a ultimo sculo. O grande desenvolvimento tecnolgico das cincias mdicas, biolgicas, e o e e o f sicas, qu micas, entre outras, tem impulsionado os pesquisadores ` investigao de a ca problemas atravs da conexo das vrias reas existentes. e a a a Neste trabalho estamos interessados em estudar a modelagem matemtica aplicada a aos fenmenos biolgicos, utilizando a Teoria Fuzzy. A Teoria Fuzzy utilizada em o o e problemas incertos fazendo com que tenhamos resultados mais precisos do que com a Teoria Clssica. A aqui daremos nfase ao estudo do modelo de Lotka-Volterra dado a e por: x = ax xy

y = by + xy onde x: densidade de presas; y: densidade de predadores; a: taxa de crescimentos de presas;

(*)

b: taxa de mortalidade de predadores; : taxa de mortalidade das presas devido a interao da presa com o predador; ca : taxa de converso de biomassa de presas capturadas em predadores. a O problema estudar a estabilidade do modelo de Lotka-Volterra supondo que os e coecientes no sejam constantes. Avaliar se surgem outros pontos cr a ticos alm dos e clssicos e o comportamento dos mesmos. Implementar alguns mtodos nmericos a e u para a anlise do modelo clssico bem como estud-lo no contexto fuzzy, utilizando a a a regras fuzzy(toolbox software Matlab). 1

Resultados e Discusses o

A seguir, discutiremos alguns conceitos a respeito de equaes diferenciais ordinrias co a e tambm de Algebra Linear relativos a sistemas lineares. A partir destes cone ceitos faremos a anlise de dinmicas populacionaise estudaremos o Modelo de Lotkaa a Volterra.Discutiremos alguns mtodos nmericos relativos a soluoes aproximadas de e u c EDOs, assim como a utilizaao destes mtodos para obtermos as soluoes aproxic e c madas do modelo de Lotka-Volterra. Deniremos alguns conceitos bsicos da Teoria a de conjuntos fuzzy, Lgica fuzzy, e por ultimo Sistemas baseados em regras fuzzy,. o

2.1

Conceitos Preliminares

Deniremos conceitos bsicos de uma equaao diferencial ordinria de ordem n, e a c a daremos algumas nooes de Algebra Linear, que sero fundamentais para o estudo da c a estabilidade dentro da anlise qualitativa das solues de EDOs. a co Denio 1. Dizemos que uma equao diferencial ordinria se a funo incgnita ca ca e a ca o depende de uma unica varivel independente, isto , a e dn x = f (t, x, x , x, ..., xn1 ). dtn equao. ca Uma equaao diferencial ordinria (EDO) de ordem n linear se da forma c a e e a0 (t) dn x dn1 x dx + a1 (t) n1 + ... + an1 (t) + an x = g(t), n dt dt dt (2) (1)

A ordem da equao estabelecida pelo maior grau da derivada que aparece na ca e

onde aj , j=1,...,n e g(t) so cont a nuas e dependem apenas da varivel t. As EDO S a que no podem ser escritas como (2) so ditas no lineares. a a a Uma equaao diferencial dita homognea se g(t) = 0. A soluo geral de uma c e e ca EDO a fam de todas as curvas que satisfazem (1). e lia 2

Dado um ponto P0 = (t0 , yo ) xado, se existir uma curva x(t) passando por P0 e satisfazendo (1), ento x denominado soluao do problema de Cauchy, ou seja, a e c dx = f (t, x) dt , x(t0 ) = x0 e ca onde x(t0 ) = x0 a condio inicial, x0 Rn . Como neste trabalho daremos nfase ao estudo de sistema de EDOs de primeira e ordem ento enunciaremos a seguir o Teorema de Existncia e Unicidade para um a e sistema de EDOs de primeira ordem.Veja mais detalhes em [3] Considere o sistema de equaes diferenciais ordinrias de primeira ordem co a Com condioes iniciais c x1 (t0 ) = x0 , x2 (t0 ) = x0 , . . . , xn (t0 ) = x0 1 2 n e co Teorema 1. [3] (Existncia e Unicidade.) Sejam as funes F1 , F2 , . . . , Fn e as derivadas parciais
F1 F1 n , . . . , xn , . . . , Fn , . . . , Fn , x1 x1 x

(3)

dx1 = f1 (t, x1 , x2 , . . . , xn ) dt dx2 = f2 (t, x1 , x2 , . . . , xn ) dt , ........................... dxn = fn (t, x1 , x2 , . . . , xn ) dt

(4)

cont nuas na regio R do espao a c

tx1 , x2 , . . . , xn denido por < t < ,1 < t1 < 1 ,. . .,n < tn < n , e seja a a (t0 , x0 , x0 , . . . , x0 ) um ponto em R. Ento h um intervalo | t t0 |< h no qual n 2 1 s existe uma unica soluo x1 = (t), . . . , xn = (t) do sistema de equaes difereno ca co ciais (4), que tambm obedece as condies inicais. e co A seguir exemplicaremos uma EDO de primeira ordem que descreve a relao ca do tamanho dos rgos do corpo de um determinado indiv o a duo. 3

Exemplo 1. [2] O Princ pio da Alometria Estabelece que em um indivduo, a relao entre os crescimentos espec ca cos (relativos) de seus rgos constante. o a e Sejam x(t) e y(t) os tamanhos dos rgos ou partes distintas do corpo de um o a mesmo indivduo, em um instante t. O modelo matemtico que representa o princ a pio da alometria dado por uma EDO: e 1 dy 1 dx = , x dt y dt

(5)

onde x(t) > 0, y(t) > 0, t 0 e a taxa de proporcionalidade do crescimento e relativo, ou o coeciente de alometria. Em (4) x e y so independentes de t. Pela a regra da cadeia temos que (4) pode ser reescrita na forma: dx x = dy y ou dy y = , dx x (6)

separando as variveis e integrando, temos a dx dy = ln x = ln y + k, x y onde k a constante de integrao e pode ser escrita como k = ln a (a > 0). Assim e ca ln x = ln (ay ) x = ay . (7)

A equao (7) a soluo de (6) e fornece a relao alomtrica entre as variveis x ca e ca ca e a e y. A seguir apresentaremos alguns conceitos de lgebra linear, relativos a sistemas a lineares, para os quais sero utilizadas para a anlise de sistemas de EDO S lineares. a a Denio 2. Seja A uma matriz n n sobre o corpo R, um autovalor de A em R ca e um escalar c em R tal que Ax = cx, para algum vetor x no nulo Rn . Dizemos que a x um autovetor de A associado ao autovalor c, onde os autovetores formam uma e base para o autoespao de A. Alm disso, de Ax = cx, temos c e (A cI)x = 0, onde I a matriz identidade. e 4 (8)

Denio 3. Dado (8) denimos o polinmio caracter ca o stico de A da seguinte forma: p(c) = det(A cI) = (1)n cn + (1)n1 cn1 a1 + ... + an = 0, onde os autovalores de A em R so as razes de p(c). a Os autovetores correspondentes aos autovalores distintos so linearmente indepena dentes e a Matriz P cujas colunas so os autovetores de A no-singular. Quando a e a A no singular, podemos diagonalizar A, isto , podemos ter uma matriz P tal que e a e P 1 AP = diag(ci ). Veja a deniao (4)a seguir c a Denio 4. Para qualquer matriz quadrada A de ordem n existe uma matriz no ca singular T tais que 1 T AT = Jn1 (c1 ) 0 . . . 0 0 ... 0 0 . . . 0 0 . . . Jn2 (c2 ) . . . . . . . . . 0 , (9)

. . . 0 Jnr (cr )

onde ci so os autovalores (no necessariamente distintos) de A e n1 +n2 +...+nr = n a a e os Jni (ci ), so denominados blocos de Jordan. a Denio 5. Um sistema de n equaes diferencias lineares de primeira ordem um ca co e sistema x = Ax, onde A a matriz de ordem n, cujas entradas representam os coecientes constantes e do sistema de EDOS e x Rn um vetor. e Por exemplo, se n = 2 na denio (5), temos ca x = a11 x1 + a12 x2 1 , x = a21 x1 + a22 x2
2

onde a11 , a12 , a21 e a22 so nmeros reais dados. Assim a matriz dos coecientes a u associada ao sistema de equaoes diferenciais acima dada por: c e a11 a12 a21 a22 .

Encontrado os autovalores atravs do polinmio caracter e o stico, temos que estes podem ser: reais e distintos; reais e iguais; complexos e distintos. Veja mais detalhes em [1].

2.2

Linearizao ca

Na maioria dos casos no podemos obter solues expl a co citas de EDOs, o qual denominamos o mtodo anal e tico das soluoes. Um resultado muito utilizado nestes casos c o Teorema de Hartman-Grobman que garante a equivalncia do comportamento e e das solues do sistema no linear com o linearizado. Tanto este resultado, como co a o mtodo das isclinas so formas qualitativas de anlise de sistemas de EDO S. e o a a A seguir denotaremos a Matriz Jacobiana, que a matriz cujos elementos so as e a derivadas primeiras da funao vetorial f (x) = (f1 , f2 , ..., fn ), por Df (x). c

Denio 6. Dado um sistema de equaes diferenciais x = f (x), dizemos que x ca co e ponto de equilbrio de f se f () = 0. x Consideremos o seguinte sistema no-linear a x = f (x), onde f : A Rn , A Rn . e brio hiperblico se o Denio 7. Um ponto de equilbrio x de f um ponto de equil ca todos os autovalores da matriz jacobiana, Df (), de f tem parte real diferente de x zero. 6 (10)

Suponhamos que x = 0 ponto de equil e brio hiperblico. Neste caso as soluoes o c de (10), numa vizinhana adequada da origem tem comportamento equivalente ao c das soluoes do sistema linearizado c y = Df (0)y. (11)

Teorema 2. (Hartman-Grobman:) [1] Se 0 um equil e brio hiperblico de (10), ento o a o sistema dinmico dado por esta equao topologicamente equivalente ao sistema a ca e dinmico dado pela equao (11). a ca Agora vamos caracterizar a estabilidade de um sistema linearizado. ca brio. Ento o ponto de a Teorema 3. [1] Sejam f uma funo C 1 e x ponto de equil equil brio x : e (a) assintoticamente estvel, se todos os autovalores da matriz Jacobiana Df () tm a x e parte real negativa; (b)instvel, se pelo menos um dos autovalores da matriz Jacobiana Df () tem parte a x real positiva. Considerando o sistema de EDOS lineares no plano x = Ax e utilizando o conceito de forma cannica de Jordan, podemos classicar o equil o brio da seguinte maneira: Caso 1: autovalores reais e distintos. J= 1 0 0 2

Neste caso a soluao yi = ci ei t , i = 1, 2, .... c e (a) se os autovalores tem sinais iguais, isto , 2 < 1 < 0, 1 < 2 < 0, (b), e 2 > 1 > 0 ou 1 > 2 > 0ento o equilbrio e um n estvel; a o a (b)se os autovalores tem sinais opostos, isto , 1 < 0 < 2 ou 2 < 0 < 1 , ento o e a equil brio um ponto de sela. e 7

Caso 2: autovalores reais iguais. 0 J=

Logo as solues so dadas por y1 = c1 et e y2 = (c2 + c1 t)et . co a (a) Para < 0, a trajetria passa no ponto (c1 , c2 ) e t = 0 e tende a zero para o o tempo variando.Temos aqui n imprprio estvel; o o a (b) Para > 0, a trajetria vai para o innito para o tempo variando.Temos aqui n o o imprprio instvel; o a (c) Para = 0, temos a estrela com trajetrias tendendo para a origem ou se afastando o conforme o sinal negativo ou positivo dos autovalores. Caso 3: autovalores complexos = i, J=

Se = 0 e = 0, temos que a soluao em coordenadas polares (r, ) dada por: c e r(t) = r0 et , e (t) = 0 t. Logo, se: < 0 < , o raio r decresce com o tempo, fazendo com que as trajetrias tendam o para a origem no sentido horrio, pois o ngulo decresce com o tempo. A origem a a ento um foco estvel ou um ponto espiral. Se tanto quanto forem negativos a e a temos apenas o sentido anti-horrio. a Se e forem positivos, temos que as trajetrias estaro espiralando para fora no o a sentido anti-horrio. Ento a origem ser estvel. a a a a Se = 0 e > 0, temos que r permanece constante quando decresce e a trajetria o estar se movendo sobre um circulo fechado em sentido horrio e se < 0, temos o a a sentido anti-horrio. Aqui a origem um centro. a e

2.3

Modelos de Dinmica Populacional a

Antes de iniciarmos o estudo do Modelo Lotka-Volterra, consideraremos os modelos unidimensionais de Malthus e Verhulst. 1. Crescimento Exponencial ou Modelo de Malthus [3]: Seja y = y(t) a populao da ca espcie dada no instante t. A hiptese mais simples sobre o crescimento populacional e o que a taxa de variaao de y proporcional ao tamanho da populao y, isto , e c e ca e dy = ry, dt onde r a constante de proporcionalidade. e (12)

Resolvendo a equaao (12) com a condio inicial y(0) = y0 , obtemos y = y0 ert . c ca Biologicamente nos diz que haver exploso demogrca, caso no haja controle. a a a a 2. Crescimento Log stico ou Verhulst [3]: Aqui existe um fator limitante em (12) o qual pode ser representado por uma funo h(y) e assim obtemos: ca dy = h(y)y, (13) dt onde h(y) > 0 quando y for pequeno e h(y) < 0 quando y for grande . Uma funao c que tem essa propriedade h(y) = r ay, onde a constante positiva. Substituindo e e essa funao em (13), obtemos c dy = (r ay)y, dt (14)

denominada Equaao de Verhulst. c A seguir daremos o exemplo de um modelo no linear de competiao e o analisa c aremos via Teorema de Linearizao Hartman-Grobman. ca Exemplo 2. Consideremos o sistema de competio . ca
dy dt dx dt

= x(1 x y) ,

= y(0, 75 y 0, 5x) 9

onde x e y so positivos e a constante 1 multiplicando a varivel y na primeira a a equao e o 0, 5 multiplicando a varivel x na segunda equao representam a interca a ca ferncia de uma espcie na outra . e e (a) Vamos encontrar os pontos crticos (equilbrio do sistema) resolvendo o sistema de equaes algbricas co e x(1 0, 5y) = 0, y(0, 75 + 0, 25x) = 0. Da, obtemos P1 = (0, 0), P2 = (1, 0), P3 = (0, 0.75) e P4 = (0.5, 0.5). (b) Consideremos a linearizao em cada ponto Pi = (i , yi ), como a matriz jacoca x 1 2i yi x i x biana dada por: J(i , yi ) = e x , 0, 5i y 0, 75 2i 0, 5i y x

Assim: J(0, 0) =

, 0 0, 75 que nos d os autovalores: c1 = 1 e c2 = 0, 75. a Logo os autovalores so reais distintos e positivos, da P1 = (0, 0) um n instvel. a e o a Analogamente, fazendo para P2 = (1, 0) e P3 = (0, 0.75), teremos ponto de sela e para P4 = (0.5, 0.5), teremos n estvel. o a Concluso: P1 , P2 e P3 so pontos instveis e representam a extino de um ou ambas a a a ca espcies, enquanto que P4 um ponto estvel e representa a sobrevivncia das duas e e a e espcies. e Finalmente, podemos estudar o modelo Lotka-Volterra que um modelo predadore presa em que uma das espcies se alimenta da outra. Aqui no podemos aplicar a e a Linearizao, pois o equil ca brio no nulo, que o objeto principal de nosso estudo, no a e a

hiperblico. e o

10

2.4

Modelo Lotka-Voterra

Faremos a anlise do sistema (): a (a) Os pontos cr ticos do sistema () so as soluoes de: a c x(a y) = 0 y(b + x) = 0,
a b b a isto , P1 = (0, 0), P2 = (0, ), P3 = ( , 0) e P4 = ( , ). e

Podemos vericar que P1 ponte de sela, portanto este no tem signicado e a biolgico, pois no existem presas e nem predadores. Para P2 , temos que x = 0, o a logo na ausncia da presa o nmero de predadores diminui e para P3 , y = 0, logo na e u ausncia do predador o nmero de presas aumenta. e u
b a Ento o que nos interessa e analisar o ponto cr a tico P4 = ( , ), onde h coma

petiao: c 0
a b

A matriz jacobiana dada por: e

b a J( , )

=A=

nos d os autovalores :c = i ab, que so imaginrios puros, portanto o equil a a a brio no hiperblico. Assim vamos estudar o comportamento das soluoes via plano de a e o c fase,no qual no aparece a varivel t. Note que () pode ser reduzido a uma unica a a equao, ca dy = dx
dy dt dx dt

y(b + x) . x(a y)

(15)

A equaao (15) separvel e tem soluao c e a c a ln y y + b ln x x = C, (16)

onde C uma constante de integrao. Utilizando o mtodo de grco de Volterra e ca e a vericamos que (16) uma cura fechada, para C xo, em torno do ponto cr e tico 11

P4 (Veja [9]). Logo, o ponto cr tico um centro que passa pela origem do sistema e no linear (). As variaoes c a c clicas das populaoes de predadores e de presas pode c
b a ser analisadas em mais detalhes quando os desvios em relao ao ponto ( , ) so ca a

pequenos, assim: x=

b b + K cos( abt + )

a a b + K sin( abt + ), (17) a onde K e so determinadas pelas condies iniciais. As equaes (17) so a co co a y=
b a boas aproximaoes para as trajetrias quase el c o pticas perto do ponto cr tico ( , ).

Podemos us-las para determinar e tirar diversas concluses sobre a variao c a o ca clica das populaoes de predadores e de presas em tais trajetrias. c o Concluses: o Os tamanhos das populaoes de predadores e de presas variam de forma senoidal c com per odo 2 ab. Este independente da condioes iniciais. e c As populaoes de predadores e presas esto defasadas por um quarto de ciclo. c a O nmero de presas aumenta primeiro, depois aumenta o nmero de predadores. u u As populaes mdias de predadores e de presas em um ciclo completo so co e a
a , b

respectivamente. Elas so iguais a populaes de equil a co brio. A seguir discutiremos alguns mtodos nmericos. e u

2.5

Mtodos n mericos para soluo aproximada de EDOs e u ca

Algumas EDOs, no podem ser resolvidas analiticamente (em [2]temos alguma teca nicas para encontrar soluoes anal c ticas de equaoes diferenciais ordinrias), neste c a caso os mtodos nmericos tm sido uma importante ferramenta, para a anlise de e u e a modelos prticos ou ainda, para algumas conjecturas. a Consideraremos a seguir o Mtodo de Euler. e

12

2.5.1

Mtodo de Euler e

Por convenincia tomemos um problema de valor inicial de primeira ordem, cone stitu pela equaao diferencial do c dy = f (x, y) dx e pela condiao inicial c y(0) = y0 (19) (18)

Vamos admitir que as funoes f e fy so cont c a nuas num certo dom nio retangular do plano xy que contm (x0 , y0 ). Do Teorema 1 segue que existe uma unica soluao e c y = (x) para o dado problema num intervalo em torno de x0 . Uma vez que x0 e y0 so conhecidos, o coeciente angular da reta tangente ` a a curva conhecido, ou seja, (x0 )=f (x0 , y0 ) tambm conhecida. Portanto, podemos e e e construir a tangente a soluo em x0 e obter um valor aproximado y1 de (x1 ), ca mediante um deslocamento sobre a reta tangente desde x0 at x1 , tal que e y1 = y0 + (x0 )(x1 x0 )

y1 = y0 + f (x0 , y0 )(x1 x0 )

(20)

Repetindo este processo, usamos o valor de y calculado em cada passo para determinar o coeciente angular da aproximaao do passo seguinte, obtendo a frmula c o geral yn+1 = yn + f (xn , yn )(xn+1 xn ) (21)

Se admitirmos que o incremento h entre os pontos x0 , x1 , x2 , . . ., seja uniforme , ento xn+1 = xn+h , obtemos o Mtodo de Euler ou da Tangente para resoluao a e c nmerica de EDOs, que u e 13

yn+1 = yn + hf (xn , yn )

(22)

Mas este mtodo apresenta erros considerveis no resultado. A m de conseguir e a resultados mais precisos podemos obter uma frmula mais exata e mais eciente para o substituir a equao (24) ca Uma delas a formula de Euler aprimorada, dada por e h yn+1 = yn + f (xn , yn) + f [xn + h, yn + hf (xn , y + n)] 2 outra a frmula de Taylor com trs termos, por exemplo: e o e yn+1 = yn + hyn + (23)

h2 y + E3 (24) 2 n onde yn = f (xn , yn ) , yn = fx (xn + yn ) + fy (xn , yn )yn e E o erro associado a frmula e o (25). A seguir deniremos o mtodo de Runge-Kutta,cujos atrativos so simplicidade, e a alta preciso e versatilidade nas aplicaes. a co 2.5.2 Mtodo de Runge-Kutta e

Existem algumas verses do mtodo de Runge-Kutta, como, Runge-Kutta de seo e gunda, terceira e quarta ordem. Dentre estas a mais utilizada a de Runge-Kutta de e quarta ordem devido sua maior preciso nos resultados. Sendo assim neste trabalho a discutiremos apenas o mtodo de Runge-Kutta de quarta. Este mtodo apresenta e e um erro de frmula local proporcional a h5 . Assim duas ordens de grandeza mais o e exato que o de Euler Aprimorado e o de Taylor com trs termos, e trs ordens de e e e grandeza mais exato que o mtodo de Euler simples. e A frmula de Runge-Kutta de quarta ordem envolve uma mdia ponderada dos o e valores f (x, y) tomados em diferentes pontos do intervalo tn 1 tn+1 . E dada por: yn+1 = yn + h (kn1 + 2kn2 + 2kn3 + kn4 ) 6 onde kn1 = f (xn , yn ) 14

kn2 = f (xn + h , yn + 2 kn3 = f (xn + h , yn + 2

hkn1 ) 2 hkn2 ) 2

kn4 = f (xn + h, yn + hkn3 ) A seguir, utilizaremos os mtodos de Runge-Kutta de quarta ordem e o de Euler e simples para obter a soluao aproximada do sistema de equaoes do modelo Lotkac c Volterra os quais podem implementados no Matlab. Algoritmo Runge-Kutta de quarta ordem para o modelo Lotka-Volterra Dados x0 , y0 , a, , b, ,f (x, y) = a x x y e g(x, y) = b y + x y Dena o a malha h e o passo K; Para n = 0..K faa c x(0) = x0 y(0) = y0 kn1 = f (xn , yn ) ln1 = g(xn , yn ) kn2 = f (xn + ln2 = g(xn + kn3 = f (xn + ln3 = g(xn +
hkn1 , yn + hln1 ) 2 2 hkn1 , yn + hln1 ) 2 2 hkn2 , yn + hln2 ) 2 2 hln2 hkn2 , yn + 2 ) 2

kn4 = f (xn + h kn3 , yn + h ln3 ) ln4 = g(xn + h kn3 , yn + h ln3 ) xn+1 = xn + yn+1 = yn +
h (kn1 + 2kn2 + 2kn3 + kn4 ) 6 h (ln1 + 2ln2 + 2ln3 + ln4 ) 6

Algoritmo de Euler para o modelo Lotka-Volterra Dados x0 , y0 , a, , b, ,f (x, y) = a x x y e g(x, y) = b y + x y Dena o passo K Para n = 1..K faa c x(1) = x0 y(1) = y0 h= 0,1 15

xn+1 = xn + h f (xn , yn ) yn+1 = yn + h g(xn , yn ) Veja mais detalhes em [3] e [8]. Discutiremos alguns conceitos e denies sobre conjuntos fuzzy. co

2.6

Conjuntos fuzzy

Conceitos subjetivos sempre estiveram presentes em nosso cotidiano e apesar de suas incertezas so perfeitamente compreendidos. E o caso de conceitos como alto, a taxa de glicose, infeccioso, etc. Observando o exemplo taxa de glicose, consideremos o caso taxa de glilcose alta. Existem pelo menos duas abordagens matemticas para o caso: A primeira, mais a clssica, seria considerar a partir de valor uma pessoa seria diabtica (possuiria taxa a e de glicose alta), isto , um indiv e duo com taxa de glicose acima de 110 mg/dl e cosiderado diabtico, porm um outro indiv e e duo com uma taxa de 109,999 mg/dl no a considerado diabtico. Neste caso o conjunto est bem denido. Outra formale e a izao seria considerar que todos os indiv ca duos so diabticos s que algumas com a e o maior intensidade que outras, ou seja, existem pessoas que esto associadas ` classe a a dos diabticos, com maior ou menor pertinncia. Esta segunda abordagem a que e e e trataremos neste trabalho. Foi a partir de problemas como este denidos por conceitos e variveis incertas a que surgiu a Teoria de Conjuntos Fuzzy, a qual deniremos nas prximas sees. o co Denio 8. Seja U Rn um conjunto(clssico). Um subconjunto fuzzy F de U ca a caracterizado por uma funo : U [0, 1] chamada funo de pertinncia do e ca ca e conjunto fuzzy F. O valorF (x) [0, 1] indica o grau de pertinncia do elemento x de U em relao e ca ao conjunto fuzzy F. Os valores F (x) = 0 eF (x) = 1 indicam respectivamente, pertinncia nula ou e pertinncia plena de x em relaao a F. e c 16

A seguir deniremos operaoes entre conjutos fuzzy. c 2.6.1 Operaoes entre conjuntos Fuzzy c

Sejam A,A e B dois subconjuntos fuzzy de U, tais que: A unio entre A e B um conjunto fuzzy, cuja funao de pertinncia dada por a e c e e A S B (x) = min{A (x), B (x)}, x U . A intersecao entre A e B o conjunto fuzzy, cuja funao de pertinncia dada c e c e e por A T B (x) = min{A (x), B (x)}, x U . O complemento de A o conjunto fuzzy A cuja funao de pertinncia dada e c e e por A (x) = 1 A (x), x U . Exemplo 3. .Suponha que o conjunto universo U seja composto pelos pacientes de uma clnica, identicados pelos nmeros 1,2 e 3.Sejam A e B os conjuntos fuzzy que u representam os pacientes com hipertenso e problemas card a acos, respectivamente. A tabela abaixo ilustra a unio, interseco e o complemento entre os dois conjuntos, a ca onde A e B so supostamente dados. a Paciente 1 2 3 Na coluna A Hipertenso(A) 0,5 1,0 0,7 Problemas Cardacos(B) 0,5 1,0 0,2 A B A B A 0,5 0,0 0,3 A A 0,5 0,0 0,3

0,5 1,0 0,7

0,5 1,0 0,2

A , o valor 0, 3 indica que o paciente 3 est tanto no grupo dos a

hipertensos como no dos no-hipertensos. Este um fato inadim a e ssivel na teoria clssica de conjuntos. a A seguir deniremos os n veis de um conjunto fuzzy, que so importantes para a executar operaoes entre nmeros fuzzy. c u

17

2.6.2

N veis de um Conjunto Fuzzy

Denio 9. Sejam A um conjunto fuzzy e [0, 1], denimos como nivel de ca A o conjunto [A] = {x U : A (x) } Denio 10. O suporte de um conjunto fuzzy so todos os elementos de U que tm ca a e grau de pertinncia diferente de zero em A e denotamos por supp(A).supp(A) = {x e U ; A > 0} A seguir deniremos nmeros fuzzy. u 2.6.3 N meros Fuzzy u

Assim como no caso clssico, aqui tambm temos o objetivo de fazer calculos. A a e diferena que aqui pretendemos calcular quantidades imprecisas. Para isto criarec e mosobjetos que generalizam os nmeros reais. Tais objetos sero chamados nmeros u a u fuzzy(Klir e Yuan, 1995). Denio 11. Um conjunto fuzzy A chamado de nmero fuzzy quando o conca e u junto universo,onde A est denido, o conjunto dos nmeros reais(R) e satisfaz as a e u condies: co 1.Todos os niveis de A so no-vazios; a a 2.Todos os niveis de A so intervalos fechados de R; a 3.O suporte de A limitado. e Com a deniao acima todo nmero real um particular nmero fuzzy,cuja funao c u e u c de pertinncia a sua funo caracteristica: e e ca Cr (x)= 0 se x = r , 1 se x = r

(25)

Denotaremos aqui Cr por r. Denotaremos por (R) o conjunto de todos os nmeros fuzzy. Os nmeros fuzzy u u mais comuns so os triangulares, os trapezidais e aqueles com formato de sino. a o 18

Exemplo 4. Um nmero fuzzy A dito triangular se sua funo de pertinncia da u e ca e e forma para abc. O grco de um nmero fuzzy triangular tem a forma de um tringulo, tendo a u a como base o intervalo [a, c] e como unico vrtice fora da base, o ponto (b, 1). e A seguir deniremos as operaes adiao entre nmeros fuzzy e multiplicao de co c u ca nmero fuzzy por um escalar, atravs dos niveis dos conjuntos fuzzy envolvidos. u e 2.6.4 Operaoes Aritmticas com N meros Fuzzy c e u 0 se x < a
xa ba xc bc

se a x b se b x c 0 se x > c

(26)

Teorema 4. Se A e B so dois Nmeros fuzzy e um nmero real, ento para a u u a todo [0, 1], tem-se: [A + B] = [A] + [B] = {a + b : a Aeb B} e [A] = {a : a A} Exemplo 5. Vamos fazer a multiplicao do nmero real 1 pelo nmero fuzzy logo ca u u 4, [2(4)] = {8}, para todo (0, 1] Na prxima seao deniremos os conceitos de relaao fuzzy. o c c 2.6.5 Relaes Fuzzy co

Matematicamente o conceito de relaao formalizado a partir da teoria de conjuntos. c e Assim, intuitivamente pode-se dizer que a relaao ser fuzzy quando optamos pela c a teoria fuzzy e clssica quando optamos pela teoria clssica. Qual dos modelos utilizar a a depende do problema em questo. Porm a Teoria Fuzzy possui maior robustez no a e sentido que ela inclui a teoria clssica de conjuntos. Vejamos algumas denies a co importantes sobre relaes fuzzy. co 19

Denio 12. Uma co-norma triangular (s-norma) uma operao binria s : ca e ca a [0, 1] [0, 1] [0, 1],satisfazendo: Comutatividade : xsy=ysx; Associatividade:xs(ysz)=(xsy)sz; Monotonicidade: Se x y e w z ento xsw ysz; a Condies de fronteira: xs0=x,xs1=1. co Denio 13. Uma norma triangular (t-norma) uma operao binria t : [0, 1] ca e ca a [0, 1] [0, 1], satisfazendo: Comutatividade:xty = ytx; Associatividade:xt(ytz) = (xty)tz; Monotonicidade: Se x y e w z ento xtw ytz; a Condies de fronteira: xt0 = 0, xt1 = x. co ca e Denio 14. Uma relao fuzzy R, sobre U1 U2 . . . Un , qualquer subconjunto ca fuzzy do produto cartesiano U1 U2 . . . Un .Se o produto cartesiano for formado apenas por dois conjuntos U1 U2 , a relao fuzzy chamada de relao binria fuzzy ca e ca a sobre U1 U2 . Denio 15. O produto cartesiano R(x1 , x2 , ..., xn ) dos subconjuntos fuzzy A1 , A2 , ..., An ca de U1 , U2 , ..., Un a relao fuzzy R(x1 , x2 , . . . , xn ) = A1 (x1 ) e ca onde a t-norma min. e A2 (x2 ) ... An (xn ),

Exemplo 6. [9] Considere, num determinado ecossistema, U como a comunidade das populaes de guias(a), cobras(c), insetos(i), lebres(l)e sapos(s). Um estudo co a de interesse entre os indivduos desta populao o da predao.Isto , da relao ca e ca e ca presa-predador. Ao optar-se pela relao entre dois indiv ca duos deste ecossistema, esta pode ser modelada matematicamente por uma relao binria R, com R(x, y) = 0 se x predador ca a e de y e R(x, y) = 0 se x predador de y, onde x e y representam indiv e duos do conjunto U . 20

Se o interesse sobre a relao for apenas para indicar quem predador e quem ca e e presa neste conjunto U , ento pode-se optar pela teoria clssica e R uma relao a a e ca binria clssica e, neste caso, a a R(x, y) = 1 se x f orpredadordey

0 se x nof orpredadordey. a

(27)

Se h interesse em estudar, por exemplo, a preferncia de alguma presa por parte a e do predador na comunidade U , ento um boa opo que R seja uma relao fuzzy. a ca e ca Neste caso, R(x, y) indica o grau com que x tem preferncia por y. Supondo que no e a haja diferenas nos graus de predao dentro de cada espcie, uma possibilidade para c ca e R(x, y), tambm de acordo com um especialista, est ilustrada na tabela abaixo, onde e a representamos os diversos graus R(x, y) R a c i l s a 0 0 0 0 0 c 1 0,2 0 0 0 i 0 0 0,2 0 1 l 1 0,8 0 0 0 s 0,2 1 0 0 0,1

A seguir deniremos Lgica Fuzzy e o Sistema Baseado em Regras Fuzzy. o

2.7

Lgica Fuzzy e Sistemas baseados em Regras Fuzzy o

Num amplo sentido,a lgica fuzzy uma rea de aplicao da teoria de conjuntos o e a ca fuzzy. Ela utiliza conceitos, princ pios e mtodos desenvolvidos a partir de conjuntos e fuzzy para trabalhar com modelos de signicados que so aproximados em vez de a exatos. A lgica fuzzy utiliza como elementos simblicos as variveis lingu o o a sticas. As variveis lingu a sticas, traduzidas por conjuntos fuzzy, so utilizados para transcrever a 21

a base de conhecimento atravs de uma coleao de regras fuzzy, denominadas base de e c regras,que discutiremos a seguir. 2.7.1 Base de regras

A base de regras tm a seguinte forma: e R1 : proposiao fuzzy 1 c R2 : proposiao fuzzy 2 c ..................... Rn :proposio fuzzy n ca Podemos dizer que Controladores Fuzzy so particulares sistemas especialistas a para os quais a base de conhecimento dada por uma base de regras onde cada e proposiao fuzzy tem a forma: c Se condiao ento ao c a ca cada condiao(se...) tambm chamada de antecedente e cada aao(ento...) c e c a tambm chamada de consequente so estados assumidos por variveis lingu e a a sticas. A base de regras modelada por meio de uma relaao fuzzy. Os conectivos e c lgicos e e ou so modelados por t-normas e s-normas, respectivamente. J as o a a proposioes SE...ento no so necessariamente modeladas por implicaoes fuzzy, pois c a a a c representam uma aao a ser tomada a partir de certas condies. c co A seao seguinte trata da metodologia de controladores fuzzy e indica os mdulos c o bsicos para sua obtenao. a c 2.7.2 Controlador Fuzzy

Em geral para um sistema fuzzy qualquer, a cada entrada fuzzy faz corresponder uma sa fuzzy. No entanto espera-se que a cada entrada que seja um ponto de Rn faa da c corresponder uma sa real. Neste caso, um sistema fuzzy uma funo de Rn em da e ca R. Os mdulos seguintes indicam um roteiro para construao desta funao. o c c Mdulo de fuzzicaao: Juntamente com um especialista do fenmeno a ser o c o

22

modelado as funes de pertinncia so formuladas para cada conjunto fuzzy envolvido co e a no processo. Mdulo da base de regras: E neste ponto que as variveis e suas classicaes o a co lingu sticas so catalogadas para, posteriormente, serem modeladas por conjuntos a fuzzy, isto , funes de pertinncia. e co e Mdulo de inferncia Fuzzy: E neste mdulo que cada proposio fuzzy traduzida o e o ca e matematicamente por meios de tcnicas fuzzy. e Mdulo de Defuzzicaao:E o processo de representar um conjunto fuzzy por um o c nmero real. u A seguir discutiremos os dois principais mtodos de Inferncia, o de Mandani e o e e de Tagashi-Sugeno, e os mtodos de deuzicaao. e c 2.7.3 Mtodo de Inferncia de Mandani e e

O objetivo dos controladores fuzzy determinar uma relaao matemtica entre x X e c a e um controle razovel u U para cada x a partir da base de regras. a Mandani prope uma relao fuzzy binria M(x,u) entre x e u para modelar o ca a matematicamente a base de regras. Em cada uma das regras da base de regras fuzzy o procedimento para obteno ca de M(x,u) o seguinte: e Adota-se a t-norma (m nimo) para o conectivo lgico e e a s-norma o (mximo) para o conectivo lgico ou; a o As negaes so modeladas pela aplicaao (1-x), que se referem ao complemento co a c e as inferncias Se...ento so modeladas pela aplicao e a a ca dada por M(x,u)= e
1jn {Aj (x)

A relaao fuzzy M o subconjunto fuzzy de X U cuja funo de pertinncia c e ca e Bj u}, onde n o nmero de regras , Aj (x) e e u Bj (u) so os graus com que x e u esto nos conjuntos fuzzy Aj e Bj , respectivamente. a a

23

2.7.4

Mtodos de Defuzzicao e ca

A pr cipio, qualquer nmero real, que de alguma maneira possa representar razoavelu mente o conjunto fuzzy B pode ser chamado defuzzicador de B. Vejamos alguns mtodos: e Centro de gravidade(G(B)): O centro de gravidade d a mdia das reas de todas a e a as guras que representam os graus de pertinncia de um subconjunto fuzzy. Entre e todos os mtodos de defuzzicaao ele o mais preciso e preferido, mesmo sendo o e c e mais complicado. Para um dom nio discreto, tm-se: e G(B) = Para um dom nio cont nuo, tm-se: e G(B) =
R n i=0 ui B(ui ) n i=0 B(ui )

(28)

uB(u) B(u)

(29)

Mdias dos mximos (M(B)): So levados em conta apenas as regies de maior e a a o possibilidade entre os poss veis valores da varivel que modela o conceito fuzzy em a questo. Neste caso, tm-se: M(B)= s+i , a e 2 onde s= sup{u R : B(u) = maxu B(u)} e i=inf{u R : B(u) = maxu B(u)} Via de regra os controladores fuzzy so compostos de quatro mdulos:fuzzicao,base a o ca de regras,inferncia e defuzzicao. O mtodo de Mandani um caso t e ca e e pico. No entanto, para algumas situaoes o mdulo da defuzzicaao pode ser suprimido. Este c o c e o caso do mtodo de inferncia de Tagashi-Sugeno que iremos descrever . e e 2.7.5 Mtodo de Tagashi-Sugeno e

No mtodo de Tagashi-Sugeno o consequente de cada regra dado explicitamente e e por uma funo dos valores de entrada desta regra. Como ilustrao do mtodo ca ca e podemos imaginar uma base com r regras fuzzy onde cada uma delas tem n entradas (x1 , x2 , . . . , xn ) Rn e uma sa u R. Consideremos as seguintes regras: da 24

R1 : Se x A1 e x2 A1 e . . . e xn A1 ento u1 = g1 (x1 , . . . , xn ) ou e 1 e 2 e n a R2 : Se x A2 e x2 A2 e . . . e xn A2 ento u2 = g2 (x1 , . . . , xn ) ou e 1 e 2 e n a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ou Rr =Se x Ar e x2 Ar e . . . e xr Ar ento u1 = gr (x1 , . . . , xn ) e 1 e 2 e n a onde Aj so subconjuntos fuzzy de R. i a
P

A sa geral do mtodo dada por u = fr (x1 , x2 , . . . , xn ) = da e e

j=1..rj i uj j=1..rj

j=1..rr gj (x1 ,x2 ,...,xn ) P j=i..rj

onde os pesos j so dados por j = Aj 1 Aj (x2 ) . . . 2 Anj (xn ), 1 e 2 so t-normas.Os a a 1 2

pesos j correspondem ` contribuiao de cada regra a sa geral. Os mais comuns a c da de t-normas so o produto e o m a nimo. As diferenas bsicas entre o mtodo de inferncia de Mandani e o de Tagashic a e e Sugeno est na forma de escrever o consequente de cada regra e no processo de a defuzzicao para se obter a sa geral do sistema, porm o Mtodo de Mandani ca da e e e mais simples e mais intuitivo que o de Tagashi-Sugeno.Ambos os mtodos podem ser e utilizados no toolbox fuzzy do pacote Matlab. So inmeras as aplicaes destes mtodos, entre outras, na modelagem matemtica a u co e a onde eles possibilitam expressar com maior preciso os resultados do problema estua dado.

Concluso/Comentrios Finais a a

Um dos mtodos mais ecazes de modelar um problema de sistemas dinmicos e a e utilizar conceitos de EDOS. Porm em diversos casos no interessante fazer uma e a e anlise quantitativa, mas enfocar a questo qualitativa que consiste em estudar o a a comportamento de uma grandeza, sem se preocupar com seus valores reais, analisando crescimento ou decrescimento e estabilidades ou instabilidades em intervalos de tempo. A partir do sistema (7), fez-se o estudo de tpicos de anlise qualitativa obsero a vando os pontos de equil brio (tipos e caracter sticas), onde a funao f interpretada c e 25

como um campo de vetores no espao n-dimensional.Os exemplos foram aplicados em c anlise de dinmicas populacionais: Espcies em competiao e a equaao clssica de a a e c c a problemas do tipo predador-presa (Lotka-Volterra). Usando o algoritmo de Runge-Kutta de quarta ordem e o de Euler para o modelo de Lotka-Volterra, vimos a rapidez e preciso do primeiro para resolver o sistema e a achar sua soluao aproximada e a notvel diferena em termos de preciso que ele c a c a apresenta em relaao ao mtodo de Euler. c e A partir de sistemas baseados em regras fuzzy, podemos fazer o estudo de alguns problemas cujas informaes dispon co veis eram relativamente vagas e vericar que os resultados obtidos nestes exemplos foram signicativos nos mostrando a potencialidade de uso de sistemas fuzzy na modelagem matemtica. a

26

Referncias e
[1] Hale, J. K. e Kocak, H., Dynamics and bifurcations, Springer-Verlag, New York, 1991. [2] Bassanezi, R. C. e Ferreira Jr, W. C. , Equaes Diferenciais com co aplicaes, Harbra, So Paulo,1988. co a [3] Boyce, W. E. e Diprima, R. C. , Equaes Diferenciais Elementares e Probco lemas de Valores de Contorno, LTC, Rio de Janeiro 21 (1968) pp. 467-490. [4] Figueredo, D. G. e Neves, A. F., Equaes Diferenciais Aplicadas, IMPA, co Rio de Janeiro (1997) Rio de Janeiro 1983 [5] Hoffman, e Kunze, , Algebra Linear, LTC, So Paulo 1993. a [6] Bassanezi, R. C. e Barros, L. C. , Introduo ` Teoria Fuzzy aplicaes ca a co em Biomatemtica, Congresso Latino Americano de Biomatemtica, Editora da a a Unicamp, So Paulo 2001. a [7] Klir, G. J e St Clair, Ute H e Yuan,Bo , Fuzzy Set Theory, Prentice Hall PTR, Upper Sadde River, NJ, 1997. [8] Cunha,M. Cristina C., Metdos Numricos, Editora da Unicamp,Campinas, o e So Paulo 2003. a [9] Bassanezi, R. C. e Barros, L. C. , Ensino Apredizagem com Modelagem Matemtica, Editora Contexto, So Paulo 2001. a a

27