Din amica no lineal

Ra ul Carballo Rubio

 Indice
1. Nociones fundamentales acerca de los sistemas din amicos 2. Geometr a de ujos. Estabilidad 3. Bifurcaciones 4. Caos determinista 1 5 17 23

Tema 1 Nociones fundamentales acerca de los sistemas din amicos

Sistema din amico Un sistema din amico es cualquier conjunto de objetos, materiales o conceptuales, denido por una serie de variables dependientes del tiempo. Esta denici on engloba tanto a sistemas mec anicos como un p endulo o un sistema de part culas, como a un modelo de evoluci on econ omica o un colectivo social. Estado Consideremos un sistema din amico, denido por un conjunto de variables. En un momento determinado, estas variables poseen unos valores determinados. Decimos que el estado de un sistema din amico es este conjunto de valores particulares de las variables denitorias. Reglas de evoluci on Como todo sistema real, nuestro sistema din amico presentar a una evoluci on de sus variables en el tiempo. Esta evoluci on puede seguir un cierto patr on, lo que denominaremos reglas de evoluci on. Ecuaciones de evoluci on o del movimiento Para trabajar matem aticamente con un sistema din amico dado y predecir su comportamiento de forma num erica, debemos representarlo en forma de ecuaciones que liguen las diferentes variables xi y posiblemente el tiempo. Estas representaciones pueden ser muy variadas: desde ecuaciones diferenciales de cualquier tipo a ecuaciones de recurrencia o en diferencias. Es decir, plasmamos las reglas de evoluci on del sistema en ecuaciones matem aticas que nos permitir an trabajar con ellas y predecir diversos comportamientos. Sistemas aut onomos y no aut onomos Tal y como denimos anteriormente las ecuaciones de evoluci on del sistema, establecimos que la variable temporal t puede o no aparecer en dichas ecuaciones. 1

Din amica no lineal

En base a esto se genera el siguiente criterio de clasicaci on de los sistemas din amicos: un sistema se dir a aut onomo cuando sus escuaciones de movimiento contengan expl citamente el tiempo, y no aut onomo en caso contrario. Sistemas din amicos continuos y discretos Un sistema din amico en el cual la variable temporal presente un papel continuo se denomina sistema continuo. Por otra parte, si conocemos el estado del sistema s olo para determinados valores del tiempo, se dice que es un sistema discreto. Linealidad y no linealidad Dadas las ecuaciones de movimiento de un sistema din amico de orden n, x i = fi (x1 , ..., xn , t), i [1, n] N decimos que se trata de un sistema lineal cuando las funciones fi son lineales en las variables xi . Por ejemplo, el sistema din amico x 1 = ax1 + bx2 x 2 = cx1 + dx2 La ecuaci on anterior puede escribirse de forma compacta introduciendo la no = (x taci on vectorial x 1 , x 2 ), x = (x1 , x2 ). De esta forma, = Ax x siendo A la matriz A= a b c d

Por otra parte, el sistema se dice no lineal cuando alguna de las funciones fi es no lineal en las variables xj , tal y como en el sistema din amico x 1 = x2 x 2 = sen x1 En este caso, las ecuaciones anteriores suelen denotarse de una forma compacta mediante = f (x) x = (x donde hemos utilizado los vectores x 1 , x 2 ) y f (x) = (f1 , f2 ). Es obvio que un sistema lineal es un caso particular dentro del conjunto de los sistemas no lineales, mientras que lo contrario no se verica. Por ello, cuando posteriormente nombremos un sistema din amico, sin m as aclaraciones, nos estaremos reriendo a un sistema din amico general, esto es, no lineal.

Ra ul Carballo Rubio

Espacio de las fases Consideremos un sistema din amico denido por las variables xi , i = 1, ..., n. El espacio n-dimensional construido a partir de las variables xi se denomina espacio de las fases del sistema. Decimos entonces que el sistema din amico tiene dimensi on u orden n. Por ejemplo, un sistema din amico de orden 2 est a compuesto por un par de variables, que podemos denotar por x1 , x2 . El espacio de las fases del sistema en cuesti on es, pues, el plano (x1 , x2 ). Trayectoria La soluci on de un sistema din amico de orden n, dadas unas condiciones iniciales, consiste en un conjunto de funciones x1 (t), ..., xn (t). Dichas funciones constituyen las ecuaciones param etricas de una curva en el espacio f asico, denominada trayectoria del sistema. Diagrama de fases El conjunto de trayectorias del sistema en el espacio de las fases, para las posibles condiciones iniciales del sistema, se denomina diagrama de fases del sistema. Volumen f asico Dado un sistema din amico de orden n, denominamos volumen f asico a un conjunto de condiciones iniciales del sistema. Sistemas conservativos y disipativos Se dice que un sistema din amico es conservativo si, dada una cierta porci on de volumen f asico, al evolucionar el sistema este es invariante. Si el volumen f asico no es invariante, esto es, es variable en el tiempo, se dice que el sistema es disipativo. Teorema de existencia y unicidad = f (x), x(0) = x0 , lo que Consideremos el problema de valores iniciales x f sicamente implica un sistema din amico de orden n y unas condiciones iniciales del sistema. Supongamos que f , al igual que las derivadas parciales fi /xj , i, j = 1, ..., n son continuas para x D en alg un abierto conexo D Rn . Entonces, para x0 D, el problema de valores iniciales tiene una soluci on x(t) en alg un intervalo (, ) en torno a t = 0, y dicha soluci on es u nica. El teorema de existencia y unicidad proporciona un importante corolario: diferentes trayectorias f asicas no se intersectan nunca. Si dos trayectorias se intersectaran, existir an dos soluciones v alidas para el punto de intersecci on de ambas trayectorias, lo que contradice el teorema enunciado.

Din amica no lineal

Tema 2 Geometr a de ujos. Estabilidad

Campo de velocidades Tomemos un sistema din amico denido por las variables x1 y x2 , x 1 = f1 (x1 , x2 ) x 2 = f2 (x1 , x2 ) En el espacio de las fases, esto es, en el plano (x1 , x2 ) podemos denir el campo vectorial dado por x 2 f2 (x1 , x2 ) dx2 = = dx1 x 1 f1 (x1 , x2 ) Dicho campo vectorial se denomina campo de velocidades. Flujo La introducci on del campo de velocidades, denido en el punto anterior, nos permite imaginar el espacio de las fases como un uido en movimiento, lo que nos permite utilizar una herramienta gr aca para estudiar la evoluci on de los sistemas din amicos. De ah que frecuentemente se hable del ujo de los puntos f asicos. Punto jo Denido un sistema din amico de orden n en las variables x1 , ..., xn , se denominan puntos jos a los puntos del espacio f asico que verican xi = fi (x1 , ..., xn ) = 0 para todas las variables. Estabilidad e inestabilidad Consideremos, por simplicidad, un sistema din amico de orden 1, representado por la ecuaci on x = f (x) = sin (x) 5

Din amica no lineal

En este caso, el espacio de las fases es unidimensional. Realizando la representaci on gr aca de x frente a x, obtenemos la siguiente gura.

En este gr aco pueden claricarse algunos conceptos denidos previamente. En primer lugar, el campo de velocidades est a representado por echas en el espacio f asico, constituido por el eje x. Si imaginamos los puntos del espacio f asico como part culas de un uido en movimiento, podemos observar que el ujo del sistema depende de la zona del espacio f asico que estudiemos. Por otra parte, los puntos jos del sistema son aquellos en los que x se anula. Por u ltimo, el objetivo de este apartado es realizar una clasicaci on de los puntos jos del sistema. Retomando el s mil del uido en movimiento, observamos que el ujo de puntos f asicos se dirige hacia ciertos puntos jos, alej andose de otros. Denominaremos a los primeros con el nombre de sumideros o puntos jos estables, a los segundos por fuentes o puntos jos inestables. En la gura anterior se indican con puntos rellenos de colores negro y blanco, respectivamente. Perturbaci on Denominamos perturbaci on de un sistema din amico a una peque na variaci on de las variables que denen su estado. A partir de esta denici on, podemos decir que el sistema se encuentra en un estado (punto) estable si, tras ser perturbado, vuelve a su estado inicial; el sistema se encuentra en un estado (punto) inestable si, tras ser sometido a una perturbaci on, se aleja del estado inicial sin volver a el. Estabilidad local y global No siempre la estabilidad o inestabilidad es un concepto absoluto. Puede ocurrir que, encontr andose el sistema en un punto dado, se determine que el punto es estable para peque nas perturbaciones, siendo inestable para mayores perturbaciones. Se diferencia as entre la estabilidad local, como en este caso, y la estabilidad global. Por ejemplo, un punto globalmente estable debe atraer, por denici on, a todos los puntos del espacio de las fases.

Ra ul Carballo Rubio

En la gura anterior podemos visualizar el diagrama de fases del sistema din amico x = f (x) = x2 1. El punto x = 1 ser a un punto localmente estable, ya que, si las perturbaciones llevan al sistema a valores x > 1, el sistema se alejar a indenidamente de su estado inicial. Linealizaci on Consideremos un sistema din amico no lineal. A partir de sus ecuaciones, podemos obtener las expresiones de los puntos jos del sistema. Ahora bien, analizar un sistema no lineal es m as complejo que analizar un sistema lineal, para el cual podemos realizar un procedimiento sistem atico consistente en hallar los valores y vectores propios de la matriz A, denida en el cap tulo 1. Buscamos, pues, una forma de linealizar el sistema no lineal, para aplicar las mismas t ecnicas sistem aticas de an alisis. Esbozaremos el procedimiento para un sistema no lineal de segundo orden, x1 = f1 (x1 , x2 ) x2 = f2 (x1 , x2 )
0 para el cual, un punto jo viene dado por (x0 1 , x2 ), esto es, 0 0 0 f1 (x0 1 , x2 ) = f2 (x1 , x2 ) = 0

Denimos las funciones u(t) = x1 (t) x0 1 v (t) = x2 (t) x0 2 que constituyen las componentes de una perturbaci on alrededor del punto jo. Para estudiar si la perturbaci on crece o decrece en el tiempo, derivamos respecto de t,
0 0 0 u =x 1 = f1 (x0 1 + u, x2 + v ) = f (x1 , x2 ) + u

f1 f1 +v + O(u2 , v 2 , uv ) x1 x1

Din amica no lineal

0 donde hemos usado el desarrollo de Taylor de la funci on f1 . Al ser f1 (x0 1 , x2 ) = 0, por ser punto jo,

u =u y de una forma similar, v =u

f1 f1 +v + O(u2 , v 2 , uv ) x1 x2 f2 f2 +v + O(u2 , v 2 , uv ) x1 x2

Si los t erminos cuadr aticos, englobados en el t ermino O(u2 , v 2 , uv ) son despreciables frente a los t erminos lineales, obtenemos el sistema lineal u v =J u v =
f1 x1 f2 x1 f1 x2 f2 x2

0 ( x0 1 ,x2 )

u v

que puede ser analizado con los mismos m etodos de un sistema lineal. Las condiciones en las cuales los t erminos de segundo orden pueden ser despreciados dependen de los autovalores de la matriz jacobiana, J, y ser an estudiadas posteriormente1 . Valores y vectores propios Sea un sistema din amico lineal de orden 2, denido por la ecuaci on = Ax x El u nico punto jo del sistema, si rg (A) = 2, es el (0, 0). Deseamos hallar soluciones del tipo x(t) = exp (t)v, siendo v= (v1 , v2 ) un vector constante del espacio f asico. Dichas trayectorias corresponden a rectas que pasan por el origen en el espacio f asico, tal y como puede comprobarse haciendo x2 v2 = = k x2 = kx1 x1 v1 lo que nos permitir a realizar un esbozo gr aco del ujo en el plano f asico, (x1 , x2 ). Introduciendo la soluci on buscada en la ecuaci on denitoria del sistema, y realizando ciertas manipulaciones algebraicas, obtenemos la ecuaci on (A I)v = 0 donde I es la matriz identidad. La expresi on anterior reduce el problema a hallar los valores propios de la matriz A, denidos como aquellos que anulan el polinomio en resultante de hallar el determimante |A I|, esto es, el polinomio 2 (a + d) + ad bc = 2 + = 0
V ease puntos hiperb olicos, teorema de Hartman-Grobman en este mismo cap tulo, p agina 12.
1

Ra ul Carballo Rubio

Una vez hallados los valores propios 1 , 2 , que pueden ser iguales o distintos, al introducir cada uno de ellos en la ecuaci on (A I)v = 0 obtenemos sendos vectores v1 , v2 , que se denominan vectores propios asociados, respectivamente, a los valores propios o autovalores 1 y 2 . Direcciones estable e inestable Las soluciones halladas en el apartado anterior, x(t) = exp (t)v, corresponden, como hemos comentado, a rectas que pasan por el origen. Ahora bien, si el valor del valor propio es positivo, en el l mite t el valor de x() es divergente, caso en el que se dice que el vector v es una direcci on inestable. Por otra parte, si i < 0, vemos que x() = 0, denomin andose v una direcci on estable. Nodo, foco, centro y punto de silla Describiremos los diferentes tipos de puntos jos m as relevantes que podemos encontrar en el plano de las fases de un sistema lineal, mediante gr acos. (1) Nodo Un nodo puede presentar diferentes formas, tal y como se aprecia en la siguiente gura.

Los nodos presentes en el gr aco se denominan nodos estables, debido a que atraen a las trayectorias cercanas. En caso contrario, se denominan nodos inestables. Un nodo se obtiene cuando los valores propios son reales y del mismo signo. El caso central es un caso particular, denominado nodo sim etrico o estrella, en el cual la magnitud de los dos valores propios es la misma. (2) Foco Se denomina foco a un punto jo que presenta la forma indicada en la gura dibujada a continuaci on. Esta vez hemos plasmado tanto el foco estable como el foco inestable. Un foco se obtiene cuando los valores propios son complejos, con parte real no nula.

10

Din amica no lineal

(3) Centro Un centro presenta la forma indicada en la gura.

Se obtiene cuando los autovalores son complejos, con parte real nula. Se dice que un centro es neutralmente estable, debido a que no atre ni repele las trayectorias cercanas. (4) Punto de silla

Un punto de silla se obtiene cuando los autovalores son reales, de distinto signo. Podemos apreciar que posee dos direcciones de diferente estabilidad.

Ra ul Carballo Rubio

11

Teorema de Poincar e-Bendixson Consideremos un sistema din amico de orden 2 y supongamos las condiciones siguientes sobre el plano de las fases del sistema: (1) R es un conjunto cerrado y acotado del plano. = f (x) es un campo vectorial continuamente diferenciable en un abierto (2) x que contenga a R. (3) El conjunto R no contiene puntos jos. (4) Existe una trayectoria C connada en R, en el sentido de que, si comienza en dicho conjunto, permanece en el indenidamente. Cumpli endose las condiciones anteriores, el teorema arma que C debe ser una orbita cerrada, o bien una espiral que converge a una trayectoria cerrada en t . En ambos casos, R contiene una orbita cerrada. Topolog a La Topolog a es una disciplina Matem atica que estudia las propiedades de los espacios topol ogicos y las funciones continuas. De una manera informal, se presenta como la Geometr a de goma. Esto hace referencia a que en la Geometr a eucl dea dos objetos ser an equivalentes mientras podamos transformar uno en otro mediante transformaciones que conservan las medidas de angulo, longitud, area o volumen. En Topolog a, dos objetos son equivalentes en un sentido mucho m as amplio: han de tener el mismo n umero de trozos, de agujeros, de intersecciones, etc. En topolog a est a permitido doblar, estirar, encoger o retorcer los objetos, pero siempre que se haga sin romper ni separar lo que estaba unido, ni pegar lo que estaba separado. Homeomorsmos y equivalencia topol ogica Supongamos que X e Y son espacios topol ogicos, y f una aplicaci on de X a Y . Se dice que f es un homeomorsmo si se cumplen las condiciones siguientes: (1) f es una biyecci on. (1) f es continua. (1) f 1 es continua. Si f : X Y es un homeomorsmo, ambos espacios tienen exactamente las mismas propiedades topol ogicas. Esto es, el homeomorsmo es la contrapartida formal de las acciones intuitivas de estirar, doblar o retorcer. Como ejemplo, una taza de caf e es homeomorfa a un toro, ya que podemos obtener uno de estos objetos a partir de una deformaci on continua del otro.

12

Din amica no lineal

Sin embargo, un cubo no ser a topol ogicamente equivalente a un toro, ya que deber amos rasgar su estructura para obtener la forma toroidal caracter stica. Puntos hiperb olicos Consideremos un sistema din amico no lineal de orden n, el cual analizamos mediante la aplicaci on de la t ecnica de linealizaci on a cada uno de sus puntos jos. Dado uno de esos puntos jos, si para los autovalores de la linealizaci on, j = Re(j ) + Im(j )i se verica Re(j ) = 0, j = 1, ..., n se dice que el punto jo en cuesti on es hiperb olico. Teorema de Hartman-Grobman Sea un sistema din amico no lineal de orden n, que presenta una serie de puntos jos. El teorema de Hartman-Grobman arma que, en un entorno de un punto jo hiperb olico, el espacio de las fases del sistema din amico considerado y el de su linealizaci on son topol ogicamente equivalentes. Esto implica que propiedades como la estabilidad o inestabilidad del punto considerado pueden ser analizadas en el sistema linealizado, con la garant a de que el comportamiento del sistema no lineal es equivalente si el punto es hiperb olico. Como ya hemos comentado en secciones anteriores, la equivalencia topol ogica implica que existe un homeomorsmo entre los espacios f asicos de los sistemas no lineal y linealizado, y, de una forma intuitiva, que podemos obtener uno de ellos a partir de una deformaci on continua del otro, tal y como en el ejemplo de la taza de caf e y del toro. Ecuaci on de Verhulst La ecuaci on de Verhulst o ecuaci on log stica fue publicada por primera vez por Pierre Fran cois Verhulst en 1838 despu es de haber le do el Ensayo sobre el principio de poblaci onde Thomas Malthus. Verhulst deriv o su ecuaci on log stica para describir el crecimiento auto-limitado de una poblaci on biol ogica. El modelo m as sencillo para el crecimiento de una poblaci on de organismos = rN , donde N (t) es la poblaci es N on en el instante t y r es la tasa de crecimiento. Este modelo predice un crecimiento exponencial, siguiendo la ecuaci on N (t) = N (0) exp (rt). Obviamente, el modelo no contempla los fen omenos de superpoblaci on, para lo cual debemos de elaborar un modelo m as complejo.

Ra ul Carballo Rubio

13

/N es funci Consideremos otro modelo, en el cual el cociente N on mon otona decreciente de la poblaci on N , su valor coincide con r en el l mite de poblaci on nula y es igual a cero alcanzada una poblaci on K . El modelo m as simple basado /N y N es lineal, tal y como en esta premisa es suponer que la relaci on entre N se muestra en la gura:

Esta simplicaci on nos permite obtener la ecuaci on log stica, = rN N 1 N K

A continuaci on podemos observar tanto el diagrama de fases del sistema, as como las diferentes soluciones N (t), que tienden todas a un l mite de poblaci on dado por el valor de K .

Modelo de competici on La ecuaci on log stica es un modelo v alido para el crecimiento de poblaciones aisladas de organismos vivos. Ahora bien, nos interesar a conocer la evoluci on de dos especies diferentes de organismos, que interact uen entre s , dicultando una el crecimiento de la otra. Esto es lo que se denomina un modelo de competici on.

14

Din amica no lineal

Modelo de Lotka-Volterra El modelo de Lotka-Volterra parte de la situaci on planteada en el modelo de competici on, plasmando matem aticamente las consideraciones realizadas y obteniendo un sistema din amico que permite obtener la evoluci on de las especies. Tal sistema din amico viene dado por las ecuaciones x = ax bx2 cxy y = dy ey 2 f xy donde a, b, c, d, e y f son constantes, x(t), y (t) las poblaciones de cada una de las dos especies en conicto. Tomemos el caso particular en el que las ecuaciones son x = 3x x2 2xy y = 2y y 2 xy La linealizaci on del sistema nos permite dibujar el diagrama de fases, que presenta una forma tal y como la indicada en la gura:

Cabe destacar que, sean cuales sean las condiciones iniciales de poblaci on, el modelo predice la extinci on de una de las especies, salvo en una m nima cantidad de condiciones iniciales, situadas en las direcciones estables del punto de silla, cuyas trayectorias terminar an en el punto (1, 1). Atractor Se dene atractor como un conjunto A que verica las siguientes propiedades: (1) A es un conjunto invariante: toda trayectoria x(t) que comience en A permanece en su interior indenidamente.

Ra ul Carballo Rubio

15

(2) A atrae un conjunto abierto de condiciones iniciales. Esto es, existe un abierto U A tal que, si x(0) U , la distancia entre x(t) y A tiene a cero cuando t . U se denomina cuenca de atracci on del atractor, como deniremos posteriormente. (3) A es un conjunto minimal: no existe ning un subconjunto de A que verique las condiciones anteriores. Cuenca de atracci on Dado un punto jo de un sistema din amico x , se dene su cuenta de atracci on como el conjunto de condiciones iniciales x0 del espacio f asico tales que x(t) x cuando t . En el modelo de Lotka-Volterra, puede observarse que el espacio de las fases est a dividido en dos cuentas de atracci on, de los puntos (3, 0) y (0, 2). Separatriz Recordemos el diagrama de fases del modelo de Lotka-Volterra. Las direcciones estables del punto de silla localizado en el punto (1, 1) separan las dos cuencas de atracci on existentes. En este caso, se denominan separatrices. Ciclos l mites Un ciclo l mite es la contrapartida no lineal de los centros2 . Se trata de una trayectoria cerrada y aislada. Esta u ltima caracter stica se reere a que, en torno a un ciclo l mite, no existen otras trayectorias cerradas. Podemos realizar una clasicaci on de los ciclos l mites en funci on de su estabilidad: se dice estable cuando atrae a las trayectorias pr oximas, inestable en caso contrario y semiestable si presenta ambos tipos de comportamiento. Por ejemplo, un ciclo l mite es semiestable si atrae las trayectorias de su interior y repele las trayectorias exteriores. Puntos homocl nicos y heterocl nicos Una trayectoria cuyos puntos jos inicial y nal coinciden se denomina trayectoria homocl nica, y los puntos que la constituyen, puntos homocl nicos. Por otra parte, en ciertos sistemas din amicos, podemos encontrar trayectorias que unen dos puntos jos diferentes (por ejemplo, puntos de silla). A dichas trayectorias, as como a los puntos que la constituyen, se les otorga el calicativo de heterocl nicas/os. Ambos tipos de trayectorias aparecen frecuentemente en sistemas conservativos. Oscilador de van der Pol Se denomina oscilador de van der Pol al sistema din amico denido por la ecuaci on x + (x2 1)x +x=0
2

V ease Nodo, foco, centro y punto de silla, p agina 10.

16

Din amica no lineal

donde 0 es un par ametro. La ecuaci on es similar a la de un oscilador arm onico, exceptuando el t ermino no lineal (x2 1)x . La representaci on del diagrama de fases del sistema presenta un ciclo l mite, tal y como se esquematiza en la gura siguiente,

Ecuaci on de continuidad = f (x). Consideremos una porci Sea un sistema din amico, x on del espacio de las fases, es decir, un volumen f asico V , en el cual encontraremos N puntos del espacio f asico. Podemos, pues, denir la densidad de puntos f asicos, = N V

Se demuestra anal ticamente que la evoluci on de la densidad en el tiempo sigue la ley d + f = 0 dt donde f es la divergencia del campo vectorial f. La ecuaci on anterior se denomina ecuaci on de continuidad. Sistemas conservativos Hemos denido anteriormente anteriormente un sistema conservativo como un sistema din amico para el cual un volumen f asico dado es invariante en el tiempo. Ahora bien, al ser V = N/ por la denici on de densidad de puntos f asicos dada anteriormente, la invariancia del volumen f asico implica invariancia de dicha densidad, ya que N es constante. Por tanto, d = f = 0 f = 0 dt lo que nos proporciona un m etodo anal tico para decidir si un sistema es o no conservativo, dadas sus ecuaciones.

Tema 3 Bifurcaciones
Par ametro de control En este cap tulo, centraremos nuestro estudio en sistemas din amicos dependientes de par ametros, tal y como puede ser el sistema x = x2 en el cual, los puntos jos, x = , dependen obviamente del valor del par ametro , denominado par ametro de control. Bifurcaci on y punto de bifurcaci on Se dice que un sistena din amico dependiente de un par ametro sufre una bifurcaci on cuando la estructura de su espacio f asico, determinada por los puntos jos y su estabilidad/inestabilidad, se ve modicada de una forma cualitativa. El valor del par ametro para el cual se produce el fen omeno se denomina punto de bifurcaci on. Diagrama de bifurcaci on

17

18

Din amica no lineal

En la gura anterior se observa la representaci on x = + x2 frente a x en funci on de los valores del par ametro . Deseamos concentrar la informaci on que nos proporcionan las tres im agenes anteriores en un s olo gr aco. Para ello, realizamos una representaci on x frente a , donde x representa las coordenadas de los puntos jos del sistema. Al variar el par ametro de control, obtendremos diferentes curvas en el plano (, x), las cuales dibujaremos continuas para puntos jos estables y discontinuas para puntos inestables. Para nuestro sistema en partircular, obtenemos la representaci on

Tal representaci on se denomina diagrama de bifurcaci on. Debemos tener en cuenta que el ejemplo es unidimensional; para sistemas de orden superior, el diagrama de bifurcaci on constar a de n coordenadas para localizar los puntos jos, m as una por cada par ametro de control. Tipos de bifurcaci on A continuaci on se denen las bifurcaciones b asicas existentes en sistemas unidimensionales, proporcionando un sistema prototipo y el diagrama de fases correspondiente para cada bifurcaci on. Esto sirve a nuestros prop ositos ya que, como hemos denido, una bifurcaci on tiene car acter cualitativo. (1) Bifurcaci on silla-nodo El ejemplo habitual de este tipo de bifurcaci on es el ejemplo ya estudiado previamente, x = + x2 El diagrama de bifurcaci on silla-nodo puede observarse en la imagen anterior.

Ra ul Carballo Rubio (2) Bifurcaci on transcr tica Un sistema que sufre una bifurcaci on transcr tica es x = x x2 siendo el diagrama de bifurcaci on correspondiente

19

(3) Bifurcaci on en horquilla supercr tica

El sistema prototipo para la bifurcaci on en horquilla supercr tica es x = x x3

20 (4) Bifurcaci on en horquilla subcr tica

Din amica no lineal

Por u ltimo, el siguiente sistema sufre una bifurcaci on en horquilla subcr tica, x = x + x3

Espacio de los par ametros Imaginemos un sistema din amico dependiente de dos par ametros de control, y . Podemos realizar una representaci on de los puntos de bifurcaci on en un espacio bidimensional, en cuyos ejes estar an representadas las magnitudes de y . Dicho espacio se denomina espacio de los par ametros. Curva de bifurcaci on En el espacio de los par ametros, los diferentes puntos en los que el sistema sufre una bifurcaci on constituyen una curva, denominada curva de bifurcaci on. Relajaci on cr tica Cuando un sistema din amico sufre una bifurcaci on en horquilla supercr tica, conforme el par ametro de control se aproxima en su valor al punto de bifurcaci on, las soluciones, que de una forma previa a la bifurcaci on, tend an al punto de equilibrio de una forma exponencial, disminuyen dr asticamente esta velocidad, aumentando en gran medida el tiempo en el cual una perturbaci on del sistema se anula. Este fen omeno se denomina relajaci on cr tica. Bifurcaci on de Hopf: supercr tica y subcr tica Una bifurcaci on de Hopf supercr tica (subcr tica) presenta un diagrama de bifurcaci on similar a la bifurcaci on en horquilla supercr tica (subcr tica). La diferencia esencial radica en que, durante la bifurcaci on, se crea (destruye) un ciclo

Ra ul Carballo Rubio

21

l mite. As pues, en la parde del diagrama de bifurcaci on en la cual existe un u nico punto jo, el sistema posee un foco estable (inestable). En la zona en la que los puntos jos son m ultiples, la soluci on central determina la estabilidad del foco que permanece en el interior del ciclo l mite, cuyo radio se representa mediante lo que en el diagrama de bifurcaci on en horquilla eran dos puntos estables (inestables). Hist eresis Tomemos un sistema din amico, que presente un diagrama de fases similar al representado en la gura siguiente.

Si partimos de un valor del par ametro r < rs , nuestro sistema tiende hacia el u nico punto estable que posee. Ahora bien, al alcanzar el valor r = 0, se modica la estabilidad de dicho punto, cre andose nuevos puntos estables, hacia los cuales el sistema encamina su evoluci on. La reacci on del sistema se denomina salto. Una vez que el sistema ha alcanzado de nuevo el equilibrio, en su nueva ubicaci on del espacio f asico, disminuimos el valor de r hasta alcanzar de el valor r = rs , con lo que se produce de nuevo un salto. Esta falta de reversibilidad entre los comportamientos del sistema al aumentar/disminuir el valor de r se denomina hist eresis. Secci on de Poincar e = f (x). TomeConsideremos un sistema din amico continuo n-dimensional, x mos una variedad S de dimensi on n 1 en el interior del espacio de las fases, de forma que las trayectorias que comiencen en su interior uyan de forma transversal a ella y hallemos sus sucesivos puntos de intersecci on con S . El proceso descrito se denomina secci on de Poincar e. Aplicaci on de Poincar e La aplicaci on de Poincar e es una aplicaci on P : S S , obtenida siguiendo las intersecciones consecutivas de una orbita con la variedad S . Si denotamos

22

Din amica no lineal

por xk el punto k - esimo de intersecci on de la trayectoria con S , la aplicaci on de Poincar e se dene por xk+1 = P (xk ) La aplicaci on de Poincar e proporciona valiosa informaci on acerca de las trayectorias peri odicas de un sistema din amico. Supongamos que x0 es un punto jo de P , esto es, P (x0 ) = x0 . Entonces, una trayectoria que pase por el punto del espacio f asico x0 volver a, tras un tiempo T , a x0 , por lo dicho punto forma = f (x). parte de una trayectoria peri odica del sistema original, x

Tema 4 Caos determinista

Ecuaciones de Lorenz Se denominan ecuaciones de Lorenz al sistema din amico tridimensional denido por x = (y x) y = rx y xz z = xy bz

donde > 0, r > 0, b > 0 son par ametros. M as concretamente, es el n umero de Prandtl, y r el n umero de Rayleigh, ambos n umeros adimensionales relacionados con la convecci on y el problema de B enard. Precisamente analizando un problema de convecci on en la atm osfera similar al problema de B enard, Lorenz deriv o estas ecuaciones, tras aplicar diversas simplcaciones sobre el modelo. Convecci on de B enard El fen omeno conocido como convecci on de B enard fue descubierto por B enard alrededor de 1.900, mediante la observaci on del vino en el interior de unos barriles. El fen omeno tiene lugar extensamente en la naturaleza: lagos, corrientes salinas, formaciones geol ogicas,... Consiste en una capa uniforme de cierto material, calentada uniformemente por debajo, sobre la cual se coloca un uido viscoso. La capa uida transmite calor al aire superior desde la placa inferior, en principio, s olo por conducci on. Sin embargo, si la cantidad de calor a transmitir es grande, se pone en marcha un nuevo mecanismo de transferencia calor ca: la convecci on. El uido, de forma natural, debido exclusivamente al calentamiento, se mueve y organiza de manera estacionaria en lo que se denomina una estructura termo-convectiva, existiendo corrientes m as calientes ascendentes y corrientes m as fr as descendentes. 23

24

Din amica no lineal

El problema termoconvectivo planteado es dif cil de resolver, pues se trata de un conjunto de ecuaciones diferenciales acopladas entre s y no lineales. Sensibilidad a las condiciones iniciales La sensibilidad a las condiciones iniciales signica que dos trayectorias que parten de condiciones iniciales muy pr oximas, divergen r apidamente una respecto de la otra. Sean x0 y x0 + 0 las condiciones iniciales de dos trayectorias muy pr oximas, 0 la distancia inicial entre ellas. Mediante estudios num ericos sobre la ecuaci on de Lorenz, se encuentra que la evoluci on de la separaci on entre las trayectorias sigue la ley | (t)| = |0 | exp t

Atractor extra no Se dene el atractor extra no como un atractor1 que presenta gran sensibilidad a las condiciones iniciales, en el sentido de la denici on anterior. Exponente de Lyapunov En un atractor extra no, la distancia entre trayectorias que parten de condiciones iniciales cercanas, separadas por una distancia |0 |, verican la ley | (t)| = |0 | exp t El coeciente se denomina exponente de Lyapunov. La anterior denici on hace referencia a un sistema din amico continuo. Para un sistema din amico discreto, xn+1 = f (xn ), la expresi on anterior tomar a la forma |n | = |0 | exp n. A partir de esta identidad podemos derivar una expresi on para el exponente de Lyapunov en sistemas discretos: =
1

1 n 1 f n (x0 + 0 ) f n (x0 ) log = log n 0 n 0

V ease la denici on dada en el tema 2, p agina 14.

Ra ul Carballo Rubio Tomando el l mite 0 0, 1 1 = log |(f n ) (x0 )| = log n n

n1

25

1 f (xi ) = n i=0

n1

log |f (xi )|
i=1

Si la expresi on anterior posee el l mite n , se dene dicho l mite como el exponente de Lyapunov para la trayectoria de condici on inicial x0 , x0 = l m 1 n
n1

log |f (xi )|
i=1

Merece la pena hacer notar que el valor del coeciente de Lyapunov depende de las condiciones iniciales. Adem as, x0 > 0 es condici on necesaria, pero no suciente, para que el sistema sea ca otico, en el sentido de la siguiente denici on. Caos Actualmente, no existe una denici on de caos universalmente aceptada por la comunidad cient ca. Sin embargo, generalmente se aceptan las tres caracter sticas siguientes: se denomina caos o r egimen ca otico a un comportamiento aperi odico para tiempos largos, en un sistema determinista que presenta dependencia sensible sobre las condiciones iniciales. Efecto mariposa El efecto mariposa es un concepto que hace referencia a la noci on de sensibilidad a las condiciones iniciales dentro del marco de la teor a del caos. Su nombre proviene de un antiguo proverbio chino: el aleteo de las alas de una mariposa se puede sentir al otro lado del mundo. La idea es que, dadas unas condiciones iniciales de un determinado sistema natural, la m as m nima variaci on en ellas puede provocar que el sistema evolucione en formas totalmente diferentes, tal y como hemos visto que sucede en la presencia de un atractor extra no. Sucediendo as que una peque na perturbaci on inicial, mediante un proceso de amplicaci on, puede generar un efecto considerablemente grande. Diagrama de recurrencia (cobwebs) Consideremos un sistema din amico discreto, xn+1 = f (xn ). Un m etodo gr aco muy utilizado para hallar el valor de la sucesi on de puntos {xn } y de los puntos de convergencia consiste en realizar una representaci on gr aca de la funci on f , denominada diagrama de recurrencia, tal y como podemos observar en el siguiente apartado, para la aplicaci on de Lorenz. Aplicaci on de Lorenz Lorenz, en su estudio de las propiedades de las ecuaciones planteadas por el mismo, encontr o ciertas regularidades en el comportamiento aparentemente

26

Din amica no lineal

aleatorio del sistema. Por ejemplo, realicemos la proyecci on del espacio de las fases de las ecuaciones de Lorenz sobre el plano y z . Obtendremos una imagen como la siguiente:

La idea es estudiar los m aximos de la funci on z (t). Num ericamente, puede obtenerse el siguiente diagrama de recurrencia, que nos permite hallar una relaci on entre dos m aximos consecutivos, zn+1 y zn , de la funci on considerada, z (t).

La aplicaci on zn+1 = f (zn ) se denomina aplicaci on de Lorenz. Receta del caos: estirar y doblar Un atractor extra no posee dos propiedades que, a primera vista, pueden parecer incompatibles entre s . Por una parte, las trayectorias en el atractor est an

Ra ul Carballo Rubio

27

connadas en una regi on acotada del espacio de las fases. Por otra, la distancia entre las trayectorias debe crecer exponencialmente con el tiempo. El mecanismo mediante el cual se compaginan ambos efectos consiste en estirar y doblar el espacio de las fases.

De una forma cualitativa, el espacio de las fases sufrir a una deformaci on tal y como la indicada en la gura. El estiramiento inicial permite que las trayectorias se separen lo suciente, mientras que el plegamiento permite que la regi on en la cual se encuentran las trayectorias permanezca acotada. Ecuaci on log stica La ecuaci on log stica2 describe un sistema din amico discreto, dado por xn+1 = xn (1 xn ) donde xn 0 es una medida adimensional de la poblaci on en la n- esima generaci on y 0 es la tasa de crecimiento. Los puntos jos vienen dados por x1 = 0, x2 = 1 1/, y el diagrama de recurrencia tiene la forma siguiente:

Normalmente, restringimos el par ametro de control al rango 0 4 para que la funci on f (x) = x(1 x) aplique el intervalo 0 x 1 en s mismo.
No debe confundirse con la ecuaci on de Verlhust, estudiada en el tema 2, la cual describe un sistema din amico continuo.
2

28

Din amica no lineal

Duplicaci on de per odo Supongamos que tomamos un valor 0 4, tomamos cierta poblaci on inicial x0 y utilizamos la ecuaci on log stica para hallar la evoluci on del sistema. En funci on del valor de , obtenemos diferentes resultados: para < 1, la poblaci on siempre se extingue, esto es, xn 0 cuando n . Para 1 < < 3, la poblaci on crece hasta que, en determinado instante, alcanza un valor estacionario en el tiempo, no nulo. Una situaci on m as interesante se produce para valores mayores del par ametro de control: para 3,3, la poblaci on crece de nuevo pero esta vez se producen oscilaciones, en las que el valor de xn es el mismo cada dos iteraciones. El fen omeno se denomina ciclo de per odo 2.

Para valores 3,5, la poblaci on realiza un ciclo en el cual xn posee el mismo valor cada 4 generaciones, esto es, un ciclo de per odo 4, el doble que el anterior. Este fen omeno dependiente del valor de se denomina duplicaci on de per odo.

Ra ul Carballo Rubio

29

Clase de universalidad El fen omeno de la duplicaci on de per odo aparece en muchos sistemas naturales y modelos matem aticos que exhiben caos, lo que nos permite hablar de una clase de universalidad. La similaridad entre diferentes sistemas din amicos puede ser cualitativa o cuantitativa, por lo que debe distinguirse entre universalidad cualitativa y univeralidad cuantitativa. Por ejemplo, la universalidad cualitativa se muestra con fen omenos de duplicaci on de per odo que dieren en los valores num ericos. Por otra parte, veremos un ejemplo de la universalidad cuantitativa en la llamada constante de Feigenbaum. Constante de Feigenbaum Volvamos al fen omeno de duplicaci on de per odo mostrado en la ecuaci on log stica. Experimentalmente, se encuentra que la distancia entre las sucesivas bifurcaciones, entendiendo por distancia la diferencia entre los valores del par ametro en los cuales se producen las duplicaciones de per odo, disminuye tras cada duplicaci on. Adem as, existe un l mite del par ametro de control 3,57 cuando el per odo k verica k . Pues bien, el l mite n de la distancia entre sucesivas bifurcaciones se reduce a una constante, = l m n n1 4,669 n n+1 n

Dicha constante se denomina constante de Feigenbaum, y es universal, para todos los sistemas din amicos que presentan el fen omeno de duplicaci on de per odo. Ventanas de periodicidad Del an alisis del fen omeno de duplicaci on de per odo en la ecuaci on log stica, obtuvimos un valor para el cual, si > , el per odo del ciclo se hace innito. Sin embargo, se encuentra experimentalmente la existencia de las denominadas ventanas de periodicidad : intervalos en el valor del par ametro de control en los cuales el sistema vuelve a poseer un ciclo de periodicidad nita. Este es uno de los fen omenos m as intrigantes que suceden dentro del comportamiento del sistema descrito por la ecuaci on log stica. Aplicaci on triangular Un ejemplo de sistema discreto muy conocido es la llamada aplicaci on triangular, xn+1 = x si 0 < x < 1/2 x si 1/2 < x < 1

Esta aplicaci on exhibe un fen omeno similar a la duplicaci on de per odo en la ecuaci on log stica, cuando aumenta de 0 a 2.

30

Din amica no lineal

Fractal La expresi on fractal viene del lat n fractus, que signica fracturado, roto, irregular. Esta expresi on, as como el concepto, se deben al matem atico Beno t B. Mandelbrot y aparece publicado por primera vez en el a no 1975 en un ensayo titulado Les objets fractales: Forme, hasard et dimension. Las caracter sticas m as importantes de un fractal son las siguientes: (1) Un fractal posee estructura a una escala arbitraria. Entendemos por esto que para cualquier escala de observaci on encontraremos una estructura denida. (2) Un fractal es auto-similar. Esto es, posee peque nas copias de s mismo para todas las escalas de observaci on. Esto viene a complementar la caracter stica anterior: las estructuras existentes a diferentes escalas son similares. La auto-similaridad puede ser exacta (curva de Koch, conjunto de Cantor) o bien estad stica (conjunto de Mandelbrot). (3) No es posible describir un fractal utilizando la Geometr a Eucl dea, tanto local como globalmente. (4) La dimensi on de un fractal no es un n umero entero. Dimensi on En geometr a cl asica, podemos entender la dimensi on de un conjunto como el n umero m nimo de coordenadas que necesitamos para describir cada punto del conjunto. Por ejemplo, una curva diferenciable es un conjunto unidimensional, puesto que s olo necesitamos un par ametro para determinar un punto sobre ella. Sin embargo, cuando intentamos aplicar esta denici on a un fractal, encontramos diversas paradojas. Pensemos en una gura en el plano, como puede ser un cuadrado. Nos har an falta innitas l neas de longitud nita para recubrirla, as que podemos decir que su longitud, en cierto sentido, es innita. Adem as, su espesor es nulo, de modo que su volumen tambi en deber a serlo. En realidad, este resultado obtenido es general: para cualquier objeto geom etrico, medidas que usen dimensiones m as bajas que su propia dimensi on resultan innitas, y m as altas, cero. Ahora bien, el tri angulo de Sierpinski, que presenta estructura fractal, cuya imagen podemos observar en la siguiente p agina, es un objeto geom etrico de innita longitud, aunque se encuentra en una regi on nita del plano, cosa que implica dimensi on mayor que uno. Pero a la vez tiene area nula, lo que indica dimensi on menor que 2. As pues, la dimensi on de este objeto debe estar comprendida entre 1 y 2.

Ra ul Carballo Rubio

31

Dimensi on de similaridad Por lo descrito en el apartado anterior, necesitamos construir una nueva denici on de dimensi on mediante la cual obtengamos buenos resultados para un conjunto fractal, y que se reduzca a la dimensi on de la geometr a cl asica para los objetos que trata dicha geometr a. Para ello, consideremos un cuadrado sobre el plano. Si contraemos dicho cuadrado en un factor de 2 en cada direcci on, para rellenar el cuadrado original debemos utilizar cuatro cuadrados. En general, si r es el factor de contracci on y m el n umero de cuadrados necesarios, vemos que m = rd = r2 por lo que d = 2 coincide con la dimensi on de la gura plana. Esto nos lleva a denir la dimensi on de similaridad como log m d= log r

Esta denici on de dimensi on cumple los requisitos que hab amos establecido: aplic andola al tri angulo de Sierpinski, vemos que log 3 dS = 1,58 log 2

32

Din amica no lineal

Medida Durante sus investigaciones, Lewis Fry Richardson observ o que la distancia medida L() de varias fronteras de pa ses era funci on de la escala de medida . Reuniendo datos de muchos ejemplos diferentes, conjetur o que la medida L() pod a aproximarse por una funci on de la forma L() = 1d Mandelbrot interpreta este resultado diciendo que las costas y otros contornos geogr acos tienen una propiedad de autosimilaridad estad stica, donde el exponente d mide la dimensi on por recuento de cajas del borde. Con esta interpretaci on, los ejemplos de Richardson tienen dimensiones que van desde 1.02 para la costa de Sud africa a 1.25 para la costa occidental de Gran Breta na. Dimensi on por recuento de cajas (box-counting) La dimensi on de similaridad, denida anteriormente, log m d= log r funciona para fractales que sean exactamente autosimilares. Ahora bien, como ya enunciamos en la denici on de fractal3 , esta condici on de autosimilaridad exacta puede ser sustituida por una autosimilaridad estad stica. De hecho, los fractales naturales presentan este tipo de autosimilaridad, por lo que nos interesa adaptar el concepto anterior de dimensi on para evaluar esta clase de conjuntos fractales. Para ello, consideremos una supercie plana, la cual cubrimos con cuadrados de lado . Si el area de la supercie es A, el n umero de cuadrados que necesitaremos utilizar para cubrirla, N (), cumplir a la expresi on A 2 De una forma general, sea un conjunto k -dimensional, el cual deseamos cubrir con hipercubos k -dimensionales de lado . Se observa que se cumple la ley de potencia 1 N () d y, adem as, d = k , lo que nos lleva a denir la dimensi on como el valor de d. Esta denici on de dimensi on puede extenderse a la mayor a de los fractales, y se denomina dimensi on por recuento de cajas (tambi en denominada dimensi on fractal ). Su expresi on se toma como N () d = l m
3

log N () 0 log 1/

V ease fractal, p agina 30.

Ra ul Carballo Rubio

33

Dimensi on de punto Las deniciones anteriores se reeren a objetos geom etricos, por lo que intentaremos ahora denir una dimensi on para caracterizar un atractor extra no, que es un objeto asociado a la din amica. Para ello, generamos un conjunto de puntos f asicos {xi , i = 1, ..., n} y dejamos evolucionar el sistema un largo tiempo. Debemos realizar este mismo proceso para diferentes trayectorias del sistema, obteniendo un conjunto de puntos en el espacio de las fases. Deseamos obtener la dimensi on por recuento de cajas del atractor A a partir de ese conjunto de puntos, para lo cual jamos un punto x en A y construimos una bola de radio centrada en el, tal y como se indica en la gura.

Si Nx () contabiliza el n umero de puntos de los anteriormente generados que se encuentran en el interior de la bola de radio , se encuentra experimentalmente que, al variar la magnitud de , Nx () d donde d se denomina dimensi on de punto en x. Dimensi on de correlaci on La dimensi on de punto denida anteriormente depende, l ogicamente, del punto x sobre la que es evaluada. Para obtener de una forma signicativa la dimensi on del atractor A, se procede de la siguiente forma: para diferentes

34

Din amica no lineal

puntos xi se consideran bolas de radio j i , obteniendo para los puntos en su j interior valores Ni . Si realizamos el promedio C sobre los contadores i, j , obtenemos una relaci on num erica C () d denomin andose el factor d dimensi on de correlaci on del atractor. Entrop a de Kolmogorov-Sinai La entrop a de Kolmogorov es un par ametro que permite determinar el contenido y p erdida de informaci on en un sistema determinado. Se fundamenta en la llamada teor a de informaci on de Shannon4 . Consideremos una trayectoria x(t) en el espacio de las fases de un sistema din amico de dimensi on n. Sup ongase este espacio dividido en una familia de celdas, {n } , de tama no , y que tomamos la medida del estado del sistema a intervalos de tiempo uniformemente espaciados. Sea Pn la probabilidad de que en el instante t = n el sistema se encuentre en la caja n . Aplicando la teor a de Shannon, la magnitud Kn denida por
n

Kn =
i=0

P0,1,...,n log P0,1,...,n

es proporcional a la informaci on necesaria para localizar al sistema en una trayectoria especial que recorra las cajas {n } con una precisi on determinada. En consecuencia, el t ermino Kn+1 Kn mide la p erdida de informaci on sobre el sistema cuando se pasa del tiempo n a (n + 1) . La entrop a de Kolmogorov es el promedio de la p erdida de informaci on en todo el proceso, K = l m l m l m 1 N
N 1

0 N

(Kn+1 Kn )
n=0

La entrop a de Kolmogorov permite medir la intensidad del r egimen ca otico del sistema: su valor es K = 0 si el sistema es regular, K = si es aleatorio y 0 < K < si el sistema es ca otico. Por otra parte, en sistemas unidimensionales es igual al exponente de Lyapunov5 , mientras que en sistemas de dimensi on superior es la suma de los exponentes de Lyapunov positivos.

Dicha teor a se encuentra fuera de los objetivos del curso: v ease Claude E. Shannon y W. Weaver - The Mathematical Theory of Communication, The University of Illinois Press. 1949. 5 V ease exponente de Lyapunov, p agina 24.

Bibliograf a
[1] Nonlynear Dynamics and Chaos. Steven H. Strogatz. Perseus Books. [2] Classical Mechanics. Herbert Goldstein, Charles Poole, John Safko. Addison Wesley.

35