(Apresentação - Palestra) OLIVEIRA, P. M. C. Sistemas Dinâmicos Complexos

Sistemas Dinâmicos Complexos
minicurso na UFF, 20 e 22/10/2009
Paulo Murilo Castro de Oliveira

pmco@if.uff.br
Instituto de Fı́sica, Universidade Federal Fluminense
Sistemas Dinâmicos Complexos – p. 1

O que são Sistemas Complexos?

Uma visão pessoal

Uma visão pessoal
Muitas unidades componentes

Uma visão pessoal
Muitas unidades componentes . . .
. . . que se influenciam mutuamente, gerando conflitos

Uma visão pessoal
Como evoluem?

Uma visão pessoal
Como evoluem?
Cada unidade se adapta às influências que recebe,
minimizando os conflitos locais

Uma visão pessoal
Como evoluem?
minimizando os conflitos locais . . .
. . . mas esta adaptação modifica o ambiente de outra
unidade

Uma visão pessoal
Como evoluem?
unidade . . .
. . . que por sua vez se re-adapta, e assim por diante

Uma visão pessoal
Como evoluem?
unidade . . .
Resultado

Uma visão pessoal
Como evoluem?
unidade . . .
Resultado
evolução extremamente lenta

Uma visão pessoal
Como evoluem?
unidade . . .
Resultado
evolução extremamente lenta
multi equilíbrio, contingências iniciais determinantes
Exemplos de Sistemas Complexos

A economia de mercado

A evolução das espécies biológicas

A evolução da cultura e da linguagem

A evolução do próprio universo

Tecnologias de alto grau de integração

Conflitos sociais

Conflitos sociais
A guerra fria e a “globalização” que a sucedeu

Conflitos sociais
A internet

Conflitos sociais
A internet
Os terremotos

Conflitos sociais
A internet
Os terremotos
Os vidros

Uma visão mais respeitável

“Complex Systems; a Physicist’s Viewpoint”
Giorgio Parisi, Physica A263, 557 (1999)

In a nutshell, physics is an experimental science in
which theoretical predictions are compared to experiments

. . . the word prediction plays a crucial role

. . . the word prediction plays a crucial role . . . its meaning
has changed already in the past and it is still changing now.

. . . three revolutions . . . which all went in this direction:

The introduction of statistical mechanics . . . Maxwell,
Boltzmann and Gibbs . . .

The discovery of quantum mechanics . . .

The discovery of quantum mechanics . . .
The study of complex systems . . . developed in these
last years.

Parisi continua . . .

A system is complex if its behavior crucially depends on
the details of the system.

the details of the system. . . . it may display different types
of behavior

of behavior . . . a small perturbation is enough to switch
from one behavior to another.

. . . an animal may: sleep, dream, run, hunt, eat, play . . .

dX
= G X(t)
dt

dX
= G X(t)
dt
Deterministic Chaos:
X1 (0)−X0 (0) ∝ ǫ =⇒ X1 (t)−X0 (t) ∝ ǫ eλt → O(1)

dX
= G X(t)
dt
Deterministic Chaos:
X1 (0)−X0 (0) ∝ ǫ =⇒ X1 (t)−X0 (t) ∝ ǫ eλt → O(1)
Complex System:
G1 [X] − G0 [X] = O(ǫ) =⇒ PG1 (X) − PG0 (X) = O(1)

Novo paradigma, segundo Parisi

In Biology, some proteins promote the production of
other proteins, while other proteins have a supressor effect.

For a given organism, in principle, we can use this
information to construct a model of the living cell, which can
be studied by lengthy computations on a computer
(thousand coupled differential equations, or more).

We could give up, and ask different questions, e.g. what
are the general properties of a living organism.

# cell types ∝ (# genes)1/2

# species in a island ∝ surf ace1/4

# species in a island ∝ surf ace1/4
This approach is quite different from a reductionist one,
as far as it puts the stress on the behavior of the whole
system.
Conflitos

Conflitos
“What should I order? That is the
question for individuals in groups
that have agreed to split the bill
equally. An individual can get
a modest meal and lower the
everyone’s bill or get a sumptu-
ous meal and eat at other’s ex-
pense — but thereby increase
the chance that others, too, will
follow that strategy. The Dinner’s
Dilemma is typical of a class of
N.S. Glance, B.A. Huberman social problems in which indivi-
(Xerox, Palo Alto) duals must choose between co-
Scientific American operating with the group or de-
março de 1994 fecting for personal gains”.

Gráficos em relevo

Gráficos em relevo
“Evolution of a scalar field leads to many

inflationary domains, as revealed in this
sequence of computer-generated images.
In most parts of the universe, the scalar
field decreases (represented as depressi-
ons and valleys). In other places, quan-
tum fluctuations cause the scalar field to
grow. In those places, represented as pe-
aks, the universe rapidly expands, leading
to creation of inflationary regions. We live
Andrei Linde (Stanford) in one of the valleys, where space is no
Scientific American longer inflating”.
novembro de 1994

Curto e longo prazo

Curto e longo prazo
Glance e Huberman, de novo:

“Stability function explains the dynamics of groups
confronting social dilemmas. No matter what a
group’s initial state may be, it quickly shifts into a
state of relative equilibrium, in which either many
or few people are cooperating (top). Small fluctua-
tions around this equilibrium point are routine (mid-
dle). Large fluctuations, however, which are rare,
can carry the group over a stability barrier. The
group will then very rapidly advance to a lower true
equilibrium state (bottom). In the long run, a group
will always settle into the lowest equilibrium state”.

O universo, segundo Andrei Linde

O universo, segundo Andrei Linde
“Self-reproducing universe
in a computer simulation
consists of exponentially
large domains, each of
which has different laws
of physics (represented
by colors). Sharp peaks
are new ‘big bangs’; their
heights correspond to
the energy density of the
universe there.
At the top of the peaks, the colors rapidly fluctuate, indicating that the laws of physics there
are not yet settled. They become fixed only in valleys, one of which corresponds to the kind
of universe we live now”.

Multi equilíbrio

Multi equilíbrio
“Florence Cathedral clock has hands that move
‘counterclockwise’ around its 24-hour dial. When
Paolo Uccello designed the clock in 1443, a con-
vention for clockfaces had not emerged. Com-
peting designs were subject to increasing re-
turns: the more clockfaces of one kind were built,
the more people become used to reading them.
Hence, it was more likely that future clockfaces
would be of the same kind. After 1550, ‘clockwise’
designs displaying only 12 hours had crowded
out other designs.The author argues that chance
W. Brian Arthur (Santa Fé) events coupled with positive feedbacks, rather
Scientific American than technological superiority, will often deter-
fevereiro de 1990 mine economic developments”.

A matemática envolvida

1000
distancia ao equilibrio
800
600
400
200
0
0 2 4 6 8 10
tempo

1000
800
600
400
200
0
0 2 4 6 8 10
tempo
sistema simples: x ∼ e−λt = e−t/τ

1000
800
600
400
200
0
0 2 4 6 8 10
tempo

τ é o tempo característico do decaimento
1000
distancia ao equilibrio sistema complexo: x ∼ t−α

800
600
400
200
0
0 2 4 6 8 10
tempo

1000

800
α é o expoente crítico,
600
400
200
0
0 2 4 6 8 10
tempo

1000

800
α é o expoente crítico,
600
e τ →∞
400
200
0
0 2 4 6 8 10
tempo

Exponencial × Lei de Potência

1000
100
10
0 2 4 6 8 10
tempo
1000
100
10
simples
1
0 2 4 6 8 10
tempo
1000
complexo
100
10
simples
1
0 2 4 6 8 10
tempo
Gráfico log × log

Gráfico log × log
1000
100
10
1
1 10 100 1000
tempo

Gráfico log × log
1000
100
10
simples:
exponencial
1
1 10 100 1000
tempo

Gráfico log × log
1000
100
complexo:
lei de potência
10
simples:
exponencial
1
1 10 100 1000
tempo

Gráfico log × log
1000
100
complexo:
lei de potência
10
simples:
exponencial
1
1 10 100 1000
tempo

A evolução do universo

A evolução do universo
“Temperature of the universe has
been falling since the big bang.
During the first microsecond, all
matter is though to have existed as
quark-gluon plasma. As the uni-
verse expanded and cooled, more
complex matter condensed out of
the plasma, eventually forming the
atoms observable today. Acce-
lerators now under construction
should be able to heat nuclei to
H. Gutbrot (CERN e Darmstadt) 2 × 1012 kelvins (200 million elec-
e H. Stöcker (Frankfurt) tron volts [MeV]), perhaps creating
Scientific American the much sought after primordial
novembro de 1991 quark matter”.

A evolução biológica

A evolução biológica
“Number of cell types in organisms

seems to be related mathematically
to the number of genes in the orga-
nism. In this diagram the number of
genes is assumed to be proportional
to the amount of DNA in a cell. If the
gene regulatory systems are K = 2
networks, then the number of attrac-
tors in a system is the square root
of the number of genes. The actual
number of cell types in various orga-
S.A. Kauffman (Santa Fé) nisms appears to rise accordingly as
Scientific American the amount of DNA increases”.
agosto de 1991
O mapa logístico

O mapa logístico
xt+1 = a xt (1 − xt )

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t
dx
dt = (a − 1) x − a x2

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t
dx
dt = (a − 1) x − a x2
a 6= 1:

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t
dx
dt = (a − 1) x − a x2
a 6= 1:
dx ∼
= − |a − 1| x
dt

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t
dx
dt = (a − 1) x − a x2
a 6= 1:
dx ∼
= − |a − 1| x =⇒ x(t) ∼ e−t/τ
dt

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t
dx
dt = (a − 1) x − a x2
a 6= 1:
dx ∼
= − |a − 1| x =⇒ x(t) ∼ e−t/τ
dt
com τ = 1/|1 − a|

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t
dx
dt = (a − 1) x − a x2
a 6= 1:
dx ∼
= − |a − 1| x =⇒ x(t) ∼ e−t/τ
dt
com τ = 1/|1 − a|
a = 1:

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t
dx
dt = (a − 1) x − a x2
a 6= 1:
dx ∼
= − |a − 1| x =⇒ x(t) ∼ e−t/τ
dt
com τ = 1/|1 − a|
dx ∼
= − x2
a = 1: dt

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t
dx
dt = (a − 1) x − a x2
a 6= 1:
dx ∼
= − |a − 1| x =⇒ x(t) ∼ e−t/τ
dt
com τ = 1/|1 − a|
dx ∼
= − x2 =⇒ x(t) ∼ t−1
a = 1: dt

O mapa logístico
xt+1 = a xt (1 − xt )
xt+1 − xt = (a − 1) xt − a x2t
dx
dt = (a − 1) x − a x2
a 6= 1:
dx ∼
= − |a − 1| x =⇒ x(t) ∼ e−t/τ
dt
com τ = 1/|1 − a|
dx ∼
= − x2 =⇒ x(t) ∼ t−1
a = 1: dt
com τ → ∞

Genética e linguagem

Genética e linguagem
L.L. Cavalli
-Sforza
(Firenze)
Scientific
American,
novembro 91

A evolução da linguagem

A evolução da linguagem
Scientific American
março de 1990
“Family tree of the Indo-European lan-
guages can be traced back to a pro-
tolanguage that flourished more than
6000 years ago. The protolanguage
split into dialects, which evolved into
distinct languages. Tocharian, a dead
language of Asia, has ties to Celtic,
an ancient European tongue. Similari-
ties between the Balto-Slavic and Indo-
Iranian families indicate that they influ-
enced each other before their speakers
T.V. Gamkrelidze e V.V. Ivanov moved north and south, respectively”.
(Moscou)
Nossa tataravó comum

Nossa tataravó comum
Scientific
American
abril de 1992
“African origin for all mo-
dern humans is indica-
ted by the genetic evi-
dence. A genealogy ba-
sed on 182 current mito-
chondrial DNA types (outer
edges) points to the exis-
tence of a common fe-
male ancestor who lived
recently in Africa”.
A.C. Wilson (Berkeley)
e R.L. Cann (Hawaii) ≈ 200 mil anos
Um modelo simples . . .

“Why do Evolutionary Systems Stick to the Edge of Chaos”
PMCO, arXiv.org cond-mat/0101170
versão menor em Theory in Biosciences 120, 1 (2001)

Uma população estável com 1000 indivíduos diplóides

é seguida no computador, geração após geração


Cada indivíduo é representado por duas tiras de 1024
bits cada (todos os bits 0 , no início)


A cada passo, casais aleatórios geram filhos, com
cruzamento, recombinação e mutações


cruzamento, recombinação e mutações . . .
. . . enquanto outros indivíduos morrem


cruzamento, recombinação e mutações . . .
. . . enquanto outros indivíduos morrem . . .
. . . com maior probabilidade quanto maior for o número
de bits 1 homozogóticos no genoma (seleção)
. . . com linhagem familar

Além do genoma, cada indivíduo tem um nome de
família, 1000 nomes distintos no início

O nome de família materno é passado aos filhos

Durante a evolução, uma primeira família se extingue,
depois outra, outra ainda, e assim por diante

O número de famílias vivas diminui gradativamente

O número de famílias vivas diminui gradativamente . . .
. . . de forma que uma única família sobrevive, após um
número suficientemente grande de gerações

Toda a população é formada por descendentes de uma
mesma tataravó!

Toda a população é formada por descendentes de uma
mesma tataravó!
Dentre os 1000 indivíduos da primeira geração,
apenas uma EVA deixa descendentes!

Resultado da simulação


Uma função exponencial . . .

Uma função exponencial . . .

. . . e uma lei de potência


Kolmogorov (1938)

Outra lei de potência


Outra referência

Outra referência
“Evolutionary Computer Simulations”
também em Physica A306, 351 (2002)

Outra referência
Os seres vivos são classificados hierarquicamente:

indivíduo, espécie, gênero, família, ordem, classe,
reino.

Outra referência

reino.
Interpretação conceitual da evolução biológica como
uma sucessão de transformações de escala . . .

Outra referência

reino.
. . . razão pela qual se observam todas as escalas.

Outra referência

reino.
. . . razão pela qual se observam todas as escalas.
Em outras palavras, a evolução biológica é um sistema
livre de escalas, com seus característicos
comportamentos universais.
Ancestrais, via DNA mitocondrial

Ancestrais, via DNA mitocondrial
“Pedigree of one
individual illustrates
the difference
between the pat-
terns of nuclear
and mitochondrial
inheritance. All 32
ancestors from five
generations ago
contributed equally
to his nuclear DNA.
His mitochondrial
lineage (blue line)
leads back to only

Wilson e Cann, de novo one person in every
generation”.
Árvore genealógica

Árvore genealógica
“Universal maternal an-
cestor can be found for all
the members of any popu-
lation. The example tra-
ces the lineages of 15 fe-
males in a stable popu-
lation. In each genera-
tion, some maternal linea-
ges proliferate and others
become extinct. Eventu-
ally, by chance, one ma-
ternal lineage replaces all
others”.
Wilson e Cann, mais uma vez

Dinâmica de Markov

Dinâmica de Markov
O estado atual depende apenas do anterior X t+1 = f (X t )

Dinâmica de Markov
Xo
ε ∆Xt ∆Xt+1
Xo
0 1 2 3 4 t t+1 tempo

Dinâmica de Markov
∆Xt = ǫ eλt
Xo
ε ∆Xt ∆Xt+1
λ é o expoente de Lyapunov
Xo
0 1 2 3 4 t t+1 tempo

Dinâmica de Markov
∆Xt = ǫ eλt
Xo
ε ∆Xt ∆Xt+1
Xo
λ > 0 : sistema caótico
0 1 2 3 4 t t+1 tempo

Dinâmica de Markov
∆Xt = ǫ eλt
Xo
ε ∆Xt ∆Xt+1
Xo
λ < 0 : sistema simples
0 1 2 3 4 t t+1 tempo

Dinâmica de Markov
∆Xt = ǫ eλt
Xo
ε ∆Xt ∆Xt+1
Xo
0 1 2 3 4 t t+1 tempo complexo: λ = 0

Dinâmica de Markov
∆Xt = ǫ eλt [(t + 1)α + . . . ]

Xo
ε ∆Xt ∆Xt+1
Xo

Dinâmica de Markov
∆Xt = ǫ eλt [(t + 1)α + . . . ]

Xo
ε ∆Xt ∆Xt+1
Xo
Desafio: Sendo X t Markoviano, ∆X t também é ?

Dinâmica de Markov
∆Xt = ǫ eλt [(t + 1)α + . . . ]

Xo
ε ∆Xt ∆Xt+1
Xo

SIM, caso λ 6= 0: ∆X t+1 = eλ ∆X t = g(∆X t )

Dinâmica de Markov
∆Xt = ǫ eλt [(t + 1)α + . . . ]

Xo
ε ∆Xt ∆Xt+1
Xo

SIM, caso λ 6= 0: ∆X t+1 = eλ ∆X t = g(∆X t )
1/α 1/α α
NÃO, se λ = 0: ∆X t+1 = ǫ + ∆X t = g(ǫ, ∆X t )

Lei de Kleiber (1932)

potência metabólica ∼ massa 3/4
em 27(!) ordens de magnitude, desde células até elefantes

“The Origin of Universal Scaling Laws in Biology”

Geoffrey B. West, Physica A263, 104 (1999)
originais em Nature e Science, para o transporte de sangue


rede de ramificações hierárquicas de veias


rede de ramificações hierárquicas de veias . . .

. . . com limite mínimo de diâmetro para os capilares
mais finos



mais finos . . .
. . . e otimização da energia livre



mais finos . . .
. . . e otimização da energia livre
resultado: expoentes múltiplos de 1/4

Outro modelo simples . . .

“Simple Bit-String Model for Lineage Branching”
PMCO, J. Sá Martins, D. Stauffer e S. Moss de Oliveira
PRE E70, 051910 (2004) arXiv.org cond-mat/0308617

Uma população estável com 100000 indivíduos

haplóides (asexuados) é seguida no computador


Cada indivíduo é representado por uma tira de G bits
cada, com G = 32, 64, 128, 256, 512, 1024 ou 2048
(todos os bits 0 , no início)


cada, com G = 32, 64, 128, 256, 512, 1024 ou 2048
A cada passo, indivíduos morrem, com maior
probabilidade quanto maior for o número de bits 1 no
genoma (seleção)


cada, com G = 32, 64, 128, 256, 512, 1024 ou 2048
A cada passo, indivíduos morrem, com maior
probabilidade quanto maior for o número de bits 1 no
genoma (seleção) . . .
. . . e são substituidos por novos indivíduos, filhas de
mães aleatórias, com mutações
. . . que inclui especiação

Quando uma filha tem menos bits 1 do que a mãe,
recebe um selo de potencial fundadora de uma nova
espécie

espécie . . .
. . . o que apenas se concretiza caso esta fundadora
venha a ter um número mínimo So = 10 de
descendentes vivos em alguma geração futura: então
toda a sua linhagem descendente (inclusive ela) passa
a pertencer a uma nova espécie

espécie . . .
Extinções ocorrem quando morre o último indivíduo de
uma dada espécie

espécie . . .
Extinções ocorrem quando morre o último indivíduo de
uma dada espécie . . .
. . . ou quando todos os membros vivos desta espécie
são descendentes de uma potencial fundadora, e
transferidos para uma nova espécie


genome length = 32, 64, 128, 256, 512, 1024, 2048
P = 100,000 So = 10 b = 0.02
0
10
−2
probability density
10
−4
10
−6
10
−8
10
0 0.1 0.2 0.3 0.4
fraction of 1−bits in genome

Espécies vivas

Espécies vivas
genome length = 32, 64, 128, 256, 512, 1024, 2048 from top
P = 100,000 So = 10 b = 0.02
−1
10
−2
10
# of living species/population
−3
10
−4
10
−5
10
0 200000 400000 600000 800000 1000000
time

Uma lei de potência

P = 100,000 So = 10 b = 0.02
−1
10
−2
exponent = −1.24
10
# species/population
−3
10
−4
10
−5
10
100 1000
genome length

P = 100,000 So = 10 b = 0.02
−1
10
−2
exponent = −1.24
10
# species/population
−3
10
−4
10
# espécies vivas ∼ (# gens)−5/4

−5
10
100 1000
genome length

Extinções

Extinções
P = 100,000 So = 10 b = 0.02
1
10
0
10
# of extinct species/year
−1
10
−2
10
−3
10
0 200000 400000 600000 800000 1000000
time


P = 100,000 So = 10 b = 0.02
7
10
exponent = −1.02
6
10
# extinct species
5
10
4
10
100 1000
genome length

P = 100,000 So = 10 b = 0.02
7
10
exponent = −1.02
6
10
# extinct species
5
10
# espécies extintas ∼ (# gens)−1

4
10
100 1000
genome length

Outra mais

Outra mais
P = 100,000 So = 10 b = 0.02
6
10
5
10 exponents
−1.02
−1.07
4
10 −1.10
3
counts
10
2
10
1
10
0
10
0 1 2 3 4 5 6 7 8
10 10 10 10 10 10 10 10 10
species size
Outra mais
P = 100,000 So = 10 b = 0.02
6
10
5
10 exponents
−1.02
−1.07
4
10 −1.10
3
counts
10
2
10
1
10
0
10
# extinções ∼ (tamanho)−1
0 1 2 3 4 5 6 7 8
10 10 10 10 10 10 10 10 10
species size
Outra ainda

Outra ainda
P = 100,000 So = 10 b = 0.02
6
10
exponents
5
10 −2.11
−2.11
−2.09
4
10
counts
3
10
2
10
1
10
0
10
1 2 3 4 5 6
10 10 10 10 10 10
species life time

Outra ainda
P = 100,000 So = 10 b = 0.02
6
10
exponents
5
10 −2.11
−2.11
−2.09
4
10
counts
3
10
2
10
1
10
0
10 # extinções ∼ (duração)−2
1 2 3 4 5 6
10 10 10 10 10 10
species life time

Outra ainda
P = 100,000 So = 10 b = 0.02
6
10
# Duração mínima ∼ (# gens)−1/4
exponents
5
10 −2.11
−2.11
−2.09
4
10
counts
3
10
2
10
1
10
0
10 # extinções ∼ (duração)−2
1 2 3 4 5 6
10 10 10 10 10 10
species life time

Doenças recessivas

Doenças recessivas
“Éloge de la Différence: La Génétique et les Hommes”
Albert Jacquard, Éditions du Seuil, Paris (1978)

Doenças recessivas
fenilcetonúria, hoje na França: x = 0.95%

Doenças recessivas
A. Jacquard: x = 0.90% em 6 gerações, um século e meio

Doenças recessivas

x = 0.50% em 95 gerações, vinte séculos !!

Doenças recessivas

A Natureza evita a perda do gen “defeituoso”,

adiando sua extinção para um futuro remoto.

Doenças recessivas

A Natureza evita a perda do gen “defeituoso”,

adiando sua extinção para um futuro remoto.
anemia falciforme ou talassemia versus malária

De onde vem a lentidão ?

casais prole frequência
NN + NN NN (1 − x)4
NN + Np NN 2 x (1 − x)3
Np 2 x (1 − x)3
Np + Np NN x2 (1 − x)2
Np 2 x2 (1 − x)2
pp x2 (1 − x)2 †

NN + NN NN (1 − x)4
NN + Np NN 2 x (1 − x)3
Np 2 x (1 − x)3
Np + Np NN x2 (1 − x)2
Np 2 x2 (1 − x)2
pp x2 (1 − x)2 †
x 2 (1 − x)2
x2 =
(1 − x)4 + 4 x (1 − x)3 + 4 x2 (1 − x)2

NN + NN NN (1 − x)4
NN + Np NN 2 x (1 − x)3
Np 2 x (1 − x)3
Np + Np NN x2 (1 − x)2
Np 2 x2 (1 − x)2
pp x2 (1 − x)2 †
x 2 (1 − x)2
x2 =
(1 − x)4 + 4 x (1 − x)3 + 4 x2 (1 − x)2
xt ∼
simplificando: xt+1 = = xt (1 − xt )
1 + xt

(Apresentação - Palestra) OLIVEIRA, P. M. C. Sistemas Dinâmicos Complexos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

(Apresentação - Palestra) OLIVEIRA, P. M. C. Sistemas Dinâmicos Complexos

Uploaded by

Copyright:

Available Formats

Sistemas Dinâmicos Complexos

minicurso na UFF, 20 e 22/10/2009

Paulo Murilo Castro de Oliveira

Instituto de Fı́sica, Universidade Federal Fluminense

Sistemas Dinâmicos Complexos – p. 1

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 2

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 3

Sistemas Dinâmicos Complexos – p. 4

Sistemas Dinâmicos Complexos – p. 4

Sistemas Dinâmicos Complexos – p. 4

Sistemas Dinâmicos Complexos – p. 4

Sistemas Dinâmicos Complexos – p. 4

Sistemas Dinâmicos Complexos – p. 4

Sistemas Dinâmicos Complexos – p. 4

Sistemas Dinâmicos Complexos – p. 4

Sistemas Dinâmicos Complexos – p. 4

Sistemas Dinâmicos Complexos – p. 5

Sistemas Dinâmicos Complexos – p. 5

Sistemas Dinâmicos Complexos – p. 5

Sistemas Dinâmicos Complexos – p. 5

Sistemas Dinâmicos Complexos – p. 5

Sistemas Dinâmicos Complexos – p. 5

X1 (0)−X0 (0) ∝ ǫ =⇒ X1 (t)−X0 (t) ∝ ǫ eλt → O(1)

Sistemas Dinâmicos Complexos – p. 5

X1 (0)−X0 (0) ∝ ǫ =⇒ X1 (t)−X0 (t) ∝ ǫ eλt → O(1)

G1 [X] − G0 [X] = O(ǫ) =⇒ PG1 (X) − PG0 (X) = O(1)

Sistemas Dinâmicos Complexos – p. 6

Sistemas Dinâmicos Complexos – p. 6

Sistemas Dinâmicos Complexos – p. 6

Sistemas Dinâmicos Complexos – p. 6

Sistemas Dinâmicos Complexos – p. 6

Sistemas Dinâmicos Complexos – p. 6

Sistemas Dinâmicos Complexos – p. 7

Sistemas Dinâmicos Complexos – p. 7

Sistemas Dinâmicos Complexos – p. 8

“Evolution of a scalar field leads to many

Andrei Linde (Stanford) in one of the valleys, where space is no

Scientific American longer inflating”.

Sistemas Dinâmicos Complexos – p. 8

Sistemas Dinâmicos Complexos – p. 9

Glance e Huberman, de novo:

Sistemas Dinâmicos Complexos – p. 9

Sistemas Dinâmicos Complexos – p. 10

Sistemas Dinâmicos Complexos – p. 10

Sistemas Dinâmicos Complexos – p. 11