Beruflich Dokumente
Kultur Dokumente
Jequié-BA
Julho de 2009
Universidade Estadual do Sudoeste da Bahia
Departamento de Quı́mica e Exatas
Orientador
Prof. Márcio Antônio de Andrade Bortoloti
Jequié-BA
Julho de 2009
i
Aprovada por:
Jequié-BA
Julho de 2009
ii
Agradecimentos
- A Deus por me fazer capaz de superar desafios e olhar além das limitações humanas.
- À minha famı́lia, em especial à minha tia Ana pelo apoio incondicional e minhas tias
Dade e Diva pela afetividade.
- Ao meu orientador Márcio Antônio de Andrade Bortoloti pelo aval, correções e sugestões
sempre muito pertinentes e à sua esposa Roberta D’Angela Menduni Bortoloti pelo
incentivo.
Resumo
Abstract
Sumário
Lista de Tabelas x
INTRODUÇÃO 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Sumário vi
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Modelo com duas Presas e um Predador: Crescimento Linear para as Presas 45
Conclusão 58
Referências 60
Lista de Figuras
8 Plano de fase do sistema (2.5) com os mesmos parâmetros usados na figura anterior e
condições iniciais indicadas no gráfico. . . . . . . . . . . . . . . . . . . . . . . . . 19
10 Plano de fase, sistema (2.19), para os mesmos parâmetros e condição inicial da figura
anterior. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
14 Retrato de fase do sistema (2.24) para a = 1.0, α = 0.5, b = 0.75, β = 0.25 e K = 8.0. . . 33
23 Plano de fase do sistema (2.32) com os mesmos parâmetros e condição inicial da figura
anterior. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
32 Retrato de fase do sistema (3.4) com os mesmos parâmetros e condição inicial da figura
30. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
33 Planos de fase do sistema (3.4). Em (a) plano de fase xz e em (b) plano de fase yz. . . 49
34 Trajetórias do sistema (3.5): (a) caso estável para b1 = 1.0, b2 = 1.5, b3 = 1.5, ǫ1 =
0.2, ǫ2 = 0.5, a1 = a2 = 0.2. Nesse caso o ponto de equilı́brio é (x0 , y0 , z0 ) = (31.5, 18.9, 8.0);
(b) Caso periódico com os mesmos parâmetros, mas com b1 = b2 = 1.0 e, nesse caso, o
ponto de equilı́brio é (x0 , y0 , z0 ) = (37.5, 15.0, 7.0). . . . . . . . . . . . . . . . . . . 52
35 Trajetórias do sistema (3.14) com b = 1.0, ǫ1 = 1.0, ǫ2 = 1.0, b3 = 1.0. Nesse caso, temos
√
o ponto de equilı́brio (s0 , z0 ) = 2, 1 . . . . . . . . . . . . . . . . . . . . . . . . 53
36 Trajetórias do sistema (3.4) com condição inicial (2.0, 2.0, 1.5) e n = 20: (a) caso estável
para b1 = 1.0, b2 = 1.5, b3 = 1.5, ǫ1 = 0.2, ǫ2 = 0.5, a1 = a2 = 0.2; (b) caso periódico
b1 = b2 = 1.0, b3 = 1.5, ǫ1 = 0.2, ǫ2 = 0.5, a1 = a2 = 0.2. . . . . . . . . . . . . . . . . 53
Lista de Tabelas
INTRODUÇÃO
Desde o século XIX até os dias de hoje houve um avanço formidável no entendimento
da dinâmica de sistemas ecológicos. Lotka (1920), motivado pela descoberta do compor-
tamento periódico em concentrações quı́micas e Volterra (1926) que propôs um modelo
simples para uma espécie na tentativa de explicar a flutuação populacional de um certo
peixe predador, pescado no Mar Adriático, contribuı́ram para a formulação do modelo
conhecido hoje como modelo de Lotka-Volterra, [1]. O modelo peca em admitir que na
ausência de predadores a população de presas cresce ilimitadamente, o que não é possı́vel
na prática. Verhulst, em 1836, propôs que um processo limite uniforme deveria operar
quando uma população torna-se grande demais, ele sugeriu o que é chamado de cresci-
mento logı́stico de uma população. Portanto, se um termo logı́stico for incorporado ao
modelo de Lotka-Volterra, este se tornará mais realista, [2], é o que fazemos nas seção 2.4
do capı́tulo 2.
ii) Competição, em que cada espécie afeta negativamente a outra na luta por espaço
fı́sico, água, comida, ou outros meios de subsistência;
iii) Amensalismo, em que uma espécie A é afetada negativamente por uma espécie B, e
esta não se afeta.
iv) Comensalismo, em que uma espécie A (comensal ou hóspede) necessita de uma espécie
B (hospedeira), mas não se afetam pela interação. Um exemplo dessa situação é o
das árvores de uma floresta tropical e as orquı́deas que habitam em seus galhos.
Vii) Parasitismo, e
Viii) Predação, em que uma espécie afeta negativamente a outra através de um ataque
direto, dependendo, entretanto, da outra para sobreviver.
Exemplos de predação são bem comuns na natureza, como por exemplo: um leão que
persegue sua presa nas planı́cies africanas, cobras que se alimentam de sapos, raposas
e coelhos em uma floresta fechada (as raposas se alimentam dos coelhos que vivem da
vegetação), vespas e aranhas, aranhas com suas teias e insetos voadores, etc.
INTRODUÇÃO 3
Neste contexto, modelos presa-predador são apresentados neste trabalho. Vale ressaltar
que em todos os modelos que estudamos, estamos assumindo que as dinâmicas de cresci-
mento ou mortalidade das espécies estão isentas de fatores abióticos (temperatura, vento,
umidade, etc.) e fatores de auto-regulação (espaço, alimento, idade, guerras, etc.), exceto
quando dito explicitamente, como é o caso dos modelos de auto-regulação apresentados
nas seções 2.4 e 2.5 do capı́tulo 2. Além disso, estamos considerando modelos determinı́s-
ticos, baseados em equações diferenciais ordinárias. Uma alternativa mais recente para
modelagem de tais fenômenos é empregar modelos variacionais fuzzy, como feito em [4],
[5] e [6], onde as variáveis e parâmetros são considerados como conjuntos que exibem o
grau de pertinência de seus elementos.
No primeiro capı́tulo, vamos rever alguns dos principais modelos determinı́sticos para
dinâmica populacional de espécies isoladas. Na seção 1.2 estudamos o modelo de Malthus,
na seção 1.3 o modelo de Verhulst e, na seção 1.5, apresentamos o modelo de Montroll.
Ao longo deste trabalho precisamos usar alguns resultados que são explicados me-
lhor nos apêndices: no apêndice A fazemos uma breve abordagem de sistemas lineares
autônomos; no apêndice B abordamos os sistemas quase lineares e ciclos limites; no
apêndice C são abordadas as funções de Liapunov e o critério de Routh-Hurwitz, que
utilizamos no capı́tulo 3 para estudar a estabilidade de sistemas presa-predador para três
INTRODUÇÃO 4
Para estudar o comportamento das soluções dos sistemas apresentados nos capı́tulos
2 e 3, nós encontramos seus pontos de equilı́brio não-triviais. Depois, usando a matriz
do sistema linearizado, analisamos a estabilidade dos pontos de equilı́brio obtidos. E,
finalmente, escolhendo a condição inicial (tomando o ponto de equilı́brio como referência)
encontramos a solução do sistema através do método numérico de Runge-Kutta de quarta
ordem.
5
1.1 Introdução
Nas seções seguintes discutiremos alguns dos modelos simples para a dinâmica de
populações que servem de base para o estudo de problemas ecológicos complexos tais
como teias tróficas, metapopulações, formação de comunidades, etc.
base para muitos outros estudos, tanto de crescimento populacional como de competição
entre espécies, inspirando modelos cada vez mais realı́sticos.
Uma análise de tais modelos é feita em seções posteriores. A escolha destes deve-
se a indubitável relevância histórica em termos de contribuição para o desenvolvimento
de técnicas de modelagem populacional. Na seção 1.2 é feita uma análise do modelo de
Malthus, na seção 1.3 estudamos o modelo de Verhulst e, um generalização deste é feita na
seção 1.5 com um modelo chamado de “Modelo de Montroll”. Nós os analisamos analı́tica
e numericamente levando em consideração as respectivas peculiaridades de cada um.
dx(t)
= (m − n)x(t), (1.1)
dt
onde m > 0 é o coeficiente de crescimento da população devido aos nascimentos (taxa de
natalidade) e n > 0 é o coeficiente de decrescimento da população devido às mortes (taxa
de mortalidade). Fazendo a = m − n na equação (1.1) obtemos
dx(t)
= ax(t), (1.2)
dt
que é a equação do crescimento Malthusiano. A idéia de Malthus era simples: quanto
mais indivı́duos existirem, mais rapidamente a população vai aumentar. Mas, que tipo de
crescimento esse modelo gera?
Como ilustrado nas figuras 1 e 2, segundo o modelo de Malthus para a > 0, a população
cresce sem restrições e, a < 0, a população vai à extinção para diferentes condições iniciais.
Tal fato ratificaremos mais adiante mediante a análise da solução da equação (1.2).
i) se a > 0 (nasce mais do que morre) então lim x(t) = +∞, a população cresce in-
t−→∞
definidamente;
ii) se a < 0 (morre mais do que nasce) então lim x(t) = 0, a população decresce até à
t−→∞
extinção;
1.3 Modelo de Verhulst 8
Assim, para a > 0, o crescimento populacional previsto pelo modelo é, demografica-
mente falando, “explosivo”. Em outras palavras, queremos dizer que segundo esse modelo
a população cresceria indefinidamente.
Como vimos na seção anterior, segundo o modelo de Malthus, para a > 0, a popu-
lação cresceria indefinidamente, mas isso obviamente não pode acontecer pois, mais cedo
ou mais tarde, o esgotamento dos recursos disponı́veis (os suprimentos de água, comida,
etc) imporá limites a esse crescimento. Assim, em 1838, o matemático Pierre Verhulst
propôs uma generalização do modelo de Malthus que leva em conta essas restrições “am-
bientais”. Tal modelo considera o fato de os recursos serem limitados e admite que a taxa
de crescimento da população seja proporcional à própria população em cada instante.
dx(t)
= g(x)x(t). (1.4)
dt
A função g(x) é escolhida de forma que g(x) ≈ a > 0 quando x for suficientemente
pequeno, g(x) decresça quando x crescer e g(x) < 0 quando x for suficientemente grade.
Uma função simples que satisfaz estas hipóteses é dada por g(x) = m − nx. Usando esta
função na equação (1.4) e fazendo K = m/n obtemos
dx(t)
x(t)
=a 1− x(t). (1.5)
dt K
1.3 Modelo de Verhulst 9
Kx0
x(t) = . (1.6)
x0 + (K − x0 ) e−at
A figura 3 mostra o gráfico da equação (1.6), com a = 0.5 e K = 3.0, para diferentes
condições iniciais. Podemos perceber que todas as curvas mostradas no gráfico tendem a
solução de equilı́brio x = K, quando t −→ ∞, mas nunca atingem esse valor em nenhum
tempo finito. Assim K é uma cota superior nunca atingida para populações crescentes
em que x0 < K, o que ratifica as observações feitas no inı́cio desta seção.
Pela equação (1.6) podemos comprovar todas conclusões qualitativas a que chegamos
anteriormente. Em particular,
Kx0
iii) se a > 0 então lim x(t) = lim = K, ou seja, a solução tende
t−→∞ t−→∞x0 + (K − x0 ) e−at
assintoticamente à solução de equilı́brio x = K. Assim podemos dizer que x = K
é uma solução assintoticamente estável da equação (1.5). Com isso, concluı́mos que
após um longo tempo, a população fica próxima ao nı́vel de saturação independente
do tamanho da população inicial, desde que seja positivo. Além disso, se x0 < K a
população cresce se aproximando assintoticamente de K com t −→ ∞, se x0 > K a
população decresce, novamente se aproximando assintoticamente de K com t −→ ∞,
se x0 = K a população permanece constante no tempo.
0.3
0.2
0.1
–0.2
–0.3
K Kx0 K − x0 1 K − x0
= ⇒ eat = ⇒ t∗ = ln , com a 6= 0 e x0 < K.
2 x0 + (K − x0 ) e−at x0 a x0
O modelo de Verhulst, assim como o de Malthus, tem suas limitações. Por exemplo,
ele não leva em conta que a taxa de produção de novos membros da espécie depende
da idade dos pais, ou seja, que os novos membros não contribuem de imediato para o
aumento da espécie. Além disso, o ponto de inflexão (ou crescimento máximo) da curva
está sempre localizado no ponto K/2, o que nem sempre acontece na maioria das variáveis
relacionadas a fenômenos com tendência assintótica, [9].
Assim, podemos constatar pelo exposto que, a dinâmica da população urbana de Passo
Fundo ficou bem descrita pelos modelos de Malthus e Verhulst nos perı́odos considerados.
Os dados obtidos em tal estudo ainda constataram que os resultados obtidos pelo modelo
de Verhulst foram os que mais se aproximaram do crescimento populacional real.
mente de forma linear como no modelo de Verhulst, [5]. A formulação matemática para
o modelo de Montroll é x b
ẋ = a 1 − x, (1.8)
K
onde K > 0 é a capacidade suporte, a e b são constantes reais.
O ponto de equilı́brio não nulo da equação (1.8) é x∗ = K e sua solução é dada por
Kx0
x(t) = 1 . (1.10)
xbo + K b − xb0 e−bat b
ii) se a > 0 e b < 0 ou a < 0 e b > 0 então lim x(t) = 0, ou seja, a população vai à
t−→∞
extinção;
iii) se a, b > 0 ou a, b < 0 então lim x(t) = K, ou seja, a solução tende assintoticamente
t−→∞
à solução de equilı́brio x = K.
Os modelos acima expostos foram formulados para tempo contı́nuo, onde se supõe
que os indivı́duos se reproduzem a todo instante, o que é raro em populações biológicas,
[9]. Modelos discretos são considerados mais realı́sticos, por contemplar a reprodução de
indivı́duos sazonalmente. Porém tais modelos só vieram a ser estudados a partir de 1975
com o ecólogo austrı́aco Robert M. May, [11].
Apesar das crı́ticas aos modelos aqui expostos, estes são indubitavelmente impor-
tantes no estudo da dinâmica populacional, pois serviram de base para muitos outros
1.5 Modelo de Montroll 15
matematicamente mais “robustos”. Além disso, por serem modelos relativamente simples,
permitem-nos avaliar criticamente as várias suposições (hipóteses) e suas conseqüências.
Frisamos que modelos mais realı́sticos exigem alto grau de sofisticação matemática
e devem usar equações diferenciais parciais considerando idade, fecundidade, taxas de
mortalidade que variam com o tempo, dentre outros fatores intrı́nsecos às populações em
estudo. Entretanto, os modelos mais sofisticados são, invariavelmente, aperfeiçoados dos
modelos simples, o que ratifica a importância destes.
16
2.1 Introdução
A dinâmica entre presas e predadores tem sido um dos principais assuntos do estudo
da Ecologia de população animal. A partir do modelo clássico de Lotka-Volterra, muitas
contribuições foram acumuladas a fim de obter aproximações mais realı́sticas e efeitos
estabilizadores.
As dinâmicas de interação entre duas espécies são muito complexas para serem ana-
lisadas no meio em que se processam, devido a fatores ambientais diversos. Sendo assim,
é necessário assumirmos algumas hipóteses para construção de modelos matemáticos ra-
zoáveis. É necessário assumirmos, por exemplo, que tanto as espécies de presas quanto
as de predadores não são afetadas por catástrofes naturais ou outros fenômenos fortuitos
que possam ocorrer no meio em que habitam. Assumimos também que os predadores
estão distribuı́dos uniformemente no habitat, ou seja, que todos têm a mesma chance de
encontrar e consumir as presas e que não há competição entre eles.
Estudando a dinâmica de duas espécies vivendo num mesmo habitat, onde uma preda
a outra, surgi-nos alguns questionamentos: o quanto a predação reduz o número de presas?
É possı́vel a coexistência de predadores e presas e, em caso afirmativo, sob quais condições?
Neste e no próximo capı́tulo estaremos revendo estas e outras questões em detalhes.
A interação entre duas espécies foi modelada matematicamente pela primeira vez por
Alfred J. Lotka (1925) e Vito Volterra (1926) através de um sistema de equações diferen-
ciais não-lineares conhecidas como Modelo presa-predador ou Modelo de Lotka-Volterra,
[12]. Tais equações são úteis não só para modelar interações entre presas e predadores
2.2 Modelo de Lotka-Volterra 17
como também, interações entre parasitas e hospedeiros, competição entre espécies, dentre
outros “fenômenos”.
ẋ = ax, (2.1)
ẏ = −by, (2.3)
onde b > 0 é uma constante. Entretanto, a presença de presas modifica essa situação:
supõe-se que a taxa de crescimento da população y aumente linearmente quando a popu-
lação x aumenta, ou seja, é acrescida de um termo βxy, onde β > 0 é constante. Assim,
segue de (2.3) que,
ẏ = (−b + βx)y. (2.4)
A introdução dos termos −αxy e βxy nas equações (2.2) e (2.4) leva em consideração
que cada um dos encontros tende a inibir o crescimento da população de presas e a
2.2 Modelo de Lotka-Volterra 18
Figura 7: Variação da densidade de presas e predadores em relação ao tempo, sistema (2.5), com a = 1.0,
α = 0.5, b = 0.75, β = 0.25 e condição inicial (x0 , y0 ) = (1.5, 2.0).
Figura 8: Plano de fase do sistema (2.5) com os mesmos parâmetros usados na figura anterior e condições
iniciais indicadas no gráfico.
predadores novamente por haver menos comida e, o sistema volta a seu estado original.
Essa dinâmica continuará num ciclo de crescimento e declı́nio contı́nuo.
A análise das equações do sistema (2.5) mostra ainda que o mesmo oscila com perı́odo
determinado pelos parâmetros das equações para o ponto de coexistência e possui uma
amplitude dependente apenas das condições iniciais. Este é um aspecto interessante que
2.2 Modelo de Lotka-Volterra 20
devemos frisar: aquilo que determina se a densidade de uma das populações aumenta ou
diminui é a densidade da outra população.
Observamos na figura 8 que trajetórias de x(t) e y(t) no plano xy são fechadas, sendo
as funções x(t) e y(t) periódicas
e que aamplitude aumenta conforme a condição inicial
b a
afasta-se do estado de equilı́brio , = (3, 2).
α β
O padrão nas variações dos tamanhos das populações pode se repetir quando as
condições permanecem constantes. O processo continua em ciclos, denominados ciclos
limites. Esta análise qualitativa é baseada, essencialmente, na variação dos sinais das
derivadas do sistema (2.5) e consequentemente no estudo dos pontos de equilı́brio. Esses
pontos de equilı́brio serão estudados a seguir.
Igualando a zero cada uma das equações do sistema (2.5), encontramos as soluções de
equilı́brio do sistema que são
{x = 0, y = 0} (2.6)
e
b a
x = ,y = . (2.7)
β α
A seguir, vamos examinar o comportamento local das soluções próximas a cada ponto
crı́tico. Como as funções F (x, y) = (a−αy)x e G(x, y) = (−b+βx)y são tão diferenciáveis
quanto o necessário então o sistema (2.5) é quase linear, [13]. Entendemos como sistema
quase linear aquele que pode ser aproximado por um sistema linear apropriado (veja
apêndice B). Assim, utilizando Fx e Gx para indicar, respectivamente, as derivadas de
F (x, y) e G(x, y) em relação a x e Fy e Gy para indicar, respectivamente, as derivadas de
F (x, y) e G(x, y) em relação a y, podemos obter um sistema linear correspondente. Para
tanto vamos usar o procedimento descrito no apêndice B, isto é,
!
F (x
x 0 0, y ) Fy (x ,
0 0y )
(u̇, v̇)T = (u, v)T . (2.8)
Gx (x0 , y0 ) Gy (x0 , y0 )
2.2 Modelo de Lotka-Volterra 21
Assim, como os autovalores são reais com sinais contrários, a origem é um ponto de
sela e, portanto, instável. A única trajetória que se aproxima do ponto crı́tico (0, 0) é a
que parte do ponto inicial (0, y0 ), isso quer dizer que na ausência de presa, a população
de predadores é extinta.
b a
Consideremos, agora, o ponto crı́tico (b/β, a/α). Fazendo x = +u e y = +v
β α
obtemos o sistema linear correspondente
!
0 −αb/β
(u̇, v̇)T = (u, v)T . (2.13)
βa/α 0
Como os autovalores do sistema são imaginários puros, o ponto crı́tico (b/β, a/α) é
um centro (estável) para sistema linear (2.13). Dividimos a segunda do sistema (2.13)
pela primeira para obter
aβ 2 udu + bα2 vdv = 0. (2.15)
aβ 2 u2 + bα2 v 2 = c, (2.16)
2.2 Modelo de Lotka-Volterra 22
onde c > 0 é a constante de integração. Agora, dividindo a equação (2.16) por c encon-
tramos
u2 v2
c + c = 1. (2.17)
αβ 2 bα2
Assim, pela equação (2.17) ratificamos que as trajetórias do sistema são elı́pticas,
fechadas em torno do seu ponto crı́tico, convenientemente chamado de ciclo ecológico, [9].
2.3.1 Introdução
Quando as lagartas atacam as canas novas causam a morte da gema apical, cujo
sintoma é conhecido por “olho morto” (pequenas porções dos nós do colmo, visivelmente
prejudicadas), ocasionando falhas na germinação.
Na cana adulta, além dos danos descritos anteriormente, ocorre perda de peso, bro-
tação lateral, enraizamento aéreo, colmos quebrados e entrenós atrofiados. Além disto,
pelos buracos deixados pelas lagartas da broca penetram fungos que ocasionam a “po-
dridão vermelha”. Durante a germinação do tolete infectado por estes fungos ocorrem a
morte da gema e a redução da germinação. Quando as plantas crescem surgem lesões nas
folhas, que culminam com a morte prematura das mesmas.
Como a broca passa a maior parte da vida “dentro” da cana, torna-se difı́cil o com-
bate por meio de agentes quı́micos. A forma mais eficiente de combate tem sido através
do controle biológico, utilizando espécies de insetos que predam a broca, os quais são
disseminados no canavial.
O parasitismo começa quando a fêmea da vespa adulta entra no colmo pelo orifı́cio
praticado pela broca e encontra a lagarta (da broca). Então, através de uma picada,
deposita no interior do corpo do hospedeiro (a lagarta) cerca de 50 ovos. Estes ovos se
desenvolvem no interior do corpo do hospedeiro, alimentando-se de seus tecidos por cerca
de 10 a 12 dias. Ao final deste perı́odo as larvas do Apanteles migram para fora do corpo
da lagarta, que exaurida morre, e forma casulos (pupas), ficando neste estado de 3 a 5
dias quando tornam-se vespas adultas, completando o seu ciclo vital.
Para as brocas, consideremos que cada adulto dá origem a 5 indivı́duos adultos, ou
seja, a razão de crescimento para a brocas é r = 5/1 a cada geração. Sendo t1 o número
médio de dias do ciclo, então
53 + 63
t1 = = 58 dias.
2
Supondo que na ausência das vespas a população de brocas aumenta sem inibição,
temos:
ln r
x(t1 ) = x0 eat1 ⇒ rx0 = x0 eat1 ⇒ a =
t1
ln 5
Assim, a = ≈ 0.027749.
58
O coeficiente α representa o ı́ndice de interação entre as duas espécies e é calculado
através da taxa de eficiência do controle das brocas pelas vespas. Mas, como apenas as
fêmeas atacam as brocas, e no ataque às brocas liberam indistintamente machos e fêmeas,
podemos admitir uma taxa de controle de 50%, isto é, x(t2 ) = 0.5x0 , onde t2 = 15 dias é
o perı́odo médio do ciclo da vespa.
x
Agora, substituindo = 0.5, t = t2 = 15 dias, temos
x0
ln 0.5 = 0.416235 − 75000α
O coeficiente b representa a taxa de mortalidade das vespas caso não encontrem “ali-
mento”. Como vimos, a fêmea da vespa procura a broca para a postura dos ovos, e as
larvas é que se alimentam dela. Entretanto, as vespas após a liberação dos ovos duram
de 48 a 72 horas. Suponhamos, a partir destes dados, que a população de vespas esteja
reduzida a 5% em cerca de 60 horas.
2.3 Controle Biológico da Broca da Cana-de-Açúcar 26
y(t) = y0 e−bt
0.05y0 = y0 e−2.5b
ẏ = −by + βxy ⇒
ẏ = (2000β − 1.98293) y ⇒
y(t) = y0 e(2000β−1.198293)t .
Figura 9: Variação da densidade de brocas e vespas ao longo do tempo, sistema (2.19), para a =
0.027749, α = 0.000015, b = 1.198293, β = 0.000689 e condição inicial (x0 , y0 ) = (2000, 5000).
Figura 10: Plano de fase, sistema (2.19), para os mesmos parâmetros e condição inicial da figura
anterior.
ẋ x (a − αy)
= .
ẏ y (−b + βx)
βx − b ln(x) = a ln(y) − αy + C,
C = −7.891451805.
b ∼ a
x∗ = = 1739 brocas e y ∗ = ∼= 1850 vespas.
β α
1
ẋ = a − αy
x
(2.20)
1
ẏ = −b + βx.
y
Segue que,
T
a 1
Z
• = y dt é o valor médio da população das vespas ao longo do perı́odo T ;
α T 0
T
b 1
Z
• = x dt é o valor médio da população das brocas ao longo de T .
β T 0
2.4 Modelos Presa-Predador Modificados 29
Este resultado indica que, para este modelo, se queremos diminuir a quantidade de
brocas não adianta aumentarmos a quantidade de vespas, pois tal fato somente alteraria
a magnitude da oscilação do ciclo.
Além disso, concluı́mos que as brocas com a predação são limitadas superiormente
(pelas vespas), figura 9, o que não ocorre para a população de brocas isoladas em um
canavial (teoricamente). Portanto, mesmo não aniquilando as brocas, a prática deste
método natural de controle dessa praga leva a uma grande redução da população da
mesma.
2.4.1 Introdução
onde f (x) representa a taxa de crescimento das presas na ausência de predadores, g(x, y)
é a taxa de mortalidade das presas devido à predação ou resposta funcional, p(x, y) é o que
chamamos de resposta numérica que representa a eficiência do predador em transformar
as presas capturadas em novos descendentes e b é a taxa de mortalidade dos predadores.
as presas e deve ser tal que: existe um número K > 0 tal que f (x) > 0 para 0 < x < K;
f (K) = 0; f (x) < 0 para x > K. Uma função que caracteriza bem estas hipóteses é a
função que usamos no capı́tulo 1 (seção 1.3) dada por
x
f (x) = a 1 − . (2.23)
K
Assim, substituindo tal função no sistema (2.22), temos
ẋ = a − a x − αy x
K (2.24)
ẏ = (−b + βx)y,
onde as constantes são as mesmas dos modelos anteriores. Este modelo representa um
sistema presa-predador um pouco mais rico e realista que o Lotka-Volterra dado pelo
sistema (2.5), pois, diferentemente das equações de Lotka-Volterra, o termo de crescimento
das presas é logı́stico e não exponencial. Isto significa que existe uma população máxima
de presas que o meio pode comportar.
Figura 11: Variação da densidade de presas e predadores em relação ao tempo, sistema (2.24), para
a = 1, α = 0.5, b = 0.75, β = 0.25, K = 4.0 e condição inicial (x0 , y0 ) = (2, 3).
{x∗ = 0, y ∗ = 0} (2.25)
2.4 Modelos Presa-Predador Modificados 31
Figura 12: Variação da densidade de presas e predadores em relação ao tempo, sistema (2.24), para
K = 8.0. Os outros parâmetros e a condição inicial são os mesmos da figura anterior.
e
b ∗ a b
x = ,y =
∗
1− . (2.26)
β α βK
Como estamos admitindo ẏ > 0, para todo t, então encontramos a seguinte condição
para K:
b
K> ,
β
ou seja, existem certos valores dos parâmetros biológicos que impossibilitam a coexistência
das espécies. Quando uma taxa de mortalidade b do predador elevada não é compensada
por um K suficientemente elevado da presa, o predador extingue-se (veja figura 13), ao
contrário do modelo de Lotka-Volterra em que a coexistência era, teoricamente, sempre
possı́vel, independentemente dos parâmetros utilizados.
Figura 13: Variação da densidade de presas e predadores em relação ao tempo, sistema (2.24), para
a = 1.0, α = 0.5, b = 1.5, β = 0.25 e K = 4.0 e condição inicial (x0 , y0 ) = (2, 3).
e
{x∗ = 3.0, y ∗ = 1.25.}
A figura 14 mostra como o sistema (2.24) atinge o equilı́brio em uma trajetória espiral
em torno do seu ponto de equilı́brio. Nesse caso, ao contrário do sistema Lotka-Volterra,
a trajetória do sistema (2.24) é curvilı́nea, mas não fechada. As figuras 11 e 12 mostram
que o sistema não forma oscilações permanentes, como no sistema Lotka-Volterra, mas
pode formar oscilações amortecidas. A ocorrência ou não destas oscilações amortecidas
depende da relação entre K e os parâmetros do modelo.
Além disso, quando x∗ está próximo de K a presa cresce lentamente, ou seja, as presas
“capturadas” são substituı́das lentamente. Podemos observar nas figuras 11 e 12 que a
população de presas, inicialmente, tem uma pequena queda em virtude da superioridade
2.4 Modelos Presa-Predador Modificados 33
Figura 14: Retrato de fase do sistema (2.24) para a = 1.0, α = 0.5, b = 0.75, β = 0.25 e K = 8.0.
quantitativa dos predadores; isto é suficiente para haver uma queda brusca na população
de predadores, por haver pouco alimento disponı́vel; novamente, em virtude da diminuição
dos predadores, as presas voltam a aumentar e consequentemente os predadores também.
Este processo vai sendo amortecido pela função f (x) que limita o crescimento das presas
em virtude da capacidade do meio, o que conduz o sistema ao equilı́brio.
Assim, concluı́mos que a densidade das presas ainda é influenciada por caracterı́sticas
do predador e a densidade do predador por caracterı́sticas da presa. Como as presas
crescem logisticamente, elas tendem a seu ponto de atração (capacidade suporte) K; a
presença dos predadores impede que a densidade de presas alcance este ponto, mantendo
seus nı́veis sempre abaixo do mesmo.
Portanto, quando a taxa de crescimento das presas depende de sua própria densidade,
equação (2.24), a interação presa-predador torna-se estável.
2.4 Modelos Presa-Predador Modificados 34
(a) (b)
Figura 15: Variação da densidade de presas e predadores em relação ao tempo com condição inicial
(x0 , y0 ) = (1.5, 2.5). Em (a) a = 0.8 α = 0.5, b = 0.75, β = 0.25 e K = 8.0 e em (b) a = 1.5, α = 0.5,
b = 0.75, β = 0.25 e K = 8.0.
(a) (b)
Figura 16: Variação da densidade de presas e predadores em relação ao tempo com condição inicial
(x0 , y0 ) = (1.5, 2.5). Em (a) a = 1.0 α = 0.5, b = 0.2, β = 0.25 e K = 8.0 e em (b) a = 1.0, α = 0.5,
b = 0.9, β = 0.25 e K = 8.0.
mais rapidamente os predadores crescem, pois há mais alimentos a serem consumidos, em
contrapartida, quanto menor o número de presas menor possibilidade de crescimento para
os predadores por haver insuficiência de alimento.
Nesse sentido, o número de presas atua como um fator regulador do crescimento dos
predadores. Estas colocações nos inspiram a buscar uma função para a resposta numérica
do predador que dependa diretamente da densidade das presas e que seja uma adaptação
da função de Verhulst.
y
p(x, y) = β 1 − . (2.27)
x
x
Substituindo a função (2.27) e f (x) = a 1 − nas equações do sistema (2.22)
K
temos
ẋ = a − a x − αy x
K (2.28)
ẏ = (−b + βx − βy) y.
Figura 17: Variação da densidade de presas e predadores em relação ao tempo, sistema (2.28), para
a = 0.5 α = 0.8, b = 0.4, β = 0.25 e K = 100.0 e condição inicial (x0 , y0 ) = (2.5, 3.5).
2.4 Modelos Presa-Predador Modificados 36
Figura 18: Variação da densidade de presas e predadores em relação ao tempo, sistema (2.28), para
a = 0.5 α = 0.8, b = 0.5, β = 0.25 e K = 100.0 e condição inicial (x0 , y0 ) = (2.5, 3.5)
.
Figura 19: Plano de fase do sistema (2.28) com os mesmos parâmetros da figura anterior.
(a) (b)
Figura 20: Variação da densidade de presas e predadores em relação ao tempo para a = 0.5, b = 0.5,
α = 0.8, K = 100.0, condição inicial (x0 , y0 ) = (1.5, 2.5) e variando o parâmetro β: em (a), β = 0.2 e em
(b), β = 0.5.
(a) (b)
Figura 21: Variação da densidade de presas e predadores em relação ao tempo para a = 0.5, b = 0.5,
β = 0.3, K = 100.0, condição inicial (x0 , y0 ) = (1.5, 2.5) e variando o parâmetro α: em (a), α = 0.5 e em
(b), α = 0.8.
2.5 Outros Modelos 38
Do ponto de vista ecológico esse modelo parece mais conveniente para representar a
dinâmica de interação entre espécies em sistemas presa-predador por considerar, além da
inibição do crescimento das presas pelo limite de recursos naturais, que os predadores
estão limitados pela quantidade de presas, o que é consideravelmente verdadeiro já que
estes se alimentam unicamente delas.
Função I:
α
g(x) = (2.29)
1 + mx
Função II:
α
g(x, y) = y (2.30)
1+ x
Função III:
α
g(x, y) = y (2.31)
1 + ex
x αy
ẋ = a 1− − x
1 + xy
K
(2.33)
λαx
ẏ = −b + y,
1 + xy
2.5 Outros Modelos 40
Figura 22: Variação da densidade de presas e predadores em relação ao tempo, sistema (2.32), para
a = 10.0 α = 0.6, b = 0.09, λ = 0.02 e K = 100.0, m = 0.01 e condição inicial (x0 , y0 ) = (10, 20).
x αy
ẋ = a 1− − x
y
K 1 + ex
(2.34)
λαx
ẏ = −b + y.
y
1 + ex
Figura 23: Plano de fase do sistema (2.32) com os mesmos parâmetros e condição inicial da figura
anterior.
Vamos agora analisar sucintamente o sistema (2.32), seus pontos de equilı́brio e uni-
2.5 Outros Modelos 41
Figura 24: Variação da densidade de presas e predadores em relação ao tempo, sistema (2.33), para
a = 0.6 α = 0.6, b = 0.75, λ = 0.25 e K = 100.0.
cidade das soluções. A figura 22 mostra o gráfico da solução de tal sistema. Abaixo
expomos as possibilidades para seus pontos de equilı́brio:
b λα
x∗ = > 0, ou seja, m <
λα − bm b
e
a b λα
y =
∗
1− > 0,
α K (λα − bm) λα − bm
o que nos dá a seguinte condição:
b
K> .
λα − bm
2.5 Outros Modelos 42
Figura 25: Variação da densidade de presas e predadores em relação ao tempo, sistema (2.34), para
a = 0.5 α = 0.5, b = 0.5, λ = 0.25 e K = 100.0.
e as condições 0 < m < 0.13 e K > 8.11. A figura 23 mostra o plano de fase para o
sistema (2.32). Observando-o ratificamos a estabilidade do sistema em torno do ponto
2.5 Outros Modelos 43
crı́tico não-trivial.
Análises análogas podem ser feitas aos sistemas (2.33) e (2.34), como apresentadas
em [17], cujos gráficos densidade versus tempo podem ser visualizados, respectivamente,
nas figuras 24 e 25. Nas figuras 26 e 27 estão os respectivos retratos de fase para esses
sistemas.
3.1 Introdução
Neste capı́tulo estudamos modelos presa-predador para três espécies, com duas pre-
sas e um predador. Primeiramente consideramos modelos com as espécies interagindo
livremente e posteriormente incorporamos uma estratégia de controle chamada switching,
que representa o deslocamento da preferência do predador para um determinado tipo de
presa.
Na seção 3.3 além do efeito switching levamos em consideração que as presas crescem
logisticamente.
3.2 Modelo com duas Presas e um Predador: Crescimento Linear para as Presas 45
Partimos do suposto que não há competição entre as presas e que elas não interagem
com presas de outras espécies.
A comparação dos resultados obtidos nas simulações numéricas mostram que toda vez
que é considerado o efeito switching o sistema se estabiliza, mantendo assim a coexistência
das espécies.
O sistema (3.1) leva à extinção uma das espécies de presas, a que tem menor valor de
bi /δi , (i = 1, 2), enquanto a outra espécie de presa e o predador permanecem coexistindo
com oscilações tı́picas do sistema de Lotka-Volterra, como pode se facilmente visualizado
nas figuras 28 e 29. Na figura 28 observamos que a presa 1 vai à extinção pois b1 /δ1 < b2 /δ2
já na figura 29, a presa 2 vai à extinção pois b2 /δ2 < b1 /δ1 . Além disso, quanto menor for
bi /δi , (i = 1, 2), mais rapidamente a presa i vai à extinção.
Num ambiente presa-predador, o predador prefere manter-se num habitat por algum
tempo antes de mudar para outro. Esta mudança de habitat é chamada de switching.
Pode haver várias razões para o switching do predador. Por exemplo, um predador prefere
capturar espécies de presas num habitat onde elas estão em abundância, mas após algum
perı́odo de pesada predação, quando a população das espécies de presa começa a declinar,
o predador muda sua preferência para outro habitat, [26].
Figura 28: Variação da densidade de presas e predadores em relação ao tempo, sistema (3.1), para
b1 = 1.0, b2 = 2.0, b3 = 1.0, δ1 = 0.4, δ2 = 0.5, a1 = 0.5, a2 = 0.5 e condição inicial (1.0, 1.2, 2.0).
Figura 29: Variação da densidade de presas e predadores em relação ao tempo, sistema (3.1), para
b1 = 2.0, b2 = 2.0, b3 = 1.0, δ1 = 0.4, δ2 = 0.5, a1 = 0.5, a2 = 0.5 e mesma condição inicial da figura
anterior.
ǫ2
χ2 (x, y) = n , (3.3)
x
1+ y
Figura 30: Variação da densidade de presas e predadores em relação ao tempo, sistema (3.4), para
b1 = 1.0, b2 = 1.5, b3 = 1.0, ǫ1 = 0.2, ǫ2 = 0.5, a1 = 0.2 e a2 = 0.2, n = 1 e condição inicial
(x0 , y0 , z0 ) = (2.0, 2.0, 1.5).
ǫ1 x n z
ẋ = b1 − n x
x + yn
ǫ2 y n z
ẏ = b2 − n y (3.4)
x + yn
a1 ǫ1 xn+1 a2 ǫ2 y n+1
ż = −b3 + n + n z.
x + yn x + yn
3.2 Modelo com duas Presas e um Predador: Crescimento Linear para as Presas 48
(a) (b)
Figura 31: Variação da densidade de presas e predadores em relação ao tempo com os mesmos parâ-
metros e condição inicial da figura anterior. Em (a) n = 5 e em (b) n = 10.
A figura 30 mostra o gráfico da solução do sistema (3.4) para a forma mais simples
das funções de Tansky, ou seja para n = 1. Fazendo simulações para diversos valores de
n e o mesmo conjunto de parâmetros observamos a influência estabilizadora do switching
do predador. Quanto maior o valor de n mais próximas as densidades das duas presas
permanecem (veja gráficos da figura 31). Biologicamente significa que o predador muda
de preferência com maior frequência, o que faz com que ambas as presas sobrevivam em
nı́veis de densidade cada vez mais próximos, [23].
Figura 32: Retrato de fase do sistema (3.4) com os mesmos parâmetros e condição inicial da figura 30.
(a) (b)
Figura 33: Planos de fase do sistema (3.4). Em (a) plano de fase xz e em (b) plano de fase yz.
Nesta seção analisaremos os pontos crı́ticos do sistema (3.4) para n = 1 que é dador
por
ǫ1 xz
ẋ = b1 − x
x + y
ǫ2 yz
ẏ = b2 − y (3.5)
x+y
a1 ǫ 1 x 2 + a2 ǫ 2 y 2
ż = −b3 + z.
x+y
x0 y0 z0 x20 z0 x20
−ǫ1 2 −λ ǫ1 −ǫ1
2
(x0 + y0 ) (x0 + y0 ) x0 + y0
y02 z0 y02
x0 y0 z0
ǫ 2 2 −ǫ 2 2 − λ −ǫ 2
= 0.
(x0 + y0 ) (x0 + y0 ) x0 + y0
2ǫ1 x0 (x0 + y0 ) − (ǫ1 x2 + ǫ2 y 2 ) 2ǫ2 y0 (x0 + y0 ) − (ǫ1 x20 + ǫ2 y02 )
0 0
z0 z0 −λ
(x0 + y0 )2 (x0 + y0 )2
λ3 + A1 λ2 + A2 λ + A3 = 0, (3.7)
onde
(ǫ1 + ǫ2 )x0 y0 z0
A1 = ,
(x0 + y0 )2
z0 2 4 2 3 2 2 2 3 2 4
A2 = 3 ǫ1 x0 + 2ǫ1 x0 y0 − 2ǫ1 ǫ2 x0 y0 + 2ǫ2 x0 y0 + ǫ2 y0 ,
(x0 + y0 )
ǫ1 ǫ2 x0 y0 z02 2 2
A3 = ǫ 1 x 0 + ǫ 2 y 0 .
(x0 + y0 )3
Para que o ponto crı́tico (3.6) seja assintoticamente estável é suficiente que a parte
real dos autovetores de (3.7) seja negativa, [13]. Segundo o critério de Routh-Hurwitz
(veja apêndice C.2) isso ocorre se, e somente se, os coeficientes da equação polinomial
(3.7) satisfazem as relações
A A 0
A A
1 3
1 3
A1 > 0, > 0, 1 A2 0 > 0,
1 A2
0 A1 A3
ou equivalentemente,
A1 > 0, A1 A2 − A3 > 0, A3 > 0.
x0 y0 z02 2 2 2
A1 A2 − A3 = (ǫ 1 x 0 − ǫ 2 y 0 ) ǫ 1 x 0 + 2ǫ 1 x 0 y 0 + 2ǫ 2 x 0 y 0 + ǫ 2 y 0 ≥ 0. (3.8)
(x0 + y0 )5
Assim, provamos que o sistema (3.5) geralmente tem um ponto de equilı́brio estável
3.2 Modelo com duas Presas e um Predador: Crescimento Linear para as Presas 51
b (ǫ1 x − ǫ2 y)2
Ḣ = − ≤ 0. (3.11)
ǫ1 ǫ2 (x + y)
b (X − Y )2
Ḣ = − ≤ 0, (3.12)
ǫ2 X + ǫ 1 Y
onde a igualdade ocorre se, e somente se, X = Y . Nesse caso especial, nós temos o
plano X = Y que contém o ponto de coexistência (x0 , y0 , z0 ) e a relação (3.12) sugere
que qualquer trajetória aproxima assintoticamente o plano X = Y e estabelece oscilações
tı́picas do sistema Lotka-Volterra com um valor constante de H.
de (3.5) se aproxima do plano X = Y . Uma vez que uma trajetória chega ao plano X = Y ,
√
o sistema permanece neste plano, [24]. Fazendo uma mudança de variáveis, s = 2X e z
para este plano, a trajetória assintoticamente adquirida pode se descrita pelas equações
Lotka-Volterra:
ǫ1 ǫ2 z
ṡ = b− s
ǫ1 + ǫ2
(3.14)
s
ż = −b3 + √ z.
2
Portanto, concluı́mos que, nesse caso especial, a trajetória do sistema (3.5) sempre
aproxima uma solução periódica das equações de Lotka-Volterra dadas por (3.14) no plano
ǫ1
y = x.
ǫ2
Analogamente, como fizemos no segundo capı́tulo deste trabalho, encontramos o ponto
de equilı́brio não-trivial do sistema (3.14), que é
√
b (ǫ1 + ǫ2 )
s0 = b3 2, z0 = . (3.15)
ǫ1 ǫ2
(a) (b)
Figura 34: Trajetórias do sistema (3.5): (a) caso estável para b1 = 1.0, b2 = 1.5, b3 = 1.5, ǫ1 =
0.2, ǫ2 = 0.5, a1 = a2 = 0.2. Nesse caso o ponto de equilı́brio é (x0 , y0 , z0 ) = (31.5, 18.9, 8.0); (b) Caso
periódico com os mesmos parâmetros, mas com b1 = b2 = 1.0 e, nesse caso, o ponto de equilı́brio é
(x0 , y0 , z0 ) = (37.5, 15.0, 7.0).
Para ilustrar os resultados desta seção, nós apresentamos nas figuras 34, 35 e 36 os
resultados de nossas simulações computacionais. Nos gráficos da figura 34 mostramos
duas situações distintas: no primeiro apresentamos a trajetória para o caso b1 6= b2 , ou
seja, quando as taxas de crescimento das presas são diferentes e, nesse caso, temos a
coexistência estável; no segundo, temos o caso em que as taxas de crescimento das duas
presas são iguais (b1 = b2 ) o que descreve uma solução periódica, tı́pica dos modelos
3.2 Modelo com duas Presas e um Predador: Crescimento Linear para as Presas 53
Lotka-Volterra.
(a) (b)
Figura 35: Trajetórias do sistema (3.14) com b = 1.0, ǫ1 = 1.0, ǫ2 = 1.0, b3 = 1.0. Nesse caso, temos o
√
ponto de equilı́brio (s0 , z0 ) = 2, 1 .
(a) (b)
Figura 36: Trajetórias do sistema (3.4) com condição inicial (2.0, 2.0, 1.5) e n = 20: (a) caso estável
para b1 = 1.0, b2 = 1.5, b3 = 1.5, ǫ1 = 0.2, ǫ2 = 0.5, a1 = a2 = 0.2; (b) caso periódico b1 = b2 = 1.0, b3 =
1.5, ǫ1 = 0.2, ǫ2 = 0.5, a1 = a2 = 0.2.
Gráficos da solução do sistema (3.14) podem ser visualizados na figura 35: em (a)
apresentamos a densidade de presas ao longo do tempo e em (b) podemos visualizar um
plano de fase mostrando a curva descrita pelo sistema. Podemos perceber a semelhança
destes com os gráficos apresentados no capı́tulo 2 (seção 2.2) para as equações Lotka-
Volterra, o comportamento oscilatório visualizado neles ratifica as conclusões algébricas
apresentadas anteriormente.
Vale ressaltar que, para estudar o comportamento da solução do sistema (3.4), nós
o integramos numericamente, utilizando o método numérico de Runge-Kutta de quarta
ordem com passo h = 0.1, para diferentes valores de n enquanto fixamos os outros parâ-
3.3 Modelo com duas Presas e um Predador: Crescimento Logı́stico para as Presas 54
metros. Observamos que o caso estável (b1 6= b2 , n = 1, figura 34 (a)) e o caso periódico
( b1 = b2 , n = 1, figura 34 (b)) permanecem estáveis e periódicos, respectivamente, para
outros valores de n (veja figura 36 (a) e (b)).
Na próxima seção estudamos modelos presa-predador para três espécies análogos aos
representados pelos sistemas (3.1) e (3.4), mas considerando o crescimento das presas
como logı́stico.
xn
r1
ẋ =
r1 − x − ǫ1 n z x
K1 x + yn
yn
r2
ẏ = r2 − y − ǫ2 n z y (3.18)
K2 x + yn
a1 ǫ1 xn+1 a2 ǫ2 y n+1
ż = −r3 + n + n z,
x + yn x + yn
(a) (b)
(c) (d)
Figura 37: Modelo sem switching com r1 = 0.9, r2 = 1.5, r3 = 1.0, K1 = K2 = 5000, ǫ1 = 0.2, ǫ2 =
0.5, a1 = a2 = 0.5: a) Densidade das populações de presas e predadores como uma função do tempo; b)
Retrato de fase; c) Plano de fase das espécies x e z e o seu ciclo limite; d) Plano de fase das espécies y e
z, mostrando a instabilidade.
(a) (b)
(c) (d)
Figura 38: Modelo com switching (n = 1) com os mesmos parâmetros da figura anterior: a) Evolução
da trajetória de cada espécie no tempo; b) Retrato de fase; c) e d) Os planos de fase e estabilidade
assintótica. Ponto de coexistência: x = 7.90; y = 5.27; z = 7.51.
A figura 37 mostra as trajetórias de cada uma das espécies do modelo sem switching do
predador, dado pelo sistema (3.17). Para diversos parâmetros observamos a instabilidade
do ponto de equilı́brio não trivial, em que uma das espécies de presa vai à extinção, nesse
caso a presa y. Na mesma figura (figura 37 (a,b,c)) exibimos o retrato e os planos de fase
para o sistema. Na projeção do retrato de fase no plano xz a trajetória é do tipo ciclo
limite, figura 37 (c), já as espécies projetadas no plano yz evoluem em uma trajetória em
que y vai à extinção, figura 37 (d).
Em nossas simulações percebemos que, como observado na seção 3.2, a espécie de presa
que vai à extinção é a que tem menor razão entre sua taxa de crescimento intrı́nseco e sua
taxa de mortalidade devido a predação, ou seja, a que tem menor razão ri /ǫi , (i = 1, 2).
No exemplo da figura 37 temos r1 /ǫ1 = 4.5 e r2 /ǫ2 = 3.0 e como r2 /ǫ2 < r1 /ǫ1 = 4.5 a
espécie y vai à extinção, como já argumentamos.
3.3 Modelo com duas Presas e um Predador: Crescimento Logı́stico para as Presas 57
Ressaltamos que usamos escalas diferentes para plotar os gráficos dos modelos com
e sem switching devido a rapidez com que uma das presas vai à extinção no caso sem
switching. Observe na figura 37 (a) que a presa y vai à extinção quando t é menor que 10
unidades de tempo, enquanto as outras espécies continuam oscilando no tempo. Por outro
lado, na figura 38 podemos observar que as trajetórias estabilizam num tempo maior que
80 unidades para atingir a coexistência.
Conclusão
Considerando os modelos com três espécies sem switching observamos que, para dife-
rentes conjuntos de parâmetros, uma das espécies de presas vai à extinção. Entretanto,
considerando o modelo com o efeito switching as trajetórias convergem assintoticamente
para seu ponto de equilı́brio. Tomando diferentes valores para n, constatamos que quanto
maior o valor de n mais rápida se dá a convergência do sistema para seu ponto de equi-
lı́brio (veja figura 31). Portanto, concluı́mos que ao considerarmos o efeito switching
estabilizamos o sistema como um todo garantido a co-existência de todas as espécies.
Usamos o critério de Routh-Hurwitz e verificamos que o sistema com três especies com
switching estudado tem um ponto de equilı́brio estável. No caso especial em que as duas
presas tem taxas de crescimento iguais, usamos uma função do tipo Lyapunov e mostramos
que o sistema estabelece oscilações tipo Lotka-Volterra em um plano vertical no espaço
tridimensional. Mostramos que o modelo apresentado sempre atinge o equilı́brio ou estado
oscilatório nos quais o predador depende das duas presas a uma proporção constante.
Pretendemos continuar esse estudo, propondo e analisando modelos que incluem com-
Conclusão 59
Referências
[16] GASULL, A.; KOOIJ, R. E.; TORREGROSA, J. Limit Cycles in the Holling-Tanner
Model. Publicacions Matemàtiques, vol. 41, p. 149-167, 1997.
[22] KHAN, Q. J. A.; BHATT, B. S.; JAJU, R. P. Switching Model with two Habitats and
a Predator Involving Group Defence. Journal of Nonlinear Mathematical Physics, v.
5, n.2, p. 212 - 223, february 1998.
[28] HIRSCH, M. W.; SMALE, S. Differential Equations, Dynamical System and Linear
Algebra. New York: Academic Press, 1974.
Referências 62
[30] KOSTRIKIN, A. I.; MANIN, Yu. I. Linear Algebra and Geometry. Moscow University
Press, Moscow, 1989.
[35] HOFFMAN, J. D. Numerical Methods for Engineers and Scientists. 2. ed. New York:
Marcel Dekker, 2001.
63
APÊNDICE A
Sistema Linear Autônomo
Tendo em vista que os modelos que apresentamos neste trabalho dependem essencial-
mente de sistemas de equações diferenciais e que estes são fundamentais na modelagem de
fenômenos biológicos, fı́sicos, quı́micos, dentre outros, resolvemos nos dedicar a escrever
um pouco sobre os mesmos, neste e nos próximos apêndices. Ressaltamos, no entanto, que
enfatizaremos apenas os tópicos abordados em nosso trabalho e que são de fundamental
importância para que o leitor compreenda algumas passagens de nosso desenvolvimento.
Outrossim, faremos uma abordagem predominantemente teórica tendo em vista que os
modelos apresentados exemplificam a aplicabilidade dos sistemas de equações diferenci-
ais. Não obstante, sugerimos ao leitor, interessado em se aprofundar mais no assunto,
consultar [13], [27] e [28].
Um ponto de equilı́brio xe é dito estável se, dado qualquer ǫ > 0, existe um δ > 0, tal
que para qualquer solução x(t) do sistema (A.2) satisfazendo:
Apêndice A Sistema Linear Autônomo 64
Essa definição nos diz que todas as soluções que começam “suficientemente próximas” (isto
é, a uma distância menor que δ) de xe permanecem “próximas” (isto é, a uma distância
menor que ǫ) de xe . Um ponto crı́tico que não é estável é dito instável, [13].
|x(0) − xe | < δ0 ,
tivermos
lim x(t) = xe .
t→∞
Ressaltamos que, embora estejamos trabalhando aqui com sistemas de segunda ordem,
as abordagens feitas também se aplicam a sistemas de dimensão n.
65
APÊNDICE B
Sistemas Quase Lineares e Ciclos Limites
ẋ = f(x), (B.1)
com x = 0 como ponto de equilı́brio (isto é, f(0) = 0), e que numa vizinhança da origem
tenha a forma
ẋ = Ax + f(x), (B.2)
i) f(0)=0;
iii) kf(x)k / kxk → 0 quando x → 0, isto é, kfk é pequeno em comparação com kxk
próximo à origem.
Neste caso dizemos que o sistema é Quase Linear, ou seja, a função f(x) é satisfato-
riamente aproximada pela função linear Ax próximo à origem.
Pode-se mostrar que próximo à origem o sistema quase linear se comporta como se
fosse um sistema linear, ou seja, a estabilidade de um ponto de equilı́brio do sistema
quase linear é equivalente à estabilidade do ponto de equilı́brio do linear correspondente
Ax, exceto quando A admite autovalores imaginários puros (para maiores detalhes sobre
autovalores de sistemas lineares sugerimos consultar [29] e [30]).
B.1 Sistemas Quase Lineares 66
Veremos agora um método para linearizar sistemas quase lineares. Para tanto, volte-
mos ao sistema não-linear geral (B.1) que, em forma escalar bidimensional, fica
(
ẋ = F (x, y)
(B.3)
ẏ = G(x, y).
Pode ser mostrado, usando a expansão em séries de Taylor, que ele será quase linear
em uma vizinhança de um ponto (x0 , y0 ) sempre que as funções F e G tiverem derivadas
parciais contı́nuas até segunda ordem. Expandindo (B.3) temos
onde η1 e η2 são os termos de segunda ordem e η1 (x, y)/[(x−x0 )2 +(y−y0 )2 ]1/2 → 0 quando
(x, y) → (x0 , y0 ), e analogamente para η2 (x, y). Notamos que F (x0 , y0 ) = G(x0 , y0 ) = 0
e que dx/dt = d(x − x0 )/dt e dy/dt = d(y − y0 )/dt. Então, o sistema (B.3) pode ser
reescrito como
! ! ! !
d x − x0 Fx (x0 , y0 ) Fy (x0 , y0 ) x − x0 η1 (x, y)
= + , (B.4)
dt y − y0 Gx (x0 , y0 ) Gy (x0 , y0 ) y − y0 η2 (x, y)
onde u1 = x − x0 e u2 = y − y0 .
A equação (B.6) fornece um método simples e geral para se encontrar o sistema linear
correspondente a um sistema quase linear na vizinhança de um ponto crı́tico. Tal método
usamos no capı́tulo 2 para estudar os pontos de equilı́brio do sistema presa-predador de
Lotka-Volterra.
B.1 Sistemas Quase Lineares 67
Observamos que as duas tabelas são bastante parecidas. As duas diferem em apenas
dois casos, quando os autovalores são reais e iguais e quando os autovalores são imaginários
puros.
O fato mais importante a ser considerado aqui é que, exceto nesses dois casos mais
sensı́veis a perturbações, em todos os outros casos o termo não-linear não altera o tipo
B.2 Ciclos Limites 68
Como este tipo de análise só é válido para regiões “próximas” dos pontos crı́ticos,
vale ressaltar que as trajetórias do sistema quase linear podem ser bastante diferentes
das trajetórias do sistema linear correspondente em regiões “mais distantes”. No entanto,
estudar as trajetórias do sistema sabendo como se comportam todos ou grande parte dos
seus pontos crı́ticos é de grande ajuda para a construção do retrato de fase do sistema.
Uma trajetória fechada no plano de fase tal que outras trajetórias fechadas tendem a
ela, por dentro ou por fora, quando t → ∞, é chamada de Ciclo Limite.
Também é possı́vel existir trajetórias fechadas tais que outras trajetórias nem se apro-
ximam nem se afastam dela, por exemplo, as soluções periódicas das equações de Lotka-
Volterra que abordamos no capı́tulo 2 (seção 2.2). Nesse caso, a trajetória fechada é
estável, [13].
69
APÊNDICE C
Funções de Liapunov e Critério de
Routh-Hurwitz
ẋ = f (x), f : Rn → Rn (C.1)
e
V̇ (x) ≤ 0, ∀x (C.2)
com i = 1, 2, . . . , n, ou ainda
Quando temos em (C.2) a desigualdade estrita, ou seja, V̇ (x) < 0, para todo x 6= 0,
dizemos que V é uma Função de Liapunov estrita.
Se existe uma Função de Liapunov para (C.1), então a solução nula, x(t) ≡ 0, é
estável. Se a Função de Liapunov for estrita, então a solução nula é assintoticamente
estável. Também se V̇ (x) = 0, x ∈ Ω, então a origem é um centro, isto é, soluções
em Ω são periódicas, e suas equações no plano de fase são dadas pela famı́lia de curvas
V (x) = C.
Como vimos no apêndice (B.1), para que o ponto de equilı́brio de um sistema quase
linear seja assintoticamente estável é suficiente que os autovalores da matriz de coeficientes
do sistema linear correspondente tenham parte real negativa.
a1 a3 . . . .
a a
1 a 2 a4 . . .
a a
1 3 0
1 3 0 a 1 a3 . . .
D1 = a 1 , D 2 = , D3 = 1 a2 0 , . . . , Dk = ,
1 a2 0 1 a2 . . .
0 a1 a3
. . . . . .
0 0 . . . ak
para k = 1, 2, . . . , n.
têm parte real negativa o sistema é assintoticamente estável. Nesses caso, o critério de
Routh Hurwitz é bastante útil, pois nos garante que isso acontece, desde que as condições
colocadas acima sejam satisfeitas. Porém nem sempre tais condições são todas satisfeitas
ao mesmo tempo, nesse caso o critério de Routh-Hurwitz falha, e é preciso buscar méto-
dos alternativos para estudar a estabilidade do ponto crı́tico. Uma boa alternativa é a
utilização de Funções de Liapunov, como fizemos no capı́tulo 3. Nesse tipo de estudo acon-
selhamos, primeiramente, usar o critério de Routh-Hurwitz, tendo em vista a dificuldade
em encontrar Funções de Liapunov apropriadas.
72
APÊNDICE D
Método Numérico de Runge-Kutta
Neste apêndice nós faremos uma breve discussão do método de Runge-Kutta de quarta
ordem, o qual usamos para resolver numericamente todos os sistemas de equações presa-
predador apresentados e estudados em nosso trabalho. Como sugere a ordem, o método
de Runge-Kutta de quarta ordem está baseado na expansão das séries de Taylor até a
quarta ordem com os termos kn1 , kn2 , kn3 e kn4 dados como segue
A fórmula de Runge-Kutta envolve uma média ponderada de valores de f (t, y), dados
pelos termos acima, em pontos diferentes no intervalo tn ≤ t ≤ tn+1 e é dada por
1
yi+1 = yn + (kn1 + 2kn2 + 2kn3 + kn4 ) . (D.5)
6
cial, onde Kn2 depende de kn1 , Kn3 depende de kn2 , kn4 depende de kn3 e assim por
diante.
i) Requer quatro avaliações por passo, gerando respostas mais precisas que as de outros
métodos numéricos com número de avaliações e tamanho de passos equivalentes;
Análise mais detalhada dos itens acima e demonstrações sobre consistência, convergên-
cia e estabilidade de tal método podem ser encontradas em [35].