Sei sulla pagina 1di 13

Universit degli studi di Trento

Corso di Laurea triennale in Fisica


Corso di approfondimento/Paf
La mappa logistica
Considerazioni e simulazioni
numeriche
5 settembre 2014 Girelli Anita
Zantedeschi Michael
1 Abstract
Nel seguente lavoro si analizzata la crescita di una popolazione attraverso luso della
mappa logistica. Si descritto landamento caotico o deterministico della popolazione
rispetto al tasso di crescita r. Sono stati trovati i punti ssi e i bacini di attrazione della
mappa con il teorema di Banach-Caccioppoli ed il teorema di Brouwer. Inoltre si fatto
riferimento agli esponenti di Lyapunov, per quanto riguarda il tasso di allontanamento
tra le orbite, e alle costanti di Feigenbaum per giusticare le biforcazioni del sistema.
2 Introduzione storica
Il primo studioso da considerare nella storia dello studio della crescita demograca
Fibonacci. Egli,con lomonima successione, cerc di rappresentare la crescita di
una popolazione di conigli. I numeri che compongono la successione sono {x
n
} =
1, 1, 3, 5, 8, 13, 21, 34.... i successivi si ottengono nel seguente modo
x
n
= x
n1
+ x
n2
(1)
dove x
i
e il numero di conigli presenti e i sono i mesi che sono passati dallinizio
dello studio. Questo modello presenta dei limiti: non tiene conto della mancanza di
risorse, della morte di un membro della popolazione, della presenza di predatori e di
eventuali migrazioni.
Un passo avanti fu fatto nel 1700 da Malthus. Egli suppose che, se una popolazio-
ne in un ambiente isolato(cio non vi sono n predatori n migrazioni) essa abbia
un tasso di crescita costante. Sia dunque x(t) il numero di individui e siano inoltre
n(x, t, t) = x(t)b(x, t, t)t e m(x, t, t) = x(t)d(x, t, t)t rispettivamente
il tasso di natalit e il il tasso di mortalit nellintervallo t, con b(x, t, t) tasso di
natalit istantaneo e d(x, tt) il tasso di mortalit istantaneo. Allora
k(x, t) = b(x, t) d(x, t)
La variazione di popolazione x nellintervallo t data da
x = n(x, t, t) m(x, t, t) = k(x, t)x(t)t
quindi
x
t
= k(x, t)x(t)
Per valori di t molto piccoli lequazione precedente la derivata di x(t) in funzione
del tempo, ovvero:
x
t
= k(x, t)x(t) (2)
Il tasso di crescita k(x, t) = k costante. La derivata di x(t) quindi
x(t)
t
= kx(t)
La soluzione della precedente equazione differenziale
1
x(t) = x
0
e
kt
(3)
Tale soluzione rappresenta landamento della popolazione in funzione del tempo.
Sebbene questo modello sia pi rafnato del precedente presenta ancora delle debolez-
ze. Nel modello malthusiano non si tiene conto che le risorse di un luogo sono nite.
A partire dalle considerazioni di Malthus, il matematico e statistico Verhulst appor-
t delle modiche, giungendo a quella che di fatto oggi conosciamo come mappa
logistica.
3 La mappa logistica
3.1 La formula
Si consideri una popolazione isolata (senza predatori e migrazioni) con risorse limitate,
in modo che il numero di componenti della popolazione non possa essere maggiore a
un valore critico c, si suppongoa inoltre che il tempo sia variabile discreta che viene
incrementata di 1 ad ogni nuova generazione della popolazione.
Sia c
n
il numero di componenti di una popolazione allistante n e sia r una costante.
Se non ci fosse un limite alle risorse la formula si avrebbe
c
n
+ 1 = rcn
Si pu limitare tale valore nel seguente modo:
(1
c
n
c
)
In questo modo il valore c non pu essere superato.
Lequazione che determina il numero di esseri della popolazione allistante n + 1 sar
c
n+1
= rc
n
(1
c
n
c
)
Si voglia ora normalizzare lequazione, dividendo entrambi i membri dellequazione
per c e denendo x
n
=
cn
c
, lequazione precedente diventa
x
n+1
= rx
n
(1 x
n
) (4)
Per passare dal discreto al continuo si ricorra ora allequazione 2. In questo caso
k(c, t) = r(1
c
n
c
)
Quindi:
dc
dt
= rc
n
(1 c
n
) (5)
Aggiungendo linformazione c(0) = c
0
, il problema di Cauchy, risolvibile per
separazione di variabili, ha soluzione:
2
c(t) =
c
0
ce
rt
c c
0
+ c
0
e
rt
(6)
Il cui graco il seguente:
0 2 4 6 8 10 12 14 16 18 20
0
10
20
30
40
50
60
70
80
90
100
110
P
o
p
o
l
a
z
i
o
n
e
Tempo
Grafico mappa logistica


Popolazione in funzione del tempo
Limite massimo della popolazione
Figura 1: Caso continuo della mappa logistica posto c
0
= 2, r = 0.5, c = 100.
3.2 Considerazioni preparatorie
Denizione 1 (contrazione). Sia (X, d) uno spazio metrico. Si denisce contrazione
una funzione f : X X tale per cui esiste k (0, 1) per cui vale
d(f(x), f(y)) kd(x, y) x, y X
Teorema 1 (delle contrazioni). Sia (X, d) uno spazio metrico completo non vuoto. Sia
T : X X una contrazione su X. Allora la mappa T ammette uno e un solo punto
sso tale per cui x = f(x) e la serie x
n+1
= f(x
n
) converge ad esso.
Unestensione di tale teorema fu proposta dal matematico olandese Luitzen Egber-
tus Jan Brouwer di cui riportato di seguito il caso triviale unidimensionale
Teorema 2 (del punto sso di Brouwer). In uno spazio euclideo ogni funzione continua
che porta la palla unitaria in se stessa ha un punto sso.
Nel caso unidimensionale il teorema afferma che una funzione continua che manda
lintervallo [0, 1] in se stesso, ammette almeno un punto sso, ovvero un punto x tale
per cui x = f(x). Ci si pu facilmente convincere della veridicit del seguente teorema
considerando la seguente immagine
3
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
y
x
Esempio punto fisso di Brouwer
y=x
funzione di classe C
Figura 2: Funzione generica che manda [0, 1] in se stesso. Il punto sso corrisponde
allintersezione con la retta y = x. Infatti in tale punto si ha x = f(x)
Si pu notare che il graco della funzione unisce il segmento verticale x = 0 con
x = 1. Pertanto la funzione, che continua per ipotesi, interseca la bisettrice del
primo-terzo quadrante, individuando quindi, in tale punto, il punto sso. Si noti che
una funzione pu intersecare tale retta in diversi punti. Questa, quindi, presenter pi
punti ssi.
3.3 Lalbero di Feigenbaum
Si consideri la funzione ricorsiva del caso discreto
x
n+1
= rx
n
(1 x
n
) (7)
dove x
n
la popolazione ed r il tasso di crescita. La popolazione ha un valore
massimo 1, ed un valore minimo, 0. Infatti per x
n
= 0 si ha lidentit nulla, e la
popolazione rimane a 0 ad ogni iterata. Se la popolazione invece raggiunge il valore
critico x
n
= 1, alliterata successiva essa si annulla. Dallo studio della derivata, invece,
possibile dedurre i possibili valori di r. La derivate di 7
f

(x) = r 2rx
n
(8)
tale funzione presenta un massimo per x
n
= 0.5. Inserendo tale valore in 7 si
ottiene
x
n+1
=
1
4
r
4
ed essendo 1 lestremo superiore di x, r pu assumere al massimo un valore pari a
4. Per r = 0 si riottiene lidentit nulla. Un valore di r negativo, inne, non ha
signicato, poich la popolazione diverrebbe negativo. Pertanto il campo di esistenza
della funzione ricorsiva diviene:
x
n
[0, 1] e r [0, 4]
In questo modo si ha una funzione continua che manda [0, 1] in [0, 1] e che quindi,
rispettando le ipotesi del teorema di Brouwer sopra enunciato, presenta dei punti ssi.
La funzione 7 rappresentata per iterate di seguito:
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.5 1 1.5 2 2.5 3 3.5 4
P
o
p
o
l
a
z
i
o
n
e

(
x
)
Tasso di crescita (r)
Albero di Feigenbaum
Figura 3: Mappa logistica: rappresentazione dalla 100-esima alla 500-esima iterata,
con valori di partenza appartenenti allintervallo (0, 1) estratti casualmente. Sullasse
delle ordinate la popolazione x
n
, mentre sullasse delle ascisse il tasso di crescita r.
Modello realizzato per 2000 diversi valori di r.
Come si pu notare dalla gura il sistema presenta dinamiche differenti al variare
del parametro r. Inoltre possibile dimostrare la natura di un punto analizzandone la
derivata, infatti si ha |f

(x)| < 1 per i punti ssi attrattori, e |f

(x)| > 1 per i punti


ssi repulsori.
3.4 Studio della convergenza al variare di r
Di seguito vengono elencati i diversi comportamenti della mappa al variare di r. Si noti
immediatamente che per x = 0 si ha un punto sso.
r < 1: per tale valore risulta evidente che la popolazione continui a decrescere
no ad estinguersi. Lo 0, come si vede anche dal graco, un punto attrattore.
5
Ci si pu vedere dallequazione 8. Per x = 0 si ha che la derivata uguale al
parametro stesso, ed essendo esso minore di 1, il punto risulta attrattore.
r = 1: la derivata in questo caso non fornisce alcuna informazione. Tuttavia
iterando il processo si trova comunque lo 0 come punto sso attrattore.
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
y
x
Punti fissi per r=1
y=x
iterata 1
iterata 2
iterata 3
iterata 4
iterata 5
Figura 4: Prime 5 iterate della funzione ricorsiva per r = 1. Si noti che si ha ununica
intersezione in x = 0
Per r > 1 x = 0 diviene un punto sso repulsore (instabile). Con questo tasso di
crescita si ha la situazione nella quale la popolazione cresce, ma con una quantit li-
mitata di risorse, limite dovuto al termine quadratico, che diviene sempre pi inuente
allaumentare della popolazione. Sempre a causa del termine quadratico, che quin-
di rende lequazione non lineare, fornisce un andamento caotico in alcune zone del
graco, creando dinamiche interessanti analizzate di seguito caso per caso:
1 < r 3: in questo intervallo x = 0 risulta essere un punto sso repulsore,
mentre riscrivendo lequazione 7 come x = f(x) possibile trovare un altro
punto sso. Infatti poich x = rx(1 x), allora x(r rx 1) = 0, da cui
si ricava x
1
= 1 1/r. Per tale valore la derivata risulta essere maggiore di
1. Pertanto x
1
risulta essere un punto sso attrattore. Il sistema, quindi, tender
asintoticamente a tale valore, perdendo memoria iniziale del valore di parten-
za. Inoltre allaumentare di r il valore del punto sso attrattore aumenta no al
6
valore limite x
1
= 2/3, per r
l
= 3 mentre la velocit di convergenza, ovve-
ro la velocit con la quale lorbita si stabilizza su tale valore, decresce. Infatti
|f

(2/3)| risulta essere uguale a 1. Per tale valore, il punto cessa di attrarre il
valore della popolazione. r
l
risulta quindi essere un valore critico al di sopra del
quale il sistema cambia nuovamente il suo comportamento.
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
y
x
Punti fissi per r=2.5
y=x
iterata 1
iterata 2
iterata 3
iterata 4
iterata 5
Figura 5: Prime 5 iterate della funzione ricorsiva per r = 2.5. La funzione presenta
due intersezioni (due punti ssi).
3 < r < 3.56994: il punto x
1
diviene repulsore, mentra nascono due punti at-
trattori opposti rispetto ad x
1
: uno sopra ed uno sotto. I due nuovi punti ssi
attrattori formano insieme un attrattore unico, semplicemente sdoppiato. Il siste-
ma oscilla tra i due valori: uno per le iterate pari, laltro per le iterate dispari. Al
valore critico r
1
= 1 +

6 3.44949 i due punti attrattori divengono repulsori


e si formano 4 punti attrattori, tra i quali il sistema oscilla di iterata in iterata. I
punti attrattori continuano a sdoppiarsi e il sistema continua ad oscillare tra 2
n
valori sino al valor limite r
2
3.56994 in corrispondenza del quale si hanno
periodi inniti. Risulta interessante notare, inoltre, come allavicinarsi di tale
valore limite, risulti sempre pi difcile riconoscere un andamento non caotico
del sistema, a causa dellampiezza delle orbite.
7
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
y
x
Punti fissi per r=3.2
y=x
iterata 1
iterata 2
iterata 3
iterata 4
iterata 5
Figura 6: Prime 5 iterate della funzione ricorsiva per r = 3.2. La funzione presenta
due punti ssi attrattori.
r > r
2
: in questo intervallo le orbite diventano assolutamente aperiodiche, e non
possibile riconoscere alcun tipo di andamento. I punti ssi diventano inniti,
distribuiti in un intervallo che cresce allaumentare di r, rimanendo pur sem-
pre connato in [0, 1]. Sostanzialmente il sistema dovrebbe ripassare per inniti
punti prima di ritoccare un punto gi toccato in precedenza. Il sistema, pertanto,
dipende fortemente dallo stato iniziale, cio da x
0
, ovvero, non possibile cal-
coare uno stato possibile del sistema senza conoscere tutti quelli precedenti. Si
tratta di un regime caotico.
8
0
0.2
0.4
0.6
0.8
1
0 0.2 0.4 0.6 0.8 1
y
x
Punti fissi per r=3.9
y=x
iterata 1
iterata 2
iterata 3
iterata 4
iterata 5
Figura 7: Prime 5 iterate della funzione ricorsiva per r = 3.9. La funzione, in regime
caotico, presenta inniti punti ssi aperiodici.
r > 3.6786: a partire da tale parametro di crescita compaiono anche periodi
dispari. Secondo un teorema elaborato da Tien-Yen Li e James Yorke possibile
trovare inframezzati ai valori di r per i quali le orbite sono aperiodiche, valori di
r per i quali la successione del sistema oscilli tra un numero nito di punti.
3.5 I numeri di Feigenbaum e lautosomiglianza
Si pu valutare la velocit con la quale la successione dei tassi di crescita si avvicina al
valore limite r
2
. Si ha infatti che
= lim
n
r
n
r
n1
r
n+1
+ r
n
4.6692160910299 (9)
una costante nota come numero di Feigenbaum. Una seconda costante riguarda
lampiezza delle biforcazioni che diventano, via via, di ampiezza sempre minore. Sia
dunque w
n
lampiezza della biforcazione con la retta x = 1/2. Si ha dunque il secondo
numero di Feigenbaum denito come segue
= lim
n
w
n
w
n+1
2.5029078750 (10)
Le biforcazioni, inoltre, presentando una vera e propria forma di autosomiglianza
su diverse scala, forniscono allalbero di Feigenbaum una dimensione frattale. Un
ulteriore fenomeno tipico delle strutture frattali quello dellintermittenza. Il sistema
nella zona caotica assume apparenti strutture di vero e proprio ordine, disponendosi su
curve regolari e alternando spazi di vuoto. Tramite un ingrandimento tali zone sono
messe in evidenza nella gura successiva
9
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
3 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4
P
o
p
o
l
a
z
i
o
n
e

(
x
)
Tasso di crescita (r)
Ingrandimento
Figura 8: Rappresentazione della zona caotica, da r = 3 a r = 4. Sono rappresentati
dalla 100-esima alla 500-esima iterata, per 2000 diversi valori del tasso di crescita r
3.6 Esponenti di Lyapunov
Gli esponenti di Lyapunov di un sistema dinamico misurano la sensibilit rispetto alle
condizioni iniziali delle orbite, ovvero misurano la velocit di allontanemento di unor-
bita p da unorbita genercia s. Pertanto essi risultano essere ottimi per lanalisi delle
dinamiche caotiche. Una velocit positiva indicher dipendenza dalle condizioni ini-
ziali, e quindi una situazione caotica, mentre una velocit negativa indicher stabilit.
La distanza (t) tra due orbite, per tempi molto lunghi, :
(t) = Ce
t
(11)
Nel caso particolare di una mappa unidimensionale di funzione T : I I,
derivabile, lesponente denito come
(x
0
) = lim
n
1
n

n=0
log|T

(x
n
)| (12)
Ci si pu convincere di tale denizione. Sia la distanza tra due punti iniziali a x
0
.
Allora dopo lapplicazione questa diventa
|T

(x
0
)| = e
log|T

(x0)|
per n iterazioni si avr una distanza pari a
|T

(x
0
)| |T

(x
1
)| |T

(x
n
)| = e
n
log|T

(x
0
)|+...+log|T

(xn)|
n
10
Pertanto, per tempi molto lunghi si avr che la distanza tra due orbite corrisponde a
e
(x0)n
dove n rappresenta il tempo, in questo caso discreto. Nel caso della mappa a
biforcazioni si ha che
= lim
n
1
n

n=0
ln|r(1 2x
n
)| (13)
Una simulazione numerica ne riportata di seguito
Esponenti di Lyapunov
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.5 1 1.5 2 2.5 3 3.5 4
P
o
p
o
l
a
z
i
o
n
e

(
x
)
Tasso di crescita (r)
-1
-0.5
0
0.5
1
0 0.5 1 1.5 2 2.5 3 3.5 4
E
s
p
.

d
i

L
y
a
p

(
l
a
m
b
d
a
)
Tasso di crascita (r)
Figura 9: Esponenti di Lyapunov per la mappa logistica. Simulazione su 500 iterate.
In alto la mappa logistica, in basso la velocit di allontanamento tra le orbite
Si noti che raggiunge lo 0 in r = 1 ed r = 3 ovvero in corrispondenza dei punti
nei quali la dinamica del sistema cambia. Inoltre positivo in corrispondenza delle
zone caotiche, tornando negativo a tratti nelle zone vuote.
Esempi di orbite, in avvicinamento o allontanamento al variare di r sono riportate nella
gura successiva
11
0 5 10 15 20
(
x
)
Orbite per r=2.8
0 5 10 15 20
(
x
)
Orbite per r=3.5
0 5 10 15 20
(
x
)
Orbite per r=3.9
Figura 10: Esempi di 3 orbite. Per r = 2.8 le due orbite si stbilizzano attorno al punto
sso attrattore. Per r = 3.5 le due orbite si stabilizzano su una traiettorie 4-periodica.
Per r = 3.9 le due orbite hanno un andamento casuale aperiodico.
References
H.G. Schuster, Deterministic Chaos, VCH Weinhein, 1989.
Shlomo Sternberg, The period doubling route in the logistic.
Mikhail Lyubich, Feigenbaum-Coullet-Tresser universality and Milnors Hairi-
ness Conjecture, 1999.
Xavier Buff, Geometry of the Feigenbaum map.
J. Eckmann, The Mechanism of Feigenbaum Universality.
Cristoforo Sergio Bertuglia e Franco Vaio,Non linearit, caos, complessit. Le
dinamiche dei sistemi naturali e sociali, 2003.
Julien Arino, The logistic map, 2003.
Michael Jaffe and Max Golden, An Analysis of Universal Behavior for One-
Dimensional Maps.
Keith Briggs, A PRECISE CALCULATION OF THE FEIGENBAUM CON-
STANTS.
Marc R. Roussel, Maps: Stability and bifurcation analysis, 2005.
Tutti i graci sono stati realizzati con Gnuplot e Matlab.
12

Potrebbero piacerti anche