Sistemi Dinamici e Modelli Neuronali Marco Storace

Sistemi mono-dimensionali a tempo continuo

Sistema di ODE:
a
x1 = f1 x1 ,..., x N f
(*)
a
x N = f N x1 ,..., x N f
dx k
dove x k = .
dt
Soluzioni → traiettorie che evolvono nel tempo in uno spazio degli stati N-
dimensionale di coordinate (x1, ..., xN). La generica traiettoria x(t) dipende
dalla condizione iniziale x0: x(t) x (t = ϕ(x0,t). La funzione ϕ(x0,t) è
0 ) = x0

detta flusso ed è associata al campo vettoriale f. In altri termini, il flusso è

l'insieme di tutte le possibili traiettorie al variare del punto iniziale.

Caso più semplice: N = 1 (sistema dinamico mono-dimensionale o del

primo ordine) ⇒ x = f(x)
con
x(t) funzione reale del tempo
f(x) funzione reale e continua quanto occorre (smooth) di x

HP.: dato un punto iniziale x0 = x(t0), la soluzione di questa equazione

esiste ed è unica (conseguenza dell'ipotesi di smoothness di f).

ALTRA HP.: avremo a che fare con sistemi (N=1 ⇒ equazioni) autonomi.
Se avessimo x = f(x,t) (equazione non autonoma), servirebbero 2
informazioni (x e t) per predire lo stato futuro del sistema (⇒ sistema bi-
dimensionale o del secondo ordine).
34
Sistemi Dinamici e Modelli Neuronali Marco Storace

UNA VISIONE GEOMETRICA DEL PROBLEMA

Interpretiamo un'equazione differenziale come un campo vettoriale.
Esempio lineare
Consideriamo il sistema x = a x con condizione iniziale x(0) = x0.
La soluzione analitica è x(t) = x0 eat. Questo significa che il sistema è
stabile (la soluzione converge a 0) se a < 0, instabile (la soluzione diverge)
se a > 0. Se a = 0, il sistema resta nella condizione iniziale.
Le stesse conclusioni si possono trarre mediante analisi grafica:
. .
x = f(x) x = f(x)
a<0
a>0

x x

Per a < 0, x è:
-) positiva (e quindi x cresce nel tempo) per x < 0
-) negativa (e quindi x decresce nel tempo) per x > 0.
Quindi il flusso indotto dal campo vettoriale f (descritto da frecce nere
sull'asse x) è diretto verso l'origine, che si dice equilibrio stabile. Si noti
che x = 0 è l'unica soluzione dell'equazione f(x) = 0, ossia l'unico punto in
cui si annulla il campo vettoriale.
Considerazioni simmetriche si possono fare per il caso con a > 0, in cui
l'origine è un equilibrio instabile.
Nel caso lineare omogeneo, la stabilità del sistema e quella dell'equilibrio
coincidono.
35
Sistemi Dinamici e Modelli Neuronali Marco Storace

Esempio non lineare

Consideriamo il seguente sistema:
x = sin x
Risolviamo analiticamente:
dx
separo le variabili → dt =
sin x
integro tra 0 e t:
z
t = x csc ξ dξ = − ln |csc x + cotg x| + ln |csc x0 + cotg x0|
0
x

Non banale da interpretare! Es.: cosa succede per t → ∞ per x(0) ≠ x0?
Analisi grafica:
. .
x x aumenta ( x > 0)

2π
−4π −3π −2π −π 0 π 3π 4π x

.
x diminuisce ( x < 0) punto fisso punto fisso
stabile instabile
La funzione f(x) = sin x rappresenta un campo vettoriale mono-
dimensionale, tale che x → x .
Interpretazione fisica del campo vettoriale: campo di forze che agisce su
un fluido che scorre lungo l'asse x con velocità x = sin x ⇒ flusso (indotto
dal campo vettoriale).
Punti in cui x = 0: punti di equilibrio
•) stabili o attrattori o pozzi (sinks)
•) instabili o repulsori o sorgenti (sources)

36
Sistemi Dinamici e Modelli Neuronali Marco Storace

Soluzioni di x = sin x? Posizioniamo la particella immaginaria in x0 e

vediamo come viene trasportata dal flusso ⇒ molte informazioni
qualitative (abbiamo perso qualcosa dal punto di vista quantitativo).
Es.: x0 = π/4
x
π

π/4

0 t
x0 qualsiasi
x

0 t

−π

37
Sistemi Dinamici e Modelli Neuronali Marco Storace

PUNTI DI EQUILIBRIO E STABILITÀ

Grafico di f(x) ⇒ flusso (indotto dal campo vettoriale) sull'asse delle
ascisse:
.
x
f(x)

xS xI
x
punto fisso punto fisso
stabile (localmente) instabile
Il flusso è diretto:
verso destra dove f(x)>0
verso sinistra dove f(x)<0
Soluzione a x = f(x) partendo da x0 arbitrario?
Basta piazzare una particella immaginaria in x0 e vedere come essa viene
trascinata dal flusso.
Posizione x della particella al variare di t (ossia x(t)): traiettoria a partire
da x0 (soluzione dell'equazione differenziale con condizione iniziale x0).
Insieme delle possibili traiettorie qualitative del sistema: quadro di stato
(phase portrait).
Punti di equilibrio x* (definiti da f(x*) = 0): punti di stagnazione del flusso
⇔ soluzioni di regime dell'equazione differenziale.
Equilibrio localmente stabile (o stabile): tutte le possibili perturbazioni
sufficientemente piccole vanno a zero nel tempo.
Se perturbazioni di qualsiasi entità si annullano nel tempo ⇒ equilibrio
globalmente stabile.

38
Sistemi Dinamici e Modelli Neuronali Marco Storace

ANALISI DI STABILITÀ TRAMITE LINEARIZZAZIONE

Noto che un punto di equilibrio è stabile, interessa avere anche una misura
quantitativa della stabilità: per esempio la velocità di decadimento a un
punto di equilibrio stabile.
Possiamo ottenere questo tipo di informazione linearizzando il sistema
attorno a un equilibrio.
x*: punto di equilibrio
η(t) = x(t) – x*: piccola perturbazione attorno all'equilibrio

La perturbazione si amplifica o muore nel tempo?

η = x = f ( x ) = f ( x * + η) (a)
Espansione in serie di Taylor:
df
f ( x * + η) = f ( x*) + η + O( η2 ) (b)
dx x = x*
Per definizione di equilibrio ho f(x*) = 0. Quindi (da (a)+(b)):
df
η= η + O( η2 )
dx x = x*
df
Se il punto di equilibrio è iperbolico (⇔ ≠ 0) ⇒
dx x = x*
df
η≈ η (c)
dx x = x*
equazione lineare in η (linearizzazione del sistema intorno a x*).
df df
η cresce expte se > 0 e decresce expte se < 0.
dx x = x* dx x = x*
⇒ la pendenza di f(x) in corrispondenza di un punto di equilibrio x*
determina la stabilità del punto stesso (è l'autovalore del sistema
linearizzato):
pendenza positiva ⇔ equilibrio instabile
pendenza negativa ⇔ equilibrio stabile
(come ci si attendeva in base agli esempi precedenti)
39
Sistemi Dinamici e Modelli Neuronali Marco Storace

Misura di quanto un equilibrio sia stabile: dalla (c) otteniamo la costante di

1
tempo τ = (τ determina il tempo necessario affinchè x(t) vari
df
dx x = x*
significativamente nei pressi di x*).
df
Se = 0 non possiamo dire nulla sulla stabilità dell'equilibrio x*, in
dx x = x*
generale.
Esempi:
• x = sin x. Equilibri: f(x*) = sin x = 0 ⇔ x* = kπ (k intero)
df ⎧1 k pari
= cos (kπ) = ⎨ ⇒ x* è instabile se k è pari e
dx x = x* ⎩ −1 k dispari

stabile se k è dispari (come già anticipato nell'esempio iniziale).

df
• Casi con =0
dx x = x*
. .
x x

f(x)=x3

x x
punto fisso f(x)=−x3 punto fisso
stabile instabile
. .
x x
f(x)=x2
f(x)=0
x x
punto fisso
metastabile
40
Sistemi Dinamici e Modelli Neuronali Marco Storace

IMPOSSIBILITÀ DI AVERE OSCILLAZIONI

Flussi mono-dimensionali (caso a tempo continuo): le traiettorie o si
dirigono verso un equilibrio (stabile) o divergono.
.
x
f(x)

Corrispondentemente, le traiettorie sono costrette a crescere o a decrescere

in maniera monotona o a rimanere costanti (se raggiungono un punto di
equilibrio stabile).
Dunque non ci possono essere oscillazioni di nessun tipo, né tantomeno
soluzioni periodiche.

TIPI DI STABILITÀ E BACINI DI ATTRAZIONE

Come già detto, un equilibrio iperbolico stabile può essere
-) globalmente stabile, come nel caso x = a x con a < 0;
-) localmente stabile, come nel caso x = sin x
Nel primo caso, qualunque sia la condizione iniziale, la traiettoria
converge all'unico equilibrio del sistema.
Nel secondo caso, c'è un insieme definito e limitato di condizioni iniziali a
partire dalle quali le traiettorie convergono all'equilibrio in esame.

41
Sistemi Dinamici e Modelli Neuronali Marco Storace

L'insieme delle condizioni iniziali a partire dalle quali si generano

traiettorie che convergono a un dato equilibrio si dice bacino di
attrazione di quell'equilibrio, che si dice anche equilibrio attrattivo o
attrattore, come anticipato.
Esistono però anche equilibri stabili non attrattivi: è il caso del sistema x =
0, in cui gli equilibri (NON iperbolici) ricoprono tutto l'asse reale. In
questo caso, le traiettorie che partono nei pressi di un equilibrio non
vengono né respinte né attratte: c'è una condizione di neutralità, che viene
etichettata con il termine stabilità alla Lyapunov.
I punti di equilibrio sono insiemi invarianti del sistema dinamico, in
quanto se una traiettoria parte da un punto di equilibrio (stabile o
instabile), vi resta indefinitamente.

Vediamo come si può riassumere in termini più formali quanto detto

finora:
un insieme invariante chiuso X (il punto di equilibrio è solo un caso
particolare) si dice attrattivo se esiste un suo intorno U(X), con X⊂U(X)
(l'intorno comprende X), tale che:
1) la traiettoria che parte da un punto x0 resta in U(X) per ogni x0 ∈ U(X)
(condizione di stabilità alla Lyapunov dell'insieme invariante)
2) asintoticamente la traiettoria converge a un sottoinsieme di X per ogni
x0 ∈ U(X) (condizione di attrattività)
L'insieme B(X) degli x0 che generano traiettorie che convergono
all'insieme invariante (attrattivo) X si dice bacino di attrazione di X. Per
equilibri globalmente stabili il bacino di attrazione coincide con il dominio
di f, mentre per equilibri localmente stabili esso è solo un sottoinsieme.

42
Sistemi Dinamici e Modelli Neuronali Marco Storace

Sistemi mono-dimensionali a tempo discreto

A parità di dimensioni dello spazio di stato, in generale sono più complessi
rispetto ai sistemi a tempo continuo.
Equazione (sistema 1D) alle differenze: x(t k +1 ) = f ( x(t k ) ) o xk+1 = f(xk)
Data una condizione iniziale x0 e una funzione (mappa) f, la successione
ordinata dei punti x0,x1,...,xn,... ottenuti applicando l'equazione alle
differenze costituisce la traiettoria o orbita O(x0) del sistema dinamico.
L'insieme ω(x0)dei punti distinti raggiunti asintoticamente da un'orbita si
dice insieme limite di x0. Per esempio, se f(x) = 1/x ⇒ partendo da una
condizione iniziale x0 ottengo un'orbita O(x0) x0, x1 = 1/x0, x2 = x0, x3 =
1/x0, x4 = x0, ecc. Il corrispondente insieme limite è formato da x0 e 1/x0.

UNA VISIONE GEOMETRICA DEL PROBLEMA

Per ottenere la successione di punti di una traiettoria, si può ricorrere a un
metodo grafico. Basta riportare su un grafico (xk,xk+1) la mappa f e la
bisettrice del primo e terzo quadrante e tracciare tratti verticali verso la
mappa e orizzontali verso la bisettrice.
Esempio lineare
Consideriamo il sistema xk+1 = a xk con condizione iniziale x0.
La soluzione analitica è xk = ak x0. Questo significa che la soluzione:
-) è stabile (converge a 0) se |a| < 1: in particolare, se 0 < a <1, la soluzione
converge a 0 senza cambi di segno, mentre se −1 < a < 0, la soluzione
converge a zero oscillando (ossia cambiando segno a ogni iterazione);

43
Sistemi Dinamici e Modelli Neuronali Marco Storace

-) è instabile (diverge) se |a| > 1: in particolare, se a > 1, la soluzione

diverge senza cambi di segno, mentre se a < −1 la soluzione diverge
oscillando (ossia cambiando segno a ogni iterazione);
-) coincide con la condizione iniziale se a = 1;
-) oscilla periodicamente tra x0 e −x0 se a = −1.
Questo semplice sistema ci fa già capire che nel caso a tempo discreto, a
parità di dimensione, le dinamiche sono più complesse che nel caso a
tempo continuo: con N = 1 a tempo discreto posso avere oscillazioni,
mentre nel caso a tempo continuo sono impossibili.
Le stesse conclusioni si possono trarre mediante analisi grafica:

xk+1 xk+1

x0b x0b
x0a xk
x* x0a x
k

0<a<1 a>1
ASSENZA DI OSCILLAZIONI

xk+1 xk+1

x0 xk x0 xk

−1 < a < 0 a < −1

PRESENZA DI OSCILLAZIONI
44
Sistemi Dinamici e Modelli Neuronali Marco Storace

Esempio non lineare

f(x)=x2+a
xk+1

a
x0 x1 x2 x
k

Appare evidente dagli esempi che sulla bisettrice si ottiene la sequenza di

punti della traiettoria, senza fare alcun conto. Questo procedimento grafico
di iterazione prende il nome di metodo della scala ("staircase diagram") di
Koenig-Lemeray e serve a farsi un'idea qualitativa delle traiettorie e del
comportamento asintotico del sistema (sia procedendo in avanti con il
tempo, sia andando all'indietro).

PUNTI FISSI E STABILITÀ

Si definiscono equilibri o punti fissi del sistema xk+1 = f(xk) i punti che
sono soluzione dell'equazione f(x*) = x*, ossia i valori che caratterizzano
uno stato permanente (di equilibrio) del sistema.
Si può avere convergenza di una traiettoria a un punto solo se tale punto è
un punto fisso stabile della mappa.
Volendo individuare i punti fissi per via geometrica, basta osservare che le
soluzioni dell'equazione f(x*) = x* sono le intersezioni del grafico di f con
la bisettrice del primo e terzo quadrante.

45
Sistemi Dinamici e Modelli Neuronali Marco Storace

xk+1

x* xk

Gli intervalli X che vengono mappati in se stessi (f(X) = X) si dicono

insiemi invarianti.
La stabilità di un punto fisso si valuta ancora tramite linearizzazione.
Seguendo un procedimento analogo a quello del caso a tempo continuo, si
ricava che un punto fisso x* se l'autovalore del sistema linearizzato
(coincidente con f'(x*), pendenza di f nel punto x*) ha modulo < 1, ossia
sta all'interno del cerchio unitario sul piano complesso (sistema a tempo
discreto). Se invece |f'(x*)| > 1, allora il punto fisso è instabile.
In termini più formali:
Sia p un punto fisso iperbolico con |f'(x*)| < 1 ⇒ ∃ un intervallo aperto U
intorno a x* t.c. se x ∈U ⇒ lim f n (x) = x*, ossia x* è un punto fisso
n →∞

stabile (attrattivo).
Sia p un punto fisso iperbolico con |f'(x*)| > 1 ⇒ ∃ un intervallo aperto U
intorno a p t.c. se x ∈U, x ≠ x* ⇒ ∃ k > 0 t.c. f k (x) ∉ U , ossia x* è un
punto fisso instabile (repulsivo).
Il punto si dice iperbolico se |f'(x*)| ≠ 1. Trattandosi di sistemi a tempo
discreto, il termine f'(x*) (autovalore del sistema linearizzato) si dice
anche moltiplicatore del punto fisso.
46
Sistemi Dinamici e Modelli Neuronali Marco Storace

Le caratteristiche di stabilità o instabilità (locale) di un punto fisso di f si

possono dunque determinare ancora una volta per via grafica: basta
valutare la pendenza della funzione f nel punto di intersezione con la
bisettrice. Se tale pendenza ha modulo minore di 1, il punto è stabile,
altrimenti è instabile. La traiettoria evolve senza oscillazioni attorno al
punto fisso se la pendenza nel punto è positiva.

xk+1 xk+1
x*

x0b x* x0a x x0b x0a xk

k

Pendenza positiva < 1 Pendenza positiva > 1

punto fisso stabile (no oscillazioni) punto fisso instabile (no oscillazioni)

xk+1 xk+1

xk x0 xk

Pendenza negativa < 1 in modulo Pendenza negativa > 1 in modulo

punto fisso stabile (oscillazioni) punto fisso instabile (oscillazioni)

47
Sistemi Dinamici e Modelli Neuronali Marco Storace

Esempi
•) xk+1 = f(xk) = −xk
Questo sistema ha un solo punto fisso, nell'origine.
•) xk+1 = f(xk) = x 3k

Questo sistema ha 3 punti fissi (0, ±1).

•) xk+1 = f(xk) = x 2k − 1

1± 5
Questo sistema ha 2 punti fissi .
2

Dato che sono ammesse oscillazioni, ci possono essere soluzioni

periodiche. Vediamo come ricavarle e come valutarne la stabilità.

PUNTI PERIODICI E STABILITÀ

Si definiscono punti periodici di periodo n del sistema xk+1 = f(xk) i punti
che sono soluzione dell'equazione fn(x*) = x*. Il più piccolo valore di n
che soddisfa l'equazione si dice periodo primario.
Un punto periodico di periodo n è dunque punto fisso per la mappa
fn(x), senza esserlo per le mappe di ordine inferiore. L'iterata k-esima di
una mappa è il risultato della composizione (per k-1 volte) della mappa
stessa: fk = f⊗f⊗ ... ⊗f

Esempi
•) xk+1 = f(xk) = −xk
Questo sistema ha un solo punto fisso, nell'origine, ma ha infiniti punti
periodici di periodo 2: xk+2 = f(f(xk)) = xk
•) xk+1 = f(xk) = x 3k
48
Sistemi Dinamici e Modelli Neuronali Marco Storace

Questo sistema ha 3 punti fissi (0, ±1), e non ha punti periodici

•) xk+1 = f(xk) = x 2k − 1

1± 5
Questo sistema ha 2 punti fissi e 2 punti periodici di periodo 2 (0,
2
−1).
•) θk+1 = f(θk) = θk + 2πλ (mappa definita su un cerchio)
Se λ = p/q con p e q interi ⇒ fq(θk) = θk + 2πp = θk ⇒ tutti i punti del
cerchio sono punti fissi di periodo q.
Se invece λ è irrazionale ⇒ le iterazioni della mappa descrivono un'orbita
densa sul cerchio.

Punti iperbolici e moltiplicatori

Sia p un punto periodico di periodo primario n. Il punto si dice iperbolico
se |(fn)'(p)| ≠ 1. Il termine (fn)'(p) si dice moltiplicatore (autovalore)del
punto periodico.

Chain rule
Siano f e g funzioni ⇒ (f⊗g)'(x) = f'(g(x))g'(x) (teorema di derivazione
della funzione composta).
Ma allora, se h(x) = fn(x), si ha:
h'(x) = f'(fn-1(x)) f'(fn-2(x)) ⋅⋅⋅⋅ f'(x)
Dunque, se xp è un punto periodico di periodo n ⇒ si ha:

( f ) '(x p ) = ∏ f' ⎡⎣f k (x p )⎤⎦

n-1
n

k=0

49
Sistemi Dinamici e Modelli Neuronali Marco Storace

Quindi la pendenza di un punto fisso p su una iterata di qualsiasi ordine

può essere calcolata facendo riferimento alle pendenze della mappa del
primo ordine calcolata nei punti del ciclo n corrispondente a p.
Esempi
•) xk+1 = f(xk) = ( x 3k +xk)/2

Il sistema ha 3 punti fissi (0, ±1) iperbolici.

•) xk+1 = f(xk) = -( x 3k +xk)/2

Il sistema ha 1 punto fisso (0) iperbolico, mentre ±1 sono punti periodici di

periodo 2 iperbolici (lo si verifica facilmente tramite la chain rule).

Ovviamente, se p è un punto fisso iperbolico di periodo n con |(fn)'(p)| < 1

⇒ p è un punto periodico stabile (attrattivo), ossia fa parte di una
soluzione periodica (ciclo) stabile.

Dagli esempi è facile dedurre che nei sistemi a tempo discreto mono-
dimensionali sono ammessi comportamenti più complessi di quelli che si
possono riscontrare nei sistemi a tempo continuo. In particolare si possono
avere oscillazioni e quindi anche traiettorie periodiche.
In generale, si possono avere cicli (orbite periodiche) di periodo k (ossia
contenenti k punti distinti), detti anche "cicli-k": si tratta di successioni in
cui i valori distinti sono ottenuti ciclicamente iterando f:
x1,x2,...,xk, x1,x2,...,xk, x1,x2,...,xk, x1,x2,...,xk, ...
con x2 = f(x1), ..., xi+1 = f(xi), ..., xk = f(xk-1), x1 = f(xk).
Caso particolare: un punto fisso sulla mappa f è un ciclo-1.

50
Sistemi Dinamici e Modelli Neuronali Marco Storace

Per individuare i cicli di periodo primario k, basta individuare i punti

fissi sull'iterata k-esima della mappa che non siano punti fissi per le
mappe di ordine inferiore.

TIPI DI STABILITÀ, BACINI DI ATTRAZIONE E PUNTI CRITICI

Un insieme invariante chiuso X si dice attrattivo se esiste un suo intorno
U(X), con X⊂U(X) (l'intorno comprende X), tale che:
1) l'orbita O(x0) ⊂ U(X) per ogni x0 ∈ U(X) (condizione di stabilità alla
Lyapunov dell'insieme invariante)
2) l'insieme limite ω(x0) ⊂ X per ogni x0 ∈ U(X)

In altri termini, X = ∩ f k (U ( X ) ) .
k ≥0

L'insieme B(X) degli x0 tali che ω(x0) ⊂ X si dice bacino di attrazione di

un insieme attrattivo X:
B( X ) = ∪ f −k ( X )
k ≥0

dove f − k indica la k-esima pre-immagine di X, ossia l'insieme di tutti i

punti partendo dai quali dopo k iterazioni della mappa si finisce in X.
Per esempio, se la mappa ha una sola intersezione con la bisettrice e il
punto fisso è stabile (globalmente), avremo che X coincide con il punto
fisso e B(X) coincide con il dominio della mappa (il punto fisso attira tutte
le possibili traiettorie).

Un punto x si dice punto critico (non degenere) di f se f'(x) = 0 (e f''(x) ≠

0) o se f è discontinua in x. Dunque i punti critici non degeneri di una
mappa sono i punti di massimo /minimo e i punti di discontinuità.
51
Sistemi Dinamici e Modelli Neuronali Marco Storace

Noi per ipotesi ci siamo limitati a considerare sistemi dinamici con f

smooth, per cui abbiamo escluso la presenza di discontinuità. In generale,
però i sistemi con discontinuità rappresentano una classe importante di
sistemi dinamici.

52
Sistemi Dinamici e Modelli Neuronali Marco Storace

Biforcazioni
Flussi mono-dimensionali ⇒ tutte le soluzioni o raggiungono un equilibrio
o divergono.
Perchè ce ne occupiamo? → dipendenza del comportamento del generico
sistema dai parametri che lo caratterizzano (punti fissi generati o distrutti,
cambi di stabilità)

Cambiamenti qualitativi nella dinamica: biforcazioni

Valori dei parametri in corrispondenza dei quali essi avvengono: punti di
biforcazione

Biforcazioni ⇒ modelli di cambiamento e instabilità di un sistema al

variare di un parametro di controllo.
Esempio: sistema lineare non omogeneo x = ax + b, con a parametro di
controllo e b fissato > 0. Per a ≠ 0, abbiamo un unico equilibrio x* = −b/a.
Per a = 0, non ci sono punti di equilibrio.
Supponiamo che a sia negativo. In tal caso, l'equilibrio è globalmente
stabile:

= f(x)

a<0

−b/a x

53
Sistemi Dinamici e Modelli Neuronali Marco Storace

Se però variamo il parametro di controllo a e lo facciamo diventare

positivo, allora l'equilibrio diventa instabile e questo determina un
cambiamento drastico (biforcazione) nella dinamica del sistema.
Esistono vari tipi di biforcazione: li descriveremo in maniera più
approfondita in un secondo momento. Per ora ci limitiamo a introdurre le
biforcazioni più semplici, che riguardano equilibri.

BIFORCAZIONE SELLA-NODO
Biforcazione sella-nodo (saddle-node bifurcation o fold bifurcation):
meccanismo di base mediante il quale equilibri (punti fissi) vengono creati
o distrutti (al variare di un parametro, due equilibri si muovono uno verso
l'altro, collidono e si annullano reciprocamente).

Esempio prototipo: x = p + x2, p ∈ R

Grafici di f(x) in funzione di x al variare di p:

. . .
x x x

0 x 0 x 0 x

p<0 p=0 p>0

54
Sistemi Dinamici e Modelli Neuronali Marco Storace

• p < 0 ⇒ 2 equilibri (uno stabile e uno instabile)

• p = 0 ⇒ i due punti vanno a coincidere (coalescono) in un unico punto
di equilibrio meta-stabile in x = 0
• p > 0 ⇒ non restano più punti di equilibrio

I flussi per p < 0 e per p > 0 sono qualitativamente diversi ⇒ biforcazione

per p = 0
Diagramma di biforcazione: luogo dei punti di equilibrio x* nel piano
(p,x) (linea continua ↔ equilibri stabili; linea tratteggiata ↔ equilibri
instabili).

x*

55
Sistemi Dinamici e Modelli Neuronali Marco Storace

BIFORCAZIONE TRANSCRITICA
In molti sistemi fisici, un equilibrio deve comunque esistere. La sua
stabilità può però cambiare al variare di un parametro.
Meccanismo standard per i cambi di stabilità: biforcazione transcritica.

Esempio prototipo: x = px − x2, p ∈ R.

Grafici di f(x) in funzione di x al variare di p:

. . .
x x x

0
0 x x 0 x

p<0 p=0 p>0

∀ p l'origine è un punto di equilibrio.

p < 0 ⇒ equilibrio instabile in x*=r e punto fisso stabile in x*=0
p = 0 ⇒ equilibrio meta-stabile
p > 0 ⇒ l'origine diventa instabile e x*=r diventa stabile

N.B.: c'è stato una sorta di scambio di stabilità

Rispetto alla sella-nodo: qui dopo la biforcazione continuano a esserci 2

equilibri (cambia la loro stabilità).
56
Sistemi Dinamici e Modelli Neuronali Marco Storace

Diagramma di biforcazione:

x*

0 p

57
Sistemi Dinamici e Modelli Neuronali Marco Storace

BIFORCAZIONE FORCONE
Biforcazione forcone (pitchfork) supercritica o subcritica: comune in
problemi fisici in cui il sistema in esame sia simmetrico.
Biforcazione pitchfork supercritica
Esempio prototipo: x = px − x3
Grafici di f(x) al variare di p:
. . .
x x x

0 x 0 x 0 x

p<0 p=0 p>0

Diagramma di biforcazione:
x*

0 p

NOTA: nell'esempio prototipo f(x) = px − x3, il termine cubico funge da

termine di stabilizzazione (prevale sul termine lineare che per r > 0
tenderebbe a far divergere x).
58
Sistemi Dinamici e Modelli Neuronali Marco Storace

Biforcazione pitchfork subcritica

Esempio prototipo: x = px + x3 (⇒ il termine cubico in f(x) funge da
termine di destabilizzazione).
Diagramma di biforcazione:

x*

0 p

Punti di equilibrio non nulli: sono instabili ed esistono solo per p < 0
(valore di biforcazione).

Origine: come nel caso supercritico (stabile per p < 0, instabile per p > 0).
Ma per p > 0 manca il termine di stabilizzazione ⇒ il sistema diverge.

Modello più sensato (esempio prototipo effettivo): x = px + x3 − x5.

59
Sistemi Dinamici e Modelli Neuronali Marco Storace

Diagramma di biforcazione:

x*

r0 rS 0 p

Note:
1) rS (= −1/4) < r < r0: coesistono due stati stabili qualitativamente
differenti. Conseguenza: l'origine è localmente stabile, ma non
globalmente stabile (mentre per r < rS l'origine è globalmente stabile).

2) ∃ diversi stati stabili (sistema tristabile) ⇒ salti e isteresi sul

diagramma di biforcazione al variare di r.

3) r = rS: biforcazione sella-nodo (per r > rS nascono equilibri stabili e

instabili).

60
Sistemi Dinamici e Modelli Neuronali Marco Storace

BISTABILITÀ E ISTERESI
Sistema con 2 attrattori stabili: sistema bistabile.
Esempi: immagini "gestalt" (bistabilità della percezione visiva).

La sequenza di immagini seguente mostra come ci sia un parametro che fa

variare i bacini di attrazione delle 2 immagini estreme, rendendo quindi
più semplice la percezione dell'una o dell'altra:

61
Sistemi Dinamici e Modelli Neuronali Marco Storace

In genere la bistabilità è presente per un intervallo di valori di un

parametro.
x*

sella
x* -nodo

sella
-nodo forcone

sella sella
-nodo -nodo

p1 p2 p p1 p2 p
Se vario p passo-passo su un intervallo [p3, p4] che contiene [p1, p2]?
x*
0
6 5
1
catastrofe catastrofe

4
2 3
p3 p1 p2 p4 p
Ogni volta che il parametro viene cambiato ⇒ il sistema va verso un
nuovo equilibrio, seguendo la sequenza 0, 1, 2, 3, 4, 4, 6 (= 0). Il grafico
corrispondente è un ciclo di isteresi.
Conclusione: per avere isteresi servono almeno due biforcazioni.
62