1

Teoria Chaosu
Wykład 1

Bumerang Henona

0.5

0.4

0.3

0.2

0.1

0
-1.5 -1 -0.5 0 0.5 1 1.5
-0.1

-0.2

-0.3

-0.4

-0.5

Motyl Lorenza
 2

,,Umysł, który w jakimś danym momencie znałby wszystkie siły ożywiające Przyrodę i wza-
jemne położenia składających się na nią bytów i który byłby wystarczająco potężny, aby pod-
dać te dane analizie, mógłby streścić w jednym równaniu ruch największych ciał wszechświa-
ta oraz najdrobniejszych atomów: dla takiego umysłu nic nie byłoby niepewne, a przyszłość,
podobnie jak przeszłość, miałby przed oczami.
(Pierre Simon de Laplace 1749-1827)

Ty wierzysz w Boga, co gra w kości, a ja w prawa i zupełny porządek

(Albert Einstein w liście do Maxa Borna)

Przypadek dotyczy porządku w nieporządku, podczas gdy chaos nieporządku w porządku

(Radhakrishna Rao)

W ostatnich dwudziestu latach ubiegłego stulecia teoria chaosu stała się modnym te-
matem. Związane z nią fraktale przeniknęły nawet do kultury masowej ze względu na ich
niewątpliwy urok.
Zastosowania teorii chaosu próbowano znaleźć w fizyce, naukach przyrodniczych i
społecznych. Co powoduje tę popularność? Najogólniej mówiąc podobieństwo tzw. procesów
chaotycznych, które są procesami deterministycznymi do zjawisk losowych.
Należy tu sobie odpowiedzieć na pytanie, co rozumiemy przez zjawisko determini-
styczne. Jest to poważny problem filozoficzny, ale nasza odpowiedź będzie prosta. Przez
proces deterministyczny będziemy rozumieć proces, który można opisać za pomocą
układu równań różniczkowych (czas ciągły) lub różnicowych (czas dyskretny).

Przykłady.
1. Dyskretny
a = 1,4
xt = 1 − axt2−1 + yt −1
b = 0,3
yt = bxt −1
2. Ciągły
dx
= −σx(t ) + σy (t ) σ = 10
dt
8
dy b=
= − x(t )z (t ) + rx(t ) − y (t ) 3
dt r = 28
dz
= −bz (t ) + x(t ) y (t )
dt
 3

Będziemy przeciwstawiać procesy deterministyczne procesom losowym (stochastycznym)

opisanym przez indeksowaną czasem rodzinę zmiennych losowych.

deterministyczny = podlegający nieuchronnym prawidłowościom

stochastyczny [stochasticos = zręczny w dążeniu do celu]=losowy

Słowo chaos w filozofii i mitologii greckiej oznaczało pierwotny stan wszechświata istniejący
przed powstaniem uporządkowanego kosmosu. Stan ten wyobrażano sobie najpierw jako zu-
pełną pustkę, później jako nieuporządkowaną materię, z której wyłonił się kosmos. Dosłowne
znaczenie słowa: rozwarta paszczęka ( atmosfera, woda, ciemność, przepaść).

Chaos
1. Nieuporządkowana bezpostaciowa materia, o której sądzono, że istniała przed uporząd-
kowanym wszechświatem.
2. Całkowity nieporządek, zupełny nieład.
3. Stochastyczne zachowanie występujące w układzie
deterministycznym.

Ostatni punkt, to sformułowanie przedstawione w 1986 roku na konferencji The Royal Phy-
sical Society w Londynie poświęconym teorii chaosu.
Można powiedzieć, że układ jest deterministyczny, jeśli nie zawiera żadnych egzoge-
nicznych zmiennych losowych. Z drugiej strony, obserwowalne zachowanie układów dyna-
micznych jest nazywane losowym, jeśli przejście układu od jednego stanu do innego może
być opisane tylko za pomocą prawdopodobieństwa, tak jak to jest w przypadku procesów
stochastycznych.

Jak można pogodzić ze sobą takie dwa typy zachowań?

Rozważmy następującą sytuację:

Pewien obserwator ma ścisłą wiedzę na temat reguł rządzących ewolucją w czasie syste-
mu dynamicznego nad pewną przestrzenią zmiennych (np. część płaszczyzny).
Podzielmy te przestrzeń na skończoną liczbę równych, nienakładających się komórek,
których wielkość zależy od tego, z jaką dokładnością ma być monitorowany system.
 4

Postawmy teraz pytanie: Czy pełna wiedza o tym, w których komórkach znajdował się
system w przeszłości wystarczy, by przewidzieć jego przyszłą drogę?

Dla systemów niechaotycznych: TAK

(Po zebraniu dostatecznej liczby danych można będzie przewidzieć położenie systemu, od-
kryć reguły)

Dla systemów chaotycznych: NIE

(Bez względu na to jak długo zbieramy informacje nie jesteśmy w stanie przewidzieć jego
dalszej trasy. Możemy tylko oceniać ją z pewnym prawdopodobieństwem, tak jak w przypad-
ku systemów losowych. Jest to związane z tym, że możemy ocenić położenie tylko z dokład-
nością do wielkości komórki.

Cechą charakterystyczną układów chaotycznych jest

wrażliwość na zmianę warunków początkowych,
(SDIC = sensitive dependence on initial conditions), co oznacza, że niewielkie różnice w po-
czątkowym położeniu mogą prowadzić do bardzo dużych różnic w przebiegu trajektorii.

xt +1 = 4 xt (1 − xt )

1 .1

0 .9

0 .7

0 .5

0 .3

0 .1

0 .6 8 0 .7
-0 .1
1

11

13

15

17

19

21

23

25

27

29

31

33

35

37

39

41

43

45

47

49

To rodzi problemy.
 5

Dlaczego zachowania chaotyczne są tak interesujące dla badaczy?

Są one dziwne, ale pojawiają się dość często.
Zachowania chaotyczne ogromnej klasy układów dynamicznych mogą być opisane za
pomocą małej liczby prostych pojęć matematycznych.
Równania opisujące układy chaotyczne są nieliniowe, ale proste.
Teoria chaosu ma charakter interdyscyplinarny.

Historia

1892 H. Poincaré – odkrył, że w pewnych układach mechanicznych opisanych równa-

niami Hamiltona może występować ruch chaotyczny,
1963 (1961?) N.E. Lorenz (meteorolog) odkrył prosty układ trzech nieliniowych równań
różniczkowych prowadzący do chaotycznych trajektorii.
1971 D. Ruelle, F.Takens – scenariusze przejścia do chaosu
1975 B. Mandelbrot The Fractal Geometry of Nature
1977 Thomae
1978 M. Feigenbaum scenariusze przejścia do chaosu
1978 Coullet, Treser

Czy chaos występuje w rzeczywistym świecie?

Czy matematyczne pojęcie chaosu modeluje rzeczywisty świat w użyteczny sposób i czy po-
maga nam zrozumieć, co widzimy?

Plan wykładu
1. Systemy dynamiczne
1.1. Własności trajektorii.
1.2. Wrażliwość systemów dynamicznych na zmianę warunków początkowych.
1.3. Bifurkacje.
1.4. Atraktory.
1.5. Wykładniki Lapunowa
2. Chaotyczne systemy dynamiczne.
2.1. Intuicyjne definicje chaosu. Przykłady systemów dynamicznych z chaosem.
2.2. Teoria ergodyczna.
2.3. Dziwne atraktory. Fraktale.
 6

3. Wykrywanie deterministycznego chaosu w szeregach czasowych.

3.1. Nieliniowość w szeregach czasowych-testy.
3.2. Statystyka BDS.
3.3. Wymiar korelacyjny, wymiar fraktalny.
3.4. Metoda Grassbergera-Procacci.
3.5. Zastosowanie sieci neuronowych do badania znaku wykładników Lapunowa.
4. Chaos w modelach ekonomicznych.
4.1. Dynamika chaotyczna a cykle koniunkturalne.
4.2. Chaos w finansach.

Zaliczenie: projekt – praktyczne umiejętności + interpretacja wyników. Na ocenę celującą

dodatkowo test z teorii.

Termin: 24 maja 2009 r.

Adres dla projektów: madoman@o2.pl

Literatura

1. H. Zawadzki, Chaotyczne systemy dynamiczne, Wydawnictwo AE w Katowicach, Kato-

wice 1996.
2. A. Medio, Chaotic dynamics. Theory and applications to economics, Cambridge Univer-
sity Press, Cambridge 1992.
3. H.-W. Lorenz, Nonlinear dynamical economics and chaotic motion, Springer, Berlin
1997.
4. W. Orzeszko, Identyfikacja i prognozowanie chaosu deterministycznego w ekonomicznych
szeregach czasowych, PTE, Warszawa 2005.
5. E. Ott, Chaos w układach dynamicznych, Wydawnictwa Naukowo-Techniczne, Warszawa
1997
6. T. Puu, Nonlinear economic dynamics, Springer, Berlin 1997.
7. I. Stewart, Czy Bóg gra w kości? Nowa matematyka chaosu, PWN, Warszawa 2001.
8. H. Jurgens, H. - O. Peitgen, D. Saupe, Granice chaosu - fraktale, PWN, Warszawa, 1995.
9. H. G. Schuster, Chaos deterministyczny, PWN, Warszawa, 1993.
 7

Układy równań różniczkowych zwyczajnych

Układem równań różniczkowych zwyczajnych pierwszego rzędu w postaci normalnej nazy-

wamy układ równań
dxi
= f i ( x1 ,..., xm , t ) , i = 1,..., m ,
dt
w którym x1 ,..., xm są nieznanymi funkcjami zmiennej niezależnej t, a funkcje fi są funkcja-

mi określonymi w pewnym otwartym zbiorze U ⊂  m ×  i przyjmującymi wartości w  .

Zbiór  m nazywany jest przestrzenią stanów tego układu.
Rozwiązaniem tego układu określonym w otwartym przedziale I ⊂  nazywamy każdy m-
elementowy ciąg (φ1,...,φm ) różniczkowalnych funkcji φi : I →  taki, że

{(φ1,...,φm , t ) : t ∈ I } ⊂ U oraz dla każdego t ∈ I

dφi (t )
= f i (φ1 (t ),...,φm (t ), t ) i = 1,..., m .
dt
Warunki początkowe
φi (t ) = xi0 , ( )
i = 1,..., m , gdzie x10 ,..., xm0 , t ∈ U , t0 ∈ I .

Krzywa całkowa (trajektoria)

{(x, t )∈  m
×  : x = φ (t , t 0 , x0 )}

[wykres rozwiązania φ (t , t0 , x0 ) ]

Orbita przechodząca przez punkt x0

o( x0 ) = {x ∈  m : x = φ (t , t 0 , x0 ), t ∈ I }.