Caos y orden: el baile secreto de la física no lineal en Vzla | ORBITECH

ORBITECH AI Academy

Efecto mariposa y dependencia sensible

Fórmulas que explican cómo pequeñas variaciones iniciales generan grandes diferencias en sistemas no lineales

Divergencia exponencial por sensibilidad a condiciones iniciales approximation

δ x (t) \approx δ x_{0} e^{λ t}

Formes alternatives

$\frac{δ x (t)}{δ x_{0}} = e^{λ t}$ — Forma adimensional para comparar trayectorias

Symbole	Signification	Unité
`\delta x_0`	Perturbación inicial Diferencia mínima en la condición inicial, por ejemplo 1 metro en la posición de un bus	m
`\lambda`	Exponente de Lyapunov Mide la tasa de divergencia; si λ > 0 el sistema es caótico
`t`	Tiempo Tiempo transcurrido desde la perturbación inicial	s

Dimensions : $[L] [T^{- 1}]$

Exemple : Dos buses parten de Caracas hacia Maracaibo (420 km) con 1 minuto de diferencia en la salida. Si λ = 0.5 s⁻¹, después de 10 minutos la diferencia en posición es aproximadamente 1 m × e^(0.5×600) ≈ 1.1 × 10¹³ m (¡irrelevante en la práctica! pero ilustra la dependencia exponencial)

Condición de caos: exponente de Lyapunov positivo definition

λ > 0

Symbole	Signification	Unité
`\lambda`	Exponente de Lyapunov Si λ > 0, el sistema es caótico; si λ ≤ 0, es estable o periódico

Exemple : En el mapa logístico con r = 3.9, λ ≈ 0.694 > 0 ⇒ comportamiento caótico

Tiempo de predecibilidad approximation

t_{max} \approx \frac{1}{λ} \ln (\frac{L}{δ x_{0}})

Symbole	Signification	Unité
`t_{\text{max}}`	Tiempo máximo de predicción Tiempo después del cual la predicción pierde utilidad por la divergencia exponencial	s
`L`	Escala característica del sistema Por ejemplo, la longitud de la Autopista Regional del Centro (170 km = 1.7 × 10⁵ m)	m
`\delta x_0`	Error inicial en medición Por ejemplo, 10 m en la posición de un bus	m

Dimensions : $[T]$

Exemple : Para λ = 0.5 s⁻¹, L = 1.7 × 10⁵ m y δx₀ = 10 m, $t_{m} a x$ ≈ (1/0.5) × ln(1.7 × 10⁵ / 10) ≈ 2 × ln(1.7 × 10⁴) ≈ 2 × 9.74 ≈ 19.5 s. ¡Solo 20 segundos de predicción útil!

Sistemas discretos: mapa logístico

Modelo clásico de crecimiento poblacional que exhibe caos para ciertos parámetros

Ecuación del mapa logístico law

x_{n + 1} = r x_{n} (1 - x_{n})

Formes alternatives

$N_{n + 1} = r N_{n} (1 - \frac{N_{n}}{K})$ — Forma no normalizada con $N_{n}$ en individuos y K en capacidad de carga

Symbole	Signification	Unité
`x_n`	Población en la generación n Valor normalizado entre 0 y 1 ( $x_{n}$ = $N_{n}$ / K, donde K es la capacidad de carga)
`r`	Parámetro de crecimiento Si r < 1, la población se extingue; si 1 < r < 3, converge a un punto fijo; si r > 3.57, caos

Exemple : Población de cachamas en el Lago de Valencia: K = 10 000 peces, N₀ = 2 000 peces, r = 3.8. Después de 5 generaciones, N₅ ≈ 4 800 peces (comportamiento caótico)

Exponente de Lyapunov para sistemas discretos definition

λ = \lim_{N \to \infty} \frac{1}{N} \sum_{n = 0}^{N - 1} \ln | f^{'} (x_{n}) |

Formes alternatives

$λ \approx \frac{1}{N} \sum_{n = 0}^{N - 1} \ln | r (1 - 2 x_{n}) |$ — Aproximación práctica para el mapa logístico

Symbole	Signification	Unité
`\lambda`	Exponente de Lyapunov Si λ > 0, el sistema es caótico
`N`	Número de iteraciones N debe ser grande para convergencia
`f'(x_n)`	Derivada de la función iterativa Para el mapa logístico, f'(x) = r(1 - 2x)

Dimensions : $[T^{- 1}]$

Exemple : Para el mapa logístico con r = 3.9, x₀ = 0.5 y N = 10 000 iteraciones, λ ≈ 0.694 > 0 ⇒ caos

Parámetro de bifurcación (punto de acumulación) approximation

r_{\infty} \approx 3.569945672

Symbole	Signification	Unité
`r_\infty`	Valor crítico de r Para r > r_∞, el sistema exhibe caos intermitente y ventanas de periodicidad

Exemple : Con r = 3.57, el sistema alterna entre caos y periodicidad cada pocas iteraciones

Sistemas continuos: ecuación de Lorenz

Sistema de tres ecuaciones diferenciales que modela convección atmosférica y exhibe caos

Ecuaciones de Lorenz law

{\begin{matrix} \frac{d x}{d t} = σ (y - x) \\ \frac{d y}{d t} = x (ρ - z) - y \\ \frac{d z}{d t} = x y - β z \end{matrix}

Formes alternatives

$\dot{𝐗} = (\begin{matrix} - σ & σ & 0 \\ ρ - z & - 1 & - x \\ y & x & - β \end{matrix}) 𝐗, 𝐗 = {(x, y, z)}^{T}$ — Forma matricial compacta del sistema

Symbole	Signification	Unité
`x`	Componente de convección Proporcional a la intensidad del movimiento del fluido
`y`	Gradiente de temperatura horizontal Diferencia de temperatura entre capas
`z`	Gradiente de temperatura vertical Desviación de la temperatura lineal
`\sigma`	Número de Prandtl Típico: 10 (fluidos viscosos como el aire)
`\rho`	Número de Rayleigh Típico: 28 (valor crítico para convección)
`\beta`	Factor geométrico Típico: 8/3 para razón de aspecto 8:1
`t`	Tiempo	s

Dimensions : $[T^{- 1}]$

Exemple : Simulación del clima en el Archipiélago de Los Roques: con σ=10, ρ=28, β=8/3 y condiciones iniciales (1,1,1), el sistema evoluciona hacia el atractor de Lorenz mostrando sensibilidad a condiciones iniciales

Exponente de Lyapunov para sistemas continuos definition

λ = \lim_{t \to \infty} \frac{1}{t} \ln (\frac{‖ δ 𝐙 (t) ‖}{‖ δ 𝐙_{0} ‖})

Formes alternatives

$λ \approx \frac{1}{t} \ln (\frac{‖ δ 𝐙 (t) ‖}{‖ δ 𝐙_{0} ‖}) (para t grande)$ — Aproximación práctica para cálculos numéricos

Symbole	Signification	Unité
`\lambda`	Exponente de Lyapunov máximo Para el sistema de Lorenz, λ ≈ 0.9056 s⁻¹ (caótico)	s^{-1}
`\delta \mathbf{Z}_0`	Perturbación inicial en el espacio de fases Vector en el espacio tridimensional (x,y,z)	m
`\delta \mathbf{Z}(t)`	Evolución de la perturbación Solución del sistema variacional asociado	m
`t`	Tiempo	s

Dimensions : $[T^{- 1}]$

Exemple : Para el sistema de Lorenz con δZ₀ = (0.001, 0.001, 0.001) y t = 20 s, ||δZ(t)|| ≈ 0.8 m ⇒ λ ≈ (1/20) × ln(0.8/0.001) ≈ 0.3 s⁻¹ (valor aproximado)

Dimensión de correlación del atractor de Lorenz definition

D_{2} = 2 + \frac{λ_{1} + λ_{2}}{‖ λ_{3} ‖}, λ_{1} > 0 > λ_{2} > λ_{3}

Symbole	Signification	Unité
`D_2`	Dimensión de correlación Mide la complejidad del atractor; para Lorenz D₂ ≈ 2.06
`\lambda_1, \lambda_2, \lambda_3`	Exponentes de Lyapunov λ₁ > 0 (caos), λ₂ ≈ 0, λ₃ < 0 (contracción)	s^{-1}

Exemple : Para el atractor de Lorenz con λ₁=0.9056, λ₂=0, λ₃=-14.5723 s⁻¹, D₂ ≈ 2 + (0.9056 + 0)/14.5723 ≈ 2.06

Atractores extraños y caos determinista

Características geométricas de los sistemas caóticos que revelan patrones ocultos

Dimensión de Hausdorff para fractales definition

D_{H} = \lim_{ε \to 0} \frac{\ln N (ε)}{\ln (1 / ε)}

Symbole	Signification	Unité
`D_H`	Dimensión de Hausdorff Para el atractor de Lorenz, $D_{H}$ ≈ 2.06
`N(\varepsilon)`	Número de bolas de radio ε necesarias para cubrir el atractor N(ε) crece como ε^{- $D_{H}$ } cuando ε → 0
`\varepsilon`	Escala de medición Por ejemplo, 0.01 m en una simulación	m

Exemple : En una simulación del atractor de Lorenz con ε = 0.01, N(ε) ≈ 10⁴ ⇒ $D_{H}$ ≈ ln(10⁴)/ln(100) ≈ 4/2 = 2

Función de correlación para atractores definition

C (r) = \lim_{N \to \infty} \frac{2}{N (N - 1)} \sum_{i < j} Θ (r - ‖ 𝐱_{i} - 𝐱_{j} ‖)

Formes alternatives

$C (r) \propto r^{D_{2}} para r \to 0$ — Relación asintótica con la dimensión de correlación D₂

Symbole	Signification	Unité
`C(r)`	Función de correlación Mide la probabilidad de que dos puntos del atractor estén a distancia ≤ r
`N`	Número de puntos en el atractor N debe ser grande para convergencia
`r`	Radio de correlación Escala espacial	m
`\mathbf{x}_i`	Punto i-ésimo en el atractor	m
`\Theta`	Función escalón de Heaviside Θ(x) = 1 si x ≥ 0, 0 en otro caso

Exemple : Para el atractor de Lorenz, C(r) ≈ $r^{2.06}$ cuando r < 0.1 (en unidades normalizadas)

Exponente crítico de Feigenbaum constant

δ = 4.669201609...

Symbole	Signification	Unité
`\delta`	Constante de Feigenbaum Universal para sistemas que exhiben duplicación de período

Exemple : En el mapa logístico, la separación entre valores de r que duplican el período sigue la ley $r_{n}$ - r_∞ ≈ const / δ^n

Caos en sistemas mecánicos

Fórmulas para sistemas mecánicos simples que exhiben comportamiento caótico

Ecuación del péndulo doble law

{\begin{matrix} (m_{1} + m_{2}) l_{1} {\ddot{θ}}_{1} + m_{2} l_{2} {\ddot{θ}}_{2} \cos (θ_{1} - θ_{2}) + m_{2} l_{2} {\dot{θ}}_{2}^{2} \sin (θ_{1} - θ_{2}) + (m_{1} + m_{2}) g \sin θ_{1} = 0 \\ l_{2} {\ddot{θ}}_{2} + l_{1} {\ddot{θ}}_{1} \cos (θ_{1} - θ_{2}) - l_{1} {\dot{θ}}_{1}^{2} \sin (θ_{1} - θ_{2}) + g \sin θ_{2} = 0 \end{matrix}

Formes alternatives

$T = \frac{1}{2} (m_{1} + m_{2}) l_{1}^{2} {\dot{θ}}_{1}^{2} + \frac{1}{2} m_{2} l_{2}^{2} {\dot{θ}}_{2}^{2} + m_{2} l_{1} l_{2} {\dot{θ}}_{1} {\dot{θ}}_{2} \cos (θ_{1} - θ_{2}) - (m_{1} + m_{2}) g l_{1} \cos θ_{1} - m_{2} g l_{2} \cos θ_{2}$ — Energía cinética y potencial del sistema

Symbole	Signification	Unité
`\theta_1, \theta_2`	Ángulos del péndulo Medidos desde la vertical	rad
`m_1, m_2`	Masas de los péndulos Por ejemplo, m₁ = 0.5 kg, m₂ = 0.3 kg (pesas típicas en un laboratorio)	kg
`l_1, l_2`	Longitudes de los péndulos l₁ = 0.5 m, l₂ = 0.3 m (varillas comunes en experimentos)	m
`g`	Aceleración gravitatoria En Mérida: g ≈ 9.77 m/s² (por altitud)	m/s²

Dimensions : $[M] {[L]}^{2} [T^{- 2}]$

Exemple : Péndulo doble en el laboratorio de física de la UCV: m₁=0.5 kg, m₂=0.3 kg, l₁=0.5 m, l₂=0.3 m, θ₁(0)=0.1 rad, θ₂(0)=0.2 rad. Para energía inicial alta, el sistema exhibe caos

Condición de caos en el péndulo doble approximation

E > E_{crítica} \approx 2 m_{2} g l_{2}

Symbole	Signification	Unité
`E`	Energía mecánica total Suma de energía cinética y potencial	J
`E_{\text{crítica}}`	Energía crítica para caos Para el péndulo doble, caos aparece cuando la energía supera este valor	J

Dimensions : $[M] {[L]}^{2} [T^{- 2}]$

Exemple : Para m₂=0.3 kg, l₂=0.3 m, g=9.77 m/s², $E_{c} r$ ítica ≈ 2×0.3×9.77×0.3 ≈ 1.76 J. Si E = 2 J > $E_{c} r$ ítica, el péndulo exhibe caos

Período de Lyapunov para el péndulo doble approximation

T_{λ} = \frac{1}{λ} \ln (\frac{L}{δ θ_{0}})

Symbole	Signification	Unité
`T_\lambda`	Período de Lyapunov Tiempo después del cual la predicción es inútil	s
`\lambda`	Exponente de Lyapunov Para el péndulo doble caótico, λ ≈ 1-3 s⁻¹	s^{-1}
`L`	Escala angular Por ejemplo, π rad (180 grados)	rad
`\delta \theta_0`	Error inicial en ángulo Por ejemplo, 0.01 rad (0.57 grados)	rad

Dimensions : $[T]$

Exemple : Para λ=2 s⁻¹, L=π rad, δθ₀=0.01 rad, T_λ ≈ (1/2)×ln(π/0.01) ≈ 0.5×5.7 ≈ 2.85 s. ¡Solo 3 segundos de predicción útil!

Efecto mariposa y dependencia sensible

Sistemas discretos: mapa logístico

Sistemas continuos: ecuación de Lorenz

Atractores extraños y caos determinista

Caos en sistemas mecánicos

Fuentes