Caos y atractores

Explora sensibilidad inicial, exponentes de Lyapunov y geometría de atractores mediante modelos iterados.

Contexto conceptual

Un sistema determinista puede ser perfectamente definido y, aun así, resultar impredecible a largo plazo. Esa paradoja aparente nace cuando pequeñas diferencias iniciales se amplifican mediante una dinámica no lineal. En este leaf se estudia cómo una regla iterada transforma el estado $x$ en el estado $x_{n+1}$, cómo el $r$ modifica la estabilidad y cómo el $\lambda$ resume el crecimiento medio de perturbaciones. El objetivo no es confundir irregularidad con azar, sino aprender a distinguir convergencia, periodicidad y caos determinista. También se analiza la geometría del atractor mediante $C(\epsilon )$, $m$ y $D_2$, conectando la pérdida de predictibilidad con la estructura espacial de las trayectorias.

🟢 Nivel esencial

El caos determinista aparece cuando un sistema obedece reglas precisas, pero dos estados casi iguales terminan siguiendo evoluciones muy distintas.

La pequeña separación $\delta _n$ entre dos órbitas cambia tras cada iteración y se convierte en $\delta _{n+1}$. Si, en promedio, esa separación crece, la predicción pierde fiabilidad aunque el modelo no contenga azar. El $\lambda$ mide justamente esa tendencia media: un valor positivo señala sensibilidad exponencial, uno negativo indica contracción hacia una evolución estable y uno cercano a cero sugiere un régimen marginal. El $\tau _\lambda$ traduce esa tasa en una escala práctica de predictibilidad. El $r$ puede conducir al sistema desde un punto fijo hasta oscilaciones periódicas y regiones caóticas. El atractor reúne los estados visitados tras desaparecer el transitorio y su complejidad puede describirse mediante $D_2$.

Distinguir estas dos caras del problema es esencial: el exponente de Lyapunov responde cuánto se separan trayectorias vecinas en el tiempo, mientras la dimensión de correlación responde cómo se organiza el conjunto de estados en el espacio, y ninguna de las dos preguntas sustituye a la otra.

🔵 Nivel formal

Fórmulas básicas

El modelo de referencia es el mapa logístico, donde el estado normalizado $x$ se actualiza a $x_{n+1}$ bajo el control de $r$.

Mapa logístico

Esta relación combina crecimiento y saturación. Su dominio habitual mantiene $x$ dentro del intervalo normalizado y permite estudiar cómo cambia el régimen al variar $r$. Para analizar sensibilidad local se introduce una perturbación pequeña $\delta _n$. Tras una iteración, la separación $\delta _{n+1}$ se aproxima mediante el multiplicador tangente $f'(x_n)$.

Crecimiento linealizado de la separación

Para el mapa logístico, $f'(x_n)$ se obtiene con:

Derivada del mapa logístico

El signo de $f'(x_n)$ indica inversión o conservación de orientación, mientras su módulo cuantifica expansión o contracción local.

Preguntas reales del alumno

¿Irregular significa caótico? No. Una señal puede ser irregular por ruido, transitorios o superposición de frecuencias. El caos exige sensibilidad robusta y dinámica acotada.

¿Por qué una derivada grande no basta? Porque $f'(x_n)$ es local. La órbita puede alternar expansión y contracción. Importa el promedio que define $\lambda$.

¿Un exponente positivo garantiza un atractor extraño? Es una evidencia fuerte de sensibilidad, pero debe acompañarse de acotamiento, convergencia numérica y análisis geométrico.

¿Qué significa un exponente cercano a cero? Puede indicar una bifurcación, movimiento cuasiperiódico, convergencia lenta o una estimación insuficiente.

¿La dimensión fractal siempre es no entera? No. Un punto fijo y una órbita periódica tienen geometrías simples. La no integralidad aparece en atractores con estructura fractal.

Síntesis final

El caos determinista combina leyes exactas con predictibilidad limitada. $\lambda$ mide cómo crecen las perturbaciones, $\tau _\lambda$ fija una escala práctica y $D_2$ describe la geometría del atractor. Juntas, estas magnitudes permiten distinguir irregularidad aparente de sensibilidad dinámica real.