Dalle funzioni composte al caos deterministico: le strane proprietà dei modelli dinamici non lineari Gian Italo Bischi, Università di Urbino, Facoltà di Economia [email protected] http//www.econ.uniurb.it/bischi/bischiweb.htm Caos Deterministico: un ossimoro “deterministico” : regolare, prevedibile “caos” : assenza di regole, imprevedibilità. La scoperta del caos deterministico spezza questa dicotomia: modelli matematici deterministici non lineari possono generare andamenti estremamente complicati, quasi indistinguibili da processi aleatori. David Ruelle “Caso e Caos”, Bollati Boringhieri, 1992 James Gleick “Caos. La nascita di una nuova scienza”, Sansoni 1997, 3° edizione (edizione inglese : “Chaos. The amazing science of the unpredictable”) Ian Stewart “Dio gioca a dadi ? La nuova matematica del caos” Bollati Boringhieri, 1993 Angelo Vulpiani “Determinismo e caos” La Nuova Italia Scientifica, 1994. Bertuglia e Vaio “Nonlinearità, caos, complessità. Le dinamiche dei sistemi naturali e sociali”, Boringhieri 2003 ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ Douglas R. Hofstadter “Strani attrattori : schemi matematici collocati fra l’ordine e il caos” su “Le Scienze”, Febbraio 1982. James P. Crutchfield, J. Doyne Farmer, Norman H. Packard, Robert S. Shaw “Il Caos” “Le Scienze”, Febbraio 1987 A.K. Dewdney “Alla scoperta delle strane attrattive del caos” su “Le Scienze”, Settembre 1987. F. Di Stefano “Il caos deterministico” in La Fisica nella scuola” n.6, 1991. Alberto Rebaglia “Il Caos e i Frattali” inserto di “Scienza e Vita”, giugno 1993. Marco dal Bosco “Comportamenti Casuali di un sistema deterministico” in “La Fisica nella scuola” n.2, 1998. Michele Fontana “Metti ordine nel caos” in Panorama del 21 febbraio 1988. Pietro Greco “Il caos minaccia Newton” da “la Repubblica” del 7 febbraio 1990. Giorgio Israel “Grande è la confusione sotto il cielo della scienza : il determinismo non è morto” da “La Repubblica” del 11 dicembre 1991. Franco Prattico “I sacerdoti del caos” da “La Repubblica” del 30 aprile 1993. Giampiero Borrella “Avanti caos” in Panorama del 18 luglio 1993. Carlo Bernardini “Finiremo tutti in un grande frattale” da “La repubblica” del 3 dicembre 1986 Umberto Bottazzini “Il mondo del pressappoco” Il Sole 24 ore, 8 marzo 1987. Omar Calabresi “Matematicamente belli” in Panorama del 17 gennaio 1988. Pier Luigi Sacco “La finanza turbolenta si spiega coi frattali” da Il sole 24 ore del 28 febbraio 1988. Dal romanzo: Jurassic Park, di Michael Crichton Un passo tratto dalla Seconda Iterazione […] Ian Malcom era uno dei più famosi rappresentanti di quella nuova generazione di matematici che mostravano un vivo interesse per i “meccanismi del mondo reale”. Questi studiosi, sotto molti aspetti, avevano rotto la tradizione di isolamento dei matematici. Per prima cosa si servivano continuamente del computer, cosa che i matematici tradizionali non vedevano di buon occhio. Poi lavoravano quasi esclusivamente con equazioni non lineari, nel campo emergente del cosiddetto caos. Terza cosa, sembravano voler fare di tutto il possibile affinché i loro sistemi matematici descrivessero qualcosa che di fatto esisteva nel mondo reale. Sistemi Dinamici non lineari Teoria Qualitativa dei Sistemi Dinamici Non linearità Stabilità Biforcazioni Attrattore (stazionario,periodico,strano o “caotico”) Equazioni Differenziali Equazioni alle differenze (funzioni iterate) Visione olistica (cioè non riduzionista) Importanza dei dettagli Scarsa prevedibilità anche in sistemi deterministici governati da leggi semplici Possibilità di individuare leggi “deterministiche” che regolano sistemi apparentemente aleatori Sistema Dinamico Variabili di stato : X = (x1, x2, …, xn) Operatore dell’evoluzione xi (t ) i (t; x1 (0),..., xn (0)) i 1,..., n t0 Leggi locali di evoluzione Tempo continuo: equazioni differenziali dxi (t ) f i x1 (t ), x2 (t ),..., xn (t ) dt i 1,..., n Tempo discreto: equazioni alle differenze (mappe iterate, induttive) xi (t 1) f i x1 (t ), x2 (t ),..., xn (t ) i 1,...n Modelli dinamici a tempo discreto x (t + 1) = f ( x (t) ) x (0) assegnato Legge di evoluzione “induttiva” : dallo stato al tempo t permette di calcolare lo stato al tempo successivo, t+1 in modo f x(t) x(t+1) Per induzione, ossia iterando la f ... x (0) f x (1) f x (2) ... x (t) f x (t+1) ... … si ottiene una “traiettoria” del sistema dinamico x(1) = f (x(0)) x(2) = f (x(1)) = f (f (x(0))) = f 2 (x(0)) … x(n) = f n (x(0)) x (t+1) = a x(t) x1 = a x0 x2 = a x1 = a ( a x0 ) = a² x0 x3 = a x2 = a ( a² x0 ) = a³ x0 … xn = a xn1 = a ( a n-1 ) x0 = a n x 0 ... progressione geometrica di valore iniziale x0 e di ragione a. Capitalizzazione con interesse composto C(t+1) = C(t) + r C(t) = (1+r) C(t) Soluzione: C(t) = C(0) (1+r)t Crescita esponenziale Pierre-Simon Laplace 1749-1827 Nel 1776 Pierre-Simon Laplace scriveva : “Lo stato attuale del sistema della natura consegue evidentemente da quello che era all’istante precedente e se noi immaginassimo un’intelligenza che a un istante dato comprendesse tutte le relazioni fra le entità di questo universo, essa potrebbe conoscere le rispettive posizioni, i moti e le disposizioni generali di tutte quelle entità in qualunque istante del futuro” Nel 1903 Henry Poincaré scriveva: Se conoscessimo esattamente le leggi della natura e la situazione dell’universo all’istante iniziale, potremmo prevedere esattamente la situazione dello stesso universo in un instante successivo. Ma se pure accadesse che le leggi naturali non avessero più alcun segreto per noi, anche in tal caso potremmo conoscere la situazione iniziale solo approssimativamente. Henry Poincaré, 1854-1912 Se questo ci permettesse di prevedere la situazione successiva con la stessa approssimazione, non ci occorrerebbe di più e dovremmo dire che il fenomeno è stato previsto. Ma non è sempre così; può accadere che piccole differenze nelle condizioni iniziali ne producano di grandissime nei fenomeni finali. Un piccolo errore nelle prime produce un errore enorme nei secondi”. dx x y dt dy Rx y xz dt dz Bz xy dt Lorenz Iterazione della funzione y = f(x) =x x(t 1) x(t ) x(t 1) f ( x(t )) x 2 (t ) b x0 b all’incirca in (1.5 , 2) x3 x1 x4 x2 x n x n x(t 1) f ( x(t )) x 2 (t ) c calcolatrice tascabile x2 – c x x(t 1) f ( x(t )) x 2 (t ) c calcolatrice tascabile x2 – c x x(t 1) f ( x(t )) x 2 (t ) c calcolatrice tascabile x2 – c x Legge di evoluzione: x (t + 1) = f ( x (t) ) Se f (x(t)) > x(t) Allora Se f (x(t)) < x(t) Allora x (t + 1) > ( x (t) ) x (t + 1) < ( x (t) ) Se f (x(t)) = x(t) Allora x (t + 1) = ( x (t) ) punto fisso x0 stato stazionario punto di equilibrio x1 x2 x1 x1 x1 = f (x0) x1 x3 x4 x2 x0 x0 x0 Mappe lineari: f ( x ) = a x. x (t+1) = a x(t) x1 = a x0 x2 = a x1 = a ( a x0 ) = a² x0 x3 = a x2 = a ( a² x0 ) = a³ x0 … xn = a xn1 = a ( a n-1 ) x0 = a n x 0 | a | < 1 (cioè 1 < a < 1) - se 0 < a < 1, successione monotona che converge all’unico punto fisso x* = 0 (attrattivo - se -1 < a < 0, la successione converge al punto fisso, ma oscillando; |a|>1 - se a < -1, la successione diverge oscillando; - se a > 1, la successione diverge in modo monotono ... progressione geometrica di valore iniziale x0 e di ragione a. I valori particolari a = 1 e a = 1 sono chiamati di biforcazione. Attraversandoli si verifica un cambiamento qualitativo nelle traiettorie Equilibrio stabile -1<f’(x*)<0 0<f’(x*)<1 Equilibrio instabile f’(x*)>1 f’(x*)< -1 x(t 1) x(t ) Iterazione della funzione (iperbole) k x2 f ( x) 2x k xn2 xn 1 2 xn Punti fissi: x f '( x) 1 k 2 2 x kx 2x x2 k x k f '( k ) 1 2 x x(t 1) f ( x(t )) x 2 (t ) c Biforcazione fold (o tangente) : appaiono 2 punti fissi, uno stabile e uno instabile x x x f ’(x*)=1 Diagramma di biforcazione biforcazione pitchfork (supercritica) f ’(x*)=1 biforcazione pitchfork (subcritica) p >1 y y p=1 y 0<p<1 1 1 x 1 x f ’(x*)=1 x 1 x1 0 a x biforcazione transcritica (o cambio di stabilità) due punti fissi si uniscono, scambiandosi la stabilità y y x-1 y x0 x1 p =p -1/3 0.5 x-1 1 0.5 x 1 x 0.5 1 x0 x1 a=3/2 a=0.75 a=1 f ’(x*)=1 x* x p* p* x* 1 a x f ’(x*)= - 1 • Biforcazione flip (o del raddoppio del periodo): – il punto fisso diventa instabile e appare un ciclo di periodo 2 attorno ad esso. Corrisponde ad una biforcazione pitchfork dell’iterata seconda. subcritica supercritica x alfa Supponiamo che ogni anno si riproduca una frazione r di insetti e ne muoia una frazione m. Nell’anno successivo la popolazione è N t 1 N t rN t mN t 1 r m N t r-m rappresenta il tasso netto di crescita della popolazione Questa è una legge di evoluzione lineare Diagramma a scala (ragnatela) xt+1 = axt lineare Popolazione che vive in un ambiente limitato. Si fa l’ipotesi che il tasso di mortalità m non sia costante, ma aumenti al crescere della numerosità della popolazione ad esempio m = sN(t). Questo può essere interpretato come un termine di mortalità per sovraffollamento (carenza di cibo ecc.) Con questa ipotesi la legge di evoluzione diventa non lineare: N (t 1) 1 r N (t ) sN (t ) 2 Una funzione di secondo grado (una parabola). Con un semplice cambio di variabile diventa x(t 1) ax(t )1 x(t ) logistica y a = 2.5 a=2 x x y 3 5 x 4 x* x 3 x * 2 x x x 1 p* 2 x 0.5 0 1 x x 1 p* a=2 x 0 a = 3.1 f ’(x*)=-1 y f(x) 2 f(x) 0 x 0 0.5 F(x)=f (x) 1 x a=3.1 1 x a=2.5 2 F(x)=f (x) x* x* 0.5 biforcazione flip Robert May, 1976 “Appello evangelico per l’introduzione di queste equazioni alle differenze semplici in corsi elementari di matematica, cosicchè l’intuizione degli studenti possa essere arricchita vedendo le cose bizzarre che succedono con semplici equazioni non lineari. [...]”. “Io vorrei sollecitare che sia presentata [l’equazione logistica] presto nell’educazione matematica. Questa equazione può essere presentata da un punto di vista fenomenologico iterandola con una calcolatrice, o persino a mano. Tale studio potrebbe in generale arricchire l’intuito di uno studente circa i sistemi non lineari. Non solo nella ricerca, ma anche nella vita politica ed economica di ogni giorno, noi saremmo più ricchi se un numero maggiore di persone si rendesse conto che semplici sistemi non lineari non possiedono necessariamente semplici proprietà dinamiche.” xn x0 n yn y0= x0+10 -6 n |xn - yn| n Una definizione generale di caos deterministico non esiste ancora. Si dice che si è in presenza di dinamiche caotiche se: (1) Sensitività rispetto alle condizioni iniziali generando due traiettorie da diverse condizioni iniziali, ma arbitrariamente vicine, esse si mantengono limitate ma la distanza fra esse cresce esponenzialmente e dopo un tempo finito diventa dello stesso ordine di grandezza delle variabili di stato. (2) Transitività (o mixing): i punti della traiettoria generata partendo da una generica condizione iniziale ricoprono densamente una zona dello spazio delle fasi cioè ciascun punto dell’intervallo su cui si muove tale traiettoria risulta essere punto di accumulazione dei punti della traiettoria stessa. (3) Esistenza di infiniti cicli repulsivi con i punti periodici densi nella regione ricoperta dalle traiettorie caotiche. Nota: (2) e (3) implicano (1) a = 3.61 a = 3.678574 c c2 c2=c3=x* c3 c1 a 2 a a1 c c1 a a1 Self-similarity (omotetia interna) La Geometria del Caos Stretching & Folding (Stiramento e ripiegamento) 0.875 Kneading of the dough (impastare) J c c2 I c1 c3 c c2=f(c1) c3=f(c2) c1=f(c) x1 (t 1) ax1 (t ) x2 (t ) x2 f: x2 (t 1) b x12 (t ) f x2 f x1 x1 x2 t x1 x' ax y T : 2 y ' x b x1 (t 1) ax1 (t ) x2 (t ) f: x2 (t 1) b x12 (t ) T F F’= T(F) LC -1 LC f: x1 (t 1) ax1 (t ) x2 (t ) x2 (t 1) b x12 (t ) LC2 LC1 LC-1 LC3 LC LC2 LC5 LC6 LC 1 L C LC4 LC -1 LC3 Due tipi di complessità … e due tipi di sensitività k = 1; v1 = v2 = 0.852 ; 1= 2 =0.6 ; c1 = c2 = 3 k = 1; v1 = v2 = 0.851 ; 1= 2 =0.6 ; c1 = c2 = 3 1.5 1.5 y y E* E* 0 0 0 (a) x 1.5 0 (b) x Da: G.I. Bischi and M. Kopel “Multistability and path dependence in a dynamic brand competition model” Chaos, Solitons and Fractals, 2003 1.5 strutture complesse dei bacini di attrazione nel caso di più attrattori coesistenti Coesistenza di equilibri Bacini di attrazione Stabilità pratica 2 x 0 r* x* p* q* 1 (a) (b) fig. 4 m 3.8 1 1 c= m/4 m 4.05 1 . c= m/4 1 x* 0 1 0 (a) 0 1 (b) Z0 . c x* Z2 . q* . z* q *1 c x0 . q* 2 q *1 Z1 . x* cmax Z3 Z1 Z1 . x* cmax Z3 . cmin . q* q* cmin . Z1 z* . z* (a) . q* 2 r* (b) q *1 r* Supponiamo che ogni anno si riproduca una frazione r di insetti e ne muoia una frazione m. Nell’anno successivo la popolazione è N t 1 N t rN t mN t 1 r m N t r-m rappresenta il tasso netto di crescita della popolazione Questa è una legge di evoluzione lineare Diagramma a scala (ragnatela) xt+1 = axt lineare Popolazione che vive in un ambiente limitato. Si fa l’ipotesi che il tasso di mortalità m non sia costante, ma aumenti al crescere della numerosità della popolazione ad esempio m = sN(t). Questo può essere interpretato come un termine di mortalità per sovraffollamento (carenza di cibo ecc.) Con questa ipotesi la legge di evoluzione diventa non lineare: N (t 1) 1 r N (t ) sN (t ) 2 Una funzione di secondo grado (una parabola). Con un semplice cambio di variabile diventa x(t 1) ax(t )1 x(t ) logistica Al crescere della densità di popolazione cresce la mortalità per mancanza di cibo, spazio vitale ecc.) Malthus (1798) An essay on the principle of population R(x) = n – sx x(t+1) = (1 + n – sx(t))x(t) = (1+n) x(t) – s x(t) 2 R(X) F(X) F(x(t)) Parabola r logistica 0 0 K X K x0 = 0 equilibrio di estinzione K = n/s capacità portante x = K : R(K) = 0 x F(K) = K Equazione dinamica di una popolazione naturale sfruttata (pesca commerciale, deforestazione) x(t+1) = F(x(t)) H(t) x(t)(1 + R) H(t): quota di risorsa prelevata nell’unità di tempo (Harvesting) Condizione di equilibrio: x(t+1) = x(t) cioè H(t) = R(x) Prelievo con quote costanti : H(t) = h x(t+1) = f (x(t)) = (1 + n – sx(t))x h f (X) 0 . . Kh Xh -h Due equilibri n n 2 4hs Xh 2s Soglia di sopravvivenza n n 2 4hs Kh 2s Equilibrio stabile Aumentiamo la quota di prelievo h > n2 / (4s) f (X) Kh 0 -h Xh 0 -h K Kh Xh 0 h Prelievo con sforzo costante: H(t) = q E x(t) Coeff. Tecnol. Sforzo x(t+1) = f (x(t)) = x(t) (1 + n – qE sx(t)) Se qE < n due equilibri: KE =(n qE) / s X0 = 0; f (x) K KE E=Ee= n/q K KE E=0 x 0 0<E<n/q Ee E Prelievo con sforzo costante: H(t) = q E x(t) Y= qEKE Yield-Effort curve MSY 0 EMSY Ee E Uno sforzo crescente porta a una maggiore produzione immediata ma può portare a una minore produzione nel lungo periodo E < EMSY sottosfruttamento E > EMSY sovrasfruttamento Vivere in comunità (branchi) : Crescita con depensazione R(x) Crescita ottimale per valori intermedi Sforzo Costante K 0 f (X) x f (X) K KE E=0 KE XE 0 0 < E < E1 x 0 E1 < E < E2 x f (x) f (x) KE K XE 0 E1 < E < E 2 x 0 E > E2 Yield-Effort curve KE XE 0 E1 E2 E x Jurassic Park, terza iterazione: “Un simile controllo è impossibile” dichiarò Ian Malcom “Invece sì” disse Hammond “Mi scusi, ma lei non sa quello che dice” ribattè Malcom “Piccolo stronzo arrogante” disse Hammond. Si alzò e uscì. “Mi spiace” disse Malcom “ma il punto è che ciò che definiamo natura è di fatto un sistema complesso, non lineare. Ci costruiamo una immagine lineare della natura e poi combiniamo pasticci. Io non sono uno di quegli ambientalisti dal cuore tenero, ma dovete capire ciò che non capite. Quante volte bisogna sbattere il muso contro l’evidenza dei fatti? Abbiamo costruito la diga di Assuan sostenendo che avrebbe rivitalizzato l’Egitto, e invece distrugge il fertile delta del Nilo, produce infestazioni da parassiti e rovina l’economia. Abbiamo costruito... Modello della Ragnatela Un prodotto al tempo t viene venduto al prezzo unitario pt. Quantità richiesta al tempo t dai consumatori Qd = D ( pt ) D funzione di domanda La quantità che viene immessa sul mercato dai produttori sia una funzione del prezzo Qs = S ( pt ) Q S funzione di offerta D Esempio. funzioni di domanda e offerta lineari: D(p) = a b p ; S(p) = c + d p a, b, c, d costanti positive S Equilibrio: Qd = Qs p* p Problema: la produzione richiede un certo lasso di tempo, • I produttori devono decidere in anticipo (in t -1) la quantità da immettere nel mercato al tempo t ; • I consumatori decidono la quantità da acquistare in base al prezzo corrente D(pt) = S(pt-1) da cui: pt = D-1 (S(pt-1 )) = f (pt-1) Con le funzioni lineari: a b pt = c d pt-1, da cui: pt d ac pt 1 b b Funzione di offerta non lineare: D(p)=a-bp S ( p ) = arctan (l (p - 1)) Q Qoff = S ( p) = arctan (l(p1)) S D D(pt) = S(pt-1) diventa pe a bpt = arctan (l(pt-11)) p da cui si ottiene il modello dinamico pt = F(pt-1)= [a arctan (l (pt-1 1))] La mappa F(p) è monotona decrescente, F F p2 pe p1 5 p p 0 0.3 p l 0.4 Aspettative adattive con 0 < 1 ptatt1 = ptatt + ( pt ptatt ) Inserendo: att pt = F ( p t ) nell'equazione delle aspettative adattive att t 1 p = p att t +(F(p att t ) p att t ) = (1 p att t 1 att + [a arctan (l ( p t 1))] b F ( p att ) (1 ) p att F ( p att ) p att ptatt pe ptatt l Cournot Duopoly Games q1 (t) and q2 (t) outputs at time t of two quantity setting-firms producing homogeneous goods. p= f (q1+q2) inverse demand function ci (q1, q2) cost functions, So, the unit-time profit is: i qi f (q1+ q2) – ci (q1, q2) At time period t firms 1, 2 decide (t+1)-outputs by solving profit - maximization problems max q1 1 q1 , q2 max q2 2 q1 , q2 q (t 1), q r q (t 1) q1 (t 1) arg max q1 1 q1 , q2e (t 1) r1 q2e (t 1) q2 (t 1) arg max q2 2 e 2 2 2 e 1 q2 q1 = r1(q2) . Cournot-Nash Equilibrium q2 = r2(q1) q1 Expectation of agent i about the rival’s choice q ej (t 1) Perfect foresight: q ej (t 1) q j (t 1) i 1,2 q1 (t ) r1 (q 2 (t )) q 2 (t ) r2 (q1 (t )) t q1* r1 (q2* ) r1 (r2 (q1* ) One-shot (static) game * * * q r ( q ) r ( r ( q 2 1 2) 2 2 1 The game goes to the intersection(s) of the reaction curves (Cournot-Nash equilibrium) in one shot Cournot (Naive) expectations: q ej (t 1) qi (t ) i 1,2 q1 (t 1) r1 (q2 (t )) T : q2 (t 1) r2 (q1 (t )) t Two-dimensional dynamical system: given (q1(0),q2(0)) the repeated application of the map T:(q1,q2) (r1(q2), r2(q1)) gives the time evolution of the duopoly game. This repeated game may converge to a Cournot-Nash equilibrium in the long run, i.e. boundedly rational players may achieve the same equilibrium as fully rational players provided that the “myopic” game is played several times Evolutionary interpretation of Nash equilibrium (Nash’s concern) Linear demand p = a – b (q1 + q2) Linear cost Ci = ci qi i = 1,2 Quadratic Profit: i a – b (q1 + q2))qi – ci qi F.O.C. S.O.C. 1 a 2bq1 bq2 c1 0 q1 1 a c1 q1 (t 1) r1 (q2 (t )) q2 (t ) 2 2b 2 a 2bq2 bq1 c2 0 q2 1 a c2 q2 (t 1) r2 (q1 (t )) q1 (t ) 2 2b 2 1 2 2 2b 0 q12 q22 R1 R1 R2 R2 Linear demand p = a – b (q1 + q2) Quadratic cost Ci = ci qi – i qi2 i = 1,2 Quadratic Profit: i a – b (q1 + q2))qi – (ci qi – i qi2 ) 1 b a c1 a 2(b 1 )q1 bq2 c1 0 q1 (t 1) r1 (q2 (t )) q2 (t ) q1 2(b 1 ) 2(b 1 ) 2 b a c2 a 2(b 2 )q2 bq1 c2 0 q2 (t 1) r2 (q1 (t )) q1 (t ) q2 2(b 2 ) 2(b 2 ) eigenvalues: z1, 2 b 2 1 b 1 b 2 stability if 2b 2 b 2 b 1 b R R21 R2 R1 Rand, D., 1978. Exotic Phenomena in games and duopoly models. Journal of Mathematical Economics, 5, 173-184. A Cournot tâtonnement is considered with unimodal (one-hump) reaction functions, and he proves that chaotic dynamics arise, i.e. bounded oscillations with sensitive dependence on initial conditions etc.. Postom and Stewart "Catastrophe Theory and its Applications", Pitman 1978 “… not treat such phenomena as program bugs, and not to steer their patameters or their model away from realism to eliminate them, such explicit models “drawn from life” will become common…” Book seller example: “...If you start producing books, when no one else is, you will not sell many. There will be no book habit among people, no distribution industry… On the other hand if other producers exist producing books in huge numbers, you will be invisible…and again you will sell rather few. Your sales will be best when your competitors’ output will be intermediate…” New mathematics “… Adequate mathematics for planning in the presence of such phenomena is a still far distant goal…” Tonu Puu, 1991 “Chaos in Duopoly pricing” Chaos, Solitons & Fractals Shows how an hill-shaped reaction function is quite simply obtained by using linear costs and replacing the linear demand function by the economists’ “second-favourite” demand curve, the constant elasticity demand 1 1 p Q q1 q2 i qi ci qi q1 q2 qj qj i c 0 for q q i i j qi q1 q2 2 ci q1 (t 1) r1 (q2 (t )) q2 (t ) q (t 1) r (q (t )) q (t ) 2 1 1 2 q2 c1 q1 c1 – + Kopel, M., 1996. Simple and complex adjustment dynamics in Cournot Duopoly Models. Chaos, Solitons, and Fractals, 7, 2031-2048. Linear demand function, a particular kind of cost function Ci = Ci(q1,q2) with positive cost externalities (some spillover effect which gives some advantages due to the presence of the competitor, in the spirit of the book-seller example) r1 q2 m1q2 1 q2 r2 q1 m2 q1 1 q1 where m1 and m2 represent measure the intensity of the positive externality the actions of one player exert on the payoff of the other player 1 1 q2 r1 q2 r2 r2 r1 0 0 q1 1 0 0 q1 1 Non monotonic reaction functions may lead to the existence of several coexisting equilibria Problem of equilibrium selection Which equilibrium is achieved as the result of an evolutive (trial and error, boundedly rational) process? Stability arguments are used to select among multiple equilibria What happens when several coexisting stable Nash equilibia exist? Cournot Duopoly with Adaptive expectations: Cournot Game (from beliefs to realizations) q1 (t ) r1 (q 2e (t )) q 2 (t ) r2 (q1e (t )) t Adaptive expectations (t ) q (t ) q (t ) q1e (t 1) q1e (t ) q1 (t ) q1e (t ) q1 (t ) 1 q1e (t ) q 2e (t 1) q 2e 2 Dynamical system: e 2 q2 (t ) 1 q 2e (t ) T : q1e (t ), q2e (t ) q1e (t 1), q2e (t 1) q1e (t 1) 1 1 q1e (t ) 1 r1 (q 2e (t )) T : e q 2 (t 1) 1 2 q 2e (t ) 2 r2 (q1e (t )) m1 = m2 = 3.4 1 = 2 = 0.2 < 1/(m+1) 2.3 y Z0 LC D (1) 1 O m1 = m2 = 3.4 1 = 2 = 0.5 > 1/(m+1) 1.4 y ( 1) O1 Z0 LC ( a ) D ( 3) O1 (a) E2 E2 Z2 K Z2 S E1 0 E1 LC ( b ) O 0 0 x 2.3 Z4 O LC ( b ) Z4 0 (2) O1 x 1.4 m1 = m2 = 3.6 1 = 0.55 1.2 y 2 = 0.7 Z0 Z2 (1) H2 E2 S (2) H2 E2 Z2 S LC ( b ) Z4 H (11) Z4 (b ) LC1 (b ) LC1 E1 H (12 ) H0 ( 3) H2 0 0 0 2 = 0.7 (a) LC1 Z0 LC ( a ) LC ( b ) 1 = 0.59 1.2 y (a) LC1 LC ( a ) m1 = m2 = 3.6 (a) x 1.1 0 E1 ( 4) H2 x 1.1 m1 = m2 = 3.9 1 = 0.7 2 = 0.8 m1 = m2 = 3.95 1.1 y 1 = 0.7 2 = 0.8 1.1 y A2 A2 S A1 S E1 0 0 0 x 1.1 0 x 1.1 Riduzionismo Paradigma della scienza di Cartesio, Galileo, Newton, Laplace ... - Pensiero analitico (Cartesio) Scomporre un problema (un fenomeno, un sistema) in problemi più semplici da studiare a parte (Galileo: riproducibilità in laboratorio) Si mettono poi insieme queste conoscenze “locali” per capire e prevedere il comportamento del tutto. - Le leggi che governano i piccoli sistemi sono le stesse che valgono in grande (la mela di Newton) - Ricerca di leggi matematiche deterministiche (modelli) Esempi: legge di gravità e problema dei 2 corpi. Ma se sono 3 ... Linearità e sovrapposizione Proporzionalità x causa f (x + y) = f (x) + f (y) Sovrapposizione delle cause f(x) effetto f (kx) = kf (x) Sovrapposizione degli effetti Il successo del riduzionismo è legato alla linearità delle leggi Lineare: può essere studiato scomponendolo il parti semplici, capire le leggi che le governano, poi rimettere insieme il tutto (riduzionismo) Non lineare: reciproca cancellazione o amplificazione Necessità di uno studio globale (olismo) Principio di ragion sufficiente (Leibniz) Ogni effetto va associato a una causa tramite un legame diretto di proporzionalità. Un effetto piccolo viene associato a una causa piccola, mentre effetti grandi hanno a monte cause grandi Il riduzionismo mostra i suoi limiti nello studio di sistemi governati da modelli non lineari, dove quindi non vale il principio di sovrapposizione Meccanica dei fluidi. Equazioni non lineari (NS) Turbolenza Ecologia. Relazioni che legano fra loro comunità di esseri viventi le interazioni fra loro e con l’ambiente circostante Scienze Sociali. Relazioni fra individuo e società, e relazioni fra diversi gruppi sociali Fisica Quantistica. Particelle rappresentate da funzioni d’onda le cui proprietà sono determinate dalla configurazione dell’intero sistema. Non sono le parti a determinare il tutto ma viceversa Paradigma della complessità ... il tutto non si riduce alla somma delle sue parti Christian von Ehrenfest (1890) dalla definizione di GESTALT (forma organica) contraposta a FORM (forma inorganica) Fin dagli anni 20 i pionieri del pensiero sistemico si resero conto dell’esistenza di diversi livelli di strutture, con leggi diversi che regolano la forma e l’evoluzione delle strutture esistenti a diversi livelli. A ciascuno di tali livelli si osservano fenomeni che non esistono (e non possono essere rivelati) a livello inferiore Singoli individui Formiche Molecole Molecole del cibo Alberi società formicaio temperatura, pressione sapore foresta Proprietà emergenti, si rivelano (emergono) a un certo livello, e non esistono a livelli inferiori (più piccoli). Proprietà di un sistema che non sono possedute a livello di parti costituenti. Quindi si perdono quando il sistema viene suddiviso, sezionato, analizzato mediante l’approccio riduzionista. Reti di connessioni Il pensiero sistemico non si concentra sui “mattini costituenti” ma sulle connessioni, sui principi di relazioni e organizzazione fra le parti. Visione Olistica •Anelli di retroazione (feed back positivi o negativi) •Auto-organizzazione (creazione spontanea di strutture) •Sistemi dissipativi lontani dall’equilibrio •Caos Deterministico Cibernetica Anni 40: tentativi di sviluppare macchine autogovernate attraverso meccanismi di retroazione (Feed back) Meccanismi adattivi Kybernetes (pilota, timoniere): valutazione della rotta ==> (-) correzione della direzione ==> valutazione della rotta... L’effetto agisce sulla causa inibendola (-) o amplificandola (+) Vasca da bagno Sciacquone (flusso) (flusso) L (livello) t0 fuoco + t L (livello) t acqua che bolle + acqua che trabocca – Regolatore centrifugo di James Watt Stabilizzanti (-) Autoregolazione Sciacquone è il livello dell’acqua che fa diminuire il flusso in entrata fino ad arrestarlo (effetto inibisce la causa) Termostato: si avvia il riscaldamento, cresce la temperatura, si dilata una molla, apre il circuito, si arresta il riscaldamento, cala la temperatura... Destabilizzanti (+) Riscaldamento della Terra ==>(-) ghiacci ==> (-) albedo ==> (+) radiazione assorbita ==> (+) riscaldamento della Terra... Raffreddamento della Terra ==> (+) ghiacci ==> (+) albedo ==> (-) radiazione assorbita ==> (+) raffreddamento della Terra... Bolle speculative: Comprano azioni ==> (+) cresce domanda ==> (+) crescono prezzi ==>(+) trend positivo ==>(+) comprano azioni … Epidemie: infetto ==> incontra sano ==> sano diventa infetto ==> altri contagi... Autoorganizzazione Sistemi aperti (flusso di energia) Connessioni non lineari fra le parti del sistema anelli di retroazione relazioni non lineari Sistemi lontani da un equilibrio stazionario Comparsa di schemi attrattivi non stazionari con formazione endogena (spontanea) di strutture ordinate Un esempio di autoorganizzazione: la convezione nei fluidi La Dissipazione di energia, che era vista come degradazione da ordine a disordine in un sistema complesso può diventare fonte di creazione spontanea ordine. Sinergetica (“lavorare insieme”). Neologismo coniato negli anni 80 da Herman Haken. Descrive l’interazione cooperativa fra sottosistemi che partendo da una situazione di instabilità innescano un processo che si autoalimenta (attraverso feed-back positivi) e genera un effetto macroscopico che diventa poi “ordinatore”, cioè asservisce ad esso un numero via via crescente di sottosistemi LASER Light Amplification through Stimulated Emission of Radiation Fenomeno previsto da Einstein agli albori della meccanica quantistica: se nel tubo sono già presenti delle onde luminose esse possono obbligare degli elettroni a oscillare alla stessa frequenza •Gli atomi eccitati cedono la propria energia a certe onde privilegiate •Uno di tali “modi” prende il sopravvento e fa oscillare elettroni alla stessa frequenza (ordinatore) . •Questi a loro volta rafforzano il modo che fa da ordinatore (occorre energia) Il tutto e le parti Un ordinatore asservisce, forza, induce le parti che compongono il sistema al proprio comportamento. E sono le parti che si comportano in quel modo a mantenere in vita l’ordinatore. Scelte, conflitti. Talvolta ci sono più ordinatori possibili e allora la scelta può avvenire a causa di una piccola fluttuazione iniziale. Paradigma della sinergetica per altri fenomeni in ambiti diversi •Individuo e società (“clima sociale” di una città) •Creazione di uno standard (tecnologico, di vita ecc.) •Dittature e rivoluzioni •Ferromagnetismo e inversioni del campo magnetico terrestre I modelli simulativi di sistemi non lineari Modelli dinamici non lineari che permettono una rappresentazione olistica dei sistemi diventano il nuovo laboratorio su cui sperimentare (esperimenti virtuali, numerici) Ovviamente nei modelli non possiamo includere tutto ! Inoltre occorre considerare il livello appropriato yin & yang Non linearità e libero arbitrio If you think you are too small to make a difference, try sleeping with a mosquito H.H. the Dalai Lama U. Eco, Il pendolo di Foucault, 1988 Il mondo si muove in modo apparentemente disordinato mentre c’è un disegno ‘dietro’. (Tipico del Caos deterministico: I modelli caotici mostrano come una legge deterministica possa generare un’apparente aleatorietà)