Teoría del caos

Field of mathematics and science based on non-linear systems and initial conditions

Un gráfico del atractor de Lorenz para los valores r = 28 , σ = 10 , b = ⁠8/3⁠

Animación de un péndulo de dos varillas en una energía intermedia que muestra un comportamiento caótico. Si el péndulo se pone en movimiento desde una condición inicial ligeramente diferente, su trayectoria será muy distinta . El péndulo de dos varillas es uno de los sistemas dinámicos más simples con soluciones caóticas.

La teoría del caos es un área interdisciplinaria de estudio científico y una rama de las matemáticas . Se centra en los patrones subyacentes y las leyes deterministas de los sistemas dinámicos que son altamente sensibles a las condiciones iniciales . Alguna vez se pensó que estos tenían estados completamente aleatorios de desorden e irregularidades. ^[1] La teoría del caos afirma que dentro de la aparente aleatoriedad de los sistemas complejos caóticos , hay patrones subyacentes, interconexión, bucles de retroalimentación constantes , repetición, autosimilitud , fractales y autoorganización . ^[2] El efecto mariposa , un principio subyacente del caos, describe cómo un pequeño cambio en un estado de un sistema no lineal determinista puede resultar en grandes diferencias en un estado posterior (lo que significa que hay una dependencia sensible de las condiciones iniciales). ^[3] Una metáfora para este comportamiento es que una mariposa que bate sus alas en Brasil puede causar un tornado en Texas . ^{[4] [5] [6]}

Pequeñas diferencias en las condiciones iniciales, como las debidas a errores en las mediciones o a errores de redondeo en el cálculo numérico , pueden producir resultados muy divergentes para tales sistemas dinámicos, lo que hace imposible la predicción a largo plazo de su comportamiento en general. ^[7] Esto puede suceder incluso aunque estos sistemas sean deterministas , lo que significa que su comportamiento futuro sigue una evolución única ^[8] y está completamente determinado por sus condiciones iniciales, sin elementos aleatorios involucrados. ^[9] En otras palabras, la naturaleza determinista de estos sistemas no los hace predecibles. ^{[10] [11]} Este comportamiento se conoce como caos determinista , o simplemente caos . La teoría fue resumida por Edward Lorenz como: ^[12]

Caos: Cuando el presente determina el futuro pero el presente aproximado no determina aproximadamente el futuro.

El comportamiento caótico existe en muchos sistemas naturales, incluido el flujo de fluidos, las irregularidades de los latidos del corazón, el tiempo y el clima. ^{[13] [14] [8]} También ocurre espontáneamente en algunos sistemas con componentes artificiales, como el tráfico rodado . ^[2] Este comportamiento se puede estudiar mediante el análisis de un modelo matemático caótico o mediante técnicas analíticas como gráficos de recurrencia y mapas de Poincaré . La teoría del caos tiene aplicaciones en una variedad de disciplinas, incluidas la meteorología , ^[8] la antropología , ^[15] la sociología , la ciencia ambiental , la informática , la ingeniería , la economía , la ecología y la gestión de crisis pandémicas . ^{[16] [17]} La ​​teoría formó la base para campos de estudio como los sistemas dinámicos complejos , la teoría del borde del caos y los procesos de autoensamblaje .

La teoría del caos difiere de numerosos campos, como por ejemplo la estabilidad estructural , mientras que esta última se ocupa de pequeñas diferenciaciones en los modelos, a diferencia de la primera, que se centra en cambios leves en los estados. Además, el tiempo también cumple diferentes papeles dentro de las definiciones del caos, así como en la teoría estructural. ^[18]

Introducción

La teoría del caos se ocupa de sistemas deterministas cuyo comportamiento puede, en principio, predecirse. Los sistemas caóticos son predecibles durante un tiempo y luego "parecen" volverse aleatorios. La cantidad de tiempo durante el cual se puede predecir efectivamente el comportamiento de un sistema caótico depende de tres cosas: cuánta incertidumbre se puede tolerar en el pronóstico, con qué precisión se puede medir su estado actual y una escala de tiempo que depende de la dinámica del sistema, llamada tiempo de Lyapunov . Algunos ejemplos de tiempos de Lyapunov son: circuitos eléctricos caóticos, alrededor de 1 milisegundo; sistemas meteorológicos, unos pocos días (no probado); el sistema solar interior, de 4 a 5 millones de años. ^[19] En los sistemas caóticos, la incertidumbre en un pronóstico aumenta exponencialmente con el tiempo transcurrido. Por lo tanto, matemáticamente, duplicar el tiempo de pronóstico más que cuadrar la incertidumbre proporcional en el pronóstico. Esto significa que, en la práctica, no se puede hacer una predicción significativa en un intervalo de más de dos o tres veces el tiempo de Lyapunov. Cuando no se pueden hacer predicciones significativas, el sistema parece aleatorio. ^[20]

La teoría del caos es un método de análisis cualitativo y cuantitativo para investigar el comportamiento de sistemas dinámicos que no pueden explicarse ni predecirse mediante relaciones de datos individuales, sino que deben explicarse y predecirse mediante relaciones de datos completas y continuas.

Dinámica caótica

El mapa definido por x → 4 x (1 – x ) e y → ( x + y) mod 1 muestra sensibilidad a las posiciones iniciales de x. Aquí, dos series de valores de x e y divergen notablemente con el tiempo a partir de una pequeña diferencia inicial.

En el uso común, "caos" significa "un estado de desorden". ^{[21] [22]} Sin embargo, en la teoría del caos, el término se define con mayor precisión. Aunque no existe una definición matemática universalmente aceptada del caos, una definición comúnmente utilizada, formulada originalmente por Robert L. Devaney , dice que para clasificar un sistema dinámico como caótico, debe tener estas propiedades: ^[23]

1. Debe ser sensible a las condiciones iniciales ,
2. Debe ser topológicamente transitiva ,
3. Debe tener órbitas periódicas densas .

En algunos casos, se ha demostrado que las dos últimas propiedades anteriores implican en realidad sensibilidad a las condiciones iniciales. ^{[24] [25]} En el caso de tiempo discreto, esto es cierto para todos los mapas continuos en espacios métricos . ^[26] En estos casos, si bien a menudo es la propiedad más significativa en la práctica, no es necesario indicar "sensibilidad a las condiciones iniciales" en la definición.

Si la atención se limita a los intervalos , la segunda propiedad implica las otras dos. ^[27] Una definición alternativa y generalmente más débil del caos utiliza sólo las dos primeras propiedades de la lista anterior. ^[28]

Sensibilidad a las condiciones iniciales

Ecuaciones de Lorenz utilizadas para generar gráficos para la variable y. Las condiciones iniciales para x y z se mantuvieron iguales, pero las de y se cambiaron entre 1,001 , 1,0001 y 1,00001 . Los valores para , y fueron 45,91 , 16 y 4 respectivamente. Como se puede ver en el gráfico, incluso la más mínima diferencia en los valores iniciales provoca cambios significativos después de unos 12 segundos de evolución en los tres casos. Este es un ejemplo de dependencia sensible de las condiciones iniciales. ${\displaystyle \rho }$ ${\displaystyle \sigma }$ ${\displaystyle \beta }$

La sensibilidad a las condiciones iniciales significa que cada punto de un sistema caótico se aproxima de forma arbitraria a otros puntos que tienen trayectorias o caminos futuros significativamente diferentes. Por lo tanto, un cambio o una perturbación arbitrariamente pequeños de la trayectoria actual pueden dar lugar a un comportamiento futuro significativamente diferente. ^[2]

La sensibilidad a las condiciones iniciales se conoce popularmente como el " efecto mariposa ", llamado así por el título de un artículo presentado por Edward Lorenz en 1972 a la Asociación Americana para el Avance de la Ciencia en Washington, DC, titulado Predictibilidad: ¿el aleteo de las alas de una mariposa en Brasil desencadena un tornado en Texas? [ ^29] El aleteo representa un pequeño cambio en la condición inicial del sistema, que causa una cadena de eventos que impide la predictibilidad de fenómenos a gran escala. Si la mariposa no hubiera aleteado, la trayectoria del sistema en su conjunto podría haber sido muy diferente.

Como se sugiere en el libro de Lorenz titulado La esencia del caos , publicado en 1993, ^[5] "la dependencia sensible puede servir como una definición aceptable del caos". En el mismo libro, Lorenz definió el efecto mariposa como: "El fenómeno de que una pequeña alteración en el estado de un sistema dinámico hará que los estados posteriores difieran en gran medida de los estados que habrían seguido sin la alteración". La definición anterior es coherente con la dependencia sensible de las soluciones en las condiciones iniciales (SDIC). Se desarrolló un modelo de esquí idealizado para ilustrar la sensibilidad de las trayectorias que varían en el tiempo a las posiciones iniciales. ^[5] Se puede determinar un horizonte de predictibilidad antes del inicio de SDIC (es decir, antes de separaciones significativas de las trayectorias cercanas iniciales). ^[30]

Una consecuencia de la sensibilidad a las condiciones iniciales es que si empezamos con una cantidad limitada de información sobre el sistema (como suele ser el caso en la práctica), entonces, más allá de cierto tiempo, el sistema ya no sería predecible. Esto es más frecuente en el caso del clima, que generalmente es predecible solo con una semana de antelación. ^[31] Esto no significa que no se pueda afirmar nada sobre eventos en el futuro lejano, solo que existen algunas restricciones en el sistema. Por ejemplo, sabemos que la temperatura de la superficie de la Tierra no alcanzará naturalmente los 100 °C (212 °F) ni caerá por debajo de los −130 °C (−202 °F) en la Tierra (durante la era geológica actual ), pero no podemos predecir exactamente qué día tendrá la temperatura más alta del año.

En términos más matemáticos, el exponente de Lyapunov mide la sensibilidad a las condiciones iniciales, en forma de tasa de divergencia exponencial de las condiciones iniciales perturbadas. ^[32] Más específicamente, dadas dos trayectorias iniciales en el espacio de fases que están infinitesimalmente cerca, con una separación inicial , las dos trayectorias terminan divergiendo a una tasa dada por ${\displaystyle \delta \mathbf {Z} _{0}}$

${\displaystyle |\delta \mathbf {Z} (t)|\approx e^{\lambda t}|\delta \mathbf {Z} _{0}|,}$

donde es el tiempo y es el exponente de Lyapunov. La tasa de separación depende de la orientación del vector de separación inicial, por lo que puede existir un espectro completo de exponentes de Lyapunov. El número de exponentes de Lyapunov es igual al número de dimensiones del espacio de fases, aunque es común referirse solo al mayor. Por ejemplo, el exponente máximo de Lyapunov (MLE) es el más utilizado, porque determina la predictibilidad general del sistema. Un MLE positivo suele tomarse como una indicación de que el sistema es caótico. ^[8] ${\displaystyle t}$ ${\displaystyle \lambda }$

Además de la propiedad mencionada anteriormente, también existen otras propiedades relacionadas con la sensibilidad de las condiciones iniciales, como, por ejemplo, la mezcla teórica de medidas (como se analiza en la teoría ergódica ) y las propiedades de un sistema K. ^[11]

No periodicidad

Un sistema caótico puede tener secuencias de valores para la variable en evolución que se repiten exactamente, dando lugar a un comportamiento periódico a partir de cualquier punto de esa secuencia. Sin embargo, dichas secuencias periódicas se repelen en lugar de atraerse, lo que significa que si la variable en evolución está fuera de la secuencia, por muy cerca que esté, no entrará en ella y, de hecho, divergirá de ella. Por lo tanto, para casi todas las condiciones iniciales, la variable evoluciona caóticamente con un comportamiento no periódico.

Mezcla topológica

Seis iteraciones de un conjunto de estados pasaron por el mapa logístico. La primera iteración (azul) es la condición inicial, que esencialmente forma un círculo. La animación muestra de la primera a la sexta iteración de las condiciones iniciales circulares. Se puede ver que se produce una mezcla a medida que avanzamos en las iteraciones. La sexta iteración muestra que los puntos están casi completamente dispersos en el espacio de fases. Si hubiéramos avanzado más en las iteraciones, la mezcla habría sido homogénea e irreversible. El mapa logístico tiene la ecuación . Para expandir el espacio de estados del mapa logístico a dos dimensiones, se creó un segundo estado, , como , si y en caso contrario. ${\displaystyle [x,y]}$ ${\displaystyle x_{k+1}=4x_{k}(1-x_{k})}$ ${\displaystyle y}$ ${\displaystyle y_{k+1}=x_{k}+y_{k}}$ ${\displaystyle x_{k}+y_{k}<1}$ ${\displaystyle y_{k+1}=x_{k}+y_{k}-1}$

El mapa definido por x → 4 x (1 – x ) e y → ( x + y) mod 1 también muestra una mezcla topológica . Aquí, la región azul se transforma por la dinámica primero en la región violeta, luego en las regiones rosa y roja, y finalmente en una nube de líneas verticales esparcidas por el espacio.

La mezcla topológica (o la condición más débil de transitividad topológica) significa que el sistema evoluciona con el tiempo de modo que cualquier región dada o conjunto abierto de su espacio de fases eventualmente se superpone con cualquier otra región dada. Este concepto matemático de "mezcla" corresponde a la intuición estándar, y la mezcla de tintes o fluidos de colores es un ejemplo de un sistema caótico.

La mezcla topológica suele omitirse en las explicaciones populares sobre el caos, que equiparan el caos con la sensibilidad a las condiciones iniciales. Sin embargo, la dependencia sensible a las condiciones iniciales por sí sola no produce caos. Por ejemplo, considere el sistema dinámico simple producido al duplicar repetidamente un valor inicial. Este sistema tiene una dependencia sensible a las condiciones iniciales en todas partes, ya que cualquier par de puntos cercanos eventualmente se vuelve muy separado. Sin embargo, este ejemplo no tiene mezcla topológica y, por lo tanto, no tiene caos. De hecho, tiene un comportamiento extremadamente simple: todos los puntos excepto 0 tienden al infinito positivo o negativo.

Transitividad topológica

Se dice que una función es topológicamente transitiva si para cualquier par de conjuntos abiertos no vacíos , existe tal que . La transitividad topológica es una versión más débil de la mezcla topológica . Intuitivamente, si una función es topológicamente transitiva, entonces, dado un punto x y una región V , existe un punto y cerca de x cuya órbita pasa por V . Esto implica que es imposible descomponer el sistema en dos conjuntos abiertos. ^[33] ${\displaystyle f:X\to X}$ ${\displaystyle U,V\subset X}$ ${\displaystyle k>0}$ ${\displaystyle f^{k}(U)\cap V\neq \emptyset }$

Un teorema relacionado importante es el teorema de transitividad de Birkhoff. Es fácil ver que la existencia de una órbita densa implica transitividad topológica. El teorema de transitividad de Birkhoff establece que si X es un segundo espacio métrico completo numerable , entonces la transitividad topológica implica la existencia de un conjunto denso de puntos en X que tienen órbitas densas. ^[34]

Densidad de órbitas periódicas

Para que un sistema caótico tenga órbitas periódicas densas significa que cada punto en el espacio está arbitrariamente cerca de órbitas periódicas. ^{[33] El} mapa logístico unidimensional definido por x → 4 x (1 – x ) es uno de los sistemas más simples con densidad de órbitas periódicas. Por ejemplo,  →  → (o aproximadamente 0.3454915 → 0.9045085 → 0.3454915) es una órbita (inestable) de período 2, y existen órbitas similares para los períodos 4, 8, 16, etc. (de hecho, para todos los períodos especificados por el teorema de Sharkovskii ). ^[35] ${\displaystyle {\tfrac {5-{\sqrt {5}}}{8}}}$ ${\displaystyle {\tfrac {5+{\sqrt {5}}}{8}}}$ ${\displaystyle {\tfrac {5-{\sqrt {5}}}{8}}}$

El teorema de Sharkovskii es la base de la prueba de Li y Yorke ^[36] (1975) de que cualquier sistema unidimensional continuo que exhibe un ciclo regular de período tres también mostrará ciclos regulares de cualquier otra longitud, así como órbitas completamente caóticas.

Atractores extraños

El atractor de Lorenz muestra un comportamiento caótico. Estos dos gráficos demuestran una dependencia sensible de las condiciones iniciales dentro de la región del espacio de fases ocupada por el atractor.

Algunos sistemas dinámicos, como el mapa logístico unidimensional definido por x → 4 x (1 – x ), son caóticos en todas partes, pero en muchos casos el comportamiento caótico se encuentra solo en un subconjunto del espacio de fases. Los casos de mayor interés surgen cuando el comportamiento caótico tiene lugar en un atractor , ya que entonces un gran conjunto de condiciones iniciales conduce a órbitas que convergen a esta región caótica. ^[37]

Una forma sencilla de visualizar un atractor caótico es empezar con un punto en la cuenca de atracción del atractor y luego simplemente trazar su órbita subsiguiente. Debido a la condición de transitividad topológica, es probable que esto produzca una imagen de todo el atractor final y, de hecho, ambas órbitas que se muestran en la figura de la derecha dan una imagen de la forma general del atractor de Lorenz. Este atractor resulta de un modelo tridimensional simple del sistema meteorológico de Lorenz . El atractor de Lorenz es quizás uno de los diagramas de sistemas caóticos más conocidos, probablemente porque no solo es uno de los primeros, sino también uno de los más complejos y, como tal, da lugar a un patrón muy interesante que, con un poco de imaginación, parece las alas de una mariposa.

A diferencia de los atractores de punto fijo y los ciclos límite , los atractores que surgen de sistemas caóticos, conocidos como atractores extraños , tienen un gran detalle y complejidad. Los atractores extraños ocurren tanto en sistemas dinámicos continuos (como el sistema de Lorenz) como en algunos sistemas discretos (como el mapa de Hénon ). Otros sistemas dinámicos discretos tienen una estructura de repulsión llamada conjunto de Julia , que se forma en el límite entre cuencas de atracción de puntos fijos. Los conjuntos de Julia pueden considerarse como repelentes extraños. Tanto los atractores extraños como los conjuntos de Julia suelen tener una estructura fractal , y se puede calcular la dimensión fractal para ellos.

Atractores coexistentes

Atractores caóticos y no caóticos coexistentes dentro del modelo generalizado de Lorenz. ^{[38] [39] [40]} Hay 128 órbitas en diferentes colores, comenzando con diferentes condiciones iniciales para un tiempo adimensional entre 0,625 y 5 y un parámetro de calentamiento r = 680. Las órbitas caóticas regresan recurrentemente cerca del punto de silla en el origen. Las órbitas no caóticas eventualmente se acercan a uno de los dos puntos críticos estables, como se muestra con grandes puntos azules. Las órbitas caóticas y no caóticas ocupan diferentes regiones de atracción dentro del espacio de fases.

A diferencia de las soluciones caóticas de un solo tipo, estudios recientes que utilizan modelos de Lorenz ^{[41] [42]} han enfatizado la importancia de considerar varios tipos de soluciones. Por ejemplo, pueden aparecer soluciones caóticas y no caóticas coexistentes dentro del mismo modelo (por ejemplo, el sistema de doble péndulo) utilizando las mismas configuraciones de modelado pero diferentes condiciones iniciales. Los hallazgos de coexistencia de atractores, obtenidos a partir de modelos de Lorenz clásicos y generalizados, ^{[38] [39] [40]} sugirieron una visión revisada de que "la totalidad del clima posee una naturaleza dual de caos y orden con una predictibilidad distinta", en contraste con la visión convencional de que "el clima es caótico".

Complejidad mínima de un sistema caótico

Diagrama de bifurcación del mapa logístico x → r x (1 – x ). Cada corte vertical muestra el atractor para un valor específico de r . El diagrama muestra que el período se duplica a medida que r aumenta, lo que finalmente produce caos. Los puntos más oscuros se visitan con mayor frecuencia.

Los sistemas caóticos discretos, como el mapa logístico , pueden exhibir atractores extraños independientemente de su dimensionalidad . En cambio, para los sistemas dinámicos continuos , el teorema de Poincaré-Bendixson muestra que un atractor extraño solo puede surgir en tres o más dimensiones. Los sistemas lineales de dimensión finita nunca son caóticos; para que un sistema dinámico muestre un comportamiento caótico, debe ser no lineal o de dimensión infinita.

El teorema de Poincaré-Bendixson establece que una ecuación diferencial bidimensional tiene un comportamiento muy regular. El atractor de Lorenz que se analiza a continuación se genera mediante un sistema de tres ecuaciones diferenciales como:

${\displaystyle {\begin{aligned}{\frac {\mathrm {d} x}{\mathrm {d} t}}&=\sigma y-\sigma x,\\{\frac {\mathrm {d} y}{\mathrm {d} t}}&=\rho x-xz-y,\\{\frac {\mathrm {d} z}{\mathrm {d} t}}&=xy-\beta z.\end{aligned}}}$

donde , , y forman el estado del sistema , es el tiempo, y , , son los parámetros del sistema . Cinco de los términos del lado derecho son lineales, mientras que dos son cuadráticos; un total de siete términos. Otro atractor caótico bien conocido es generado por las ecuaciones de Rössler , que tienen solo un término no lineal de siete. Sprott ^[43] encontró un sistema tridimensional con solo cinco términos, que tenía solo un término no lineal, que exhibe caos para ciertos valores de parámetros. Zhang y Heidel ^{[44] [45]} demostraron que, al menos para sistemas cuadráticos disipativos y conservativos, los sistemas cuadráticos tridimensionales con solo tres o cuatro términos en el lado derecho no pueden exhibir un comportamiento caótico. La razón es, simplemente, que las soluciones a tales sistemas son asintóticas a una superficie bidimensional y, por lo tanto, las soluciones se comportan bien. ${\displaystyle x}$ ${\displaystyle y}$ ${\displaystyle z}$ ${\displaystyle t}$ ${\displaystyle \sigma }$ ${\displaystyle \rho }$ ${\displaystyle \beta }$

Si bien el teorema de Poincaré-Bendixson muestra que un sistema dinámico continuo en el plano euclidiano no puede ser caótico, los sistemas continuos bidimensionales con geometría no euclidiana aún pueden exhibir algunas propiedades caóticas. ^[46] Quizás sorprendentemente, el caos también puede ocurrir en sistemas lineales, siempre que sean de dimensión infinita. ^[47] Se está desarrollando una teoría del caos lineal en una rama del análisis matemático conocida como análisis funcional .

El conjunto anterior de tres ecuaciones diferenciales ordinarias se ha denominado modelo tridimensional de Lorenz. ^[48] Desde 1963, se han desarrollado modelos de Lorenz de mayor dimensión en numerosos estudios ^{[49] [50] [38] [39]} para examinar el impacto de un mayor grado de no linealidad, así como su efecto colectivo con el calentamiento y las disipaciones, en la estabilidad de la solución.

Mapas de dimensión infinita

La generalización directa de mapas discretos acoplados ^[51] se basa en la integral de convolución que media la interacción entre mapas distribuidos espacialmente: , ${\displaystyle \psi _{n+1}({\vec {r}},t)=\int K({\vec {r}}-{\vec {r}}^{,},t)f[\psi _{n}({\vec {r}}^{,},t)]d{\vec {r}}^{,}}$

donde el núcleo es el propagador derivado como función de Green de un sistema físico relevante, ^[52] podría ser un mapa logístico o un mapa complejo . Para ejemplos de mapas complejos pueden servir el conjunto de Julia o el mapa de Ikeda . Cuando se consideran problemas de propagación de ondas a distancia con longitud de onda , el núcleo puede tener una forma de función de Green para la ecuación de Schrödinger :. ^{[53] [54]} ${\displaystyle K({\vec {r}}-{\vec {r}}^{,},t)}$ ${\displaystyle f[\psi _{n}({\vec {r}},t)]}$ ${\displaystyle \psi \rightarrow G\psi [1-\tanh(\psi )]}$ ${\displaystyle f[\psi ]=\psi ^{2}}$ ${\displaystyle \psi _{n+1}=A+B\psi _{n}e^{i(|\psi _{n}|^{2}+C)}}$ ${\displaystyle L=ct}$ ${\displaystyle \lambda =2\pi /k}$ ${\displaystyle K}$

${\displaystyle K({\vec {r}}-{\vec {r}}^{,},L)={\frac {ik\exp[ikL]}{2\pi L}}\exp[{\frac {ik|{\vec {r}}-{\vec {r}}^{,}|^{2}}{2L}}]}$.

Sistemas de sacudidas

En física , el tirón es la tercera derivada de la posición con respecto al tiempo. Por lo tanto, las ecuaciones diferenciales de la forma

${\displaystyle J\left({\overset {...}{x}},{\ddot {x}},{\dot {x}},x\right)=0}$

A veces se denominan ecuaciones jerk . Se ha demostrado que una ecuación jerk, que es equivalente a un sistema de tres ecuaciones diferenciales ordinarias no lineales de primer orden, es en cierto sentido la configuración mínima para soluciones que muestran un comportamiento caótico. Esto motiva el interés matemático en los sistemas jerk. Los sistemas que involucran una cuarta derivada o superior se denominan en consecuencia sistemas hyperjerk. ^[55]

El comportamiento de un sistema de sacudidas se describe mediante una ecuación de sacudidas y, para ciertas ecuaciones de sacudidas, los circuitos electrónicos simples pueden modelar soluciones. Estos circuitos se conocen como circuitos de sacudidas.

Una de las propiedades más interesantes de los circuitos jerk es la posibilidad de comportamiento caótico. De hecho, ciertos sistemas caóticos bien conocidos, como el atractor de Lorenz y el mapa de Rössler , se describen convencionalmente como un sistema de tres ecuaciones diferenciales de primer orden que pueden combinarse en una única ecuación jerk (aunque bastante complicada). Otro ejemplo de una ecuación jerk con no linealidad en la magnitud de es: ${\displaystyle x}$

${\displaystyle {\frac {\mathrm {d} ^{3}x}{\mathrm {d} t^{3}}}+A{\frac {\mathrm {d} ^{2}x}{\mathrm {d} t^{2}}}+{\frac {\mathrm {d} x}{\mathrm {d} t}}-|x|+1=0.}$

Aquí, A es un parámetro ajustable. Esta ecuación tiene una solución caótica para A = 3/5 y se puede implementar con el siguiente circuito de sacudidas; la no linealidad requerida se logra mediante los dos diodos:

En el circuito anterior, todas las resistencias tienen el mismo valor, excepto , y todos los condensadores tienen el mismo tamaño. La frecuencia dominante es . La salida del amplificador operacional 0 corresponderá a la variable x, la salida de 1 corresponde a la primera derivada de x y la salida de 2 corresponde a la segunda derivada. ${\displaystyle R_{A}=R/A=5R/3}$ ${\displaystyle 1/2\pi RC}$

Circuitos similares solo requieren un diodo ^[56] o ningún diodo en absoluto. ^[57]

Véase también el conocido circuito de Chua , una de las bases para los generadores de números aleatorios verdaderos caóticos. ^[58] La facilidad de construcción del circuito lo ha convertido en un ejemplo omnipresente en el mundo real de un sistema caótico.

Orden espontánea

En las condiciones adecuadas, el caos evoluciona espontáneamente hacia un patrón de sincronización. En el modelo de Kuramoto , cuatro condiciones son suficientes para producir sincronización en un sistema caótico. Algunos ejemplos incluyen la oscilación acoplada de los péndulos de Christiaan Huygens , las luciérnagas, las neuronas , la resonancia del Puente del Milenio de Londres y grandes conjuntos de uniones de Josephson . ^[59]

Además, desde el punto de vista de la física teórica, el caos dinámico en sí mismo, en su manifestación más general, es un orden espontáneo. La esencia aquí es que la mayoría de los órdenes en la naturaleza surgen de la ruptura espontánea de varias simetrías. Esta gran familia de fenómenos incluye la elasticidad, la superconductividad, el ferromagnetismo y muchos otros. Según la teoría supersimétrica de la dinámica estocástica , el caos, o más precisamente, su generalización estocástica, también es parte de esta familia. La simetría correspondiente que se rompe es la supersimetría topológica que está oculta en todas las ecuaciones diferenciales estocásticas (parciales) , y el parámetro de orden correspondiente es una encarnación teórica de campo del efecto mariposa. ^[60]

Historia

Helecho de Barnsley creado mediante el juego del caos . Las formas naturales (helechos, nubes, montañas, etc.) pueden recrearse mediante un sistema de funciones iteradas (SFI).

James Clerk Maxwell fue el primero en enfatizar el " efecto mariposa ", y es considerado uno de los primeros en discutir la teoría del caos, con trabajos en las décadas de 1860 y 1870. ^{[61] [62] [63]} Uno de los primeros defensores de la teoría del caos fue Henri Poincaré . En la década de 1880, mientras estudiaba el problema de los tres cuerpos , descubrió que puede haber órbitas que no sean periódicas, y que sin embargo no aumenten para siempre ni se acerquen a un punto fijo. ^{[64] [65] [66]} En 1898, Jacques Hadamard publicó un influyente estudio del movimiento caótico de una partícula libre deslizándose sin fricción sobre una superficie de curvatura negativa constante, llamado " billar de Hadamard ". ^{[67] Hadamard pudo demostrar que todas las trayectorias son inestables, en el sentido de que todas las trayectorias de partículas divergen exponencialmente entre sí, con un} exponente de Lyapunov positivo .

La teoría del caos comenzó en el campo de la teoría ergódica . Estudios posteriores, también sobre el tema de las ecuaciones diferenciales no lineales , fueron realizados por George David Birkhoff , ^[68] Andrey Nikolaevich Kolmogorov , ^{[69] [70] [71]} Mary Lucy Cartwright y John Edensor Littlewood , ^[72] y Stephen Smale . ^[73] Aunque no se había observado movimiento planetario caótico, los experimentalistas habían encontrado turbulencia en el movimiento de fluidos y oscilación no periódica en circuitos de radio sin el beneficio de una teoría para explicar lo que estaban viendo.

A pesar de las ideas iniciales de la primera mitad del siglo XX, la teoría del caos se formalizó como tal solo después de mediados de siglo, cuando se hizo evidente para algunos científicos que la teoría lineal , la teoría de sistemas predominante en ese momento, simplemente no podía explicar el comportamiento observado de ciertos experimentos como el del mapa logístico . Lo que se había atribuido a la imprecisión de la medida y al simple " ruido " fue considerado por los teóricos del caos como un componente completo de los sistemas estudiados. En 1959, Boris Valerianovich Chirikov propuso un criterio para la aparición del caos clásico en sistemas hamiltonianos ( criterio de Chirikov ). Aplicó este criterio para explicar algunos resultados experimentales sobre el confinamiento de plasma en trampas de espejo abierto. ^{[74] [75]} Esta se considera como la primera teoría física del caos, que logró explicar un experimento concreto. Y el propio Boris Chirikov es considerado un pionero en el caos clásico y cuántico. ^{[76] [77] [78]}

El principal catalizador para el desarrollo de la teoría del caos fue la computadora electrónica. Gran parte de las matemáticas de la teoría del caos implican la iteración repetida de fórmulas matemáticas simples, lo que sería poco práctico si se hiciera a mano. Las computadoras electrónicas hicieron que estos cálculos repetidos fueran prácticos, mientras que las figuras e imágenes hicieron posible visualizar estos sistemas. Como estudiante de posgrado en el laboratorio de Chihiro Hayashi en la Universidad de Kioto, Yoshisuke Ueda estaba experimentando con computadoras analógicas y notó, el 27 de noviembre de 1961, lo que llamó "fenómenos de transición aleatoria". Sin embargo, su asesor no estuvo de acuerdo con sus conclusiones en ese momento, y no le permitió informar sobre sus hallazgos hasta 1970. ^{[79] [80]}

Turbulencia en el vórtice de la punta del ala de un avión . Los estudios del punto crítico a partir del cual un sistema crea turbulencia fueron importantes para la teoría del caos, analizada por ejemplo por el físico soviético Lev Landau , quien desarrolló la teoría de la turbulencia de Landau-Hopf . David Ruelle y Floris Takens predijeron más tarde, en contra de Landau, que la turbulencia de fluidos podría desarrollarse a través de un atractor extraño , un concepto principal de la teoría del caos.

Edward Lorenz fue uno de los pioneros de la teoría. Su interés por el caos surgió accidentalmente a través de su trabajo sobre predicción meteorológica en 1961. ^[13] Lorenz y su colaboradora Ellen Fetter y Margaret Hamilton ^[81] estaban usando una computadora digital simple, una Royal McBee LGP-30 , para ejecutar simulaciones meteorológicas. Querían ver una secuencia de datos nuevamente y, para ahorrar tiempo, comenzaron la simulación en el medio de su curso. Lo hicieron ingresando una impresión de los datos que correspondían a las condiciones en el medio de la simulación original. Para su sorpresa, el clima que la máquina comenzó a predecir era completamente diferente del cálculo anterior. Lo rastrearon hasta la impresión de la computadora. La computadora trabajaba con una precisión de 6 dígitos, pero la impresión redondeaba las variables a un número de 3 dígitos, por lo que un valor como 0,506127 se imprimía como 0,506. Esta diferencia es minúscula y el consenso en ese momento habría sido que no debería tener ningún efecto práctico. Sin embargo, Lorenz descubrió que pequeños cambios en las condiciones iniciales producían grandes cambios en los resultados a largo plazo. ^[82] El descubrimiento de Lorenz, que dio su nombre a los atractores de Lorenz , mostró que incluso el modelado atmosférico detallado no puede, en general, realizar predicciones meteorológicas precisas a largo plazo.

En 1963, Benoit Mandelbrot , estudiando teoría de la información , descubrió que el ruido en muchos fenómenos (incluidos los precios de las acciones y los circuitos telefónicos ) estaba modelado como un conjunto de Cantor , un conjunto de puntos con rugosidad y detalle infinitos. ^[83] Mandelbrot describió tanto el "efecto Noé" (en el que pueden ocurrir cambios repentinos discontinuos) como el "efecto Joseph" (en el que la persistencia de un valor puede ocurrir por un tiempo, pero cambiar repentinamente después). ^{[84] [85]} En 1967, publicó " ¿Cuánto mide la costa de Gran Bretaña? Autosimilitud estadística y dimensión fraccionaria ", mostrando que la longitud de una costa varía con la escala del instrumento de medición, se parece a sí misma en todas las escalas y es infinita en longitud para un dispositivo de medición infinitesimalmente pequeño. ^[86] Argumentando que una bola de hilo aparece como un punto cuando se la ve desde lejos (0-dimensional), una bola cuando se la ve bastante cerca (3-dimensional), o una hebra curva (1-dimensional), argumentó que las dimensiones de un objeto son relativas al observador y pueden ser fraccionarias. Un objeto cuya irregularidad es constante en diferentes escalas ("autosimilitud") es un fractal (los ejemplos incluyen la esponja de Menger , la junta de Sierpiński y la curva o copo de nieve de Koch , que es infinitamente larga pero encierra un espacio finito y tiene una dimensión fractal de alrededor de 1,2619). En 1982, Mandelbrot publicó La geometría fractal de la naturaleza , que se convirtió en un clásico de la teoría del caos. ^[87]

En diciembre de 1977, la Academia de Ciencias de Nueva York organizó el primer simposio sobre el caos, al que asistieron David Ruelle, Robert May , James A. Yorke (creador del término "caos" tal como se usa en matemáticas), Robert Shaw y el meteorólogo Edward Lorenz. Al año siguiente, Pierre Coullet y Charles Tresser publicaron "Itérations d'endomorphismes et groupe de renormalisation", y el artículo de Mitchell Feigenbaum "Universalidad cuantitativa para una clase de transformaciones no lineales" finalmente apareció en una revista, después de 3 años de rechazos de los árbitros. ^{[88] [89]} Así, Feigenbaum (1975) y Coullet y Tresser (1978) descubrieron la universalidad en el caos, lo que permitió la aplicación de la teoría del caos a muchos fenómenos diferentes.

En 1979, Albert J. Libchaber , durante un simposio organizado en Aspen por Pierre Hohenberg , presentó su observación experimental de la cascada de bifurcación que conduce al caos y la turbulencia en los sistemas de convección de Rayleigh-Bénard . Fue galardonado con el Premio Wolf de Física en 1986 junto con Mitchell J. Feigenbaum por sus inspiradores logros. ^[90]

En 1986, la Academia de Ciencias de Nueva York organizó junto con el Instituto Nacional de Salud Mental y la Oficina de Investigación Naval la primera conferencia importante sobre el caos en biología y medicina. Allí, Bernardo Huberman presentó un modelo matemático de la disfunción del seguimiento ocular entre personas con esquizofrenia . ^[91] Esto condujo a una renovación de la fisiología en la década de 1980 a través de la aplicación de la teoría del caos, por ejemplo, en el estudio de los ciclos cardíacos patológicos .

En 1987, Per Bak , Chao Tang y Kurt Wiesenfeld publicaron un artículo en Physical Review Letters ^[92] describiendo por primera vez la criticidad autoorganizada (SOC), considerada uno de los mecanismos por los cuales surge la complejidad en la naturaleza.

Junto con enfoques basados ​​principalmente en laboratorio, como el estudio de la pila de arena Bak-Tang-Wiesenfeld , muchas otras investigaciones se han centrado en sistemas naturales o sociales a gran escala que se sabe (o se sospecha) que muestran un comportamiento invariante en la escala . Aunque estos enfoques no siempre fueron bien recibidos (al menos inicialmente) por los especialistas en los temas examinados, el SOC se ha establecido como un fuerte candidato para explicar una serie de fenómenos naturales, incluidos los terremotos (que, mucho antes de que se descubriera el SOC, eran conocidos como una fuente de comportamiento invariante de escala como la ley de Gutenberg-Richter que describe la distribución estadística de los tamaños de los terremotos y la ley de Omori ^[93] que describe la frecuencia de las réplicas), las erupciones solares , las fluctuaciones en los sistemas económicos como los mercados financieros (las referencias al SOC son comunes en la econofísica ), la formación del paisaje, los incendios forestales , los deslizamientos de tierra , las epidemias y la evolución biológica (donde el SOC se ha invocado, por ejemplo, como el mecanismo dinámico detrás de la teoría de los " equilibrios puntuados " propuesta por Niles Eldredge y Stephen Jay Gould ). Dadas las implicaciones de una distribución libre de escala de los tamaños de los eventos, algunos investigadores han sugerido que otro fenómeno que debería considerarse un ejemplo de SOC es la ocurrencia de guerras . Estas investigaciones del SOC han incluido tanto intentos de modelado (ya sea desarrollando nuevos modelos o adaptando los existentes a las particularidades de un sistema natural dado) como análisis de datos exhaustivos para determinar la existencia y/o las características de las leyes de escala natural.

También en 1987 James Gleick publicó Chaos: Making a New Science , que se convirtió en un best-seller e introdujo los principios generales de la teoría del caos así como su historia al público en general. ^[94] Inicialmente dominio de unos pocos individuos aislados, la teoría del caos emergió progresivamente como una disciplina transdisciplinaria e institucional, principalmente bajo el nombre de análisis de sistemas no lineales . Aludiendo al concepto de cambio de paradigma de Thomas Kuhn expuesto en La estructura de las revoluciones científicas (1962), muchos "caólogos" (como algunos se describieron a sí mismos) afirmaron que esta nueva teoría era un ejemplo de tal cambio, una tesis sostenida por Gleick.

La disponibilidad de computadoras más baratas y potentes amplía la aplicabilidad de la teoría del caos. Actualmente, la teoría del caos sigue siendo un área activa de investigación, ^[95] que involucra muchas disciplinas diferentes como matemáticas , topología , física , ^[96] sistemas sociales , ^[97] modelado de población , biología , meteorología , astrofísica , teoría de la información , neurociencia computacional , gestión de crisis pandémicas , ^{[16] [17]} etc.

Contribuciones pioneras de Lorenz al modelado caótico

A lo largo de su carrera, el profesor Edward Lorenz fue autor de un total de 61 artículos de investigación, de los cuales 58 fueron de su exclusiva autoría. ^[98] A partir de la conferencia de 1960 en Japón, Lorenz se embarcó en un viaje de desarrollo de diversos modelos destinados a descubrir el SDIC y las características caóticas. Una revisión reciente de la progresión del modelo de Lorenz ^{[99] [100]} que abarca desde 1960 hasta 2008 reveló su destreza en el empleo de diversos sistemas físicos para ilustrar fenómenos caóticos. Estos sistemas abarcaban sistemas cuasigeostróficos, la ecuación de vorticidad conservativa, las ecuaciones de convección de Rayleigh-Bénard y las ecuaciones de aguas poco profundas. Además, a Lorenz se le puede atribuir la aplicación temprana del mapa logístico para explorar soluciones caóticas, un hito que logró antes que sus colegas (por ejemplo, Lorenz 1964 ^[101] ).

En 1972, Lorenz acuñó el término "efecto mariposa" como metáfora para analizar si una pequeña perturbación podría llegar a crear un tornado con una estructura tridimensional, organizada y coherente. Si bien está relacionado con el efecto mariposa original basado en la dependencia sensible de las condiciones iniciales, su variante metafórica conlleva matices distintivos. Para conmemorar este hito, se publicó oficialmente un libro reimpreso que contiene artículos invitados que profundizan nuestra comprensión de ambos efectos mariposa para celebrar el 50 aniversario del efecto mariposa metafórico. ^[102]

Una analogía popular pero inexacta para el caos

La dependencia sensible de las condiciones iniciales (es decir, el efecto mariposa) se ha ilustrado utilizando el siguiente folclore: ^[94]

Por falta de un clavo se perdió la herradura.
Por falta de una herradura se perdió el caballo.
Por falta de un caballo se perdió el jinete.
Por falta de un jinete se perdió la batalla.
Por falta de una batalla se perdió el reino.
Y todo por falta de un clavo de herradura.

Con base en lo anterior, muchas personas creen erróneamente que el impacto de una pequeña perturbación inicial aumenta monótonamente con el tiempo y que cualquier pequeña perturbación puede eventualmente producir un gran impacto en las integraciones numéricas. Sin embargo, en 2008, Lorenz afirmó que no sentía que este verso describiera el verdadero caos sino que ilustraba mejor el fenómeno más simple de la inestabilidad y que el verso sugiere implícitamente que los pequeños eventos posteriores no revertirán el resultado. ^[103] Con base en el análisis, el verso solo indica divergencia, no acotación. ^[6] La acotación es importante para el tamaño finito de un patrón de mariposa. ^{[6] [103] [104]} En un estudio reciente, ^[105] la característica del verso mencionado anteriormente fue denotada recientemente como "dependencia sensible al tiempo finito".

Aplicaciones

Una carcasa textil cónica , de apariencia similar a la Regla 30 , un autómata celular con comportamiento caótico ^[106]

Aunque la teoría del caos nació a partir de la observación de patrones climáticos, se ha vuelto aplicable a una variedad de otras situaciones. Algunas áreas que se benefician de la teoría del caos hoy son la geología , las matemáticas , la biología , la informática , la economía , ^{[107] [108 ] [109]} la ingeniería , ^{[110] [111]} las finanzas , ^{[112] [ 113] [ 114] [115] [116]} la meteorología , la filosofía , la antropología , ^[15] la física , ^{[117] [118] [119]} la política , ^{[120] [121]} la dinámica de poblaciones , ^[122] y la robótica . A continuación se enumeran algunas categorías con ejemplos, pero esta no es de ninguna manera una lista completa ya que están apareciendo nuevas aplicaciones.

Criptografía

La teoría del caos se ha utilizado durante muchos años en criptografía . En las últimas décadas, el caos y la dinámica no lineal se han utilizado en el diseño de cientos de primitivas criptográficas . Estos algoritmos incluyen algoritmos de cifrado de imágenes , funciones hash , generadores de números pseudoaleatorios seguros , cifrados de flujo , marcas de agua y esteganografía . ^[123] La mayoría de estos algoritmos se basan en mapas caóticos unimodales y una gran parte de estos algoritmos utilizan los parámetros de control y la condición inicial de los mapas caóticos como sus claves. ^[124] Desde una perspectiva más amplia, sin pérdida de generalidad, las similitudes entre los mapas caóticos y los sistemas criptográficos son la principal motivación para el diseño de algoritmos criptográficos basados ​​en el caos. ^[123] Un tipo de cifrado, clave secreta o clave simétrica , se basa en la difusión y la confusión , que está bien modelada por la teoría del caos. ^[125] Otro tipo de computación, la computación de ADN , cuando se combina con la teoría del caos, ofrece una forma de cifrar imágenes y otra información. ^[126] Se ha demostrado que muchos de los algoritmos criptográficos de ADN-Caos no son seguros o se sugiere que la técnica aplicada no es eficiente. ^{[127] [128] [129]}

Robótica

La robótica es otro campo que recientemente se ha beneficiado de la teoría del caos. En lugar de que los robots actúen mediante un proceso de ensayo y error para refinar su interacción con el entorno, se ha utilizado la teoría del caos para construir un modelo predictivo . ^{[130] Los robots bípedos} que caminan de forma pasiva han mostrado dinámicas caóticas . ^[131]

Biología

Durante más de cien años, los biólogos han estado haciendo un seguimiento de las poblaciones de diferentes especies con modelos de población . La mayoría de los modelos son continuos , pero recientemente los científicos han podido implementar modelos caóticos en ciertas poblaciones. ^[132] Por ejemplo, un estudio sobre modelos de lince canadiense mostró que había un comportamiento caótico en el crecimiento de la población. ^[133] El caos también se puede encontrar en sistemas ecológicos, como la hidrología . Si bien un modelo caótico para la hidrología tiene sus deficiencias, todavía hay mucho que aprender al observar los datos a través de la lente de la teoría del caos. ^[134] Otra aplicación biológica se encuentra en la cardiotocografía . La vigilancia fetal es un delicado equilibrio entre la obtención de información precisa y la no invasiva posible. Se pueden obtener mejores modelos de señales de advertencia de hipoxia fetal a través del modelado caótico. ^[135]

Como señala Perry, la modelización de series temporales caóticas en ecología se ve facilitada por las restricciones. ^{[136] : 176, 177} Siempre existe una dificultad potencial para distinguir el caos real del caos que solo está en el modelo. ^{[136] : 176, 177} Por lo tanto, tanto la restricción en el modelo como los datos duplicados de series temporales para la comparación serán útiles para restringir el modelo a algo cercano a la realidad, por ejemplo Perry & Wall 1984. ^{[136] : 176, 177} La coevolución gen por gen a veces muestra dinámicas caóticas en las frecuencias de los alelos . ^[137] Agregar variables exagera esto: el caos es más común en modelos que incorporan variables adicionales para reflejar facetas adicionales de poblaciones reales. ^{[137] El propio} Robert M. May realizó algunos de estos estudios fundamentales de coevolución de cultivos, y esto a su vez ayudó a dar forma a todo el campo. ^[137] Incluso en un entorno estable, la simple combinación de un cultivo y un patógeno puede dar lugar a oscilaciones cuasi periódicas o caóticas en la población de patógenos . ^{[138] : 169}

Ciencias económicas

Es posible que los modelos económicos también puedan mejorarse mediante la aplicación de la teoría del caos, pero predecir la salud de un sistema económico y qué factores influyen más en él es una tarea extremadamente compleja. ^[139] Los sistemas económicos y financieros son fundamentalmente diferentes de los de las ciencias naturales clásicas, ya que los primeros son inherentemente estocásticos por naturaleza, ya que resultan de las interacciones de las personas, y por lo tanto es poco probable que los modelos deterministas puros proporcionen representaciones precisas de los datos. La literatura empírica que prueba el caos en economía y finanzas presenta resultados muy mixtos, en parte debido a la confusión entre pruebas específicas para el caos y pruebas más generales para relaciones no lineales. ^[140]

El caos se puede detectar en economía mediante el análisis de cuantificación de recurrencia . De hecho, Orlando et al. ^[141], mediante el llamado índice de correlación de cuantificación de recurrencia, pudieron detectar cambios ocultos en series temporales. Luego, se empleó la misma técnica para detectar transiciones de fases laminares (regulares) a turbulentas (caóticas), así como diferencias entre variables macroeconómicas y resaltar características ocultas de la dinámica económica. ^[142] Finalmente, la teoría del caos podría ayudar a modelar cómo opera una economía, así como a incorporar shocks debido a eventos externos como COVID-19. ^[143]

Predictibilidad finita del tiempo y el clima

Debido a la dependencia sensible de las soluciones en las condiciones iniciales (SDIC), también conocida como efecto mariposa, los sistemas caóticos como el modelo de Lorenz de 1963 implican un horizonte de predictibilidad finito. Esto significa que, si bien es posible realizar predicciones precisas durante un período de tiempo finito, no son factibles durante un lapso de tiempo infinito. Considerando la naturaleza de las soluciones caóticas de Lorenz, el comité dirigido por Charney et al. en 1966 ^[144] extrapoló un tiempo de duplicación de cinco días a partir de un modelo de circulación general, lo que sugiere un límite de predictibilidad de dos semanas. Esta conexión entre el tiempo de duplicación de cinco días y el límite de predictibilidad de dos semanas también se registró en un informe de 1969 del Programa de Investigación Atmosférica Global (GARP). ^[145] Para reconocer las influencias directas e indirectas combinadas del modelo de Mintz y Arakawa y los modelos de Lorenz, así como el liderazgo de Charney et al., Shen et al. ^[146] se refieren al límite de predictibilidad de dos semanas como la "Hipótesis del límite de predictibilidad", estableciendo una analogía con la Ley de Moore.

Marco de modelado ampliado por IA

En los modelos de lenguaje grandes impulsados ​​por IA, las respuestas pueden mostrar sensibilidades a factores como alteraciones en el formato y variaciones en las indicaciones. Estas sensibilidades son similares a los efectos mariposa. ^[147] Aunque clasificar los modelos de lenguaje grandes impulsados ​​por IA como sistemas caóticos deterministas clásicos plantea desafíos, se pueden emplear enfoques y técnicas inspirados en el caos (como el modelado de conjuntos) para extraer información confiable de estos modelos de lenguaje expansivos (ver también " Efecto mariposa en la cultura popular ").

Otras áreas

En química, predecir la solubilidad de los gases es esencial para la fabricación de polímeros , pero los modelos que utilizan optimización de enjambre de partículas (PSO) tienden a converger en los puntos equivocados. Se ha creado una versión mejorada de PSO introduciendo el caos, que evita que las simulaciones se atasquen. ^[148] En mecánica celeste , especialmente al observar asteroides, la aplicación de la teoría del caos conduce a mejores predicciones sobre cuándo estos objetos se acercarán a la Tierra y otros planetas. ^[149] Cuatro de las cinco lunas de Plutón giran caóticamente. En física cuántica e ingeniería eléctrica , el estudio de grandes conjuntos de uniones Josephson se benefició enormemente de la teoría del caos. ^[150] Más cerca de casa, las minas de carbón siempre han sido lugares peligrosos donde las frecuentes fugas de gas natural causan muchas muertes. Hasta hace poco, no había una forma fiable de predecir cuándo ocurrirían. Pero estas fugas de gas tienen tendencias caóticas que, cuando se modelan adecuadamente, se pueden predecir con bastante precisión. ^[151]

La teoría del caos se puede aplicar fuera de las ciencias naturales, pero históricamente casi todos estos estudios han adolecido de falta de reproducibilidad, validez externa deficiente y/o falta de atención a la validación cruzada, lo que ha dado como resultado una precisión predictiva deficiente (si es que se ha intentado alguna vez predecir fuera de la muestra). Glass ^[152] y Mandell y Selz ^[153] han descubierto que hasta ahora ningún estudio de EEG ha indicado la presencia de atractores extraños u otros signos de comportamiento caótico.

Los investigadores han seguido aplicando la teoría del caos a la psicología. Por ejemplo, al modelar el comportamiento grupal en el que los miembros heterogéneos pueden comportarse como si compartieran en diferentes grados lo que en la teoría de Wilfred Bion es un supuesto básico, los investigadores han descubierto que la dinámica grupal es el resultado de la dinámica individual de los miembros: cada individuo reproduce la dinámica grupal en una escala diferente, y el comportamiento caótico del grupo se refleja en cada miembro. ^[154]

Redington y Reidbord (1992) intentaron demostrar que el corazón humano podía mostrar rasgos caóticos. Monitorearon los cambios en los intervalos entre latidos cardíacos de una sola paciente de psicoterapia a medida que pasaba por períodos de intensidad emocional variable durante una sesión de terapia. Los resultados, sin duda, no fueron concluyentes. No sólo había ambigüedades en los diversos gráficos que los autores produjeron para supuestamente mostrar evidencia de dinámica caótica (análisis espectral, trayectoria de fase y gráficos de autocorrelación), sino que también cuando intentaron calcular un exponente de Lyapunov como confirmación más definitiva del comportamiento caótico, los autores descubrieron que no podían hacerlo de manera confiable. ^[155]

En su artículo de 1995, Metcalf y Allen ^[156] sostuvieron que descubrieron en el comportamiento animal un patrón de duplicación de períodos que conduce al caos. Los autores examinaron una respuesta bien conocida llamada polidipsia inducida por un programa, por la cual un animal privado de alimento durante ciertos períodos de tiempo beberá cantidades inusuales de agua cuando finalmente se le presente el alimento. El parámetro de control (r) que opera aquí fue la duración del intervalo entre las comidas, una vez reanudadas. Los autores fueron cuidadosos al probar una gran cantidad de animales e incluir muchas réplicas, y diseñaron su experimento de modo de descartar la probabilidad de que los cambios en los patrones de respuesta fueran causados ​​por diferentes puntos de partida para r.

Las series temporales y los primeros gráficos de retardo proporcionan el mejor respaldo a las afirmaciones realizadas, mostrando una marcha bastante clara de la periodicidad a la irregularidad a medida que se incrementaban los tiempos de alimentación. Por otra parte, los diversos gráficos de trayectorias de fase y los análisis espectrales no coinciden lo suficientemente bien con los otros gráficos o con la teoría general como para llevar inexorablemente a un diagnóstico caótico. Por ejemplo, las trayectorias de fase no muestran una progresión definida hacia una complejidad cada vez mayor (y alejándose de la periodicidad); el proceso parece bastante confuso. Además, donde Metcalf y Allen vieron períodos de dos y seis en sus gráficos espectrales, hay espacio para interpretaciones alternativas. Toda esta ambigüedad requiere una explicación serpenteante y post hoc para demostrar que los resultados se ajustan a un modelo caótico.

Al adaptar un modelo de orientación profesional para incluir una interpretación caótica de la relación entre los empleados y el mercado laboral, Amundson y Bright descubrieron que se pueden hacer mejores sugerencias a las personas que tienen dificultades para tomar decisiones profesionales. ^[157] Las organizaciones modernas se consideran cada vez más como sistemas abiertos, complejos y adaptativos con estructuras naturales fundamentales no lineales, sujetas a fuerzas internas y externas que pueden contribuir al caos. Por ejemplo, la formación de equipos y el desarrollo de grupos se investigan cada vez más como un sistema inherentemente impredecible, ya que la incertidumbre de que diferentes personas se conozcan por primera vez hace que la trayectoria del equipo sea incognoscible. ^[158]

Algunos dicen que la metáfora del caos, utilizada en teorías verbales y basada en modelos matemáticos y aspectos psicológicos del comportamiento humano, proporciona información útil para describir la complejidad de los pequeños grupos de trabajo, que va más allá de la metáfora en sí. ^[159]

Los coches rojos y azules se van turnando para moverse; los rojos sólo se mueven hacia arriba y los azules hacia la derecha. Cada vez, todos los coches del mismo color intentan avanzar un paso si no hay ningún coche delante. Aquí, el modelo se ha autoorganizado en un patrón un tanto geométrico donde hay algunos atascos y algunas zonas donde los coches pueden moverse a toda velocidad.

La previsión del tráfico puede beneficiarse de las aplicaciones de la teoría del caos. Unas predicciones más precisas de cuándo se producirá una congestión permitirían tomar medidas para dispersarla antes de que se produzca. La combinación de los principios de la teoría del caos con algunos otros métodos ha dado lugar a un modelo de predicción a corto plazo más preciso (véase el gráfico del modelo de tráfico BML a la derecha). ^[160]

La teoría del caos se ha aplicado a los datos ambientales del ciclo del agua (también a los datos hidrológicos ), como las precipitaciones y el caudal de los ríos. ^[161] Estos estudios han arrojado resultados controvertidos, porque los métodos para detectar una firma caótica suelen ser relativamente subjetivos. Los primeros estudios tendían a "tener éxito" en la detección del caos, mientras que los estudios y metaanálisis posteriores pusieron en tela de juicio esos estudios y proporcionaron explicaciones de por qué es poco probable que estos conjuntos de datos presenten una dinámica caótica de baja dimensión. ^[162]

Véase también

• Portal de matemáticas
• Portal de ciencia de sistemas

Ejemplos de sistemas caóticos

• Contornos advectivos
• Mapa del gato de Arnold
• Teoría de la bifurcación
• Dinámica de la pelota que rebota
• El circuito de Chua
• Cliodinámica
• Mapa reticular acoplado
• Péndulo doble
• Ecuación de Duffing
• Billar dinámico
• Burbuja económica
• Sistema Gaspard-Rice
• Mapa de Hénon
• Mapa de herradura
• Lista de mapas caóticos
• Atractor de Rössler
• Mapa estándar
• La máquina de Atwood que hace pivotar
• Inclina un remolino

Otros temas relacionados

• Muerte por amplitud
• Difeomorfismo de Anosov
• Teoría de catástrofes
• Causalidad
• El caos como ruptura de la supersimetría topológica
• Máquina del caos
• Mezcla caótica
• Dispersión caótica
• Control del caos
• Determinismo
• Al borde del caos
• Aparición
• Conjunto de Mandelbrot
• Teorema de Kolmogorov-Arnold-Moser
• Mal acondicionamiento
• Mala actitud
• Sistema no lineal
• Patrones en la naturaleza
• Previsibilidad
• Caos cuántico
• Instituto Santa Fe
• Lema de sombreado
• Sincronización del caos
• Consecuencia no deseada

Gente

• Ralph Abraham
• Michael Berry
• León O. Chua
• Ivar Ekeland
• Granjero de Doyne
• Martín Gutzwiller
• Brosl Hasslacher
• Michel Hénon
• Aleksandr Liapunov
• Norman Packard
• Otto Rössler
• David Ruelle
• Oleksandr Mikolaiovich Sharkovsky
• Roberto Shaw
• Floris tomadas
• James A. Yorke
• George M. Zaslavsky

Referencias

1. "teoría del caos | Definición y hechos". Enciclopedia Británica . Consultado el 24 de noviembre de 2019 .
2. "¿Qué es la teoría del caos? – Fractal Foundation" . Consultado el 24 de noviembre de 2019 .
3. Weisstein, Eric W. "Caos". mathworld.wolfram.com . Consultado el 24 de noviembre de 2019 .
4. Boeing, Geoff (26 de marzo de 2015). «Teoría del caos y mapa logístico» . Consultado el 17 de mayo de 2020 .
5. Lorenz, Edward (1993). La esencia del caos . University of Washington Press. págs. 181–206.
6. Shen, Bo-Wen; Pielke, Roger A.; Zeng, Xubin; Cui, Jialin; Faghih-Naini, Sara; Paxson, Wei; Atlas, Robert (4 de julio de 2022). "Tres tipos de efectos mariposa dentro de los modelos de Lorenz". Enciclopedia . 2 (3): 1250–1259. doi : 10.3390/encyclopedia2030084 . ISSN  2673-8392. El texto fue copiado de esta fuente, que está disponible bajo una Licencia Creative Commons Atribución 4.0 Internacional.
7. Kellert, Stephen H. (1993). Tras el caos: orden impredecible en sistemas dinámicos . University of Chicago Press. pág. 32. ISBN 978-0-226-42976-2.
8. Bishop, Robert (2017), "Chaos", en Zalta, Edward N. (ed.), The Stanford Encyclopedia of Philosophy (edición de primavera de 2017), Metaphysics Research Lab, Stanford University , consultado el 24 de noviembre de 2019
9. Kellert 1993, pág. 56
10. Kellert 1993, pág. 62
11. Werndl, Charlotte (2009). "¿Cuáles son las nuevas implicaciones del caos para la imprevisibilidad?". The British Journal for the Philosophy of Science . 60 (1): 195–220. arXiv : 1310.1576 . doi :10.1093/bjps/axn053. S2CID  354849.
12. Danforth, Christopher M. (abril de 2013). "Caos en una atmósfera colgada de una pared". Matemáticas del planeta Tierra 2013. Consultado el 12 de junio de 2018 .
13. Lorenz, Edward N. (1963). "Flujo no periódico determinista". Revista de Ciencias Atmosféricas . 20 (2): 130–141. Código Bibliográfico :1963JAtS...20..130L. doi : 10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2 .
14. Ivancevic, Vladimir G.; Tijana T. Ivancevic (2008). No linealidad compleja: caos, transiciones de fase, cambio de topología e integrales de trayectoria . Springer. ISBN 978-3-540-79356-4.
15. Mosko MS, Damon FH (Eds.) (2005). Sobre el orden del caos. Antropología social y la ciencia del caos . Oxford: Berghahn Books.
16. Piotrowski, Chris. "La pandemia de Covid-19 y la teoría del caos: aplicaciones basadas en un análisis bibliométrico". researchgate.net . Consultado el 13 de mayo de 2020 .
17. Weinberger, David (2019). Caos cotidiano: tecnología, complejidad y cómo prosperamos en un nuevo mundo de posibilidades. Harvard Business Review Press. ISBN 9781633693968.
18. "Caos estructural". www.philarchive.org . Consultado el 18 de agosto de 2024 .
19. Wisdom, Jack; Sussman, Gerald Jay (3 de julio de 1992). "Evolución caótica del sistema solar". Science . 257 (5066): 56–62. Bibcode :1992Sci...257...56S. doi :10.1126/science.257.5066.56. hdl : 1721.1/5961 . ISSN  1095-9203. PMID  17800710. S2CID  12209977.
20. Sync: La ciencia emergente del orden espontáneo , Steven Strogatz, Hyperion, Nueva York, 2003, páginas 189-190.
21. Definición de caos en Wikcionario ;
22. "Definición de caos | Dictionary.com". www.dictionary.com . Consultado el 24 de noviembre de 2019 .
23. Hasselblatt, Boris; Anatole Katok (2003). Un primer curso de dinámica: con un panorama de los desarrollos recientes . Cambridge University Press. ISBN 978-0-521-58750-1.
24. Elaydi, Saber N. (1999). Caos discreto . Chapman & Hall/CRC. pág. 137. ISBN 978-1-58488-002-8.
25. Basener, William F. (2006). Topología y sus aplicaciones . Wiley. pág. 42. ISBN 978-0-471-68755-9.
26. Banks; Brooks; Cairns; Davis; Stacey (1992). "Sobre la definición de caos de Devaney". The American Mathematical Monthly . 99 (4): 332–334. doi :10.1080/00029890.1992.11995856.
27. Vellekoop, Michel; Berglund, Raoul (abril de 1994). "En intervalos, transitividad = caos". The American Mathematical Monthly . 101 (4): 353–5. doi :10.2307/2975629. JSTOR  2975629.
28. Medio, Alfredo; Lines, Marji (2001). Dinámica no lineal: una introducción . Cambridge University Press. pág. 165. ISBN 978-0-521-55874-7.
29. "Edward Lorenz, padre de la teoría del caos y del efecto mariposa, muere a los 90 años". MIT News . 16 de abril de 2008 . Consultado el 24 de noviembre de 2019 .
30. Shen, Bo-Wen; Pielke, Roger A.; Zeng, Xubin (7 de mayo de 2022). "Un punto de silla y dos tipos de sensibilidad dentro de los modelos de Lorenz de 1963 y 1969". Atmósfera . 13 (5): 753. Bibcode :2022Atmos..13..753S. doi : 10.3390/atmos13050753 . ISSN  2073-4433.
31. Watts, Robert G. (2007). Calentamiento global y el futuro de la Tierra . Morgan & Claypool. pág. 17.
32. Weisstein, Eric W. "Exponente característico de Lyapunov". mathworld.wolfram.com . Consultado el 24 de noviembre de 2019 .
33. Devaney 2003
34. Robinson 1995
35. Alligood, Sauer y Yorke 1997
36. Li, TY ; Yorke, JA (1975). "El período tres implica caos" (PDF) . American Mathematical Monthly . 82 (10): 985–92. Bibcode :1975AmMM...82..985L. CiteSeerX 10.1.1.329.5038 . doi :10.2307/2318254. JSTOR  2318254. Archivado desde el original (PDF) el 29 de diciembre de 2009. 
37. Strelioff, Christopher; et., al. (2006). "Predicción del caos a medio plazo". Phys. Rev. Lett . 96 (4): 044101. Bibcode :2006PhRvL..96d4101S. doi :10.1103/PhysRevLett.96.044101. PMID  16486826.
38. Shen, Bo-Wen (1 de marzo de 2019). "Retroalimentación negativa agregada en un modelo generalizado de Lorenz". Revista internacional de bifurcación y caos . 29 (3): 1950037–1950091. Bibcode :2019IJBC...2950037S. doi : 10.1142/S0218127419500378 . ISSN  0218-1274. S2CID  132494234.
39. Shen, Bo-Wen; Pielke, Roger A.; Zeng, Xubin; Baik, Jong-Jin; Faghih-Naini, Sara; Cui, Jialin; Atlas, Robert (1 de enero de 2021). "¿Es caótico el clima?: coexistencia de caos y orden dentro de un modelo generalizado de Lorenz". Boletín de la Sociedad Meteorológica Estadounidense . 102 (1): E148–E158. Código Bibliográfico :2021BAMS..102E.148S. doi : 10.1175/BAMS-D-19-0165.1 . ISSN  0003-0007. S2CID  208369617.
40. Shen, Bo-Wen; Pielke Sr., Roger Pielke; Zeng, Xubin; Cui, Jialin; Faghih-Naini, Sara; Paxson, Wei; Kesarkar, Amit; Zeng, Xiping; Atlas, Robert (12 de noviembre de 2022). "La naturaleza dual del caos y el orden en la atmósfera". Atmósfera . 13 (11): 1892. Bibcode :2022Atmos..13.1892S. doi : 10.3390/atmos13111892 . ISSN  2073-4433.
41. Yorke, James A.; Yorke, Ellen D. (1979-09-01). "Caos metaestable: La transición a un comportamiento caótico sostenido en el modelo de Lorenz". Journal of Statistical Physics . 21 (3): 263–277. Bibcode :1979JSP....21..263Y. doi :10.1007/BF01011469. ISSN  1572-9613. S2CID  12172750.
42. Shen, Bo-Wen; Pielke Sr., RA; Zeng, X.; Baik, J.-J.; Faghih-Naini, S.; Cui, J.; Atlas, R.; Reyes, TAL (2021). "¿Es caótico el clima? Atractores caóticos y no caóticos coexistentes dentro de los modelos de Lorenz". En Skiadas, Christos H.; Dimotikalis, Yiannis (eds.). 13.ª Conferencia internacional sobre simulación y modelado caótico . Actas de Springer sobre complejidad. Cham: Springer International Publishing. págs. 805–825. doi :10.1007/978-3-030-70795-8_57. ISBN . 978-3-030-70795-8. Número de identificación del sujeto  245197840.
43. Sprott, JC (1997). "Flujo caótico disipativo más simple". Physics Letters A . 228 (4–5): 271–274. Código Bibliográfico :1997PhLA..228..271S. doi :10.1016/S0375-9601(97)00088-1.
44. Fu, Z.; Heidel, J. (1997). "Comportamiento no caótico en sistemas cuadráticos tridimensionales". No linealidad . 10 (5): 1289–1303. Bibcode :1997Nonli..10.1289F. doi :10.1088/0951-7715/10/5/014. S2CID  250757113.
45. Heidel, J.; Fu, Z. (1999). "Comportamiento no caótico en sistemas cuadráticos tridimensionales II. El caso conservador". No linealidad . 12 (3): 617–633. Bibcode :1999Nonli..12..617H. doi :10.1088/0951-7715/12/3/012. S2CID  250853499.
46. Ulcigrai, Corinna (2021). "Caos lento en flujos superficiales". Bollettino dell'Unione Matematica Italiana . 14 (1): 231–255. arXiv : 2010.06231 . doi :10.1007/s40574-020-00267-0. ISSN  1972-6724.
47. Bonet, J.; Martínez-Giménez, F.; Peris, A. (2001). "Un espacio de Banach que no admite ningún operador caótico". Boletín de la Sociedad Matemática de Londres . 33 (2): 196–8. doi :10.1112/blms/33.2.196. S2CID  121429354.
48. Shen, Bo-Wen (1 de mayo de 2014). "Retroalimentación no lineal en un modelo de Lorenz de cinco dimensiones". Revista de ciencias atmosféricas . 71 (5): 1701–1723. Bibcode :2014JAtS...71.1701S. doi :10.1175/JAS-D-13-0223.1. ISSN  0022-4928. S2CID  123683839.
49. Musielak, Dora E.; Musielak, Zdzislaw E.; Kennamer, Kenny S. (1 de marzo de 2005). "El inicio del caos en sistemas dinámicos no lineales determinado con una nueva técnica fractal". Fractales . 13 (1): 19–31. doi :10.1142/S0218348X0500274X. ISSN  0218-348X.
50. Roy, D.; Musielak, ZE (1 de mayo de 2007). "Modelos generalizados de Lorenz y sus rutas hacia el caos. I. Truncamientos de modos verticales que conservan la energía". Caos, solitones y fractales . 32 (3): 1038–1052. Bibcode :2007CSF....32.1038R. doi :10.1016/j.chaos.2006.02.013. ISSN  0960-0779.
51. Adachihara, H; McLaughlin, DW; Moloney, JV; Newell, AC (1988). "Ondas solitarias como puntos fijos de mapas de dimensión infinita para una cavidad de anillo biestable óptico: análisis". Journal of Mathematical Physics . 29 (1): 63. Bibcode :1988JMP....29...63A. doi :10.1063/1.528136.
52. Okulov, A Yu; Oraevskiĭ, AN (1988). "Dinámica espaciotemporal de un paquete de ondas en un medio no lineal y mapas discretos". En NG Basov (ed.). Actas del Instituto de Física Lebedev (en ruso). Vol. 187. Nauka. págs. 202–222. LCCN  88174540.
53. Okulov, A Yu (2000). "Spatial soliton laser: geometry and stability". Optics and Spectroscopy. 89 (1): 145–147. Bibcode:2000OptSp..89..131O. doi:10.1134/BF03356001. S2CID 122790937.
54. Okulov, A Yu (2020). "Structured light entities, chaos and nonlocal maps". Chaos, Solitons & Fractals. 133 (4): 109638. arXiv:1901.09274. Bibcode:2020CSF...13309638O. doi:10.1016/j.chaos.2020.109638. S2CID 118828500.
55. K. E. Chlouverakis and J. C. Sprott, Chaos Solitons & Fractals 28, 739–746 (2005), Chaotic Hyperjerk Systems, http://sprott.physics.wisc.edu/pubs/paper297.htm
56. "A New Chaotic Jerk Circuit", J. C. Sprott, IEEE Transactions on Circuits and Systems,2011.
57. "Simple Autonomous Chaotic Circuits", J. C. Sprott, IEEE Transactions on Circuits and Systems—II: Express Briefs, 2010.
58. "Secure Image Encryption Based On a Chua Chaotic Noise Generator", A. S. Andreatos*, and A. P. Leros, Journal of Engineering Science and Technology Review, 2013.
59. Steven Strogatz, Sync: The Emerging Science of Spontaneous Order, Hyperion, 2003.
60. Ovchinnikov, I.V. (2024-02-15). "Ubiquitous order known as chaos". Chaos, Solitons & Fractals. 181 (5): 114611. Bibcode:2024CSF...18114611O. doi:10.1016/j.chaos.2024.114611. ISSN 0960-0779.
61. Hunt, Brian R.; Yorke, James A. (1993). "Maxwell on Chaos" (PDF). Nonlinear Science Today. 3 (1).
62. Everitt, Francis (2006-12-01). "James Clerk Maxwell: a force for physics". Physics World. Retrieved 2023-11-03.
63. Gardini, Laura; Grebogi, Celso; Lenci, Stefano (2020-10-01). "Chaos theory and applications: a retrospective on lessons learned and missed or new opportunities". Nonlinear Dynamics. 102 (2): 643–644. doi:10.1007/s11071-020-05903-0. hdl:2164/17003. ISSN 1573-269X. S2CID 225246631.
64. Poincaré, Jules Henri (1890). "Sur le problème des trois corps et les équations de la dynamique. Divergence des séries de M. Lindstedt". Acta Mathematica. 13 (1–2): 1–270. doi:10.1007/BF02392506.
65. Poincaré, J. Henri (2017). The three-body problem and the equations of dynamics : Poincaré's foundational work on dynamical systems theory. Popp, Bruce D. (Translator). Cham, Switzerland: Springer International Publishing. ISBN 9783319528984. OCLC 987302273.
66. Diacu, Florin; Holmes, Philip (1996). Celestial Encounters: The Origins of Chaos and Stability. Princeton University Press.
67. Hadamard, Jacques (1898). "Les surfaces à courbures opposées et leurs lignes géodesiques". Journal de Mathématiques Pures et Appliquées. 4: 27–73.
68. George D. Birkhoff, Dynamical Systems, vol. 9 of the American Mathematical Society Colloquium Publications (Providence, Rhode Island: American Mathematical Society, 1927)
69. Kolmogorov, Andrey Nikolaevich (1941). "Local structure of turbulence in an incompressible fluid for very large Reynolds numbers". Doklady Akademii Nauk SSSR. 30 (4): 301–5. Bibcode:1941DoSSR..30..301K. Reprinted in: Kolmogorov, A. N. (1991). "The Local Structure of Turbulence in Incompressible Viscous Fluid for Very Large Reynolds Numbers". Proceedings of the Royal Society A. 434 (1890): 9–13. Bibcode:1991RSPSA.434....9K. doi:10.1098/rspa.1991.0075. S2CID 123612939.
70. Kolmogorov, A. N. (1941). "On degeneration of isotropic turbulence in an incompressible viscous liquid". Doklady Akademii Nauk SSSR. 31 (6): 538–540. Reprinted in: Kolmogorov, A. N. (1991). "Dissipation of Energy in the Locally Isotropic Turbulence". Proceedings of the Royal Society A. 434 (1890): 15–17. Bibcode:1991RSPSA.434...15K. doi:10.1098/rspa.1991.0076. S2CID 122060992.
71. Kolmogorov, A. N. (1979). "Preservation of conditionally periodic movements with small change in the Hamilton function". Stochastic Behavior in Classical and Quantum Hamiltonian Systems. Lecture Notes in Physics. Vol. 93. pp. 51–56. Bibcode:1979LNP....93...51K. doi:10.1007/BFb0021737. ISBN 978-3-540-09120-2. Translation of Doklady Akademii Nauk SSSR (1954) 98: 527. See also Kolmogorov–Arnold–Moser theorem
72. Cartwright, Mary L.; Littlewood, John E. (1945). "On non-linear differential equations of the second order, I: The equation y" + k(1−y²)y' + y = bλkcos(λt + a), k large". Journal of the London Mathematical Society. 20 (3): 180–9. doi:10.1112/jlms/s1-20.3.180. See also: Van der Pol oscillator
73. Smale, Stephen (January 1960). "Morse inequalities for a dynamical system". Bulletin of the American Mathematical Society. 66: 43–49. doi:10.1090/S0002-9904-1960-10386-2.
74. Chirikov, Boris. "РЕЗОНАНСНЫЕ ПРОЦЕССЫ В МАГНИТНЫХ ЛОВУШКАХ" (PDF). Атомная энергия. 6.
75. Chirikov, B. V. (1960-12-01). "Resonance processes in magnetic traps". The Soviet Journal of Atomic Energy. 6 (6): 464–470. doi:10.1007/BF01483352. ISSN 1573-8205. S2CID 59483478.
76. Jean, Bellissard; Dima, Shepelyansky (27 February 1998). "Boris Chirikov, a pioneer in classical and quantum chaos" (PDF). Annales Henri Poincaré. 68 (4): 379.
77. Bellissard, J.; Bohigas, O.; Casati, G.; Shepelyansky, D.L. (1 July 1999). "A pioneer of chaos". Physica D: Nonlinear Phenomena. 131 (1–4): viii–xv. Bibcode:1999PhyD..131D...8B. doi:10.1016/s0167-2789(99)90007-6. ISSN 0167-2789. S2CID 119107150.
78. Shepelyansky, Dima. Chaos at Fifty Four in 2013. OCLC 859751750.
79. Abraham & Ueda 2000, See Chapters 3 and 4
80. Sprott 2003, p. 89
81. Sokol, Joshua (20 de mayo de 2019). "Las heroínas ocultas del caos". Revista Quanta . Consultado el 9 de noviembre de 2022 .
82. Gleick, James (1987). Caos: la creación de una nueva ciencia . Londres: Cardinal. pág. 17. ISBN. 978-0-434-29554-8.
83. Berger JM; Mandelbrot B. (1963). "Un nuevo modelo para la agrupación de errores en circuitos telefónicos". IBM Journal of Research and Development . 7 (3): 224–236. doi :10.1147/rd.73.0224.
84. Mandelbrot, B. (1977). La geometría fractal de la naturaleza . Nueva York: Freeman. pág. 248.
85. Véase también: Mandelbrot, Benoît B.; Hudson, Richard L. (2004). El (mal) comportamiento de los mercados: una visión fractal del riesgo, la ruina y la recompensa . Nueva York: Basic Books. p. 201. ISBN. 9780465043552.
86. Mandelbrot, Benoît (5 de mayo de 1967). «¿Cuánto mide la costa de Gran Bretaña? Autosimilitud estadística y dimensión fraccionaria». Science . 156 (3775): 636–8. Bibcode :1967Sci...156..636M. doi :10.1126/science.156.3775.636. PMID  17837158. S2CID  15662830. Archivado desde el original el 19 de octubre de 2021 . Consultado el 31 de enero de 2022 .
87. Mandelbrot, B. (1982). La geometría fractal de la naturaleza. Nueva York: Macmillan. ISBN 978-0716711865.
88. Feigenbaum, Mitchell (julio de 1978). "Universalidad cuantitativa para una clase de transformaciones no lineales". Journal of Statistical Physics . 19 (1): 25–52. Bibcode :1978JSP....19...25F. CiteSeerX 10.1.1.418.9339 . doi :10.1007/BF01020332. S2CID  124498882. 
89. Coullet, Pierre y Charles Tresser. "Iteraciones de endomorfismos y grupos de renormalización". Le Journal de Physique Colloques 39.C5 (1978): C5-25
90. "El Premio Wolf de Física en 1986". Archivado desde el original el 25 de mayo de 2024. Consultado el 17 de enero de 2008 .
91. Huberman, BA (julio de 1987). "Un modelo para disfunciones en el movimiento ocular de seguimiento suave". Anales de la Academia de Ciencias de Nueva York . 504 Perspectivas en dinámica biológica y medicina teórica (1): 260–273. Bibcode :1987NYASA.504..260H. doi :10.1111/j.1749-6632.1987.tb48737.x. PMID  3477120. S2CID  42733652.
92. Bak, Per; Tang, Chao; Wiesenfeld, Kurt (27 de julio de 1987). "Criticidad autoorganizada: una explicación del ruido 1/f". Physical Review Letters . 59 (4): 381–4. Bibcode :1987PhRvL..59..381B. doi :10.1103/PhysRevLett.59.381. PMID  10035754. S2CID  7674321.Sin embargo, las conclusiones de este artículo han sido objeto de controversia. "?". Archivado desde el original el 14 de diciembre de 2007.. Véase especialmente: Laurson, Lasse; Alava, Mikko J.; Zapperi, Stefano (15 de septiembre de 2005). "Carta: Espectros de potencia de pilas de arena críticas autoorganizadas". Journal of Statistical Mechanics: Theory and Experiment . 0511 . L001.
93. Omori, F. (1894). "Sobre las réplicas de los terremotos". Revista de la Facultad de Ciencias, Universidad Imperial de Tokio . 7 : 111–200.
94. Gleick, James (26 de agosto de 2008). Caos: la creación de una nueva ciencia . Penguin Books. ISBN 978-0143113454.
95. Motter, AE; Campbell, DK (2013). "Caos a los cincuenta". Phys. Today . 66 (5): 27–33. arXiv : 1306.5777 . Código Bibliográfico :2013PhT....66e..27M. doi :10.1063/pt.3.1977. S2CID  54005470.
96. Hubler, A.; Foster, G.; Phelps, K. (2007). "Gestión del caos: pensar fuera de la caja". Complejidad . 12 (3): 10. Bibcode :2007Cmplx..12c..10H. doi :10.1002/cplx.20159.
97. Kiel, L.; Elliott, Euel, eds. (1996). Teoría del caos en las ciencias sociales: fundamentos y aplicaciones . Ann Arbor, MI: University of Michigan Press. doi :10.3998/mpub.14623. hdl :2027/fulcrum.d504rm03n. ISBN . 9780472106387.
98. Chen, G.-R. (1 de enero de 2020). «Efecto mariposa y caos» (PDF) . Consultado el 1 de julio de 2023 .
99. Shen, Bo-Wen; Pielke, Sr., Roger; Zeng, Xubin (12 de agosto de 2023). "El 50 aniversario del efecto mariposa metafórico desde Lorenz (1972): multiestabilidad, predictibilidad multiescala y sensibilidad en modelos numéricos". Atmósfera . 14 (8): 1279. Bibcode :2023Atmos..14.1279S. doi : 10.3390/atmos14081279 .
100. Shen, Bo-Wen (4 de septiembre de 2023). "Una revisión de los modelos de Lorenz de 1960 a 2008". Revista Internacional de Bifurcación y Caos . 33 (10): 2330024–2330220. Código Bibliográfico :2023IJBC...3330024S. doi :10.1142/S0218127423300240. S2CID  261548506.
101. Lorenz, EN (1964). "El problema de deducir el clima a partir de las ecuaciones que lo gobiernan". Tellus . 16 (1): 1–11. Bibcode :1964Tell...16....1L. doi : 10.3402/tellusa.v16i1.8893 .
102. Shen, Bo-Wen; Pielke Sr., Roger; Zeng, Xubin, eds. (11 de octubre de 2023). 50.º aniversario del efecto mariposa metafórico desde Lorenz (1972): multiestabilidad, predictibilidad multiescala y sensibilidad en modelos numéricos. MDPI. doi : 10.3390/books978-3-0365-8911-4 . ISBN 978-3-0365-8911-4.
103. Lorenz, EN (diciembre de 2008). "El efecto mariposa. En el Premio Felice Pietro Chisesi E Caterina Tomassoni Award Lecture; Universidad de Roma: Roma, Italia" (PDF) . Archivado desde el original (PDF) el 10 de junio de 2023. Consultado el 29 de enero de 2023 .
104. Shen, Bo-Wen (20 de febrero de 2023). "Una analogía popular pero inexacta para el caos y el efecto mariposa". YouTube . Consultado el 21 de febrero de 2023 .
105. Saiki, Yoshitaka; Yorke, James A. (2 de mayo de 2023). "¿Puede el aleteo de las alas de una mariposa hacer que un tornado llegue a Texas sin causar caos?". Atmosphere . 14 (5): 821. Bibcode :2023Atmos..14..821S. doi : 10.3390/atmos14050821 . ISSN  2073-4433.
106. Stephen Coombes (febrero de 2009). "La geometría y la pigmentación de las conchas marinas" (PDF) . www.maths.nottingham.ac.uk . Universidad de Nottingham . Archivado (PDF) desde el original el 5 de noviembre de 2013. Consultado el 10 de abril de 2013 .
107. Kyrtsou C.; Labys W. (2006). "Evidencia de dependencia caótica entre la inflación estadounidense y los precios de las materias primas". Journal of Macroeconomics . 28 (1): 256–266. doi :10.1016/j.jmacro.2005.10.019.
108. Kyrtsou C., Labys W.; Labys (2007). "Detección de retroalimentación positiva en series temporales multivariadas: el caso de los precios de los metales y la inflación estadounidense". Physica A . 377 (1): 227–229. Bibcode :2007PhyA..377..227K. doi :10.1016/j.physa.2006.11.002.
109. Kyrtsou, C.; Vorlow, C. (2005). "Dinámica compleja en macroeconomía: un enfoque novedoso". En Diebolt, C.; Kyrtsou, C. (eds.). Nuevas tendencias en macroeconomía . Springer Verlag.
110. Hernández-Acosta, MA; Trejo-Valdez, M.; Castro-Chacón, JH; Miguel, CR Torres-San; Martínez-Gutiérrez, H. (2018). "Firmas caóticas de nanoestructuras fotoconductoras de Cu 2 ZnSnS 4 exploradas por atractores de Lorenz". Nueva Revista de Física . 20 (2): 023048. Código bibliográfico : 2018NJPh...20b3048H. doi : 10.1088/1367-2630/aaad41 . ISSN  1367-2630.
111. "Aplicación de la teoría del caos a aplicaciones integradas". Archivado desde el original el 9 de agosto de 2011.
112. Hristu-Varsakelis, D.; Kyrtsou, C. (2008). "Evidencia de causalidad asimétrica no lineal en la inflación estadounidense y los retornos de los metales y las acciones". Dinámica discreta en la naturaleza y la sociedad . 2008 : 1–7. doi : 10.1155/2008/138547 . 138547.
113. Kyrtsou, C.; M. Terraza (2003). "¿Es posible estudiar el comportamiento caótico y ARCH de forma conjunta? Aplicación de una ecuación ruidosa de Mackey-Glass con errores heterocedásticos a la serie de retornos de la Bolsa de París". Economía Computacional . 21 (3): 257–276. doi :10.1023/A:1023939610962. S2CID  154202123.
114. Gregory-Williams, Justine; Williams, Bill (2004). Trading Chaos: Maximice las ganancias con técnicas técnicas probadas (2.ª ed.). Nueva York: Wiley. ISBN 9780471463085.
115. Peters, Edgar E. (1994). Análisis de mercado fractal: aplicación de la teoría del caos a la inversión y la economía (segunda edición impresa). Nueva York: Wiley. ISBN 978-0471585244.
116. Peters, / Edgar E. (1996). Caos y orden en los mercados de capitales: una nueva visión de los ciclos, los precios y la volatilidad del mercado (2.ª ed.). Nueva York: John Wiley & Sons. ISBN 978-0471139386.
117. Hubler, A.; Phelps, K. (2007). "Guiando un sistema autoajustable a través del caos". Complejidad . 13 (2): 62. Bibcode :2007Cmplx..13b..62W. doi :10.1002/cplx.20204.
118. Gerig, A. (2007). "Caos en un flujo compresible unidimensional". Physical Review E . 75 (4): 045202. arXiv : nlin/0701050 . Código Bibliográfico :2007PhRvE..75d5202G. doi :10.1103/PhysRevE.75.045202. PMID  17500951. S2CID  45804559.
119. Wotherspoon, T.; Hubler, A. (2009). "Adaptación al borde del caos en el mapa logístico autoajustable". The Journal of Physical Chemistry A . 113 (1): 19–22. Bibcode :2009JPCA..113...19W. doi :10.1021/jp804420g. PMID  19072712.
120. Borodkin, Leonid I. (2019). "Desafíos de la inestabilidad: los conceptos de sinergética en el estudio del desarrollo histórico de Rusia". Revista histórica de los Urales . 63 (2): 127–136. doi : 10.30759/1728-9718-2019-2(63)-127-136 .
121. Progonati, E (2018). "Brexit a la luz de la teoría del caos y algunas suposiciones sobre el futuro de la Unión Europea". Caos, complejidad y liderazgo 2018 exploraciones de la teoría del caos y la complejidad . Springer. ISBN 978-3-030-27672-0.
122. Dilão, R.; Domingos, T. (2001). "Comportamiento periódico y cuasiperiódico en modelos de población estructurados por edad dependientes de los recursos". Boletín de biología matemática . 63 (2): 207–230. doi :10.1006/bulm.2000.0213. PMID  11276524. S2CID  697164.
123. Akhavan, A.; Samsudin, A.; Akhshani, A. (1 de octubre de 2011). "Un esquema de cifrado de imágenes simétricas basado en la combinación de mapas caóticos no lineales". Journal of the Franklin Institute . 348 (8): 1797–1813. doi :10.1016/j.jfranklin.2011.05.001.
124. Behnia, S.; Akhshani, A.; Mahmodi, H.; Akhavan, A. (1 de enero de 2008). "Un nuevo algoritmo para el cifrado de imágenes basado en la mezcla de mapas caóticos". Caos, solitones y fractales . 35 (2): 408–419. Bibcode :2008CSF....35..408B. doi :10.1016/j.chaos.2006.05.011.
125. Wang, Xingyuan; Zhao, Jianfeng (2012). "Un protocolo de acuerdo de clave mejorado basado en el caos". Commun. Nonlinear Sci. Numer. Simul . 15 (12): 4052–4057. Bibcode :2010CNSNS..15.4052W. doi :10.1016/j.cnsns.2010.02.014.
126. Babaei, Majid (2013). "A novel text and image encryption method based on chaos theory and DNA computing". Natural Computing. 12 (1): 101–107. doi:10.1007/s11047-012-9334-9. S2CID 18407251.
127. Akhavan, A.; Samsudin, A.; Akhshani, A. (2017-10-01). "Cryptanalysis of an image encryption algorithm based on DNA encoding". Optics & Laser Technology. 95: 94–99. Bibcode:2017OptLT..95...94A. doi:10.1016/j.optlastec.2017.04.022.
128. Xu, Ming (2017-06-01). "Cryptanalysis of an Image Encryption Algorithm Based on DNA Sequence Operation and Hyper-chaotic System". 3D Research. 8 (2): 15. Bibcode:2017TDR.....8..126X. doi:10.1007/s13319-017-0126-y. ISSN 2092-6731. S2CID 125169427.
129. Liu, Yuansheng; Tang, Jie; Xie, Tao (2014-08-01). "Cryptanalyzing a RGB image encryption algorithm based on DNA encoding and chaos map". Optics & Laser Technology. 60: 111–115. arXiv:1307.4279. Bibcode:2014OptLT..60..111L. doi:10.1016/j.optlastec.2014.01.015. S2CID 18740000.
130. Nehmzow, Ulrich; Keith Walker (Dec 2005). "Quantitative description of robot–environment interaction using chaos theory" (PDF). Robotics and Autonomous Systems. 53 (3–4): 177–193. CiteSeerX 10.1.1.105.9178. doi:10.1016/j.robot.2005.09.009. Archived from the original (PDF) on 2017-08-12. Retrieved 2017-10-25.
131. Goswami, Ambarish; Thuilot, Benoit; Espiau, Bernard (1998). "A Study of the Passive Gait of a Compass-Like Biped Robot: Symmetry and Chaos". The International Journal of Robotics Research. 17 (12): 1282–1301. CiteSeerX 10.1.1.17.4861. doi:10.1177/027836499801701202. S2CID 1283494.
132. Eduardo, Liz; Ruiz-Herrera, Alfonso (2012). "Chaos in discrete structured population models". SIAM Journal on Applied Dynamical Systems. 11 (4): 1200–1214. doi:10.1137/120868980.
133. Lai, Dejian (1996). "Comparison study of AR models on the Canadian lynx data: a close look at BDS statistic". Computational Statistics & Data Analysis. 22 (4): 409–423. doi:10.1016/0167-9473(95)00056-9.
134. Sivakumar, B (31 January 2000). "Chaos theory in hydrology: important issues and interpretations". Journal of Hydrology. 227 (1–4): 1–20. Bibcode:2000JHyd..227....1S. doi:10.1016/S0022-1694(99)00186-9.
135. Bozóki, Zsolt (February 1997). "Chaos theory and power spectrum analysis in computerized cardiotocography". European Journal of Obstetrics & Gynecology and Reproductive Biology. 71 (2): 163–168. doi:10.1016/s0301-2115(96)02628-0. PMID 9138960.
136. Perry, Joe; Smith, Robert; Woiwod, Ian; Morse, David (2000). Perry, Joe N; Smith, Robert H; Woiwod, Ian P; Morse, David R (eds.). Chaos in Real Data : The Analysis of Non-Linear Dynamics from Short Ecological Time Series. Population and Community Biology Series (1 ed.). Springer Science+Business Media Dordrecht. pp. xii+226. doi:10.1007/978-94-011-4010-2. ISBN 978-94-010-5772-1. S2CID 37855255.
137. Thompson, John; Burdon, Jeremy (1992). "Gene-for-gene coevolution between plants and parasites". Review Article. Nature. 360 (6400). Nature Publishing Group: 121–125. Bibcode:1992Natur.360..121T. doi:10.1038/360121a0. eISSN 1476-4687. ISSN 0028-0836. S2CID 4346920.
138. Jones, Gareth (1998). Jones, D. Gareth (ed.). The Epidemiology of Plant Diseases (1 ed.). Springer Science+Business Media Dordrecht. pp. xvi + 460 + 26 b/w ill. + 33 color ill. doi:10.1007/978-94-017-3302-1. ISBN 978-94-017-3302-1. S2CID 1793087.
139. Juárez, Fernando (2011). "Applying the theory of chaos and a complex model of health to establish relations among financial indicators". Procedia Computer Science. 3: 982–986. doi:10.1016/j.procs.2010.12.161.
140. Brooks, Chris (1998). "Chaos in foreign exchange markets: a sceptical view" (PDF). Computational Economics. 11 (3): 265–281. doi:10.1023/A:1008650024944. ISSN 1572-9974. S2CID 118329463. Archived (PDF) from the original on 2017-08-09.
141. Orlando, Giuseppe; Zimatore, Giovanna (18 December 2017). "RQA correlations on real business cycles time series". Indian Academy of Sciences – Conference Series. 1 (1): 35–41. doi:10.29195/iascs.01.01.0009.
142. Orlando, Giuseppe; Zimatore, Giovanna (1 May 2018). "Recurrence quantification analysis of business cycles". Chaos, Solitons & Fractals. 110: 82–94. Bibcode:2018CSF...110...82O. doi:10.1016/j.chaos.2018.02.032. ISSN 0960-0779. S2CID 85526993.
143. Orlando, Giuseppe; Zimatore, Giovanna (1 August 2020). "Business cycle modeling between financial crises and black swans: Ornstein–Uhlenbeck stochastic process vs Kaldor deterministic chaotic model". Chaos: An Interdisciplinary Journal of Nonlinear Science. 30 (8): 083129. Bibcode:2020Chaos..30h3129O. doi:10.1063/5.0015916. PMID 32872798. S2CID 235909725.
144. The Feasibility of a Global Observation and Analysis Experiment. 1966-01-01. doi:10.17226/21272. ISBN 978-0-309-35922-1.
145. GARP. "GARP topics". Bull. Am. Meteorol. Soc. 50: 136–141.
146. Shen, Bo-Wen; Pielke, Roger A.; Zeng, Xubin; Zeng, Xiping (2024-07-16). "Exploring the Origin of the Two-Week Predictability Limit: A Revisit of Lorenz's Predictability Studies in the 1960s". Atmosphere. 15 (7): 837. doi:10.3390/atmos15070837. ISSN 2073-4433.
147. Salinas, Abel; Morstatter, Fred (2024-01-01). "The Butterfly Effect of Altering Prompts: How Small Changes and Jailbreaks Affect Large Language Model Performance". arXiv:2401.03729 [cs.CL].
148. Li, Mengshan; Xingyuan Huanga; Hesheng Liua; Bingxiang Liub; Yan Wub; Aihua Xiongc; Tianwen Dong (25 October 2013). "Prediction of gas solubility in polymers by back propagation artificial neural network based on self-adaptive particle swarm optimization algorithm and chaos theory". Fluid Phase Equilibria. 356: 11–17. Bibcode:2013FlPEq.356...11L. doi:10.1016/j.fluid.2013.07.017.
149. Morbidelli, A. (2001). "Chaotic diffusion in celestial mechanics". Regular & Chaotic Dynamics. 6 (4): 339–353. doi:10.1070/rd2001v006n04abeh000182.
150. Steven Strogatz, Sync: The Emerging Science of Spontaneous Order, Hyperion, 2003
151. Dingqi, Li; Yuanping Chenga; Lei Wanga; Haifeng Wanga; Liang Wanga; Hongxing Zhou (May 2011). "Prediction method for risks of coal and gas outbursts based on spatial chaos theory using gas desorption index of drill cuttings". Mining Science and Technology. 21 (3): 439–443. Bibcode:2011MiSTC..21..439L. doi:10.1016/j.mstc.2011.05.010.
152. Glass, L (1997). "Dynamical disease: The impact of nonlinear dynamics and chaos on cardiology and medicine". In Grebogi, C; Yorke, J. A. (eds.). The impact of chaos on science and society. United Nations University Press.
153. Mandell, A. J.; Selz, K. A. (1997). "Is the EEG a strange attractor?". In Grebogi, C; Yorke, J. A. (eds.). The impact of chaos on science and society. United Nations University Press.
154. Dal Forno, Arianna; Merlone, Ugo (2013). "Nonlinear dynamics in work groups with Bion's basic assumptions". Nonlinear Dynamics, Psychology, and Life Sciences. 17 (2): 295–315. ISSN 1090-0578. PMID 23517610.
155. Redington, D. J.; Reidbord, S. P. (1992). "Chaotic dynamics in autonomic nervous system activity of a patient during a psychotherapy session". Biological Psychiatry. 31 (10): 993–1007. doi:10.1016/0006-3223(92)90093-F. PMID 1511082. S2CID 214722.
156. Metcalf, B. R.; Allen, J. D. (1995). "In search of chaos in schedule-induced polydipsia". In Abraham, F. D.; Gilgen, A. R. (eds.). Chaos theory in psychology. Greenwood Press.
157. Pryor, Robert G. L.; Norman E. Amundson; Jim E. H. Bright (June 2008). "Probabilities and Possibilities: The Strategic Counseling Implications of the Chaos Theory of Careers". The Career Development Quarterly. 56 (4): 309–318. doi:10.1002/j.2161-0045.2008.tb00096.x.
158. Thompson, Jamie; Johnstone, James; Banks, Curt (2018). "An examination of initiation rituals in a UK sporting institution and the impact on group development". European Sport Management Quarterly. 18 (5): 544–562. doi:10.1080/16184742.2018.1439984. S2CID 149352680.
159. Dal Forno, Arianna; Merlone, Ugo (2013). "Chaotic Dynamics in Organization Theory". In Bischi, Gian Italo; Chiarella, Carl; Shusko, Irina (eds.). Global Analysis of Dynamic Models in Economics and Finance. Springer-Verlag. pp. 185–204. ISBN 978-3-642-29503-4.
160. Wang, Jin; Qixin Shi (February 2013). "Short-term traffic speed forecasting hybrid model based on Chaos–Wavelet Analysis-Support Vector Machine theory". Transportation Research Part C: Emerging Technologies. 27: 219–232. Bibcode:2013TRPC...27..219W. doi:10.1016/j.trc.2012.08.004.
161. "Dr. Gregory B. Pasternack – Watershed Hydrology, Geomorphology, and Ecohydraulics :: Chaos in Hydrology". pasternack.ucdavis.edu. Retrieved 2017-06-12.
162. Pasternack, Gregory B. (1999-11-01). "Does the river run wild? Assessing chaos in hydrological systems". Advances in Water Resources. 23 (3): 253–260. Bibcode:1999AdWR...23..253P. doi:10.1016/s0309-1708(99)00008-1.

Further reading

Articles

• Sharkovskii, A.N. (1964). "Co-existence of cycles of a continuous mapping of the line into itself". Ukrainian Math. J. 16: 61–71.
• Li, T.Y.; Yorke, J.A. (1975). "Period Three Implies Chaos" (PDF). American Mathematical Monthly. 82 (10): 985–92. Bibcode:1975AmMM...82..985L. CiteSeerX 10.1.1.329.5038. doi:10.2307/2318254. JSTOR 2318254. Archived from the original (PDF) on 2009-12-29. Retrieved 2009-08-12.
• Alemansour, Hamed; Miandoab, Ehsan Maani; Pishkenari, Hossein Nejat (March 2017). "Effect of size on the chaotic behavior of nano resonators". Communications in Nonlinear Science and Numerical Simulation. 44: 495–505. Bibcode:2017CNSNS..44..495A. doi:10.1016/j.cnsns.2016.09.010.
• Crutchfield; Tucker; Morrison; J.D. Farmer; Packard; N.H.; Shaw; R.S (December 1986). "Chaos". Scientific American. 255 (6): 38–49 (bibliography p.136). Bibcode:1986SciAm.255d..38T. doi:10.1038/scientificamerican1286-46. Online version (Note: the volume and page citation cited for the online text differ from that cited here. The citation here is from a photocopy, which is consistent with other citations found online that don't provide article views. The online content is identical to the hardcopy text. Citation variations are related to country of publication).
• Kolyada, S.F. (2004). "Li-Yorke sensitivity and other concepts of chaos". Ukrainian Math. J. 56 (8): 1242–57. doi:10.1007/s11253-005-0055-4. S2CID 207251437.
• Day, R.H.; Pavlov, O.V. (2004). "Computing Economic Chaos". Computational Economics. 23 (4): 289–301. arXiv:2211.02441. doi:10.1023/B:CSEM.0000026787.81469.1f. S2CID 119972392. SSRN 806124.
• Strelioff, C.; Hübler, A. (2006). "Medium-Term Prediction of Chaos" (PDF). Phys. Rev. Lett. 96 (4): 044101. Bibcode:2006PhRvL..96d4101S. doi:10.1103/PhysRevLett.96.044101. PMID 16486826. 044101. Archived from the original (PDF) on 2013-04-26.
• Hübler, A.; Foster, G.; Phelps, K. (2007). "Managing Chaos: Thinking out of the Box" (PDF). Complexity. 12 (3): 10–13. Bibcode:2007Cmplx..12c..10H. doi:10.1002/cplx.20159. Archived from the original (PDF) on 2012-10-30. Retrieved 2011-07-17.
• Motter, Adilson E.; Campbell, David K. (2013). "Chaos at 50". Physics Today. 66 (5): 27. arXiv:1306.5777. Bibcode:2013PhT....66e..27M. doi:10.1063/PT.3.1977. S2CID 54005470.

Textbooks

• Alligood, K.T.; Sauer, T.; Yorke, J.A. (1997). Chaos: an introduction to dynamical systems. Springer-Verlag. ISBN 978-0-387-94677-1.
• Baker, G. L. (1996). Chaos, Scattering and Statistical Mechanics. Cambridge University Press. ISBN 978-0-521-39511-3.
• Badii, R.; Politi A. (1997). Complexity: hierarchical structures and scaling in physics. Cambridge University Press. ISBN 978-0-521-66385-4.
• Collet, Pierre; Eckmann, Jean-Pierre (1980). Iterated Maps on the Interval as Dynamical Systems. Birkhauser. ISBN 978-0-8176-4926-5.
• Devaney, Robert L. (2003). An Introduction to Chaotic Dynamical Systems (2nd ed.). Westview Press. ISBN 978-0-8133-4085-2.
• Robinson, Clark (1995). Dynamical systems: Stability, symbolic dynamics, and chaos. CRC Press. ISBN 0-8493-8493-1.
• Feldman, D. P. (2012). Chaos and Fractals: An Elementary Introduction. Oxford University Press. ISBN 978-0-19-956644-0. Archived from the original on 2019-12-31. Retrieved 2016-12-29.
• Gollub, J. P.; Baker, G. L. (1996). Chaotic dynamics. Cambridge University Press. ISBN 978-0-521-47685-0.
• Guckenheimer, John; Holmes, Philip (1983). Nonlinear Oscillations, Dynamical Systems, and Bifurcations of Vector Fields. Springer-Verlag. ISBN 978-0-387-90819-9.
• Gulick, Denny (1992). Encounters with Chaos. McGraw-Hill. ISBN 978-0-07-025203-5.
• Gutzwiller, Martin (1990). Chaos in Classical and Quantum Mechanics. Springer-Verlag. ISBN 978-0-387-97173-5.
• Hoover, William Graham (2001) [1999]. Time Reversibility, Computer Simulation, and Chaos. World Scientific. ISBN 978-981-02-4073-8.
• Kautz, Richard (2011). Chaos: The Science of Predictable Random Motion. Oxford University Press. ISBN 978-0-19-959458-0.
• Kiel, L. Douglas; Elliott, Euel W. (1997). Chaos Theory in the Social Sciences. Perseus Publishing. ISBN 978-0-472-08472-2.
• Moon, Francis (1990). Chaotic and Fractal Dynamics. Springer-Verlag. ISBN 978-0-471-54571-2.
• Orlando, Giuseppe; Pisarchick, Alexander; Stoop, Ruedi (2021). Nonlinearities in Economics. Dynamic Modeling and Econometrics in Economics and Finance. Vol. 29. doi:10.1007/978-3-030-70982-2. ISBN 978-3-030-70981-5. S2CID 239756912.
• Ott, Edward (2002). Chaos in Dynamical Systems. Cambridge University Press. ISBN 978-0-521-01084-9.
• Strogatz, Steven (2000). Nonlinear Dynamics and Chaos. Perseus Publishing. ISBN 978-0-7382-0453-6.
• Sprott, Julien Clinton (2003). Chaos and Time-Series Analysis. Oxford University Press. ISBN 978-0-19-850840-3.
• Tél, Tamás; Gruiz, Márton (2006). Chaotic dynamics: An introduction based on classical mechanics. Cambridge University Press. ISBN 978-0-521-83912-9.
• Teschl, Gerald (2012). Ordinary Differential Equations and Dynamical Systems. Providence: American Mathematical Society. ISBN 978-0-8218-8328-0.
• Thompson JM, Stewart HB (2001). Nonlinear Dynamics And Chaos. John Wiley and Sons Ltd. ISBN 978-0-471-87645-8.
• Tufillaro; Reilly (1992). An experimental approach to nonlinear dynamics and chaos. American Journal of Physics. Vol. 61. Addison-Wesley. p. 958. Bibcode:1993AmJPh..61..958T. doi:10.1119/1.17380. ISBN 978-0-201-55441-0.
• Wiggins, Stephen (2003). Introduction to Applied Dynamical Systems and Chaos. Springer. ISBN 978-0-387-00177-7.
• Zaslavsky, George M. (2005). Hamiltonian Chaos and Fractional Dynamics. Oxford University Press. ISBN 978-0-19-852604-9.

Semitechnical and popular works

• Christophe Letellier, Chaos in Nature, World Scientific Publishing Company, 2012, ISBN 978-981-4374-42-2.
• Abraham, Ralph H.; Ueda, Yoshisuke, eds. (2000). The Chaos Avant-Garde: Memoirs of the Early Days of Chaos Theory. World Scientific Series on Nonlinear Science Series A. Vol. 39. World Scientific. Bibcode:2000cagm.book.....A. doi:10.1142/4510. ISBN 978-981-238-647-2.
• Barnsley, Michael F. (2000). Fractals Everywhere. Morgan Kaufmann. ISBN 978-0-12-079069-2.
• Bird, Richard J. (2003). Chaos and Life: Complexity and Order in Evolution and Thought. Columbia University Press. ISBN 978-0-231-12662-5.
• John Briggs and David Peat, Turbulent Mirror: : An Illustrated Guide to Chaos Theory and the Science of Wholeness, Harper Perennial 1990, 224 pp.
• John Briggs and David Peat, Seven Life Lessons of Chaos: Spiritual Wisdom from the Science of Change, Harper Perennial 2000, 224 pp.
• Cunningham, Lawrence A. (1994). "From Random Walks to Chaotic Crashes: The Linear Genealogy of the Efficient Capital Market Hypothesis". George Washington Law Review. 62: 546.
• Predrag Cvitanović, Universality in Chaos, Adam Hilger 1989, 648 pp.
• Leon Glass and Michael C. Mackey, From Clocks to Chaos: The Rhythms of Life, Princeton University Press 1988, 272 pp.
• James Gleick, Chaos: Making a New Science, New York: Penguin, 1988. 368 pp.
• John Gribbin. Deep Simplicity. Penguin Press Science. Penguin Books.
• L Douglas Kiel, Euel W Elliott (ed.), Chaos Theory in the Social Sciences: Foundations and Applications, University of Michigan Press, 1997, 360 pp.
• Arvind Kumar, Chaos, Fractals and Self-Organisation; New Perspectives on Complexity in Nature , National Book Trust, 2003.
• Hans Lauwerier, Fractals, Princeton University Press, 1991.
• Edward Lorenz, The Essence of Chaos, University of Washington Press, 1996.
• Marshall, Alan (2002). The Unity of Nature - Wholeness and Disintegration in Ecology and Science. doi:10.1142/9781860949548. ISBN 9781860949548.
• David Peak and Michael Frame, Chaos Under Control: The Art and Science of Complexity, Freeman, 1994.
• Heinz-Otto Peitgen and Dietmar Saupe (Eds.), The Science of Fractal Images, Springer 1988, 312 pp.
• Nuria Perpinya, Caos, virus, calma. La Teoría del Caos aplicada al desórden artístico, social y político, Páginas de Espuma, 2021.
• Clifford A. Pickover, Computers, Pattern, Chaos, and Beauty: Graphics from an Unseen World , St Martins Pr 1991.
• Clifford A. Pickover, Chaos in Wonderland: Visual Adventures in a Fractal World, St Martins Pr 1994.
• Ilya Prigogine and Isabelle Stengers, Order Out of Chaos, Bantam 1984.
• Peitgen, Heinz-Otto; Richter, Peter H. (1986). The Beauty of Fractals. doi:10.1007/978-3-642-61717-1. ISBN 978-3-642-61719-5.
• David Ruelle, Chance and Chaos, Princeton University Press 1993.
• Ivars Peterson, Newton's Clock: Chaos in the Solar System, Freeman, 1993.
• Ian Roulstone; John Norbury (2013). Invisible in the Storm: the role of mathematics in understanding weather. Princeton University Press. ISBN 978-0691152721.
• Ruelle, D. (1989). Chaotic Evolution and Strange Attractors. doi:10.1017/CBO9780511608773. ISBN 9780521362726.
• Manfred Schroeder, Fractals, Chaos, and Power Laws, Freeman, 1991.
• Smith, Peter (1998). Explaining Chaos. doi:10.1017/CBO9780511554544. ISBN 9780511554544.
• Ian Stewart, Does God Play Dice?: The Mathematics of Chaos , Blackwell Publishers, 1990.
• Steven Strogatz, Sync: The emerging science of spontaneous order, Hyperion, 2003.
• Yoshisuke Ueda, The Road To Chaos, Aerial Pr, 1993.
• M. Mitchell Waldrop, Complexity : The Emerging Science at the Edge of Order and Chaos, Simon & Schuster, 1992.
• Antonio Sawaya, Financial Time Series Analysis : Chaos and Neurodynamics Approach, Lambert, 2012.

External links

• "Chaos", Encyclopedia of Mathematics, EMS Press, 2001 [1994]
• Nonlinear Dynamics Research Group with Animations in Flash
• The Chaos group at the University of Maryland
• The Chaos Hypertextbook. An introductory primer on chaos and fractals
• ChaosBook.org An advanced graduate textbook on chaos (no fractals)
• Society for Chaos Theory in Psychology & Life Sciences
• Nonlinear Dynamics Research Group at CSDC, Florence, Italy
• Nonlinear dynamics: how science comprehends chaos, talk presented by Sunny Auyang, 1998.
• Nonlinear Dynamics. Models of bifurcation and chaos by Elmer G. Wiens
• Gleick's Chaos (excerpt) Archived 2007-02-02 at the Wayback Machine
• Systems Analysis, Modelling and Prediction Group at the University of Oxford
• A page about the Mackey-Glass equation
• High Anxieties — The Mathematics of Chaos (2008) BBC documentary directed by David Malone
• The chaos theory of evolution – article published in Newscientist featuring similarities of evolution and non-linear systems including fractal nature of life and chaos.
• Jos Leys, Étienne Ghys et Aurélien Alvarez, Chaos, A Mathematical Adventure. Nine films about dynamical systems, the butterfly effect and chaos theory, intended for a wide audience.
• "Chaos Theory", BBC Radio 4 discussion with Susan Greenfield, David Papineau & Neil Johnson (In Our Time, May 16, 2002)
• Chaos: The Science of the Butterfly Effect (2019) an explanation presented by Derek Muller

Copyright note

•  This article incorporates text from a free content work. Licensed under CC-BY (license statement/permission). Text taken from Three Kinds of Butterfly Effects within Lorenz Models​, Bo-Wen Shen, Roger A. Pielke, Sr., Xubin Zeng, Jialin Cui, Sara Faghih-Naini, Wei Paxson, and Robert Atlas, MDPI. Encyclopedia.