Académique Documents
Professionnel Documents
Culture Documents
TRABAJO DE GRADUACIÓN
PRESENTADO POR:
ARGELIO MÉNDEZ HERNÁNDEZ
RHINA VERÓNICA BARRERA ESCOBAR
LICENCIATURA EN MATEMÁTICA
RECTOR:
Ingeniero Mario Roberto Nieto Lovo
VICE RECTORA ACADÉMICA:
Maestra Ana María Glower de Alvarado
SECRETARIA GENERAL:
Doctora Ana Leticia de Amaya
FISCAL GENERAL:
Licenciado Francisco Cruz Letona
ESCUELA DE MATEMÁTICA
DIRECTOR DE LA ESCUELA:
Doctor José Nerys Funes Torres
ASESORES:
Licenciado Mauricio Hernán Lovo
Master Francisco Chicas
ASESORES DEL TRABAJO DE GRADUACIÓN
A Dios Todopoderoso:
Por que día a día nos demuestra lo grande que es su amor aún en los más pequeños
detalles, fortalecer mi corazón e iluminar mi mente.
A mis padres:
Por el amor, el apoyo, la paciencia y los consejos que me permitieron crecer y ser me-
jor cada día.
A Dios Todopoderoso:
Por permitirme alcanzar una meta más en mi vida.
A mis padres:
Por hacer de mi una mejor persona y apoyarme en el transcurso de los años, especial-
mente en mi formación profesional.
A mis hermanos:
Por estar siempre presente, motivarme y brindarme su confianza para culminar con
éxito esta investigación.
A mis sobrinos:
Por ser el motivo para seguir adelante.
3. Modelo de Leslie.
1
3. Programación y simulación de los modelos 52
3.1. Elementos de MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.1.1. Funcionamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
I : Intervalo.
t : Tiempo.
⊂ : Inclusión de conjuntos.
Ω : Conjunto abierto.
f : Función.
H : Matriz simétrica n × n.
λ : Autovalores.
∆k : Determinante de orden k.
∞ : Infinito.
Γ : Órbita periodica.
divB : Divergente de B
tr : Traza de la matriz.
i
Capítulo 1
to de solución
dxi
= fi (t, x1 ,x2 ,. . . , xn ) i = 1, 2, 3, . . . n.
dt
en las variables de estado x1 , x2 , . . . xn y la variable independiente t, que represen-
ta el tiempo. Las derivadas son con respecto al tiempo y se supone que las funciones
de tazas de cambio fi son funciones conocidas de tiempo y estado. Para abreviar, de-
notaremos X(t) = (x1 (t), x2 (t), . . . , xn (t)) esto es, el vector cuyas componentes son las
variables dependientes del sistema diferencial, y llamaremos f a la función vectorial
(f1 , . . . , fn ), donde cada una de las fi está definida en un subconjunto abierto U de
R × Rn .
1 Las deniciones, corolarios y teoremas de este cápitulo se han obtenido de [1], [2], [3], [4],[5],
[7]
1
Pueden darse condiciones iniciales a cada una de las variables de estado, así que
tenemos el problema de valor inicial o problema de Cauchy:
dX
dt = f (t, x),
(1.1)
x(t ) = x .
0 0
φi (t)
= f1 (t, φ1 (t) , . . . , φn (t))
dt
para i = 1, 2, . . . , n y t ∈ I.
Que en notación verctorial sería:
dΦ (t)
= f (t, Φ (t))
dt
Teorema 1.1.2 (de existencia y unicidad de solución) Sea f una función continua
en el punto (t0 , x0 ) ∈ U . Entonces, existe un entorno I1 del punto t0 , suficientemente
pequeño, tal que ahí podemos asegurar la existencia de una solución, φ1 : I1 7→ Rn ,
del problema (1.1) que satisface la condición incial φ1 (t0 ) = x0 .
Además, si f es de clase C r , con r ≥ 1 y φ2 : I2 7→ Rn es también solución del
2
problema (1.1) satisfaciendo la misma condición inicial φ2 (t0 ) = x0 , entonces ambas
funciones son iguales en los puntos comunes a los entornos I1 e I2 , es decir:
φ1 (t) = φ2 (t), t ∈ I3 = I1 ∩ I2 .
Observación:
Una solución del problema (1.1), no necesariamente existe para todos los valores de
t; no obstante, siempre existe un intervalo (a, b) ⊂ R entorno del punto t0 tal que es el
mayor entorno de ese punto donde está definida la solución, en el sentido que sigue:
Definición 1.1.3 Sea φ(t; t0 , x0 ) la solución del problema (1.1), definida en un intervalo
maximal I.
{(t, x) ∈ R × Rn : x = φ(t; t0 , x0 ), t ∈ I}
γt+0 = {x ∈ Rn : x = φ(t; t0 , x0 ), t ∈ I, t ≥ t0 }
γt−0 = {x ∈ Rn : x = φ(t; t0 , x0 ), t ∈ I, t ≤ t0 }
γt0 = {x ∈ Rn : x = φ(t; t0 , x0 ), t ∈ I, } .
Dicho de otro modo, la órbita viene dada por todos los puntos que la solución acaba
por recorrer.
3
Observación: Hay mucha similitud y correspondencia entre las ideas de trayecto-
ria y órbita, pero, de acuerdo con la definición, la órbita de un punto dado coincide con
la proyección de la trayectoria sobre el espacio determinado por las variables depen-
dientes.
Definición 1.1.6 Sea H una matriz simétrica n × n sean {λi }ni=1 sus autovalores.
Diremos que H es:
4
Semidefinida negativa si todos sus autovalores son negativos y alguno de ellos
es 0, es decir, si λi ≤ 0 i = 1, ..., n y existe al menos un j tal que λj = 0.
∂f
(a) = 0, ∀i
∂xi
Una vez obtenidos estos puntos se calcula el valor de la matriz hessiana de f en cada
uno de ellos.
5
Si Hess (f (a)) es definida negativa entonces a es un máximo relativo de f .
6
1.2. Sistemas autónomos
dx
dt = f (x),
(1.2)
x(t ) = x .
0 0
Los sistemas como (1.2) serán llamados sistemas autónomos. En realidad, cualquier
dx
sistema que pueda escribirse como dt = f (t, x) se puede convertir fácilmente en
un sistema autónomo sin más que considerar la variable temporal t como una nueva
variable espacial. Bastaría, pues, escribir xn+1 = t, y el sistema resultaría en forma
autónoma, como:
ẋi = fi (xn+1 , x1 , ..., xn ), i = 1, 2, ..., n,
(1.3)
ẋ
n+1 = x1 .
y tener en cuenta que las órbitas de este sistema son las trayectorias del anterior.
7
Si una partícula B comienza su movimiento, en un punto x0 del espacio, T segundos
más tarde de que lo haya hecho una partícula A, ambas recorren exactamente el mis-
mo camino pero manteniendo un desfase de T segundos.
Definición 1.2.2 Sea φ(t) una solución del problema de valores iniciales (1.2).
8
I) X es un espacio métrico, T es un subgrupo aditivo de R (es decir, 0 ∈ T y si
t, s ∈ T entonces t + s ∈ T y φ es una aplicación continua).
II ) φ (0, x0 ) = x0 ∀ x0 ∈ X
9
1.3. Estabilidad en las soluciones
Supongamos que φ(t; t0 , x0 ) una solución del problema de valores iniciales (1.1)
que está definida para todo t ≥ t0
η.
Teorema 1.3.2 .
1. Un punto fijo x0 del sistema (1.2) se llamará estable o foco si, para cualquier
0 0 0
entorno N de x0 , existe N , N ⊂ N , tal que cualquier órbita que pase por N
permanece en N a medida que t aumenta.
10
2. Un punto fijo x0 del sistema (1.2) se llamará asintóticamente estable o atractor
si es estable y existe un entorno N de x0 tal que cualquier órbita que pase por
N se acerca a x0 cuando t → ∞.
3. De un punto fijo del sistema (1.2) que no es estable, se dirá que es inestable o
repulsor.
11
en donde x denota un vector n-dimensional cuyas componentes son las n variables de
estado del sistema y f es asimismo una función vectorial con n componentes.
Suponiendo que x0 es la órbita asociada a una solución estacionaria del sistema (1.4).
Podemos determinar el comportamiento de las órbitas alrededor de dicho punto.
Si f es lineal, no hay problema. si no lo es, consideramos en lugar de f (x), la expresion
obtenida al aplicar la fórmula de Taylor a dicha función en un entorno de x0 (suponemos
las condiciones de regularidad suficientes).
Para que la aproximación sea de carácter lineal, truncamos ese desarrollo infinito eli-
minando los términos de orden superior a la unidad.
12
Teorema 1.3.4 .
El teorema anterior está enunciado para una dimension arbitraria n, pero resulta más
sencillo si nos limitamos al caso plano, donde, los autovalores de la matriz de coefi-
cientes quedan determinados a partir de su traza y su determinante.
Es decir, si el sistema es de la forma:
dx = ax + by
dt
dy
dt = cx + dy
λ2 − (a + d) λ + (ad − bc) = 0
1 p
tr A (∆)
2
13
De estos resultados se obtiene que los autovalores reales corresponden a matrices
que satisfacen la desigualdad ∆ ≥ 0. Los que possen parte real negativa han de
verificar que tr A < 0. Si det A es negativo , necesariamente los dos autovalores son
reales y con signos opuestos
14
1.4. Comportamiento asintótico de las soluciones.
15
Alguna de las propiedades de los conjuntos ω-límites:
Proposición 1.4.1 .
4. Se puede probar fácilmente que ω(x0 ) es un conjunto conexo por arcos, es decir;
dos puntos cualesquiera del conjunto se pueden unir con una línea totalmente
contenida en dicho conjunto.
Teorema 1.4.3 Toda curva γ cerrada y simple, en el plano, divide a éste en dos con-
juntos conexos disjuntos.
16
Definición 1.4.4 Una órbita cerrada Γ será llamada ciclo límite si hay dos puntos en
R2 , uno en el interior de γ y otro en el exterior, tales que los conjuntos α- límite o ω-
límite de las órbitas que construidas a partir de esos puntos coinciden, precisamente,
con la órbita periódica Γ
Definición 1.4.5 Una órbita periódica Γ de un sistema autónomo plano (1.4) es orbi-
talmente estable si para cada > 0, ∃ δ > 0 tal que d (X0 , Γ) < δ y que verifica que
d (φ (t, X0 ) , Γ) < , para cualquier t ≥ 0.
Γ se dirá orbitalmente inestable si no es orbitalmente estable.
siguientes condiciones.
1. ω X0 es un punto fijo;
17
X0 = (x0 , y0 ) ∈ D, ω X0 no contiene puntos que pertenezcan a la frontera de D. Co-
Teorema 1.4.9 Sea D una región de R2 donde podemos asegurar la existencia de una
órbita periódica Γ, tal que la región H que define su interior está totalmente contenida
en D. Entonces, en H debe existir un punto de equilibrio.
18
1.5. Ejemplos de modelos unidimensionales
ẋ (t) = ax − bx (1.6)
19
Si a = b, la gráfica es constante igual a x0 , y
El crecimiento de cualquier población está limitada por las restricciones del me-
dio ambiente y la escasez de recursos.
El modelo logístico introduce una regulacion de la densidad, que postula una taza
de crecimiento relativo variable, es aquel en el que la taza decrece linealmente como
funcion de x (t). La ecuación que representa esta situación esta dada por:
ẋ
= a − bx → ẋ = ax − bx2
x
20
Observamos que el segundo miembro es una parábola abierta hacia abajo, que alcan-
za su punto máximo en las coordenadas K2 , rK
4 .
Figura 1.5: Parábola que marca el crecimiento absoluto del modelo logístico.
21
Figura 1.6: Soluciones a la ecuación logística
22
Y, despejando la variable x, obtenemos:
K
x(t) = ,
1 − ce−rt
K
donde la constante c queda determinada a partir del dato inicial, c = 1 − x0 .
23
Capítulo 2
24
representa el número de presas en el instante t, mientras que y(t) indica la cantidad
de depredadores en ese mismo momento.
Hipótesis más simples del problema depredador presa.
Si no hay presas, los depredadores morirán con una tasa de mortalidad relativa
constante c > 0.
y 0 (t) = −cy(t)
Con base en las hipótesis anteriores el modelo de Lotka - Volterra resulta como el
siguiente sistema de ecuaciones diferenciales:
dx
= ax − bxy
dt (2.2)
dy = −cy + dxy
dt
donde los parámetros a, b, c, y d son constantes positivas. Estas son las ecuaciones
de Lotka-Volterra, que fueron propuestas por Volterra en el año 1926 para explicar las
oscilaciones encontradas en el volumen de pesca de ciertas especies de peces en
el mar adriático. También Lotka había estudiado estas ecuaciones para explicar las
oscilaciones observadas en cierta reacción química.
25
2.1.1. Análisis del modelo
Buscamos, por tanto, funciones (x(t), y(t)) que sean solución del sistema de ecua-
ciones (2.2). Obviamente, esta solución dependerá de la cantidad inicial presente de
depredadores y presa, es decir, de (x(0), y(0)). No obstante, estudiando la ecuación,
podemos obtener ya algunas soluciones particulares de esta.
Los puntos de equilibrio en este sistema son en las que la variación de la densidad
de la población es nula. Para calcular los puntos de equilibrios se resuelve el siguiente
sistema no lineal
26
ax − bxy = 0
(2.3)
−cy + dxy = 0
c
u = x −
d (2.4)
v =y−
a
b
Esto es para situar el origen de coordenadas en el punto P , y se obtienen las ecuacio-
nes
du c
= −b v − buv
dt d (2.5)
dv = d a + duv
dt b
donde ahora se tiene que (0, 0) es punto de equilibrio y se tiene
−bv −b dc − bu 0 −b dc
J(x, y) = ⇒ J(0, 0) =
d ab + dv du d ab + dv 0
27
2.1.3. Analizando el punto P utilizando una función Lyapu-
dx
= f (x) x(0) = x0 (2.6)
dt
Una solución de la ecuación (2.6), es una función φt (x0 ) : I ⊂ R → Rn definida en
d
una vecindad de cero, tal que φ0 (x0 ) = x0 y dt (φt (x0 )) = f (φt (x0 )).
Si V ∈ C 1 (E) definimos la derivada de V a lo largo de las soluciones φt (x) como,
d
dt V (φt (x))|t=0 = V̇ = DV (x) · f (x).
Sea x0 un punto de equilibrio de (2.6) y V ∈ C 1 (E) tal que:
1. V (x0 ) = 0
2. V (x) > 0 si x 6= x0
Cuando V̇ ≤ 0 para todo x ∈ E ó V̇ > 0 para todo x ∈ E − {x0 } decimos que V es una
función de Lyapunov para (2.6) en E.
Sea x0 un punto de equilibrio de (2.6) y V una función de Lyapunov, entonces x0 es
estable.
Con la finalidad de construir una función de Lyapunov para el sistema de (2.2), propo-
nemos una función H como suma de dos funciones
.
Se calculará como debe de ser G y F de tal manera que H satisfaga las condiciones
sobre la derivada para ser una función de Lyapunov.
Calculamos la derivada de H a lo largo del sistema (2.2) se obtiene
d dF dx dG dy
(H(x(t), y(t))) = +
dt dx dt dy dt
dF dG
= (ax − bxy) + (−cy + dxy)
dx dy
dF dG
= x (a − by) + y (dx − c)
dx dy
28
Para que las soluciones de (2.2) vivan en las curvas de nivel de H se debe cumplir
d dF dG
(H(x(t), y(t))) = 0 → x (a − by) + y (dx − c) = 0
dt dx dy
Al separar las variables x y y se tiene:
dF dG
x y
dx = dy (2.7)
dx − c by − a
Como x y y son variables independientes la ecuación (2.7) se tiene, si y solo si
dF dG
x y
dx = dy = cte.
dx − c by − a
Como la constante puede ser uno se tiene:
dF
x
dx = 1 → F = dx − c ln x
dx − c
y
dG
y
dy
= 1 → G = by − a ln y
by − a
H(x, y) = dx − c ln x + by − a ln y
29
de aquí se tiene
d2
0
Hess(H(P )) = c
b2
0
a
d2
Como c > 0 y det (Hess (H (P ))) > 0, tenemos que H tiene un mínimo en P
Si m = H(P ) = a + c − c ln dc − a ln ab , entonces la función V (x, y) = H(x, y) − m es una
función de Lyapunov en el primer cuadrante para el sistema (2.2). Por tanto, el punto
de equilibrio P es estable.
30
2.2. Soluciones no estacionarias al modelo Lotka -
Volterra
y a xc
= eC = C (2.8)
eby edx
Si se grafica
z = xc y a e−(by+dx)
31
Figura 2.1: Supercie tridimensional asociada al sistema de Lotka-Volterra.
32
En la siguiente figura aparecen algunas de las órbitas representadas en el corres-
pondiente plano de fases.
Estas órbitas son las asociadas a las curvas que dibujan las soluciones ligadas a de-
terminadas condiciones iniciales.(Ver figura 2.4)
33
1. La llamada Ley de la periodicidad de Volterra que dice que el cambio de los tama-
ños poblacionales de las dos especies (depredadores y presas) son periódicos,
pero con distinta fase (Ver figura 2.4).
2. La Ley de Conservación de los promedios, lo que nos dice es que los promedios
de los tamaños poblacionales de las especies involucradas son independientes
de su tamaño inicial.
34
2.3. Modelo depredador-presa más general
dx x
= rx 1 − − yF1 (x, y) ,
dt K (2.9)
dy = yF (x, y)
2
dt
x
donde la expresión rx(1 − K ) es el crecimiento de las presas en ausencia de
depredadores (y), el término −yF1 (x, y) como afecta los depredadores al crecimiento
de presas (término de interacción), y el término yF2 (x, y) es la tasa de crecimiento de
las presas. Las funciones F1 y F2 se pueden elegir dependiendo de las hipótesis que
se hagan.
más general.
35
depredadores.
Si hacemos r1 = a, r2 = c, K1 = ae y K2 = fc el modelo (2.10) queda así:
dx x
= r1 x 1 − − bxy
dt K1
(2.11)
dy y
= −r2 y 1 + + dxy
dt K2
Adimensionalizando el modelo
Con el objeto de reducir el número de parámetros que aparecen es conveniente
realizar una adimensionalización de las ecuaciones. Se debe tener en cuenta
que solo se pueden sumar magnitudes de la misma dimensión en esta parte uti-
lizamos los corchetes [.] para indicar la dimensión de una determinada magnitud.
Se debe tener en cuenta que:
[x] [y]
[K1 ] = 1, [K2 ] =1
también
[x] 1
= [r][x] =⇒ = [r] =⇒ 1 = [r][t]
[t] [t]
de aquí resulta que:
x y
τ = r1 t, u = K1 yv= K2 donde τ , u y v no tienen dimensión y efectuando los
cambios al modelo (2.12) se tiene:
du a1 K2
dτ = u 1 − u − v
K1
(2.13)
dv r2 a2 K1
=− v 1+v− u
dτ r1 K2
r2 a1 K2 a2 K1
si ρ = r1 , B= K1 yC= K2 con estos cambios el modelo (2.13) queda así:
du
= u(1 − u − Bv)
dτ (2.14)
dv = −ρv(1 + v − Cu)
dτ
36
y de este modo, pasamos de un sistema dependiente de seis parámetros a otro
que tan solo dependerá de tres. Los puntos de equilibrio de este modelo son:
1+B C−1
(0, 0), (1, 0), (0, −1) y ( 1+BC , 1+BC ).
Análisis del punto (0, 0)
1 − 2u − Bv −Bu
J(u, v) =
ρCv −ρ − 2ρv + ρCu
1 0
J(0, 0) =
0 −ρ
se tiene que λ1 = 1 > 0 y λ2 = −ρ < 0 por lo que el punto (0, 0) es un punto silla.
Análisis del punto (1, 0)
Si w = u − 1 y z = v
1 − 2(w + 1) − Bz −B(w + 1)
J(w, z) =
ρCz −ρ − 2ρz + ρC(w + 1)
−1 −B
J(0, 0) =
0 −ρ(1 − C)
el punto es punto silla si C > 1
1+B C−1
Análisis del punto ( 1+BC , 1+BC )
Para que el punto esté en el primer cuadrante C > 1.
1+B C−1
Si w = u − 1+BC yz=v− 1+BC
1+B C−1 1+B
1 − 2(w + 1+BC ) − B(z + 1+BC ) −B(w + 1+BC )
J(w, z) =
C−1 C−1 1+B
ρC(z + 1+BC ) −ρ − 2ρ(z + 1+BC ) + ρC(w + 1+BC )
−2B − B(1+B)
(1+BC)
J(0, 0) =
−ρC(1−C) ρ(1−C)
1+BC 1+BC
37
2ρB(1 − C) ρBC(1 + B)(1 − C)
det(J(0, 0)) = − −
1 + BC (1 + BC)2
ρB(1 − C) C(1 + B)
= − 2+
1 + BC 1 + BC
1−C 3BC + C + 2
= −ρB
1 + BC 1 + BC
C − 1 3BC + C + 2
= ρB >0
1 + BC 1 + BC
1−C
tr(J(0, 0)) = −2B + ρ <0
1 + BC
por lo que el punto es un atractor asintóticamente estable.
xr = δxy
38
El modelo con las hipótesis anteriores es:
dx x
= rx 1 − − qy (x − xr )
dt K (2.15)
dy = (p (x − xr ) − c) y
dt
39
c r(pK−c)
Hacemos el cambio de variable u = x − p
yv=y− pqK
2r(u+ pc )
r(pK−c) c
r− K
− q(v + pqK
) −q(u + p
)
J(x, y) =
r(pK−c) c
p(v + pqK
) p(u + p
) −c
− rc −q pc
⇒ J(0, 0) = pK
r(pK−c)
qK
0
rc cr
luego tr(J(0, 0)) = − pK < 0 y det(J(0, 0)) = − c) > 0 por lo que
pK
(pK
el sistema autónomo es asintóticamente estable en pc , r(pK−c)
pqK
. Ahora
consideremos xr = δxy con δ > 0 es decir, la cantidad de presas en
refugio es proporcional a los encuentros presa-depredador por lo que el
modelo queda así:
dx x
= rx 1 − − qxy(1 − δy)
dt K (2.17)
dy = (px (1 − δy) − c) y
dt
donde:
r: es la tasa de crecimiento per capita de las presas.
K: es la capacidad de soporte o carga del medio ambiente.
q: es la tasa de mortalidad de las presas o consumo de los depredadores.
p: mide la eficacia con que los depredadores convierten en energía lo
consumido para el nacimiento de nuevos depredadores.
c: tasa de mortalidad natural de los depredadores.
[x] x
= [r(1 − )x] = [qx(1 − δy)y]
[t] K
40
de aquí:
[x]
=1
K
tambien
[x] 1
= [r][x] =⇒ = [r] =⇒ 1 = [r][t]
[t] [t]
[x] 1 [q]
= [q][x][y] =⇒ = [q][y] =⇒ [r] = [q][y] =⇒ 1 = [y]
[t] [t] [r]
De aquí resulta que τ = rt, u = x
K
y v = qr y donde τ , u y v no tienen
dimensión.
Efectuando los cambios al modelo (2.17) se tiene:
du r
= (1 − u)u − (1 − δ v)uv
dτ q (2.18)
dv r
= (pKu(1 − δ v) − c)v
dτ q
si N = δ qr , B = pK y C = c
pK
du = (1 − u − (1 − N v)v)u
dτ
dv (2.19)
= (B(u(1 − N v) − C)v
dτ
Los puntos de equlibrio de este sistema son: (0, 0), (1, 0) y (ue , uNe −C
ue
) don-
de ue es solución de la ecuación
p(u) = −N u3 + N u2 − Cu + C 2 = 0 (2.20)
41
Análisis del punto (1, 0)
Haciendo el cambio de variable w = u − 1 y z = v se tiene que:
1 − 2(w + 1) + N z 2 − z −(w + 1) + 2N (w + 1)z
J(w, z) =
2
Bz − BN z B(w + 1) − 2BN (w + 1)z − BC
−1 −1
⇒ J(0, 0) =
B − BC
0
se tiene que λ1 = −1 < 0 y λ2 = B − BC < 0, entonces el punto es un
punto silla si C < 1.
Análisis de punto (ue , uNe −C
ue
)
Según la regla de los signos de Descartes la ecuación:
−N u3 + N u2 − Cu + C 2 = 0 tiene por lo menos una raíz positiva y ninguna
negativa.
Supongamos que E es raíz real del polinomio (2.20) entonces se tiene
que:
N u3 −N u2 +Cu−C 2 =0 3 −N E 2 +CE−C 2
u−E
= N u2 +(N E −N )u+(N E −N )E +C + N E u−E
;
C(E−C)
pero si E es raíz N E 3 − N E 2 + CE − C 2 = 0 se obtiene que N = E 2 (1−E)
N u2 + (N E − N )u + (N E − N )E + C = 0
sustituyendo N se obtiene:
42
es posible que tenga una raíz pero con multiplicidad tres u1 = u2 = u3 = 31
y tendra tres raíces reales positivas distintas si E − E 2 − C − 3EC > 0.
Caso I
Si −3EC − C − E 2 + E < 0, entonces el punto de equilibrio es: (E, E(1−E)
C
),
E(1−E)
ahora si hacemos el cambio de variable w = u − E y z = v − C
E(1−E) 2 E(1−E) E(1−E)
1 − 2(w + E) + N (z + C
) −z− ) −(w + E) + 2N (w + E) z +
J(w, z) = C C
E(1−E) 2
E(1−E) E(1−E)
B z+ C
− BN z + C
B(w + E) − 2BN (w + E) z + C
−E −2C + E
⇒ J(0, 0) =
B − BE −BE + BC
1−E
det(J(0, 0)) = B(2E 2 − 3EC + 2C − E) > 0 ya que si C = E 3E+1 se
E(E−3)2
tiene que det (J(0, 0)) = B 3E+1 > 0 y además:
tr (J(0, 0)) = −E − B(E − C) < 0, ya que C < E de aquí se sabe que el
punto es atractor asintóticamente estable.
Caso II
Si E − E 2 − C −3EC = 0 se tendrán los puntos de equilibrio (E, 3E + 1),
1−E (E+1)(3E+1)
y 13 , 2 donde este último es de multiplicidad tres.
2
, 4E
Análisi del punto (E, 3E + 1)
Haciendo el cambio de variable w = u − E y z = v − (3E + 1) se tiene:
1 − 2(w + E) + N (z + 3E + 1)2 − (z + E + 1) −(w + E) + 2N (w + E)(z + 3E + 1)
J(w, z) =
B(z + 3E + 1) − BN (z + 3E + 1)2 B(w + E) − 2BN (w + E)(z + 3E + 1)
1 − 2E + N (3E + 1)2 − 3E − 1 −E + 2N E(3E + 1)
⇒ J(0, 0) =
2
B(3E + 1) − BN (3E + 1) BE − 2BN E(3E + 1) − BC
E(1−E) 4E
como E − E 2 − C − 3EC = 0, entonces C = 3E+1
yN = (3E+1)2
−E E 5E−1
3E+1
J(0, 0) = 2
B(1 − E) − 4E B
3E+1
43
43 B
5E − 1
det(J(0, 0)) = − B(1 − E)E
3E + 1 3E + 1
−4E B − B(1 − E)(5E 2 − E)
3
=
3E + 1
E 3 B − 6E 2 B + BE
=
3E + 1
BE(9E 2 − 6E + 1)
=
3E + 1
BE(3E − 1)2
= > 0.
3E + 1
E2
tr(J(0, 0)) = −E − 4B
3E + 1
−4BE 2 − 3E 2 − E
=
3E + 1
−(4BE 2 + 3E 2 + E)
= < 0.
3E + 1
1−E
1−E
(E+1)(3E+1)
− w+ 2
+ 2N w + 2
z+ 4E
1−E
1−E (E+1)(3E+1)
B w+ 2
− 2BN w + 2
z+ 4E
2
− 1 (1 − E) − 21 (1−E)
⇒ J(0, 0) = 2 3E+1
1 1 1−E 2
2
B(1 + E) 2 3E+1
44
se tiene que:
1 B(1 − E)(1 − E 2 ) 1 B(1 + E)(1 − E)2
det (J(0, 0)) = −
4 3E + 1 4 3E + 1
1 B(1 − E)(1 − E ) 1 1 − E − E 2 + E 3
2
= − B
4 3E + 1 4 3E + 1
1 B(1 − E)(1 − E 2 ) 1 B(1 − E)(1 − E 2 )
= −
4 3E + 1 4 3E + 1
= 0.
y
1 1 1 − E2
tr (J(0, 0)) = − (1 − E) − B
2 2 3E + 1
1 1 − E2
= − 1−E+B <0
2 3E + 1
1−E (E+1)(3E+1)
por lo que el punto 2
, 4E
es silla nodo.
1
Análisis del punto 3 , 2
1
Haciendo cambio de variable w = u − 3
yz =v−2
1 − 2 w + 13 + N (z + 2)2 − (z + 2) 1 1
− w+ 3 + 2N w +
(z + 2) 3
J(w, z) =
B w + 13 − 2BN w + 13 (z + 2)
B(z + 2) − BN (z + 2)2
− 31 1
9
⇒ J(0, 0) =
2
3B − 29 B
se tiene que det (J(0, 0)) = 0 y tr (J(0, 0)) = − 13 − 29 B < 0 por lo que el
punto es atractor no hiperbólico.
Caso III
Si E − E 2 − C − 3EC > 0 las raíces serán positivas y distintas donde:
u1 = E
p
(1 − E)(E − C) − (1 − E)(E − C)(E − E 2 − C − 3EC)
u2 =
2(E − C)
p
(1 − E)(E − C) + (1 − E)(E − C)(E − E 2 − C − 3EC)
u3 =
2(E − C)
y puede ocurrir que u1 < u2 < u3 , u2 < u1 < u3 ó u2 < u3 < u1 , las tres
raíces son menor que uno y mayor que C.
45
Consideremos la diferencia u2 − C tenemos que:
1 √
u2 − C = (1 − E − 2C)(E − C) − W
2(E − C)
(W = (1 − E)(E − C)(E − E 2 − C − 3EC)) donde el signo depende del
factor:
√
F = (1 − E − 2C)(E − C) − W de manera que F > 0 si:
√
(1 − E − 2C)(E − C) > W
4C 2 (1 − C)(E − C) > 0
−4E 2 (1 − C) < 0
por lo que u3 < 1 y las tres raices pertenecen al intervalo ]C, 1[.
Para saber la relación de u1 y u3 consideramos la diferencia
1 √
u1 − u3 = ((3E − 1)(E − C) − W )
2(E − C)
y u1 < u3 ó u1 > u3 depende de 2E 2 − 3EC + 2C − E lo mismo ocurre con
u1 y u2 si se considera la diferencia
1 √
u1 − u2 = ((3E − 1)(E − C) + W )
2(E − C)
46
Ahora definimos las regiones:
Λ1 = {(E, C) ∈ Λ/E 1−2E
2−3E
1−E
< C < E 3E+1 y E < 31 }
Λ2 = {(E, C) ∈ Λ/E 1−2E
2−3E
1−E
< C < E 3E+1 y E > 31 }
donde:
1−E
Λ= (E, C) ∈ (R+ 2
0 ) /0 <C<E
3E + 1
Se obtiene que:
Figura 2.5: El gráco describe la situación del orden de las raices cuando C > 1−2E
2−3E
,
1−E
C < E 3E+1 y E = 31 .
47
u−C
Para el depredador el nullcline se tiene que v = uN
, entonces para cada
uno de los puntos de quilibrio estan en el primer cuadrante y se tiene que:
−u u − 2C
J(u, v) =
B(1 − u) −B(u − C)
3. Modelo de Leslie
En 1945 Leslie planteó una modificación del modelo de Lotka-Volterra y
48
propuso el modelo descrito por el sistema de ecuaciones diferenciales:
dx = rx(1 − x ) − qxy
dt
dy
K
y (2.21)
= sy(1 − )
dt nx
donde la ecuación de las presas es de tipo logístico y la interacción de-
predador presa es lineal (F1 (x, y) = x) y la tasa de crecimiento de los
depredadores se ajusta a una ley logística donde la capacidad de sopor-
te máximo es dependiente de la cantidad de alimentos (presas).
Los parámetros tienen diferentes significados biológicos.
r: es la tasa de crecimiento percapita de las presas.
K: es la cantidad o soporte del medio ambiente.
q: es la tasa de mortalidad o consumo de los depredadores.
s: es la tasa de crecimiento percapita de los depredadores.
n: es una calidad del alimento que provee nuevos nacimientos de depre-
dadores.
Notemos que el sistema no esta definido para x = 0 y los puntos de equi-
rK rKn
librio para este modelo son (K, 0) y r+qKn , r+qKn
Análisis del punto (K, 0)
Haciendo u = x − K y v = y se tiene:
r − 2r(u + K) − qv −q(u + K)
J(u, v) =
sv 2 2sv
n(u+k)2
s − n(u+k)
−r −Kq
J(0, 0) =
0 s
se tiene que λ1 = −r < 0 y λ2 = s < 0 por lo que el punto (K, 0) es
inestable y es punto silla, tal y como se observa en la figura 2.6.
rK rK
Análisis del punto r+qKn , n r+qKn
49
Figura 2.6: Diagrama de fases de un punto silla con K=2.
rK rK
Haciendo u = x − r+qKn
y v = y − n r+qKn se tiene:
rK rK rK
r − 2r(u + r+qKn )− qn r+qKn −q(u + r+qKn )
J(u, v) = rK
s(v+n r+qKn )2 rK
2s(v+n r+qKn )
rK
n(u+ r+qKn )2
s− rK
n(u+ r+qKn )
r 2
− r+qKn −rqK
J(0, 0) =
sn −s
se obtiene que:
r2 s srqKn
det(J(0, 0)) = +
r + qKn r + qKn
rs(r + qKn)
=
r + qKn
= rs > 0
y
r2
tr(J(0, 0)) = − −s<0
r + qKn
por lo que el punto es un atractor asintóticamente estable.
50
Esta situación se puede observar con mayor precisión de forma gráfica
en la siguiente figura:
51
Capítulo 3
modelos
La manipulación de matrices,
La implementación de algorítmos,
52
La comunicación con programas en otros lenguajes y con otros dispositivos hard-
ware.
3.1.1. Funcionamiento
53
3. MATLAB escribe los resultados en la ventana de comandos y los gráficos (si los
hubiere) en otras ventanas gráficas.
HOLD: asigna una nueva figura a la gráfica ya existente, si sintaxis es: Hold on,
es decir, con este comando MATLAB no remueve la gráfica existente; agrega los
nuevos datos sobre la gráfica anterior, reescalando si es necesario.
54
ZEROS: genera una matriz de n×n con todos los valores igual a cero. La sintaxis
es: zeros(n).
QUIVER: dibuja los vectores U, V con flechas en los puntos X, Y. Las matrices
X, Y, U, V deben tener el mismo tamaño. Su sintaxis es: quiver(X, Y, U, V)
AXIS TIGTH: este comando establece los límites de los ejes en función de los
datos.
55
3.2. Simulación teórica de los modelos
56
axis tight;
Esta funcion permite crear un campo vectorial, para poder visualizarla junto con
posibles soluciones, se han utilizado los comandos:
f = inline('[a*y(1)-b*y(1)*y(2)-e*y(1)*y(1);-c*y(2)+d*y(1)*y(2)-f*y(2)*y(2)]','t','y')
campovec(f,0:1:20,0:1:20)
hold on
for y20=0:10:100
[ts, ys] = ode45(f,[0,100],[40;y20]);
plot(ys(:,1),ys(:,2))
end
hold off
OBSERVACIÓN: Para que las instrucciones sean ejecutadas correcta-
mente se debe colocar en el lugar de las letra el valor correspondiente
a cada parámetro. En lo que sigue utilizaremos estas instrucciones para
crear todos los diagramas de fases que se utilizarán, solo se cambiará;
lógicamente, el argumento de la función inline en donde se colocarán
las respectivas ecuaciones.
57
plot(t,y(:,1),t,y(:,2),'- -')
Aquí invocamos a la función ode 45 con las ecuaciones descritas en el
archivo lotka1.m, el intervalo de integración es [1, 10] y con la condición
inicial 31 , 4 , al ejecutar las instrucciones obtenemos la solución de forma
gráfica.
58
PRIMER CASO
Consideraciones: a=0.5, b=0.02, c=0.03, d=0.5, e=1, f=1 El parámetro a
un valor no muy grande, indica que hay un mayor número de nacimientos
que de muertes, b es pequeño ya que los encuentros entre las especies
son esporádicos, c es un valor que indica que hay pocas muertes na-
turales de los depredadores, d es un dato que representa la ganancia
obtenida de los depredadores sobre las presas, considerando el valor de
e como 1 se determina que la competencia entre las presas es alta por
que los recursos son limitados y f al ser el valor máximo alcanzado indica
que los recursos de los depredadores son limitados.
Para estos valores se debe cumplir la condición ad > ec, pues esto ga-
rantiza que el punto de equilibrio quede en el primer cuadrante, ya que
un caso diferente carecería de sentido biológico real.
Con estos parámetros se obtiene el diagrama de fases siguiente ( figura
3.2):
Figura 3.1: Diagrama de fases para el primer caso del modelo clásico con ajuste
logístico.
59
Si analizamos las situaciones de la cantidad inicial de miembros de cada
población obtenemos:
60
2. Cantidad de presas igual a la cantidad de depredadores.
Se ha considerado la condición inicial (1, 1), obteniendo la gráfica
siguiente (figura 3.3):
61
3. Cantidad de presas inferior a la cantidad de depredadores.
Se ha considerado la condición inicial (1, 5), obteniendo la gráfica
siguiente (figura 3.4):
62
SEGUNDO CASO
Consideraciones: a=0.8, b=0.3, c=0.03, d=0.5, e=0.2, f=0.1. Los valores
modificados en esta ocasión son: la tasa de natalidad a que se ha incre-
mentado, indicando que hay un crecimiento acelerado de la población de
presas, el parámetro b, también en aumento para dar una mayor oportu-
nidad de encuentro entre las dos especies, y los parámetros e y f para
disminuir la competencia propia de cada especie.
Figura 3.5: Diagrama de fases para el segundo caso del modelo clásico con ajuste
logístico.
63
Cambiando las condiciones iniciales se obtiene:
64
2. Cantidad de presas igual a la cantidad de depredadores.
Se ha considerado la condición inicial (2, 2), obteniendo la gráfica
siguiente (figura 3.7):
65
3. Cantidad de presas inferior a la cantidad de depredadores.
Se ha considerado la condición inicial (5, 1), obteniendo la gráfica
siguiente (figura 3.8):
66
TERCER CASO
Consideraciones: a=0.3, b=0.5, c=0.03, d=0.5, e=0.5, f=0.5. Se ha su-
puesto una tasa de crecimiento de las presas baja, una cantidad de en-
cuentros del 50 % y tanto la competencia entre las presas como la com-
petencia entre los depredadores de 0.5
Obteniendo el siguiente diagrama de fases (figura 3.9):
Figura 3.9: Diagrama de fases para el tercer caso del modelo clásico con ajuste
logístico.
67
1. Cantidad de presas superior a la cantidad de depredadores.
Se ha considerado la condición inicial (1, 10), obteniendo la gráfica
siguiente (figura 3.10):
68
3. Cantidad de presas inferior a la cantidad de depredadores.
Si la condición inicial es (10, 3), obtenemos (figura 3.12):
69
La siguiente tabla resume lo expuesto:
Parámetros a b c d e f Observación
Caso 1 0.5 0.02 0.03 0.1 1 1 Las dos poblaciones
decrecen hasta estabi-
lizarce y tienen a esta-
bilizarse de tal manera
que el número de pre-
sas supera a los depre-
dadores.
Caso 2 0.8 0.3 0.03 0.5 0.2 0.1 Las poblaciones se es-
tabilizan pero al ha-
cerlo los depredadores
superan en número a
las presas.
Caso 3 0.3 0.5 0.03 0.5 0.5 0.5 En un intervalo de
tiempo los depredado-
res superan en número
a las presas pero lue-
go se estabilizan y las
presas superan en nú-
mero a los depredado-
res.
70
3.2.2. Modelo presas con refugios
Y para obtener las soluciones gráficas se debe invocar la función con los si-
guientes comandos:
[t,y]= ode45(@lotkaref,[... ...],[...,...])
71
plot(t,y(:,1),t,y(:,2),'')
En donde se colocan el intervalo de integración deseado y la condición inicial
correspondiente.
PRIMER CASO
Se han tomado en cuenta las consideraciones siguientes: r=0.8, K=10,
q=0.5, p=0.5, c=0.1, d=0.1. Una tasa de crecimiento de las presas bas-
tante alta, una capacidad de soporte del medio suficiente, el consumo de
los depredadores y la eficacia en que este alimento se convierte en ener-
gía igual, mortalidad de los depredadores bastante baja y la capacidad
de las presas de refugiarse baja.
El diagrama de fases para esta situación se observa a continuación (figu-
ra 3.13):
Figura 3.13: Diagrama de fases para el primer caso del modelo presas con refugio.
72
Al cambiar las condiciones iniciales se obtiene:
73
2. Cantidad de depredadores superior al soporte del medio de las pre-
sas.
Se considera la condición inicial (4, 15) (figura 3.15).
74
3. Cantidad de presas y depredadores cercanos a cero.
Se considera la condición incial (2, 4) (figura 3.16).
75
4. Cantidad de depredadores inferior al soporte del medio de las pre-
sas.
Consideremos como condición inicial el punto (10, 4). (figura 3.17)
Se observa que los depredadores crecen hasta estabilizarse y las
76
SEGUNDO CASO
Las consideraciones previstas son: r=0.3, K=10, q=0.9, p=0.8, c=0.9, d=0.5,
determinando una tasa de crecimiento de las presas muy baja y una tasa
de mortalidad de los depredadores bastante alta a pesar que el beneficio
obtenido y la eficacia del alimento son también valores altos.
El diagrama fase para esta situación es (figura 3.18):
Figura 3.18: Diagrama de fases para el segundo caso del modelo presas con refugio.
77
Cambiando los valores iniciales obtenemos:
78
2. Cantidad de presas igual a la cantidad de depredadores.
Tomando como condición inicial el punto (5, 5). (figura 3.20)
Las presas crecen hasta encontrar un valor máximo para luego de-
crecer pero manteniendose siempre superior a la población de de-
predadores, mientras que los depredadores decrecen inicialmente
de manera acelerada, pero luego se suaviza hasta llegar al equili-
brio.
79
3. Cantidad de presas superior a la cantidad de depredadores.
El punto (10, 1) es ahora la condición inicial seleccionada. (figura
3.21)
80
TERCER CASO
1 1 1
Las consideraciones previstas son: r= 121 , K=10, q=0.025, p= 12 , c= 11 , d=1,
observamos una tasa de crecimiento de las presas sumamente baja y una
tasa de mortalidad superior a ésta, una beneficio obtenido mayor que la
tasa de consumo de las presas y una eficacia total de la posibilidad de
encontrar refugio
El diagrama fase para esta situación es (figura 3.22):
Figura 3.22: Diagrama de fases para el tercer caso del modelo presas con refugio.
81
Figura 3.23: Soluciones para condición inicial (1, 5).
82
3. Cantidad de presas superior a la cantidad de depredadores.
El valor inicial es el punto (10, 5) (figura 3.25)
83
Parámetros r K q p c d Observación
Caso 1 0.8 10 0.5 0.5 0.1 0.1 Los depredadores
siempre decrecen
hasta estabilizarse
y las presas crecen
hasta encontrar la
estabilización
Caso 2 0.3 10 0.9 0.8 0.9 0.5 Las dos poblaciones
presas crecen con ten-
dencia a estabilizar-
se mientras que los
deprededores decrecen
hasta llegar casi a la
extinción pero luego
tienden a crecer y es-
tabilizarse se observa
que el número de pre-
sas supera al número
de depredadores.
Caso 3 1
121
10 0.025 1
12
1
11
1 Las presan crecen has-
ta llegar a un máximo
luego ambas poblacio-
nes decrecen buscando
la estabilización.
84
3.2.3. Modelo de Leslie
85
Colocando, lógicamente, los valores correspondientes a la integración y las
condiciones iniciales.
PRIMER CASO
Se han tomado en cuenta las consideraciones siguientes: r=0.2, K=100,
q=0.01, s=0.2, n=0.5. En este caso suponemos una tasa de natalidad
de las presas r muy baja, una capacidad de soporte K elevada para las
condiciones iniciales supuestas, una tasa de mortalidad de las presas q
sumamente baja, una tasa de crecimiento de los depredadores r igual
a la tasa de crecimiento de las presas y que la calidad de alimento que
proporcionan las presas n es bastante beneficiosa.
El diagrama fase para esta situación es (figura 3.26):
Figura 3.26: Diagrama de fases para el primer caso del modelo de leslie.
86
Se ha considerado como condición inicial el punto (40, 5) (figura
3.27):
87
3. Cantidad de presas inferior a la cantidad de depredadores.
Se ha considerado la condición inicial (5, 40) (figura 3.29):
88
SEGUNDO CASO
Consideraciones: r=0.5, K=2, q=0.5, s=0.75 y n=0.8. En este caso se ha
contemplado la posibilidad de valores extremos: una tasa de crecimiento
y de mortalidad de las presas igual, una capacidad de soporte del medio
bastante bajo, en comparación con las condiciones inicales que son supe-
riores a este valor y un tasa de crecimiento de los depredadores superior
a la tasa de crecimeinto de las presas obteniendo un beneficio bastan-
te alto. El diagrama de fases es mostrado en la siguiente gráfica (figura
3.30):
Figura 3.30: Diagrama de fases para el segundo caso del modelo de leslie.
89
Figura 3.31: Soluciones para condición inicial (5, 1).
90
3. Cantidad de presas inferior a la cantidad de depredadores.
Se ha tomado como condición inicial (1, 5) observando la siguiente
gráfica (figura 3.33):
91
TERCER CASO
Consideraciones: r=0.5, K=50, q=0.3, s=0.25 y n=0.5. En este caso se
propone una tasa de crecimiento superior a la tasa de mortalidad de las
presas, una capacidad de soporte del medio superior a las condiciones
inicales y un tasa de crecimiento de los depredadores inferior a la tasa
de crecimeinto de las presas obteniendo un beneficio bastante alto. El
diagrama fase obtenido es (figura 3.34):
Figura 3.34: Diagrama de fases para el tercer caso del modelo presas con refugio.
92
Figura 3.35: Soluciones para condición inicial (25, 5).
93
3. Cantidad de presas inferior a la cantidad de depredadores.
Se ha tomado como condición inicial (1, 15) observando la siguiente
gráfica (figura 3.37):
94
El siguiente cuadro resume lo anteriormente expuesto:
Parámetros r K q s n Observación
Caso 1 0.2 100 0.01 0.2 0.5 Las dos poblaciones
tienden a crecer has-
ta llegar a un punto
máximo y luego decre-
cen hasta estabilizar-
se y las presas siempre
superan a los depreda-
dores.
Caso 2 0.5 2 0.5 0.75 0.8 Ambas poblaciones
tienden a decrecer
hasta llegar a esta-
bizarse el número
de presas siempre
supera al número de
depredadores.
Caso 3 0.5 50 0.3 0.25 0.5 Las poblaciones uc-
tuan hasta llegar a
una estabilización
95
Bibliografía
[6] THE MATH WORKS, INC. Matlab, The language of technical computing.
Prentice Hall. Tercera edición 1998.
96
http://www.sea-entomologia.org/PDF/ZAPATERI_6/Z06-002-043.pdf.
http://biblioteca.universia.net/html_bura/ficha/params/id/26042050.html.
http://www.avocadosource.com/books/vandriescherg2007/VanDriescheRG2007_SEC04_Chapter10.pdf.
http://webcache.googleusercontent.com/search?q=cache:UHQ9GKd-w0oJ:ima.ucv
.cl/BIOMATVIICH/webanexas/BIOMAT_VI/Gonzalez_Eduardo.ppt+dinamicas+de
+modelos+depredador-presa+simples+con+uso+de+refugio+eduardo+gonzalez
&cd=1&hl=es&ct=clnk&gl=sv
97