Biologic Os

Instituto Balseiro
Universidad Nacional de Cuyo - CNEA
La matemtica de los
sistemas biolgicos
Guillermo
Abramson
Centro Atmico Bariloche,

Instituto Balseiro y CONICET
Versin: 5 de agosto de 2013
Pintura mural en la costanera de Puerto Madryn (annimo).
ndice general
1. Dinmica de poblaciones
1.1.
Modelos deterministas de crecimiento . . . . . . . . . . . . . .
1.2.
Crecimiento y decrecimiento exponencial
1.3.
Crecimiento exponencial en tiempo discreto
1.4.
1.5.
. . . . . . . . . . . .
7
9
. . . . . . . . . .
10
Crecimiento limitado
. . . . . . . . . . . . . . . . . . . . . . .
11
Modelos con demora
. . . . . . . . . . . . . . . . . . . . . . .
13
1.5.1.
Anlisis lineal de la aparicin de un ciclo lmite
. . . .
15
1.6.
Modelo logstico en tiempo discreto . . . . . . . . . . . . . . .
18
1.7.
Crecimiento de organismos . . . . . . . . . . . . . . . . . . . .
20
1.8.
Modelos estocsticos de poblacin . . . . . . . . . . . . . . . .
23
1.8.1.
28
Generalidades sobre ecuaciones estocsticas
. . . . . .
2. Poblaciones interactuantes
31
2.1.
Competencia
. . . . . . . . . . . . . . . . . . . . . . . . . . .
36
2.2.
Modelo de depredacin de Lotka-Volterra . . . . . . . . . . . .
38
2.3.
Modelos realistas de depredacin
. . . . . . . . . . . . . . . .
40
Anlisis lineal de aparicin de un ciclo lmite . . . . . .
41
2.4.
Biodiversidad y extincin . . . . . . . . . . . . . . . . . . . . .
43
2.5.
Ser estable un sistema grande?
. . . . . . . . . . . . . . . .
50
2.6.
Competencia cclica . . . . . . . . . . . . . . . . . . . . . . . .
53
2.3.1.
3. De los individuos a las poblaciones

3.1.
Desarrollo
57
de van Kampen . . . . . . . . . . . . . . . . . . .
3.1.1.
Comportamiento macroscpico
3.1.2.
Fluctuaciones
3.1.3.
61
. . . . . . . . . . . . .
64
. . . . . . . . . . . . . . . . . . . . . . .
64
Observaciones nales . . . . . . . . . . . . . . . . . . .
67
4. Expresin gentica
69
4.1.
Circuitos de expresin gentica
. . . . . . . . . . . . . . . . .
69
4.2.
Ruido molecular . . . . . . . . . . . . . . . . . . . . . . . . . .
74
4.3.
Tipos celulares y redes de Kauman
77
. . . . . . . . . . . . . .
La matemtica de los sistemas biolgicos
NK
4.3.1.
Modelos
. . . . . . . . . . . . . . . . . . . . . . .
79
4.3.2.
Propiedades dinmicas . . . . . . . . . . . . . . . . . .
81
4.3.3.
Modelo de Derrida
. . . . . . . . . . . . . . . . . . . .
83
4.3.4.
Comentarios nales . . . . . . . . . . . . . . . . . . . .
85
5. Ondas de poblacin
89
5.1.
Ecuacin de Fisher
. . . . . . . . . . . . . . . . . . . . . . . .
90
5.2.
Solucin aproximada del frente de onda . . . . . . . . . . . . .
94
6. Juegos evolutivos
6.1.
97
Introduccin a la teora de juegos
. . . . . . . . . . . . . . . .
98
6.1.1.
Ejemplo: un juego que no suma cero
6.1.3.
Anlisis formal de un juego
6.1.4.
Halcones y Palomas . . . . . . . . . . . . . . . . . . . . 111
6.1.5.
6.2.
Ejemplo: pker simplicado
6.1.2.
Machos y hembras
Juegos de forma normal
. . . . . . . . . . . . . . . 100
. . . . . . . . . . 104
. . . . . . . . . . . . . . . 106
. . . . . . . . . . . . . . . . . . . . 115
. . . . . . . . . . . . . . . . . . . . . 116
6.2.1.
Teora de juegos no cooperativos - Equilibrios de Nash
6.2.2.
Teora de juegos evolutivos - Estrategias evolutivas estables
6.2.3.
117
. . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Juegos de poblacin . . . . . . . . . . . . . . . . . . . . 125
6.3.
Guerra de desgaste
6.4.
Juegos asimtricos: territorialidad . . . . . . . . . . . . . . . . 131
6.5.
. . . . . . . . . . . . . . . . . . . . . . . . 126
Dinmica de replicador . . . . . . . . . . . . . . . . . . . . . . 133
22
6.5.1.
Clasicacin de los juegos simtricos de
6.5.2.
Coexistencia cclica . . . . . . . . . . . . . . . . . . . . 139
6.5.3.
Relacin con las ecuaciones de Lotka-Volterra
6.6.
Dinmica de imitacin
6.7.
Dinmica adaptativa
. . . . . 137
. . . . . 141
. . . . . . . . . . . . . . . . . . . . . . 141
. . . . . . . . . . . . . . . . . . . . . . . 144
6.7.1.
Estrategias estocsticas para el RPD
6.7.3.
6.8.
La evolucin de la cooperacin . . . . . . . . . . . . . . 144
6.7.2.
Dinmica de adaptacin
. . . . . . . . . . . . . . . . . 150
Apndice: Sobre John von Neumann
7. Propagacin de enfermedades
. . . . . . . . . . 147
. . . . . . . . . . . . . . 152
155
7.1.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
7.2.
Modelos epidmicos sencillos . . . . . . . . . . . . . . . . . . . 155
7.3.
Propagacin de epidemias
. . . . . . . . . . . . . . . . . . . . 163
7.3.1.
7.4.
Modelo difusivo . . . . . . . . . . . . . . . . . . . . . . 163
7.3.2.
La Peste Negra en Europa, 1347-1350 . . . . . . . . . . 165
Redes complejas . . . . . . . . . . . . . . . . . . . . . . . . . . 170
NDICE GENERAL
small world
7.4.1.
7.4.2.
7.5.
Redes
de Watts y Strogatz . . . . . . . . . 174
Redes libres de escala . . . . . . . . . . . . . . . . . . . 177
Epidemias en redes complejas
. . . . . . . . . . . . . . . . . . 180
7.5.1.
Epidemias en redes small world
. . . . . . . . . . . . . 181
7.5.2.
Efecto de la inmunizacin
7.5.3.
Epidemias en una red libre de escala
. . . . . . . . . . . . . . . . 184
. . . . . . . . . . 187
8. Estructuras espaciales
191
8.1.
Bifurcacin de Turing . . . . . . . . . . . . . . . . . . . . . . . 193
8.2.
Bifurcacin de Turing: tratamiento general . . . . . . . . . . . 198
8.3.
Inestabilidad inducida por el tamao
8.4.
Manchas en la piel de los animales
8.5.
Ecuaciones de amplitud
. . . . . . . . . . . . . . 203
. . . . . . . . . . . . . . . 206
. . . . . . . . . . . . . . . . . . . . . 209
8.5.1.
Inestabilidad de Rayleigh-Bnard
. . . . . . . . . . . . 210
8.5.2.
Anlisis lineal . . . . . . . . . . . . . . . . . . . . . . . 211
8.5.3.
Ecuaciones de amplitud para el modelo SH . . . . . . . 213
8.5.4.
Soluciones sencillas de la ecuacin de Ginzburg-Landau

real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
9. Osciladores biolgicos
9.1.
Bifurcaciones
219
. . . . . . . . . . . . . . . . . . . . . . . . . . . 220
9.1.1.
Bifurcaciones de Hopf
9.1.3.
9.2.
Saddle-node, transcrtica, diapasn (pitchfork, tenedor) 220
9.1.2.
Bifurcaciones globales de ciclos
. . . . . . . . . . . . . . . . . . 222
. . . . . . . . . . . . . 226
Osciladores y switches biolgicos . . . . . . . . . . . . . . . . . 227

9.2.1.
9.2.2.
9.3.
Comportamiento cualitativo usando las nulclinas . . . . 232

Determinacin del dominio de oscilaciones
Oscilaciones en reacciones qumicas
. . . . . . . 232
. . . . . . . . . . . . . . . 236
9.3.1.
9.3.2.
Reaccin del Dixido de Cloro - Iodo - cido Malnico
9.3.3.
9.4.
Reaccin de Belousov-Zhabotinskii
. . . . . . . . . . . 236
Osciladores de relajacin . . . . . . . . . . . . . . . . . 240
238
Osciladores dbilmente no lineales . . . . . . . . . . . . . . . . 243

9.4.1.
Ejemplo elemental. Fracaso de una solucin perturbativa.244
9.4.2.
Dos escalas temporales . . . . . . . . . . . . . . . . . . 246
9.4.3.
Dos escalas temporales en un sistema no lineal . . . . . 248
10.Osciladores acoplados
253
10.1. Conjuntos de osciladores de fase idnticos . . . . . . . . . . . . 254

10.1.1. Caso sencillo: dos osciladores . . . . . . . . . . . . . . . 255
10.2. Acoplamiento global
. . . . . . . . . . . . . . . . . . . . . . . 261
10.3. Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
10.4. Otros acoplamientos
. . . . . . . . . . . . . . . . . . . . . . . 267
10.5. Ensembles de osciladores heterogneos

10.6. Fuerzas uctuantes
Bibliografa
. . . . . . . . . . . . . 267
. . . . . . . . . . . . . . . . . . . . . . . . 272
275
Captulo 1
Dinmica de poblaciones
1.1. Modelos deterministas de crecimiento
Vamos a comenzar estudiando los modelos ms sencillos de poblaciones,
modelos deterministas de crecimiento o decrecimiento de una poblacin o de
un organismo. El objetivo de estos modelos es proporcionar una descripcin
cuantitativa de los fenmenos que se ven en las guras 1.1 y 1.3. En ambos
casos el crecimiento observado es el resultado de una multitud de fenmenos
complejos subyacentes.
El crecimiento de la poblacin argentina es el resultado del aumento debido a los nacimientos, ms la inmigracin, menos las muertes, menos la
emigracin. Y cada uno de estos fenmenos resulta afectado de manera compleja por otros fenmenos: salud pblica, control de la natalidad, guerras,
condiciones en otros pases, crisis. A pesar de esta complejidad, el patrn
que se observa es un crecimiento bastante uniforme.
population
1E8
1E7
1000000
1850
1900
1950
2000
year
Figura 1.1: Crecimiento de la poblacin argentina.
Figura 1.2: Crecimiento de la poblacin de Estados Unidos.
Figura 1.3: Crecimiento del hijo de Gueneau de Montbeillard, nacido en 1759.
Del mismo modo, en el crecimiento individual que se ve en la gura 1.3

se ve un crecimiento suave, en el que se distingue un perodo rpido poco
despus del nacimiento, un estirn en la pubertad, y una saturacin.
Parntesis: Es importante mencionar que lo que nosotros entendemos por
modelo a menudo no es lo mismo que entienden los bilogos. Vale la pena
tener presente esta diferencia. Nosotros estamos interesados en modelos mecanicistas, que intenten describir la manera en que el fenmeno se origina
a partir de fenmenos ms elementales. Contrariamente, los bilogos a veces
se contentan con modelos descriptivos que se limitan a dar una descripcin
cuantitativa de un fenmeno. Por ejemplo, una curva exponencial sera un
modelo descriptivo de del crecimiento de la poblacin que vemos en la gura 1.1. Claramente, a nosotros esto no nos satisface, y queremos un modelo
que
produzca
un crecimiento exponencial como resultado del balance entre
nacimientos y muertes.
Comenzaremos con modelos deterministas y continuos, y ms adelante
veremos las diferencias que introducen los aspectos discretos y estocsticos.
1.2. Crecimiento y decrecimiento exponencial

Todos los organismos, observ Linneo en el siglo XVIII, tienen una capacidad de crecer o decrecer de una manera proporcional a su nmero. Si el
crecimiento de una poblacin puede describirse en tiempo continuo (como es
el caso de la especie humana, que no tiene perodo de celo), entonces podemos
escribir:
dN
= nacimientos muertes + migracin.
dt
(1.1)
El modelo ms sencillo, sin migracin y suponiendo, como Linneo o Malthus poco despus, que los trminos de nacimiento y muerte son proporcionales
a
N,
resulta:
dN
= bN cN = (b c)N,
dt
N (t) = N (0)e(bc)t .
b > c)
N (0).
Es decir, el resultado es un crecimiento (si
b < c)
exponencial a partir del valor inicial
(1.2)
(1.3)
o un decrecimiento (si
Este resultado es, por supuesto, irreal a largo plazo, pero notablemente
bueno durante parte de la evolucin de la poblacin.
A menudo este comportamiento se caracteriza con un doubling time, el
tiempo necesario para que la poblacin se duplique:
N (T2 ) = 2N0 = N0 e(bc)T2
(1.4)
T2 =
ln 2
0,7
.
bc
bc
Por ejemplo, en un experimento con
E. coli,
(1.5)
la poblacin de bacterias cre-
ce exponencialmente durante varias horas, a una tasa de
0,84
por hora. El
ln 2/0,84 = 49,5 minutos. Como las bacterias

duplicacin simple, T2 se puede usar para caracterizar el
tiempo de duplicacin resulta

se reproducen por
tiempo que le lleva a cada bacteria crecer y dividirse. Esta una magnitud
difcil de medir experimentalmente pero que, como vemos, puede derivarse
fcilmente del comportamiento de la poblacin.
Cuando
bc
es negativo, la poblacin decrece exponencialmente y se
la caracteriza con una half life, vida media, tal como en un decaimiento
radiactivo. La tpica aplicacin biolgica del decaimiento exponencial es el
decaimiento en la concentracin de una substancia, por ejemplo un marcador,
en la sangre de un sujeto.
1.3. Crecimiento exponencial en tiempo discreto

Cuando la reproduccin es estacional, como en las plantas anuales o en
animales con celo, la descripcin continua es irreal y una descripcin en
tiempo discreto, a la manera de un mapeo, es ms adecuada.
Por ejemplo, sea un insecto con una temporada anual de reproduccin, y
con una vida de un ao. Si cada hembra produce
hembras que sobreviven
hasta la temporada siguiente, el nmero de hembras obedece al mapeo:
N (t + 1) = rN (t),
10
(1.6)
N (t) = N0 rt = N0 e(ln r)t .
(1.7)
Se ve que el resultado tambin es exponencial, y que la relacin entre la tasa

de crecimiento en una poblacin continua y la tasa geomtrica del modelo
discreto es una exponenciacin:
r = e(bc) .
(1.8)
1.4. Crecimiento limitado

Verhulst, en el siglo XIX, propuso un mecanismo de autolimitacin para evitar el crecimiento ilimitado de los modelos lineales. El mecanismo de
limitacin debe actuar ms cuando la poblacin sea ms grande, ya que los
individuos de una poblacin deben competir por recursos limitados (o de
crecimiento, a lo sumo, lineal). La competencia puede ser directa o indirecta,
mediada por ejemplo por la propia escasez de los recursos. El concepto de
crecimiento limitado se aplica tambin a nivel celular y molecular.
El modelo ms sencillo supone que la tasa de crecimiento decae linealmente con la poblacin:
dN
= rN
dt
La constante
(
)
N
1
.
K
(1.9)
se llama carrying capacity y caracteriza al medio. La evo-
lucin temporal caracterstica es una curva en forma de S llamada curva

logstica o sigmoidea, que da su nombre al modelo.
El modelo logstico (1.9) tiene dos equilibrios:
N =0
N =K
(que se
obtienen poniendo la derivada temporal igual a cero en (1.9) y despejando
N . N = 0 es linealmente inestable, y N = K
es linealmente estable. No exis-
ten otros equilibrios, de manera que cualquier poblacin positiva evoluciona
K . Es muy fcil analizar
sistema. Digamos que N
alejndose del cero y acercndose asintticamente a

esto haciendo un anlisis de estabilidad lineal del
es un equilibrio, y que la poblacin diere de este valor en una cantidad pe

quea n. Es decir: N = N + n. Como el equilibrio no depende del tiempo,
tenemos tambin que
N = n.
Entonces, en (1.9), tenemos:
(
)
N
n
n = r (N + n) 1
=
K
K
(
(
)
)
N
N
+ rn 1 2
= rN 1
+ o(n2 )
K
K
(1.10)
(1.11)
=0
11
(
)
N
n=r 12
n,
K
(1.12)
donde vemos que el parntesis puede ser mayor o menor que cero: si
N = 0
> 0 y la evolucin de n resulta una exponencial creciente (de
manera que n crece y la poblacin se aleja de N , es decir es un equilibrio
inestable). Por otro lado, si N

= K el parntesis es < 0, de modo que
la evolucin de n es decreciente, con lo cual las poblaciones se acercan a
N = K.
el parntesis es
El modelo tiene dos parmetros,

en equilibrio y
K. K
es una medida de la dinmica:
es una medida del tamao
1/r
es una escala temporal
caracterstica de la respuesta del modelo a un cambio de la poblacin (ver

que en el anlisis lineal, la evolucin de la perturbacin est slo determinada
por
r,
y no por
K ).
Este tipo de caracterizacin por parmetros dinmicos
y de equilibrio es tpica de todos los modelos de poblacin.

1
El modelo logstico se puede integrar exactamente :
N (t) =
N (0)Kert
t
K.
rt 1)
K + N (0)(e
(1.13)
Es importante recordar que el modelo logstico es una especie de metfora

de un sistema que posee un mecanismo limitador de la sobrepoblacin. Sera incorrecto tomarlo literalmente como una explicacin de los mecanismos
responsables de tal limitacin. Es decir: dada una poblacin en un ambiente, no existe un ser sobrenatural que diga La capacidad de acarreo de este
Hacer el cambio de variable y = 1/N , con lo cual la ecuacin se transforma en y =

que es lineal. Haciendo z = 1 y se obtiene fcilmente z(t) = z e de donde se
obtiene N (t).
1
r(1 y)
12
rt
ambiente es tal. Ms bien, mecanismos subyacentes producen la limitacin

de la poblacin, y nosotros caracterizamos esto con un solo parmetro:
K.
En general, podemos modelar la evolucin de una poblacin mediante:
dN
= f (N ),
dt
donde
(1.14)
f (N ) es una funcin en general no lineal de N , que puede dar lugar a la
existencia de ms de dos equilibrios (como el logstico), estables o inestables.
1.5. Modelos con demora

En el modelo logstico que acabamos de ver, la tasa de crecimiento acta
instantneamente en la poblacin. En sistemas reales, el tiempo para llegar
a la madurez o el perodo de gestacin pueden introducir un delay entre
el crecimiento de la poblacin y el efecto limitante. Podemos modelar este
fenmeno mediante una ecuacin no local en el tiempo, por ejemplo:
[
]
dN
N (t T )
= rN (t) 1
.
dt
K
(1.15)
Es decir, el efecto limitante es tal que el crecimiento de la poblacin es cero

cuando la poblacin alcanz el valor
a un tiempo
anterior.
Alternativamente, se puede plantear una versin ms completa de (1.15)

mediante una ecuacin ntegro-diferencial:
[
]
dN
1 t
= rN (t) 1
w(t s)N (s)ds ,
dt
K
donde
w(s)
(1.16)
es un ncleo de convolucin que pesa las poblaciones a tiempos
anteriores y nos dice cunto afectan a la poblacin actual. Tpicamente,
w(t)
tendr una forma:
13
Si
Dirac
w(t) es estrecha alrededor de T y

w(t) = (t T ), entonces (1.15) se
la aproximamos por una delta de

reduce a (1.16).
Las ecuaciones de este tipo en general no se pueden resolver analticamente, y hay que resolverlas numricamente. Un caso caracterstico sera:
Tenemos T = 1, K = 10, y r = 0,3, 1,2 y 2,0, con N (t) = 2 para

1 < t 0. Para r chico la poblacin tiende montonamente a K , pero para r
ms grande tenemos, primero, oscilaciones amortiguadas, y luego oscilaciones
sostenidas como en un ciclo lmite. Esto es posible porque el delay permite
que la poblacin pase por encima de
antes de sentir el efecto limitante y
empezar a bajar, y luego pase por debajo de
antes de empezar a subir. El
ciclo lmite es estable, y su perodo es del orden de

de
4T . La amplitud depende
r.
0 < rT < e1
e1 < rT < /2
/2 < rt
montono
oscilatorio amortiguado
ciclo lmite
Ejercicio: resolver numricamente y explorar los tres regmenes.

Se suele caracterizar la dinmica con un
TR = 1/r,
14
tiempo caracterstico de retorno
que es el tiempo que la poblacin, creciendo exponencialmente a
tasa
r,
requiere para crecer en un factor
e.
Si
es largo comparado con
TR ,
la poblacin tender a oscilar.

Modelos de este tipo han sido usados con xito para analizar verdaderas
oscilaciones en poblaciones de animales: ratones, lemmings, pjaros, moscardones (Murray, p. 10, relata un experimento con moscardones).
Es importante recordar que ecuaciones para una sola poblacin
no pueden
sin
delay
exhibir oscilaciones. Sin embargo, sistemas de dos poblaciones en
interaccin pueden tener un ciclo lmite u oscilaciones sin necesidad de delay.

No todas las poblaciones peridicas se pueden tratar tan sencillamente.
1.5.1. Anlisis lineal de la aparicin de un ciclo lmite

(Murray 1.4)
Repetimos la ecuacin logstica con delay:
[
]
dN
N (t T )
= rN (t) 1
.
dt
K
(1.17)
Hacemos la adimensionalizacin:
N = N/K,
t = rt,
T = rT,
(1.18)
(1.19)
(1.20)
con lo cual (sin poner los asteriscos):
dN
= N (t)[1 N (t T )].
dt
N =0
es obviamente inestable. Linealizamos alrededor de
N (t) = 1 + n(t),
dN
dn
=
= (1 + n(t))[1 / n(t T )],
/ 1
dt
dt
dn
n(t T ).
dt
(1.21)
N = 1:
(1.22)
(1.23)
(1.24)
Proponemos soluciones exponenciales:
n(t) = cet ,
(1.25)
cet = ce(tT ) ,
(1.26)
= eT .
(1.27)
15
La Ec. (1.27) no es fcil de resolver. Es una generalizacin del logaritmo,

de la cual se conocen muchas propiedades, por supuesto. Existen innitas
soluciones complejas. Sea
= + i :
+ i = e(+i)T ,
(1.28)
= eT cos T,
(1.29a)
=e
Consideremos primero que
sin T,
sea real,
=0
(1.29b)
en (1.29a) tenemos:
= eT < 0 T.
As que
< 0,
(1.30)
y el equilibrio es estable.
Por otro lado, si
no es real,
= 0,
digamos
>0
sin prdida de
de ser negativo (estabilidad) a negativo (inestabilidad)?

A qu valor de T ? En (1.29), que dene (T ) y (T ), queremos encontrar
el valor de T que hace pasar a de negativo a positivo. Si T crece desde cero
generalidad. Pasa
(modelo sin delay, con estabilidad del punto jo), la primera ecuacin (1.29a)
< 0 requiere que T < /2 (por el signo menos y la exponencial).

La parte real se anula por primera vez en T = /2. Y si = 0, la segunda
ecuacin da = 1 cuando T = /2. Por lo tanto, el valor crtico resulta
Tc = /2.
dice que
Volviendo a cantidades dimensionales:
N = K es estable si 0 < rT < /2.

N = K es inestable si /2 < rT .
rT = /2 es un punto de bifurcacin,
mos Tc = /2r .
con parmetro de control
T.
Deci-
Podemos estimar el perodo de las oscilaciones de la siguiente manera (de

nuevo adimensional, o
r = 1):
T = Tc + = /2 + , 0 < 1.
(1.31)
T = Tc = /2 la solucin ms inestable, la que tiene Re ms grande,

es la que tiene = 0 cuando T = /2 por (1.29b) que 0 = cos /2
= 1. Cuando T sea un poquito ms grande, proponemos que el autovalor
sea parecido a 0 + i:
cuando
= ,
0 < 1,
= 1 + , 0 < || 1.
16
(1.32)
Ponemos (1.32) en (1.29):
1 + = eT sin[(1 + )T ],
(1.33)
1 + = e(/2+) sin[(1 + )(/2 + )].
(1.34)
Desarrollamos y a primer orden se obtiene
.
2
(1.35)
Y de:
= e(/2+) cos[(1 + )(/2 + )]
(1.36)
a primer orden tenemos:
.
2
(1.37)
Resolviendo (1.35) y (1.37) tenemos (reemplazar y despejar):
2 ,
1 + 4
(
2 1+
(1.38)
2
4
).
(1.39)
Por lo tanto, cerca de la bifurcacin, tenemos la solucin aproximada:
[
]
N (t) = 1 + n(t) = 1 + Re c et+i(1+)t ,
[
N (t) 1 + Re c e
a primer orden
o().
t
1+ 2 /4
[
it 1
2(1+ 2 /4)
(1.40)
]]
(1.41)
La inestabilidad del equilibrio, por lo tanto, es por
oscilaciones de perodo
2
1
Es decir,
es
2(1+ 2 /4)
2.
(1.42)
2/r con dimensiones. Adems rT /2 el perodo de oscilacin
4T .
Ejercicio: vericar la validez de esta aproximacin comparando con solu-
ciones numricas.
17
1.6. Modelo logstico en tiempo discreto

En tiempo discreto el modelo logstico se convierte en el mapeo logstico:
(
)
N (t)
N (t + 1) = RN (t) 1
.
K
(1.43)
Este mapeo presenta una secuencia innita de bifurcaciones de duplicacin de perodo, seguidas de un comportamiento catico a
R > 3,57 . . . .
(Detalles de esta dinmica estn en el apunte de mapeo logstico.) Pero vamos

a analizar un caso que es ilustrativo.
La polilla
Opterophtera brumata
es un insecto de ciclo de vida anual que
apesta principalmente el roble europeo
Quercus robur. Los adultos emergen
del suelo debajo de los robles en noviembre y diciembre y las hembras, despus
de aparearse, trepan a los rboles para poner los huevos, y luego mueren
durante el invierno. Los huevos eclosionan cuando el roble est brotando en
primavera, y las larvas se alimentan de las hojas. En mayo estn crecidas y se
dejan caer mediante hilos de seda hasta el suelo, donde forman pupas que all
permanecen hasta emerger como adultos en el invierno siguiente. Varley y
Gradwell (1968) estimaron la poblacin invernal en Wytham Woods poniendo
trampas en los troncos para capturar a las hembras. Durante un perodo de
19 aos el comportamiento fue el siguiente ([2], p. 42):
La poblacin ucta ao a ao y no parece haber una tendencia denida. Es posible que la poblacin obedezca a un mapeo logstico en rgimen
catico? Gracando el factor de crecimiento de la poblacin ao a ao en funcin de la poblacin se ve un comportamiento complicado, pero claramente
decreciente:
18
Ajustando
R(N )
con una recta podemos escribir el modelo como:
(
)
N (t)
N (t + 1) = 2,05N (t) 1
.
29,1
Para estos valores de
R = 2,05
(1.44)
el modelo se encuentra an por debajo de
la primera bifurcacin a perodo 2, que ocurre a
R0 = 3.
Moraleja: a veces el
modelo ms ingenuo no es suciente. De hecho, el modelo logstico se basa

en que la limitacin de la poblacin es proporcional a la poblacin misma
(el efecto de la competencia). Sin embargo, en este caso, se ha observado
que la principal causa de la variacin anual es la mortalidad durante el invierno, y que esta no depende de la poblacin sino de factores externos como
el tiempo y la depredacin. La mortalidad de las pupas por depredacin,
adems, depende de la poblacin adulta anterior, y debe ser incluida en la
representacin. Volveremos sobre este sistema ms adelante.
Puede obtenerse un comportamiento similar al de la ecuacin logstica,
es decir un crecimiento con saturacin pero sin caos, con un mapeo? Una
propuesta interesante de este tipo es el de Beverton-Holt. Es un mapeo clsico
para dinmica de poblaciones de la forma
nt+1 =
R0
R0 nt
.
1 + nt /M
es la tasa de reproduccin por generacin y
K = (R0 1)M
(1.45)
est asociada
a la capacidad de acarreo del sistema. El inters inicial de este modelo estuvo

asociado a la actividad pesquera cuando fue introducido en 1957 [3]. Posteriormente se vio que poda aplicarse a contextos vinculados a situaciones de
competencia [4, 5].
19
A pesar de ser un modelo no lineal, tambin se lo puede resolver explcitamente. Si realizamos la transformacin
ut = 1/nt
obtenemos
ut+1 =
1
ut + 1/M .
R0
(1.46)
Despus de algunos clculos obtenemos la solucin
nt =
Kn0
t ,
n0 + (K n0 )R0
(1.47)
que es justamente la solucin discretizada de la ecuacin logstica.

Otro modelo asociado a ste es el de Ricker:
at
at+1 = at er(1 K ) .
Ac
se interpreta como la tasa de crecimiento y
(1.48)
es la capacidad de
acarreo del sistema. Este modelo fue introducido en 1954 tambin en el marco
de actividades pesqueras [6].
El modelo se usaba para predecir el nmero de peces que se encontraran
al salir a pescar. Posteriormente, al igual que el modelo Beverton-Holt, su
inters se ampli a situaciones de competencia entre individuos de una misma
especie.
El modelo de Ricker es un caso lmite de otro modelo, el de Hassell,
at+1 = k1
at
.
(1 + k2 at )c
La Ec. (1.45) es un caso particular de la Ec. (1.49) cuando
(1.49)
c = 1.
1.7. Crecimiento de organismos

La coordinacin que existe entre las clulas que forman un organismo
hace que el fenmeno de crecimiento sea a veces muy diferente que el de
una poblacin, aun de una poblacin de clulas in vitro. Uno de los modelos
pioneros en este campo es el de von Bertalany (bilogo austraco, 19011972). La idea es expresar el crecimiento como el resultado neto de procesos
anablicos (sntesis de sustancias complejas) y catablicos (descomposicin
de sustancias complejas en sustancias ms simples, en general con liberacin
de energa). Para esto, se supone que el aumento de peso es proporcional a la
supercie del organismo (ya que se necesita absorber material del entorno)
20
mientras que la prdida de peso es proporcional al volumen del organismo

(porque el metabolismo ocurre en todo el volumen). Es decir:
dW
= hS(t) cW (t).
dt
Ahora es necesario especicar la relacin entre peso (volumen)
S,
(1.50)
y rea
que podra ser no trivial. Pero consideremos slo animales eucldeos, tpi-
camente esfricos:
S = aL2 ,
W = bL3 .
(1.51)
Queda:
dbL3
= haL2 cbL3 ,
dt
dL
ha c
=
L.
dt
3b
3
(1.52)
(1.53)
Es decir, hay un crecimiento exponencial de la longitud, con una longitud

mxima
Lmax = ha/cb
con la cual podemos escribir:
dL
= k(Lmax L),
dt
donde
(1.54)
es un tercio del ritmo catablico.
La solucin es muy sencilla, y en trminos del peso da:
W (t) = Wmax (1 Aekt )3 .
(1.55)
El comportamiento es tambin sigmoideo, con un punto de inexin cuando el organismo ha alcanzado
W 0,3Wmax .
Von Bertalany aplic este modelo al pez
Lebistes reticulatus,
conocido
de todos los acuaristas por su facilidad de reproduccin y por ser vivparos,
21
naciendo ya con la forma de los adultos. El resultado es un excelente acuerdo,

con una velocidad de crecimiento mxima de
18,7 mg/semana, cuando el pez
pesa 52 mg.
Existen por supuesto generalizaciones del modelo de von Bertalany. Un

modelo ms exible, propuesto por Richards, est dado por:
kW
dW
=
dt
1m
con un parmetro
m=0
[(
Wmax
W
)1m
1 ,
(1.56)
que dene una familia de modelos:
da un crecimiento sin inexin (como la longitud en el modelo
de v.B.).
m = 2/3
22
da el modelo de von Bertalany.
m=1
(modelo de Gompertz), entendido como un lmite, da una tasa
de crecimiento que decae con el logaritmo de
W.
La inexin ocurre a
0,37Wmax .
m = 2
da un modelo logstico o autocataltico, en el que la tasa de
crecimiento decae linealmente con
W.
La inexin ocurre a
0,5Wmax .
Las curvas son muy parecidas, y puede ser difcil distinguirlas si se disponen datos en un rango estrecho. En un estudio de cientos de especies de
mamferos en los 80's se mostr que los modelos de Gompertz y de von Bertalany describan los datos igualmente bien. (Aplicacin al meln,
m2
mayor competencia por menor temperatura.)
1.8. Modelos de poblacin con componentes estocsticas

Por diversas razones, un modelo estocstico puede ser preferible a uno
determinista para el modelado de poblaciones realistas. Por un lado, puede
existir una
estocasticidad demogrca,
debida a que la poblacin est com-
puesta por un nmero nito de individuos, sujetos a eventos aleatorios. Sus

efectos pueden ser relevantes en poblaciones pequeas debido al riesgo de
extincin. Por otro lado, existe siempre una
aleatoriedad del muestreo,
ya
que las poblaciones se estiman mediante muestreos al azar, sujetos a errores

de medicin. Finalmente, existe una
aleatoriedad ambiental, ya que factores
externos como el clima, que afectan a las poblaciones, son inherentemente

aleatorios.
Modelos estocsticos pueden plantearse en forma continua o discreta, pero
aqu usaremos slo unos pocos ejemplos discretos por sencillez.
Ejemplo. Si en una poblacin cada individuo tiene una probabilidad 0.5
de sobrevivir hasta el prximo ao, la poblacin de sobrevivientes es una
23
0,5 N . Es decir,
la magnitud relativa de las uctuaciones de poblacin son

N /N N 1/2 .
distribucin binomial de media
0,5N
y desviacin estndar
Poblaciones pequeas estn sujetas a uctuaciones grandes y corren riesgo

de extincin. En efecto, si
primer ao es
N =5
1/32 = 0,03,
la probabilidad de que mueran todos en el
que no es despreciable. En cambio, si
N = 1000,
la probabilidad es mucho menor.

Ejemplo y ejercicio. Suponga una especie anual, por ejemplo un insecto,
en la que cada individuo produce
r descendientes y luego muere. La poblacin
evoluciona de acuerdo a:
N (t + 1) = rN (t).
Simule el sistema suponiendo que
1,7, comenzando
PN = aN /N !ea .)
con media
(Poisson,
(1.57)
obedece a una distribucin de Poisson
con un solo individuo, y observe lo que pasa.
La variabilidad aleatoria del ambiente afecta estocsticamente a la poblacin
aun afectando a cada individuo por igual
(y siendo as independiente
del tamao de la poblacin). A la larga, sus efectos suelen ser ms importantes que los de la estocasticidad demogrca: aun una poblacin grande,
bien adaptada a un entorno constante, puede ser vulnerable cuando las condiciones ambientales cambien. Vamos a ver un par de ejemplos de modelos
posibles.
Ejemplo 1. Una especie anual se modela con un crecimiento exponencial
donde la tasa depende del tiempo:
N (t + 1) = R(t)N (t).
(1.58)
R(t) = R(t),
(1.59)
Supongamos que
donde
es una tasa media y
(t)
una parte estocstica que vara ao a ao.
Tenemos:
N (t + 1) = RN (t)(t),
(1.60)
ln N (t + 1) = ln R + ln N + ln (t).
(1.61)
Vemos que el logaritmo de la poblacin hace un random walk, descripto por

el ruido aditivo
ln (t) = (t).
Ejercicio. Resuelva un par de casos, suponiendo por ejemplo que

distribucin normal con varianza
(t) tiene
y compare con el modelo con estocasti-
cidad demogrca. Observe las diferencias, en particular lo que ocurre con

poblaciones grandes y chicas.
24
Un modelo como este suele ser irreal a tiempos largos, ya que el random
walk en dimensin 1 eventualmente produce la extincin. (Observado por
May.)
En Ref. [2], pp. 143-146 hay un modelo ms detallado para la polilla de
Wyntham Woods.
Ejemplo 2. Modelo logstico con perturbaciones aleatorias. Ref. [2] pp.
146 , modelo de desastres.
Ejemplo 3. Transiciones inducidas por ruido.
Consideremos un modelo logstico normalizado:
dn
= n n2
dt
(1.62)
que tiene el siguiente diagrama de bifurcacin:
donde una rama nueva surge a
= 0
de una manera continua pero no
diferenciable: una transicin de fase de segundo orden.

La solucin exacta de (1.62) es:
n(t) = n0
et
,
t
1 + n0 e 1
caracterizada por un tiempo macroscpico
(1.63)
m = 1/.
Consideremos que las variaciones del ambiente afectan a

aleatoria, con uctuaciones rpidas comparadas con
m .
Escribimos
(t) = + (t),
donde
es un valor medio,
(t)
de manera
es un ruido blanco gaussiano y
(1.64)
su intensi-
dad. En lugar de la Ec. (1.62) tenemos una ecuacin diferencial estocstica:
dn(t) = (n(t) n2 )dt + n(t)dW (t),

f (n(t))dt + g(n(t))dW (t),
(1.65)
(1.66)
25
donde
W (t)
es un proceso de Wiener. O, alternativamente, la ecuacin de
Langevin:
dn(t)
= n n2 + n(t),
dt
f (n) + g(n)(t).
(1.67)
(1.68)
Observemos que el hecho de haber introducido un ruido en uno de los

parmetros del sistema hace que la propia variable dinmica deje de ser
analtica. En lugar de obedecer una ecuacin diferencial ordinaria, tenemos
ahora que
n(t)
est descripta por una ecuacin diferencial estocstica. Esto
tiene consecuencias inemdiatas:

La propia variable
n(t)
es ahora un proceso estocstico.
Realizaciones individuales de
(t)
(simuladas en la computadora, por
ejemplo, o en rplicas de un sistema en el campo) producirn distintas

realizaciones de
n(t).
El estado del sistema ya no est especicado por

la
distribucin de probabilidad
de
n(t),
sino por
p(n, t):
n(t).
La evolucin del sistema estar descripta por una ecuacin de evolucin

para esta distribucin de probabilidad.
La ecuacin de Langevin (1.67) o su equivalente corresponde a un problema con ruido multiplicativo. Ambas formulaciones pueden convertirse en un
proceso difusivo, de acuerdo a una de las interpretaciones (Ito o Stratonovich)
descriptas por una ecuacin de Fokker-Planck. Sigamos el razonamiento con
la intertpretacin de Ito por sencillez:
p(n, t)
1 2 2
= [f (n)p(n, t)] +
[g (n)p(n, t)],
t
n
2 n2
2 2 2
2
[n p(n, t)].
[(n n )p(n, t)] +
n
2 n2
El espacio de fases es la semirrecta
[0, ),
(1.69)
(1.70)
as que la solucin de la Ec.
(1.70) debe ser buscada con adecuadas condiciones de contorno en 0 y en
. En este caso, estos resultan ser fronteras

a t , la probabilidad de que el sistema
naturales, es decir que, aun

los alcance es cero. Existen
unas condiciones para vericar esto, dependiendo de

Resulta que
cero
26
(Ref. [7], p. 124).
es frontera natural: la probabilidad de una explosin es

2
y . Mientras tanto, 0 es una frontera natural si > /2 (Ito) y
si
> 0
(Stratonovich). Si no se cumple esta condicin, el 0 se convierte
en una frontera atrayente. (Obviamente, ac tenemos siempre el problema

del sistema continuo y la proximidad al cero.) Con fronteras naturales, no
necesitamos imponer condiciones de contorno para resolver la Ec. (1.70), lo
cual simplica bastante la discusin.
Procedemos entonces a calcular la solucin estacionaria de la ecuacin de
Fokker-Planck:
[
N
2
ps (n) = 2
exp 2
g (n)
]
f (x)
dx ,
g 2 (x)
(1.71)
que resulta:
ps (n) = N n 2 2 e 2
2
Esta resulta integrable en
2n
[0, ),
(Ito).
(1.72)
es decir la solucin estacionaria existe,
slo si:
2
2+1>0
(Ito)
(1.73)
2
2
>
(Ito)
(1.74)
2
Que coincide con la condicin para que n = 0 sea frontera natural. La norma
es:
[(
N 1 =
2
2
) 2 1 ]1 (
)
2
2
1
2
(Ito).
(1.75)
n = 0 no es frontera natural, enn = 0 es no slo una frontera atrayente sino un punto estacionario, ya
que f (0) = g(0) = 0. Por lo tanto, la probabilidad estacionaria se concentra
toda en n = 0. Es decir, la solucin completa es:
Si no se cumple la Ec. (1.74), es decir si
tonces
ps (n) = (n)
ps (n) = ps (n) = N n
si
2
2
2
2n
2
< 2 /2,
si
> /2.
(1.76)
(1.77)
Ahora bien, para comparar este resultado con el correspondiente al sistema determinista, podemos estudiar la posicin de los mximos de
ps (n),
que podemos identicar con estados macroscpicos de la poblacin y con el

parmetro de orden de la transicin de segundo orden. El resultado (es fcil
obtenerlo, dibujando o derivando) es:
n1 = 0
n2 = 2
si
si
0 < < 2,
2 < .
(1.78)
Ha ocurrido algo extraordinario. El modelo con ruido tiene no una sino dos
2
2
transiciones. Una a = /2 y otra a = (Ito). Esta ltima corresponde
a un cambio abrupto en la densidad de probabilidad, con el mximo en un
valor no nulo de la poblacin:
27
En denitiva: el sistema puede sufrir una transicin de fase manteniendo el mismo estado medio en el ambiente, y variando slo la intensidad de
sus uctuaciones. Esto se llama una
transicin de fase inducida por ruido.
Existen situaciones aun ms dramticas, en las que el ruido produce una

transicin donde el sistema sin ruido no la tena.
1.8.1. Suplemento: generalidades sobre ecuaciones estocsticas

En cuanto a las soluciones de la ecuacin estocstica:
x = f (x)(t)
(1.79)
podemos decir que la solucin no se puede dar explcitamente, ya que
(t)
es una secuencia de impulsos al azar. Adems, cada realizacin produce un
x(t)
distinto. Lo que tiene sentido es la solucin
P (x, t),
que es la densidad
de probabilidad.
(t) determina x(t), pero como los valores de a diferentes tiempos

no estn correlacionados, x(t) es estocstico. Entonces, obedece una ecuacin
Cada
maestra, y nalmente se obtiene:
2P
= f (x) +
.
t
x
2 x2
(1.80)
Todo esto tiene su origen en el trabajo de Langevin sobre el movimiento

Browniano:
v = v + (t)
(1.81)
(t) = 0
(1.82)
(t)(t ) = (t t )
(1.83)
que supone que
que dene los dos primeros momentos de

si es gaussiano).
28
(t)
(que es todo lo que se necesita
FPE = Smoluchovski equation = second Kolmogorov equation = generalized dierential equation.

Transport term = convection term = drift term
Diusion term = uctuation term
FPE es una ecuacin maestra donde
es de segundo orden.
x(t) = f (x(t)) + g(x(t))(t)
(t)
derivada del proceso de Wiener
(1.84)
W (t)
dx(t) = f (x(t))dt + g(x(t))dW (t)
(1.85)
(t) es una secuencia aleatoria de deltas. Cada delta produce un salto en

x(t). As que el valor de x(t) est indeterminado hasta el momento en que
llega la delta. Entonces g(x(t)) est tambin indeterminado, y la ecuacin
no tiene sentido. Uno no sabe si evaluar g en el valor de x antes del salto, o
despus del salto, o en el medio.
Ito: antes del salto:
t+dt
x(t + dt) x(t) = f (x(t))dt + g(x(t))
(t )dt .
(1.86)
t
Con esto sale:
2 2
= f (x)P +
g (x)P.
t
x
2 x2
(1.87)
Stratonovich: en medio del salto:
(
x(t + dt) x(t) = f (x(t))dt + g
x(t) + x(t + dt)

2
t+dt
(t )dt .
(1.88)
que produce:
= f (x)P +
g(x) g(x)P.
t
x
2 x
x
(1.89)
Stratonovich es lo que se obtiene si el ruido tiene un tiempo de correlacin

y se lo hace tender a cero.
29
30
Captulo 2
Poblaciones interactuantes
Los seres vivos no existen en poblaciones aisladas, sino que forman complejos sistemas de poblaciones interactuantes llamados
ecosistemas,
en los
cuales hay en general una estructura de red, que puede ser extraordinariamente complicada.
Comencemos estudiando sistemas formados por dos especies en interaccin, denotando a sus poblaciones
y.
La evolucin, considerando pobla-
ciones continuas y analticas, como planteamos para los modelos sencillos de

una poblacin, puede escribirse en general como un sistema de dos ecuaciones
diferenciales acopladas:
dx(t)
= f (x(t), y(t)),
dt
dy(t)
= g(x(t), y(t)),
dt
donde
(2.1a)
(2.1b)
son funciones, en principio, completamente generales y, en gene-
ral, no lineales en sus variables. Las soluciones de este sistema, con apropiadas
condiciones iniciales, son curvas en el plano
(x, y)
que denen un
ujo.
Es-
tas curvas o trayectorias no se cortan. De hecho su denicin paramtrica
dy/dx = g(x, y)/f (x, y) muestra que en cada punto su derivada est bien denida, de manera que no pueden cortarse. Excepto, por supuesto, en aquellos
puntos en los cuales el cociente
g/f
no est bien denido, por ejemplo donde
tanto el numerador como el denominador se anulen. Estos puntos son, como

veremos de inmediato los equilibrios del sistema. Antes de avanzar observemos que, a pesar de la generalidad de (2.1), es habitual que ambas especies
tengan una dinmica propia en ausencia de la interaccin, de manera que
31
podamos escribir:
dx(t)
= f1 (x(t), y(t)) + f2 (x(t), y(t)),
dt
dy(t)
= g1 (x(t), y(t)) + g2 (x(t), y(t)).
dt
interaccin entre las especies o, en la terminologa habitual en la fsica y la matemtica, su acoplamiento. Obsrvese
Las funciones
f2
g2
representan la
que ambas pueden contribuir tanto positiva como negativamente a la tasa de

crecimiento de las poblaciones, de manera que todas las posibles interacciones
y sus combinaciones, beneciosas o perjudiciales, pueden ser representadas.
Es tambin habitual representar las interacciones como proporcionales a las
poblaciones, de manera que el acoplamiento resulta cuadrtico en las densidades:
dx(t)
= f1 (x(t), y(t)) + c12 x(t)y(t),
dt
dy(t)
= g1 (x(t), y(t)) + c21 x(t)y(t).
dt
(2.2a)
(2.2b)
Recordemos, de todos modos, que mientras (2.1) es completamente general,

(2.2) contiene suposiciones adicionales acerca de la
forma
en que las pobla-
ciones se afectan una a la otra.

Sistemas de ecuaciones diferenciales no lineales como (2.1) no pueden ser
resueltos por medios analticos. Su estudio debe abordarse mediante la resolucin mumrica y el anlisis cualitativo de sus soluciones. Denitivamente,
lo primero que debe encararse es un anlisis de sus equilibrios y de su estabilidad lineal. Por tratarse de una tcnica sencilla y de aplicacin muy general
nos detendremos brevemente en ella, antes de analizar modelos de interaccin particulares. En sistemas de dimensin 2 (dos especies), el estudio puede
llevarse a cabo por completo de manera analtica sin dicultad.
En primer lugar, observamos que los
valores de
que satisfacen
equilibrios
x = y = 0,
f (x, y) = 0,
del sistema (2.1) son los
es decir:
g(x, y) = 0,
cada una de las cuales dene implcitamente una curva en el espacio

Estas curvas se llaman
nulclinas,
(2.3)
(x, y).
y sus intersecciones (donde se satisfacen
ambas condiciones simultneamente) son los equilibrios del sistema, que lla
maremos x e y .
En los equilibrios las derivadas temporales se anulan, y la dinmica se
detiene. Son puntos jos de la dinmica. El comportamiento de las soluciones
32
en
la proximidad
de los puntos jos (y no en los puntos jos mismos) es
crucial en la estructura de las soluciones. De manera que setudiaremos el

comportamiento de las soluciones en la vecindad de los puntos jos. A tal n
hacemos el siguiente cambio de variables, que favorece una descripcin en la
proximidad del punto jo:
x(t) = x + (t),
y(t) = y + (t).
(2.4)
Derivando y reemplazando en (2.1) obtenemos un par de ecuaciones dinmicas para los apartamientos:
= f (x + , y + ),
= g(x + , y + ).
(2.5a)
(2.5b)
Este sistema es igualmente difcil de resolver que el original. Pero podemos

desarrollar las funciones
= f (x , y ) +
= g(x , y ) +
donde tanto
f (x , y )
como
en serie de Taylor alrededor del quilibrio:
f
x
g
x
+
x ,y
+
x ,y
g(x , y )
f
y
g
y
+ o(2 , 2 , ),
(2.6a)
+ o(2 , 2 , ),
(2.6b)
x ,y
x ,y
son nulos (por ser
x , y
un equilibrio).
Adems, si nos importa solamente la dinmica en un vecindario del equilibrio, podemos quedarnos con el primer orden, lineal, del desarrollo, lo cual
simplica considerablemente el anlisis. Es decir (simplicando un poco la
notacin):
= fx (x , y ) + fy (x , y ),
= gx (x , y ) + gy (x , y ).
(2.7a)
(2.7b)
El sistema (2.7) es lineal de primer orden, de manera que es natural proponer

soluciones exponenciales:
(t) = c1 et ,
con
c1 , c2
(t) = c2 et ,
(2.8)
a determinar. Reemplazando en las ecuaciones tenemos:
c1 et = c1 fx et + c2 fy et ,
c2 et = c1 gx et + c2 gy et ,
(2.9a)
(2.9b)
donde podemos simplicar las exponenciales y nalmente escribir el siguiente

sistema algebraico:
( )
)( )
(
c
c1
fx fy
= 1 .
c2
c2
gx gy
(2.10)
33
Vemos que la solucin del problema diferencial linealizado se reduce a la

solucin de un problema algebraico de autovalores, lo cual en general es
mucho ms sencillo. En dos dimensiones puede hacerse explcitamente, ya
que los autovalores
pueden encontrarse sencillamente a partir del polinomio
caracterstico:
2 trJ + detJ,
donde
(2.11)
es la matriz de las derivadas parciales (el
Jacobiano )
evaluada en
el equilibrio, y Tr y det son su traza y su determinate respectivamente. Si

existen dos autovalores distintos las soluciones del sistema lineal sern superposiciones de dos exponenciales, mientras que si los dos autovalores son
t
iguales las soluciones sern de la forma (c1 + c2 t)e .
Una vez que tenemos los autovalores, tanto la estabilidad del equilibrio como la naturaleza del ujo a su alrededor puede analizarse de manera sencilla,
ya que no existen muchas posibilidades. Si la parte real de ambos autovalores
es negativa, las soluciones se aproximarn exponencialmente al punto fjo, que
resulta as
asintticamente estable.
Si al menos una de las partes reales es
positiva, el equilibrio es inestable. Si la parte imaginaria de los autovalores es

no nula (ambas, ya que son complejos conjugados), habr oscilaciones armnicas alrededor del equilibrio. Las posibilidades se resumen convenientemente
en la gura 2.1.
Como decamos, las especies en interaccin pueden afectarse de manera

beneciosa o perjudicial. Estas caractersticas se reejan en los modelos dinmicos en la manera en que los trminos de acoplamiento afectan las tasas
de reproduccin. En un modelo del tipo
dx(t)
= f1 (x(t), y(t)) + c12 x(t)y(t),
dt
dy(t)
= g1 (x(t), y(t)) + c21 x(t)y(t),
dt
son los
signos
de
c12
c21
Podemos distinguir tres situaciones tpicas: i) La
competencia,
otra (c12
<0
(2.12b)
los que caracterizan las distintas interacciones.
depredacin, en la que una
de las poblaciones crece a expensas de la otra (c12

ii) la
(2.12a)
<0
c21 > 0
o al revs);
en la que cada poblacin afecta desfavorablemente a la
c21 < 0
o al revs); iii) la
simbiosis
que cada poblacin se benecia de la otra (c12
> 0
o el
y
mutualismo,
c21 > 0
en el
o al revs).
Analizaremos algunas de estas situaciones tpicas y sus modelos clsicos.
34
Figura 2.1: En el plano denido por la traza y el determinate de la matriz

del sistema linealizado, sta es la clasicacin de los posibles equilibrios de
un sistema de dos dimensiones. Los equilibrios estables se encuentran slo en
el cuadrante de arriba a la izquierda. Sobre el eje vertical positivo estn los
centros, que son
estructuralmente inestables
.
35
2.1. Competencia
Vamos a comenzar con un modelo sencillo de dos especies en competencia,
para ilustrar tanto el anlisis de estabilidad lineal como un principio general
que se observa en la naturaleza.
Supongamos que cada poblacin tiene un comportamiento logstico en
ausencia de la otra:
[
]
dN1
N1
N2
b12
,
= r1 N1 1
dt
K1
K1
[
]
dN2
N2
N1
= r2 N2 1
b21
,
dt
K2
K2
donde
b12
b21
(2.13a)
(2.13b)
miden los efectos de la mutua competencia. Adimensionali-
zamos:
du1
= u1 (1 u1 a12 u2 ) = f1 (u1 , u2 ),
dt
du2
= u2 (1 u2 a21 u1 ) = f2 (u1 , u2 ).
dt
(2.14a)
(2.14b)
Existen tres o cuatro equilibrios, que podemos encontrar gracando las

nulclinas
f1 = 0 y f2 = 0 en el plano (u1 , u2 ). Es un caso sencillo que podemos
tratar analticamente:
f1 = 0 1 u1 a12 u2 = 0 u2 = 1/a12 u1 /a12 ,

f2 = 0 1 u2 a21 u1 = 0 u2 = 1 a21 u1 ,
(2.15)
(2.16)
que son, como vemos, rectas. Si se intersectan tendremos equilibrios con

poblaciones positivas, adems de los equilibrios ms obvios en el origen (u1
u2 = 0),
y en los ejes (u1
= 0, u2 = 1
u1 = 1, u2 = 0).
Es decir, tenemos
las cuatro situaciones que ilustra la gura 2.1.

Ejercicio: Analizar los rangos de parmetros que corresponden a cada una
de las situaciones que se muestran en la gura 2.1. Analizar la estabilidad
lineal de los equilibrios en cada una de las situaciones.
El resultado del anlisis de estabilidad lineal se muestra en la gura 2.1.
Es decir, en tres de los casos, la coexistencia es imposible. El equilibrio
a12 < 1 y si a21 < 1,

b12 K2 /K1 < 1 y b21 K1 /K2 < 1. Por
con coexistencia slo es posible si
que en trminos
dimensionales signica
ejemplo, si
K2
estabilizan en un valor algo ms chico que el que tendran sin la otra.
36
K1
y la competencia interespecca no es muy grande, ambas poblaciones se
Figura 2.2: Las cuatro posibles estructuras de nulclinas correspondientes al

modelo de competencia interespecca (2.14).
Figura 2.3: Flujos en el modelo de competencia (2.14).
37
En el caso (b), si
K1 K2 ,
entonces
b12
b21
no son chicos, y la compe-
tencia lleva a una de las especies a la extincin. A cul de ellas depende de

las condiciones iniciales.
Supongamos dos herbvoros, uno grande y uno chico, pastando con igual
eciencia el mismo prado, de modo que b12 b21 1. Para el grande K1 <
K2 , de modo que a12 = b12 K2 /K1 > b21 K1 /K2 = a21 . Entonces a12 > 1 y
a21 < 1 N1 0, y el animal grande se extingue.
Este fenmeno, en el que dos especies que compiten por un recurso en
comn, una se extingue, se llama
principio de exclusin competitiva
y es
bastante general. Existen sin embargo excepciones interesantes sobre las que
han trabajado Kuperman y Wio: si se permite que las poblaciones se muevan
difusivamente, dos especies que quietas se excluiran pueden coexistir [8].
Un caso interesante de exclusin competitiva es el de la extincin de Homo neanderthalensis (u Homo sapiens neanderthalensis ) por Homo sapiens
sapiens, durante su coexistencia en Europa hace algunas decenas de miles de
aos. Es un tema controversial, an no cerrado, pero la extincin competitiva
es una posibilidad. Un trabajo reciente con un modelo sencillo es [9].
2.2. Modelo de depredacin de Lotka-Volterra

Volterra (1926) propuso el siguiente modelo para explicar las oscilaciones
de los bancos de pesca en el Adritico (Lotka, independientemente en 1920):
dN
dt
dP
dt
donde
es una
presa
su
= N (a bP ),
(2.17)
= P (cN d),
(2.18)
depredador,
a, b, c
son constantes. El
modelo se basa en las siguientes suposiciones:

En ausencia de depredadores, las presas aumentan exponencialmente
alla
Malthus.
El efecto de los depredadores es reducir el nmero de presas de manera

proporcional a ambas poblaciones.
En ausencia de presas, los depredadores desaparecen exponencialmente.
Las presas contribuyen a hacer crecer la poblacin de depredadores
de manera proporcional a su propia poblacin. Esto es una simplicacin considerable de algn mecanismo complejo que convierte carne de
presas en hijos de depredadores.
38
Adimensionalizando convenientemente el modelo obtenemos:
du
= u (1 v),
dt
dv
= v (u 1).
dt
(2.19)
(2.20)
Este sistema tiene dos equilibrios:
u = v = 0,
(2.21)
u = v = 1.
(2.22)
y:
Las trayectorias exactas se pueden encontrar en trminos de una constante

de movimiento:
H = u + v ln u v.
Son trayectorias cerradas alrededor del equilibrio
un centro:
(2.23)
u = v = 1,
que resulta ser
)
1 0
saddle,
L|u=v=0 =
0
)
(
0 1
= i centro,
L|u=v=1 =
0
(
(2.24)
(2.25)
Cerca del equilibrio, las oscilaciones tienen perodo
2
T = = 2
a
,
d
(2.26)
que depende de la relacin entre la tasa de crecimiento de las presas y la de

muerte de los depredadores.
39
Se conocen muchos casos de poblaciones oscilatorias de depredadores y

presas, como el famoso de los linces y liebres en Canad, registrado por el
nmero de pieles entregados por los cazadores a la Hudson Bay Company
durante casi 100 aos.
El modelo (2.18) es estructuralmente inestable y de poco uso prctico,
aun para el sistema liebres-linces. Murray muestra cmo las trayectorias en
el espacio de fases se mueven al revs que en el sistema de Lotka-Volterra,
como si las liebres se estuvieran comiendo a los linces (Ref. [1], p. 68).
2.3. Modelos realistas de depredacin

Una de las suposiciones irreales del modelo de Lotka-Volterra es que el
crecimiento de la presa es exponencial y no limitado. Asimismo, los depredadores son insaciables, y cuantas ms presas hay, ms comen. En general,
las tasas de crecimiento de ambas especies deberan ser funciones de ambas
poblaciones, para evitar estos efectos:
dN
dt
dP
dt
= N F (n, P ),
(2.27)
= P G(n, P ).
(2.28)
Pongamos entonces un crecimiento logstico para las presas:
(
)
N
F (N, P ) = r 1
P R(N ),
K
donde
R(N )
es un trmino de depredacin que muestre algn efecto de sa-
turacin para
40
(2.29)
grande:
La ecuacin para el depredador, a su vez, puede ser:
(
)
hP
,
G(N, P ) = k 1
N
(2.30)
o:
G(N, P ) = d + e R(N ).
(2.31)
En la Ec. (2.30) tenemos que la capacidad de carga de los depredadores es

directamente proporcional a la poblacin de presas.
Este tipo de modelo tambin da lugar a oscilaciones, tpicamente con
un ciclo lmite en alguna regin extensa del espacio de parmetros. Murray
analiza en detalle (pginas 72 y ss.) el modelo:
[ (
)
]
N
kP
= N r 1
,
K
N +D
[ (
)]
hP
= P s 1
,
N
dN
dt
dP
dt
(2.32)
(2.33)
que Uds. pueden analizar sin pestaear.
2.3.1. Anlisis lineal de aparicin de un ciclo lmite

En sistemas no lineales las oscilaciones pueden surgir por distintos mecanismos. En el captulo anterior vimos la aparicin de oscilaciones sostenidas
por efecto de una demora en un sistema de orden 1. Los sistemas de orden
2, naturalmente, pueden presentar oscilaciones sin necesidad de mecanismos
no locales en el tiempo. Es el caso, familiar en la fsica, del movimiento de
resortes y pndulos. Pero mientras estos sistemas fsicos tienen oscilaciones
armnicas (son sistemas lineales, con soluciones exponenciales), los sistemas
ms complejos pueden presentar oscilaciones ms complicadas. En general se
maniestan como
ciclos lmite :
trayectorias cerradas en el espacio de fases
que atraen (o repelen, segn su estabilidad) a las trayectorias de sus vecindario. Estas rbitas cerradas pueden tener formas complicadas en el espacio
de fases (a diferencia de las simples elipses de los sistemas lineales), siempre
sin cortarse.
Un sistema muy sencillo con un ciclo lmite es el siguiente (en coordenadas
polares):
r = r(t)(1 r(t)2 ),
= 1,
donde las variables son
(2.34a)
(2.34b)
(el radio vector y el ngulo de las coordenadas
polares). La parte radial y la angular estn
desacopladas, as que las podemos

41
analizar por separado. Los equilibrios en la direccin radial son los valores
2
donde se anula r(1 r ), y es fcil ver que r = 0 es inestable y que r = 1 es

estable. (En la direccin radial el sistema es de dimensin 1, de manera que
2
el anlisis de estabilidad lineal es trivial, y tenemos df /dr = 1 3r que en
r=0
da
1>0
(inestable) y en
r=1
da
2 < 0
(estable).) Las trayectorias,
entonces, se alejan del origen y se acercan al crculo de radio 1.

Como el movimiento en la direccin angular es una rotacin a velocidad
angular constante (1), resulta que, en el crculo, la trayectoria es un movimiento peridico armnico. Dentro del crculo las trayectorias son espirales
que se enroscan por dentro al crculo unidad, y por fuera se aprietan sobre
l.
Existen diversos mecanismos, como decamos, algunos de los cuales veremos o mencionaremos ms adelante. Uno de los principales es la bifurcacin
de Hopf, que es el mecanismo responsable de las oscilaciones en el modelo de
depredacin presentado en la seccin anterior. De manera que lo analizaremos
brevemente aqu.
Para el anlisis usaremos un sistema ms sencillo que el de depredacin,
de manera que la dicultad analtica no obscurezca los conceptos, que no
son difciles de asimilar. El prototipo que analizaremos es un sistema de
dimensin 2, en coordenadas polares:
r = r(t) r(t)3 ,
= br(t)2 ,
donde
(2.35a)
(2.35b)
son parmetros. Vemos que la velocidad angular
parte constante,
tiene una
, que seala la posibilidad de que el sistema oscile alrededor
del origen. Pero vemos tambin que tiene una parte que depende del radio,
es decir que la velocidad angular depende de la amplitud de la oscilacin (a
diferencia de los osciladores armnicos). Vemos que el sistema es parecido al
que escribimos antes. Le hemos puesto parmetros para poder analizar una
mayor riqueza dinmica.
De la ecuacin radial (desacoplada de la angular), tenemos que los equi
r son ahora r = 0 y r = . En el anlisis lineal la derivada
df /dr es ahora 3r2 , de manera que r = 0 puede ser estable o inestable
librios en
dependiendo del signo de
Si
<0
el origen es estable y el otro equilibrio
no existe. Si > 0 el origen es inestable y existe el equilibrio estable en
r = . Este cambio de comportamiento, entre situaciones con distintos

equilibrios y con distintas estabilidades, se llama
bifurcacin.
Pasemos a coordenadas cartesianas de manera de poder analizar la bifurcacin mediante el anlisis lineal. El sistema, en coordenadas cartesianas
42
(usando que
x = r cos
y = r sin ),
es:
x = [ (x2 + y 2 )]x [ + b(x2 + y 2 )]y,
y = [ (x2 + y 2 )]y + [ + b(x2 + y 2 )]x.
(2.36a)
(2.36b)
Podemos distribuir y revisar los trminos lineales, o derivar los miembros de

la derecha y evaluar en el origen. De uno u otro modo encontraremos que el
Jacobiano en el origen es:
(
J=
)

,

(2.37)
cuyos autovalores son
= i.
(2.38)
Como esperbamos, hay una parte imaginaria, que es la responsable de las

oscilaciones. Como esperbamos, la parte real cambia de signo contralada
el eje imaginario cuando pasa de

ser negativo a positivo. Esta situacin caracteriza a una bifurcacin de Hopf.
por el signo de
. Los autovalores cruzan
En general, la trayectoria de los autovalores en el plano complejo puede ser

complicada al cambiar el parmetro responsable de la bifurcacin (en este
caso son simplemente rectas horizontales) pero el fenmeno es siempre el
mismo: dos autovalores complejos conjugados que cruzan el eje imaginario a
la vez, produciendo la inestabilidad de una espiral estable.
Vemos tambin que, en la proximidad de la transicin, la amplitud del
ciclo es directamente
(despreciamos el trmino cuadrtico en la ecuacin
angular). Esto tambin es una caracterstica general de las bifurcaciones de

Hopf. La frecuencia angular de las oscilaciones, tambin cerca de la bifurcacin, es
En denitiva, cerca de la bifurcacin el movimiento es armnico,
lo cual es natural ya que el anlisis lineal slo permite movimientos armnicos. A medida que
sea mayor, el ciclo crecer y el movimiento ser cada
vez menos armnico, pero siempre conservando las mismas caractersticas

cualitativas. No hay ms sorpresas, no hay ms bifurcaciones.
COMPLETAR CON ALGUNAS FIGURAS.
2.4. Biodiversidad y extincin

La evidencia biolgica muestra que los ecosistemas son sistemas muy complejos, formados por muchas partes interactuantes, lo cual hace que su respuesta a perturbaciones sea fuertemente no lineal. La actividad humana casi
necesariamente somete a todos los ecosistemas a perturbaciones, siendo una
de las ms comunes la fragmentacin, por la utilizacin del suelo para otros
43
nes. En estos casos, an una pequea destruccin del hbitat puede tener
consecuencias dramticas para el ecosistema. Modelos sencillos nos ayudan
a pensar en el rol del ser humano en el manejo de los ecosistemas.
Modelo de Levins (Tilman 1994)
Supongamos una sola especie que ocupa un hbitat formado por zonas.
Supongamos que son plantas, y que cada zona est ocupada por un individuo.
Cuando un individuo muere, queda una zona vaca que podr ser
por otro. Sea
de
colonizada
p la fraccin de zonas ocupadas. El modelo analiza la dinmica
p:
dp
= c p(1 p) m p,
dt
(2.39)
donde:
c: tasa de colonizacin.
m: tasas de extincin.
cp: tasa de ocupacin por zonas.
1 p: fraccin de zonas vacas.
El sistema es muy parecido al logstico. El equilibrio
p = 1
m
c
es globalmente estable. La especie persiste si y slo si

interesante es que, si
m = 0
c/
(2.40)
c > m. El resultado ms
(lo cual es biolgicamente esperable),
la especie nuca ocupa completamente el hbitat disponible (p
< 1),
es decir
siempre dejar huecos.

Consideremos ahora una segunda especie, un competidor, que eventualemente podr subsistir en esos huecos. Supongamos que existe una jerarquizacin de estas dos especies:
Especie 1: superior; siempre desplaza a la inferior cuando ambas estn en
la misma zona.
Especie 2: inferior; no invade ni desplaza a la superior.
Podemos escribir:
El trmino
dp1
= c1 p1 (1 p1 ) m1 p1 = f1 ,
dt
dp2
= c2 p2 (1 p1 p2 ) m2 p2 c1 p1 p2 = f2 .
dt
c1 p1 p2 es la competencia, medida con intensidad c1 .
(2.41)
(2.42)
Tenemos el equilibrio no trivial:
p = 1
1
m1
,
c1
p = 1 p
1
2
44
(2.43)
m2 c 1 p
1
.
c2
(2.44)
Figura 2.4: Persistencia de dos competidores, uno superior y uno inferior.
La estabilidad de
p
1
es la misma que en el modelo sencillo:
m1 < c 1 .
Para
p
2
debe cumplirse:
c2 (1 p 2p ) m2 c1 p < 0,
1
2
1
(2.45)
que podemos reescribir en trminos de la tasa de colonizacin:
(
c2 > c 1
c2 >
p
m2
1
+
1 p 1 m1
)
,
(2.46)
c1 (c1 + m2 m1 )
.
m1
(2.47)
La evolucin en estas condiciones muestra la persistencia de la competencia en esta situacin. Es una violacin del principio de exclusin competitiva,
deja huecos
puede aprove-
hecha posible gracias a que, por un lado, el competidor superior

(2.43) en su hbitat, y por otro a que el competidor inferior
charlos
(2.47) para sobrevivir. Este escenario se ilustra en la gura 2.4.
Supongamos ahora que hay
especies en competencia, con los mismos
argumentos anteriores y ordenadas de mejor a peor:
dpi
= fi (p1 , p2 , . . . , pn ) = ci pi
dt
(
1
j=1
)
pj
mi pi
i1
cj pi pj .
(2.48)
j=1
recordemos que un competidor superior puede invadir cualquier zona, aun

ocupada por uno inferior, y desplazar a su ocupante. Uno inferior slo puede
invadir los huecos de los superiores.
45
En el equilibrio tenemos
P = (p , . . . p )
1
n
con:
)
i1 (
mi
cj
p ,
=1
1+
j
ci
ci
j=1
p
i
(2.49)
y el anlisis es similar al caso de dos especies: existe un estado no trivial, con

ocupaciones decrecientes en la jerarqua, que es estable.
Destruccin del hbitat
Ahora veremos el efecto que la destruccin del hbitat ejerce sobre un

ecosistema en el que dos o ms especies coexisten en competencia. Usamos
la siguiente nomenclatura:
A, ca , ma .
B , c b , mb .
Competidor superior:
Competidor inferior:
es incapaz de invadir una zona ocupada por
A,
quien sin embargo es
B , extinguiendo
h: fraccin de zonas habitables.
pa : fraccin de zonas ocupadas por A.
pb : fraccin de zonas ocupadas por B .
v : fraccin de zonas vacas (h = pa + pb + v ).
capaz de invadir una zona ocupada por
en esa zona.
Tenemos:
dpa
= c a p a v ma p a + c a p a p b ,
dt
dpb
= cb pb v mb pb cb pa pb ,
dt
dv
= ca pa v + ma pa cb pb v + mb pb ,
dt
donde, como
46
h = pa + pb + v ,
(2.50)
(2.51)
(2.52)
observamos que el sistema es de dimensin 2.
El sistema tiene un equilibrio no trivial:
1
(hca ma + mb ),
cb
ma
= h
,
ca
ma (ca + cb ) mb hca
=
ca cb
cb
cb
v =
(2.53)
p
a
(2.54)
p
b
(2.55)
y la condicin para que persista el competidor inferior es:
cb
ca
>
,
mb
ma
(2.56)
que puede satisfacerse. por ejemplo, si el competidor inferior tiene
cb
muy
grande, es decir si es muy buen colonizador, muy fugitivo.

La eliminacin de zonas habitables tiene los siguientes efectos (ver
en
la Ec. (2.55)):
reduce el nmero de zonas vacas.
reduce el nmero de zonas ocupadas por el superior.
aumenta la fraccin de ocupacin del competidor inferior.
Cuando
alcanza un valor crtico
hc =
se
extingue el competidor superior
tambin se extingue cuando
ma
ca
(2.57)
y persiste slo el inferior. Finalmente, ste
baja de
hc =
mb
.
cb
(2.58)
Esto ocurre porque el competidor inferior (si persiste) es necesariamente

mejor colonizador (por ejemplo, a igualdad de tasas de extincin,
ea = eb ). La
destruccin del hbitat benecia al competidor inferior al reducir la presin

que sobre l ejerce el superior.
Modelos ms elaborados concluyen en el mismo mensaje: una destruccin
parcial del hbitat puede llevar a la extincin total de una o todas las especies
del ecosistema.
Ejercicio: Resolver y hacer un diagrama de fases con las fracciones
en funcin de
AyB
h.
47
La deuda de la extincin
Veamos una ltima modicacin de las ecuaciones de Tilman, para analizar el efecto de la destruccin del hbitat en un sistema con muchas especies
[11]:
dpi
= fi (p1 , . . . , pn , D) = ci pi
dt
donde
(
1D
)
pj
mi p i
i1
j=1
cj p i p j ,
(2.59)
j=1
D indica la fraccin del hbitat que ha sido destruida. La modicacin

D es
matemtica es mnima, pero la interpretacin ecolgica en trminos de

importantsima.
Las poblaciones en equilibrio son:
p (D)
i
)
i1 (
mi
cj
=1D
p .
1+
j
ci
ci
j=1
(2.60)
Para el competidor superior a todos tenemos:
p (D) = 1 D
1
m1
.
c1
(2.61)
Es decir, ste se extinguir si la fraccin de hbitat destruido iguala a su

abundancia en el sistema intacto, que era
1 m1 /c1 .
Si el competidor do-
minante ocupa un 10 % del hbitat virgen, y destruimos un 10 % al azar del

hbitat, el resultado es el mismo que si hubiramos destruido el 10 % que la
especie estaba ocupando, a pesar de que el 90 % del total an esta disponible.
Es ms, cunto ms rara sea una especie, menor ser la fraccin que debemos
destruir (al azar) para extinguirla.
Las abundancias de competidores jerarquizados suele ser de tipo geomtrico en la naturaleza, as que propongamos:
pi = q(1 q)i1
donde
(2.62)
es la abundancia del mejor competidor. Supongamos todas iguales
las tasas de extincin,
mi = m.
coexistencia son:
Las tasas de colonizacin necesarias para la
c =
i
m
(1 q)2i1
(2.63)
con lo cual:
p
i
]
i1
[
(1 q)2i1
m
1+
= 1D
m/(1 q)2i1 j=1
(1 q)2j1
= 1 D (1 q)
2i1
(i 1) (1 q)
2i1
i1
j=1
48
(2.64)
1
(2.65)
(1 q)2j1
(esto ltimo es dudoso) y nalmente
p = 1 (1 q)2i1 D.
i
Usando (2.61) y resolviendo para
de la
i-sima
(2.66)
en (2.66), se tiene que la extincin
especie ocurre si:
Di 1 (1 q)2i1 .
(2.67)
es decir, una a una se irn extinguiendo de la mejor a la peor, a medida que

el hbitat se reduzca:
D1 < D 2 < D 3 . . . .
El nmero de competidores superiores que acaban extinguindose (lo que

los autores llaman la deuda de la extincin,
E ),
crece rpidamente con
D.
Partiendo de (2.67), en el valor crtico tenemos
log(D 1)
= 2i 1.
log(1 q)
Despejamos
(ya que a esta altura se han extinguido
tenemos:
E=
(2.68)
E = i
especies) y
log[(1 D)(1 q)]

.
2 log(1 q)
(2.69)
Se ve claramente que una pequea destruccin del hbitat pone en peligro

a una gran cantidad de especies adicionales. Por ejemplo, la destruccin de un
1 % adicional de hbitat causa una extincin 8 veces mayor si la destruccin
previa es del 90 % que si es del 20 %.
Adems, la extincin es mayor (para una dad destruccin) cuando
es
menor, es decir cuando la abundancia del competidor superior sea menor.

Esta situacin se da en las selvas tropicales, en oposicin a los ecosistemas
templados (5 % vs 50 %). Tambin podemos concluir que los grandes y raros
vertebrados son ms susceptibles que los pequeos, ms abundantes.
49
Adems, en general los competidores superiores son los que emplean los
recursos con ms eciencia, y ejercen un control importante regulatorio sobre
el ecosistema. Su extincin podra ser an ms perjudicial que lo que este
modelo permite entrever.
Finalmente, podra considerarse al hombre como un competidor ms?
Qu consecuencias tendra el anlisis? Seremos los primeros en extinguirnos?
2.5. Ser estable un sistema grande?

En un trabajo clsico [12], May se plantea la cuestin de la estabilidad
en general de un sistema grande con conexiones al azar.
Sea un sistema de
n especies que forman un sistema ecolgico, de manera
que las poblaciones obedecen a un sistema diferencial no lineal de primer

orden:
dp1
= f1 ,
dt
...
dpn
= fn .
dt
(2.70)
(2.71)
(2.72)
En la proximidad de un equilibrio donde coexisten todas las especies,
p , . . . , p ,
1
n
la estabilidad est gobernada por el sistema linealizado de las
perturbaciones:
dx1
x1
. . . = A . . . .
dxn
xn
dt
dt
El diagrama de la red trca ayuda a determinar cules elementos
(2.73)
aij
son
cero (especies no conectadas en la red) y los signos y las magnitudes de los

distintos de cero (especies interactuantes).
Supongamos que
aii = 1, es decir, cada especie regresa al equilibrio con
el mismo tiempo caracterstico en ausencia de interacciones.

Supongamos que las interacciones obedecen a una distribucin de probabilidad con media cero y varianza
xP (x) = 0
x2 P (x) = ,
de modo que
(2.75)
es la intensidad caracterstica de una interaccin. Es decir:
A=BI
50
(2.74)
(2.76)
con
una matriz random. Ntese que el azar entra tan slo en la deni-
cin inicial del modelo, no en su dinmica. Los fsicos llamaramos a esto

desorden.
La estabilidad del sistema requiere el anlisis de los autovalores de
A.
Afortunadamente el fsico Eugene Wiener desarroll, en la dcada de 1950,

la teora espectral de las matrices random, cuyos resultados podemos usar
A son de la forma 1, donde son los autovalores

de una matriz random como B forman un semicrculo
aqu. Los autovalores de

de
B.
Los autovalores
con radio
n.
Ejercicio: Demostrar y/o vericar esta ley semicircular.

En denitiva, los autovalores de
aseguran la estabilidad si se cumple
que:
1
(2.77)
< .
n
Estrictamente, una matriz random A ser estable con probabilidad P 1
(n ) si:
1
<
(2.78)
n
e inestable si
1
> .
n
(2.79)
Es decir: cuanto ms grande sea el sistema, ms fcil es que las interacciones

lo vuelvan inestable. Esta es la situacin para un sistema completamente
conectado. Los ecosistemas, sin embargo, tienen muchos ceros en la matriz
B.
C , de modo que, con probabilidad C el elemento

1 C , bij = 0. Ahora, para n , se tiene que:
Denamos una conectividad
bij = 0
y con probabilidad
1
<
nC
1
>
nC
estable,
(2.80)
inestable.
(2.81)
51
La transicin de uno a otro rgimen es muy abrupta como funcin de

2/3
su ancho escalea como n
.
En denitiva, un sistema grande que sin interacciones sera estable, al

estar muy conectado (C grande) o muy intensamente conectado ( grande),
se vuelve inestable.
May hace nalmente dos observaciones de validez cualitativa:
1. Dos sistemas de este tipo tendrn similares caractersticas de estabilidad si:
2
2
1 C1 2 C2 ,
(2.82)
es decir, que si en la red hay muchas interacciones dbiles, es lo mismo que

si hay pocas interacciones fuertes. Esta es una observacin general que de
hecho satisfacen muchos ecosistemas naturales (Margalef ).
2. Sistemas que resultan inestables con probabilidad casi 1, cuando la matriz est organizada en bloques resultan estabilizados. O sea, una estructura
de bloques favorece la estabilidad de ecosistemas grandes.
Recientemente ha renacido el inters en el estudio de la estabilidad de
diferentes estructuras de red, tanto por la disponibilidad de mayor cantidad
de sistemas resueltos empricamente, como por el descubrimiento de redes
de topologa compleja como las redes small-world y las redes libres de escala. Melin y Bascompte [14], por ejemplo, muestran redes de interaccin
de protenas nucleares, redes random y redes trcas. Se las analiza usando
la distribucin de probabilidad que representa la correlacin de las conecti
vidades P (k|k ) y la conectividad media como funcin de k . La red trca
resulta con poca compartimentalizacin, es decir, dos especies muy conectadas tienden a estar conectadas entre s (a diferencia de las protenas). Esto
las vuelve susceptibles a la propagacin de un contaminante, por ejemplo
(en cambio, la red de protenas resulta resistente al efecto de una mutacin).
Pero a su vez esta conectividad la vuelve resistente a la fragmentacin en
caso de que algunas especies fueran removidas.
Claramente, sera interesante integrar las dos perspectivas: el anlisis de
estabilidad con la estructura de la red.
Ejercicio. Considere una
cadena alimenticia
(cadenas de hasta seis espe-
cies se conocen en la naturaleza). Es decir, un sistema de depredadores y

presas en el que una especie depreda a la anterior y es presa de la siguiente.
52
Incluya la competencia intraespecca e interacciones constantes. Es decir:
dp1
dt
dp2
dt
...
dpi
dt
...
dpn
dt
con
= p1 (r1 a11 p1 a12 p2 ),
(2.83)
= p2 (r2 + a21 p1 a22 p2 a23 p3 ),
(2.84)
= pi (ri + aii1 pi1 aii pi aii+1 pi+1 ),
(2.85)
= pn (rn + ann1 pn1 ann pn ),
(2.86)
ri > 0, aij > 0.
Demuestre y/o muestre que si existe un equilibrio
de coexistencia, ste es estable y atrae a todas las rbitas (a diferencia del

modelo de competencia, en el que este punto puede ser inestable). Discuta el
efecto de aumentar o reducir
aumentar
r1 ,
r1 ,
la tasa de natalidad de la especie basal. (Al
ms y ms especies subsisten.)
2.6. Competencia cclica

(Nature, 16 Dec 2000?) (Este otro trabajo tambin parece interesante:
[15].)
Hemos visto que si dos especies compiten, o bien una se extingue, o coexisten. Una clase peculiar de sistemas de tres o ms especies en competencia
permite un comportamiento distinto y curioso, que ha sido observado en una
Uta stansburiana ).
especie de lagartijas californianas (
Si se trata de tres
especies, se observa que las tres se alternan en su dominio del ecosistema

de manera cclica. En las mencionadas lagartijas, las tres poblaciones son
pseudoespecies representadas por tres tipos de machos, con distintos comportamientos de apareamiento, que juegan una especie de piedra-papel-tijera
por su control de la poblacin de hembras.
Un modelo sencillo [16] de este comportamiento corresponde al sistema:
53
donde
AB
signica A afecta a
B ,
y para el cual podemos escribir las
siguientes ecuaciones:
con
dp1
=
dt
dp2
=
dt
dp3
=
dt
0 < < 1 < y +
p1 (1 p1 p2 p3 ),
(2.87)
p2 (1 p1 p2 p3 ),
(2.88)
p3 (1 p1 p2 p3 ),
(2.89)
> 2.
El modelo es medio articial pero se
simplican las cuentas.

Los equilibrios son fciles de obtener. Existe un equilibrio interior al octante I + , dado por:
R3
p = p = p =
1
2
3
1
.
1++
(2.90)
El origen es equilibrio (una fuente) y los versores son puntos de ensilladura.

El equilibrio interior es una ensilladura, lo cual se demuestra fcilmente
porque los autovalores son muy sencillos. La matriz del sistema linealizado
es circulante:
1
1
1
1++
1
(2.91)
con lo que sus autovalores son combinaciones de las races cbicas de la

unidad:
k =
n1
k = 0, 1, . . . , n 1,
k
cj j ,
(2.92)
j=0
con
cj
los elementos de la matriz y
las races de la unidad,
j = exp(2i/n),
en general. As que:
0 = 1, con
54
autovector
(1, 1, 1),
(2.93)
1 = 2 =
(
)
1
1 e2i/3 e4i/3 ,
1++
(2.94)
que satisfacen:
Re
Cuando
(1 ) = Re (2 ) =
pi = 0,
>2
1
1+ + > 0
1++
2
(2.95)
queda un modelo de dos especies en competencia, como
el ya estudiado, en el que una especie fuerza a la otra a la extincin. As que

hay una rbita que une a los tres equilibrios que estn en los ejes, llamada un
ciclo heteroclino. Este ciclo resulta ser el
-lmite
de todas las trayectorias
(detalle tcnico que se prueba con una funcin de Lyapunov). El sistema pasa
cada vez ms tiempo cerca de uno de los equilibrios.
Un sistema real (discreto) con exactamente esta dinmica, por supuesto
llevara eventualmente a la extincin de una de las especies y luego, al reducirse a dos especies, a la extincin de una segunda y la subsistencia de
slo una. Sin embargo, modelos ms elaborados (veremos uno de ellos ms
adelante) permiten la persistencia cclica de las tres especies, tal como se
observa en el sistema de las lagartijas.
55
56
Captulo 3
De los individuos a las
poblaciones
Los modelos tradicionales de la ecologa matemtica describen en forma diferencial la evolucin de densidades. Por ejemplo, para una especie se
escribe la ecuacin logstica:
dN
= rN
dt
(
)
N
1
.
K
(3.1)
En general podemos escribir estos modelos sin necesidad de conocer en detalle

la interaccin entre los individuos que componen la poblacin. Suponemos,
en cambio, que cada trmino tiene su origen en esta interaccin y que representan macroscpicamente efectos netos que involucran a muchos individuos.
Son ecuaciones de evolucin suave y continua.
Las poblaciones, sin embargo, son discretas. Las interacciones son individuales. Tiene que ser posible describir la evolucin de poblaciones discretas
haciendo una descripcin basada en individuos. Es de esperar, adems, que
la formulacin basada en poblaciones corresponda a un lmite macroscpico
de aqulla basada en individuos (que llamaremos microscpica).
modelo macroscpico
poblaciones
NIVEL MESOSCPICO
= leyes macro +
uctuaciones alrededor
promediado
(degeneracin)
modelo micro 1
modelo micro 2
suave
determinista
individuos
discreto
estocstico
En este captulo vamos a llevar adelante un programa de este tipo. La formulacin microscpica del modelo, correspondiente a poblaciones discretas,
vamos a hacerla de todos modos en una aproximacin bien mezclada para
simplicar. Vamos a suponer tambin que los eventos individuales (muertes,
57
interacciones, etc.) son estocsticos, y que ocurren de acuerdo con ciertas

probabilidades. En denitiva, para una descripcin de este tipo, podemos
suponer que los eventos individuales son anlogos a la extraccin de bolas de
una urna. Por este motivo, los modelos que describiremos en este captulo se
llaman a veces
modelos de urna.
Supongamos que tenemos una especie, A, que vive en una zona donde hay
slots, cada uno capaz de contener un individuo. A la poblacin cticia
de slots vacos la llamamos
E.
Hacemos esto para incorporar a la dinmica
un mecanismo de competencia indirecta, competencia por un recurso que,

en este caso, ser el espacio vaco.
Podemos representar los eventos individuales del sistema mediante reacciones qumicas (Describir un poco!):
A+AA+E
competencia directa
nacimiento (competencia indirecta)
AE
(3.2b)
muerte.
A+E A+A
(3.2a)
(3.2c)
Tenemos adems el vnculo:
A + E = N ( , el
tamao del sistema).
(3.3)
Por turnos, sacamos individuos de la urna y los sometemos a los eventos

reaccin.
El proceso as descripto es un proceso estocstico Markoviano, y su formulacin matemtica est dada por una ecuacin de evolucin que en la fsica
se llama Ecuacin Maestra, y en la matemtica
forward Kolmogorov Equa-
tion. Mencionemos brevemente que una variable estocstica x es una variable

distribucin de probabilidad P (x). Es decir, P (x) 0,
caracterizada por una
P (x)dx = 1,
P (x)dx representa la probabilidad de que la variable tenga

un valor entre x y x + dx. Las distribuciones de probabilidad se caracterizan
k
k
por sus momentos de orden k : x =
x P (x)dx. Particularmente tiles
y
valor medio
son los momentos de orden 1 y 2, ya que con ellos se denen el

2
2
y la
de x: x = x y = (x x) . Si la variable estocstica
varianza
depende del tiempo,
x(t),
se la llama
proceso estocstico. Ms detalles sobre
variables aleatorias y procesos estocsticos pueden encontrarse en libros de

texto tales como [17].
Prosigamos con la formulacin del modelo. El estado del sistema queda
caracterizado por una distribucin de probabilidad
P (A, t) : pobabilidad
58
de tener
individuos a tiempo
t.
Figura 3.1: Procesos que contribuyen a aumentar y a reducir la probabilidad

de que el sistema se encuentre en el estado
A.
Figura 3.2: Proceso de un paso de la variable
A.
La ecuacin maestra describe la evolucin de esta distribucin de probabilidad como un balance entre procesos de ganancia y de prdida de probabilidad, del siguiente modo:
ganancia
prdida
dP (A, t)
=
T (A|A )P (A , t)
T (A |A)P (A, t),
dt
A
A
Los trminos sealados con un asterisco son
(3.4)
probabilidades de transicin,
sus argumentos se leen de derecha a izquierda: denotan la probabilidad del
sistema de pasar de un estado con A individuos a uno con A individuos (en
el trmino de ganancia), y de A a A individuos (en el de prdida).

Observemos que en las ecuaciones (3.2) la poblacin de
cambia de
manera discreta y de a un individuo por vez (lo que se llama proceso de

un paso,
one-step process ).
Entonces podemos escribir las transiciones que
modican la poblacin en un solo individuo:
dP (A, t)
= T (A|A 1)P (A 1, t) + T (A|A + 1)P (A + 1, t)
dt
T (A 1|A)P (A, t) T (A + 1|A)P (A, t).
(3.5)
59
A1
A1
A+1
A+1
Figura 3.3: Procesos de competencia indirecta y muerte que afectan el estado

de poblacin
a.
Vale la pena observar que la identicacin de ganancia y prdida no se

reere a individuos sino a la probabilidad del estado
A. El segundo trmino de
(3.5) es un trmino de ganancia, aunque involucre la prdida de un individuo.

A continuacin tenemos que identicar y calcular las probabilidades de
transicin
en los procesos individuales que denen el sistema.
Para reducir el nmero de procesos a considerar, procedamos slo con la

competencia indirecta y la muerte:
A+E A+A
(3.6)
A E.
(3.7)
que estn representadas mediante diagramas en la gura 3.3.

Las probabilidades de transicin resultan:
AE
T (A + 1|A) = 2b
A1E
T (A|A 1) = 2b

A+1
T (A|A + 1) = d
.
T (A 1|A) = d
El factor 2 de (3.8b) y (3.8c) viene de considerar los eventos
(3.8a)
(3.8b)
(3.8c)
(3.8d)
A+E
E+A
como indistinguibles. Anticipemos que las probabilidades de transicin (3.8c)

y (3.8d) no las vamos a usar en el clculo gracias a un truco que en seguida
veremos.
Nota: Para ser rigurosos, habra que decir que con probabilidad
una bola, y con probabilidad
Pero
saco
1 saco dos bolas (con = 1/2, por ejemplo).
se puede absorber en las tasas y no se gana nada. Ver [18].
Operadores de paso. Conviene denir unos operadores que simplican
considerablemente la forma de la ecuacin maestra para procesos de un paso,
60
y que tienen usos adicionales ms adelante:
f (n) = f (n + 1)
f (n) = f (n 1).
(3.9a)
(3.9b)
Usndolos en la ecuacin maestra podemos escribir sta procurando que

todas las transiciones queden escritas con el estado
dP
dt
A como estado de origen:
= 1 T (A + 1|A)P (A) + T (A 1|A)P (A)

T (A 1|A)P (A) T (A + 1|A)P (A),
= ( 1)T (A 1|A)P (A) + (1 1)T (A + 1|A)P (A).
(3.10)
(3.11)
(Por esta razn decamos que no bamos a necesitar (3.8c) y (3.8d).)
3.1. Desarrollo de van Kampen

La ecuacin maestra es siempre lineal, pero slo en contadas ocasiones se
la puede resolver analticamente. Hay que usar o bien mtodos numricos, o
bien aproximaciones analticas:
Simulacin exacta de la ecuacin maestra (microscpica, Gillespie).
Desarrollo en momentos (jerarqua innita).
Desarrollo
(van Kampen, sistemtico, en trminos de un parmetro
pequeo).
El desarrollo de van Kampen se basa en el siguiente
Ansatz:
Observemos lo siguiente:
A(t)
A(t) = (t) +
(t).
(3.12)
es un proceso estocstico. Estamos suponien-
do que este proceso es la superposicin de dos partes, los dos trminos del
Ansatz: una parte proporcional a
rmetro
y otra parte proporcional a
El pa-
representa una escala macrocpica del sistema, un volumen por
ejemplo. Los dos trminos, entonces, tienen tamaos relativos distintos. El

trmino proporcional a
evoluciona como (t), que es una funcin analtica,
representando una evolucin determinista del sistema en la escala macroscpica. El segundo trmino representa las uctuaciones, que son de un tamao
menor que las variables macroscpicas, y su dinmica es un proceso estocstico
(t). Observemos que no podemos hacer suposiciones sobre la estadstica

61
Figura 3.4: El ansatz de van Kampen representado grcamente: la distribucin de probabilidad evoluciona hacia una campana cuyo mximo sigue la
dinmica determinista, y cuyo ancho representa las uctuaciones.
de
(t), ya que se lleva toda la parte uctuante de A(t) y por lo tanto es equi-
valente a la incgnita del problema. La gura 3.1 esquematiza estas ideas,

mostrando cmo se espera que evolucione
P (A, t).
El Ansatz no est justi-
cado a priori, sino por consideraciones fsicas acerca de la evolucin esperada

de
P (A, t).
El parmetro del desarrollo va a ser
1/2 ,
donde
como dijimos, es t-
picamente el tamao del sistema o el nmero total de partculas: una variable

extensiva que controla el tamao de las uctuaciones.
Ahora procedemos a reemplazar en la ecuacin maestra las probabilidades
de transicin:
[ ]
A A
dP
dA
= ( 1)
P (A) + (1 1) 2b
P (A)
dt
(Nota: ojo, no sacar
P (A)
(3.13)
factor comn! hay operadores a su izquierda!)
En esta ecuacin conviene redenir las tasas, y sacarse algunos omegas

d = d/, b = b/, y a continuacin no escribimos las primas
de encima:
para aligerar la notacin.

Antes de substituir el Ansatz en la ecuacin maestra, observemos los
siguientes desarrollos:
1
1 1 2
= 1+
+
+
2 2
1
1 1 2
1
= 1
+

2 2
62
(3.14)
(3.15)
1
vlidos para versiones continuas de los operadores de paso y . La idea
es que si cambia A en 1 (A A + 1), entonces cambia a en una cantidad
1
pequea ( + 1/ ).
Reemplazamos entonces los operadores por sus desarrollos. Si ponemos
slo los primeros trminos:
[
]
]
[
1
A
1 2
1 2
dP
1
dA() +
2bA

+
+
(),
dt
2 2
2 2
(3.16)
donde hemos denotado como
(, t) = P (A, t)
a la distribucin de probabi-
lidad, para poner de maniesto su dependencia en la variable microscpica
solamente.
Finalmente reemplazamos el Ansatz:
[
]
dP
1
1 2

+
d( + )()
dt
2 2
(3.17)
[
]
1
1 2

+
+
2b( + )
().
2 2
Repartimos el factor 1/ de sobre la expresin y nos queda:

[
]
1
= + d( + )()
2
[
(
)
]
(3.18)
+ + 2b( + ) 1
().
2
Distribuimos y ordenamos segn potencias de 1/ (sin poner el argumento

de para aligerar la expresin):
= [d 2b(1 ) ]
[
]
d
0
+ d () + 2b(1 2) () + b(1 )
(3.19)
2
(
)
1
+o
.
Y recuperando el miembro de la izquierda de la ecuacin podemos escribirlo

como:
(, t) (, t)
dP (A, t)
=

,
dt
t
(3.20)
Tenemos que A A + 1 (A) = ( + ) = A + 1 = + + 1 =
+ ( + 1/ ), + 1/ , y anlogamente para , con lo que tenemos los

desarrollos mostrados.
1
63
ya que:
d

P ( + ) =
+
dt
t
t
a
A constante

,
t
(ya que a
cte:
=
= ).
dt
(3.21)
3.1.1. Comportamiento macroscpico

Las expresiones (3.19) y (3.20) completan el desarrollo de la ecuacin.
Ahora, observemos que hay unos trminos con potencias positivas de
hacen dudar de la validez del desarrollo para
todos multiplicando
/ ,
, que
. Sin embargo, aparecen
de manera que podemos anularlos requiriendo:
= d 2b(1 ).
(3.22)
Esta es la ecuacin macroscpica!
)
(
d
,
= (2b d) 2b 2 = (2b d) 1
d
dt
1 2b
s
(3.23)
que es una ecuacin logstica con una reduccin de la capacidad de carga
d/2b
debido a la competencia por el espacio
E.
La ecuacin (3.23) debe ser
resuelta con condiciones iniciales adecuadas, por ejemplo:
(0) = 0 = A0 /,
correspondiente a un estado inicial del sistema con uctuaciones nulas, y toda

la probabilidad concentrada en
A0
como se muestra en la gura 3.5.
La solucin de esta ecuacin es, como sabemos:
(t) =
r
r
t r
; c := s
(si r = 0).
rt
s ce
s
0
(3.24)
3.1.2. Fluctuaciones
Pasemos al orden siguiente,
0 . De los rdenes correspondientes en (3.19)
y (3.20) obtenemos:
[
] 2
d
(, t)
= [d 2b(12(t))] (, t) + (t) + b(t)(1(t))

(, t).
t
2
2
f (t)
g(t)/2
(3.25)
64
Figura 3.5: Condicin inicial, con toda la probabilidad concentrada en el valor

inicial de
0 (P (A, 0)
es una delta de Dirac).
Esta especie de ecuacin de difusin es una
ecuacin de Fokker-Planck.
particular, es una ecuacin de Fokker-Planck lineal (por ser

mo lineales en
en este caso independientes de
).
Con una condicin
inicial deltiforme como la propuesta, y condiciones de borde libres en

la solucin es una Gaussiana a todo tiempo, aun cuando
del tiempo (a travs de su dependencia en
ensanchamiento de
(t)).
En
a lo su-
dependen
Esta Gaussiana describe el
debido a las uctuaciones.
Si no tuvisemos la solucin
(t) explcitamente, se podran intentar apro-
ximaciones de la ecuacin de Fokker-Planck, o soluciones numricas de la

misma. En este caso podemos resolverla exactamente. Como la solucin es
Gaussiana, est determinada por los dos primeros momentos de la distribucin
=
2 =
()d,
Multiplicando la ecuacin (3.25) por
(3.26a)
2 ()d.
(3.26b)
e integrando, obtenemos ecuacio-
nes dinmicas para los momentos, que nos dicen cmo evolucionan el valor
medio y el ancho de las uctuaciones:
g 2
= f +
2 2
(3.27)
65
g
2
2
t = f +
)
(

g
2
= f
+
+

2
g
|
= f f 2 +
2

=0
=0
=0
= f
(3.28)
t = 0 e
Con la condicin inicial de la gura 3.5:
t
0
f (( ))d
(3.29)
(0) = A0 / 0 = 0 t = 0
(t)).
(es decir, las uctuaciones se producen alrededor de
Mientras que para el segundo momento se obtiene:
t 2 = 2f 2 + g
que se puede resolver con un factor integrante
sin uctuaciones,
2 = 0
(3.30)
e2rt
. Con la condicin inicial
4
se tiene la solucin:
2 t =
d
2b
(si
r > 0).
(3.31)
La evolucin de la distribucin de probabilidad est representada en la gura

3.6. Obsrvese que si
r <0
la dinmica lleva al sistema hacia el estado de
poblacin nula, de manera que la distribucin estacionaria es muy distinta

de una gaussiana (porque se anula en
sern
aproximadamente
A = 0).
En este caso, las uctuaciones
gaussianas hasta cierto tiempo.

2
La expresin completa de (cuyo lmite escribimos arriba) es:
2 t =
con
r, s
1
2s2 bd(1 e2rt )
s cert
sc(4b2 + 10bd)ert (1 ert )
2c2 r(4b2 + 4bd)te2rt
c3 (2b + d)e2rt (1 ert ),
(3.32)
ya denidos. Esto completa el anlisis. Mencionemos adicional-
mente que:
Si el sistema incluyera la competencia directa
A + A A + E,
habra
que poner los correspondientes trminos en las probabilidades de transicin
66
Figura 3.6: Evolucin temporal de la distribucin, con uctuaciones gaussianas y no gaussianas en el estado estacionario.
y proceder de igual manera. Como las expresiones son ms largas, se eligi

considerar solamente dos procesos de transicin.
Si el sistema tuviera ms especies, se procedera de igual manera. La
P (A, B, t) para dos espe

cies, as como la ecuacin maestra. El Ansatz sera: A(t) = (t) +
(t);
B(t) = (t) + (t), y habra operadores A , B , 1 , 1 . La ecuacin

A
A
de Fokker-Planck sera tambin multidimensional, en los ruidos y . Las
distribucin de probabilidad sera multi-variable:
ecuaciones, sin embargo, no siempre se pueden resolver analtica y fcilmente

como en el ejemplo que acabamos de ver.
3.1.3. Observaciones nales

1. Este mtodo es muy poderoso. Lo que hemos hecho, trabajosamente
pero sin grandes dicultades, es un avance signicativo respecto de los
modelos de campo medio. El que no se dio cuenta, estaba mirando otro
canal.
2. La ecuacin de Fokker-Planck no contiene a
, lo cual justica a
poste-
riori el Ansatz: las uctuaciones son efectivamente del orden postulado.

Si las uctuaciones crecen hasta ser del orden de la parte macroscpica, el desarrollo falla. Esto puede pasar en la proximidad de un punto
crtico.
3. El primer orden de uctuaciones se llama a veces
linear noise approxi67
mation. No hay necesidad de detenerse all. El desarrollo es sistemtico, y rdenes sucesivos dan correcciones al comportamiento Gaussiano
de las uctuaciones. El orden siguiente corresponde a uctuaciones de
1
orden , es decir del orden de un solo individuo, y en general es
innecesario.
4. Este desarrollo no es un mtodo caprichoso ms para resolver una ecuacin maestra. Provee nada menos que el sustento de la existencia de las
leyes macroscpicas. Y tambin de la validez de otros mtodos aproximados, ms bien heursticos (p. ej. Langevin) en los que se suma un
trmino de ruido a una ley macroscpica conocida.
68
Captulo 4
Regulacin de la expresin
gentica
4.1. Circuitos de expresin gentica
Dentro del citoplasma coexisten una gran cantidad de substancias qumicas que interactan unas con otras. Estas reacciones forman una intrincada
red en la cual la presencia de unas substancias afectan la produccin, la existencia y la degradacin de otras. Es un sistema dinmicamente muy complejo,
y su resultado es el metabolismo, lo que la clula
hace.
De particular inters son las reacciones qumicas involucradas en la expresin de los genes, cuyo resultado es la produccin de protenas. Todas las
clulas de un organismo, abarcando una gran diversidad de tejidos, tienen en
su ncleo el mismo ADN. A pesar de ello, son muy distintos entre s, cada
tipo sintetizando una o unas pocas protenas (que denen el tipo celular). Es
decir, en cada clula algunos genes estn activos y otros estn suprimidos.
Mediante estudios especcos en organismos sencillos (como el bacterifago
se sabe que esta activacin o inhibicin es el resultado de la accin de
protenas especcas. (No deje de leer el libro de Jacques Monod [19].)

Consideremos un modelo sencillo de expresin de un gen, como el que
representamos en la gura 4.1. Notemos que no hay regulacin, sino solamente
transcripcin y traduccin.
Vamos a convertir el fenmeno representado en ecuaciones de balance
de masa similares a las ecuaciones de poblacin de sistemas ecolgicos
que estudiamos en captulos precedentes. Llamemos
69
a la concentracin de
Figura 4.1: Expresin de un gen, a travs de los mecanismos de transcripcin

(del ADN en ARN) y traduccin (del ARN en protena).
mRNA y
a la concentracin de la protena. Tenemos las ecuaciones:
dm
= m m m,
dt
dp
= p m p p.
dt
(4.1)
(4.2)
Es inmediato encontrar el equilibrio de este sistema:
dm
dp
=
= 0,
dt
dt
m
m =
,
m
(4.3)
p =
p m p
m =
.
p
m p
(4.4)
Veamos un poco los valores aproximados que pueden tomar estos parmetros.
Transcripcin:
1nM/min <60nM/min.
Degradacin del mRNA:

Traduccin:
1
m
1min <20min (vida media).
1 molcula de RNA /min.
Degradacin de la protena:
1
p t
de duplicacin.
m 1-10nM, y p 100-1000nM. El
15
es V 10
l, con lo cual tenemos que 1nM
A su vez, puede observarse que:

volumen de una clula de
E. coli
equivale a 1 molcula por clula. As que en el estacionario habr bastante

4
menos de 10 molculas de protena o de RNA en el citoplasma de cada
clula, que concuerda con los valores observados.
Pasemos al mecanismo de regulacin. Supongamos la accin del producto
(o de alguno de ellos) sobre el promotor del gen. De esta manera podemos
70
4. Expresin gentica
Figura 4.2: Una protena que reprime su propia expresin. Los dos diagramas
son habituales representaciones del mecanismo.
Figura 4.3: Funciones que caracterizan a un represor y a un activador de

transcripcin. La pendiente de la curva en la inexin caracteriza su
bilidad, y
su
capacidad.
sensi-
producir tanto represin como activacin. Por ejemplo, la gura 4.2 muestra
el ms sencillo de los mecanismos de represin: la
autorepresin.
Las ecuaciones dinmicas para este mecanismo sern:
dm
= m gR (p) m m,
dt
dp
= p m p p,
dt
donde
gR (p)
(4.5)
(4.6)
es una funcin que representa la represin de la protena sobre
la transcripcin. Aun sin conocer sus detalles, podemos imaginar que tiene
una forma como la que vemos en la gura 4.3 (izquierda). Una funcin activadora o estimuladora de la transcripcin, a su vez, podr tener una forma
como la de la gura 4.3 (derecha).
Ciertamente, la represin puede ser ms complicada, como en el mecanismo llamado de
toggle switch
que vemos en la gura 4.4. sta es una pequea
red de represin mutua. Es de esperar que haya en este sistema dos situacio-
71
Figura 4.4: Mecanismo de represin mutua o
R1 se expresa mucho, con lo cual

revs, R2 es alto, y se reprime a R1 .
nes posibles: o bien
R2
bajo, o al
toggle switch.
se mantiene el nivel de
Supongamos que las tasas son las mismas para simplicar el anlisis de
un sistema de este tipo. Podemos escribir:
dm1
dt
dm2
dt
dr1
dt
dr2
dt
donde la funcin
72
= m gR (r2 ) m m1 ,
(4.7a)
= m gR (r1 ) m m2 ,
(4.7b)
= p m1 p r1 ,
(4.7c)
= p m2 p r2 ,
(4.7d)
es responsable de la no linealidad del sistema. Hagamos
4. Expresin gentica
la siguiente aproximacin til: en
E. coli,
rpido que las protenas, de manera que
el mRNA se degrada mucho ms
m p .
Como consecuencia de
esto, en la escala de tiempo de evolucin de la protena, el mRNA ya lleg

al estacionario. Es decir,
dm/dt 0.
concentracin de mRNA est
En casos como ste se dice que la
esclavizada
Entonces, en (4.7a) y (4.7b) ponemos
mi (rj ) =
a la concentracin de la protena.
mi = 0
m
gR (rj ),
m
con lo cual tenemos:
i, j {1, 2}.
(4.8)
Reemplazando (4.8) en (4.7c) y (4.7d) el sistema se reduce a 2 ecuaciones:
dri
m
= p
gR (rj ) p ri ,
dt
m
i, j {1, 2}.
(4.9)
0
En el estado estacionario tendremos:
dri
= 0 = 0 gR (rj ) p ri ,
dt
0

ri (rj ) = gR (rj ).
p
(4.10)
(4.11)
Esta ecuacin dene implcitamente los equilibrios. Usando una forma genrica para
gR
podemos encontrarlos (estn por supuesto en la interseccin de
las nulclinas de (4.9)). La gura 4.5 muestra que hay dos situaciones posibles,
segn cun abrupta sea la transicin entre los niveles de represin alta y baja
(que se caracteriza con un parmetro llamado
repressor binding ability, KR ).
Ejercicio: Escriba las ecuaciones para el sistema de la gura 4.6.

Recapitulemos las suposiciones que permiten hacer modelos de este tipo:
1. Las concentraciones son continuas y diferenciables (lo cual permite escribir ecuaciones diferenciales), 2. Las reacciones son instantneas, dependen
del estado del sistema a tiempo
(no hay delays), y 3. Los reactivos estn
distribuidos homogneamente dentro de la clula (no hay efectos de transporte). Claramente ninguna de las tres es del todo compatible con lo que
sabemos sobre el metabolismo. Por un lado, vimos que en
E. coli
las clulas
involucradas pueden ser muy poquitas. Por otro lado, el citoplasma es muy
complejo, y el transporte (pasivo y activo) de las molculas hace que tanto el
espacio como el tiempo que tardan en recorrerlo cumplan roles importantes
en los sistemas de reaccin.
73
Figura 4.5: Nulclinas en el espacio

noestabilidad en el
toggle switch.
(r1 , r2 ),
mostrando la biestabilidad o mo-
4.2. Ruido molecular

Usemos una vez ms una descripcin mediante una ecuacin maestra para
analizar la cuestin de que el sistema contiene pocas molculas. Usaremos
como variables estocsticas el nmero de molculas (por ejemplo, del mRNA).
Podemos representar la sntesis de mRNA como un proceso de un paso, como
se ve en la gura 4.7.
La ecuacin maestra para este proceso es:
dP (m, t)
= [P (m 1) + (m + 1)P (m + 1)] [mP (m) + P (m)],
dt
ganancia
prdida
= [P (m 1) P (m)] + [(m + 1)P (m + 1) + mP (m)],
= (1 1)P (m) + ( 1)mP (m),
(4.12)
donde hemos usado los operadores de paso denidos en el Captulo 3.
Resolvamos la ecuacin (4.12) usando un mtodo distinto: la
funcin gene-
ratriz. Dada una distribucin de probabilidad denimos su funcin generatriz

como:
F (z, t) =
z m P (m, t).
(4.13)
cuando se la evalan sus
m=0
Se la llama as porque genera los momentos de
74
4. Expresin gentica
Figura 4.6: Oscilador gentico?
sucesivas derivadas en
F (1, t) =
F (z, t)
z
2
F (z, t)
z 2
z = 1:
P (m) = 1,
(normalizacin de
m z m1 P (m)
z=1
z=1
m(m 1)z m2 P (m)
z=1
P ),
(4.14)
m P (m) m(t),
z=1
= m2 (t) m(t).
(4.15)
(4.16)
En ingeniera se suele llamar a esta funcin transformada-z , y es una versin

discreta de la transformada de Laplace.
1
La ecuacin transformada de la ecuacin maestra resulta :
F
F (z, t)
= (z 1)F (z, t) (z 1)
.
t
z
(Ver [17], cap. VI, sec. 6:
m=0
.)
condicin de borde en
sumar
de
One step processes,

para
F (z).
(4.17)
para ver qu se hace con la
En general se la puede ignorar y
Hay que usar la siguiente propiedad de los operadores de paso: g(n)f (n) =
f (n) g(n). La diferencia en los lmites de la suma es un inconveniente, pero en
la prctica resulta casi siempre irrelevante porque los trminos faltantes se anulan (van
Kampen, [17] VI.3.3).
1
n=1
N 1
n=0
75
Figura 4.7: Proceso de un paso de la sntesis de mRNA.
El estado estacionario de (4.17),

en
F/t = 0
nos da una ecuacin lineal
z:
F
= F (z),
z
F (z) = e (z1) ,
(4.18)
(4.19)
donde hemos usado la condicin de borde en z = 1: 1 = F (1) = c e
c = e . De aqu podemos obtener los momentos que denen a la solucin

buscada
P (m).
En primer lugar:
F
z
=
z=1
= m ,
(4.20)
que coincide con el resultado macroscpico obtenido con las ecuaciones de

balance de masa.
Luego tenemos:
2F
z 2
z=1
( )2
= m2 m ,
=
2 m2 m2 = m2 m2 + m m
= m2 m m2 + m =
2
2
()
()
2
= .
Es decir, en el estado estacionario,

estacionario
76
m(t)
(4.21)
(4.22)
(4.23)
(4.24)
m = 2 . En otras palabras, en el estado
es un proceso de Poisson.
4. Expresin gentica
Ejercicio: La desviacin de un proceso estocstico de un proceso de Pois2

son suele caracterizarse mediante el
: /m, que es igual
factor de Fano
a 1 para el Poisson. Ocasionalmente se usa el parmetro adimensional que

caracteriza a las uctuaciones (una especie de uctuacin relativa, a veces
llamada desviacin fraccional):
2
1
=
2
m
m
=
=
m
en el ejemplo calculado.
(4.25)
Escriba la ecuacin maestra para el sistema mRNA+protena (2 variables)
m p
F (z1 , z2 ) =
m,p z1 z2 P (m, p, t). Calcule la desviacin
fraccional de la protena p = p /p.
y resuelva con una
Lo que se obtiene en el ejercicio propuesto es interesante. La desviacin

fraccional resulta ser:
2
p
[
]
2
p
1
p
=
=
1+
,
p2
p
m + p
(
)
1
p
1
1+
:=
(1 + b),
p
m
p
que dene el parmetro
b.
La aproximacin hecha vale para
(4.26)
(4.27)
m p ,
como
b = p /m es el nmero medio de molculas de

protena producidas antes de que se degrade el mRNA (o sea: por molcula
dijimos antes. Obsrvese que
de mRNA mientras dure). Es decir, es una medida de la amplicacin de la

transcripcin mediante la traduccin. Se la llama
experimentalmente!
burstiness
se la observa
(gura 4.8).
Para hacer algo anlogo en el problema del toggle-switch, que no se puede

resolver exactamente, habra que hacer una aproximacin de ruido lineal (tipo
van Kampen). Ver por ejemplo [21, 22, 23].
4.3. Tipos celulares y redes de Kauman

Cuando el nmero de genes que integran una red de interaccin se vuelve muy grande, es necesario recurrir a un anlisis simplicado en lugar de
una descripcin dinmica como la de las secciones anteriores. Consideremos
por ejemplo que, si cada gen puede regular la activacin de algn otro, las
posibilidades de regulacin crecen rpidamente con el tamao del genoma
(que para el fago
claro, es muy pequeo). Por ejemplo, si cada gen es
representado por una variable binaria:
0 :
1 :
inactivo,
(4.28)
activo,
(4.29)
77
Figura 4.8: Saltos discretos en la cantidad de
-gal,
el nmero de posibles estados de activacin es
2N . Cada estado de activacin
burstiness. Tomado de [20]
debidos al fenmeno de
podra asociarse a un tipo celular (un tejido) del organismo. En tal caso,
tendramos que el nmero de tipos celulares crece exponencialmente con
N.
Sin embargo, lo que se observa es ms bien
Ntipos
En los seres humanos, por ejemplo, con
N.
N 105 , Ntipos = 254,
(4.30)
y no
1030000 .
Una propiedad adicional es que cada tipo de clula es sumamente estable. Una vez establecido, se mantiene durante toda la vida de la clula.
(Ocasionalmente el patrn de activacin gentica, sin embargo, puede resultar drsticamente alterado, como es el caso de los oncogenes, que pueden
activarse por accin viral y activar la reproduccin ilimitada de la clula y
desembocar en un cncer.)
Un enfoque de este tipo de problemas, radicalmente distinto al reduccionismo de la biologa molecular, es el desarrollado por Stuart Kauman
a nes de los `60s [24], basado en el anlisis de redes booleanas, en las que
propiedades similares a la diferenciacin celular surgen espontneamente. Se
trata de redes booleanas aleatorias, similares a los autmatas celulares en
que son discretos el espacio, el tiempo, y el conjunto de estados
= {0, 1}.
Pero la forma en que se conectan los elementos es distinta que en los CA.
Para cada uno de los
Si
elementos de la red, elegimos al azar
de
Si (t + 1) = i [Si1 (t), Si2 (t), . . . , SiK (t)].

78
otros
K vecinos entran en la dinmica

K entradas elegida al azar:
elementos, que sern sus vecinos. Los

travs de una funcin booleana
(4.31)
4. Expresin gentica
Figura 4.9: Red de 3 nodos y dos inputs, completamente conectada.
A pesar de la enorme aleatoriedad (en dos niveles: la dinmica y la conectividad) las redes de Kauman tienen sorprendentes propiedades de autoorganizacin que las hacen particularmente interesantes desde el punto de
vista de la organizacin del genoma y la diferenciacin celular [25]. Kauman discute adems su importancia en el contexto de la evolucin prebitica
y el origen de la vida [29, 30].
4.3.1. Modelos N K
Cada elemento o gen recibe entradas de otros
genes entre los
totales. Las entradas alimentan la dinmica mediante una funcin booleana.

El resultado de la funcin booleana es el output del gen, y afecta otros genes
conectndose a sus inputs. En la gura 4.9 y las tablas vemos un ejemplo
para una red pequea, con tres nodos y
K = 2.
En este ejemplo, las funciones asignadas a los nodos 2 y 3 son OR y

la correspondiente al nodo 1 es AND. Para este sistema pequeo podemos
escribir exhaustivamente todas las transiciones posibles entre los posibles
3
estados de la red, que son 2 = 8:
79
t+1
t
1
Es fcil identicar los atractores y sus cuencas, que se muestran en la

gura 4.10. Vemos que existen tres estados asintticos a los que llega el
sistema, segn las condiciones iniciales. Existen puntos jos (el 000 y el 111)
y un ciclo de perodo 2, entre los estados 001 y 010.
Figura 4.10: Atractores y ujo en la red de la gura 4.9.

A medida que el sistema sea ms grande, las posibilidades dinmicas
aumentan. El nmero de funciones booleanas de
entradas es exponencial
(dos posibles outputs por cada posible combinacin de inputs):
Nf (K) = 2 2K .
(4.32)
Una red mediana puede tener ms de una docena de cuencas de atraccin,

de distintos tamaos. Un caso se muestra en la gura 4.11, donde una multitud de estados
jardn del Edn
(estados sin preimagen) acaban atrados por
un ciclo de perodo 7.
Paras redes grandes, comparables a genomas, podemos estudiar las siguientes propiedades:
80
4. Expresin gentica
Figura 4.11: Cuenca de atraccin (una de las 15) de una red con
K = 3.
N = 13,
El atractor es un ciclo de perodo 7. Abarca 604 estados de los 8192
estados de la red.
La longitud del ciclo atractor (de 1 a
2N ).
El nmero de ciclos alternativos posibles (de 1 a
2N ).
El tamao de la cuenca de atraccin de cada atractor.

La estabilidad de los atractores frente a la perturbacin mnima (el
ip de un estado).
El dao causado por un ip en la dinmica.
Los cambios en los atractores y sus cuencas producidos por una mutacin (el ip de un dgito en una funcin booleana).
La hiptesis de Kauman es que los tipos celulares son atractores de la
red genmica, que identicamos con una red
N K.
4.3.2. Propiedades dinmicas

Supongamos una red grande, con el estado inicial y las funciones tomados
al azar, con lo que nos aseguramos que no existen correlaciones a priori.
Caso K = N
81
Cada elemento recibe como input todos los estados del sistema. Existe
una sola conectividad de este tipo. Es el caso ms desordenado posible y la
dinmica resulta aleatoria.
Longitud de los ciclos:
Nmero de atractores:
Tc 1 2N .
2
Na N . (Por
e
ejemplo,
N = 200, Na 74.)
Los atractores son muy inestables, con separacin exponencial entre estados que dieren en 1 bit.
Caso K = 1
Este caso tiene los elementos conectados a slo un vecino, con lo cual
muchos quedan formando colas y no inuyen mayormente en la dinmica.
Nmero de elementos en bucles desconectados:
1/8 log2 N
Longitud de los ciclos: Tc e
.
( )N (1+o(1))
2
Nmero de atractores: Na
.
e
Nb
N ln N .
Caso K = 2: orden colectivo espontneo

K=2
es un caso crtico, muy diferente de los dems.

Tc .
N
Na N .
Los atractores resultan tpicamente estables frente a perturbaciones minimales, y resistentes a las mutaciones en
i .
El nmero de atractores es muy reducido (del orden del nmero de tipos

celulares) y espontneamente resultan muy estables. Por ejemplo, si
10 000,
En
tenemos
K =2
Na 100
Tc 100,
N =
con muchos elementos congelados.
se produce una transicin de fase, que se puede caracterizar
mediante una magnetizacin:
1
m(i) =
Si (t).
t=1
Si los ciclos son cortos,
m(i)
tomar valores fraccionarios (1/4, 1/3, 2/3,
1/2,. . . ). Entonces, el histograma
P (m)
P (m)
(4.33)
P (m)
ser:
con picos aislados en el rgimen ordenado.

con una banda continua ms picos en el rgimen catico. Es una
situacin similar a la transicin al caos determinista en un sistema continuo

(si bien estos sistemas no pueden ser caticos, ya que el espacio de conguraciones es nito, por lo cual son necesariamente peridicos).
Caso K 5
82
Tc 1 2bN (b [ 1).
>
2
(
)1 ] kN
1
Na 2 N log 1
N
.
2
4. Expresin gentica
Figura 4.12: Comparacin entre el nmero de atractores y de tipos celulares

para distintos tamaos del genoma.
En denitiva, las nicas redes con

de
K = Kc = 2.
alta estabilidad homeosttica
son las
Asimismo, la accesibilidad entre atractores, que permite
transiciones entre atractores al producir una mutacin, es baja solamente

para
K = 2.
Todos estos resultados fueron obtenidos numricamente por Kauman y

colaboradores, y analticamente para
K=N
K = 1.
Pero Bernard Derri-
da y otros propusieron un procedimiento para demostrar que efectivamente

existe un punto crtico.
(Formacin de ncleos duros y paredes que percolan, g. de Sci. Am.)
4.3.3. Modelo de Derrida

Este modelo de tipo annealed permite estudiar la dinmica del solapamiento entre dos conguraciones de una red
sitio, as como las
N K.
Las
conexiones de cada
funciones booleanas, se vuelven a elegir al azar en cada
paso de tiempo. Con esta aleatoriedad se pierde el comportamiento asintN

tico peridico (a lo sumo de perodo 2 ) de las redes de Kauman, pero se
pueden hacer clculos analticos, y se han comprobado las predicciones de
acuerdo a lo que se observa en las redes de Kauman para
N .
Es un poco sorprendente, pero la dinmica del modelo annealed es similar

a la del modelo quenched. Pensemos en lo siguiente: el estado de un elemento
i est determinado, a tiempo t = 1 por el estado de K 1 otros elementos, a
travs de un cierto conjunto de funciones aleatoriamente elegidas. Su estado a
2
tiempo t = 2 est determinado por el estado de K elementos a t = 0, a travs
de
otro conjunto
de funciones aleatoriamente elegidas. Y as sucesivamente.
83
Figura 4.13: Cuando coinciden los estados de los inputs de un nodo de ambas
redes, en el tiempo siguiente coinciden los estados de ese nodo.
Si
N ,
esto vale para cualquier tiempo nito: el estado de un elemento
est determinado por (un conjunto exponencialemente creciente) de otros

estados, a travs de conjuntos de funciones siempre distintas (si
es nito
esto no es cierto, ya que las funciones empiezan a repetirse). En consecuencia,

la dinmica annealed y la dinmica quenched resultarn muy parecidas para
sistemas muy grandes.
Supongamos dos redes idnticas en conexiones y funciones, pero en estados iniciales distintos. Denimos:
El
solapamiento
estado, a tiempo
como la fraccin
a(t)
de sitios homlogos en el mismo
t.
La probabilidad de que un sitio reciba inputs de
sitios solapados es
a(t)K .
t+1, en el mismo estado en las dos redes (solapado),
t ni la regla en particular. Por lo tanto a(t)K
es una parte de la fraccin de sitios solapados a tiempo t + 1. La gura 4.13
esquematiza esta situacin para K = 2.
K
La fraccin restante 1 a(t)
an puede solaparse por coincidencia de la
Tal sitio va a estar, a
sin importar el estado a tiempo
dinmica, an cuando los vecindarios fuesen diferentes. Como las funciones

son asignadas al azar, la mitad de estos sitios resultarn solapados:
a(t)K ).
84
1/2(1
4. Expresin gentica
Es decir, la dinmica del solapamiento es el mapeo:
1
a(t + 1) = a(t)K + (1 a(t)K ),
2
1
=
[1 + a(t)K ].
2
(4.34)
(4.35)
Esta ecuacin se puede transformar en una ecuacin para la distancia de

Hamming entre las dos conguraciones, que es el nmero de bits distintos:
d(t) =
(1)
(2)
|Si (t) Si (t)|
(4.36)
i=1
y que se relaciona con el solapamiento as:
a(t) =
N d(t)
.
N
(4.37)
Entonces:
1
d(t + 1) = [1 (1 d(t))K ] fK (d).
(4.38)
2
Este mapeo tiene un punto jo, d = 0, cuya estabilidad est determinada

por la derivada:
fK (d)
d d
K
=
[1 d ]K1
2
K
=
.
2
(K) =
(4.39)
(4.40)
(4.41)
Es decir, el lmite de estabilidad, (Kc ) = 1 (es un mapeo), nos da Kc = 2.

d = 0 es estable: es la fase congelada, en la que la distancia
entre conguraciones cae a cero. Por encima, d = 0 es inestable, y la disPor debajo,
tancia entre conguraciones crece exponencialmente (fase catica). Estas

propiedades son las mismas que se observan en el modelo quenched de
Kauman.
4.3.4. Comentarios nales

Es interesante observar un cambio de paradigma que involucran estos estudios sobre el genoma considerado de manera funcional. En pocas palabras,
podemos decir que el fenotipo no est determinados
solamente
por el genoti-
po. En cambio es el genotipo ms la topologa de la red de interaccin entre
85
Figura 4.14: Evolucin de la distancia de Hamming en el modelo de Derrida,

para
K=1
y 3.
genes lo que determina el estado de activacin del genoma como un todo, y

por lo tanto el fenotipo (no ya solamente el tipo celular!). Existe cada vez
ms evidencia de laboratorio de que esto es realmente as en los organismos
reales. Por ejemplo, se ha mostrado que es posible hacer que
E. coli
sinteti-
ce o no una protena uorescente, simplemente intercambiando las regiones

reguladoras de lacR, tetR y
cI,
sin cambiar las secuencias
de estos genes
[26].
A medida que el uso de micro-arrays ha acelerado enormemente el relevamiento de las redes de regulacin gentica, hay cada vez ms evidencia.
Por ejemplo, en la planta
Arabidopsis thaliana
se ha relevado una red for-
mada por 15 genes, tanto en su topologa como en las conexiones lgicas de

su interaccin. Simulando una red booleana basada en ella se encuentran 10
atractores, que corresponden a los estados de activacin de distintos tejidos
de la planta. Ms an, al recablear algunos genes se encuentran patrones de
expresin gentica que corresponden a mutantes conocidos de la planta [27].
El hecho de que los sistemas homeostticos ocurran slo a
K=2
es un
poco decepcionante, ya que en las redes de regulacin genmica la conectividad es un poco ms grande. Una posible solucin para esto son redes con
funciones canalizadas, es decir sesgadas hacia uno de los estados, el 1, por
ejemplo. Es decir, las funciones se eligen a lazar, pero favoreciendo las que
q . en tal caso, la transicin de fase se

K . Este sesgo se ha buscado infructuosamente
producen output 1, con probabilidad

corre hacia valores mayores de
en redes genmicas reales, de manera que no existe an una respuesta concluyente para este problema. Existe sin embargo cierta evidencia de que la
dinmica del sistema de interaccin gentica es crtica en algunos organismos. Obsrvese la gura 4.15 que muestra el mapeo equivalente al de la gura
4.14, y se ver que son compatibles con el comportamiento crtico (K
= 2)
del modelo de Derrida [28]. Pero hay tambin evidencia en contra, y es un
86
4. Expresin gentica
Figura 4.15: Dinmica crtica en redes de organismos reales (de [28]).
tema todava controversial.

Kauman ha mencionado tambin que la topologa de la red tambin
afecta esto, obtenindose el mismo efecto con redes scale-free sin bias que
con redes aleatorias con bias (comunicacin personal, junto con Maximino
Aldana).
Vale la pena mencionar tambin el trabajo de Luis Morelli y Damin Zanette, sobre sincronizacin de redes de Kauman acopladas (PRE
63, 036204
(2001)).
87
88
Captulo 5
Ondas de poblacin
Todos los fenmenos que hemos descripto con ecuaciones de poblacin
ocurren en el espacio extendido. Lo mismo ocurre a otras escalas en los sistemas biolgicos: inter- o intra-celularmente, la propagacin de una concentracin qumica o de una deformacin mecnica, o de una seal elctrica, etc.,
determina el curso de la evolucin del sistema.
A nivel molecular el mecanismo de transporte suele ser la difusin, si bien
existen tmbin mecanismos de transporte activo de protenas en en citoplasma llamados
motores moleculares.
A nivel de los organismos el transporte
puede ser mucho ms complicado, pero en muchos casos una aproximacin

difusiva no est tan mal. Por ejemplo, en situaciones en las que los individuos
ocupan espacios descriptos por distribuciones tipo campana. En otors casos,
por ejemplo si hay migraciones, o quimiotaxis, etc., el fenmeno puede ser
ms complicado.
La difusin estndar en una dimensin es de la forma:
u
2u
= D 2,
t
x
donde
(5.1)
u es alguna concentracin o densidad de poblacin, y D es el coeciente

D 109 1011 cm2 /s.
de difusin. A nivel celular se tiene que
El fenmeno de transporte difusivo es muy ineciente para llevar informacin de un lado a otro de la clula. Por ejemplo, el tiempo necesario para
llevar informacin a lo largo de una distancia L es el tiempo caracterstico de
2
5
7
difusin: T L /D . Si L = 1mm, tenemos que en la clula T 10 10 s,
o sea entre 1 da y 3 meses! Evidentemente tiene que haber otros mecanismos
en juego.
El comportamiento usual e intuitivo de la difusin: el de borronear estructuras, resulta drsticamente modicado cuando se lo acopla a un mecanismo
89
de reaccin:
2u
u
= f (u) + D 2 .
t
x
(5.2)
En estos casos ocurre un pequeo milagro matemtico y son posibles soluciones tipo onda viajera, en forma de perles de que propagan sin cambiar
de forma:
u(x, t) = u(x ct) = u(z),

La forma
cidad
u(z)
con
z = x ct.
(5.3)
parece estacionaria si nos movemos junto con la onda a velo-
c.
5.1. Ecuacin de Fisher

El caso clsico y ms sencillo de estos fenmenos est descripto por la
Ecuacin de Fisher-Kolmogorov:
u
2u
= k u(1 u) + D 2 ,
t
x
(5.4)
que es la extensin difusiva natural del modelo logstico. Analicemos una

versin adimensional:
u
2u
= u(1 u) + 2 ,
t
x
donde hemos hecho el cambio de variables
t = kt
(5.5)
x = x k/D,
y luego
dejamos de lado las primas. En un sistema espacialmente homogneo las

soluciones
u(x) = 1 y u(x) = 0 son equilibrios, uno estable y el otro inestable.
Esto sugiere buscar soluciones no homogneas, tipo frente de onda, que
u > 0, como se ve en la gura 5.1.

Propongamos u(x, t) = U (z) como solucin, con z = x ct donde c es la
velocidad de la onda, y sea c > 0 para especicar una situacin. Substitumos
conecten 1 con 0, con
en (5.5):
U (z)
dU z
u
= U (x ct) =
=
= cU ,
t
t
t
dz t
dU z
u
=
U (x ct) =
= U ,
x
x
dz x
2u
u

z
=
=
U = U
= U .
2
x
x x
x
x
90
(5.6)
(5.7)
(5.8)
Figura 5.1: Estados estacionarios homogneos, estable e inestable, de la ecuacin de Fisher, y estado no homogneo que los conecta en forma de frente.
Es decir, podemos escribir la ecuacin transformada:
U + cU + U (1 U ) = 0.
Tenemos que determinar ahora el o los valores de
(5.9)
c tales que una solucin
de (5.9) satisfaga:
l U (z) = 1,
m
l U (z) = 0.
m
(5.10)
Como (5.9) es una ecuacin de orden 2, pasemos al espacio de fases

(U, U ):
U = V
V = U = cV U (1 U )
f,
g,
(U, V )
(5.11)
(5.12)
y dividiendo estas dos tenemos que las soluciones satisfacen en el espacio de

fases:
cV U (1 U )
dV
=
.
dU
V
Los puntos crticos de este sistema son
(0, 0)
(1, 0).
(5.13)
Analicemos su estabi-
lidad lineal:
f
= 0,
U
g
= 1 + 2U,
U
f
= 1,
V
g
= c,
V
(5.14)
(5.15)
91
(
J =
(
J(0,0) =
0
1
1 c
)
0
1
1 + 2U c
(5.16)
1
= (c ) + 1 = 2 + c + 1 = 0
1 c
(5.17)
c2 > 4
1
= (c c2 4) 2
2
c <4
nodo estable
(5.18)
espiral estable
Por otro lado:
J(1,0)
(
)
0 1
1
=
= (c ) 1 = 2 + c 1
1 c
1 c
(5.19)
1
= (c c2 + 4), ensilladura.
2
(5.20)
c c0 = 2
(5.21)
En resumen, si
el origen es un nodo estable, y la situacin es la que vemos en la gura 5.2.

El frente de onda est descripto por la trayectoria heteroclina que conecta el
(1,0) con el (0,0).
Figura 5.2: Trayectorias heteroclinas en el espacio
(U, V ),
que representan
dos posibles formas del frente de onda (5.9).

Por otro lado, si
c c0
el origen es una espiral. En su proximidad
oscila
con valores negativos, lo cual no es fsicamente posible si el modelo decribe

la evolucin de poblaciones o concentraciones.
92
En trminos dimensionales, se tiene que las velocidades permitidas son
c c0 = 2 kD.
(5.22)
Volvamos a hacer el clculo del tiempo de propagacin en la clula. Ahora

el frente se mueve de manera balstica con velocidad c, de manera que c
L/T T L/(2 kD). Si k 1, tenemos T 103 104 segundos, mucho

ms razonable!
Qu condiciones iniciales
u(x, 0)
de la ecuacin en derivadas parciales
son compatibles con estos frentes? Kolmogorov prob (1937) que si

satisface que:
{
1
u0 (x) =
0
u(x, 0) = u0 (x) 0,
con
x1 < x2
u0
continua, entonces
u(x, t)
si
si
x x1 ,
x x2 ,
u(x, 0)
(5.23)
evoluciona asintticamente a un
frente propagndose hacia la derecha con velocidad
c = c0 = 2 .
x x,
La ecuacin de Fisher es invariante ante el cambio
as que hay
una solucin
u(x, t) = U (x + ct),
(5.24)
de modo que una condicin inicial positiva en un dominio (una regin acotada) evoluciona hacia dos frentes, de propagacin opuesta, como se ve en la
gura 5.3.
Figura 5.3: Un frente doble evoluciona a partir de un estado inicial con soporte compacto.
No se conocen soluciones analticas generales de (5.9) o (5.13) (excepto
para valores particulares de
aproximada (perturbativa)
c = 2, 0,25
c). Se puede encontrar sin embargo una solucin

2
cuando se satisface que c
es pequeo. Para
no parece tan pequeo, pero comparaciones con soluciones
numricas muestran que es una buena aproximacin. Esta solucin puede

usarse para mostrar que
1
+o
U (0) =
4c
1
c5
)
,
(para
c 2)
(5.25)
93
Figura 5.4: Ondas chatas viajan ms rpido que ondas abruptas.
es decir que las
ondas ms rpidas son ms chatas.
Para ecuaciones de reaccin-difusin generales:
u
2u
= f (u) + 2
t
x
donde
u2 ,
tiene 2 ceros
u1
u2 ,
se tienen tambin frentes que conectan
(5.26)
u1
con
con
c c0 = 2
f (u1 ).
(5.27)
5.2. Solucin aproximada del frente de onda

Aprovechando la invariancia de traslacin de la ecuacin y de la solu-
z = 0 el punto donde la concentracin pasa por el punto

medio, U (0) = 1/2. Vamos a buscar una solucin aproximada, vlida en la
proximidad de z = 0.
cin, tomemos en
Sea el cambio de variable:
z
= z,
c
U (z) g().
(5.28)
No hay una receta siempre vlida para encontrar la transformacin adecuada

en cada caso. En general se la encuentra probando, hasta que la ecuacin
transformada da una solucin perturbativa que sirva. En este caso tenemos:
U + cU + U (1 U ) = 0
1 dg
c d
d2 g
1 d2 g
U = 2 2 = 2
c d
d
U =
94
(5.29)
(5.30)
(5.31)
d2 g dg
+
+ g(1 g) = 0,
d 2 d
(5.32)
con:
0<
g() = 1, g(0) = 1/2, g() = 0,

Observemos que el parametro pequeo
1
= 0,25.
c2
0
(5.33)
multiplica el orden ms alto de
perturbaciones singulares : al poner = 0 la solucin perturbativa no se comporta
la ecuacin diferencial. Esto en general desemboca en un problema de
bien. En particular, no se comporta bien en los bordes del problema. En este

caso, sin embargo (as como en otros problemas de frentes de ondas u ondas
de choque) la ecuacin reducida da un buen orden 0, gracias al trmino logstico que se anula en los bordes. Seguimos adelante y buscamos soluciones
de la forma:
g(, ) = g0 () + g1 () + .
Las condiciones de borde (y de centro) para
g0 () = 1,
gi () = 0,
g0 (0) = 1/2,
gi (0) = 1/2,
(y
(5.34)
imponen:
g0 () = 0,
gi () = 0, i = 1, 2, . . .
(5.35)
(5.36)
Substituyendo en la ecuacin diferencial (5.32):
] (
)
d2 g0
dg0
d 2 g1
dg1
+ 2 +
+
+ (g0 + g1 )(1 g0 g1 ) = 0
d 2
d
d
d
o(1) :
o() :
dg0
+ g0 (1 g0 ) = 0
d
d2 g0 dg1
+
g0 g1 + g1 (1 g0 ) = 0
d 2
d
d2 g0
dg1
+ g1 (1 2g0 ) = 2
d
d
(5.37)
(5.38a)
(5.38b)
(5.38c)
La ecuacin (5.38a) es como una logstica pero ms fcil. Se resuelve haciendo

el cambio
y = 1/g0
y se obtiene:
g0 () =
(teniendo en cuenta que
1
1
=
1 + ae
1 + e
(5.39)
g0 (0) = 1/2).
95
Ahora, podemos usar (5.38a) para transformar (5.38c) haciendo:
2
g0 + g0 g0 = 0,
(5.40)
Derivo:
g0 + g0 2g0 g0 = 0,
g0 + (1 2g0 )g0 = 0,
g
(1 2g0 ) = 0
g0
(5.41a)
(5.41b)
(5.41c)
Y usando (5.41c) en (5.38c) tenemos:
dg1
g0
g0
que puede integrarse (ya conocemos
g1 () =
g0
ln(4|g0 |)
g1 = g0
g0 )
(5.42)
obteniendo para el orden
o():
[
]
e
4e
=
ln
.
(1 + e )2
(1 + e )2
(5.43)
Finalmente, y en trminos de las variables originales, podemos escribir:
[
]
( )
4ez/c
1
1
ez/c
1
U (z, ) =
+ 2
ln
+o 4 ,
z/c
z/c )2
z/c )2
1+e
c (1 + e
(1 + e
c
con
c c0 = 2
(y donde hemos reemplazado
(5.44)
1/c2 ).
c = 2. Sin
por su denicin
Observemos que la peor aproximacin en (5.32) es para
em-
bargo, la solucin aproximada se compara bien con soluciones numricas aun

usando slo el orden 0 (el orden
o(1)!)
del desarrollo.
Por la forma que tiene el frente, la inclinacin se puede tomar como la

U (z), es decir en el punto de inexin donde U (z) = 0:
mxima derivada
U = g = (go + g1 + o(2 )) = 0
g0 + g1 + o(2 ) = 0
(substituyendo) = 0 z = 0.
(5.45)
(5.46)
(5.47)
Entonces:
U (0) =
1
+ o(c5 )
4c
(5.48)
es una medida de la inclinacin del frente, y est relacionado con su velocidad,

como mencionamos ms arriba.
96
Captulo 6
Juegos evolutivos
La Teora de Juegos se origin en los esfuerzos para entender los juegos
de saln, como el pker y el ajedrez, y su formulacin matemtica se llev
a cabo para describir diversos comportamientos econmicos. En principio,
abarca cualquier situacin que involucre una interaccin estratgica. Provee
una manera de calcular la ganancia esperada de los jugadores al elegir distintas estrategias de juego y realizar sus movidas. Comprende situaciones
de competencia, desde los juegos de saln hasta la guerra, pero tambin de
cooperacin y altruismo. Cuando surgi la formulacin matemtica que forma el ncleo de la teora, en los aos `50, fue popular entre los analistas de la
Guerra Fra. En los `70 los bilogos la adaptaron para describir situaciones
de evolucin biolgica. En los `80 renaci el inters entre los economistas,
lo que llev al Premio Nbel otorgado a John Nash en 1994. Hoy en da se
ha expandido al currculo de muchas ciencias, desde la antropologa hasta la
neurobiologa, y tiene un potencial para proveer un lenguaje unicador en
reas dispares de la ciencia.
Formalmente, la Teora de Juegos es el estudio de los resultados que surgen de interacciones estratgicas entre jugadores racionales. Estos resultados
dependen de las preferencias de los jugadores, y no de us intenciones. El signicado de esta especie de denicin no resultar claro ni preciso a menos
que se denan y expliquen todos los trminos de la denicin. El propsito
del presente captulo es ms modesto: proveer una introduccin a los conceptos y tcnicas fundamentales de la teora, en particular en aplicaciones
pertenecientes al campo del comportamiento animal.
97
6.1. Introduccin a la teora de juegos

La teora matemtica de los juegos fue inventada por el matemtico hngaro John von Neumann y por Oskar Morgenstern en 1944 [34]. En sus comienzos, una serie de consideraciones tericas limitaron considerablemente su
aplicabilidad. Esta situacin fue cambiando gradualmente hasta que, hacia
nes de los 70s y durante los 80s, se produjeron desarrollos espectaculares, fundamentalmente gracias al trabajo de John Maynard Smith [36] y su
concepto de
estrategia evolutivamente estable
(ESS). Von Neumann y Mor-
genstern estaban al tanto de la dicultad que fue resuelta gracias a las ESS,
y de hecho al nal del primer captulo de
Behavior, escriben:
Theory of Games and Economic
We repeat most emphatically that our theory is thoroughly static. A dynamic theory would unquestionably be more complete
and therefore preferable. But there is ample evidence from other
branches of science that it is futile to try to build one as long as
the static side is not thoroughly understood.
Los objetivos originales de la teora consistan en encontrar principios
generales del comportamiento racional. Se esperaba que ste resultara ptimo
contra un comportamiento irracional. Se analizaban entonces experimentos
imaginarios entre jugadores perfectamente racionales, y que saban que sus
oponentes tambin lo eran, y que usaran una estrategia similar. Result
que se estaba pidiendo demasiado, que la racionalidad de los jugadores era
una condicin demasiado restrictiva y, en ltima instancia, perjudicial. La
especie de los jugadores racionales entr en el camino de la extincin al
introducirse la doctrina de la mano temblorosa: qu pasara si un jugador
creyese que, ocasionalmente, su oponente hara la jugada incorrecta en lugar
de la correcta? Es una cuestin sumamente racional de considerar. Qu
tan ocasional podra ser ese comportamiento? Tiene relevancia que los
jugadores se equivoquen a propsito, habiendo concebido la jugada correcta,
pero no llevndola a cabo?
Una vez abierta la puerta de la irracionalidad, no hubo vuelta atrs: los
jugadores ya no son lgicos perfectos.
Esta situacin result en extremo favorable para la teora, ya que abri
las puertas a innumerables aplicaciones en las ciencias sociales, desde la tica
a la economa, desde la poltica hasta el comportamiento animal. Al no estar
restringidos por el comportamiento racional, los jugadores pueden aprender,
adaptarse, evolucionar. En lugar de encontrar la solucin perfecta basada
en consideraciones a priori, se trata ahora de estudiar el comportamiento dinmico de modelos de juegos denidos por estrategias, payos y mecanismos
98
de adaptacin. No est para nada claro que la situacin vaya a alcanzar un

estado estacionario.
Ahora bien, por qu es esto relevante para la biologa? Todos los aspectos del comportamiento animal tienen alguna inuencia en uno de los
conceptos centrales de la evolucin: la
tness
(estrictamente, el nmero de
descendientes vivos que el animal produce). La seleccin natural tiene por

efecto que el comportamiento de un animal tienda a
maximizar su tness. El
comportamiento ptimo que maximiza la tness resulta de un balance

entre benecios y costos. Por ejemplo, consideremos un animal macho que
produce un sonido para atraer a las hembras y aparearse. La intensidad del
sonido que produce tiene asociado un benecio y un costo: cuanto ms fuerte
chille, por ejemplo, de ms lejos lo oirn sus potenciales parejas; pero chillar
ms fuerte cuesta ms energa. La prediccin de un
modelo de optimizacin
para un comportamiento de este tipo ser que ambas tendencias tendrn por
efecto que la intensidad ptima se encuentre en algn valor intermedio, en
principio seleccionado naturalmente.
Ahora bien, en general este animal no se encontrar solo, sino que habr
otros machos tratando de atraer a las mismas potenciales parejas. De manera
que el xito de su comportamiento depender no solamente de cun fuerte
chille,
sino de cun fuerte chillen los dems.
Una estrategia posible, por
ejemplo, sera quedarse callado en medio de sus congneres chillones. De esta

manera no incurre en el gasto asociado a la llamada de apareamiento. Este
comportamiento recibe el nombre de
satlite.
Si las hembras no son muy
selectivas al acercarse a los machos y se aparean indiscriminadamente con

ellos, el macho satlite probablemente tenga una ventaja sobre los otros, ya
que percibe los benecios sin incurrir en los costos. En todo caso, lo que est
claro es que la tness ahora no depende simplemente de la relacin entre
costos y benecios, sino que depende tambin de las
estrategias, o modos de
comportamiento, que ejerzan todos los participantes. Uno puede imaginarse
99
una cantidad de preguntas relevantes en un caso como ste, tales como: qu

fraccin de satlites puede haber en una poblacin de machos? qu pasa
si los machos se comportan como satlites slo parte del tiempo? qu tipo
de estabilidad tienen estas soluciones? cmo se llega a ellas mediante una
dinmica de estrategias? qu pasa si hay imitacin de comportamientos?
qu pasa cuando se introduce un mutante en una poblacin homognea?
Presentaremos primero un par de ejemplos, que servirn para introducir algunos conceptos fundamentales, y a continuacin volveremos sobre el
anlisis de chillones y satlites en el marco de la Teora de Juegos.
6.1.1. Ejemplo: pker simplicado

Comencemos con un ejemplo consistente en un juego bien sencillo (atribuido a John von Neumann), una versin simplicada del pker. Supongamos
dos jugadores, y slo dos cartas:
Johann
Sebastian
Jugadores
{
Cartas
As
Rey
Las reglas del juego son as:

1. Cada jugador aporta 1$ al pozo.
2. Johann levanta una carta y la mira.
3. Johann tiene dos opciones:
a)
b)
Se va al mazo (y Sebastian gana el pozo, 1$).

Apuesta 1$ ms al pozo.
4. Sebastian (que no conoce la carta de J) tiene dos opciones:
a)
b)
Se va al mazo (y Johann gana el pozo, 1$).

Ve la apuesta y agrega 1$ al pozo.
5. Johann muestra su carta. Pueden ocurrir dos cosas:
a)
b)
100
Johann tiene el As: J gana, 2$.

Johann tiene el Rey: S gana, 2$.
Estas son las reglas del juego. Analicemos posibles estrategias:
Blufear, elevar la apuesta independientemente de la carta que tiene.
NB:
No blufear, elevar la apuesta slo si tiene el As.
V:
Ver, levantar la apuesta si J apuesta.
NV:
B:
No ver.
Sebastian slo debe actuar si J eleva la apuesta, si no, no. Notemos que
ambos jugadores bien pueden decidir qu estrategia usar aun antes de iniciar
la mano.
El resultado es, por supuesto, incierto, ya que depende de la carta que
saque J, al azar. Por ejemplo, si Johann elige de antemano NB (no blufear)
y Sebastian elige V (ver), los resultados posibles son:
1. Con probabilidad
p = 1/2,
J saca el A, apuesta y gana 2$.
2. Con probabilidad
p = 1/2,
J saca el K, se va, y pierde 1$.
El
payo esperado
de Johann, con estas estrategias, es entonces:
1
1
+ 2$ 1$ = 0,50$
2
2
(6.1)
Del mismo modo podemos analizar las restantes combinaciones de estrategias de J y de S, que pueden representarse mediante la siguiente
payo :
Payo de J
Si S ve
Si S no ve
Si J blufea
Si J no blufea
0.50
matriz de
Como lo que gana Johann es lo que pierde Sebastian, est claro que
tenemos una matriz de payo para Sebastian que es opuesta a la de Johann:
Payo de S
Si S ve
Si S no ve
Si J blufea
-1
Si J no blufea
-0.50
Un juego de este tipo se llama de
suma cero.
Claramente, si J jams blufea, S no debe jams ver: as, si bien no gana,

minimiza lo que gana J (0 en lugar de
0,50).
Pero, si J puede anticipar que S jams ve, entonces le conviene blufear

siempre: as maximiza lo que gana (1 en lugar de
0,50).
Pero entonces a S le conviene avivarse y empezar a ver, para perder menos.

Y entonces a J le conviene dejar de blufear y pasar de ganar 0 a ganar 0.50.
101
1.0
0.083
0.249
0.415
0.166
0.8
0.332
0.5
0.6
PJ
0.4
1.0
0.3
0.498
0.249
0.4
0.2
0.0
0.332
0.5
0.664
0.581
0.2
0.083
0.5
x
0.83
1.0
0.166
0.0
0.0
0.0
0.415
0.2
0.4
0.913
0.747
0.6
0.8
Vemos que rpidamente, los jugadores empezarn a pasearse por las distintas estrategias. Es posible que dejen de predeterminar sus estrategias, y
empiecen a usar una u otra, con ciertas probabilidades, al azar. en otras palabras: que dejen de usar estrategias
mixtas.
puras
y empiecen a usar (
estrategias
Llamemos:
x:
y:
probabilidad de que J blufea,

probabilidad de que S ve.
El payo esperado de Johann es:
1
P (J) = 1 x(1 y) + (1 x)y
2
1
1
= x xy + y xy
2
2
1
3
= x + y xy.
2
2
Esta
P (x, y)
(6.2)
(6.3)
(6.4)
es un paraboloide hiperblico, es decir una especie de silla
(0, 1) (0, 1). Es una supercie reglada: si

la cortamos paralelamente al eje x, los cortes son lineas rectas, y lo mismo
ocurre paralelamente al eje y . Estas rectas son horizontales cuando x = 1/3 y
cuando y = 2/3. En la gura est representada la supercie y su interseccin
de montar, restringida al espacio
con un plano horizontal de payo constante, correspondiente al payo de

Johann cuando
x = 1/3
y = 2/3.
Tambin vemos un grco de contornos,
con tonos proporcionales al payo.

Supongamos que Johann elige blufear con una probabilidad relativamente
alta,
102
x > 1/3.
Si S se da cuenta, elegir siempre ver,
y = 1,
para reducir al
1.0
P (J) = x + 1/2 3/2x = (1 x)/2 < 1/3. Si,

en cambio, J elige blufear con x < 1/3, Sebastian bien puede elegir no ver
nunca, y = 0, con lo cual P (J) = x < 1/3.
mnimo la ganancia de J:
x = 1/3, su payo ser P (J) = 1/3

(P/y|x=1/3 = 0). De esta manera,
Pero si J elige blufear con exactamente
independientemente de lo que haga S
minimal
Johann tiene un modo de maximizar su payo mnimo (

Sebastian puede hacer lo mismo. Si elige
y = 2/3
son estrategias
P/x = 0) se
estrategias x = 1/3,
(donde
asegura que J no gane ms que 1/3$, en promedio. Las
y = 2/3
en ingls).
maximin : lo mejor, si uno asume lo peor.
Pero por qu habra uno de asumir siempre lo peor?

Supongamos que Johann es tmido, y que no se anima a blufear con una
x = 1/3, y que usa una menor. Mientras Sebastian

y = 2/3, el payo
Por supuesto, a Sebastian le convendra reducir y ,
probabilidad tan alta como
no se d cuenta y, habiendo supuesto lo peor, siga usando

de Johann no se reducir.
para que J gane menos. A este punto, a J le conviene superar su timidez y

pasar directamente a blufear siempre,
x = 1.
Y entonces Sebastian. . . (ver la
gura)
Vemos que la estrategia maximin es una especie de equilibrio, pero deja
bastante que desear: en cuanto un jugador la abandona, el otro puede tomar
ventaja.
En todos los juegos de suma cero como ste, existe esta estrategia llamada maximin conservadora que le conviene a los dos jugadores a la vez.
Pero la mayor parte de los juegos no son de suma cero.
103
6.1.2. Ejemplo: un juego que no suma cero

chicken
Consideremos el juego llamado Gallina (
en ingls, es decir co1
barde; en espaol el nombre gallina no tienen la misma connotacin ):

Johann y Sebastian estn a punto de pelear (tal vez despus de unas manos
de pker!) y ambos tienen la opcin de presentar pelea o de retirarse.
1. Si ambos se retiran, ninguno obtiene nada.
2. Si slo uno se retira, le paga 1$ al otro.
3. Si ambos pelean, ambos pierden, digamos 10$ (para pagarle al mdico,
por ejemplo).
La matriz de payo de Johann es:
Payo de J
Si S pelea
Si S cede
Si J pelea
-10
Si J cede
-1
Payo de S
Si J pelea
Si J cede
Si S pelea
-10
Si S cede
-1
Y la de Sebastian es la misma:
Claramente, cediendo, J tiene la oportunidad de maximizar su payo

mnimo. En la misma situacin est Sebastian: maximiza su payo mnimo si
cede. Pero cedern ambos? Difcilmente. El que crea que el otro ceder, dar
pelea. Pero si ambos pelean, a ambos les ir mal, algo que es completamente
irracional, pero que hemos visto repetirse una y otra vez tanto en la calle
como en la historia humana.
Consideremos nuevamente que ambos eligen sus estrategias de manera
aleatoria, con ciertas probabilidades. Sean
las probabilidades con las
que ambos pelean. El payo esperado de Johann y de Sebastian es:
P (J) = 10xy + x y,
P (S) = 10xy + y x.
(6.5)
(6.6)
En la gura estn representado estos payos, como contornos de nivel, para

ambos jugadores. Obsrvese que es tambin un paraboloide hiperblico, pero
est recortado de otra manera.
Es el famoso juego de dos autos corriendo hacia un acantilado que est representado
en la pelcula
.
1
Rebelde sin causa
104
1.0
1.0
9
8
0.8
0.8
7
6
0.6
0.6
4
0.4
5
0.4
2
0.2
0.2
0
0.0
0.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
Podemos ver que para Johann el payo de pelear (10y
iguala al payo de ceder (1y ) cuando
1.0
+ 1(1 y))
se
y = 1/10. Es decir, si Sebastian

busca la pelea con probabilidad y > 1/10, a Johann le conviene ceder. Si
Sebastian pelea con probabilidad y < 1/10, a Johann le conviene pelear. Si
ambos pelean con probabilidad x = y = 1/10, ninguno tiene nada que ganar
equilibrio de Nash (por John

A Beautiful Mind, famoso entre la
desvindose de esta estrategia. Estn en un

Nash, premio Nobel de Economa, el de
audiencia femenina).
Pero ninguno de los dos tiene un buen motivo para
no
desviarse de 1/10,
siempre que el otro permanezca en 1/10. Pero si Johann tiene alguna razn
para creer que Sebastian est peleando con
y > 1/10,
le conviene no pelar
nunca. Y si Sebastian sospecha que Johann tiene tal razn, ciertamente le

conviene pelear. Qu debe hacer Sebastian si, por ejemplo, Johann ha buscado pelea en dos de los cinco primeros encuentros? Debe pensar que es
alguna uctuacin estadstica, o que
x = 0,4?
Aun as, Johann tiene derecho
a pensar que Sebastian lo atribuir a que l est usando un valor de

El argumento para
x = y = 1/10,
x > 1/10.
de nuevo, parece espurio.
Sorprendentemente, fue un bilogo, John Maynard Smith, el primero en

ofrecer una explicacin convincente de todo esto [36, 37]. Maynard Smith,
quien estaba estudiando peleas entre animales, visualiz este juego en un
escenario de dinmica poblacional. Imaginemos que en lugar de slo dos jugadores, tenemos numerosos jugadores que se encuentran al azar en competencias en las que deben decidir si dar pelea o no. Ahora s tiene sentido que
los jugadores den pelea con probabilidad 1/10. Por qu? Si la probabilidad
promedio fuera ms alta, a cada jugador le convendra dar pelea con una probabilidad menor, con lo cual baja el promedio de la probabilidad de pelear
en la poblacin. Y viceversa. Es un mecanismo de
autorregulacin
(dentro
105
de la poblacin) que conduce al equilibrio 1/10. Estamos ante una
evolutivamente estable.
estrategia
Este mecanismo de autorregulacin es reminiscente del que se observa

en la ecologa de poblaciones, en donde las especies interactuantes regulan
mutuamente sus densidades. Efectivamente, existe una relacin muy estrecha. De hecho, el modelo ms comn de poblaciones interactuantes (LotkaVolterra) y el modelo ms comn de dinmica de frecuencia de estrategias
(las ecuaciones de replicador) son matemticamente equivalentes.
6.1.3. Anlisis formal de un juego

Acerqumonos de nuevo a la biologa, considerando nuevamente el juego
de atraccin de hembras mediante el comportamiento consistente en emitir
sonido. Imaginemos una poblacin de machos, algunos de los cuales chillan,
mientras que otros ensayan el comportamiento que hemos llamado satlite:
no chillar, intentando aprovecharse de la atraccin que causan sus vecinos.
El anlisis mediante juegos formales no deja de ser una construccin terica,
justicada por la esperanza de que arroje cierta luz sobre el comportamiento
animal, de manera que cierto nmero de simplicaciones son inevitables. En
primer lugar, consideraremos que las confrontaciones ocurren de a pares de
individuos. Mediante el juego, compiten por cierto recurso (en este caso,
acceso a las hembras).
En segundo lugar, no distinguimos estrategias por la intensidad del chillido, sino que las agrupamos todas en una sola estrategia. De manera que
tenemos dos estrategias: chilln y satlite. Las confrontaciones pueden ocurrir
entre individuos con la misma estrategia o con estrategias distintas:
Chilln vs Chilln,
Chilln vs Satlite,
Satlite vs Satlite.
El resultado de estas confrontaciones, en trminos evolutivos, es un cambio
en la tness de cada individuo. En la terminologa estndar de los juegos,
llamamos payo al resultado de cada confrontacin entre pares. Los payo
se organizan en una matriz de la siguiente manera:
Oponente
Estrategia focal
Chilln
Satlite
Chilln
E(C, C)
E(S, C)
E(C, S)
E(S, S)
Satlite
106
donde son usuales las siguientes convenciones:

La columna de la izquierda lista las estrategias del juego.
Las estrategias se repiten en los encabezamientos de cada columna.
Cada celda de la matriz representa una de las posibles confrontaciones,
y contiene los payos del estratega focal correspondiente (llamados
por expectation).
Cada payo depende de dos variables: la primera es la estrategia focal,
y la segunda es el oponente.
Cada la contiene todas las posibles confrontaciones correspondientes
a cada posible estrategia focal. En particular, ntese que bien puede
ocurrir que
E(C, S) = E(S, C).
Veamos cmo calcular los payos correspondientes a cada posible confrontacin. En primer lugar, se necesita una descripcin de la estrategia: en qu
consiste, cmo se comporta con respecto a las otras estrategias. Esto ya lo
tenemos para el ejemplo de chillones y satlites. A continuacin necesitamos
enumerar y cuanticar los siguientes elementos:
Probabilidades de ganar y de perder.
Valor del (o de los) recursos ganados.
Costos producidos al ganar.
Costos por perder.
Est claro que los valores de ganancias y costos deben estar expresados en una
unidad en comn (que en general ignoraremos, expresando todo en unidades
arbitrarias). El cmputo de un elemento de la matriz de payo, entonces,
tiene la forma general:
E(A, B) =
=
Benecios por ganar
Costos,
(6.7)
(valor del recurso costo

perder costo de perder.
prob. de ganar
prob.
de
de ganar)
(6.8)
Apliquemos estos conceptos al juego entre chillones y satlites. Digamos

que el recurso que se gana (acceso a las hembras que se acercan) tiene valor
G,
mientras que el costo de chillar tiene un valor
(gasto de tiempo, de
energa, o simplemente por aumento de la probabilidad de convertirse en
107
presa). Estos son los nicos valores que necesitamos, y construimos los payos
de la siguiente manera:
Chilln-chilln.
La probabilidad de ganar es
1/2
(suponemos que no
hay variaciones de un animal a otro). Si gana el recurso le aporta G, pero le

cuesta C, mientras que si pierde sufre el costo de todos modos. Entonces:
E(C, C) = 1/2(G C) 1/2C.
(6.9)
Satlite-chilln. La probabilidad de ganar es (atribuible a la falta de

discernimiento de las hembras). Si gana, obtiene el recurso sin incurrir en
gasto alguno. Si pierde, no pierde nada ya que no incurri en el gasto de
chillar. Entonces:
E(S, C) = G (1 )0.
(6.10)
Chilln-satlite. La probabilidad de ganar es 1 . El resto es como en

una confrontacin chilln-chilln. Entonces:
E(C, S) = (1 )(G C) C.
(6.11)
Satlite-satlite. La probabilidad de ganar es 1/2, pero no se gana nada

(ni se pierde, tampoco). Entonces:
E(S, S) = 0.
(6.12)
En denitiva:
Chilln
Chilln
Satlite
Satlite
1/2(G C) 1/2C
G
(1 )(G C) C
0
Veamos ahora cmo calcular la tness de cada estrategia. La tness es el

apyo de una estrategia mixta, de manera que depende de la frecuencia de los
otros comportamientos en la poblacin. Por ejemplo, el xito reproductivo
de un satlite depende de si quienes lo rodean son chillones o satlites. Si
los satlites son muy raros, el cambio en la tness por interactuar con un
satlite es relativamente pequeo comparado con el correspondiente cambio
si los satlites son abundantes. En el presente ejemplo, dado que tenemos
slo dos estrategias, podemos caracterizar las frecuencias relativas de ellas
en la poblacin mediante un solo parmetro:
fraccin de satlite
fraccin de chilln
108
= x,
= 1 x.
(6.13)
(6.14)
Esto nos permite escribir las tness de ambas estrategias, de la siguiente

manera:
F (C) = E(C, C)(1 x) + E(C, S)x,

F (S) = E(S, C)(1 x) + E(S, S)x.
(6.15)
(6.16)
Estamos ahora en condiciones de plantearnos una pregunta importante,

que ms adelante formalizaremos para casos de ms estrategias, pero que
ahora podemos atacar de manera sencilla porque este problema tiene slo
dos estrategias. La pregunta es la siguiente: puede ser estable una poblacin
compuesta exclusivamente por individuos que practican una misma estrategia? Es estable tal situacin respecto de la aparicin de un mutante o un
inmigrante con la otra estrategia? Y en caso de que ninguna de las poblaciones uniformes sea estable, es estable alguna poblacin mixta, con una
fraccin practicando cada estrategia? Claramente, la respuesta depende de
una combinacin entre las tness y las fracciones, y de la herencia de las
estrategias. Si una de las estrategias tiene ms tness que la otra, dejar ms
descendientes los cuales, heredando el comportamiento (la estrategia) de sus
progenitores, a su vez dejarn ms descendientes. Una de las estrategias aumentar su frecuencia en la poblacin a costa de la otra. Sin embargo,
si las
tness son iguales, ninguna de las estrategias lograr aumentar su frecuencia.

En este caso, podemos visualizar esto gracando las tness en funcin de la
fraccin de satlites
x, cosa que se simplica si a partir de ahora hacemos un
ejemplo numrico, poniendo valores en la matriz de payo. Digamos que el

recurso vale
G = 10,
y que el costo por chillar vale
C = 2.
Chilln
Satlite
3
10
En tal caso:
8 10
Chilln
Satlite
con lo cual las tness son:
F (C) = 3(1 x) + (8 10)x,

F (S) = 10(1 x).
(6.17)
(6.18)
Vemos que las tness de un poblacin mixta son funciones lineales de

y podemos distinguir dos casos, segn sea el valor de la probabilidad
respecto a un valor crtico
x,
con
c = 0,3:
109
> c , hay una interseccin de

que x es la fraccin de satlites). En
Vemos que en el segundo caso, cuando

las tness con
entre 0 y 1 (recurdese
esa situacin, una subpoblacin de chillones convive felizmente con un 20 %

de satlites. Si la composicin de la poblacin se encuentra a la derecha de
la interseccin, la tness de los chillones es superior a la de los satlites, se
reproducen ms, y su frecuencia aumenta en la poblacin (x disminuye). Si la
composicin de la poblacin se encuentra a la izquierda de la interseccin, la
tness de los satlites es superior, se reproducen ms, y aumenta su frecuencia
x.
Si
< 0,3,
entonces la tness de los chillones es mayor que la de los sat-
lites para cualquier combinacin de poblaciones, de manera que la situacin

de equilibrio es sin satlites (x
110
= 0).
Estas situaciones, que resultan estables respecto de un cambio en la composicin de la poblacin, se llaman
estrategias evolutivas estables
(ESS por
sus iniciales en ingls). Si la ESS consiste en una sola estrategia, como en el

presente ejemplo cuando
< 0,3,
pura. Cuando consiste en

llama mixta. Si las tness de
la ESS se llama
la coexistencia de dos (o ms) estrategias, se
las dos estrategias se hubieran cortado de otra manera, como en esta gura,
la intereseccin
no
sera estable.
Ejercicio. Analizar las ESS para el caso general, en funcin de G y C ,

identicando las situaciones cualitativamente distintas.
6.1.4. Halcones y Palomas

Un tema recurrente en el estudio del comportamiento animal es la existencia de luchas formales, en particular en animales dotados de armas poderosas. El resultado, en general, se alcanza no a travs de la pelea fsica sino
despus de una serie de amenazas y demostraciones de fuerza. La muerte o las
heridas serias rara vez ocurren en estos combates. Despus de una secuencia
de demostraciones, cada vez ms amenazantes, que llegan tal vez al contacto
fsico (por ejemplo entre los ciervos machos), uno de los contrincantes cede y
abandona el combate.
Este tipo de combate requiere una explicacin. Despus de todo, un macho
que efectivamente matase a todos sus rivales, se asegurara la propagacin
de sus propios genes. Generaciones subsiguientes heredaran esta propensin
a matar. Por qu, entonces, la pelea abierta y total es tan rara?
111
El bilogo John Maynard Smith us la teora de juegos para mostrar,

a principios de los 70's, cmo era posible esto. El libro de Maynard Smith,
Evolution and the theory of games
(1982) es una buena referencia.
El principal argumento se basa en un experimento pensado, un modelo

de juguete en el que hay dos comportamientos posibles:
1. H: hawks, halcones: Muy agresivos, lucharn tan duramente como puedan por obtener el recurso, retirndose slo cuando estn heridos. Solemos decir que escalan (intensican, agravan) el conicto hasta la
lucha fsica o la retirada del oponente.
2. D: doves, palomas: Nuca luchan por el recurso. Hacen demostraciones
de agresin, pero se retiran si el otro escala el conicto.
(Los nombres halcones y palomas, basados en su uso convencional por
parte de los seres humanos, son incorrectos, pero se han vuelto populares. La
lucha se entiende entre individuos de la misma especie, no de dos especies.
Ms an, las palomas verdaderas escalan, como se puede leer en los libros
de Konrad Lorenz. Desde un punto de vista formal, el juego de Halcones y
Palomas es equivalente al de Chicken ya descripto.)
El premio de la pelea puede ser comida, o territorio, o el control de las
hembras, y se puede medir en un aumento de tness, o xito reproductivo).
En el caso de lucha fsica, hay un costo asociado a resultar herido:
+G
Perdedor: C
Ganador:
si pelea
Los posibles encuentros son:
DD
Demostraciones, se miran jo, se hinchan, se golpean el pecho o lo que

sea, y al nal uno cede. El ganador recibe
payo medio es entonces
G,
y el perdedor, nada. El
G/2.
HD
El palomo se retira, y el halcn recibe
HH
Los dos escalan hasta llegar a la lucha fsica, en la que uno gana y el
otro pierde. El ganador recibe
(G C)/2,
G.
y el perdedor
que puede ser negativo si
C>G
C .
El payo medio es
(cosa que supondremos).
La matriz de payo entonces es:

Si encuentra un H
H recibe
(G C)/2 < 0
D recibe
112
Si encuentra un D
G
G/2
Hagamos algunas observaciones cualitativas antes de analizar formalmente el juego. En primer lugar, parece bastante obvio que una poblacin compuesta exclusivamente por palomos no puede ser estable. Imaginemos una
poblacin de este tipo. Es un lugar fantstico para vivir, todos se llevan bien
sin lastimarse y se reparten los recursos paccamente. Lo peor que te puede
pasar es que pierdas un poco de tiempo haciendo demostraciones, pero en
promedio gans la mitad de las veces, as que no te va tan mal (siempre y
cuando el costo de las demostraciones no sea desproporcionadamente grande
respecto del valor del recurso!). Imaginemos ahora que aparece un halcn,
por mutacin o inmigracin. Al halcn le va extremadamente bien en sus
encuentros con los palomos: les gana siempre, y no sufre ninguna herida. La
frecuencia de halcones tender a aumentar. Ahora hay unos pocos halcones,
a quienes les sigue yendo bien, ya que la mayora de sus encuentros son con
palomos. Y la proporcin de halcones sigue aumentando. De modo que
no
puede ser una ESS pura.

Pensemos ahora en una poblacin compuesta por halcones. Es un inerno,
una jungla. Todo el tiempo hay conictos que terminan con alguien herido.
De todos modos, al igual que en la poblacin de palomos, a nadie le va mejor
que al promedio, ya que todos ganan el 50 % de los encuentros. Podra un
palomo invadir este desagradable lugar? En principio no parece posible, ya
cada encuentro con un halcn. Sin embargo, pensemos

Primero, los palomos no resultan heridos en los combates,
que el palomo perder

en lo siguiente:
de manera que no reducen su tness (recordemos que imaginamos que existe

una tness base, y que el resultado del juego lo que hace es aumentarla o
reducirla). Segundo, en cuanto aparezcan algunos palomos ms, cada uno de
ellos ganar el 50 % de los encuentros entre ellos, perdiendo muy poco en
ellos (comparado con lo que pierden los halcones entre ellos). En denitiva,
tampoco es una ESS pura.

En una poblacin mayoritariamente D, los H se multiplicaran, ya que
reciben
mientras que los D recibiran
G/2
entre ellos.
En una poblacin mayoritariamente H, los D tambin se multiplicaran,

ya que evitan la pelea y no alteran su tness, mientras que los H pierden
(G C)/2
en los combates entre ellos.
El xito de una u otra estrategia, entonces, depende de la composicin de

la poblacin, ninguna presenta una ventaja de por s respecto de la otra. Sea:
x =
1x =
fraccin de H,
(6.19)
fraccin de D.
(6.20)
113
Entonces el aumento de tness es:
GC
+ (1 x)G,
2
G
F (D) = (1 x) .
2
F (H) = x
(6.21)
(6.22)
Tenemos una situacin de equilibrio cuando:
F (H) = F (D) x =
Si
G
.
C
(6.23)
x < G/C , a los H les va mejor que a los D y se propagan. Si x > G/C ,
los H empiezan a sacarse los ojos entre ellos, y los D se propagan. La evolucin
se encarga de mantener la poblacin en el punto jo estable
En particular, si
es muy grande,
x = G/C .
ser muy chico, lo que explica que
las luchas abiertas sean raras entre los animales con armas poderosas, como
los ciervos.
Ejercicio.
Si la demostracin implica un gasto de tness
(tiempo,
energa, etc.), compute la matriz de payo y la composicin de la poblacin

en el equilibrio.
Ejercicio. Extienda el modelo, permitiendo otros comportamientos: R,

retaliator, hace demostraciones hasta que el otro escala, en cuyo caso
tambin escala. B, bullies, pendencieros que simulan escalar, pero si el otro
escala, ceden.
Un comportamiento se llama
evolutivamente estable
si, cuando
todos
los
miembros de una poblacin lo adoptan, ningn comportamiento disidente
114
puede invadirlo (por mecanismos de evolucin natural). En el juego de halcones y palomas ninguno de los comportamientos
puros
es evolutivamente
estable: cada uno puede ser invadido por el otro.
Ejercicio. Use el simulador de halcones y palomos que se encuentra en
http://www.holycross.edu/departments/biology/kprestwi/behavior/ ESS/Hawk_v_Dov
(o programe Ud. uno propio) para estudiar las siguientes cuestiones:
Modique los payos para ver cmo afectan la ESS.
Encuentre los valores de
G, C
que permiten la existencia de ESS's
puras de halcones o palomos.

Son realistas los valores de los payos que permiten ESS's puras?
Analice si los cocientes entre costos y benecios, o sus valores absolutos,
son determinantes en el tipo de comportamiento que se observa.
6.1.5. Machos y hembras

Veamos un ejemplo ms, para ilustrar un juego donde los tipos no son
comportamientos sino la tendencia gentica a producir machos o hembras
en la descendencia. A Darwin ya le haba llamado la atencin la prevalencia
de la relacin 1/2 entre los sexos, a pesar de que, aparentemente, convendra
que hubiese ms hembras (como en las poblaciones criadas articialmente).
Sea:
p = frecuencia de machos entre los descendientes de un individuo.

m = frecuencia de machos en la poblacin.
N1 = poblacin de la generacin F1 : mN1 machos y (1 m)N1 hembras.
N2 = poblacin de la generacin siguiente F2 .
El nmero medio de hijos por macho de F1 es:
N2
.
(6.24)
mN1
el nmero medio de hijos de una hembra de F1 es:
N2
.
(6.25)
(1 m)N1
El nmero esperado de
es
nietos
de un individuo cuya frecuencia de machos
es:
N2
N2
+ (1 p)
=
N (p) = p
mN1
(1 m)N1
[
]
p
1 p N2
=
+
.
m 1 m N1
(6.26)
(6.27)
115
116
Es decir, su
tness
es proporcional a
W (p, m) =
p
1p
+
.
m 1m
(6.28)
Si tenemos una poblacin con fraccin de machos

invadida por individuos con fraccin de machos
p?
q,
puede evitar ser
Esto requiere:
F (p, r) < F (q, r)

donde
(6.29)
r = p + (1 )q = q + (p q):
p
1p
q
1q
+
<
+
.
q + (p q) q + (p q)
q + (p q) q + (p q)
(6.30)
Estas son dos parbolas, y hay que analizar cmo se cruzan. Se puede ver que
q < 1/2, cualquier p > q puede invadir. Y si q > 1/2, puede ser invadido
por un p < q . La nica situacin de equilibrio es cuando p = 1/2. (Esto se
puede ver gracando los numeradores de esta expresin, en funcin de p, para
q jo mayor o menor que 1/2. Se ve las F (p) y F (q) se cruzan en p = q , y
que cuando q < 1/2 la F (p) es mayor que la F (q) para los valores de p > q .
Y viceversa cuando q > 1/2. El parmetro se debe jar para que haya una
sola interseccin en el intervalo [0, 1].
si
El equilibrio los suministran los nietos, no los hijos! Uno podra decir
que, dado que hay en general machos superuos (porque los machos producen ms gametos que las hembras) conviene producir hembras. Sin embargo,
si nacieran ms hembras, habra ms hembras en la poblacin, y a un individuo le convendra tener hijos machos, ya que as tendra muchsimos nietos.
De esta manera los que producen machos invadiran a partir de la segunda
generacin. Idem al revs.
6.2. Juegos de forma normal

Ahora que hemos visto algunos ejemplos, vamos a introducir algunas formalizaciones de la teora de juegos. En particular, vamos a denir los juegos
que nos interesan, que son los
juegos nitos de forma normal. En la primera
seccin presentaremos las deniciones elementales, la manera de calcular payos, y el concepto central de la teora de juegos no cooperativos: el equilibrio
de Nash. En la seccin siguiente nos ocuparemos de los juegos evolutivos y
su concepto fundamental: la estrategia evolutiva estable.
4.1 JUEGOS NO COOPERATIVOS - NASH
117
6.2.1. Teora de juegos no cooperativos - Equilibrios de

Nash
Consideremos un conjunto nito de jugadores
por
i = 1, 2 . . . n.
estrategias puras :
I , identicando a cada uno
Cada jugador tiene a su disposicin un conjunto nito de
R = {R1 , R2 , . . . , RN }.
Un vector de estrategias puras para cada jugador,

donde cada
ri
(6.31)
r = (r1 , r2 , . . . rn ),
es la estrategia utilizada por el jugador i, se llama un
perl de
estrategias. Para cada perl de estrategias r, y para cada jugador i, existe

el payo i (r) R. Es decir, para cada jugador tenemos una funcin de
payo i : R R. Todas ellas juntas denen la funcin de payo del juego,
: R R, (r) = (1 (r), 2 (r), . . . n (r)).
En trminos formales, el juego queda denido entonces por la terna
(I, R, ).
G=
En adelante vamos a considerar solamente casos con dos jugadores
(como los ejemplos de las secciones anteriores), de manera que cada una de
las dos funciones de payo se puede representar por una
Uk
de
N N,
donde
uij = k (i, j)
para cada
matriz de payo
i, j = 1, 2, . . . N ,
de
representando
a las estrategias puras. (Vale la pena destacar que cada jugador podra tener
a su disposicin un conjunto de estrategias con un nmero de elementos
distinto de los otros jugadores, es decir
R = Ri .
En tal caso, las matrices de
payo son rectangulares.) Cada la de las dos matrices corresponde a una
estrategia pura del jugador 1, y cada columna corresponde a una estrategia
pura del jugador 2. Un juego de dos jugadores, entonces, queda especicado
por el par de matrices
(U1 , U2 ), donde el jugador 1 es el jugador la
o focal
y el jugador 2 es el jugador columna u oponente.
Ejemplo. El juego ms famoso de todos es probablemente el Dilema del

Prisionero (DP), un juego de dos jugadores en el que cada jugador dispone
de dos estrategias: cooperar y traicionar. Una formulacin novelada sera
la siguiente:
Dos sospechosos son detenidos en cercanas del lugar de un
crimen y la polica comienza aplicar las tcnicas de interrogatorio por separado. Cada uno de ellos tiene la posibilidad de elegir
entre confesar acusando a su compaero, o de no hacerlo. Si ninguno de ellos conesa, entonces ambos pasarn un ao en prisin
acusados de cargar un arma sin autorizacin. Si ambos conesan
y se acusan mutuamente, los dos irn a prisin por 10 aos cada
uno, pero si slo uno conesa y acusa a su compaero al implicado le caern 20 aos y el acusador saldr libre por colaborar con
118
la polica. Cada prisionero debe decidir qu hacer: Confesar o No

Confesar.
El Prisionero No. 1 puede razonar de la siguiente forma: Aqu
pueden suceder dos cosas, o mi compaero habla o no habla.
Supongamos que conesa, entonces yo pasar 20 aos en la crcel,
a menos que conese yo tambin. Si lo hago slo estar 10 aos.
En este caso es mejor confesar. Por otro lado, si l no conesa y yo
tampoco lo hago, entonces estar 1 ao. Pero si slo yo coneso
saldr libre. De todas maneras es mejor confesar.
Es de suponer que el Prisionero No. 2 est razonando de la
misma manera. Pero si es as, entonces los dos llegarn a la misma
conclusin: conviene confesar. Y se pasarn 10 aos en la crcel.
Por lo tanto, si ambos actan irracionalmente y se mantienen
callados cada uno pasar en prisin slo 1 ao.
Vamos a usarlo en varios ejemplos de clculo en este captulo, de manera
que veamos una conguracin tpica de la matriz de payo del DP:
)
(
4 0
,
A=
5 3
)
(
4 5
.
B=
0 3
(6.32)
Podemos ver que la segunda estrategia del jugador 1 (traicionar) le da un

payo ms alto que la estrategia 1,
jugador 2
(ya que la segunda la de
cualquiera sea la estrategia jugada por el
A excede a la primera, 5 > 4 y 3 > 0). Lo

B
mismo ocurre para el jugador 2, ya que la segunda columna de la matriz
excede a la primera columna. De modo que la racionalidad individual llevara

a ambos jugadores a jugar traicin, con lo cual ambos obtendrn un payo
de 3. El dilema consiste en que ambos tendran un payo mayor si jugaran
cooperar!
Adems de las estrategias puras, existen
estrategias mixtas, que consisten
en usar las estrategias puras con ciertas probabilidades preasignadas:
p1 , p2 , . . . , pN .
Como
pi 0
pi = 1 ,
una
(6.33)
estrategia p es un punto del simplex:
SN = { RN / pi 0
p
pN = 1}
i=1
(6.34)
i
Los versores estndar corresponden a las estrategias puras. El interior de
SN
corresponde a las estrategias completamente mixtas. La frontera de
corresponde a estrategias en las que se anula una o varias de las
pi .
SN
El
payo esperado
119
(estadsticamente, en el caso de ausencia de correla-
ciones) de jugador focal, si el oponente juega con una estrategia mixta

es:
{U}i =
q
uij qj .
(Si hay dos estrategias solamente, tendremos

y
q2 = 1 q .)
Si a la estrategia
mixta
p,
,
q
(6.35)
ui1 q + ui2 (1 q),
ya que
q1 q
el jugador 1 se enfrenta con una estrategia tambin
su payo esperado es:
p U =
q
uij pi qj .
(6.36)
ij
Ejemplo. Ejempliquemos esto con el DP. Si el jugador 2 juega la cooperar, el payo esperado del jugador 1 es la primera columna de la matriz:
(
)( ) ( )
4 0
1
4
=
.
1 =
5
5 3
0
(6.37)
Si el oponente juega traicionar, el payo de 1 es la segunda columna de A,

(0)
q
3 . Si el oponente juega una estrategia mixta = (1 y, y) (traiciona con
probabilidad y ) el payo del jugador 1 es:
(
)(
) (
)
4 0
1y
4 4y
1 =
=
.
5 3
y
5 2y
Si el jugador 1 tambin juega una estrategia mixta,
p = (1 x, x)
x), su payo esperado es entonces

(
)
4 4y
1 = (1 x, x)
= 2xy + x 4y + 4,
5 2y
(6.38)
(segn la
cual traiciona con probabilidad
(6.39)
120
es decir, una funcin bilineal en
4(1 y),
y.
Adems, vemos que
que es una funcin creciente de
x,
1 = (1 + 2y)x +
para cualquier estrategia del
oponente. De manera que el jugador 1 maximiza su payo haciendo
p = (1, 0),
x = 1,
es decir, traicionando siempre.
Est relativamente claro que pueden existir estrategias tales que, si un

jugador la ejerce, siempre obtiene menos payo que si ejerce otra. Tal es
el caso de la estrategia cooperar, respecto de traicionar en el DP. Estas
estrategias se llaman
dominadas, y pueden ser tanto puras como mixtas. Se
denen estrategias dbilmente dominadas y estrictamente dominadas, usando

respectivamente relaciones de menor o igual y de menor estricto, para su
payo respecto del payo de otra.
La
racionalidad
de los jugadores, que ya hemos mencionado, y que es un
postulado de la teora de juegos no cooperativos, consiste en no usar jams

2
una estrategia estrictamente dominada . En este caso, todas las estrategias

puras estrictamente dominadas pueden ser eliminadas del juego, como si no
existieran, sin afectar el resultado. Una vez hecho esto, las relaciones de dominacin pueden haber cambiado, de manera que en el juego as reducido
puede haber nuevas estrategias puras dominadas. Iterativamente, entonces,
se pueden ir eliminando todas las estrategias dominadas. Como hay nitos
jugadores y estrategias, este proceso acaba con seguridad alguna vez. Las
estrategias sobrevivientes se llaman
no iterativamente dominadas.
Si sobre-
vive una sola estrategia en este proceso, una estrategia claramente ganadora,
el juego se dice
resoluble.
El DP es resoluble en este sentido, ya que la es-
trategia cooperar es dominada, y eliminndola queda una sola estrategia,

traicionar. Se ve un poco, ahora, que la idea original de toda esta teora
era realmente la solucin de los juegos, en el sentido tradicional de la palabra. Es decir, uno no puede dejar de preguntarse si, por ejemplo, el ajedrez
(que es ciertamente un juego nito) no tendr una estrategia ganadora, que
lo resuelva (como existe para algunos problemas de ajedrez, juegan las
blancas y ganan). Habra que formalizar el ajedrez, es decir dar una funcin de payo para cada combinacin posible de estrategias, tarea gigantesca
pero nita.
Una
funcin
mejor respuesta
p p U es
a una estrategia
p tal que la
p-estratega es mximo.
es una estrategia
mxima. Es decir, el payo del
La mejor respuesta a una estrategia puede no ser nica (lo cual es un poco
confuso, desde el punto de vista del lenguaje). Una estrategia pura que es
mejor respuesta a algn perl de estrategias mixtas no puede, obviamente,
ser dominada. En juegos de dos jugadores vale tambin la recproca: una
Algunos tericos no permiten a un jugador racional jugar siquiera una estrategia dbilmente dominada. Para ellos no es racional Zapata, que si no la gana...
2
121
estrategia pura que no es estrictamente dominada es la mejor respuesta de

algn perl de estrategias. En general, esta recproca no es vlida en juegos
de ms de dos jugadores.
Y, nalmente, llegamos a una de las piedras angulares de la teora, en
particular de sus aplicaciones econmicas, la nocin de
equilibrio de Nash,
quien alcanz fama mundial no por ganar el premio Nobel sino por la pelcula
A beautiful mind, favorecida especialmente por la audiencia

equilibrio de Nash p es una estrategia tal que es una mejor
femenina. Un
respuesta a s
misma (no decimos la porque puede haber ms de una, es decir podra
ser dbilmente dominado). Es decir, cualquier otra estrategia,
obtiene menos payo que
contra
p.
,
q
contra
p,
En smbolos:
p U p U p ,
.
q
(6.40)
Todo juego de forma normal admite al menos un equilibrio de Nash, pero

bien puede ocurrir que no sea ninguna de las estrategia puras. Un equilibrio
de Nash es
estricto si es la nica mejor respuesta a si misma. Por ejemplo, en
el DP, la estrategia traicionar es un equilibrio de Nash estricto (Ejercicio:

vericar esto).
NB: Estrictamente, un equilibrio de Nash no es una estrategia sino un
perl de estrategias, una para cada jugador. Esta sutileza me parece que
no agrega nada para nosotros, ya que nos interesan juegos simtricos. Por
ejemplo, para el DP, el equilibrio de Nash es (traicionar, traicionar). Esto
requiere dar una denicin de mejor respuesta tambin en trminos de perles
de estrategias.
Ejercicio.
Compute los equilibrios de Nash de las matrices de
2 2.
Cundo son estrictos? Y puros?

La teora de juegos no cooperativos, a partir de aqu, demuestra una
cantidad de propiedades de los conjuntos de equilibrios de Nash, as como
diversos renamientos de la denicin (equilibrios de Nash perfectos, propios,
esenciales, simtricos. . . ). Pero nosotros tenemos cuestiones ms interesantes
por delante.
Prcticamente toda la teora de los juegos evolutivos trata de juegos llamados simtricos de dos jugadores, en los cuales el conjunto de estrategias
disponibles es el mismo para los dos jugadores, y ms an, el payo de cada
estrategia es independiente de qu jugador la juegue. En las matrices de payo, esto se reeja en que la matriz de payo del oponente es la transpuesta
de la matriz del jugador focal (como ocurre en todos los juegos que hemos
visto, y explcitamente en el DP ms arriba). Es decir, estn denidos por
una sola
matriz cuadrada.
122
6.2.2. Teora de juegos evolutivos - Estrategias evolutivas estables

La cuestin central de la teora de juegos evolutivos es si existe un perl
de estrategias, en una poblacin, que resulte estable frente a perturbaciones.
Estas perturbaciones del perl de estrategias pueden ser, como ya dijimos, la
aparicin de mutantes con estrategias distintas, o una inmigracin de jugadores con estrategias distintas. Se supone en general que los jugadores estn
programados, genticamente o de otro modo, para jugar una cierta estrategia pura o mixta, y que las confrontaciones ocurren entre pares de jugadores
elegidos al azar en la poblacin.
Si en una poblacin de este tipo todos los jugadores juegan el mismo
equilibrio de Nash estricto, cualquier desviacin resulta penalizada. Pero si
juegan un equilibrio
no
estricto, no podemos asegurar que no ser invadida
por una minora disidente (como en el juego de Halcones y Palomos). A

menos que la poblacin se encuentre en una
estrategia evolutiva estable.
Si
la poblacin se encuentra en una tal estrategia, entonces para cada posible

mutante existe un umbral de poblacin tal que, si la poblacin mutante es
menor que el umbral, entonces el payo de su estrategia es menor que el del
resto de la poblacin.
Observemos que, implcitamente, el concepto de estrategia evolutiva estable est asignando una relacin muy cercana entre el payo de una estrategia
y la manera en que se sta se propaga en la poblacin. Es decir, el resultado
del juego representa una ganancia (o prdida) en trminos de tness para
el jugador, y que la estrategia se transmite por herencia a su progenie. Observemos anticipadamente, sin embargo, que (al igual que en el caso de los
equilibrios de Nash), la denicin de estrategia evolutiva estable no nos dice
nada acerca de
cmo
se llega a tal situacin de equilibrio. Lo nico que le
concierne es que, una vez en el equilibrio, ste sea robusto a perturbaciones

de tipo evolutivo. La dinmica para llegar (o no) al equilibrio es una parte
adicional y menos fundamental de la teora, de la que nos ocuparemos en
captulos siguientes.
Pongamos la denicin en forma simblica. Supongamos que en una poblacin que practica una estrategia p , aparece un grupito de mutantes, cuyo
tamao relativo es , y que practica una estrategia p. Decimos que p es una
estrategia evolutiva estable (ESS por sus iniciales en ingls) si el payo que
obtienen los mutantes es menor que el que obtienen los normales. Es decir,
si:
p U [ + (1 ) ] < p U [ + (1 ) ],
p
p
p
p
= p , > 0
p
sucientemente chico, es decir
0 < < () =
p
(6.41)
umbral
4.2 JUEGOS EVOLUTIVOS - ESS
123
barrera de invasin.
La ec. (6.41) se puede reacomodar as:
(1 )( U p p U p ) + ( U p p U p) > 0.
p

p

(a)
(6.42)
(b)
Como esto debe cumplirse para sucientemente chico, podemos decir que
p es una ESS si y slo si se cumplen las dos condiciones siguientes:
1. Equilibrio ((a) en la ec. (6.42) no puede ser negativo)
p U p p U p ,

2. Estabilidad (si (a) es =0, (b) es

si
p = p

SN .
p
> 0)
p U p = p U p p U p > p U p.

La condicin (1) dice que
(6.43)
(6.44)
es un equilibrio de Nash. Pero esto solo no
alcanza porque puede haber ms de una mejor respuesta. En ese caso, la

condicin (2) se asegura de que p contra p d mejor resultado que p contra
s misma.
Teorema: La estrategia p SN
es una ESS si y slo si
p U > U
q q
q
para todo
= p
q
en algn entorno de
en
SN .
Es decir, si la condicin (2) vale en un entorno,

brios competidores en partes alejadas de
(6.45)
es ESS; no hay equili-
SN .
NB: Corresponde observar que la poblacin debe ser grande, y que debe
haber una mutacin por vez.
Las siguientes observaciones tambin son de inters:
Si
int
SN
es una ESS, entonces es la nica, y no hay tampoco
otros equilibrios de Nash.

Hay juegos sin ESS.
Hay juegos con ms de una ESS (necesariamente en la frontera de
SN ).
124
Ejemplo. En el juego de Halcones y Palomas, la estrategia

(
p =
es una ESS (sea
G C G
,
C
C
(6.46)
p = (p, 1 p)):
1
G
(G Cp)2 > 0 p = .
2C
C
(
)
(G C)/2 G
cuenta, con U =
:
0
G/2
p U p p U p =

Detalles de esta ltima
p Up =
=
=
=
(6.47)
[
]
G GC
G(C G)
p
+ (1 p)G + (1 p)
C
2
2C
2
2
G(G C) G
G
G(C G)
G(C G)
p
+
p
+
p
2C
C
C
2C
2C
G(G C) G2 G2 GC
G(C G)
p
+
+
p
2C
C
C
2C
2C
G2 G
pG +
+
2C
2
[
p Up =
=
=
=
]
GC
G
p p
+ (1 p)G + (1 p)(1 p)
2
2
GC 2
G
G
p + pG p2 G + pG + p2
2
2
2
G 2 C 2
G G 2
p p p2 G + + p
2
2
2
2
C 2 G
p +
2
2
G2 G C 2 C
+ + p
2C
2
2
2
C 2
G2
pG + p
=
2C
2
1
1
=
[G2 2GCp + C 2 p2 ] =
(G Cp)2 .
2C
2C
p U p p U p = pG +
Ejemplo.
Tengo hecha esta cuenta para
calcular
chillones y satlites sin recurrir a la evaluacin de
la ESS del juego de
F (C) = F (S), sino usando
4.2 JUEGOS EVOLUTIVOS - ESS
125
exclusivamente la denicin, pero no estoy muy seguro de cmo interpretarla.

( 3 810 )
Caso U = 10
.
0
Tomo p = (x, 1 x) y q = (y, 1 y), con p la candidata a ESS y q la
oponente. Calculo:
(I) : p U q T = x(8 5y 10) + 10y

(II) : q U q T = (8 5y)y
(6.48)
(6.49)
(I) (II) = (y x)(5y + 10 8) > 0.
y > x, entonces 3 + 5y 10 > 0 y > 0,2.

y < 0,2. Luego, x = 0,2.
Entonces, si
Ejemplo.
decir
Tengo tambin esta cuenta para el HD, con
G = 4, C = 6.
(6.50)
Si
y < x,
U =
( 1 4 )
0 2 , es
En este caso:
(I) : p U q T = 2 + x(2 3y) 2y

(II) : q U q T = (2 3y 2 )
idem,
(6.51)
(6.52)
(I) (II) = (y x)(3y 2) > 0.
(6.53)
y > x, entonces y > 2/3. Si y < x, idem, y < 2/3. Luego,

x = 2/3. Luego p = (2/3, 1/3). Y me parece que eso es todo, as se hace.
Este valor de x es el mismo que se obtiene igualando las tness: F (H) =
F (D) {U pT }1 = {U pT }2 . Eventualmente, uno ahora toma p = (2/3, 1/3),
Entonces, si
hace la cuenta del ejemplo de arriba, y se obtiene (en la notacin de arriba)

1
(2 3p)2 que es mayor que cero, luego es una ESS.
3
6.2.3. Juegos de poblacin

Existe una generalizacin de estos conceptos que vale la pena mencionar,
aunque sea brevemente. El xito de una estrategia puede depender, adems
de la estrategia del oponente, de la composicin de estrategias de la poblacin. Supongamos que el payo
las frecuencias
estrategia
mj
fi
de una estrategia pura
de las estrategias
mj
Ri
depende de
en la poblacin. Un jugador con
recibir un payo:
Entonces, decimos que
pi fi (m) = p f (m).
es una
ESS local
p f () > f (),
q
q q
(6.54)
si
= p
q
(6.55)
126
p .
Si las funciones fi (m) son lineales en m, esta situacin es igual a la anterior
(ya que f es una matriz), pero podra no serlo.

en algn entorno de
6.3. Guerra de desgaste

El valor relativo del premio por el que se compite, del costo de las eventuales heridas, y del tiempo que se gasta en las demostraciones, por supuesto,
depende de cada caso que se estudie. Por ejemplo, en los elefantes marinos
machos el premio signica obtener acceso monoplico a un enorme harn de
hembras, cuyo valor (en tness) es muy alto. No es de extraar, entonces,
que las luchas sean crueles y las probabilidades de resultar heridos sean altas.
Frente a esto, el costo del tiempo perdido en las demostraciones y en la pelea
es presumiblemente bajo. El costo de perder el tiempo para un pajarito en
un clima fro, por el contrario, puede ser enorme. Para un pjaro que est
alimentando a los polluelos, y que necesita capturar una presa cada treinta
segundos, cada segundo de luz diurna es precioso. Algunas especies jams
se trenzan en combates fsicos. Sus enfrentamientos son estrictamente rituales, y se resuelven adoptando posturas convencionales. La contienda termina
3
cuando uno de los rivales cede y se retira . Lo nico que hay que hacer para
ganar es permanecer rme y mirar airadamente al oponente, hasta que ste
se aleje. Obviamente, ningn animal puede permitirse gastar un tiempo innito en un enfrentamiento como estos. El recurso por el que est compitiendo
es valioso, pero no
innitamente
valioso. Maynard Smith llam a este tipo
de combates guerra de desgaste (
war of attrition ),
y tiene caractersticas
interesantes que lo diferencian de los juegos que hemos analizado, por lo cual
lo analizaremos a continuacin. (Extraamente, no est discutido en [31] ni
en [35].)
Una diferencia crucial de la GD con HD es que, en GD, un animal casi
puede garantizar su victoria eligiendo un costo sucientemente alto. En cambio, en HD, un H contra otro H tiene chance de ganar slo el 50 % de los
encuentros.
Supongamos que no hay ninguna asimetra entre los jugadores. Es decir,
ms all del hecho de que uno de ellos puede estar dispuesto a esperar ms,
ninguno de ellos va a abandonar porque percibe que su oponente es ms fuerte
o nada parecido. Adems, cada jugador no tiene conocimiento del tiempo que
el otro est dispuesto a esperar. Cada uno, simplemente, espera o hace sus
Es la estrategia que usan los palomos entre s (pero no la que usan contra los halcones!).
3
6.3. GUERRA DE DESGASTE
127
demostraciones hasta que, o bien alcanza su tiempo de abandonar, en cuyo

caso abandona, o bien el otro abandona antes y l gana:
Si el animal focal alcanza su tiempo lmite y su oponente no ha abandonado, abandona y pierde.
Si el oponente alcanza su tiempo lmite antes que el focal, el oponente
abandona y pierde, y el animal focal gana.
Puesto que el combate naliza virtualmente al mismo tiempo para los
dos animales, el costo es el mismo para ambos (aunque el ganador
estaba dispuesto a pagar ms, por supuesto).
Supongamos adems, por simplicidad, que el costo
en el que se incurre
es proporcional al tiempo (por ejemplo, el tiempo mismo):
x = kt.
(6.56)
Supongamos que se compite por un recurso de valor
V,
por ejemplo una
hembra, y que cada animal decide de antemano cunto est dispuesto a invertir (esperar) para obtenerlo. Este valor determina su estrategia. Tratemos
de ver si una estrategia de este tipo puede ser una ESS. Llamemos
al costo
en el que nalmente se incurre al momento que uno de los animales cede. La

ganancia neta del ganador:
ganancia
= V c,
(6.57)
mientras que la prdida del perdedor es:

prdida
= c.
(6.58)
A y B , y que cada uno de ellos

c(A) y c(B), respectivamente. Los posibles
Digamos que se enfrentan dos animales

est dispuesto a afrontar un costo
resultados del enfrentamiento son:

Estrategia y resultado
c(A) > c(B), A gana

c(A) < c(B), B gana
c(A) = c(B), empate
(se decide la posesin
Cambio de tness de
Cambio de tness de
V c(B)
c(A)
c(B)
V c(A)
1/2V c(A)
1/2V c(B)
del recurso al azar)

Observemos que, como tenemos un continuo de estrategias, no podemos
construir una matriz de payo como en los juegos que analizamos hasta ahora.
Pero un anlisis sencillo puede hacerse de a pares de estrategias, para vericar
128
si una estrategia
pura
(es decir, un tiempo de espera predeterminado) puede
ser una ESS. Supongamos que en una poblacin todos juegan la estrategia
A,
y que un mutante
A1
est dispuesto a pagar un costo un poco mayor:
c(A1 ) = c(A) + c > c(A).

La matriz de payo para estas dos estrategias es de
A
A1
A
V /2 c(A)
V c(A)
En una poblacin mayoritariamente de
(6.59)
2 2:
A1
0
V /2 c(A1 )
Aes,
los payos sern los de la pri-
A1 obtiene
A gana prc-
mera columna de la matriz, de manera que la estrategia mutante

una ventaja (ya que gana en todos los encuentros, mientras que
ticamente slo en la mitad de ellos). De manera que empieza a invadir la

poblacin.
Qu ocurre si aparece una estrategia
lo mismo que con
A1 :
A2
con
c(A2 ) > c(A1 )?
Pasar
la estrategia dispuesta a pagar ms obtendr
casi todas victorias, y se esparcir por la poblacin. Y as sucesivamente,

estrategias que consistan en aguantar progresivamente ms tiempo podrn
imponerse.
Ahora bien, el valor del recurso es siempre el mismo (esto es importante, si
bien no lo habamos dicho antes: algn tipo de recurso puede no ser renovable,
y el anlisis no es igual), de manera que la ventaja relativa que van obteniendo
las estrategias que esperan ms es cada vez menor. Eventualmente, habr una
estrategia
con
c(AN ) V /2. Esta estrategia sigue teniendo ventaja con

A, A1 , etc. Qu ocurre si se enfrenta a un mutante
respecto a las estrategias
que no est dispuesto a perder tiempo en las demostraciones, un mutante
que cede
inmediatamente, con c(B) = 0? La matriz de payo es

AN
B
AN
V /2 c(AN ) < 0
V /2
Observemos que, segn vemos en la primera columna, la estrategia que cede

inmediatamente tiene una ventaja evolutiva respecto de la que pierde demasiado tiempo! Sin embargo otra estrategia, que pierda menos tiempo (para
la cual
c(Ai ) V /2),
puede invadirla.
En denitiva, ninguna estrategia pura puede, en esta guerra de desgaste,

imponerse como ESS. El resultado es en cierta forma similar al juego de
piedra-papel-y-tijera, ya que las estrategias estn ordenadas en un ciclo de
victoria mutua. La ESS, un poco tambin como en piedra-papel-y-tijera,
6.3. GUERRA DE DESGASTE
129
resultar ser una estrategia mixta en la cual cada jugador juega una estrategia
pura al azar. En piedra-papel-y-tijera esta estrategia consiste en jugar al
azar cada estrategia pura con probabilidad
1/3.
En la guerra de desgaste,
como tenemos un continuo de estrategias puras, una estrategia mixta est
distribucin
caracterizada por una
c,
que una estrategia que gasta
de probabilidad
p(x).
El benecio neto
al ganar anlogo a la Ec. (6.57) es la
suma (la integral) de los benecios correspondientes a ganar contra cada una
de las estrategias, cada una pesada con su probabilidad:
ganancia
(V x)p(x)dx,
(6.60)
0
y la prdida al perder es
prdida
=c
p(x)dx.
(6.61)
c
(Esta ltima, ya que el costo de perder es
las estrategias que esperan ms que
estrategia que espera ms que
es
para enfrentamientos con todas
,
cy la probabilidad de competir con una
p(x)dx.)
c
Teorema 6.1 (Bishop & Cannings, 1978) Sea I una estrategia mixta con
soporte a, b, c . . . (es decir, a, b, c . . . son estrategias puras que se juegan

con probabilidad distinta de cero). Si I es una ESS, entonces el payo es
constante en su soporte: E(a, I) = E(b, I) = E(c, I) = = E(I, I).
Explicacin: si E(a, I) > E(b, I), entonces convendra jugar a con ms

frecuencia que
b,
con lo cual
no sera ESS. (?)
Demostracin: Supongamos que
E(a, I) > E(I, I).

Sea
la probabilidad de jugar
a,
y consideremos a
(6.62)
descompuesta de la
siguiente manera:
P (a) + (1 P )(X)
donde
es
cuando
no es
a.
(6.63)
Entonces:
E(I, I) = P E(a, I) + (1 P )E(X, I),

< P E(I, I) + (1 P )E(X, I),
(6.64)
por (6.62).
(6.65)
Por lo tanto
E(I, I) < E(X, I),
(6.66)
130
que contradice la hiptesis de que
E(I, I)
es una ESS. Por otro lado,
por la misma hiptesis. Por lo tanto:
E(a, I) = E(I, I),

Sea
E(a, I)
Q.E.D.
(6.67)
p(x),
entre x
denida por una distribucin de probabilidad
probabilidad de jugar una estrategia que se encuentra
p(x)x. Si c es
E(c, I) es una
una estrategia del soporte de
I,
(V x)p(x)dx
E(c, I) =
0
x + x
es
sabemos por el teorema que
constante. Calculemos el payo de
modo:
es decir, la
contra
del siguiente
cp(x)dx,
(6.68)
donde el primer trmino corresponde a los enfrentamientos en que gana la
c (gana V x), y es segundo a aquellos en los que c pierde (pierde

c). Por el teorema, sabemos que E(c, I)/c = 0. Calculemos esta derivada:
(
)
E(c, I)
= (V c)p(c)
c
p(x)dx
c
c
c
(
)
c
c
= (V c)p(c)
c
p(x)dx +
p(x)dx
p(x)dx
c
c
0
0
(
)
c
= (V c)p(c)
c
p(x)dx
p(x)dx
c
0
0
( [
])
c
= (V c)p(c)
c 1
p(x)dx
(por norma de p)
c
0
c
(6.69)
= (V c)p(c) 1 +
p(x)dx + c p(c) = 0
estrategia
0
Luego, nos queda la siguiente ecuacin integral para
p(x):
p(x)dx = 1 c p(c) (V c)p(c)
(6.70)
= 1 V p(c)
cuya solucin es:
p(x) =
1 x/V
e
.
V
(6.71)
(6.72)
Qu hemos encontrado? Hemos encontrado una estrategia mixta, denida por esta distribucin de probabilidad exponencial, que satisface la condicin necesaria para ser una ESS. Es decir, es un equilibrio. Para ver que es
una ESS falta probar que
E(I, c) > E(c, c).
(6.73)
6.4. JUEGOS ASIMTRICOS: TERRITORIALIDAD
131
Esto fue demostrado por Maynard Smith para el caso en que

tegia pura, y por Bishop y Cannings para el caso en que
mixta distinta de
I.
es una estra-
es una estrategia
Lo dejamos para otro momento (me parece que est en
[33]).
Ejercicio. La espresin (6.72) es el tiempo que un individuo est dispuesto a continuar (o el costo que est dispuesto a pagar). Cul es la distribucin
de la duracin de los enfrentamientos, que es lo que puede observarse?
Solucin: En un intervalo
la probabilidad de abandonar es
un enfrentamiento, la probabilidad de que abandone
2t/V . La distribucin
P (x) = 2/V exp(2x/V ).
son eventos independientes, es

tambin exponencial.
t/V .
uno o el otro,
En
como
de las duraciones es
Ejercicio. Discuta una Guerra de desgaste con transmisin de informacin, en el siguiente caso extremo: no hay diferencia de armamento ni tamao
entre los contendientes, pero hay diferencia de
uno elige
cA
y el otro
cB ,
con
cA > c B ,
dar a conocer su eleccin? De tal modo
obtendra 0 en lugar de
cB .
motivacin, de manear tal que
digamos. No le convendra a ambos
obtendra
en lugar de
V cB
Pista: existencia de mentirosos (pg. 35 de
[36]).
6.4. Juegos asimtricos: territorialidad

Halcones y Palomos es un juego simtrico: ambos jugadores tienen las
mismas estrategias a su disposicin, y los mismos payos. Si tienen alguna
diferencia fsica, sta eventualmente puede determinar el resultado del encuentro, pero los jugadores no lo saben de antemano, y no afecta su eleccin
de estrategia.
La mayora de las confrontaciones reales, por otro lado, son asimtricas:
entre machos y hembras, entre jvenes y viejos, entre chicos y grandes, entre
propietario e intruso. La asimetra puede ser evidente de antemano, y afectar
la eleccin de estrategias.
Consideremos la confrontacin entre el propietario de un recurso y un
intruso. En la prctica, el recurso podra ser de ms valor para el propietario
(por ejemplo, porque conoce el territorio, o porque le da alguna otra ventaja
en un conicto fsico), pero ignoremos este efecto. Introduciremos simplemente una tercera estrategia en el juego de Halcones y Palomos. Vale la pena
aclarar que el problema de la propiedad (y la territorialidad) es muy complejo, y que esta sencilla estrategia agregada no es ms que un primer paso en
la direccin de su estudio, que permite en particular atacar las cuestiones de
132
estabilidad, invasin, etc.
La estrategia que agregamos, llamada Burgus, es
una estrategia condicional respecto de la propiedad del recurso:
B:
Si es propietario, juega Hawk, acepta resultar herido.

Si es intruso, juega Dove, no se arriesga.
Supongamos adicionalmente que:

Cada conicto tiene lugar entre dos individuos en roles distintos, y que
ambos saben con certeza cules son estos roles.
Ambos jugadores tienen disponibles las mismas estrategias.
El rol es independiente de la estrategia (por supuesto, para un
est condicionado por la estrategia, pero el rol no afecta a
el rol
en s).
La probabilidad de ser propietario es 1/2.

La matriz de payo es:
H
-1
0.5
0.5
-0.5
1.5
O, en general:
H
(G-C)/2
3/4G-C/4
G/2
G/4
(G-C)/4
3G/4
G/2
donde la confrontacin BH se calcula como la suma HH/2+DH/2.

Observemos que:
Si
G > C,
la nica ESS es H: si el recurso es tan valioso que vale la pena
resultar herido, la propiedad es irrelevante.

Si
G<C
la nica ESS es B: la propiedad resuelve el conicto sin escala-
tion.
Obsrvese que todo lo dicho para la estrategia B, vale para la estrategia
paradjica X:
{
X:
Si es propietario, juega Dove.

Si es intruso, juega Hawk.
Notemos tambin que, desafortunadamente, la historia de la Humanidad muestra una

y otra vez que suele ocurrir que
adversarios estn convencidos de que estn en su
propio territorio...
4
los dos
6.5. DINMICA DE REPLICADOR
133
X es paradjica porque da lugar a una especie de regresin innita: apenas

un propietario pierde el recurso, se convierte en intruso, y ganar el prximo
enfrentamiento, y as sucesivamente. Los jugadores son intrusos casi todo el
tiempo, de manera que la posesin del recurso resulta efmera. Si el recurso tiene valor slo si se lo tiene durante un tiempo relativamente largo, es
improbable que X ocurra. Sin embargo, si el recurso es valioso aunque sea
efmero (una estacin para beber o para comer), entonces podra ocurrir la
siguiente estrategia:
{
X:
Si ya estuvo un tiempo
T,
juega Dove.
Si todava no, juega Hawk.
Pero como en la Naturaleza ocurre todo lo que no est prohibido, se

conoce un caso de
social
Oecibus civitas
para un recurso ms o menos permanente. La araa

(artculo en Scientic American) es gregaria, viven
en grupos en los cuales cada una construye su tela y tiene un agujero de

refugio. Si se saca a una araa de su agujero, sta dispara hacia el refugio
de cualquiera de sus compaeras, la cual no se deende, sino que lo cede de
inmediato y hace lo mismo, produciendo una avalancha de desplazamientos
de tela en tela que puede durar varios segundos e involucrar a la mayora de
la colonia.
A pesar de este ejemplo fascinante, lo usual es que el propietario tenga las
de ganar en este tipo de confrontaciones. En todo caso,
B resulta ser una ESS,
es decir que la asimetra (la posesin) provoca la evolucin de una estrategia

basada en la asimetra misma, a pesar de que la posesin no garantiza una
ventaja de xito respecto del intruso.
6.5. Dinmica de replicador

Preguntas relevantes para la teora de juegos evolutivos, y que no tienen
aplicacin en la teora original, en la que un par de jugadores racionales con
completo conocimiento juegan una sola vuelta del juego. Qu relacin hay
entre los equilibrios de una teora y el comportamiento colectivo a largo plazo
de la otra? Resultan excluidas las estrategias dominadas? Tiende la poblacin, colectivamente, hacia un equilibrio de Nash? Qu comportamientos
puede haber si no se tiende al equilibrio? Son algunos equilibrios de Nash
ms fciles de alcanzar que otros?
La dinmica de replicador describe la evolucin de las frecuencias de estrategias en una poblacin. Provee un sustento dinmico a la nocin de estabilidad evolutiva, bajo la suposicin de que se pueda describir el sistema de
134
manera continua. (El trmino replicador fue acuado por Richard Dawkins
en
The selsh gene
(1976). En la versin castellana [32], se los llama re-
productores pero, con los aos, replicador es la palabra que se ha impuesto

tambin en castellano.)
Supongamos que la poblacin est dividida en
a cada uno una frecuencia
xi
n tipos Ei , correspondiendo
en la poblacin.
Cada tipo tiene una tness
fi ,
funcin de la composicin
.
x
Supongamos
que la poblacin es grande, y que las generaciones se mezclan, de modo

que
(t)
x
evoluciona de manera diferenciable. Para cada tipo
crecimiento relativa
Ei ,
la tasa de
xi
xi
(6.74)
es una medida de su xito reproductivo relativo, y por lo tanto de su tness

en relacin a la tness de la poblacin:
xi
= tness
xi
de
Ei tness
media,
(6.75)
de manera que podemos escribir
xi = xi [fi ( ) f ( )].
x
x
(6.76)
El sistema (6.76) constituye las ecuaciones de replicador. El simplex

es invariante por la ecuacin, as que podemos considerarla restringida a
Sn
Sn .
Pensemos ahora que subyace un juego de forma normal con N estrategias

R1 , R2 , . . . , RN , y una matriz de payo U I N N . Una estrategia es
R
puras
un punto en
SN , as que los n tipos son n puntos (estrategias mixtas o puras)

p1 , p2 , . . . , pn SN .

El
estado
(6.77)
de la poblacin, en cambio, es un punto
El payo que obtiene un estratega del tipo
aij = pi U pj ,
as que la tness del tipo
Ei
Sn .
x
contra uno del tipo
i, j = 1, . . . n,
es:
(6.78)
es:
fi ( ) =
x
aij xj = {A }i ,
x
(6.79)
j
es decir, el payo de cada enfrentamiento, pesado con las frecuencias de los
tipos openentes. El sistema (6.76), complementado con (6.79), completa la
denicin de la dinmica de replicador.
Vemos que la tness es lineal en
,
x
135
con lo que la ecuacin de replicador
resulta:
xi = xi [(A )i A ].
x
x x
(6.80)
Ejemplo para ver en paralelo con la deduccin anterior:

Sean 3 estrategias,
N = 3,
llamadas
R1 , R2
R3 .
El simplex
S3
dene el
espacio de las estrategias, puras o mixtas. Supongamos que hay dos tipos de
estrategia en la poblacin, cada uno caracterizado por una estrategia mixta
pi ,
es decir
n = 2.
R1
p2
x 1*
p1
R2
Los tipos son

Es decir, cada
bi R2 + ci R3
pi
R3
p1 , p2 S3 ,

cada uno con frecuencia
x1 , x2 ,
es un vector de tres componentes de la pinta
donde
ai + bi + ci = 1
para
i = 1, 2.
U R33
Por ltimo, observemos que la matriz

22
la matriz A R
es de 2 2.
Aunque en principio
es de
con S2 .
x
pi = ai R1 +
3 3, mientras que
no estn relacionados, hay un obvio parale-
lismo entre
R1 . . . RN
E1 . . . En
I N N
R
...A I
Rnn
. . . SN . . . U
= matriz de payo
. . . Sn
= matriz de tness.
En particular, se denen:
Sn
x
es un equilibrio de Nash si
A A
x x
x
x
Sn
x
es un
estado
Sn .
x
(6.81)
(no una estrategia) evolutivamente estable si
A > A
x
x x x
= en
x x
un entorno de
Y se demuestran los siguientes Teoremas:
.
x
(6.82)
136
1. Si
es un equilibrio de Nash, entonces es un equilibrio de la ecuacin
del replicador.
2. Si
es el
-lmite
de una rbita
(t)
x
en int
Sn ,
entonces
es un
equilibrio de Nash.
3. Si
es estable de Lyapunov, entonces es un equilibrio de Nash.
Y tambin:
4. Si
Sn es un estado evolutivamente estable, entonces es un equilibrio

x
asintticamente estable de la ecuacin del replicador.
Ejemplo. Supondremos que los tipos corresponden a las estrategias puras del juego subyacente una prctica usual con lo cual el anlisis se
simplica un poco (N
= n).
Para
= (x1 , x2 ) = (x, 1 x),

x
unidimensional en [0, 1]:
n = 2,
con lo que nos queda una ecuacin
tenemos
x1 = x1 [(A )1 A ],
x
x x
donde
(6.83)
(
)
(A )1
x
A = (x, 1 x)
x x
= x(A )1 + (1 x)(A )2 ,
x
x
(A )2
x
x = x[(A )1 x(A )1 (1 x)(A )2 ]
x
x
x
= x[(1 x)(A )1 (1 x)(A )2 ]
x
x
= x(1 x)[(A )1 (A )2 ].
x
x
(6.84)
(6.85)
(6.86)
(6.87)
Usando la matriz de payo de Halcones y Palomas:
( GC
A=
nos queda:
( GC
A =
x
)(
G
2
x
1x
G
2
( GC
=
(6.88)
)
x + (1 x)G
.
G
(1 x)
2
GC
G
x + (1 x)G (1 x) =
2
2
GC
G
=
x + (1 x) =
2
2
C
G
= x+ ,
2
2
(A )1 (A )2 =
x
x
x = x(1 x)(G Cx)/2
que tiene un equilibrio estable, atractor global en
(0, 1): x = G/C .
(6.89)
(6.90)
(6.91)
(6.92)
(6.93)
137
6.5.1. Clasicacin de los juegos simtricos de 2 2

La ecuacin de replicador es invariante ante ciertas transformaciones de
la matriz de payo. En particular, se puede sumar una constante a cada
columna de la matriz. Es decir, si:
(
)
(
)
a11 a12
a11 + c a12 + d
A=
,B =
.
a21 a22
a21 + c a22 + d
La ecuacin de replicador para
es la misma que para
B,
(6.94)
ya que:
x = x (1 x)[(A )1 (A )2 ]
x
x
= x (1 x)[xa11 + (1 x)a12 xa21 (1 x)a22 ]
= x (1 x)[x (a11 a21 ) (1 x) (a12 a22 )],
(6.95)
(6.96)
(6.97)
y los trminos sealados con llaves son iguales si se suma una constante por
columna.
Ejercicio:
La ecuacin de replicador tambin es invariante respecto de
una transformacin afn
B = A + , , R, con > 0, salvo un reescaleo
del tiempo. Demostrarlo.

A causa de esta invariancia, podemos estudiar, sin prdida de generalidad,
juegos cuya matriz de payo tenga la forma diagonal:
(
a1
A =
x
0
(
)
a1 0
A=
,
0 a2
)
) (
)(
0
x
a1 x
=
a2 (1 x)
a2
1x
(6.98)
(6.99)
La ecuacin de replicador, entonces, resulta:
x = x(1 x)[a1 x a2 (1 x)]
= x(1 x)[a1 x1 a2 x2 ].
(6.100)
(6.101)
Podemos ver que, adems de los equilibrios en los extremos del simplex,
y
x = 1,
signo, es decir donde

que
a1
Si
x=0
podemos tener un equilibrio interior, donde el corchete cambia de
a1 x1 = a2 x2 .
Analicemos las dos situaciones posibles:
a2
tengan el mismo u opuesto signo.
a1
a2
signo cuando
tienen el mismo signo (a1 a2
a1 x1 = a2 x2 ,
> 0),
la derivada
cambia de
que corresponde al equilibrio de Nash (igualdad
de payos de 1 y 2):
x =
1
a2
.
a1 + a2
(6.102)
138
Categora II. Si, en esta situacin,

ESS
a1 > 0
a2 > 0,
el ujo es as:
Nash ESS
x*
Categora III. Si, en cambio,
a1 < 0
a2 < 0,
tenemos:
Nash
ESS
0
En cambio, si
anula, y
x*
a1
a2
tienen signos opuestos (a1 a2
< 0),
el corchete no se
crece o decrece montonamente.
Categora I. Si
a1 < 0
a2 > 0 x < 0
y el ujo es:
ESS
0
x*
Categora IV. Si
a1 > 0
a2 < 0 x > 0
y el ujo es para el otro lado:
ESS
0
1
x*
Obsrvese la similitud de estas situaciones con un modelo de competencia entre dos especies, en el cual tenemos situaciones de coexistencia o de
exclusin competitiva.
Los juegos en cada una de estas categoras tienen, adems, las mismas
propiedades cualitativas en cuanto a sus mejores respuestas, no solamente en
la ec. de replicador.
Finalmente, obsrvese que las categoras I y IV son reejo una de la otra
(intercambiando los nombres de
de juegos simtricos de
2 2.
x1
de
x2 ),
as que tenemos slo 3 categoras
Los prototipos de estos juegos son:

( 1 0 )
( 0 )3
Categora II: Coordination Game, con matriz normalizada 2 0
0 1
( (GC)/2 (<0) 0 )
Categora III: Hawks-Doves:
0
G/2
Categora IV: = Categora I.
Categora I: Dilema del Prisionero, con matriz normalizada
Ejercicio: El juego de Chillones y Satlites cambia de categora al cambiar
Los juegos de Categora II les dan dolor de cabeza a los tericos, porque no queda claro qu debe jugar un jugador racional. En el ejemplo dado,
139
aparentemente ambos jugadores (racionales) elegiran jugar la estrategia 1,

obteniendo (ambos) un payo de 2. Pero si (la mano temblorosa) un jugador cree que, con probabilidad grande, su oponente jugar la estrategia 2,
le conviene tambin jugar 2, para obtener un payo de 1 (en lugar de 0).
Entonces, obsrvese, jugar 1 es ms arriesgado que jugar 2, ya que una desviacin produce una prdida de 2 en lugar de 1. Se dice que la estrategia 2
domina por riesgo a la 1 (pero la 1 domina por Pareto). Otro ejemplo de
( )
esta categora es el juego Stag Hunt: 2 3 .
0 4
Ejercicio. (Qued desactualizado con la inclusin de la discusin anterior.) Describa todos los diagramas de fases de n = 2 (donde los tipos son las
( b)
A = a d . Muestre que A admite una ESS a menos
c
que a = c y que b = d (caso en que ninguna estrategia tiene una ventaja).
estrategias puras) con
a > c ( a = c y b > d), la estrategia 1 es una ESS. Si d > b ( b = d

e
y a < c), la estrategia 2 es una ESS. Si a < c y d < b hay una nica ESS
e
(cul?) en el interior de S2 . Compare con la coexistencia de dos especies:
Si
dominacin o coexistencia.
6.5.2. Coexistencia cclica

Si lo que gana un jugador iguala a lo que pierde el otro, el juego se llama
de
suma cero
A = A = 0
x x
x x
(6.103)
con lo cual la ecuacin del replicador se reduce a:
xi = xi (A )i .
(6.104)
Un juego de este tipo es Piedra, Papel y Tijera, con matriz de payo:
0
1 1
1
A = 1 0
1 1 0
(6.105)
y que describe la dinmica poblacional de los morfos del macho de la lagartija
Uta stansburiana
[40]. En esta lagartija, los machos presentan un
polimorsmo con tres tipos, caracterizados por distintos colores del cuello y
comportamientos reproductivos:
O:
(orange), gargantas anaranjadas, muy agresivos y territoriales (con territorios grandes). Dominan por agresin a los:
B:
(blue), gargantas azules, guardianes de las parejas y territoriales (con

territorios chicos). Dominan por ser guardianes a los:
140
Y:
(yellow), gargantas amarillas, no territoriales, imitadores de comportamiento de las hembras, y usurpadores de hembras en territorios ajenos
(las hembras tambin tienen color amarillo, lo cual facilita la impostura). Estos dominan por usurpacin a los O.
Ninguno de estos tres comportamientos asegura el dominio de los otros, sino

que se dominan cclicamente: los O dominan a los B por ser ms agresivos,
los B dominan a los Y por ser guardianes de sus hembras (e impedir la usurpacin), y los Y dominan a los O al robarles las hembras, que los O descuidan
por tener territorios grandes. Entonces, al estar este comportamiento relacionado con la reproduccin, resulta que al correr el tiempo la fraccin de
machos predominante en una poblacin va cambiando cclicamente de uno a
otro tipo. Cada uno predomina en la poblacin durante unos 4 aos, para ser
nalmente superado por el que lo domina, quien predomina unos 4 aos, y
as sucesivamente. Es una implementacin natural del juego de Piedra-PapelTijera.
Las ecuaciones de replicador nos dan:
x = x(y z),
y = y(z x),
z = z(x y).
Adems de los equilibrios en los versores, tenemos el equilibrio
z = 1/3 S3 .
(6.106)
(6.107)
(6.108)
x = y =
El sistema linealizado alrededor de ste es:
yz
x
x
y
L( ) = y z x
x
z
z z y
cuyos autovalores son
0
1 1
1
1
1 = A
= 1 0
3
3
1 1 0
(6.109)
0, i/ 3, i/ 3, con lo que x es un centro, y el sistema
describe oscilaciones alrededor de ste.

Es fcil demostrar que
h = x1 x2 x3
(6.110)
es una constante de movimiento, y que las trayectorias son como se ve en

este diagrama:
6.6. DINMICA DE IMITACIN
141
6.5.3. Relacin con las ecuaciones de Lotka-Volterra

La ecuacin del replicador es cbica en Sn , mientras que la de LotkaI + . sin embargo, la ecuacin de replicador en las n
Rn
variables x1 , x2 . . . xn es equivalente a un sistema de Lotka-Volterra en n 1
Volterra es cuadrtica en
variables
y1 . . . yn1 .
Existe un mapeo invertible y diferenciable
y
x
dado
por
yn = 1
(6.111)
yi
xi = n
j=1
que mapea
i = 1...n
yj
(6.112)
{I + /yn = 1} Sn .
Rn
La transformacin lleva rbitas de la ecuacin del replicador
xi = xi [(A )i A ],
x
x x
(6.113)
en rbitas de la ecuacin de Lotka-Volterra
yi = yi [ri +
n1
bij yj ],
(6.114)
j=1
donde
ri = ain ann
bij = aij anj .
6.6. Dinmica de imitacin

Mientras la dinmica del replicador intenta reejar los efectos de la seleccin natural y la herencia, en otros contextos el xito de una estrategia
bien puede propagarse de otra manera. Por ejemplo, una estrategia exitosa
142
podra propagarse por imitacin, en lugar de por herencia. Vamos a modelar

un proceso de imitacin de este tipo.
Consideremos un juego simtrico denido por una matriz de payo
de
n n.
Consideremos tambin una poblacin (grande) de jugadores, que
juegan las estrategias (puras)
R1
Rn
con frecuencias
estado del sistema est dado por un punto
Ri
la estrategia
es
{A }i =
x
(t) Sn .
x
x1
xn
a tiempo t. El
El payo esperado de
aij xj ,
(6.115)
mientras que el payo medio en la poblacin es
A .
x x
(6.116)
Supongamos que se elige un jugador al azar, y se le ofrece la oportunidad de

cambiar de estrategia con cierta probabilidad, que dependa de su estrategia y
de las dems. Podemos proponer la siguiente evolucin tipo ganancia-prdida
para las frecuencias:
xi = xi
[fij ( ) fji ( )]xj .

x
x
(6.117)
j
Es decir, en un intervalo de tiempo
cuencia
i,
xi xj ,
i,
xi xj fij dt.
Este trmino
que representa la eleccin de un jugador con estra-
y su interaccin con todos los que practican
probabilidad de transicin
la
tenemos un ujo entrante en la fre-
dado por la suma de todos los trminos
contiene el factor
tegia
dt,
i.
El factor
de que un jugador con estrategia
fij
es la
la cambie por
y ya veremos qu formas le podemos dar a esto. Anlogamente, hay
un trmino de prdida de la estrategia
i-estrategas
i,
correspondiente a la eleccin de
que eligen cambiarse a una de las estrategias
Las probabilidades
j.
fij , para representar una dinmica de imitacin, debe-
mos modelarlas de manera que dependan de los payos que estn recibiendo
las estrategias
j.
Es decir, deben ser funciones de dos variables:
fij ( ) = f ({A }i , {A }j ) f (u, v),

x
x
x
que llamamos
pendiente de
(6.118)
regla de imitacin, la misma para todos los jugadores, e indey de j . Una regla sencilla sera imitar al mejor, es decir
{
0
f (u, v) =
1
si
si
u < v,
u > v,
(6.119)
que tiene el inconveniente (desde un punto de vista analtico) de ser discontinua.
6.6. DINMICA DE IMITACIN
143
Podemos suponer, en cambio, que la probabilidad de cambiar de estrategia

es una funcin continua de la diferencia de los payos respectivos,
(u v),
con
f (u, v) =
una funcin montona creciente. En tal caso la dinmica se
escribe (deniendo la funcin impar
xi = xi
(u) = (u) (u)):
xj ({A }i {A }j ).
x
x
(6.120)
En particular, consideremos (u) = u+ para

|u| sign u. Para = 1, (u) = u, es decir:
+
> 0,
con lo cual
(u) =
imitar una estrategia que tiene ms xito, con una probabilidad proporcional a lo que espero ganar por
imitarla, recuperamos la ecuacin del replicador:
xi = xi ({A }i A ).
x
x x
(6.121)
(
x
x
x
x
x
x x
j xj ({A }i {A }j ) = {A }i
j xj
j xj {A }i {A }i A .)
Si 0, por otro lado, tenemos de nuevo la regla imitar al mejor.
Otra forma que puede adoptar la dinmica de imitacin de la Ec. (6.117)
es, por ejemplo:
con
f =
xi = xi [f ({A }i ) f ] ,
x
xj f ({A }j ).
x
(6.122)
Es decir, cada jugador que es candidato a cam-
biar de estrategia, compara su payo (en realidad, una funcin tness de

su payo ) con el payo medio de la poblacin. Si
es una funcin lineal,
de nuevo se tiene la dinmica del replicador. Esto ocurre con varios posibles
fij . Por ejemplo, si la probabiforma: fij = f ({A }i ) f ({A }j ),

x
x
modelos de las probabilidades de transicin

lidad de cambio de estrategia tiene la
con una tness
que es montonamente creciente en los payos, se obtiene
(6.122) a partir de (6.117). Un poco sorprendentemente, se obtiene la misma

ecuacin si la probabilidad de transicin depende
imitado:
fij = f ({A }i ).
x
slo
del xito del jugador
Aun ms, tambin se obtiene la misma dinmica
si la probabilidad de transicin depende del fracaso del jugador imitador:
x
fij = f ({A }j ).
Esto ltimo puede entenderse como una imitacin gober-
nada por la insatisfaccin, en la que los jugadores menos exitosos imitan con
ms frecuencia (pero lo hacen a ciegas, estn insatisfechos y eligen cualquier
estrategia distinta de la suya con igual probabilidad).
Ejercicio trivial. Vericar que estas tres ltimas probabilidades de transicin dan la dinmica de la Ec. (6.122).
Ejercicio ms difcil. Las ecuaciones (6.120) y (6.122) tienen los mismos

equilibrios interiores, y una linealizacin de ambas produce Jacobianos que
son proporcionales entre si. Muestre que el comportamiento local es el mismo
144
que en la ecuacin del replicador, si el equilibrio es hiperblico. En particular,

una ESS interior es localmente estable para estas dinmicas.
Afortunadamente, muchas dinmicas de juegos tienen propiedades esenciales similares, de manera que se puede estudiar una clase muy general que
tiene la forma:
xi = xi gi ( ),
x
donde las funciones
1.
2.
gi son C 1 .
xi gi ( ) = 0
x
gi
(6.123)
tienen las propiedades:
para todo
Como consecuencia de 2,
Sn
Sn .
x
y sus caras son invariantes. Dentro de este
tipo de dinmica, tenemos una gran clase caracterizada por la propiedad de

que las estrategias (puras) con payo mayor crecen a una tasa ms grande.
Estrictamente se dene una dinmica de juegos
payo monotonic si las tasas
de crecimiento de sus estrategias ests ordenadas como sus payo:
gi ( ) > gj ( ) {A }i > {A }j .
x
x
x
x
(6.124)
Obviamente, la dinmica de replicador es de este tipo. Puede demostrarse

que toda dinmica payo monotonic tiene los mismos equilibrios que la del
replicador. Adems, valen los mismos teoremas de estabilidad que mencionamos para el replicador (Nash estricto
asintticamente estable, -lmite
Nash, etc.). Si hay una estrategia pura que no es iterativamente dominada,

entonces una dinmica payo monotonic converge a ella (para las dominadas,
xi 0).
6.7. Dinmica adaptativa

(Para este tema, una referencia es [39].)
Introduccin?
6.7.1. La evolucin de la cooperacin

El juego conocido como Dilema del Prisionero es un prototipo de los
juegos utilizados para estudiar el origen de la cooperacin, tanto en sistemas
biolgicos como sociales. Cada jugador tiene dos opciones:
C:
cooperar
D:
traicionar (defect).
6.7. DINMICA ADAPTATIVA
La matriz de payo es:
145
(
)
R S
A=
T P
(6.125)
donde la primera la y columna corresponde a C, y las segunda a D, y:
R:
Recompensa de ambos por cooperar.
P < R.
P:
Castigo (punishment) por traicionar (ambos),
T:
Tentacin, payo del traidor, si el otro coopera.
S:
Sucker's payo, si coopera y el otro traiciona.
En general se supone el siguiente ordenamiento de los payos:
S < P < R < T,
(6.126)
donde la tentacin de traicionar es el mayor. Tambin se supone que:
T + S < 2R,
(6.127)
para evitar que se traicionen por turnos, ya que en general el juego se itera
y el payo de cada turno se va acumulando. (2R sera el payo obtenido en
dos turnos de cooperacin, mientras que
T +S
sera el payo acumulado en
dos turnos de traicionarse alternadamente.)

Jugadores racionales y egostas, que procuran maximizar su payo sin
importarles lo que haga el otro, elegirn la estrategia D, y obtendrn el payo
en lugar de
D, que es
R.
En trminos de la teora, se tiene que el nico equilibrio es
sub-ptimo
ya que
P < R.
(Adems, C es
estrictamente dominada
por D.) En un contexto biolgico, adems, puede mostrarse que en una poblacin de C's y D's, las ecuaciones del replicador llevan inexorablemente a
la extincin de los C's:
(
)
3 0
A=
,
4 1
) (
) (
)
x
3x
3x
A
=
=
,
1x
4x + 1 x
3x + 1
x = x(1 x)[3x (3x + 1)],
= x(1 x),
= x + x2 ,
que tiene a D como nico punto jo estable y atractor.
(6.128)
(6.129)
(6.130)
(6.131)
146
Sin embargo, la cooperacin espontnea es un fenmeno comn en sistemas biolgicos y sociales, sobre todo donde las interacciones son frecuentes y
se repiten: uno lo pensar dos veces antes de traicionar, si existe el riesgo de
volver a encontrar al mismo adversario y que ste nos traicione a nosotros la
prxima vez!
El juego en el que se repiten los encuentros se llama RPD (repeated prisoner's dilemma ) y permite una enorme gama de estrategias, ninguna de las
cuales es una mejor respuesta contra todas las posibles.
En una serie de torneos pblicos organizados por Robert Axelrod, en
el que participaron matemticos, periodistas, socilogos, etc., los mejores
puntajes los obtuvo una de las estrategias ms sencillas, llamada Tit for Tat
(tal para cual):
1. Jugar C en el primer round.
2. Jugar lo que jug el otro en el round anterior.
Es de destacar que TFT nunca gana ms que su adversario, pero siempre
gana el torneo porque los otros ganan menos cuando juegan entre ellos!
TFT tiene muchas caractersticas que uno reconoce como deseables en el
comportamiento humano:
1. Es buena (empieza cooperando y no traiciona por iniciativa propia).
2. Es recproca (coopera si le cooperan, traiciona si la traicionan).
3. Sabe perdonar: si un traidor empieza a cooperar, ella empieza a cooperar.
Por otro lado, es vulnerable a errores: dos TFT jugando, si una se equivoca y traiciona, el payo cae drsticamente. Obviamente conviene que un
jugador perdone ocasionalmente y reinicie la cooperacin. Este patrn debe
147
ser random, ya que si fuese predecible otra estrategia podra explotarlo en

benecio propio!
MOSTRAR QUE TFT ES UNA ESS (SACAR DE JMS).
6.7.2. Estrategias estocsticas para el RPD

Consideremos un conjunto limitado pero interesante de estrategias, denidas por las siguientes ternas:
E = (y, p, q) [0, 1]3 ,
(6.132)
donde:
y:
p:
q:
Probabilidad de jugar C en el primer round.

Probabilidad condicional de jugar C si el adversario jug C.
Probabilidad condicional de jugar C si el adversario jug D.
Esta familia contiene por ejemplo:

TFT:
Siempre D:
(1, 1, 0)
(0, 0, 0)
que no son realmente estocsticas. Consideremos, mejor:
0 < y , p, q < 1.
Si tenemos una poblacin compuesta por jugadores que juegan la esE = (y, p, q), qu chances de invadirla tiene una estrategia E =
trategia

(y , p , q )?
Debe cumplirse que el payo de la nueva estrategia sea superior
al establecido en la poblacin: A(E , E) > A(E, E). Queremos calcular estos
payos. Como las estrategias son estocsticas, cada encuentro tendr un payo de acuerdo a la matriz de payo del juego (6.125) y a las probabilidades
de que cada uno juegue C o D. Para hacer este clculo conviene denir una
cooperatividad
de cada estrategia, como sigue.
Denimos el
C en el round
nivel de cooperatividad o nivel-C, cn : la probabilidad de jugar
n,
para un jugador
E = (y, p, q)
que juega contra un jugador
E = (y , p , q ):
cn = pcn1 + q(1 cn1 ) q + rcn1 ,
donde
cn1
es el nivel-C del jugador
en el round
n 1,
(6.133)
y
r = p q.
Podemos ver que existe una especie de eco (cn te vuelve en dos pasos):
cn+2 = q + rcn+1 = q + r(q + r cn ).
(6.134)
Esta recurrencia nos muestra que existe un punto jo del nivel de cooperatividad, que obtenemos poniendo
c=
q + rq
1 rr
cn+2 = cn = c:
y
c =
q + r q
,
1 rr
(6.135)
148
c = q + rc .
Si
juega contra otro
E,
(6.136)
el nivel-C correspondiente (que usaremos ms
abajo) es:
s=
q + rq
q(1 + r)
q
=
=
,
2
1r
(1 r)(1 + r)
1r
q
s=
.
1r
(6.137)
Esto se puede reescribir como:
q = s(1 r)
= s s(p q)
= s sp + sq,
s(1 p)
s
q =
=
(1 p),
1s
1s
que son rectas que pasan por el
el mismo
(1, 0).
(6.138)
Es decir, hay un plano de
E 's
con
entre ellos, y entonces tambin uno contra el otro. (Este plano
es perpendicular al plano
(p, q),
es decir podemos considerar rectas de iso-s,
todas pasando por TFT.)

Ahora podemos usar el nivel de cooperatividad para calcular los payos.
= 1 (bien
< 1, lo que da lugar a an ms anlisis posibles. . . ). El payo
que obtiene E jugando contra E en cada round (una vez alcanzado un estado
Supongamos que la probabilidad de jugar un nuevo round es
podra ser
estacionario, cosa que ocurre) es:
A(E, E ) = Rcc + Sc(1 c ) + T (1 c)c + P (1 c)(1 c ).

C vs C
C vs D
Esta expresin es independiente de
D vs C
y,
(6.139)
D vs D
as que dejemos a
fuera de la discu-
sin, ya que no afecta el estado estacionario. Regresamos a la cuestin cun

do una poblacin de E = (p, q) podr ser invadida por una de E = (p , q )?
Tiene que cumplirse:
Calculamos entonces
A(E , E) > A(E, E).
(6.140)
A(E , E)A(E, E) usando (6.139) y las expresiones
para los niveles-C. Despus de un poco de lgebra, en la que usamos que:

c s = r(c s )5 , y la simplicacin de notacin:
Vericacin:
R P = 1,
c s = q + rc s = q + rc
P S = ,
T R = ,
(6.141)
(
)
q
r(1 r)c rq
q
=
= r c
= r(c s).
1r
1r
1r
149
obtenemos:
A(E , E) A(E, E) = ( )(rc2 + qc s2 ) + [r(1 + ) ](c s).

Consideremos primero el caso
= .
(6.142)
Entonces:
A(E , E) A(E, E) = (c s)[r(1 + ) ].
Observemos en la gura la lnea recta denida por
(6.143)
r = /(1 + ).
Por
encima de ella, el segundo factor de (6.143) es negativo, y por debajo es
positivo. La posibilidad de invasin por parte de E queda determinada por
el signo del primer factor (c s). Las diferencias c c , c s y s s siempre

tienen el mismo signo. Si E est en el ngulo sudeste (cerca de TFT), las
estrategias E que pueden invadir son las que son ms cooperativas que E
(ya que si s > s c > s). Es una

, en
zona de recompensa de la cooperacin
los alrededores de TFT. Si
est del otro lado, las que pueden invadir son
las que son menos cooperativas.
150
6.7.3. Dinmica de adaptacin

Esto se puede poner en forma de una dinmica continua. A diferencia de
la dinmica del replicador, en la que la poblacin es heterognea, suponemos
ahora que la poblacin es homognea y que pueden aparecer mutantes a una
tasa muy baja (es decir, de a uno por vez): cada mutante se extingue o se
instala en la poblacin, antes de la aparicin del siguiente mutante.
Los mutantes aparecen al azar, pero vamos a considerar que hay una
dinmica determinista que apunta en la direccin que aparenta ser ventajosa
desde el punto de vista del mutante. Se puede interpretar, por ejemplo, que
toda la poblacin adopta la estrategia del disidente al que le va bien.
Supongamos que el estado de la poblacin es E = (p, q) y que la estrategia
E = (p , q ). El payo del mutante, si suponemos que p y q
del mutante es
estn cerca de
q,
es:
A(E , E) = A((p , q ), (p, q)) = A(E, E)+(p p)
A
A
(E, E)+(q q) (E, E).
p
q
(6.144)
Entonces, denimos como dinmica las derivadas, de manera que buscamos

agrandar la diferencia en
A:
A
(E , E)
p
A
q =
(E , E).
q
p =
(6.145)
(6.146)
Usando (6.142) tenemos para el Dilema del Prisionero:
q
F (p, q)
(1 r)(1 r2 )
1p
q =
F (p, q)
(1 r)(1 r2 )
1+r
F (p, q) = ( )q
+ r(1 + ) .
1r
p =
con
En un punto
E = (p, q),
dicular a la lnea que une a
el campo
(p, q)

(6.147)
(6.148)
(6.149)
apunta en la direccin perpen-
con TFT. Apunta hacia arriba en la zona de
recompensa de la cooperacin, y hacia abajo fuera de ella.
La frontera de la zona es curva si
151
< :
Se puede ver que TFT acta como un pivote de la dinmica, ms que

como su meta.
Observemos el siguiente fenmeno interesante: si algn vnculo mantiene
jo, se puede demostrar que en el espacio reducido p (la interseccin
de la horizontal q = q con la frontera de la zona de recompensa de la
cooperacin), es una ESS (es decir, p (0, 1), E = (p, q ) satisface que
A(E, E ) < A(E , E )). Pero la dinmica de adaptacin se aleja de ella: es
q = q
una ESS inalcanzable.

Otra observacin interesante: TFT y todas las que estn sobre ella, dentro
de la zona de recompensa de la cooperacin, son buenas estrategias para jugar
RPD: no pueden ser invadidas e invaden a cualquier otra. Las que estn por
encima de TFT son ms generosas que ella, perdonan ms que TFT a
un oponente que juega D. Una de estas estrategias, llamada
TFT generosa,
tiene la propiedad de maximizar el payo de la poblacin en una situacin
152
de ruido mnimo, y en el lmite del ruido tendiendo a cero resulta ser:
p = 1,
1
q = m 1
n
,
.
+1 +1
(6.150)
En general se puede plantear esta dinmica para cualquier juego caracterizado por variables continuas (tamao, sex ratio, probabilidades de pelear).
y el mutante usa = + ,
x
y x h
A( , ) A( , ). La dinmica
y x
x x
Si la poblacin (homognea) usa la estrategia

su payo es
A( , )
y x
y su ventaja relativa es
adaptativa es:
xi =
A( , ).
y x
yi
(6.151)
La racionalizacin de esto es que unos pocos disidentes ensayan una estrategia

cercana a la de la mayora, y que toda la poblacin evoluciona en la direccin
que ms favorece a la dinmica individual.
6.8. Apndice: Sobre John von Neumann

John von Neumann es un personaje que me despierta sentimientos encontrados. Por un lado, fue un matemtico genial que realiz contribuciones
signicativas en numerosas reas de la ciencia. Por otro lado, era un belicista
desenfrenado, con rasgos de personalidad bastante desagradables.
Naci en 1903 en Hungra,
margittai
Neumann Jnos Lajos, en el seno
de una familia juda no practicante. Su padre recibi el ttulo nobiliario de
margittai por servicios extraordinarios al Imperio Austro-hngaro. La versin

alemana del nombre, Johann von Neumann, se angliz tras su emigracin a
los Estados Unidos en la dcada del `30. Fue uno de los matemticos ms inuyentes del siglo XX. Sus contribuciones comenzaron en la lgica y la teora
de conjuntos (demostr el Segundo Teorema de Gdel antes que Gdel, por
ejemplo). Realiz luego un importante trabajo en la fundamentacin de la
mecnica cuntica, al descubrir que la fsica de los sistemas cunticos es equivalente a la matemtica de los operadores lineales en un espacio de Hilbert
(y que la posicin y la velocidad pueden reemplazarse por operadores, etc.)
Ya en Estados Unidos, empez a trabajar en problemas de hidrodinmica de
explosiones y ondas de choque, cosas que despertaron el inters de la Marina
durante los aos de la Guerra. Particip activamente en el Proyecto Manhattan para disear y contruir las primeras bombas atmicas. Entre otras cosas,
dise la geometra del dispositivo de implosin del material sil, y calcul
la altura a la que deban explotar las bombas para que las ondas de choque
maximizaran la destruccin. Integr la comisin que seleccion los blancos,
siendo su primera opcin la ciudad de Kioto, capital cultural del Japn y
6.8. APNDICE: SOBRE JOHN VON NEUMANN
153
de un enorme valor histrico y cultural. El Ministro de Guerra (que conoca

Kioto) la desestim por la prdida cultural que se producira, pasando a las
segunda y tercera opciones, las ciudades industriales de Hiroshima y Nagasaki, donde el 6 y el 8 de agosto de 1945 explotaron las dos primeras bombas
atmicas usadas en combate, a la altura exacta calculada por von Neumann.
Al nalizar la guerra muchos cientcos que haban participado en su
desarrollo, horrorizados por el poder destructivo de las bombas atmicas,
abominaron de su contribucin al armamentismo nuclear. No fue el caso de
von Neumann, quien sigui alegremente, en colaboracin con Teller y Ulam, el
desarrollo de las bombas de fusin nuclear. En este contexto invent el mtodo
de Montecarlo para los clculos hidrodinmicos, hoy usado ampliamente en
muchas ciencias. Realiz tambin otras contribuciones a los algoritmos y a
las ciencias de la computacin, entre otras cosas la arquitectura de memoria
nica (para datos y programas) que hoy en da usan todas las computadoras.
Durante aqullos aos de la Guerra Fra sigui participando activamente en
distintos aspectos de la poltica militar, inventando la doctrina de Destrucin
Mutua Asegurada (MAD). Adems de la teora de juegos, invent tambin los
autmatas celulares, diseando los primeros autmatas de auto-reproduccin
y recomendando su uso para grandes operaciones en lugares de difcil acceso
(tales como la minera en el cinturn de asteroides, por ejemplo), llamados
hoy en da mquinas de von Neumann. La lista de sus contribuciones sigue
y sigue, en campos de la fsica nuclear, la teora ergdica, la geometra, la
estadstica. . .
A pesar de esta vida profesional tan activa, von Neumann era un estero
irrefrenable, llegando a dar dos estas por semana en su casa en Princeton,
donde form parte del personal fundador del Instituto de Estudios Avanzados.
Disfrutaba de comer y beber sin medida, de contar chistes verdes en Yiddish,
de manejar como loco, muchas veces mientras lea (lo que lo llev a sufrir
muchsimos accidentes de auto, y a regresar de las vacaciones siempre en
un auto nuevo). Era adems un mujeriego empedernido del tipo molesto; las
secretarias en Los Alamos cubran con cartn los bajos de sus escritorios para
que von Neumann no las espiara.
Enferm de cncer a edad no muy avanzada (se sospecha que por exposicin a la radiacin durante las explosiones atmicas en New Mexico y
Bikini). En su lecho de muerte sorprendi a familia y amigos al convocar a
un sacerdote catlico para que le administrara los ltimos sacramentos. Muri en 1957, rodeado de estricta seguridad militar por temor de que revelara
secretos militares bajo los efectos de la medicacin.
154
Captulo 7
Propagacin de enfermedades
infecciosas
7.1. Introduccin
Sumario de una introduccin posta:
El uso prctico de estos modelos se basa en el hecho de que puedan mantenerse sucientemente realistas. Por supuesto, esto no signica incorporar
cada posible detalle, sin ms bien cada mecanismo signicativo.
Bernoulli en 1760, ecuacin diferencial ordinaria no lineal. Efecto de la
inoculacin de
vacuna (cow-pox ) en la propagacin de la varicela.
El plan inicial es la discusin de modelos no extendidos en la Seccin

7.2, y de modelos extendidos en la Seccin X. Estos constituyen la teora
clsica de la propagacin de epidemias. En la Seccin Y introduciremos las
redes complejas, y veremos la propagacin en estos sistemas en la Seccin Z.
Epidemias en sistemas discretos y estocsticos, as como el rol de los tiempos
de recuperacin e inmunidad, se vern someramente en la Seccin W.
7.2. Modelos epidmicos sencillos

En esta seccin analizaremos un modelo sencillo del comportamiento temporal de una enfermedad infecciosa sin extensin espacial Podemos pensar
modelo de campo medio, o un modelo para una poblabien mezclada, lo cual en genreal est lejos de la realidad. Sin embargo,
que es una especie de

cin
varios de los resultados interesantes que pueden obtenerse son vlidos tambin en modelos ms complicados. Consideremos que la poblacin total es
constante, y que un pequeo nmero de individuos infectados es introducido
en una poblacin susceptible ms grande. El problema bsico que nos plan-
155
156
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
teamos es la descripcin de la evolucin temporal del grupo infectado. Para

esto hagamos algunas suposiciones razonables.
Modelo SIR
Consideremos que la enfermedad, despus de la recuperacin, conere
inmunidad. Dividamos a la poblacin en tres clases:
S:
susceptibles, los que pueden infectarse.
I:
infectados, que son tambin los que pueden infectar a otros.
R:
removidos, que agrupan a los recuperados e inmunes, o aislados, o muertos.
Se acostumbra a representar esquemticamente el progreso de la enfermedad

con un diagrama del tipo:
S I R,
(7.1)
SIR.
Llamemos S(t), I(t) y R(t) la cantidad (o la densidad) de los miembros de
y llamamos a estos modelos
cada clase. Ahjora hagamos suposiciones acerca de los procesos de incubacin

y de transmisin, en el espritu de lo que podramos decir de una reaccin
qumica:
1. El nmero de infectados crece a una tasa proporcional a la cantidad de
rSI , con r > 0. El nmero

r, llamada tasa de infeccin.
infectados y a la cantidad de susceptibles:

de susceptibles decrece a esta misma tasa,
2. La tasa de remocin de infectados hacia la clase

nmero de infectados solamente:
dos crece a la misma tasa
a,
es proporcional al
aI , con a > 0. El nmero de recupera-
llamada
tasa de remocin. Obsrvese que
pa probabilidad de curarse es una constante, y que podemos asociar
1/a
a un tiempo caracterstico de duracin de la infeccin.
3. El tiempo de incubacin es despreciable, de manera que un susceptible

que se infecta se vuelve inmediatamente infeccioso.
Con estas tasas de cambio, y la suposicin adicional de un a poblacin
bien mezclada, en la que todo par de individuos tiene la misma probabilidad
de entrar en contacto, podemos escribir el siguiente modelo de campo medio:
dS
= rSI,
dt
dI
= rSI aI,
dt
dR
= aI.
dt
(7.2)
(7.3)
(7.4)
7.2. MODELOS EPIDMICOS SENCILLOS
157
Completamos la formulacin con condiciones iniciales apropiadas:
S(0) = S0 > 0,
La conservacin de
I(0) = I0 > 0,
R(0) = 0.
(7.5)
N = S + I + R es automtica con estas ecuaciones. Como
se ve, es un modlo muy sencillo, pero de cual podemos sacar importantes

conclusiones.
Cules seran las preguntas relevantes a hacerse? En primer lugar, dados
r, a, S0
and
I0 ,
si la infeccin se diseminar en la poblacin o no. Y si lo
hace, cmo se desarrollar en el tiempo, y cundo comenzar a declinar.

De (7.3) tenemos, a tiempo
dI
dt
t = 0:
= I0 (rS0 a) 0
y que, si
S0
t=0
Y puesto que de (7.2) tenemos que
S < S0
if
dS/dt 0,
a
.
r
(7.6)
entonces siempre vale que
S0 < ,
dI
0
dt
for all
t 0.
(7.7)
En este caso, el nmero de infectados permanece siempre por debajo de
I0
tiende a 0 a tiepos largos. No ocurre una epidemia.

Por otro lado, si
S0 > ,
entonces
I(t)
comienza aumentando, y decimos
que ocurre una epidemia. Vemos que se trata de un
fenmeno de umbral : si
S0 > Sc = hay una epidemia, mentras que si S0 < Sc no la hay.

es la tasa de remocin relativa. Su recproca es la tasa de contacto.
R0 = rS0 /a es la tasa de reproduccin de la infeccin. 1/a es el perodo
medio de duracin de la infeccin.
De (7.2) y (7.3) podemos derivar otro resultado importante:
dI
I(rS a)
=
= 1 + ,
dS
rSI
S
(I = 0).
Integrando esta ecuacin obtenemos trayectorias en el plano de fases
I + S ln S = constant = I0 + S0 ln S0 .
(7.8)
(I, S):
(7.9)
Estas trayectorias estn necesariamente acotadas por el tringulo que se ve

en la gura X, debido a la positividad de las variables y al tamao jo del
sistema.
158
CAPTULO 7.
Otra cuestin importante es cun severa ser la epidemia. De (7.8) podemos encontrar el mximo de
I , Imax ,
que ocurre en
(7.9):
(
Imax = N + ln
S0
I0
Imax ,
(7.10)
I0
S0 > , I
aumenta
ocurriendo una epidemia. No necesariamente ser muy severa,
como ocurre cuando

epidemia si
Entonces, de
En la gura vemos que para cualquier valor inicial de

de
S = .
I0
est cerca de
Imax . Tambin se puede ver que no hay
S0 < .
Podemos obtener todava ms resultados de este modelo. Todava no

hemos usado la ecuacin de los removidos. De (7.2) y (7.4) tenemos:
dS
dR
S = S0 exp[R/] S0 exp[N/] > 0

0 < S() N.
=
De hecho, en la gura vemos que

tenemos que
R() = N S().
0 < S() < .
(7.11)
Y puesto que
I() = 0,
Entonces, de (7.11):
]
[
]
R()
N S()
S() = S0 exp
= S0 exp
que es una ecuacin trascendente de la cual podemos obtener

positiva.
S(),
(7.12)
su raz
159
Ahora de (7.12) calculamos el nmero total de susceptibles que se infectan

en el curso total de la epidemia:
Itotal = I0 + S0 S().
(7.13)
Una consecuencia importante de este anlisis, en particualr de que
y que
S(t) S() > 0,
infectados,
no
I(t)
es que la enfermedad desaparece por falta de
por falta de susceptibles. La epidemia no crece ilimitada
hasta infectar a toda la poblacin. siempre hay algunos susceptibles que no

se infectan.
Otra observacin general es que el fenmeno de umbra est directamente
relacionado con la tasa de remocin relativa
Para una dada enfermedad
la tasa de remocin relativa vara con la comunidad, y determina por qu

algunas epidemias ocurren en ciertas comunidades y no en otras. Por ejemplo,
si la densidad de susceptibles es alta (S0 es grande) y la tasa de recuperacin
es pequea (por ignorancia, falta de cudados mdicos adecuados, etc.),
entonces es probable que ocurra una epidemia. (Si todo el resot es igual,
puede ser grande si la enfermedad es muy seria y mata rpidamente al
infectado, como en el caso del bola, por ejemplo. En tales casos es
improbable
que ocurra una epidemia.)

En epidemias de la vida real puede ser difcil saber exactamente cuntos
nuevos infectados hay cada da. Puede ser ms fcil contar a los removidos. Para aplicar el modelo a tales situaciones, necesitamos saber el nmero
de removidos por unidad de tiempo,
obtenemos una ecuacin para
dR/dt.
A partir de (7.11) y de (7.4)
R:
(
[
])
dR
R
= aI = a(N R S) = a N R S0 exp
.
dt
(7.14)
Conociendo los parmetros, es fcil obtener una solucin numrica de esta

ecuacin. Desafortunadamente en general no se conocen los parmetros! En
todo caso, se puede ajustar un teo, suponiendo que el modelo describe
adecuadamente el fenmeno. En la prctica, si la epidemia no es muy grande
R/
es pequeo, y si es muy pequeo podemos desarrollar la exponencial de
(7.14) obteniendo:
[
(
)
]
dR
S0
S0 R 2
= a N S0 +
1 R
.
dt
22
(7.15)
Esta ecuacin aproximada s puede integrarse, obteniendo:
2
R(t) =
S0
[(
)
(
)]
S0
at
1 + tanh
(7.16)
160
CAPTULO 7.
donde
[(
=
]1/2
)2
S0
2S0 (N S0 )
1 +
,
tanh1
S0
)
.
De sta, la tasa de remocin resulta ser:
dR
a2 2
=
sech
dt
2S0
que tiene slo tres parmetros,
(7.17)
(7.18)
)
at
,
2
a2 2 /2S0 , a
(7.19)
Peste de Bombay, 1905-6

Esta epidemia dur casi un ao. Puesto qeu casi todos los infectados
murieron, podemos ajustar la tasa de remocin (7.19) con la tasa de mortalidad. La epidemia no fue severa (comparada con la poblacin de Bombay)
y la aproximacin funciona muy bien. Este caso fue el modelo
SIR
original,
desarrollado por Kermak and McKendrick en 1927.
Gripe en una escuela inglesa, 1978

En una escuela internada en Inglaterra, con un total de 763 nios, se
desat una epidemia de gripe que dur del 22 de enero al 4 de febrero de 1978.
Fueron atendidos y mantenidos en cama 512 nios durante la epidemia, que
parece haberse originado a partir de un caso nico. La epidemia es severa y
no podemos usar la aproximacin. Sin embargo, tenemos directamente
I(t)
en los datos, y haciendo un teo se obtiene la comparacin que se muestra

en la gura.
161
Modelos ms complicados
Si la enfermedad no es de corta duracin, entonces es necesari hacer varios
cambios en el modelo
SIR.
Para empezar, habra que agregar trminos de
nacimiento y de muerte en la ecuacin de los susceptibles. Tambin habra que

agregar un trmino por muerte natural en las ecuaciones de los infectados y de
los recuperados. Estos modelos pueden mostrar comportamientos oscilatorios
llamados ondas epidmicas. Ondas epidmicas
espaciales
pueden aparecer se
una infeccin se extiende en un territorio, como analizaremos en la siguiente

Seccin.
Por otro lado, una enfermedad puede tener un tiempo de latencia o incubacin, durante el cual el susceptibel ha sidoinfectado paro todava no es
infeccioso. El perodo de incubacin del sarampin, por ejemplo, es de 8 a 13
das. Para la infeccin de VIH, por otro lado, puede ser de meses o aos. Estos tiempos pueden ser incluidos en el modelo como una demora, o mediante
una nueva clase,
E(t),
en la cual el susceptible permanece antes de pasar a
la de infectados. Estos modelos dan lugar a ecuaciones ntegro-diferenciales

que tienen comportamiento oscilatorio.
Finalmente, la edad puede jugar un papel importante en la susceptibilidad e infecciosidad. Los modelos con edad se vuelven modelos en derivadas
parciales, en los cuales el tiempo y la edad son variables independientes.
Hay muchas ms modicaciones que se pueden incorporar en los modelos
epidmicos, y que dependen crucialmente de la enfermedad de que se trate.
Un campo de gran importancia es el de las enfermedades de transmisin
sexual, que tienen caractersticas propias. En muchos casos el portador es
asintomtico hasta una etapa muy tarda del proceso infeccioso (como en
el VIH-SIDA o la
Chlamydia trachomatis, que puede producir esterilidad en
las mujeres sin mostrar ningn otro sntoma). Tambin, las enfermedades de
162
CAPTULO 7.
transmisin inducen poca o ninguna inmunidad , y los recuperados se vuelven

susceptibles nuevamente.
Consideremos un modelo simplicado de gonorrea, en el que la poblacin
es heterosexual y uniformemente promiscua. Podemos representarlo as:
'
c
E
rr
rr
rr
rr
%
E
T
&
donde las variables con estrellas son las mujeres, el contagio est representado
con echas dobles, y y los recuperados de cada clase vuelven a ser susceptibles
a alguna tasa. Es un modelo
SIRS .
Pueden surgir complicaciones adicionales con la consideracin de an ms

grupos: susceptibles, sintomticos, infectados tratados, infectados no tratados, etc.
En infecciones parasitarias gastrointestinales es necesario adems tener
en cuenta un mecanismo adicional, el de la complicada respuesta inmune
que suscitan. sta introduce una demora de la respuesta del husped, que
depende de la densidad del parsito, del tipo:
E(t) =
P ( )d,
(7.20)
tT
donde
es una variable que describe el sistema inmune y
es la densidad
del parsito. Estas enfermedades tienen un enorme impacto en el mundo en

desarrollo, estimndose por ejemplo que existen 1000 millones de casos de
Ascaris lumbricoides y 500 millones de casos de Anclystoma duodenale

Nector americanus (datos de 1979).
y de
7.3. PROPAGACIN DE EPIDEMIAS
163
7.3. Propagacin de epidemias

La propagacin espacial de epidemias es un fenmeno menos comprendido
que su desarrollo temporal. Sin embargo, existen mecanismos bsicos que
pueden modelarse de manera aproximada. Los modelos que veremos aqu son
no slo relevantes para la propagacin de agentes infecciosos, sino tambin
para la de otros fenmenos de importancia social tales como los rumores, la
desinformacin, los hbitos contagiosos (drogas, modas) y otros.
7.3.1. Modelo difusivo

Consideremos un modelo ms sencillo que el
SIR
de la Seccin anterior.
Supongamos que la poblacin consta de dos clases: infectados

ceptibles
S(x, t),
como del tiempo
I(x, t)
y sus-
las cuales son ahora funciones de la variable espacial
t.
as
Modelamos la propagacin espacial como un proceso de
difusin, en el que ambas clases tienen el mismo coecinete de difusin
D.
No es necesario pensar que los propios individuos son los que se mueven;
podemos imaginarlos jos en el espacio, pero con contactos son sus vecinos,
a travs de los cuales la enfermedad se propaga. Las tasas de transicin entre
susceptibles e infectados, as como de remocin de infectados, son las mismas que en el modelo de campo medio. Con esto, escribamos las siguientes
ecuaciones para el modelo:
S
= rIS + D2 S,
t
I
= rIS aI + D2 I,
t
donde
r, a
(7.21)
(7.22)
son constantes positivas. Estas son las mismas ecuaciones
que las (7.2) y (7.3) del modelo
SIR,
con el agragado de la difusin. El
problema que ahora nos interesa es la propagacin espaciotemporal de la

enfermedad cuando se introduce un pequeo nmero de infectados en una
poblacin inicialmente uniforme de susceptibles.
En una dimensin, y reescaleando apropiadamente las variables para adimensionalizar las ecuaciones, podemos reescribir el modelo en la forma:
2S
S
= IS +
,
t
x2
I
2I
= IS I + 2 ,
t
x
que tienen un solo parmetro
enfermedad es
1/.
= a/rS0 .
Lae
tasa de reproduccin
(7.23)
(7.24)
de la
164
CAPTULO 7.
Para este modelo es posible analizar las condiciones para la existencia

de ondas viajeras, que representan una onda epidmica propagndose en
una poblacin susceptible. Para hacerlo procedemos como en el Captulo 5.
Buscamos ondas viajeras haciendo:
I(x, t) = I(z),
donde
z = x ct,
S(x, t) = S(z),
es la velocidad de la onda. Substituyendo en (7.24) tenemos:
I + cI + I(S ) = 0,
S + cS IS = 0,
donde la prima indica la derivacin con respecto a

de
(7.25)
z.
(7.26)
Encontremos el rango
para el cual existe una solucin con c positivo, y con I
no negativas,
0 S() < S() = 1.
(7.27)
tal que
I() = I() = 0,
Esta condicin signica que un pulso de infectados so propagar dentro de

la poblacin susceptible reduciendo su densidad.
El sistema (7.26) es de cuarto orden. Para avanzar un poco ms por

medios analticos, linealicemos la ecuacin de
onda, donde
S1
en el borde anterior de la
I 0:
I + cI + (1 )I 0,
(7.28)
que podemos resolver como:
I(z) exp
[(
)
]
2 4(1 ) z/2 .
c c
Esta solucin no debe oscilar alrededor de

Entonces, la velocidad de propagacin y
c 2 1 ,
I = 0,
puesto que
(7.29)
I(z) 0.
deben satisfacer:
< 1.
(7.30)
Si
165
> 1 no hay solucin tipo onda, de modo que ste es el umbral para la pro-
pagacin de la onda epidmica. Regresando a las expresiones dimensionales,

signica que:
a
< 1.
rS0
(7.31)
La existencia del umbral (7.31) tiene consecuencias importantes. Podemos

ver que existe una densidad crtica mnima de susceptibles,
Sc = a/r, para la
cual puede ocurrir una onda epidmica. Asimismo, para una dad poblacin
S0
y una dada tasa de mortalidad
crtico
rc = a/S0
a,
existe una coeciente de transmisin
que, si no se excede, previene la epidemia. Hay tambin un
umbral en la mortalidad,
ac = rS0
que, si
se excede,
previene la epidemia.
Podemos ver que cuanto ms rpidamente fatal es una enfermedad, menos

chances tienen de desencadenar una onda viajera en una poblacin.
Todas estas observaciones tienen consecuencias para los programas de
control de epidemias. La densidad de susceptibles se reduce mediante la vacunacin. La transmisin puede reducirse mediante el aislamiento, hospitalizacin, etc. para detener la epidemia.
La velocidad de las ondas en trminos dimensionales resulta:
V =2
(
)1/2
a
rS0 D 1
.
rS0
(7.32)
sta es la mnima velocidad, que resulta ser la observada debido a mecanismos no lineales de seleccin dinmica del estado marginalmente estable. De
manera similar puede calcularse la onda de
S(z).
7.3.2. La Peste Negra en Europa, 1347-1350

La catastrca pandemia de peste que arras en el siglo XIV es tan fascinante que vale la pena resumir algo de su historia.
La Peste Negra, o la Muerte Negra, como se la conoci, fue una epidemia de peste bubnica causada por
Bacillus pestis
y transmitida por pulgas
de las ratas a los humanos. Algunos casos de peste neumnica tambin se

transmitan de persona a persona. La enfermead fue introducida en Italia en
diciembre de 1347, trada por un barco genovs proveniente del puerto de
Caa, en el Mar Negro. La ciudad de Caa era un importante puerto en la
ruta comercial entre Oriente y Occidente, y estaba bajo control genovs. En
1347 estaba siendo sitiada ferozmente por las tropas de la Horda Dorada, un
estado mongol establecido en Europa oriental y Asia central tras la desintegracin del Imperio Mongol. El ejrcito estaba sufriendo una epidemia de
peste, que haban trado de extremo Oriente (donde tambin ocurri una severa epidemia). Los mongoles catapultaron cadveres por sobre las murallas
166
CAPTULO 7.
Figura 7.1: Propagacin de la Peste Negra en Europa entre 1347 y 1351.
de la ciudad, desencadenando la enfermedad entre los sitiados. Es el primer

caso conocido de guerra bacteriolgica. La ota genovesa huy apenas pudo,
pero llevando la peste consigo.
Los genoveses atracaron en Sicilia, donde comenz la ms devastadora
epidemia que le toc sufrir al continente europeo. Las ciudades grandes llevaron la peor parte, ya que la densidad de la poblacin favoreca el contagio.
Las ciudades, adems, eran muy distintas de las ciudades de hoy en da (y
hasta de las ciudades de la antigedad), siendo enormemente mugrientas,
infestadas de piojos, pulgas y ratas, muy susceptibles a las enfermedades
relacionadas con la malnutricin y la falta de higiene.
La epidemia se propag por toda Europa a una velocidad de 200 a 400 millas por ao, habiendo cubierto todo el continente hacia 1350. La mortandad
era enorme, y un 80 % de los infectados fallecan en dos o tres das. Entre
tercio y dos tercios
un
de la poblacin muri, unos 25 millones de personas. El
25 % de los pueblos desapareci. En algunos lugares la mortandad fue mayor

que en otros: en Italia arras con ms del 50 % de la poblacin, en Inglaterra
con el 70 %, en Hamburgo con el 60 %. Tambin en China, donde la epidemia se haba desatado alrededor de 1330, parece que fue devastadora: dos
tercios de la poblacin, 5 millones en tan slo una provincia, Hubbei, donde
murieron el 90 %. La gura muestra el desarrollo espacio-temporal del frente
epidmico.
8 La epidemia tuvo consecuencias muy dramticas para la sociedad, que
result afectada en todos los niveles. Como en la Plaga de Atenas, el hecho de
que la peste golpeara por igual a piadosos y pecadores erosion el poder de la
Iglesia predominante, la Catlica. Tambin result en la persecucin indiscriminada de las minoras, a quienes se responzabilizaba de la epidemia: judos,
musulmanes, extranjeros en general, leprosos. . . En general, desencaden a
167
Figura 7.2: Flagelantes y Danza macabra.
un cinismo y un descreimiento en la autoridad, ya que nadie, ni los mdicos,

ni los magistrados, ni los sacerdotes, podan ni curar ni siquiera
explicar
la
peste. Entre otras cosas, condujo a comportamientos religiosos que podran

decirse aberrantes, como los Flagelantes, que marchaban agelndose pblicamente sin detenerse ms de un da en ningn lugar. La universalidad de
la epidemia produjo una representacin artstica comn hasta hoy en da: la
Danza Macabra. Es interesante tambin la vestimenta de los mdicos, representada en muchas obras de la poca: un manto largo hasta los pies, guantes,
una vara para tocar a los enfermos de lejos, y una mscara en forma de pico,
relleno de hierbas aromticas y especias, que ltraba algn supuesto miasma
causante de la enfermedad. Es posible que haya sido relativamente efectiva
en evitar el contagio por inhalacin de partculas infectadas. Absolutamente
nadie relacion la enfermedad con las ratas, y mucho menos con las pulgas.
Hubo tambin efectos econmicos, ya que el efecto sobre la poblacin y la
mano de obra disponible, los precios, el poder poltico, la capacidad de aplicar
justicia, el sistema feudal de servidumbre, as como sobre la urbanizacin y la
posesin de los bienes, resultaron muy afectados. Eventualmente, los cambios
condujeron al nacimiento del sistema capitalista y al Renacimiento.
Tras el paso de la Peste Negra hubo rebrotes espordicos en Europa y en
el resto del mundo. El primer rebrote fue en Alemania en 1356. Cada tanto
se repitieron, si bien ninguno fue tan dramtico como la Peste Negra. Uno
de los rebrotes importantes fue la Gran Plaga de Londres, ms de 200 aos
despus, que se desat en 1665, aparentemente proviniente de Holanda. Los
primeros casos se produjeron en el invierno de 1664 a 1665, y en la primavera
de 1665 escap de control. Hubo 100 mil vctimas, un quinto de la pblacin
de Londres. Un fenmeno curioso durante esta epidemia fue que la gente empez a reaccionar de manera distinta de grandes epidemias anteriores. Por
168
CAPTULO 7.
Figura 7.3: Vestimenta de los mdicos durante la Peste Negra.
empezar, la gente no se amonton en las ciudades. Empezaron a tomar conciencia de que el amontonamiento era perjudicial, y los que podan huyeron
al campo. La nobleza as lo hizo, pero tambin mucha otra gente acomodada.
Entre ellos el joven Isaac Newton, que obtuvo su grado en la Universidad de
Cambridge en 1665, y como la Universidad cerr a causa de la Plaga, se fue
a una casa de campo de su familia. All pas 18 meses, lo que llam su annus
mirabilis, durante el cual invent el clculo y descubri la gravitacin, entre
otros milagros.
El aspecto ms interesante de la Gran Plaga de Londres, sin embargo,

es que es la que marca el comienzo del estudio cientco de las epidemias,
un poco en medio del ambiente de cienticismo que empezaba a impregnar
la cultura europea. En 1662 John Graunt haba concebido la idea de llevar
la cuenta de las estadsticas vitales de la poblacin mediante la publicacin
de Actas de Mortalidad (la natalidad quedaba registrada en las parroquias.
Para 1665 se publicaban semanalmente. Los nombres de algunas de las causas
de muerte son difciles de entender, pero se destacan los muertos por peste
durante las semanas de la epidemia.
Luego de la Gran Plaga de Londres surgi un consenso de que la peste
haba dejado de ser un problema, pero no fue as. La Gran Plaga de Viena
ocurri entre 1679 y los 80's, la Gran Plaga de Marsellas en 17201722,
poco despus la Rebelin de la Plaga en Mosc (1771). La ltima epidemia
de peste fue la Tercera Pandemia, originada en Yunnn, China, en 1855,
termin ocialmente recin en 1959, tras acabar con la vida de 13 millones de
personas. Durante esta epidemia la enfermedad lleg por barco desde Oriente
169
Figura 7.4: Actas de mortalidad de Londres a nes de 1664, cuando comenzaba la epidemia.
al puerto de San Francisco alrededor de 1900, donde hubo una epidemia de

tres aos con 200 muertos, que comenz justo tras el terremoto que destruy
la ciudad en 1906. Desde entonces, el bacilo se ha estado propagando de oeste
a este en el continente norteamericano, avanzando a una velocidad de unos
50 km por ao, llevado por muchos mamferos pequeos (ardillas, conejos,
perritos de la pradera, coyotes, gatos monteses) y no slo por ratas. Como
resultado, todo el oeste norteamericano y en particular el estado de New
Mexico es uno de los dos grandes focos de peste. En New Mexico hubo 9
casos en 1998, 0 en 1997, 2 en 1996, 4 en 1995 un promedio de
7,8
casos
por ao en el perodo 1970-1991. En los Estados Unidos hubo 341 casos entre
1970 y 1995. Qu pasar cuando el frente de onda llegue a los grandes centros
urbanos de la costa este, con sus enormes poblaciones de gente y de ratas, es
algo que nadie sabe.
No es fcil estimar los parmetros del modelo difusivo para la Europa del
siglo XIV, pero podemos hacer unas cuentas aproximadas. Haba unos 85
2
millones de habitantes, lo que da una densidad de susceptibles S0 20/km .
Los coecientes de transmisin y difusin son ms difciles de estimar. Supongamos que las noticias y los rumores, con las limitadas comunicaciones
de la poca, viajaban a 100 km/ao, y que la enfermedad se propagaba con
2
stos. El tiempo de difusin para cubrir una distancia L es o(L /D). Esto da
170
CAPTULO 7.
Figura 7.5: Distribucin actual de la peste bubnica.
D 104
2
km /ao. Para un coecinete de transmisin estimado de
15/ao
0,75. De la
r 0,4, y
una tasa de mortalidad da
(basada en un perodo de infeccin de
2 semanas), tenemos
expresin para la velocidad del frente:
c 200
km/year. Las incertezas son enormes, pero estos valores parecen
corresponder razonablemente con los fenmenos que ocurrieron.
7.4. Redes complejas

Los modelos de las secciones anteriores constituyen la teora clsica de
la propagacin epidmica. Si bien son capaces de describir algunos aspectos
de la propagacin de las enfermedades infecciosas, est claro que las sociedades humanas son mucho ms complejas que poblaciones bien mezcladas, o
que grillas bidimensionales, o que individuos en difusin. Lo mismo vale para
otros sistemas en los que un conjunto de entidades individuales forma una
especie de red a lo largo de cuyos vnculos se propaga algn campo, tal como
lo hace una enfermedad contagiosa. La Internet y la World Wide Web son
ejemplos de tales redes.
La clula viva, por su lado, tambin puede ser vista
como una red de substancias qumicas conectadas por reacciones. Y estos no

son ms que unos pocos ejemplos de la diversidad de este tipo de estructura,
pero es fcil alargar la lista: redes de llamadas telefnicas, de publicaciones
La Internet es la red fsica de routers y computadoras conectados por medios de

telecomunicacin. La WWW es la red lgica de pginas web conectadas por hyperlinks
(enlaces).
1
7.4. REDES COMPLEJAS
171
cientcas y sus citas, de actores y su colaboracin en pelculas, de distribucin de electricidad, de transporte areo. . . Particularmente fascinante es la
red formada por todas las palabras del idioma ingls que, segn el diccionario Merriam-Webster, tienen sinnimos. Hay 23 mil de tales palabras, de
las cuales 22 mil forman un cluster gigante todo conectado. Esto solo ya es
destacable: que sean casi todas sinnimos de las dems! La longitud media
del camino que hay que recorrer para conectar cualesquiera palabras en este
cluster es de
L = 4,5. As que se puede ir desde cualquier palabra hasta cual-
quier otra, con un signicado seguramente completamente distinto, mediante

una cadena de apenas cuatro sinnimos!
Tradicionalmente el estudio de estas estructuras es el campo de aplicacin
de la
teora de grafos. Si bien sta se ocup de grafos regulares durante mucho
tiempo, en los aos `50 Erds y Rnyi fueron pioneros en el estudio de grandes
grafos aleatorios. En su modelo se dan
conecta al azar con probabilidad
pN (N 1)/2
p.
nodos, y cada par de nodos se
Esto da un grafo con aproximadamente
enlaces distribudos al azar, del cual se conocen muchsimas
propiedades.
Uno se pregunta si una red compleja como la sociedad humana es una red
al azar. En algn grado lo es, pero nuestra intuicin nos dice que tambin
hay cierta organizacin que el modelo de Erds-Rnyi (ER en adelante) no
alcanza a capturar. En los ltimos aos, con la informatizacin de muchos
campos de la actividad humana, as como del poder de cmputo, comenz
el estudio de muchas redes complejas grandes. As motivados, ha habido
numerosas propuestas y desarrollos de su anlisis y su estudio terico.
Los principales conceptos que han emergido como destacados en este estu-
small world ),
dio de las redes complejas son: el fenmeno de mundo pequeo (

la clusterizacin
y la distribucin de grado.
Small world
En cada idioma hay una expresin para referirse al hecho de que, a pesar
de que la poblacin humana es inmensa, en circunstancias inesperadas (en
las vacaciones, en la sala de espera del dentista, en el gimnasio. . . ) siempre
conocemos a alguien con quien tenemos un amigo en comn. En castellano
decimos El mundo es un pauelo. En ingls se dice It's a small world.
El origen de estas expresiones se debe a la observacin casual de que, en
la red de relaciones humanas, da la impresin de que todos estamos muy
En ingls se dice
, y ninguna de las traducciones espaolas es del todo
satisfactoria, de manera que seguiremos usando la castellanizacin de este trmino. Asimismo, a veces diremos por enlace,
por mundo pequeo, y otras por el
estilo.
2
clusterization
link
small world
172
CAPTULO 7.
cerca uno del otro. El psiclogo Stanley Milgram , en 1967, hizo el primer
intento de estudiar cuantitativamente este fenmeno. Prepar una cantidad
de cartas dirigidas a un conocido suyo en Boston, y las distribuy a otras
tantas personas elegidas al azar en Nebraska (tan lejos de Boston como pueda
imaginarse). Estas personas recibieron las instrucciones de entregar las cartas
en mano a algn amigo o conocido cercano, a quien imaginara que estaba
ms prximo que ellos mismos del destinatario nal (de quien, por lo dems,
slo conocan el nombre y direccin). Las cartas deban as pasar de mano en
mano, en la esperanza de que lentamente llegaran a su destinatario. Cada
eslabn de la cadena ira agregando una marquita para medir la longitud del
recorrido. Result que muchas de esas cartas llegaron a destino y que, en
promedio, lo haban hecho en seis pasos: una cadena de seis eslabones para
conectar un montn de gente al azar en Nebraska con el amigo de Milgram en
Boston. La situacin empez a llamarse seis grados de separacin, y alcanz
notoriedad inclusive en la cultura popular, primero a travs de una obra de
teatro, luego de una pelcula (con Donald Sutherland y un jovencsimo Will
Smith) y ms tarde en varios juegos frvolos en los que se calculan los grados
de separacin entre personajes famosos, tales como Kevin Bacon o Monica
4
Lewinsky.
Se trata del mismo Milgram que llev a cabo un clebre experimento sobre la obediencia 4en 1961. Bsquelo en la Web, es fascinante.
El ms famoso fue el Orculo de Bacon en Virginia. Kevin Bacon es un actor bien
conocido por haber actuado en muchas pelculas, en general como actor secundario. En
una entrevista en 1994 mencion que haba actuado con todo el mundo en Hollywood,
o a lo sumo con alguien que haba trabajado con alguno de los pocos que no haban
trabajado con l. Un grupo de estudiantes mirando la tele, al notar que despus de
daban
, se preguntaron si sera verdad, y si Bacon no sera, a pesar de
su falta de estrellato, una especie de centro alrededor del cual giraba todo el universo de
Hollywood. Usando la Internet Movie Data Base, de reciente creacin, fue posible analizar
esto cuantitativamente, deniendo el nmero Bacon: Kevin Bacon tiene nmero Bacon 0,
un actor que colabor con Kevin Bacon tiene nmero Bacon 1, y as sucesivamente. As se
puede calcular, por ejemplo, que Rober de Niro tiene nmero Bacon 1 (ya que trabaj con
K. B. en
), mientras que Elvis Presley tiene nmero Bacon 2 (habiendo estado con
John Wheeler en
, en 1968, quien trabaj con K. B. en Apollo 13).
Eva Pern tiene nmero Bacon 4; Carlos Gardel, nmero Bacon 3, igual que Andrea del
Boca. El mximo nmero Bacon es 8 (quin es (o son)?), y el valor medio es 2,95 (datos
obtenidos hace unos aos, basados en una red de 600 mil actores). Lo ms interesante
es que todas estas propiedades no maniestan una posicin privilegiada de Kevin Bacon
en Hollywood, sino que ocurren alrededor de todos los miembros en una red social. Para
cualquier otro actor X se puede denir el nmero X, por supuesto. Resulta que el actor
conectado tiene mximo nmero propio de apenas 14, con un promedio de 9. El
nmero Connery promedio es 2,8, as que Sean Connery est mejor ubicado en Hollywood
que Bacon. Mejor conectados an estn Dennis Hopper (2,74 de promedio), seguido por
Harvey Keitel y Donald Sutherland. Este ltimo es protagonista de la pelcula
3
Footloose
The air up there
Sleepers
Live a little, love a little
peor
Six degrees
173
No es difcil percatarse de que, ms all de la aparente frivolidad de todo

esto, existen consecuencias importantes de este fenmeno, que hoy en da
llamamos el fenmeno
small world.
Evidentemente es algo relevante en la
propagacin de informacin, rumores, modas, noticias y, por supuesto, enfermedades infecciosas; todas cosas que se propagan en una red de contactos
de persona a persona. El fenmeno small world puede tener consecuencias
dramticas puesto que estos agentes pueden propagarse de manera mucho
ms rpida en este tipo de estructuras que en una gruilla regular, donde la
distancia entre pares es tpicamente mucho mayor.
Los grafos random (tipo ER) son pequeos en este sentido. La longitud
media del camino entre cualquier par de nodos escalea aproximadamente
como el logaritmo del tamao de la red:
el valor medio del
L ln(N )/ ln(k)
nmero de coordinacin,
resultado es vlido para
grado,
(donde
conectividad ).
no muy chico, especcamente para
es
(Este
pN > 1.)
Clusterizacin
5
Una caracterstica propia de las redes sociales , por oposicin a las redes
ER, es que el crculo de conocidos de una persona tiende a superponerse con
el crculo de los conocidos de sus conocidos. Los amigos de mis amigos tienden a ser tambin
mis
amigos. Mirando los enlaces, las relaciones de amistad
suelen formar muchos tringulos en la red. Esto produce un alto (y variable) grado de
clusterizacin, o formacin de grupos (cliques
en ingls). Este
aspecto del fenmeno, denitivamente ausente en las redes random tipo ER,
fue reconocido por primera vez por Watts y Strogatz, quienes lo incorporaron en su modelo de redes small world, publicado en un artculo en Nature
en 1998 [44], y que desat un frenes de actividad que acab atrayendo la
atencin de la comunidad de fsicos.
Se puede estudiar esto cuantitativamente deniendo un coeciente de
clusterizacin
como la fraccin media de pares de vecinos que son tambin
vecinos entre s. Es decir, supongamos que el nodo
tiene
ki
enlaces que lo
, donde se explota el concepto. Estos valores van cambiando todo el tiempo,

por supuesto. El Orculo sigue funcionando en oracleofbacon.org. Otro nmero famoso
es el nmero Erds, asociado al matemtico hngaro Paul Erds, el ms prolco de la
historia (1400 papers). Pas buena parte de su vida de manera itinerante, colaborando
con los matemticos que le ofrecan asilo. El nmero Erds mximo es 15, con mediana 5
y media 4.65. Mi propio nmero Erds es 5.
5 En aos recientes la expresin
ha pasado a signicar casi exclusivamente
una plataforma informtica para relacionarse con otras persona, al estilo de Facebook o
Twitter. Hay que tener presente, sin embargo, que el signicado de
es anterior
y mucho ms amplio. La
humana misma es una red social. Tambin la red de
amistades en un club, en una escuela. En este sentido (y no exclusivamente en el de
Facebook, circunstacialmente de moda) se la usa aqu y en la literatura sobre este tema.
of separation
red social
red social
sociedad
174
CAPTULO 7.
conectan a otros nodos. Si todos los vecinos de
i estuvieran conectados entre
ki (ki 1)/2 enlaces entre ellos. Supongamos que, en lugar de tantos,

Ei . Entonces se dene la clusterizacin alrededor de i como:
s, habra
hay
Ci =
2Ei
.
ki (ki 1)
(7.33)
El coeciente de clusterizacin de la red se dene luego como el promedio de
Ci
sobre la red. En una red
completamente conectada
se tiene que
Pensndolo en trminos probabilsticos, podemos decir que
C = 1.
es la probabili-
dad de que dos nodos que son vecinos de un mismo nodo, sean vecinos entre
s. En una red random de ER, se tiene que
C = p = k/N ,
que es muy pe-
queo para redes grandes. (Considere el sub-grafo formado por un sitio y sus
vecinos. La probabilidad de que un par de stos est conectado es
p, tal como
para cualquier otro par de la red.) En redes del mundo real se encuentra que
C es signicativamente menor que 1, pero mucho ms grande que o(N 1 ).
La redes small world de Watts y Strogatz presentan este comportamiento.
Distribucin de grados
En una red del mundo real no todos los nodos tienen el mismo nmero
grado o conectividad del nodo). Es razonable entonces

distribucin de grados P (k), que caracteriza la manera y magnitud
de enlaces (llamado
estudiar la
de esta diversidad. Esta distribucin da la probabilidad de que un nodo tenga

exactamente
enlaces. Puesto que una red ER se construye precisamente
asignando links al azar, la mayor parte de los nodos tienen un grado cercano
al promedio
k,
P (k)
es una distribucin de Poisson con mximo en este
valor. Se ha visto que algunas redes verdaderas tienen colas exponenciales

en la regin de
grande, si bien son signicativamente diferentes de una
distribucin de Poisson. Otras, en cambio, tiene colas tipo ley de potencia:

P (k) k y se las llama
.
redes libres de escala
7.4.1. Redes small world de Watts y Strogatz

Watts y Strogatz propusieron un modelo que interpola, usando un nico
parmetro de desorden, entre una grilla ordenada y un grafo random [44,
45]. Su procedimiento consiste en tomar, como punto de partida, una red
regular de nmero de coordinacin
(usualmente un anillo, con
k/2
enlaces
para cada lado). El coeciente de clusterizacin de esta red puede calcularse

exactamente, y da
C=
3(k 2)
,
4(k 1)
(7.34)
175
Figura 7.6: Procedimiento de recableado para construir estructuras small

world a partir de una red regular.
vlido para
k < 2N/3,
y que tiende a
3/4
en el lmite de
grande. Estas
estructuras no presetan el fenmeno small world, obviamente. De hecho, la

distancia de nodo a nodo crece linealmente con
N.
Luego se agrega cierto grado de aleatoriedad en esta estructura bsica

de baja dimensin. Esto se logra mediante un recableado, o reconexin, de
algunos enlaces. Uno a uno se recorren los nodos y, para cada uno de sus links
que apuntan (digamos) a la derecha, con probabilidad
azar con cualquier otro nodo de la red. Para
se lo reconecta al
p pequeo el nuevo grafo es casi
regular, con unos pocos links de largo alcance en el sistema. En la gura 7.6
se muestra esquemticamente el procedimiento, para un sistema con
k = 4.
Esos pocos cortocircuitos en el anillo son cruciales. En estos sistemas

con
pequeo, resulta que la distancia media entre nodos es esencialmente
la misma que en un grafo random del mismo tamao y conectividad. Sin

embargo, su coeciente de clusterizacin (esencialmente
3/4
para
chico) es
muchos rdenes de magnitud mayor que en los grafos random. Por ejemplo,
para
N = 1000
k = 10,
L = 3,2 en un grafo random.

L = 3,6, comparada con L = 50 de
la distancia media es
En una red small world con
p = 1/4
es
la red regular.
Existe tambin una segunda versin del modelo, en la cual en lugar de
recablear enlaces se los agrega con probabilidad
a una red regular inicial.
La razn de esta modicacin es que no puede resultar desconectada por el

procedimiento, cosa que s puede ocurrir en el modelo de Watts y Strogatz.
Algunos resultados han sido probados rigurosamente para estos sistemas,
176
CAPTULO 7.
y muchos ms han sido explorados numricamente. Resumamos algunos de

ellos.
La mayor parte del trabajo se concentr inicialmente en las propiedades del camino medio entre nodos. Se observ que comenzaba a decrecer
en cuanto
p > 2/N k ,
condicin que garantiza la existencia de al menos un
cortocircuito en la red. Esto se puede interpretar como la existencia de una
p, , tal que para un valor dado de k , si

N > entonces L ln N . Se propuso entonces
longitud de transicin dependiente de
N <
entonces
L N,
y si
que la longitud caracterstica de los caminos entre nodos escalea como:
L(N, p) F
{
donde
F (x) =
x
ln(x)
if
if
(7.35)
x 1,
x 1,
(7.36)
y, tanto de resultados numricos como analticos, resulta:
1
.
pk
(7.37)
cuando p 0 es reminiscente de un punto crtico: hay una

especie de transicin de fase a p = 0 entre un comportamiento L N y uno
con L ln N . En otras palabras, para un sistema innitamente grande, una
La divergencia de
cantidad innitesimalmente pequea de desorden induce el comportamiento

small world.
Finalmente se demostr, tras cierta controversia, que la longitud caracterstica de los caminos entre nodos obedece el scaling (en dimensin
L(N, p)
{
donde
F (x) =
N
F (pkN d ),
k
1
ln x/x
if
if
x 1,
x 1.
d):
(7.38)
(7.39)
Adems de tener una longitud de caminos corta, las redes small world presentan una clusterizacin relativametne alta para un rango amplio de valores
p. La clusterizacin en este modelo depende slo de k , y no de N . El valor

de C(p) permanece cercano a C(0) hasta un valor relativamente grande de p.
de
Una situacin tpica es la que se ve en la gura 7.7, donde se muestran juntas la distancia media entre nodos y la culsterizacin. El rgimen intermedio,
donde la clusterizacin es grande como en una red regular y la longitud
media de caminos es corta como en una red random corresponde a los
mundos pequeos.
177
Figura 7.7: Longitud caracterstica de caminos entre nodos y coeciente de

clusterizacin (ambos normalizados) de los mundos pequeos de Watts y
Strogatz.
7.4.2. Redes libres de escala

Las redes
libres de escala, o scale-free, propuestas por Barabsi y Albert
[47, 48], ponen el nfasis en la evolucin, en la construccin de las redes. Su

modelo no comienza con un conjunto de
nodos y algunos links, sino que se
comienza con un pequeo ncleo, a partir del cual la red crece mediante la
adicin de nuevos nodos que se conectan a la red preexistente. Esto, presumiblemente, reeja la manera en que las verdaderas redes llegan a ser lo que
son. La principal regla en este tipo de modelos es la de
conexin preferencial :
la probabilidad de conectarse a un nodo depende del grado de tal nodo, por

ejemplo de acuerdo a una ley tipo:
ki
.
(ki ) =
j kj
t pasos de evolucin, consistentes en agregar nodos de a uno, cada uno

m nuevos enlaces, la red ha crecido hasta tener N = t + m0 nodos y mt
Tras
con
(7.40)
links.
178
CAPTULO 7.
Se puede hacer un modelo continuo muy sencillo para mostrar el comportamiento de la distribucin de grados. El grado
ki
del nodo
aumenta cada
vez que un nuevo nodo se conecta a l. Esto ocurre con probabilidad

Supongamos que
ki
(ki ).
es una variable continua del tiempo. Podemos escribir la
ecuacin de evolucin
ki
ki
= m(ki ) = m N 1 ,
t
j=1 kj
(7.41)
donde la suma en el denominador recorre todos los nodos excepto el apenas

N 1
agregado:
j=1 kj = 2mt m, de modo que:
ki
ki
= .
t
2t
Con la condicin inicial de que el nodo
(7.42)
i tena ki (ti ) = m cuando fue agregado,
puede resolverse la ecuacin diferencial:
( )1/2
t
ki (t) = m
.
ti
(7.43)
k enlaces,
ki (t) menor que k .
Ahora, antes de proseguir con la probabilidad de tener exactamente

calculemos la probabilidad de que un nodo tenga grado
Esto se puede escribir as:
(
)
m2 t
P (ki (t) < k) = P ti > 2 .
k
Suponiendo que agregamos nodos a intervalos regulares, los
(7.44)
ti
tienen distri-
bucin de probabilidad uniforme
P (ti ) =
1
1
=
.
N
t + m0
(7.45)
Usando esto en la expresin anterior tenemos:
(
)
(
)
m2 t
m2 t
m2 t
P ti > 2 = 1 P ti 2 = 1 2
.
k
k
k (t + m0 )
(7.46)
Y la distribucin de grado puede nalmente obtenerse usando :
P (k) =
P (ki (t) < k)

2m2t 1
=
k
m0 + t k 2+1
que tiene el comportamiento asinttico
P (k) 2m2 k ,
(7.47)
(t ):
with
= 2 + 1 = 3,
(7.48)
179
con un exponente que es independiente de
m.
Esta ley de potencia es universal, lo cual impone ciertas limitaciones a

la aplicabilidad del modelo en situaciones reales, que suelen tener exponentes distintos. El exponente puede modicarse cambiando la ley de conexin
preferencial
(ki ),
lo cual parece ser efectivamente el caso en algunas redes
reales.
Qu tan importantes son los roles del crecimiento y de la conexin preferencial para la obtencin de una distribucin de grado tipo potencia? Sin la
conexin preferencial (conectando cada nuevo nodo con probabilidad unifor-
P (k) exponencial. Sin el

N nodos desconectados, y agregando enlaces
P (k) resulta no estacionaria. A tiempos cortos es
me a los preexistentes), el modelo continuo da una

crecimiento (comenzando con
con conexin preferencial)
una ley de potencia, pero evoluciona hacia una Gaussiana (eventualmente,

todos los nodos se conectan).
Las redes libres de escala son pequeas, en el sentido de presentar el
fenmeno small world. Se ha mostrado que la longitud media de los caminos
crece logartmicamente con
N.
Este resultado se basa en un teo emprico,
y no existen argumentos analticos que lo sustenten.

El comportamiento de la clusterizacin en estos modelos es distinto que
en los modelos small world. En lugar de ser independiente de N , decae si0,75
guiendo una ley de potencia C N
, que es sin embargo ms lenta que
el comportamiento de las redes aleatorias, para las cuales
C = k/N .
El
coeciente de clusterizacin de los nodos, adems, depende del grado de cada nodo, lo cual es importante porque el grado es muy heterogneo en la
red. Como el coeciente de clusterizacin tambin sigue una ley de potencia,
los nodos menos conectados forman regiones densamente clusterizadas de la
red, que se conectan con otras similares mediante los
hubs
provistos por los
nodos de grado ms alto, que se pueden interpretar como responsables del

fenmeno small world.
Tambin se puede modicar el crecimiento lineal del modelo, con efectos
en la topologa de la red. Por ejemplo, el aumento en el grado medio observado
en la Internet, la WWW o la red de coautora de trabajos cientcos, sugiere
que en los sistemas reales el nmero de links aumenta ms rpido que el
nmero de nodos.
Digresin: libre de escala

El nombre
libre de escala
se debe al hecho de que las funciones al-
gebraicas, o leyes de potencia, son invariantes de escala. Si se tiene una

k
funcin f (x) = ax , una transformacin de escala en la variable lleva a
f (x) = a(x)k = k axk = k f (x) f (x). Esto implica, adems, que todas las leyes con el mismo exponente son equivalentes, un fenmeno conocido
180
CAPTULO 7.
como
universalidad. Esto es lo que ocurre en las transiciones de fase de la me-
cnica estadstica. En los puntos crticos ciertas cantidades obedecen leyes

de potencia, lo cual permite caracterizarlos mediante los
cos.
exponentes crti-
Sistemas que tienen dinmicas microscpicas completamente distintas
pueden pertenecer a la misma clase de universalidad, y comparten muchas

propiedades (como el modelo de Ising en el punto de Curie y los lquidos
clsicos en la transicin lquido-vapor).
Los fractales suelen llamarse libres de escala, si bien es ms apropiado
k
. En ellos la relacin f (x) = f (x) se cumple slo
llamarlos
autosimilares
para (ciertos) valores discretos de
Una distribucin de probabilidad se llama libre de escala si es de la forma

p(x) = L(x)x donde L(x) es una funcin sucientemente suave (y que
necesitamos para normalizar la probabilidad). Es habitual que, para evitar
la divergencia en
x = 0,
se tome un valor mnimo
x0
como cota inferior de la
variable. En tal caso la distribucin, convenientemente normalizada, es:
1
p(x) =
x0
Es sencillo ver que, dependiendo de
partir de alguno. As, si
Si
2<<3
x
x0
(7.49)
, todos los momentos de p(x) divergen a
< 2 divergen el valor medio y todos los momentos.
el valor medio es nito, y divergen la varianza y los momentos
superiores. Y as por el estilo.

Una modicacin habitual es una ley de potencia con un cuto exponencial (que no es estrictamente invariante de escala):
p(x) L(x)x ex .
Para
(7.50)
x sucientemente grande la exponencial termina aplastando la cola an-
cha de la ley algebraica. Muchas leyes naturales son de este tipo aunque la
parte algebraica sea la ms interesante o visible. La ley de Gutenberg-Richter
de la distribucin de la magnitud de los terremotos, por ejemplo, no puede
ser estrictamente una potencia porque la energa almacenada en la corteza
terrestre es nita. Al acercarse a ese lmite la ley de potencia necesariamente resultar achatada por un cuto. Esta energa es muy grande comparada
con los terremotos habituales, pero puede ser relevante en etapas tempranas de formacin del sistema solar, cuando la colisin de planetesimales era
frecuente.
7.5. Epidemias en redes complejas

Todo tipo de red ofrece un sustrato para interesantes procesos dinmicos,
tales como la propagacin de informacin, ideas, modas, energa, enfermeda-
7.5. EPIDEMIAS EN REDES COMPLEJAS
181
des. Campos de aplicacin posibles son los juegos, los autmatas celulares, la
sincronizacin de osciladores, la percolacin, las caminatas al azar, la tolerancia al error, etc. Adems, las redes pueden ser mucho ms complejas que las
que acabamos de ver: puede ser dirigidas (con links asimtricos), bipartitas
(hombres y mujeres. . . ) , heterogneas (con links pesados), cambiantes. . . De
entre todos los aspectos fascinantes que sucita el concepto de redes complejas, discutiremos aqu solamente el fenmeno de la propagacin de un agente
infeccioso. En particular, nos interesan las siguientes preguntas: De qu manera depende la dinmica de la epidemia de la estructura de la poblacin?
Hay consecuencias aplicables a las estrategias de control de una epidemia
que dependen de las caractersticas topolgicas de la red?
7.5.1. Epidemias en redes small world

Usemos una versin discreta de un modelo
SIRS
[50]. La enfermedad
tiene tres etapas: susceptible (S ), infectado (I ), y refractario (R). Un elemento de la poblacin es un nodo, descripto por una sola variable dinmica
que puede adoptar uno de esos tres valores. Los susceptibles pueden pasar
a infectados por contagio. Una vez infectados, el estado procede de manera
determinista en tiempo discreto a lo largo de las etapas de la enfermedad:
S I R S,
pasando un tiempo
(7.51)
en el estado infectado y un tiempo
en el refracta-
rio, luego de lo cual regresa al estado susceptible. La enfermedad no conere

inmunidad permanente. En los hechos, se trata de un sistema excitable, similar a los que se observan en sistemas qumicos del tipo de la reaccin de
Belousov-Zhabotinskii.
El contagio de un elemento susceptible ocurre estocsticamente a nivel
local. Si el elemento
kinf
es susceptible, y si tiene
estn infectados, entonces
Obsrvese que
ki
vecinos, de los cuales
se contagia con probabilidad
pinf = kinf /ki .
se infecta con probabilidad 1 si todos sus vecinos estn
infectados. En lugar de este mecanismo (libre de parmetros) son posibles

otros mecanismos de infeccin, por supuesto. Por ejemplo, si el susceptible
tiene probabilidad
de contagiarse de cada vecino infectado, tenemos una

[1(1q)kinf ]. Preferimos el primero para ahorrarnos
probabilidad de contagio
un parmetro.
La red se pone en un estado inicial consistente en casi todos nodos susceptibles, con unos pocos infectados distribudos al azar. Analizando el comportamiento temporal a partir de este estado en redes con distintos valores de
podemos comparar la evolucin de la epidemia en sociedades con distintas
topologas.
182
CAPTULO 7.
n inf (t)
5200
5300
5400
5500
5600
t
Figura 7.8: Fraccin de infectados como funcin del tiempo. Se muestran
tres series temporales, correspondientes a diferentes valores del parmetro de
4
desorden p, como se ve en las leyendas. Los otros parmetros son: N = 10 ,
K = 3, I = 4, R = 9, Ninf (0) = 0,1.
La gura 7.8 muestra parte de la evolucin temporal de la fraccin de infectados, cuando ya ha transcurrido un tiempo transitorio y se ha alcanzado
un estado estacionario. Se muestran tres de estos estados, correspondientes a
redes con distintos valores de
p. Puede verse claramente una transicin entre

p = 0,01 (arriba), donde la red
una situacin endmica y una oscilatoria. Con
es casi una red regular, el estado estacionario es un punto jo, con uctuaciones. Esta situacin corresponde a una infeccin endmica, con una fraccin
pequea y persistente de nodos infectados. A valores mayores de
en el caso con
p = 0,9
como
que se ve en el panel inferior de la gura aparecen
oscilaciones autosostenidas de gran amplitud. La situacin es casi peridica,

con un perodo bien denido y pequeas uctuaciones de amplitud. El perodo es algo mayor que
0 ,
puesto que incluye un promedio del tiempo que
un individuo pasa en el estado
antes de reinfectarse. Un modelo de campo
medio del sistema, que podra imaginarse vlido cuando
p = 1, efectivamente
183
tiene oscilaciones. La transicin entre ambos estados se observa (en este sistema relativamente chico) a un valor intermedio del parmetro de desorden,
p = 0,2,
exhibido en el panel central. Aqu se aprecian algunas oscilaciones
peridicas de pequea amplitud, ruidosas, apareciendo y desapareciendo en

un mar de uctuaciones fuertes. Por otro lado, se observa que el valor medio
del nmero de infectados crece con
p.
Esta formacin de oscilaciones persistentes responde a la sincronizacin

espontnea de una fraccin signicativa de los elementos del sistema. Podemos describir el ciclo de enfermedad de cada nodo
i (t) = 0, 1, . . . , I + R = 0 .
con una variable de fase
En la situacin oscilatoria las fases se sincro-
nizan, y recorren el proceso infeccioso todas juntas, enfermndose al mismo

tiempo, recuperndose al mismo tiempo. Esto se puede caracterizar mediante
un parmetro de sincronizacin:
(t) =
donde
j = 2(j 1)/0
N
1 i j (t)
e
,
N j=1
(7.52)
es una fase geomtrica correspondiente a
j .
Cuando el sistema no est sincronizado, las fases estn bien separadas en

i
el ciclo y los nmeros complejos e
estn correspondientemente muy distribudos en el crculo unidad. En esta situacin
es pequeo. Por otro lado,
cuando una porcin signictiva de los elementos est sincronizada en el ciclo,
es grande. La sincronizacin sera estrictamente
=1
si todos los elemen-
tos estuvieran en el mismo estado al mismo tiempo. Sin embargo, tal estado
terminara en
Ninf = 0
tras
pasos temporales, y la epidemia acabara ya
que no hay infeccin espontnea de susceptibles.

El parmetro de sincronizacin es un buen parmetro de orden para estudiar el comportamiento del sistema para tamaos crecientes. La gura 7.9
p, obtenido promediando sobre el tiempo y sobre

3
4
5
realizaciones, correspondiente a sistemas de tamao N = 10 , 10 , 10 and
6
10 . Se puede observar una transicin en la sincronizacin a medida que p
lo muestra como funcin de
crece de 0 a 1. La transicin es ms abrupta para sistemas ms grandes, alrededor del valor del parmetro de desorden
pc 0,4.
Vale la pena destacar
que la transicin de sincronizacin ocurre como funcin de la
estructura
la red, en contraste con el fenmeno de sincronizacin como funcin de la
tensidad
de
in-
de la interaccin, como en otros modelos de osciladores acoplados.
Este comportamiento se observa, adems, para un rango amplio de valores

de
I , R , K
y la fraccin inicial de infectados.
184
CAPTULO 7.
0.4
0.3

0.2
0.1
!
0.0
0.2
0.4
0.6
0.8
1.0
p
Figura 7.9: Sincronizacin del sistema como funcin de parmetro de desorden
p.
Cada punto es un promedio temporal y sobre realizaciones. Otros
parmetros:
K = 3, I = 4, R = 9, Ninf (0) = 0,1.
7.5.2. Efecto de la inmunizacin

La vacunacin es una de las estrategias ms efectivas contra la propagacin de enfermedades (y aun as muchas enfermedades de transmisin area,
como el sarampin, persisten de manera endmica a pesar de la vacunacin).
Una vez que las muchas cuestiones socio-econmicas relativas a determinada
vacuna, tales como su seguridad, su costo, su ecacia, etc., existe todava una
pregunta importante: qu proporcin de la poblacin es necesario vacunar
para controlar la enfermedad de la manera ms ecaz posible? Ciertamente,
la estructura de los contactos sociales debe jugar un rol importante. En redes
libres de escala, en las cuales la distribucin de grado es muy heterognea, se
ha visto que que la vacunacin de los pocos individuos con mxima conectividad produce los mejores resultados [51]. En redes small world la distribucin
de grado es mucho ms homognea, pero nuevamente una vacunacin sesgada hacia los individuos ms conectados produce los mejores resultados.
Ms an, existe un umbral de inmunizacin por encima del cual se tiene una
185
Figura 7.10: Casos de sarampin reportadoes en cuatro pases. De Cli &

Haggett, Sci. Am.
250, 118 (May 1984).
drstica reduccin de la severidad de la epidemia [52].

Modelemos la enfermedad como un sistema
al estado susceptible
SIR, sin transicin de regreso
R S , considerando que los removidos son permanen-
temente inmunes. Antes de que comience la evolucin, aplicamos inmunizacin a una fraccin
R,
de la poblacin, cambiando algunos nodos al estado
de acuerdo a dos estrategias posibles. En la inmunizacin
aleatoria
ele-
gimos a los candidatos uniformemente en la poblacin. En la inmunizacin
sesgada (targeted ) elegimos a los individuos con mayor cantidad de links. La

condicin inicial consiste en un solo individuo infectado.
La evolucin de la enfermedad produce la propagacin de la fase infectada hasta que una cierta fraccin de la poblacin ha sido infectada, mientras
que otra permanece susceptible (como el modelo
SIR
de la seccin 7.2). La
gura 7.11 muestra la fraccin de infectados sobre no inmunizados durante

el curso de la epidemia para diferentes niveles de inmunizacin. Podemos ver
que existe una transicin a un valor nito de
p, para cada nivel de inmuniza-
186
CAPTULO 7.
1.0
random immunization
= 0.0
0.8
= 0.1
= 0.2
= 0.3
0.6
= 0.4
r
0.4
0.2
0.0
0.01
0.1
p
Figura 7.11: Fraccin
r = NR /(1 )N
de no vacunados que se infecta
durante la epidemia, como funcin del parmetro de desorden

niveles de inmunizacin aleatoria
p,
para varios
cin, por encima del cual resulta afectada una fraccin nita de la poblacin.
Esta gura corresponde a la inmunizacin aleatoria, y se obtiene un comportamiento similar para la inmunizacin sesgada, si bien cualitativamente
diferente, como veremos de inmediato.
Vemos tambin que existe un nivel de inmunizacin que prcticamente
suprime la infeccin en cualquier red. Vale la pena observar tambin que el
valor crtico de
crece con el nivel de inmunizacin
Esto signica que,
para valores pequeos de desorden en la red, una inmunizacin baja tiene

efectos muy fuertes en el control de la epidemia.
La gura 7.12 muestra una comparacin entre las estrategias de inmunizacin aleatoria y sesgada (a
p = 1,
representativo del invel mximo de
infeccin). La vacunacin sesgada resulta una mejor estrategia. A pesar de

este resultado alentador hay que tener en cuenta, sin embargo, que la estrategia sesgada requiere la identicacin de los nodos de mayor conectividad,
lo cual es costoso en tiempo (de simulacin y en la vida real tambin). La
consecuencia prctica importante de este resultado, de todos modos, es que
para
ambas
estrategias existe un valor crtico de la inmunizacin que ga-
rantiza que un brote de infeccin permanecer localizado y no se propagar

en la poblacin. En otras palabras: para una dada poblacin con una cierta
187
1.0
random immunization
targeted immunization
r (p =1)
0.8
0.6
0.4
0.2
0.0
0.0
0.1
Figura 7.12: Fraccin
0.2
0.3
0.4
0.5
correspondiente a la aleatoriedad mxima,
como funcin del nivel de inmunizacin
p = 1,
para las estrategias aleatoria y
sesgada.
estructura small world, cerca de la situacin crtica un pequeo aumento en

el presupuesto de inmunizacin puede resultar en una drstica reduccin del
impacto de la epidemia.
Es interesante observar una similitud con otro fenmeno de propagacin
en una red social: el rumor. La fraccin que permanece susceptible es equivalente a la fraccin de poblacin que nunca escucha el rumor, lo cual es un
resultado bien conocido en la teora. Aun en la vida cotidiana seguramente
conocemos gente que se queja de que nunca se entera de nada. Este problema
ha sido estudiado en [53].
7.5.3. Epidemias en una red libre de escala

Qu pasa en una red libre de escala? En [54] se estudia la evolucin de un
modelo
SIS
en una red libre de escala que muestra el intresante e importante
resultado de la
ausencia
de un umbral epidmico. De acuerdo a esto, las
redes sin escala (como la WWW y tambin algunas redes sociales), podran
ser particularmente susceptibles a la propagacin de agentes infecciosos. Es
188
CAPTULO 7.
un tema controversial en el cual no existe todava consenso acerca de cules

son los fenmenos tpicos o relevantes para las situaciones reales.
SIS
es el modelo estndar para el anlisis de virus informticos, que es
un rea naturalmente inspirada en la epidemiologa de las infecciones verdaderas. Digamos que a cada paso de tiempo un nodo susceptible se infecta
con probabilidad
si est en contacto con uno a ms nodos infectados. Los
nodos infectados se curan y vuelven a ser susceptibles a una tasa . Es decir:
S I S . Denamos un parmetro relativo = / y pongamos = 1 en

adelante. En redes regulares, as como en grafos random, existe un umbral
epidmico
mente. Si
c , as
c
como en los modelos de campo medio discutidos anteriorla infeccin se propaga y persiste. Si en cambio
< c ,
la
infeccin desaparece exponencialmente.

El anlisis de epidemias verdaderas de virus informticos muestra que la
densidad de virus tiende a un nivel muy bajo sin desaparecer, afectando a
una pequesima fraccin de las computadoras. Esto podra ocurrir si
las computadoras tuvieran su
c ,6
todas
sintonizado justo un pelito por encima de
lo cual es poco realista de imaginar.
Para modelar este fenmeno, el mecanismo
SIS
fue simulado en una red
libre de escala de Barabsi-Albert. Inicialmente se infect la mitad de la red,

alcanzndose eventualmente un estado estacionario de densidad infectada
La gura 7.13 muestra el valor medio asinttico de la persistencia de la
infeccin a medida que se reduce
. No hay umbral: para cada valor nito de
el virus persiste si la red es sucientemente grande. La razn de esto es la
existencia de uctuaciones no acotadas en la conectividad de las redes libres

2
de escala (k = ). stas juegan el rol de una conectividad innita,
mientras que en cualquier red normal cuanto mayor sea la conectividad,
menor ser el umbral.
Se puede hacer un clculo de campo medio para describir este resultado, que tiene un valor formativo. Comencemos escribiendo una ecuacin de
evolucin para la densidad de nodos infectados con conectividad
k (t)
= k + k[1 k (t)]().
t
k:
(7.53)
Aqu, el trmino de ganancia considera la probabilidad de que un nodo con
links sea saludable ([1
k (t)])
y se infecte por contagio. La probabilidad
de este contagio es proporcional a la tasa de contagio
k,
al nmero de links
y a la probabilidad de que alguno de estos apunte a un nodo infectado,
(por ahora desconocida). El trmino de prdida, por su parte, es simplemente

proporcional a la densidad de nodos infectados (y con
= 1).
O podra tratarse de un fenmeno de criticalidad auto-organizada.
El valor esta-
10
189
10
10
12
17
22
1/
Figura 7.13: Persistencia
como funcin de
1/
para diferentes tamaos de
red, hasta varios millones de nodos. La lnea llena es un ajuste de la forma
exp(C/).
cionario de la densidad de estos infectados se encuentra poniendo la derivada
temporal igual a cero, con lo cual:
k =
Ahora pasemos a ocuparnos de
k()
.
1 + k()
(7.54)
La probabilidad de que uno de nuestros
links apunte a un nodo infectado con
s links es sP (s) (de la regla de conexin
preferencial), de modo que:
() =
kP (k)k
.
s sP (s)
k
Las ecuaciones (7.54) y (7.55) permiten el clculo de
(7.55)
Con esto pode-
mos calcular la densidad media de infectados haciendo
P (k)k
(7.56)
190
CAPTULO 7.
y usando el valor de P (k) correspondiente al modelo de Barabsi-Albert

2 3
(P (k) = 2m k
). Finalmente, tenemos
2 e1/m
(7.57)
que es el comportamiento observado, con ausencia de umbral epidmico, es

decir
c = 0.
(Se ha dicho que para redes libres de escala con
recupera el umbral nito, con
> 4
se
la potencia de la distribucin de grado).
Es un resultado portador de malas noticias. Se ha mencionado [51, 55]

que la red de contactos sexuales humanos parece ser libre de escala con un
exponente entre 2 y 3 (resultado basado en una encuesta de varios miles de
personas en Suecia). Ambos hechos, juntos, podran signicar que la reduccin de la probabilidad de contagio de una enfermedad de transmisin sexual
sera insuciente para erradicarla. En particula, a falta de una vacuna para
el SIDA, el HIV alcanzara nalmente a toda la red expuesta. Ambos trabajos ofrecen sin embargo alguna luz de optimismo: una inmunizacin sesgada
cuede restablecer el umbral. Est claro que atacar a los (pocos) nodos con
conectividad extraordinarimente grande en estas redes es la mejor estrategia. Desafortunadamente estos son prcticamente imposibles de rastrear en
la vida real. Sin embargo, se muestra que
cualquier
apartamiento de la in-
munizacin uniforme, por pequeo que fuere, es suciente para restaurar un

umbral epidmico
c > 0 .
Captulo 8
Formacin de estructuras
espaciales
Ya hemos visto que la interaccin entre mecanismos de reaccin y de difusin es capaz de producir fenmenos espacialmente interesantes, tales como
la propagacin de ondas viajeras. Existen tambin sistemas en los cuales el
balance entre ambos mecanismos es capaz de producir la formacin espontnea de estructuras espaciales estacionarias. Tratndose de sistemas difusivos,
y considerando que la difusin es un fenmeno de transporte que tiende a
esfumar y hacer desaparecer las diferencias espaciales, es un poco sorprendente que algo as pueda ocurrir. En este captulo exploraremos este tipo de
mecanismos.
Existen muchas situaciones biolgicas en las cuales la formacin de una
estructura estacionaria es importante. Particularmente relevante es la formacin de patrones y formas en el reino animal. En general, las formas de los
organismos, as como los diseos de sus pieles, estn anclados en la embriologa. En el embrin en desarrollo se produce una diversicacin ordenada de
las clulas, que conduce a la formacin de tejidos y estructuras espacialmente
organizados. Si bien los detalles de estos fenmenos estn determinados genticamente, los mecanismos mediante los cuales se maniestan son macroscpicos, involucrando la formacin de gradientes de substancias morfognicas,
difusin, migracin, sin olvidar aspectos mecnicos de la interaccin entre
clulas. Pero no slo en el embrin en desarrollo se observan tales fenmenos.
Las colonias de
Dictyostelium discoideum (un moho mucilaginoso amebiano),
por ejemplo, tienen un ciclo vital en el que los miembros de la colonia (por
lo dems, amebas indistinguibles) se organizan formando rudimentarios tejidos. Patrones en poblaciones y sistemas ecolgicos tambin los presentan,
as como numerosos sistemas fsicos y fsico-qumicos. Se trata realmente de
un fenmeno que atraviesa numerosas reas de la ciencia.
191
192
CAPTULO 8. ESTRUCTURAS ESPACIALES
Alan Turing (1952) propuso que un fenmeno de reaccin-difusin es capaz de generar estructuras espaciales espontneamente, y que este mecanismo podra ser capaz de explicar la organizacin y diferenciacin celular que
ocurre durante la morfognesis, en el embrin de los organismos.
El modelo consiste en una cierta cantidad de sustancias qumicas, los
morfgenos, cuyas concentraciones obedecen ecuaciones de reaccin-difusin:
c
c
= f () + D2.
c
t
(8.1)
Para dos substancias, tenemos:
A
= F (A, B) + DA 2 A,
t
B
= G(A, B) + DB 2 B.
t
Deca Turing que si, en ausencia de la difusin,
(8.2)
(8.3)
tienden a un equi-
librio estable (homogneo) entonces, bajo ciertas condiciones, una solucin

heterognea puede formarse si
DA = DB . El fenmeno se conoce como bifur-
cacin de Turing, o mecanismo de Turing. Como decamos, es un resultado

anti-intuitivo, ya que la difusin tiende a uniformizar las concentraciones y
destruir las correlaciones espaciales. Por ejemplo, podramos tener un sistema de tipo activador-inhibidor como el de la gura 8.1. Imaginemos que en
una regin del espacio hay un exceso de
hace que se dispare la produccin de
A.
A,
de manera que la autocatlisis
ste, a su vez produce a su propio
B , que tendera a mitigar el aumento de A. Debido a la difusin

A, la regin con exceso de A tiende a crecer. Pero si B difunde ms rpido
que A, el inhibidor llega ms lejos y puede llegar a contener espacialmente
inhibidor,
de
al activador. Si las condiciones son adecuadas, se forma una estructura estacionaria de activacin e inhibicin. Un mecanismo de este tipo funciona
en la retina, donde los fotorreceptores tienen activacin local pero inhibicin
lateral. Este hecho hace posible la ilusin ptica que se muestra en la gura
8.1, debido a que las neuronas que reciben luz de las intersecciones blancas
reciben tambin ms inhibicin lateral que las iluminadas por las calles. Por
esta razn las intersecciones parecen ms oscuras que las calles.
Un sistema de este tipo tiene una
inestabilidad producida por difusin
(diusion-driven) si el estado estacionario homogneo es estable ante pertur-
baciones homogneas, pero inestable ante pequeas perturbaciones no homogneas si la difusin est presente.
Referencias: [1], [56], [57], [58].
8.1. BIFURCACIN DE TURING
193
activacin local
k
autocatlisis
Dif(A)
activador
2
k
3
Dif(B)
inhibidor
B
inhibicin lateral
En los cruces, las
neuronas de la retina
reciben ms luz en la
regin de inhibicin,
resultando en mayor
oscuridad.
ilusin ptica
Figura 8.1: Un sistema de activacin local e inhibicin lateral, producido

por diferencia en las difusividades de ambos componentes. En la retina, las
neuronas que se activan por la llegada de luz activan a las vecinas pero
inhiben a las ms alejadas. Esto explica los puntos oscuros que se ven en las
intersecciones de las calles blancas en esta conocida ilusin ptica.
8.1. Bifurcacin de Turing

Uno de los modelos ms sencillos que presenta el mecanismo es un modelo qumicamente plausible de un oscilador de dos especies, debido a Schnackenberg (1979). No nos interesa por su interpretacin, sino para ilustrar
el anlisis y las propiedades del fenmeno. En la seccin siguiente hacemos
un anlisis algo ms general.
El modelo consiste en una reaccin trimolecular entre dos substancias:
X
A
BY
2X + Y
3X
para la cual podemos escribir el siguiente modelo de reaccin-difusin:
u
= a u + u2 v + DX 2 u,
t
v
= b u2 v + DY 2 v,
t
(8.4)
(8.5)
194
[X] = u, [Y ] = v ,
concentraciones de A y B son
donde hemos designado a las concentraciones

variables son
v,
mientras que las
etc. Las
parme-
tros del sistema. Podemos reescalear y adimensionalizar convenientemente el
2
sistema introduciendo un tamao caracterstico L y haciendo: t = DX t/L y
xi = xi /L. En adelante dejamos de lado las primas en las variables para sim2
plicar la notacin. (L /DX es el
.) Entonces, dividiendo
2
por DX y multiplicando por L obtenemos:
tiempo de difusin
u
= (a u + u2 v) + 2 u,
t
v
= (b u2 v) + d2 v,
t
d = DY /DX , que mide la
2
de X , y = L /DX , que es,
donde hemos denido

de
al
respecto de la
tamao
(8.6)
(8.7)
relacin de la difusividad
por un lado, proporcional
del sistema, y por otro mide la intensidad relativa del trmino
de reaccin respecto de la difusin (porque aparece en los dos trminos de

reaccin). Depende, adems, inversamente en la difusividad de
X.
Es decir, en general, el sistema es de la forma:
u
= f (u, v) + 2 u,
t
v
= g(u, v) + d2 v,
t
(8.8)
(8.9)
El equilibrio homogneo de este sistema se encuentra fcilmente:
f = a u + u2 v = 0,
g = b u2 v = 0,
(8.10)
(8.11)
u2 v = b a u + b = 0 u = a + b
Para continuar con el anlisis lineal calculamos las derivadas de
fu = 1 + 2uv = 1 + 2(a + b)
=
g:
b
2b
=
1
(a + b)2
a+b
2b a b
ba
=
a+b
a+b
(8.13)
fv = u2 = (a + b)2 > 0
gu = 2uv =
(8.12)
2(a + b)b
2b
=
2
(a + b)
a+b
(8.14)
(8.15)
195
gv = u2 = (a + b)2 < 0
(8.16)
con lo cual podemos calcular el determinante del Jacobiano:
2b
ba
(a + b)2 + (a + b)2
a+b
a+b
= 2b(a + b) (b a)(a + b) = (a + b)(2b b + a)
detJ = fu gv fv gu =
= (a + b)2 > 0
espiral o nodo, pero no ensilladura.
(8.17)
Por otro lado, observando las nulclinas en torno al equilibrio en el espacio

de fases (o analizando en detalle las derivadas), podemos concluir que las
derivadas
fu > 0 ,
es
fu
gv son de distinto signo, con lo cual, por (8.16),

decir b > a . (Ejercicio: Qu pasa si fu < 0?)
y
tenemos que
Entonces, ya tenemos que el equilibrio es una espiral o un nodo. Es

estable? Para que lo sea, necesitamos que trJ
fu + g v =
Y juntando esto con
= fu + gv < 0,
es decir:
b a (a + b)3
ba
(a + b)2 =
< 0.
a+b
a+b
b>a
(8.18)
que obtuvimos antes, tenemos:
0 < b a < (a + b)3 .
(8.19)
En resumen, tenemos una regin en el espacio de parmetros donde el equilibrio homogneo es estable ante perturbaciones homogneas, dado por las
relaciones (8.17) y (8.19).
Planteamos entonces ahora la solucin del problema extendido linealizado. Se pueden separar variables, de manera que la solucin que proponemos
tiene la forma de una superposicin de modos espaciales (por ser lineal) donde cada trmino es un producto de una funcin temporal y espacial (por ser
separable). La funcin espacial tiene que satisfacer las condiciones de borde
adecuadas (adems de la ecuacin). Es decir, para el problema lineal (de 2
componentes):
w(x, t)
= Jw + D2 w
t
donde
es un vectorcito de dos componentes (u y
(8.20)
v ), J
el Jacobiano y
la
matriz reducida de difusin, proponemos:
w(x, t) =
ck et Wk (x),
(8.21)
196
donde
Wk
son autofunciones de
2
2
luciones de W + k W = 0).
con condiciones de borde adecuadas (so-
Reemplazando esta solucin en el problema lineal tenemos, para cada

modo
k:
Wk = JWk + D2 Wk = JWk Dk 2 Wk
(8.22)
(I J + Dk 2 )Wk = 0,
(8.23)
y como queremos soluciones no triviales (Wk

det
= 0):
(I J + Dk 2 ) = 0
(8.24)
2 + [k 2 (1 + d) (fu + gv )] + h(k 2 ) = 0.
(8.25)
(k2 )
(Ya nos ocuparemos de
en seguida.) Para el modo
homogneo k = 0
ya
hemos impuesto la condicin de estabilidad. Ahora queremos que el estado

sea
inestable
para
(k 2 ) =
2
algn k = 0, es decir que Re > 0 para algn k = 0:
2
h > 0
4
{
<0
h<0
+ da > 0), o:
(
da > b/2 y +
da > 0).
(con
(8.26)
k 2 (1 + d) > 0 k = 0, y fu + gv < 0 (ver arriba), con lo que =

k (1 + d) (fu + gv ) > 0. Entonces necesitamos que h(k 2 ) < 0 para algn
k . Es decir (ahora ponemos la forma explcita de h):
Pero
2
h(k 2 ) = dk 4 (dfu + gv )k 2 + 2 det J < 0.

Como
(8.27)
dk 4 > 0 y det J > 0 (del anlisis lineal), necesitamos que dfu + gv > 0.
Entonces:
dfu + gv > 0 d
ba
(a + b)2 > 0 d(b a) > (a + b)3 .
a+b
(8.28)
k 2 (de (8.27)) debe ser lo sucientemente negativo

para que h < 0. Como h(k ) es una parbola cncava, podemos imponer que
Pero adems el trmino en
su mnimo sea negativo, obteniendo:
(dfu + gv )2 > 4ddet J
(8.29)
197
[d(b a) (a + b)3 ]2 > 4d(a + b)4 .
(8.30)
Las condiciones (8.17), (8.19), (8.28) y (8.30) denen un dominio en el
espacio de Turing (a, b, d)
ciertas
dentro del cual
perturbaciones espaciales
alrededor del equilibrio homogneo son inestables. Cules? Las que tengan
determinado
rango donde
k , determinado nmero de onda, que podemos determinar. Este

es positivo se puede calcular, obtenindose una expresin de
la forma:
2
2
F (a, b, d) = k1 k 2 k2 = G(a, b, d)
(8.31)
Volvamos al problema de autovalores del Laplaciano, e impongamos condiciones de borde razonables para tener alguna solucin explcita. Por ejemplo, en un dominio unidimensional de tamao l , digamos que el ujo es nulo
hacia afuera:
Wxx + k 2 W = 0, x [0, l], Wx = 0

Wn (x) = An cos
( nx )
l
para
x=0
x=l
, n = 1, 2, . . .
(8.32)
(8.33)
n
. (Recurdese que W tiene dos componentes, de modo
l
tambin.) Vemos entonces que el k ms pequeo es el que corresponde
con autovalores
k=
A
n = 1.
que
a
Por la forma que tiene (8.31), entonces, si es sucientemente
pequeo no hay ningn k disponible en el rango, y ningn modo es inestable.
w = k tienden a cero exponencialmente y el estado

homogneo es estable. Esto muestra la importancia de la
cuanticada
Todos los modos en

por
escala
.
La solucin espacialmente heterognea que surge de esta inestabilidad es:
w(x, t) =
n2
n1
cn e
n2 2
l2
)
t
cos
nx
,
l
(8.34)
198
sumando sobre los modos inestables. Los
cn
son constantes, obtenidas de un
desarrollo de Fourier de la condicin inicial de la perturbacin o uctuacin.

Por la estocasticidad de cualquier situacin plausible, todos los modos de
Fourier estn presentes inicialmente, as que todas las
cn = 0.
Pero slo
algunas van acompaadas de exponenciales crecientes.

Por ejemplo, supongamos que
es tal que slo
n = 1 cabe
en el dominio
de modos inestables.
Supongamos que se duplica el tamao del dominio espacial. Esto equivale
2
a multiplicar por 4 (ya que L ), o a conservar el mismo y duplicar el
dominio de la gura (agrando
luego agrando
k,
achico
).
de dispersin, ahora el nico modo excitado resulta ser el de
En la relacin
n = 2:
8.2. Bifurcacin de Turing: tratamiento general

Convenientemente adimensionalizados y reescaleados, los sistemas RD de
dos componentes pueden escribirse como:
u
= f (u, v) + 2 u,
t
v
= g(u, v) + d2 v,
t
donde
d = DB /DA
(8.35)
(8.36)
pueden interpretarse como una intensidad relativa de
las reacciones, o de otros maneras.

Nulclinas tpicas son:
8.2. BIFURCACIN DE TURING: TRATAMIENTO GENERAL
199
Las intersecciones en b, c, y d son de un tipo distinto que en a.

Complementemos el sistema con condiciones iniciales:
u(, 0), v(, 0),

r
r
con condiciones de borde de ujo cero, representando un sistema aislado de

su entorno:
( )(u, v) = 0,
n
para
dominio.
200
El estado homogneo relevante es la solucin positiva de:
f (u, v) = 0
g(u, v) = 0
}
(u0 , v0 ).
(8.37)
Queremos que este estado sea estable, para que la inestabilidad que encontremos sea puramente debida a la difusin. Planteamos una perturbacin
)
(
u u0
w=
v v0
homognea:
(8.38)
de modo que su evolucin en la proximidad del equilibrio homogneo es:
dw
= Aw,
dt
con
(
)
f /u f /v
A=
.
g/u g/v (u0 ,v0 )
Buscamos sus soluciones de la forma

lores
w et
(8.39)
y tenemos que los autova-
son las soluciones del polinomio caracterstico:

det(A
I) = 0
(8.40)
2 (fu + g + v) + 2 (fu gv fv gu ) = 0
La estabilidad
2 trA + 2 detA = 0
]
1 [
= trA (tr A)2 4detA .
2
lineal de (u0 , v0 ), Re < 0, ocurre si:
{
trA = fu + gv < 0
detA = fu gv fv gu > 0
(8.41)
(8.42)
(8.43)
(8.44)
que imponen restricciones sobre los parmetros de la parte reactiva.

Ahora consideremos una perturbacin de
cial. Su evolucin linealizada es
= Aw + D2 w,
con
(u0 , v0 )
con dependencia espa-
(
)
1 0
D=
.
0 d
(8.45)
Se pueden separar variables, y considerar primero soluciones independientes del tiempo del problema espacial sujeto a las condiciones de contorno:
2 W + k 2 W = 0
( )W = 0
n
r dominio
(8.46)
(8.47)
8.2. BIFURCACIN DE TURING: TRATAMIENTO GENERAL
201
Por ejemplo, en una dimensin con ujo cero en los extremos de
W cos
con el autovalor
k = n/a =
[0, a]:
( n )
x
a
(8.48)
nmero de onda.
Las soluciones dependientes del tiempo son superposiciones de las soluciones espaciales permitidas (que son discretas si el dominio es nito):
w(, t) =
r
r
ck et Wk (),
(8.49)
k
donde los coecientes
ck
se obtienen desarrollando en serie las condiciones
iniciales.
Para analizar la estabilidad ponemos esta solucin en la ecuacin:
Wk = AWk + D2 W
= AWk Dk 2 W .
(8.50)
(8.51)
Soluciones no triviales de sta requieren:

det(I
A + Dk 2 ) = 0
(8.52)
2 + [k 2 (1 + d) trA] + h(k 2 ) = 0
h(k 2 ) = dk 4 (dfu + gv )k 2 + 2 detA.
Para que (u0 , v0 ) sea estable frente a perturbaciones
(8.53)
con
arbitrarias, se re-
quiere entonces que ambas soluciones de la Ec. (8.53) tengan Re

algn
k = 0
(para
k=0
<0
para
es la estabilidad de la solucin homognea).
Esto slo puede pasar si:

1. El coeciente de
en (8.53) es negativo.
o:
2.
h(k 2 ) < 0
para algn
k = 0.
Por la estabilidad del estado homogneo, tenemos que trA
d) > 0
k 2 (1 +
siempre, as que:
coeciente de
= k 2 (1 + d) trA > 0.
entonces, la nica manera en que Re(k

algn
< 0,
) > 0
es que
(8.54)
h(k 2 ) < 0
para
k:
h(k 2 ) = dk 4 (dfu + gv )k 2 + 2 detA < 0
y como la estabilidad del estado homogneo requiere que detA

2
ciente de k tiene que ser negativo, es decir:
dfu + gv > 0.
(8.55)
> 0,
el coe-
(8.56)
202
Junto con trA
= fu + gv < 0,
d = 1
(y
esto requiere
fu
gv
con distintos signos).
(8.57)
Esta es una condicin necesaria pero insuciente para Re > 0. Queremos

2
adems que h(k ) < 0 para algn k , de modo que buscamos el mnimo de
2
h(k ):
[
]
(dfu + gv )2
2
hmin = detA
< 0,
(8.58)
4d
2
km =
As que la condicin
h(k 2 ) < 0
dfu gv
.
2d
(8.59)
es:
(dfu + gv )2
?detA.
4d
La condicin marginal, con
hmin = 0,
(8.60)
puede analizarse en funcin del
coeciente de difusin (para un coeciente de reaccin jo):
2
2
d2 fu + 2(2fv gu fu gv )dc + gv = 0.
c
(8.61)
esto da un nmero de onda crtico:
2
kc
La funcin
la forma:
dc fu + gv
=
=
2dc
= (k 2 )
se llama
detA
dc
fu gv fv gu
.
dc
relacin de dispersin
(8.62)
y tpicamente tiene
8.3. INESTABILIDAD INDUCIDA POR EL TAMAO
Dentro del rango inestable, se puede ver que

corresponde a un
modo
de crecimiento mximo
w(, t)
r
k2
(k 2 ) tiene
en w(, t):
r
203
un mximo, que
2
r
ck e(k )t Wk ()
(8.63)
k1
a
grande. La parte no lineal de
y de
g,
eventualmente, se encargan de
acotar el crecimiento exponencial de esta solucin.
8.3. Inestabilidad inducida por el tamao

En general, si
es (sucientemente) pequeo, un sistema con condiciones
de ujo cero en el borde (como el analizado ms arriba) no puede desarrollar

estructuras espaciales. Pero una condicin de borde diferente puede ser ms
interesante en algunos problemas, en particular si el sistema no est aislado.
Consideremos un modelo en una dimensin:
2u
u
= f (u) + D 2 ,
t
x
(8.64)
con condiciones de borde nulas (en lugar de ujo nulo):
u(0, t) = 0
u(L, t) = 0
u(x, 0) = u0 (x),
y con un trmino de reaccin no lineal de la pinta:
(8.65)
(8.66)
(8.67)
204
que es un modelo ecolgico donde hay dos equilibrios homogneos estables,

uno chico y uno grande, separados por uno inestable.
Pensemos primero slo en la parte izquierda de este sistema, es decir que
tenga slo el 0 y
u1
como equilibrios (por ejemplo, con
correspondiente
al modelo logstico).
En el sistema homogneo,
u=0
es inestable y
u = u1
es estable, as que
u1 . En el sistema extendido, entonces, si empezamos con

un poquito de u, excepto en los bordes donde u = 0, u(x, t) tratar de crecer.
En los bordes, donde u/x = 0, tenemos prdida de u. As que compiten
la solucin tiende a
dos efectos: crecimiento adentro y prdida por los bordes.

Linealizamos alrededor de
u = 0:
u
2u
= f (0)u + D 2 ,
t
x
u(0, t) = u(L, t) = 0,
(8.68)
u(x, 0) = u0 (x).
(8.69)
Proponemos soluciones:
u(x, t) =
an et sin
( nx )
(8.70)
n
que satisfacen las condiciones de borde,
un = f (0)un D
= f (0) D
El modo dominante es el de
( n )2
L
( n )2
L
ms grande
un ,
(8.71)
(8.72)
ms chico
n=1
ya
que
e n t < e 1 t
n 2.
(8.73)
8.3. INESTABILIDAD INDUCIDA POR EL TAMAO
205
As que si ste tiende a cero, los dems tambin lo hacen. La condicin de

estabilidad lineal de
u=0
entonces es:
(
f (0) D
1
L
)2
< 0 L < Lc =
D
f (0)
(8.74)
u 0 en todo
u = 0 resulta estabilizagrande D , ms grande Lc , ya que D se lleva
Si el tamao del sistema es menor que este tamao crtico,

el sistema, ninguna estructura aparece, y el estado
do por la difusin. Cuanto ms
a
por los bordes.

Si el tamao
L > Lc ,
se forma una estructura del tipo
que satura por no linealidades.

En el sistema con ms equilibrios, aparece un nuevo tamao crtico
que podemos ver en el grco de
Para
L > L0
vs.
L0 ,
um :
existe ms de una solucin, tpicamente dos estables (una
ms estable que la otra) y una inestable.

Si uno quiere controlar una plaga, por ejemplo, para que se estabilice en
la solucin menor, basta denir dominios de un tamao
L > Lc
L < L0 ,
206
donde se la extinga. As se evita aparicin de brotes sin malgastar (o abusar)

del recurso de extincin (veneno, por ejemplo).
La solucin (completa, no lineal) estacionaria es:
u
2u
= 0 = f (u) + D 2 ,
t
x
D + f (u) = 0
u
(anlogo mecnico que puede resultar til).
x x/L D + L2 f (u) = 0, u(0) = u(1) = 0.

u
2
un sin x, de modo que u u,
Cambiando
parecida a
(8.75)
La solucin es
D 2 u + L2 f (u) 0,
As que un valor aproximado de
(8.76)
D 2
u f (u).
L2
L0 se obtiene grcamente:
(8.77)
(8.78)
8.4. Manchas en la piel de los animales

La aplicacin de las ideas de Turing en problemas reales es difcil debido
a la dicultad de identicar a los morfgenos. En particular, el problema
de la piel de los mamferos no est del todo determinado. Hay una linda
presentacin en un artculo de Murray en Scientic American [56].
Aparentemente, si bien la coloracin ocurre en la etapa nal del desarrollo
embrionario, reeja una pre-estructura formada antes. Para crear los dibujos
unas clulas, los melanoblastos, migran por la supercie y se convierten en
melanocitos, clulas especializadas en producir un pigmento. La produccin
del pigmento (melanina) depende de la existencia de una sustancia que an
no se conoce.
8.4. MANCHAS EN LA PIEL DE LOS ANIMALES
207
Puesto que el mecanismo exacto no se conoce, y que el fenmeno es bastante universal, se puede estudiar un modelo como:
u
t
v
t
f (u, v)
g(u, v)
= f (u, v) + 2 u,
(8.79)
= g(u, v) + d2 v,
(8.80)
= a u h(u, v),
= (b v) h(u, v),
uv
h(u, v) =
,
1 + u + Ku2
(8.81)
(8.82)
(8.83)
siempre que la clulas sean pequeas comparadas con la mancha. En el

caso del leopardo, hay unas 100 clulas de
0,5
mm en el momento en que se
establece el patrn de una mancha.

El dominio, en este caso, debe ser una supercie con condiciones peridicas. Por ejemplo, las manchas de las colas y de las patas pueden resolverse
en geometras tipo cono truncado. Las soluciones en estas geometras son:
cn,m e(k
2 )t
cos(n) cos(
n,m
con
k2 =
donde
es la longitud y
m
z),
s
n 2 m2 2
+ 2
r2
s
(8.84)
(8.85)
el radio.
n 2 m2 2
2
+ 2 < k2 .
r2
s
Si r es muy chico, todos los modos azimutales con n = 1, 2, . . .
del rango, y slo los patrones con n = 0 y m = 0 aparecen:
2
k1 < k 2 =
(8.86)
caen fuera
208
Si el cilindro es ms grande, son posibles patrones verdaderamente bidimensionales:
Si el cono se ana mucho, la parte ms na ser cuasi-unidimensional y

la ancha bidimensional:
Esta restriccin geomtrica efectivamente se cumple en los embriones de:

Leopardo (
la punta).
Panthera pardus ): transicin (cono cerrado, manchas casi hasta
Panthera onca ): transicin ms suave.

Genetta genetta ): unidimensional (cilindro nito).
Chita, jaguar (
Genet (
Cuando se usa el modelo en una geometra correspondiente a un animal

completo en la que slo se hace variar la escala, se ve una variedad interesante
de coloraciones:
8.5. ECUACIONES DE AMPLITUD
209
Para tamao chico, ningn patrn se forma (como en el caso estudiado).

Los animales muy chicos tienden efectivamente a ser de un solo color.
Animales muy grandes, en los cuales se forman patrones con
n y m gran-
des, tambin resulta de pelaje uniforme, debido a que la estructura espacial

es muy na. La mayor parte de los animales grandes, tambin, son de un solo
color.
Son interesantes la primera y la segunda bifurcaciones, de las que tambin
hay ejemplos conocidos (una cabra de Valais, un oso hormiguero).
Animales intermedios tienen distintas manchas. Es destacable que, para
un dado conjunto de parmetros, geometra y escala, el dibujo nal depende
de las condiciones iniciales, siendo slo cualitativamente similar. Esto tambin
se corresponde con la realidad.
Asimismo, en animales domsticos, en los que la coloracin puede cumplir
un rol distinto del de la supervivencia, o ninguno en absoluto, es de esperar
que el patrn no se forme a un tamao exacto del embrin, habiendo entonces
ms variedad.
Como no existe ningn modelo completamente satisfactorio de la formacin de las manchas, estos modelos de reaccin-difusin sirven, al menos,
para imaginar que existe un mecanismo nico que explique la diversidad de
los patrones de la piel.
8.5. Ecuaciones de amplitud

Hemos visto que a travs de una bifurcacin del estado homogneo algunos sistemas extendidos espacialmente pueden formar patrones espaciales.
El anlisis lineal provee la descripcin bsica del fenmeno. Veremos ahora una descripcin
dbilmente no lineal
que tiene validez no muy lejos del
equilibrio. Se trata de un desarrollo perturbativo, que aprovecha un ingrediente fundamental que ocurre cerca de la bifurcacin: una separacin de
distintas escalas, tanto espaciales como temporales. La estructura peridica
gobernada por la dinmica lineal constituye una escala pequea. Sobre ella
hay montada una deformacin, una envolvente, de escala espacial ms grande
y de evolucin ms lenta, gobernada por unas
ecuaciones de amplitud
cuya
estructura es universal. Estas ecuaciones son ms sencillas que la dinmica

no lineal completa, pero proveen una explicacin casi completa de todos los
fenmenos de no-equilibrio. Esto se maniesta en un acuerdo muy cercano
entre las predicciones tericas y los experimentos.
210
lineal
ecuaciones de amplitud
La forma de las ecuaciones de amplitud depende del
tipo de bifurcacin, es
decir de la inestabilidad lineal, pero no de otros detalles del sistema. De manera que su forma es completamente universal. Slo sus coecientes dependen
de los detalles del modelo fsico. La diferencia ms importante corresponde a
las bifurcaciones que dan lugar a patrones estacionarios (que dan ecuaciones
de amplitud con coecientes reales) o patrones dependientes del tiempo (que
dan ecuaciones de amplitud con coecientes complejos).
8.5.1. Inestabilidad de Rayleigh-Bnard

Vamos a usar como ejemplo de este desarrollo el sistema de RayleighBnard en una versin simplicada (ya que es un poco ms sencillo que en
los sistemas de Turing que vimos anteriormente). Se trata de un clsico sistema de mecnica de uidos, que aparentemente guarda poca relacin con
los sistemas biolgicos que venimos estudiando. Lo hemos elegido porque
el tratamiendo ligeramente fuera del equilibrio es particularmente sencillo y
sirve para ilustrar la tcnica general, poderosa y universal de las
de amplitud.
ecuaciones
Todos los fenmenos biolgicos en los que se forman patrones
espaciales que hemos mencionado, incluyendo los de reaccin-difusin pero

tambin muchos otros, son susceptibles de este tratamiento. (En el libro de
Murray hay un modelo mecnico para la formacin de estructuras en la piel,
por ejemplo. El tambin mencionado
D. discoideum,
las ondas de contrac-
cin en el tejido cardaco, las manchas de las pieles, los ojos compuestos, la
estructura interna de la clula. . . ). Hay un review clsico en [58].
El sistema de Rayleigh-Bnard consiste en una lmina de uido con una
diferencia de temperatura entre la parte inferior (ms caliente) y la superior
(ms fra). Esta diferencia de temperatura produce una diferencia de densidad debido a que el uido de abajo se expande ms que el de arriba. El
uido de abajo, entonces, tiende a otar, lo que se maniesta como una fuerza
211
T< T
fluido
T >T
2
T >T
2
T> T
1
Figura 8.2: Sistema de Rayleigh-Bnard, subcrtico (arriba) y supercrtico

(abajo).
desestabilizadora (otacin). Al mismo tiempo existe una fuerza estabilizadora: la viscosidad. Si
T < Tc
el uido se mantiene en reposo, el calor se
disipa por arriba transportado por conduccin trmica. En este estado, las
perturbaciones decaen y hay estabilidad lineal. Si
T > Tc la viscosidad no
alcanza, se produce una inestabilidad del estado de conduccin, y el lquido

se empieza a mover para disipar el calor (vase la Figura 8.2). Es un modelo
simple de la dinmica del aire en la atmsfera.
El parmetro de control que conviene usar en este sistema es el
de Rayleigh, que
nmero
relaciona la otacin, la viscosidad y la temperatura en el
uido:
T
,
es el coeciente de expansin trmica y la viscosidad cinemtica.

R > Rc las perturbaciones del estado uniforme crecen y se forma una
donde
Si
estructura de conveccin (ya que el uido no puede subir o bajar todo a la

vez!). La estructura ms sencilla est formada por
rollos de conveccin.
Las ecuaciones que describen este sistema son las ecuaciones de NavierStokes, que son muy complicadas de analizar. Pero para las geometras y
habituales hay descripciones simplicadas.
8.5.2. Anlisis lineal

Consideremos una situacin en la que el
pattern es independiente del tiem-
po (es decir, aunque el uido se mueve, la estructura de rollos no lo hace). En

un sistema innito, o con simetra de rotacin en el plano, el vector de onda
del
pattern puede apuntar en cualquier direccin. Denimos esa direccin co-
mo el eje
x.
Ignoramos toda variacin en el eje
(es decir, suponemos rollos
innitos) para quedarnos con un sistema unidimensional. Adems, digamos

que hay simetra
x x
de reexin. En tal caso, la ecuacin del sistema
212
> 0
kc
< 0
k
Figura 8.3: Relacin de dispersin curtica, correspondiente a la aproximacin de Swift-Hohenberg del problema de Rayleigh-Bnard.
(escrita para un campo escalar representativo del sistema, tal como la temperatura, la densidad, el mdulo de la velocidad, etc.), que en su expresin
ms general tiene la forma:
t u(x, y, z, t) = F (u, x u, . . . , R)
tiene soluciones linealizadas tipo modos de Fourier:
u(x, y, z, t) = G(z)et+ikx + c.c.,

donde
G(z)
es el nmero de onda del modo,
es el modo en la direccin
es su tasa de crecimiento, y
(que no nos interesa). Substituyendo estas
soluciones en la ecuacin linealizada (por mtodos estndar de anlisis lineal)

se encuentra una relacin de dispersin
(k)
como la que se muestra en la
Figura 8.3.
= (R Rc )/R vemos
< 0 (todos los modos se amoro > 0 (hay modos con nmeros
En trminos de un parmetro de control reducido:

que el comportamiento es distinto segn sea
tiguan, y el estado homogneo es estable)
de onda alrededor de
kc
que crecen, y el estado homogneo es inestable).
Como las ecuaciones hidrodinmicas completas son complicadas, hagamos

un modelo sencillo de la situacin. La parte lineal la tomamos directamente
de la gura genrica de
(k),
postulando una forma de parbola curtica:
2
(k) = D(kc k 2 )2 .
(8.87)
As que la ecuacin puede ser de la forma:
2
2
t u = u D(x + kc )2 u + trminos
no lineales.
(8.88)
213
Al requerir que la ecuacin sea invariante por reexin
x x, tenemos que
el trmino no lineal ms sencillo es cbico. De tal modo que proponemos:
2
2
t u = u D(x + kc )2 u u3 ,
con
> 0.
Reescaleando apropiadamente
de los dos parmetros
(8.89)
podemos desembarazarnos
obteniendo en tal caso:
2
2
t u = u (x + kc )2 u u3 .
Este es el
(8.90)
modelo de Swift-Hohenberg, que puede ser obtenido directa-
mente de las ecuaciones del uido (que involucran ms componentes y dimensiones,
()
v r
T ()).
r
Es el modelo ms sencillo para incorporar el efecto
de los trminos no lineales en la descripcin de la inestabilidad. El operador

2
2
x + kc en general se escribe L.
8.5.3. Ecuaciones de amplitud para el modelo SH

0,
0, y
En la Figura 8.3 podemos ver que para

cercanos a
kc
son importantes. Entonces
slo los nmeros de onda

por la forma del mximo
cuadrtico, podemos suponer un desarrollo de la relacin de dispersin con

los trminos:
+
=0
1 2
2 k 2
(k kc )2 + ,
(8.91)
k=kc
de manera que los modos en una bandita de ancho
alrededor de kc
son
los que crecen. Si en la solucin de la ecuacin completa tenemos un modo de

nmero de onda
k (de todos los que van a estar presentes en A(x, t)) podemos
ver que:
y entonces, como
eikx = ei(kkc +kc )x = ei(kkc )x eikc x ,
k kc 1, el comportamiento
crtico. Vemos que la escala espacial en

kc )1 1/2 1, que es entonces la escala
(8.92)
es
eikx
la cual cambia la fase es
(k
esperada para las modulaciones
espaciales.
Adems:
lento
as que la escala temporal de la modulacin es
1 .
Por otro lado, en el estacionario tenemos
t u = 0 = ( L2 u2 )u u2 = L2 u 1/2
ya que
L2 0
cerca de
kc
una pitchfork supercrtica,
1.
u .
para
(8.93)
En otras palabras, la bifurcacin es
214
Con estas observaciones, podemos plantear la forma que esperamos que

tengan las soluciones del sistema completo, separando las dos escalas:
u(x, t) = 1/2 A(X, T )ulin (x) + trminos
de orden superior
podemos interpretar que en esta ltima expresin
x = x + X , donde
la x de la derecha acta
sobre la grande (mientras
con
X = 1/2 x
T = t,
de modo que
t = T
exclusivamente sobre la escala espacial chica y

que la
de la izquierda acta sobre todas las escalas) .
A(X, T ) es la ampli-
tud para la cual queremos la ecuacin. Proponemos una solucin perturbativa

en potencias de
u(x, t) = 1/2 A0 (X, T )(x) + B0 (X, T )(x) + 3/2 C0 (X, T )(x),

manteniendo hasta el orden
3/2
(8.94)
que es el que necesitaremos para llegar a un
sistema de ecuaciones cerradas para las amplitudes.

Ahora desarrollamos la ecuacin diferencial del modelo de Swift-Hohenberg
hasta el orden
3/2.
Miembro de la izquierda:
t u T u 3/2 T A0 .
Miembro de la derecha:
u 3/2 A0 ,
(8.95)
}
fciles!
u3 3/2 (A0 )3 ,
(8.96)
Miembro de la derecha, parte complicada:
[
]
2
2
2 2
(x + kc )2 u = (x + 1/2 X )2 + kc u.
Veamos de a poco. Como
hasta orden
es al menos
1/2 ,
(8.97)
tenemos que calcular el
]
[ 2
2 2
2
x + kc + 21/2 x X + X
[
]
2 2
L + 21/2 x X + X
[ ]2 =
L + 4
2
ms trminos de orden
Porque
3/2
1/2
Lx X +
2 2
4x X
[ ]2
(8.98)
(8.99)
2
2LX
(8.100)
y superiores.
. OK?
x [f (X(x))g(x)] = g(x)x f (X(x)) + f (X(x))x g(x) = g(x)x X(x)X f (X) +
f (X)x g(x) = X f (X)g(x) + x f (X)g(x) = (x + X )[f (X)g(x)]
Aplicando ahora
hasta llegar al orden
[ ]2 sobre
3/2 :
215
el desarrollo de
tenemos varios trminos
[ ]2 u = 1/2 A0 L2
[
]
+ 4X A0 Lx + B0 L2
[ 2
]
2
2
+ 3/2 4X A0 x + 2X A0 L + 4X B0 Lx + C0 L2 .
(8.101)
Ahora usamos Ecs. (8.95,8.96,8.101) e igualamos trmino a trmino cada

orden:
o(1/2 ):
2
2
A0 L2 = A0 (x + kc )2 = 0
cuya solucin (una onda plana, peridica) es
A0
(8.102)
A0 = A0 eikc x + A eikc x
0
con
indeterminado a este orden, apareciendo slo como una constante de
integracin arbitraria. Seguimos adelante:
o():
4X A0 Lx + B0 L2 = 0.
B0 L2 = 0 B0 = B0 eikc x + B0 eikc x ,
Pero
L = 0,
(8.103)
(8.104)
luego
donde tambin
B0
aparece por ahora como indeterminada. Seguimos con el
primer orden no trivial:

o(3/2 ):
2
2
T A0 = A0 (A0 )3 4X A0 x
2
2X A0 L 4X B0 Lx C0 L2 ,
=0
(8.105)
=0
donde un par de trminos se anulan por la accin del operador lineal sobre
2
2
la parte lineal de la solucin. Adems, por (8.102) x = kc el 3er
2
2
2
2
trmino queda 4X A0 x = 4kc X A0 .
Y el trmino cbico de (8.105) puede escribirse como:
0
0
(A0 )3 = e3ikc x A3 + e3ikc x A3 + 3(eikc x A0 + eikc x A )|A0 |2 ,
donde aparecen trminos con
(8.106)
e3ikc x
que no haban aparecido antes, as que

2
deben ser cancelados con el nico trmino que queda, el C0 L . Pero por otro
2
ikc x
lado C0 L no puede tener trminos con e
(porque se los aniquilara el
L). As que, agrupando los trminos con los distintos armnicos, tenemos dos
ecuaciones:
2
2
T A0 = A0 3|A0 |2 A0 + 4kc X A0
0 = e3ikc x A3 e3ikc x A3 C0 L2 .
0
0
(8.107)
(8.108)
216
La segunda determina (x), y como esta funcin da una contribucin de

3/2
orden
en u, no la consideramos. La primera ecuacin puede separarse
ikc x
en dos ecuaciones, segn e
, que son conjugadas entre s, as que basta
considerar slo una de ellas:
2 2
T A0 = A0 3|A0 |2 A0 + 4kc X A0 ,
(8.109)
que volviendo a las variables originales es:
2 2
t A0 = A0 3|A0 |2 A0 + 4kc x A0 ,
(8.110)
2kc x para medir la escala

1/2
lineal, y A = (3)
A0 ) obtenemos:
y nalmente haciendo un pequeo cambio (x

espacial con respecto al nmero de onda
2
t A = A |A|2 A + x A.
(8.111)
Esta es la ecuacin para la amplitud que modula el comportamiento lineal

de los rollos. Coincidentemente es la misma ecuacin que Ginzburg y Landau propusieron fenomenolgicamente para la densidad de portadores en
un superconductor en ausencia de campo magntico, y se la llama entonces
ecuacin real de Ginzburg-Landau. Fue descubierta en el contexto de las
transiciones de fase alejadas del equilibrio por Alan Newell a nes de los
setentas. Ntese que la amplitud
es compleja. La ecuacin se llama
real
porque sus coecientes son reales, y para diferenciarla de la ecuacin que se

obtiene cuando la inestabilidad lineal es dependiente del tiempo (tipo ondas
viajeras en lugar de un
pattern
estacionario), en cuyo caso los coecientes
son complejos:
2
t A = A (1 ic3 )|A|2 A + (1 + ic1 )x A,
que se llama
(8.112)
ecuacin de Ginzburg-Landau compleja.
8.5.4. Soluciones sencillas de la ecuacin de GinzburgLandau real

Existen soluciones (estacionarias) sencillas de la ecuacin real de Ginzburgiqx
Landau, llamadas de fase enroscada (
), del tipo A = ae
2
2
donde q = a . Recordando que se trata de amplitudes en una solucin
ik x
general que tiene la forma: u(x, t) = A(x, t)e c + c.c., vemos que se trata
phase winding
de estados estacionarios con un nmero de onda un poco mayor o un poco

menor que kc (segn q < 0 o q > 0). (Notar la diferencia con las solucioik x
nes e c obtenidas mediante la inestabilizacin del estado homogneo en el
217
soluciones
phase winding
estables
soluciones
inestables
ondas
ondas
demasiado
demasiado
largas
cortas
q=0
Figura 8.4: Estabilidad de las soluciones de fase enroscada, mostrando la
inestabilidad de Eckhaus (gris).
anlisis lineal, que crecen de manera no acotada. La ecuacin de amplitud

nos da, precisamente, la manera en que las no linealidades estabilizan este
pattern surgido del anlisis lineal.)
Para estas soluciones puede hacerse un anlisis de estabilidad lineal completamente estndar, obteniendo las condiciones de estabilidad de las soluciones de fase enroscada. Cuando stas se vuelven inestables, tenemos una
inestabilidad secundaria
del problema original, ya que se trata de la ines-
tabilidad de soluciones que aparecieron a partir de una inestabilidad de la

solucin homognea del sistema. Esta inestabilidad hace que los patrones
se vuelvan ms y ms complicados, tal como se observa en los experimentos. Para la ecuacin real de GL, esta inestabilidad se llama
Eckhaus.
inestabilidad de
Las soluciones de fase enroscada aparecen mediante una bifurcacin tipo

A = 0 en un valor crtico de q = q 2 . Si
pitchfork a partir del estado con
> q
estas soluciones
Aq
son estables, siempre que
|q|
no sea demasiado
grande. Si el nmero de onda es muy grande (rollos anchos) la inestabilidad

de Eckhaus se encarga de partirlo (en tres!). Tambin si los rollos son muy
estrechos (q muy negativo) se vuelven inestables, y tres se juntan en uno. La
diferencia de fase entre dos puntos a lo largo del eje
x es el nmero de rollos.
Ahora bien, cuando el nmero de rollos cambia en un nmero discreto, el

nmero de vueltas de la fase tambin lo hace, y la fase cambia de manera
discontinua. Pero
es continua. Cmo se produce entonces la transicin?
La nica manera es que en algn punto el mdulo de
se anule, de manera
que su fase queda indeterminada y la fase puede hacer un cambio discontinuo

de tamao
2 .
Esos puntos se llaman de
slip
(que es en general suave) se anula (Fig. 8.5).
de la fase, y all la envolvente
218
Figura 8.5: Ilustracin del proceso por el cual las soluciones de fase enroscada
|k| muy grande se inestabilizan. En (a) se muestra la envolvente compleja

x es
plano complejo); en (b) se muestra el mdulo |A|. A tiempo t2 ocurre un
con
como funcin del espacio para 3 tiempos (el plano perpendicular al eje
un
phase slip
localizado en un punto del espacio.
En dos dimensiones hay otra inestabilidad parecida, que se llama
zig-zag,
en la que los rollos se deforman lateralmente y un inestabilidad secundaria

los reconecta en direcciones diagonales.
El problema de encontrar soluciones a la ecuacin de Ginzburg-Landau
es en general muy complicado, y la mayora de las veces se recurre a mtodos
numricos de solucin.
Captulo 9
Osciladores biolgicos
En todos los sistemas vivos parece existir un principio de auto-organizacin consistente en la repeticin rtmica de algn proceso. En muchas ocasiones estos son procesos qumicos, de manera que los fenmenos rtmicos observados corresponden a reacciones qumicas acopladas, cuyas interacciones
producen soluciones oscilatorias en las concentraciones. A veces la interaccin misma forma un ciclo (como es el caso del ciclo de Krebs); otras veces
es una forma elemental de un ciclo qumico (por ejemplo, la autocatlisis),
la responsable de las oscilaciones.
En diversos tejidos, la actividad qumica en las clulas puede ir acompaada de una actividad elctrica, como es el caso de las neuronas y los
miocitos. Esta actividad elctrica, de polarizacin de la membrana celular,
tambin resulta cclica.
En todos estos casos, el acoplamiento de numerosos subsistemas cclicos
da lugar a fenmenos colectivos macroscpicos, caracterizados por el entrainment y la sincronizacin. El resultado es generalmente un fenmeno
peridico macroscpico, muchas veces complejo, tal como el pulsar del corazn, el ciclo menstrual, los ritmos circadianos de sueo, etc.
Ejemplos de estos comportamientos son:
El ciclo de Krebs y otros ciclos intracelulares (gliclisis. . . ).
El latir del corazn.
Sistemas neuronales y comportamientos cclicos asociados (caminar,
nadar, Hodkin-Huxley, . . . ).
Ritmos circadianos (asociados a periodicidades externas al organismo).
Ritmos menstruales (hormonas, tejidos).
219
220
CAPTULO 9. OSCILADORES BIOLGICOS
El ciclo celular mismo, involucrando la reproduccin celular.
Los fenmenos colectivos observados en microorganismos como
Dictios-
telyum discoideum, una colonia de amebas cuyos movimientos resultan

organizados por ondas de cyclic-AMP.
Las oscilaciones observadas en sistemas ecolgicos (modelos de Lotka,

Lotka-Volterra).
Ciclos epidmicos, observados en la incidencia de muchas enfermedades

infecciosas.
Muchas veces, el comportamiento peridico ocurre no en el tiempo sino

en el espacio, dando lugar a la formacin de estructuras espaciales peridicas
ms o menos complejas. Un campo donde es fcil imaginar estos fenmenos
es en el desarrollo embrionario, en el que se forman estructuras que dan lugar
a los diversos rganos a partir de una masa de clulas indiferenciadas.
9.1. Bifurcaciones
Las bifurcaciones son fenmenos crticos en sistemas dinmicos, en los que
se crean, destruyen, o cambian de estabilidad los puntos jos, al cambiar un
parmetro llamado
parmetro de control. En dos o ms dimensiones, adems,
pueden observarse fenmenos similares en rbitas cclicas (en lugar de puntos

jos). Es decir, con un parmetro se puede, por ejemplo, encender y apagar
las oscilaciones de un sistema. Repasaremos brevemente las tres bifurcaciones
tpicas de los sistemas unidimensionales, analizando luego las que involucran
ciclos, que son de particular inters para el resto del curso.
9.1.1. Saddle-node, transcrtica, diapasn (pitchfork, tenedor)

Estas bifurcaciones, que son las nicas que pueden sufrir los sistemas
1D, existen tambin en 2D y en ms dimensiones. Nada novedoso ocurre en
dimensiones mayores que 1. Toda la accin se concentra en un subespacio
unidimensional, a lo largo del cual ocurre la bifurcacin, mientras que en las
otras dimensiones el ujo es simplemente de atraccin a, o repulsin de, este
subespacio.
9.1. BIFURCACIONES
221
Saddle-node
Es el prototipo de creacin-destruccin de puntos jos. La forma cannica
de esta bifurcacin en dos dimensiones es el sistema:
x = x2 ,
y = y.
(9.1a)
(9.1b)
"fantasma"
>0
Vemos que, al achicarse
unen cuando
= 0,
<0
=0
,
los nodos estable e inestable se acercan, se
y luego desaparecen cuando
< 0.
Es de destacar que
en esta situacin, aun cuando los nodos ya no existen, persiste un fantasma

que demora el ujo. El tiempo que el sistema pasa en este cuello de botella
en general crece como
( c )1/2 .
(9.2)
En general, en dos dimensiones, un sistema tendr la forma:
x = f (x, y)
y = g(x, y),
(9.3a)
(9.3b)
de manera que el ujo es de la forma
f=0
g=0
222
Los puntos jos ocurren en la interseccin de las nulclinas. A medida

que se cambia el parmetro de control relevante, las nulclinas se empiezan
a alejar, se hacen tangentes cuando
= c ,
y nalmente se separan. Todas
las bifurcaciones saddle-node, en cualquier dimensin, cualesquiera sean las

funciones
g,
son as localmente.
Ejercicio: Switch gentico, ejemplo 8.1.1 de Strogatz.
Transcrticas y diapasn
Transcrtica:
x = x x2
y = y
(9.4a)
(9.4b)
Pitchfork supercrtica:
x = x x3
y = y
(9.5a)
(9.5b)
Pitchfork subcrtica:
x = x + x3
y = y
(9.6a)
(9.6b)
"slow" (algebraico)
en direccin x
<0
=0
>0
9.1.2. Bifurcaciones de Hopf

En los tres tipos de bifurcaciones vistos arriba, el punto crtico est caracterizado porque uno de los autovalores del sistema linealizado se anula.
Este tipo de bifurcaciones siempre involucra la colisin de dos o ms puntos
jos.
En 2 y ms dimensiones es posible un tipo de bifurcaciones fundamentalmente distinto, en el que un punto jo puede perder su estabilidad sin
9.1. BIFURCACIONES
223
chocar con otro punto jo. Esto est asociado con que, en dos dimensiones, los autovalores del jacobiano tienen dos alternativas si un punto jo es
estable:
Im
Im
1
1
Re
Re
2
Dos reales (distintos) negativos
Dos complejos conjugados con parte real negativa
Para desestabilizar el punto jo necesitamos que al menos uno de los autovalores cruce el eje imaginario, pasando al semiplano de parte real positiva,
al variar el parmetro de control. Si se trata de un autovalor real (como en
la gura de la izquierda), pasa necesariamente por
= 0,
y tenemos una
bifurcacin saddle-node, o transcrtica, o pitchfork.

La alternativa de la derecha corresponde a autovalores con parte imaginaria distinta de cero (conjugados en 2D), que pasan por el eje imaginario
simultnemante, convirtiendo una espiral estable en inestable. Esta situacin
corresponde a un sistema con oscilaciones amortiguadas, en las que la tasa de
decaimiento de las oscilaciones depende de
Variando
de manera que los
autovalores se acerquen al eje imaginario, el decaimiento de las oscilaciones

se hace cada vez ms lento, hasta que se convierte en un
crecimiento cuando
el punto jo pierde su estabilidad. Alrededor del punto jo inestable puede
formarse un ciclo estable que atrae las oscilaciones crecientes. Este es el caso
de las bifurcaciones de Hopf supercrticas.
< c
> c
224
Ejemplo: bifurcacin de Hopf en 2D

En coordenadas polares, consideremos el sistema:
r = r r3
= + br2
(9.7a)
(9.7b)
, multiplicando el trmino positivo en la ecuacin radial, con es la frecuencia de pequeas

oscilaciones alrededor del origen. El parmetro b maniesta la dependecia de
El parmetro
trola la estabilidad del origen. El parmetro
la frecuencia en la amplitud, que caracteriza a estos osciladores no lineales y

los diferencia de los osciladores lineales.
>0
<0
Para ver el rol de los autovalores en esta bifurcacin, como razonbamos

= r cos , r2 =
ms arriba, conviene pasar a coordenadas cartesianas (x

x2 + y 2 ):
x = r cos r sin
= (r r3 ) cos r( + br2 ) sin

= ( r2 )r cos ( + br2 )r sin
= ( [x2 + y 2 ])x ( + b[x2 + y 2 ])y
= x y + trminos cbicos
y = y + y + trminos cbicos
(9.8a)
(9.8b)
(9.8c)
(9.8d)
(9.8e)
(9.8f )
El Jacobiano en el origen es:
(
A=
donde vemos que
)
1,2 = i
(9.9)
es la frecuencia de las oscilaciones, y que ambos autova-
lores cruzan el eje imaginario de izquierda a derecha cuando
= c = 0.
Las bifurcaciones de Hopf tienen las siguientes propiedades generales:

La amplitud crece contnuamente desde cero,
c .
9.1. BIFURCACIONES
225
= Im en = c . Esto es exacto en c , y O( c )
perodo es T = 2/ Im + O( c ).
La frecuencia es
cerca de
c .
El
En general, el ciclo es elptico cerca de su nacimiento, y se deorma a

amplitudes mayores, para
alejndose de
c .
En general, las trayectorias de los autovalores en el plano complejo,

al variar
no son horizontales, sino que se curvan.
Hopf subcrtica
La variedad subcrtica de las bifuraciones de Hopf es ms dramtica que
la supercrtica (y a veces ms peligrosa) ya que es de primer orden: al desestabilizarse el punto jo, las trayectorias saltan a un atractor lejano:
r = r + r3 r5
= + br2 .
Obsrvese que el trmino en
r3
(9.10a)
(9.10b)
ahora es positivo, contribuyendo a la deses-
tabilizacin del punto jo.
>0
<0
Este sistema tiene histresis, caracterstica de las transiciones de primer

orden. Una vez que el sistema salt al ciclo grande, no se lo puede volver
, porque el ciclo grande es estable y atrae a

= 1/4, cuando los ciclos estable e inestable
a traer al origen achicando

su vecindario. Recin con
colisionan y se aniquilan en un
fold
(ver ms abajo), el sistema vuelve al
origen.
Este tipo de bifurcacin ocurre en la dinmica de las neuronas, en vibraciones de las alas de los aviones, y en el ujo de uidos (el sistema de Lorenz,
por ejemplo, sufre una bifurcacin de Hopf subcrtica poco antes del caos).
Nota: existe una bifurcacin de Hopf degenerada (sin ciclo lmite), por
ejmplo en el sistema
x + x + sin x = 0.
226
Figura 9.1: El miembro de la derecha de (9.11a), para distintos valores de

En
= 1/4 se produce el fold, y en = 0 la bifurcacin de Hopf subcrtica.
9.1.3. Bifurcaciones globales de ciclos

Adems de la bifuracin de Hopf, existen en dos dimensiones otros tipos
de bifurcaciones en las cuales se crean o destruyen ciclos lmite. Se llaman
bifurcaciones globales, ya que involucran regiones extendidas en el espacio de

fases. Veremos como ejemplo slo una de ellas, suciente para que conozcan
su existencia.
Bifurcacin saddle-node de ciclos (fold)

Es una bifurcacin en la cual colisionan dos ciclos lmite, uno estable y
el otro inestable, anlogamente a lo que ocurre con los puntos jos en una
bifurcacin saddle-node. Un ejemplo es el siguiente sistema (que tambin
tiene una bifurcacin de Hopf subcrtica):
r = r + r3 r5
= + br2
(9.11a)
(9.11b)
< 0. Si miramos la ecuacin radial como sistema unidimensional, vemos

que tienen una bifurcacin saddle-node cuando = c = 1/4. Estos dos
puntos jos, en 2D, corresponden a dos ciclos circulares (r = 0).
Notemos que, al nacer, la amplitud del ciclo es O(1), en lugar de O( c )

con
como en una bifurcacin de Hopf.

En coordenadas cartesianas es:
x = r cos ,
y = r sin
9.2. OSCILADORES Y SWITCHES BIOLGICOS
227
Figura 9.2: Bifurcacin de perodo innito.
x = r cos r sin
= x y
r
r
= y + x
r
y = r sin + r cos
(9.12)
(9.13)
Otras bifurcaciones globales son: la bifurcacin de perodo innito (un

ciclo con una parte que se hace lenta y nalmente se parte en dos puntos
2
jos: r = r(1 r ), = sin , > 0), y la bifurcacin homoclnica
2
(colisin de un ciclo con una ensilladura: x = y, y = y + x x + xy ).
Para todas ellas conviene conocer las leyes de escaleo de la amplitud y

del perodo, ya que pueden servir para distinguirlas en experimentos (o en
simulaciones complicadas) y proponer modelos sencillos (modelos de juguete).
1
Amplitud
Hopf supercrtica
Saddle-node de ciclos
Perodo innito
Homoclnica
O( )
O(1)
O(1)
O(1)
Perodo
O(1)
O(1)
O(1/2 )
O(ln )
del ciclo estable
En ms dimensiones todas ellas pueden aparecer, solas o combinadas con

otras. La homocnica se vuelve particularmente interesante, ya que suele ir
acompaada por caos (como en el caso del sistema de Lorenz).
9.2. Osciladores y switches biolgicos

La concentracin de enzimas y otras protenas aumenta peridicamente en
cultivos celulares (a veces en coincidencia con la divisin celular), reejando
228
Figura 9.3: Bifurcacin de un ciclo homoclnico. Obsrvese la variedad inestable que sale del origen hacia arriba y la derecha: en (c) vemos que regresa
al origen (rbita homoclnica), mientras que en (a) y en (d) se va hacia un
lado o hacia el otro. En (b) vemos que el ciclo lmite se agranda hasta tocar
el origen cuando
= c ,
el punto de la bifurcacin.
un comportamiento peridico en su sntesis. La sntesis de las protenas es

un proceso regulado por un mecanismo de retroalimentacin. Este fenmeno
fue estudiado por Monod y Jacob en los `60, trabajo que les valiera el premio
Nobel, y que puede leerse de modo divulgativo en El azar y la necesidad [19].
Un posible mecanismo de control es aqul en el cual un metabolito reprime
a la enzima que lo produce:
(M)
DNA
mRNA
represin
(E)
Enzima
Substrato
Producto
(P)
229
La represin ocurre, por ejemplo, al ligarse el producto al ADN o a un

precursor de la transcripcin (como en el caso de la
-lactosa
estudiada por
Monod). Una formulacin matemtica de este modelo sera la del modelo de

Goodwin (1965), que es uno de los favoritos hasta hoy en da para modelar
los ritmos circadianos:
dM
V
aM
=
dt
K + Pm
dE
= bM cE
dt
dP
= dE eP
dt
(9.14a)
(9.14b)
(9.14c)
Los trminos negativos corresponden a la degradacin natural de las substancias por motivos metablicos, mientras que los positivos corresponden a
su produccin. El DNA se supone una fuente externa, de manera que no
modelamos su dinmica. Obsrvese que el nico trmino no lineal es el de
produccin de mRNA, sobre el que acta la represin ejercida por el producto. La forma de este trmino es puramente emprica:
produccin de RNA reprimida
m = 2
m= 3
m = 8
P
El problema de este modelo es que el estado estacionario presenta oscilaciones
slo para valores de
anormalmente grandes,
m > 8.
Una modicacin razonable sera:
dP
eP
= dE
,
dt
k+P
(9.15)
230
es decir una degradacin del producto que se satura por presencia del mismo.
Este modelo modicado tiene oscilaciones para
m = 2.
En todo caso, la idea de reacciones encadenadas es til, y se han estudiado

modelos ms generales. Por ejemplo:
du1
= f (un ) k1 u1
dt
du2
= u1 k2 u2
dt
dui
= ui1 ki ui , i = 2, 3, . . . n
dt
con
(9.16a)
(9.16b)
(9.16c)
(9.16d)
ki > 0, f (u) > 0.

f (u) creciente retroalimentacin positiva (como en el genetic
f (u) decreciente retroalimentacin negativa (inhibicin).
switch).
Los equilibrios de este sistema son:

no lineal
f (un ) = k1 k2 . . . kn un
un1 = kn un
u1 = k2 k3 . . . kn un
(recta por el origen)
(9.17a)
(9.17b)
(9.17c)
(9.17d)
negative
f'(u) < 0
positive
f'(u) > 0
u2
u2
f(u2) - k1 u1 = 0
u1 - k2 2 = 0
Aunque en
u1 = k2 u2
f(u2) = k1 k2 u2
d > 2
no existe un teorema de Poincar-Bendixson, sigue
siendo una condicin necesaria, para la existencia de soluciones cclicas, la

existencia de un nodo o una espiral inestables alrededor del cual exista un
u
u
conjunto acotado A con ujo entrante: n

d < 0 para A con n la
dt
normal exterior de A.
231
En los sistemas con feedback negativo como el de arriba, la determinacin

de
es sencilla. Por ejemplo, en
d = 2:
du1
= f (u2 ) k1 u1
dt
du2
= u1 k2 u2
dt
(con
(9.18b)
f (u2 ) > 0, f (u2 ) < 0).
u2
^
n
U2
^
n
^
n
U1 u1
^
n
d
u
dt
d
u
u2 = 0 : n
dt
d
u
u1 = U1 : n
dt
d
u
u2 = U2 : n
dt
du1
= f (u2 )
dt
du2
=
= u1
dt
u1 = 0 : n
con
(9.18a)
U1
<0 u2
(9.19a)
<0 u1 > 0
(9.19b)
=f (u2 ) k1 U1
<0
(9.19c)
=u1 k2 U2
<0
(9.19d)
U2
a determinarse. Entonces hacemos:

f (0)
f (u2 )
, u2 [0, U2 ] U1 >
(f es decreciente).
Ec. (9.19c) U1 >
k1
k1
U1
u1
, u1 [0, U1 ] U2 >
.
Ec. (9.19d) U2 >
k2
k2
(Es decir, dadas
k1 ,
doy
U1 .
Dada
U1
k2 ,
doy
U2 .)
EJERCICIO: El equilibrio determinado por las condiciones
f (u2 ) = k1 k2 u2
pertenece a
u 1 = k2 u 2
A.
EJERCICIO: Los autovalores alrededor de este equilibrio son ambos negativos, por lo tanto el equilibrio es siempre estable y no hay ciclos.
232
En dimensiones ms altas es fcil generalizar esto:
f (0)
U1
U1
; U2 >
; . . . Un >
(9.20)
k1
k2
k1 k2 . . . kn
el equilibrio est dentro de A. Desafortunadamente no
U1 >
y se encuentra que
alcanza la inestabilidad del equilibrio para garantizar la existencia de un

ciclo. En el ejercico estudiamos uno de estos sistemas.
EJERCICIO: Sea el sistema:
a) Vericar que para
du1
1
=
k1 u1
dt
1 + um
3
du2
= u1 k2 u2
dt
du3
= u2 k3 u3 .
dt
m = 1 no hay ciclos. b) Vericar
(9.21a)
(9.21b)
(9.21c)
que para
m>8
los
ciclos son posibles. (a) puede hacerse analticamente, usando las condiciones
de Routh-Hurwitz para la Re.
9.2.1. Comportamiento cualitativo usando las nulclinas

9.2.2. Determinacin del dominio de oscilaciones
En 2 dimensiones los ciclos lmite pueden existir en sistemas que tengan
reacciones por lo menos tri-moleculares (a alguien se le ocurre una explicacin?). Bioqumicamente, esta situacin es un poco irreal, ya que la reacciones
qumicas de tres molculas simultneas son muy raras, si no imposibles. Sin
embargo, sistemas complicados y realistas pueden ser reducidos a modelos
as, tri-moleculares, mediante simplicaciones, de manera que tienen su inters analtico. El sistema ms sencillo de este tipo es el siguiente (modelo de
Schnackenberg, ya visto en la seccin bifurcaciones de Turing):
k1
(9.22a)
k1
k
2
BY
k3
2X + Y 3X
(9.22b)
(9.22c)
que da lugar al siguiente sistema adimensional:
du
= a u + u2 v f (u, v)
dt
dv
= b u2 v g(u, v)
dt
(9.23a)
(9.23b)
donde
233
u = [X], v = [Y ], a, b > 0.
Las nulclinas son de la forma:
g>0 g<0
f>0
f<0
Puede demostrarse que existe un conjunto connado alrededor del equilibrio

(lo supondremos), por lo tanto existen ciclos si el equilibrio es inestable.
Determinar el rango de
en el cual existen oscilaciones es siempre
til, y en este caso es tambin muy fcil. Lo haremos de dos maneras, una
directa y otra paramtrica de aplicacin ms general, til cuando la manera
directa es insoluble. De todos modos, en general, se trata de una tarea que
no se puede resolver analticamente excepto en las reacciones ms sencillas.
Mtodo directo
Equilibrio:
f (u0 , v0 ) = a u0 + u2 v0 = 0
0
2
g(u0 , v0 ) = b u0 v0 = 0 u2 v0 = b
0
en f = 0 :
v0 =
a u0 + b = 0 u0 = a + b
b
b
v0 =
2
u0
(a + b)2
(9.24a)
(9.24b)
(9.25)
(9.26)
Estabilidad:
) (
) (
)
(
2b
1 + a+b (a + b)2
1 + 2u0 v0 u2
fu fv
0
=
=
A=
2b
2u0 v0
u2
gu gv
a+b
(a + b)2
0
trA = fu +gv =
(9.27)
2b a b
ba
2b
1(a+b)2 =
(a+b)2 =
(a + b)2
a+b
a+b
a+b
(9.28)
234
detA
= fu gv fv gu =
ba
2b
(a+b)2 +
(a+b)2 = (a+b)(2bb+a) = (a+b)2
a+b
a+b
(9.29)
trA > 0 frontera
Nodo o espiral inestable
trA
=0
ba
(a + b)2 = 0 b a = (a + b)3 .
a+b
(9.30)
Como se ve, hay que resolver una cbica, lo cual es posible pero tedioso.
Veamos el mtodo paramtrico.
Mtodo paramtrico
Consideremos a
v0
u0
como un parmetro. Es decir, en lugar de calcular
como funciones de los parmetros, trato de mantener
y busco
v0 (u0 ).
, y determinamos
u0
como funciones de
u0
del lado derecho,
u0 .
De (9.25):
b = u0 a
(9.31)
b = v0 u 2
0
(9.32)
Y de (9.24b):
Por lo tanto:
v0 =
u0 a
u2
0
(9.33)
Entonces:
(
)
) (
2a
1 u0
u2
1 + 2u0 v0 u2
0
0
A=
=
2a
2 + u0 u2
2u0 v0
u2
0
0
por (9.33)
(9.34)
Veamos sus propiedades:
det A = u2 2au0 + 2u2 + 2au0 = u2 > 0

0
0
0
tr A = 1
siempre
(1 u2 )u0
2a
0
u2 > 0 a <
0
u0
2
(9.35)
(9.36)
Ahora, de (9.31):
2u0 u0 (1 u2 )
(1 u2 )u0
0
0
=
=
2
2
u0 (2 1 + u2 )
u0 (u2 + 1)
0
0
=
=
2
2
b = u0 a b >u0
(9.37)
235
Es decir:
b>
u0 (u2 + 1)
0
2
(9.38)
Vemos entonces que (9.36) y (9.38) denen la frontera de la regin de

oscilaciones de manera paramtrica. Es decir,
u0 > 0
tengo pares
(a, b)
en
la frontera (y sin haber hecho ninguna cuenta difcil).
a
3
b - a = (b+a)
-1/2
oscilaciones
b
En general, el requerimiento
det A > 0
no es automtico, como fue en
este caso, y la regin queda determinada por las dos codiciones
tr A > 0.
EJERCICIO: (Murray, Ej. 6.6) Sea el sistema
a, b > 0. Dibujar las nulclinas, los signos de f
activador-inhibidor :
du
u2
= a bu +
dt
v
dv
= u2 v
dt
con
det A > 0
(9.39a)
(9.39b)
y
g , los signos de la matriz
de estabilidad. Existe un conjunto connado? Muestre que la regin donde

hay oscilaciones est acotada por la curva b = 2/(1 a) 1.
u2
2
Modicacin: Reemplazar u /v por
(inhibicin por u) (k > 0).
v(1ku2 )
Dibuje las nulclinas. Muestre que la regin de oscilaciones est denida por:
2
1
u0 (1 + ku2 )2
2
1
a=
u0
2 )2
(1 + ku
1 + ku2
0
b=
y dibuje. Indique cmo cambia este dominio con
(9.40a)
(9.40b)
k.
EJERCICIO: (Strogatz, Ex. 7.3.2) Gliclisis:
x = x + ay + x2 y
y = b ay x2 y
EJERCICIO: (Murray, Ej. 6.1+6.5) Brusselador.
(9.41a)
(9.41b)
236
9.3. Oscilaciones en reacciones qumicas

9.3.1. Reaccin de Belousov-Zhabotinskii
Esta reaccin, de oxidacin del cido ctrico por bromato, fue descubierta
por el qumico ruso Belousov en 1951, y descripta en un paper rechazado por
el editor. Belousov estaba intentando recrear, en un modelo de laboratorio,
el ciclo de Krebs del metabolismo celular. Mezcl cido ctrico e iones de
bromato en cido sulfrico, en presencia de Ce como catalizador, y observ
asombrado que la mezcla cambiaba de color de manera cclica durante ms
de una hora. Le rechazaron varias veces su artculo, y pudo apenas publicar
un resumen en una conferencia de medicina en la URSS. Recin en 1961
Zhabotinskii, quien era estudiante de grado, descubri la notita de Belousov,
recre la experiencia, y la present en una conferencia internacional en Praga,
en una de las pocas oportunidades en que se encontraron los cientcos de
uno y otro lado de la Cortina de Hierro durante los aos de la Guerra Fra.
Aunque se trata de un sistema qumico, ms que biolgico, hoy en da se

ha convertido en
el
prototipo de sistema oscilatorio. Se conocen y se com-
prenden en detalle prcticamente todas las reacciones involucradas, as como

gran parte de diversos fenmenos espacio-temporales que exhibe. Nosotros
estudiaremos aqu uno de los modelos cualitativos desarrollados para su estudio, y analizaremos su comportamiento temporal. En otro captulo veremos
algunos de los comportamientos espacialmente extendidos.
El mecanismo bsico de la reaccin consiste en la oxidacin del cido
malnico, en un medio cido, por iones de bromato (BrO3 ), y catalizada

3+
4+
por cerio, el cual tiene dos estados de oxidacin: Ce
y Ce . Se observan
oscilaciones peridicas sostenidas en la concentracin de cerio. Usando otros
iones metlicos como tintura se observan dramticos cambios de color en la
solucin.
(Pelcula)
9.3. OSCILACIONES EN REACCIONES QUMICAS
237
La reaccin tiene bsicamente dos partes, convencionalmente denomina

das I y II, determinadas por la concentracin de bromuro, Br . Cuando
[Br ] es alta, domina la parte I de la reaccin, en la cual el Br se consume,

3+
y el cerio es principalmente Ce . Al alcanzarse un umbral en la [Br ], sta

cae rpidamente a un nivel mucho ms bajo, y el proceso II pasa a dominar.
3+
4+
Durante esta etapa, el Ce
se convierte en Ce , el cual reacciona para pro
3+
ducir Br revirtindose al estado Ce . Entonces aumenta la [Br ], y cuando

es sucientemente grande, vuleve a dominar la fase I. La variacin rpida de
una de las concentraciones, en este caso la del bromato, es caracterstica de
los
osciladores de ralajacin, que son osciladores en los cuales una parte del
ciclo se recorre mucho ms rpido que el resto. Este comportamiento sugiere

una tcnica analtica que veremos en breve.
El anlisis qumico permite identicar ms de 20 reacciones elementales,
de las cuales la mayora son muy rpidas y se pueden eliminar del anlisis,
reteniendo cinco reacciones clave, con valores conocidos de las constantes
de reaccin, que capturan la esencia del fenmeno. Estas cinco reacciones
involucran tres substancias con concentracin variable, y dos ms con concentracin constante. Este modelo de la reaccin de Belousov-Zhabotinskii
modelo de Field-Noyes, y al sistema de ecuaciones cinticas

que lo describe, como Oregonador.
se conoce como
Las cinco substancias del modelo de Field-Noyes son:
X:
Y :
Z:
A:
P :
HBrO2
Br
Ce4+
BrO3
HOBr
(9.42a)
(9.42b)
(9.42c)
(9.42d)
(9.42e)
238
y las reacciones entre ellas son:
A + Y 1 X + P
k2
X + Y 2P
k
A + X 3 2X + 2Z
k4
2X A + P
k5
Z fY
proceso I
(9.43a)
proceso II
(9.43b)
El comportamiento oscilatorio del sistema depende crticamente de los

parmetros. Por ejemplo, si
k5 = 0
el bromuro
decae a cero y no hay
oscilaciones.
9.3.2. Reaccin del Dixido de Cloro - Iodo - cido Malnico

Para simplicar el anlisis, vamos a usar otra reaccin, tambin oscilatoria, que admite un modelo de dos dimensiones y, por lo tanto, ms sencillo
de estudiar.
Este sistema, estudiado por Langyel et al. (1990), consiste en las siguientes
reacciones y ecuaciones cinticas, obtenidas experimentalmente:
M A + I2 IM A + I + H +
ClO2 + I ClO2 + 1 I2
2
ClO2 + 4I + 4H + Cl + 2I2 + 2H2 O
d[I2 ]
k1a [M A][I2 ]
=
dt
k1b + [I2 ]
d[ClO2 ]
= k2 [ClO2 ][I ]
dt
[I ]
d[ClO2 ]
= k3a [ClO2 ][I ][H + ] k3b [ClO2 ][I2 ]

dt
u + [I ]2
(9.44a)
(9.44b)
(9.44c)
(9.45a)
(9.45b)
(9.45c)
Este sistema se puede integrar numricamente, y tiene oscilaciones como

las observadas en los experimentos. Pero es todava un poco complicado para
el anlisis. Para simplicarlo, los autores usaron una observacin hecha en las
simulaciones: tres de las concentraciones ([M A],
[I2 ]
ms lentamente que las de los productos intermedios,

bian
varios rdenes de magnitud
[ClO2 ) varan mucho
I y ClO2 , que cam-
en cada perodo. Entonces, aproximamos
239
a las sustancias lentas con constantes. El modelo as simplicado, una vez

adimensionalizado, es:
[I ] :
[ClO2 ] :
donde
a, b > 0
Nulclinas
4xy
x=ax
1 + x2 )
(
y
y = bx 1
1 + x2
(9.46a)
(9.46b)
son parmetros empricos.
x = 0 en la curva y = (a x)(1 + x2 )/4x.
y = 0 en la parbola y = 1 + x2 .
dx/dt = 0
dy/dt = 0
dx/dt < 0
dy/dt < 0
dx/dt < 0
dy/dt > 0
La regin sealada por lnea de trazos atrapa el ujo, segn indican las
echas. En su interior hay un punto jo:
x = a/5
y = 1 + (x )2 = 1 + (a/5)2
(9.47a)
(9.47b)
Para aplicar el Teorema de Poincar-Bendixson y mostrar que hay un ciclo,

debemos ver que el punto jo sea un repulsor (as podemos recortarlo de la
regin de atrapamiento).

El Jacobiano en (x , y ) es:
1
A=
1 + (x )2
)
( 2
3(x ) 5 4x
2b(x )2
bx
(9.48)
240
Determinante y traza son:
det A =
5bx
>0
1 + (x )2
(nunca una ensilladura)
3(x )2 5 bx
tr A =
1 + (x )2
es un repulsor sii
(9.49)
(9.50)
tr A > 0 b < bc := 3a/5 25/a.
Cuando vale esta
relacin, aplicamos el Teorema y conclumos que existe una rbita cerrada

dentro de la regin de atrapamiento.
EJERCICIO: Integrar numricamente el sistema y observar la bifurcacin
de Hopf.
La frecuencia de las oscilaciones para
bc
es la parte imaginaria de los
autovalores:
2 tr A + det A = 0
= i det A.
En bc :
(=0)
(>0)
en
b = bc
(9.51)
(
)( )
5 3a 25 a
5bc x
15a2 625
5
a
5
det A =
=
=
1 + (x )2
1 + (a/5)2
a2 + 25
(9.52)
det A
T 2
a2 + 25
2
1,63
2 625 a
15a
15
(9.53)
EJERCICIO: Hacer este grco integrando numricamente y vericar.
9.3.3. Osciladores de relajacin

Como dijimos, la reaccin de Belousov-Zhabotinskii tiene caractersticas
de oscilador de relajacin. Es decir, existen dos escalas de tiempo, una de
variacin rpida y una de variacin lenta, que se suceden en un perodo del
ciclo. Vamos a estudiar un fenmeno de este tipo en otro oscilador prototpico:
el oscilador de van der Pol. Estos osciladores de relajacin aparecen en una
gran variedad de contextos, tales como la oscilacin
stick-slip
del violn, el disparo de las neuronas, y la divisin celular.

Comenzamos entonces con el oscilador de van der Pol
lineal, correspondiente al rgimen 1:
x + (x2 1)x + x = 0
de la cuerda
fuertemente no
(9.54)
241
Vamos a convertirlo en un sistema de orden 1 (como cuando hacemos
y = x,
pero no lineal). En primer lugar, observemos que:
d
x + x(x 1) =
dt
2
(
[ 3
])
x
x+
x
3
(9.55)
Denimos:
1
F (x) = x3 x
3
(9.56)
= x + F (x)
(9.57)
y la nueva variable:
con lo que van der Pol se escribe:
= x + x(x2 1) = x
(9.58)
Reescribimos sta como:
x = F (x)
= x
de (9.57)
(9.59a)
de (9.58)
(9.59b)
Ahora, hacemos un ltimo cambio de variables para poner de maniesto el

rol que juega
:
y=
(9.60)
con lo cual el sistema queda:
x = [y F (x)]
1
y= x
(9.61a)
(9.61b)
donde vemos que las dos variables obedecen a ecuaciones que tienen rdenes
1.
de fases (x, y)
temporales muy distintos, ya que

Las trayectorias en el plano
son
242
y = F(x)
nulclina cbica
y
rpido
lento
lento
x
rpido
Justicacin: pensemos en una condicin inicial no muy cerca de la nulclina cbica,
y F (x) O(1).
}
(9,61a) |x| O() 1
(9,61b) |y| O(1/) 1
trayectoria casi horizontal,

para un lado o para el otro,
hacia
la nulclina
y F (x) O(1/2 ) |x| |y| O(1/)
(verticalmente) y se mueve lentamente, a velocidad O(1/)
se acerca hasta que
la nulclina
cruza
hasta
alcanzar la rodilla y saltar al otro lado. Los saltos requieren un tiempo
t O(1/)
y las partes lentas un
forma de las ondas

El perodo
t O(),
que se ven claramente en la
x(t):
es esencialmente el tiempo requerido para recorrer las ramas
lentas, y como son simtricas:
T 2
tB
dt
(9.62)
tA
En las ramas lentas:
y F (x)
Y como
dy
dx
dx
F (x)
= (x2 1)
dt
dt
dt
dy
x
=
dt
(por 9.61b)
dx
x
=
dt
(x2 1)
(9.63)
(9.64)
9.4. OSCILADORES DBILMENTE NO LINEALES
dt =
Es fcil vericar que
T 2
2
(x2 1)
dx
x
xa = 2
sobre una rama lenta.
243
(9.65)
xB = 1
(x2 1)
dx = 2
x
x2
ln x
2
= (3 2 ln 2) 1,6
1
(9.66)
que es
O(),
como esperbamos.
EJERCICIO: Mostrar que para el oscilador de van der Pol con
xA = 2
1,
xB = 1.
EJERCICIO: Analice el modelo de la reaccin
ClO2 I2 M A para b 1
(es un oscilador de relajacin). Dibuje el ciclo lmite y estime su perodo.
9.4. Osciladores dbilmente no lineales

Vamos a presentar una tcnica para el estudio de osciladores llamados
dbilmente no lineales, cuya dinmica est descripta por:

x + x + h(x, x) = 0.
(9.67)
Vemos que los dos primeros trminos constituyen un oscilador lineal. La parte
no lineal est dada por una funcin
h arbitraria suave. Este trmino no lineal

0 1, a diferencia del
est multiplicado por un parmetro de intensidad

oscilador de relajacin visto anteriormente.
(x
Son ejemplos de esta clase de osciladores el oscilador de van der Pol

3
y el oscilador de Dung (x + x + x = 0).
+ x + (x2 1)x = 0)
El anlisis que haremos va a explotar el hecho de que el oscilador est

cerca de un oscilador armnico simple. Veremos que, al igual que en el oscilador de relajacin, existen dos escalas de tiempo, pero actan a la vez y no en
secuencia. Para ver las dicultades de este tipo de problema vamos a intentar
primero una tcnica que parece sensata, pero que fracasa estrepitosamente.
Ya que
es un parmetro pequeo, busquemos soluciones de (9.67) en
forma de una serie de potencias de
x(t, ) = x0 (t) + x1 (t) + 2 x2 (t) +

con la esperanza de que el comportamiento relevante sea capturado por unos
pocos (dos!) trminos. Esta tcnica, de
ciona, y otras veces no. . .
perturbaciones regulares, a veces fun-
244
9.4.1. Ejemplo elemental. Fracaso de una solucin perturbativa.

Para practicar y jar ideas, analicemos en primer lugar el siguiente oscilador
lineal, dbilmente amortiguado:
x + 2x + x = 0,
(9.68)
con condiciones iniciales:
x(0) = 0,
x(0) = 1.
(9.69a)
(9.69b)
Siendo un oscilador lineal, conocemos su solucin exacta:
1
x(t, ) =
et sin( 1 2 t).
1 2
Busquemos una solucin perturbativa. Usamos
(9.70)
x = x0 + x1 + 2 x2 . . .
en
(9.68):
d
d
(x0 + x1 + ) + 2 (x0 + x1 + ) + (x0 + x1 + ) = 0.
2
dt
dt
Agrupamos potencias de
(9.71)
(0 + x0 ) + (1 + 2x0 + x1 ) + o(2 ) = 0.
x
x
La expresin (9.72) debe valer
(9.72)
si es que el desarrollo en potencias de
es
vlido. Entonces anulo los coecientes de cada orden por separado:
o(1) : x0 + x0 = 0 (oscilador
o() : x1 + 2x0 + x1 = 0
2
o( ) : . . . ignoramos
armnico)
(9.73a)
(9.73b)
(9.73c)
Vemos que el primer orden nos dice que el primer orden de la solucin es la
solucin de un oscilador armnico. Usamos las condiciones iniciales:
x(0) = 0 = x0 (0) + x1 (0) + x0 (0) = 0

x1 (0) = 0
(9.74)
x(0) = 1 = x0 (0) + x1 (0) + x0 (0) = 1
x1 (0) = 0
(9.75)
Ahora resolvemos orden por orden:
245
3
2
exacta
0
-1
perturbativa
-2
-3
10
20
30
40
50
Figura 9.4: Solucin exacta del oscilador lineal amortiguado (lnea gruesa) y
solucin perturbativa (lnea delgada), con
o(1):
= 0,1.
es un oscilador armnico simple:
x0 (t) = sin t
o():
(9.76)
es un oscilador armnico forzado con una fuerza sinusoidal que sale
de (9.76):
x1 + x1 = 2x0 = 2 cos t
(9.77)
La presencia de una fuerza armnica nos dice que debemos esperar una resonancia:
x1 (t) = t sin t,
(9.78)
que nos da una amplitud que crece ilimitadamente!

En denitiva:
x(t, ) = sin t t sin t + o(2 ).
(9.79)
De hecho, si uno desarrolla la solucin (9.70), obtiene este desarrollo en

los dos primeros trminos. Inclusive, el desarrollo es
convergente. Es decir,
t, (9.79) es una buena aproximacin para un sucientemente

2 2
chico (t 1 de modo que o( t ) sea despreciable). El problema es que
a uno le interesa, en cambio, jo, no t jo! En tal caso, la aproximacin
funcionara bien para todo t o(1/). Obsrvese la gura 9.4.
para un dado
Identiquemos los problemas asociados con este fracaso.
Problema 1.
rpida
t o(1)
La solucin (9.70) tiene
dos escalas de tiempo:
en la sinusoide, y una lenta
t o(1/)
una
en la exponencial
246
decreciente que modula la amplitud. La solucin perturbativa representa incorrectamente la escala lenta. De hecho, sugiere que la amplitud crece en una
t
escala t o(1). La causa de esto es el desarrollo e
= 1 t + o(2 t2 ), que a
orden
parece crecer con el tiempo (bueno: en mdulo; lo que digo es que no
tiende a cero). Matemticamente no hay sin embargo ningn problema: todo

se corrige agregando todos los trminos del desarrollo, ya que es convergente.
Desde un punto de vista prctico, sin embargo, esto no nos sirve de nada,
ya que lo que buscamos es una solucin que funcione bien con unos pocos
trminos.
Problema 2. La frecuencia en (9.70) es =
diere de
1 2 1 1/22 ,
que
= 1
de (9.79). Vemos que el error se acumular de manera

2
signicativa en una escala de tiempo adicional, o(1/ ). (Observar en la
gura 9.4 que alrededor de
t 20 los mximos y mnimos de ambas soluciones
estn en oposicin de fase debido a esto.)
9.4.2. Dos escalas temporales

Vamos a intentar otra aproximacin al problema, incorporando las dos escalas de tiempo en el anlisis (en general, es posible hacer esto con
mltiples
escalas de tiempo).
Sean:
= t,
T = t,
Y las consideraremos como si fueran
o(1)
o()
escala rpida,
(9.80)
escala lenta,
(9.81)
variables independientes. Hay gente
a la que le repugna hacer esto, pero en n, funciona, y no es ste el lugar

para discutirlo.
Desarrollamos la solucin en potencias de
x(t, ) = x0 (, T ) + x1 (, T ) + o(2 ).
(9.82)
Calculamos las derivadas con la Regla de la Cadena:
x=
T = .
escala T .
ya que
la
dx
x
x T
x
x
=
+
=
+
dt
t T t
Vemos que la variacin de
es
o(1)
en la escala
(9.83)
o()
en
Con esto tenemos, en la solucin perturbativa:
x = (x0 + x1 ) + T (x0 + x1 )
= x0 + (T x0 + x1 ) + o(2 ),
(9.84)
247
x = x0 + ( x1 + 2T x0 ) + o(2 ).
(9.85)
Apliquemos esta solucin perturbativa, de manera ilustrativa, en el oscilador amortiguado
x + 2x + x = 0, x(0) = 0, x(0) = 1 que analizamos antes
mediante perturbaciones regulares. Obtenemos:
x0 + ( x1 + 2T x0 ) + 2 x0 + x0 + x1 + o(2 ) = 0.
Juntando los rdenes de
o(1) : x0 + x0 = 0,
(9.86)
oscilador armnico simple en la escala rpida

(9.87a)
o() : x1 + 2T x0 + 2 x0 + x1 = 0,
conteniendo las dos escalas

(9.87b)
De (9.87a) obtenemos de inmediato:
x0 = A sin + B cos ,
donde
son funciones (lentas) de
(9.88)
a determinar.
Aparte:
(A sin + B cos ) = +A cos B sin

T x0 = +A cos B sin
Usando (9.88) en (9.87b):
x1 + x1 = 2(T x0 + x0 )
= 2[A cos B sin + A cos B sin ]
= 2(A + A) cos + 2(B + B) sin
(9.89)
Nuevamente vemos, en (9.89), una ecuacin de un oscilador armnico con una
sin , que
es lo que queremos evitar! Pero ahora tenemos A y B indeterminados, y
fuerza resonante, que dar lugar a trminos seculares de tipo
los usamos para anular los trminos resonantes! Es decir, hacemos:
A + A = 0 A(T ) = A(0) eT ,
B + B = 0 B(T ) = B(0) e
donde
A(0)
variacin de
B(0) las obtenemos de las condiciones iniciales.

A y de B es una exponencial en la escala lenta.
(9.90)
(9.91)
Vemos que la
248
Veamos entonces las condiciones iniciales:
x(0) = 0 = x0 (0, 0) + x1 (0, 0) + o(2 )

x0 (0, 0) = 0
x1 (0, 0) = 0
(9.92)
(9.93)
(9.94)
Adems:
x(0) = 1 = x0 (0, 0) + (T x0 (0, 0) + x1 (0, 0)) + o(2 )
x0 (0, 0) = 1
T x0 (0, 0) + x1 (0, 0) = 0
De:
x0 = A sin + B cos
x0 (0, 0) = 0
x0 = A sin
x0 (0, 0) = 1
De:
Por lo tanto:
Y nalmente:
(9.95)
(9.96)
(9.97)
}
B(0) = 0 B(T ) = 0
(9.98)
}
A(0) = 1 A(T ) = eT
x0 (, T ) = eT sin
(9.99)
(9.100)
x = eT sin + o()
x(t) = et sin t + o()
(9.101)
Si queremos ir al orden siguiente hay que resolver x1 , o introducir una

2
escala de tiempo super-lenta T = t, que nos dar el corrimiento en frecuencia, que ocurre en esa escala temporal. Pero el grco de la gura 9.5
muestra la excelente aproximacin a este orden.
9.4.3. Dos escalas temporales en un sistema no lineal

Pasemos a un ejemplo no-lineal, del cual no conozcamos la solucin exacta. Analicemos una vez ms el oscilador de van der Pol. Vamos a calcular la
amplitud y la frecuencia de las oscilaciones. Tenemos:
x + x + (x2 1)x = 0.
(9.102)
249
1.0
exacta
0.5
0.0
-0.5
perturbativa
-1.0
10
15
20
t
Figura 9.5: Solucin exacta del oscilador lineal amortiguado (lnea gruesa
roja) y solucin de dos tiempos (lnea delgada negra). Notar que la escala
es distinta para que se aprecien las dos soluciones, que son muy parecidas
aunque el parmetro es bastante grande (
= 0,2).
Aplicando el mismo ansatz que en la seccin anterior obtenemos el equivalente

de las Ecs. (9.87a,9.87b):
o(1) : x0 + x0 = 0, oscilador armnico simple

o() : x1 + x1 = 2T x0 (x2 1) x0 .
0
x0 = A(T ) sin + B(T ) cos

= r(T ) cos( + (T ))
(9.103)
(9.104)
de (9.103), o mejor:
(9.105)
amplitud y fase rpidas
(9.106)
Ahora, con (9.106) en (9.104):
x1 + x1 = 2[r sin( + ) + r cos( + )

r sin( + )[r2 cos2 ( + ) 1],
(9.107)
donde vemos que, adems de los trminos obvios de resonancia (primera

lnea), hay trminos resonantes en la segunda lnea, de la forma:
1
sin( + ) cos2 ( + ) = [sin( + ) + sin 3( + )]
4
250
de modo que nos queda:
1
x1 + x1 = [2r + r r3 ] sin( + )
4
1
2r cos( + ) r3 sin 3( + ).
4
(9.108)
Anulamos ahora los trminos resonantes (seculares):
1
2r + r r3 = 0
4
2r = 0
(9.109)
(9.110)
Primero, de (9.109):
1
r = r(4 r2 )
2
T
r = 0
r = 2
r(T ) 2.
Adems (9.110) = 0 (T ) = 0
inestable
(9.111)
estable
}
T
x0 (, T ) 2 cos( + 0 )
(9.112)
Luego, a primer orden:
x(t) 2 cos(t + 0 ) + o()
ciclo lmite de radio
(9.113)
2 + o()
Para encontrar la frecuencia llamemos al argumento del coseno:
t + (T ),
con lo cual la frecuencia angular es:
d
d dT
=1+
= 1 + = 1 + o(2 ) .
dt
dT dt
(9.114)
Como dijimos antes (en el ejemplo lineal), si queremos una frmula explcita
2
para la correccin o( ) de la frecuencia, tenemos que incorporar en el anlisis
2
una escala temporal super-lenta, T = t.
Observaciones:
El tratamiento completamente general a veces se llama
promedios
mtodo de los
(Guckenheimer-Holmes, por ejemplo). Para funciones
(pero peridicas) se pone un desarrollo de Fourier de

anulan las resonancias tienen promedios de
1
r =
2
h,
genricas
y las ecuaciones que
en un ciclo, del tipo:
h() sin d h sin .

0
(9.115)
251
x0 es una buena aproximacin (o()) de x para tiempos hasta

t o(1/) (si x y x0 tienen las mismas condiciones iniciales). Si x es peridica
la aproximacin vale para todo t.
Validez:
Ejercicio:
Note el trmino armnico superior en el ejemplo. La gene-
racin de armnicos superiores es caracterstica de los sistemas no lineales.

Resuelva
x1 ,
suponiendo condiciones iniciales
x(0) = 2, x(0) = 0,
contrar el efecto de este trmino.

En el libro de Strogatz hay ms ejemplos y ejercicios.
para en-
252
Captulo 10
Osciladores acoplados
Como dijimos, los sistemas oscilantes, rtmicos, son una constante en todo
el mundo animado (y tambin en buen parte del inanimado!). En muchas
ocasiones los sistemas biolgicos estn formados por poblaciones ms o menos grandes de unidades caracterizadas por una dinmica oscilatoria de este
tipo, autosostenida, con las caractersticas de un ciclo lmite. Estas unidades suelen interactuar unas con otras, mediante un mecanismo adicional y
complementario a la dinmica individual. Este acoplamiento puede tomar
muchas formas: puede ser global (todos con todos), local (con un alcance
hasta determinados vecinos en el espacio), con topologa compleja (con los
individuos posicionados en los nodos de una red), etc. En estos casos, como
resultado del juego mutuo entre la dinmica local y el acoplamiento, surge
una dinmica colectiva en el sistema, que involucra a un nmero macroscpico de individuos en la poblacin. Muchas veces esta dinmica le permite
al sistema desarrollar una tarea que cada individuo por separado no podra
hacer. Pinsese, por ejemplo, en el tejido cardaco. Cada miocito del corazn
puede oscilar independientemente de los otros. Pero se necesita su movimiento coordinado para que el corazn pueda funcionar como una bomba.
Desde un punto de vista fsico se puede apreciar que un comportamiento
de este tipo conlleva una drstica reduccin del nmero de grados de libertad
del sistema. El comportamiento colectivo ms caracterstico y paradigmtico
(y el ms sencillo de describir) es precisamente la sincronizacin: una situacin en la que numerosos osciladores individuales sincronizan sus frecuencias
1
y sus fases, y acaban oscilando como si fueran un solo oscilador.
Vamos a
estudiar la fenomenologa bsica de estos sistemas. Un tratamiento divulgativo interesante se encuentra en Scientic American [59], y en el mucho ms
extenso
Sync
[60].
Sorprendentemente puede ocurrir tambin con sistemas caticos acoplados, en la fase

de dinmica catica, pero no nos ocuparemos aqu de este caso.
1
253
254
CAPTULO 10. OSCILADORES ACOPLADOS
10.1. Conjuntos de osciladores de fase idnticos

En general, la evolucin temporal de una poblacin de osciladores acoplados puede ser descripta matemticamente por un modelo del tipo:
ri = fi (ri ) +
Uij (ri , rj ),
i = 1 . . . N.
(10.1)
j=1
Evol. libre
Interaccin
La variable de estado
para cada elemento
es un vector multidimensional, con una componete
del sistema de
elementos. Las funciones
fi
son tales
que la solucin de la ecuacin elemental (sin interacciones) es peridica (o se

aproxima a un ciclo lmite).
Para osciladores arbitrarios el problema es muy complicado, de manera
que conviene utilizar una descripcin fenomenolgica basada en
de fase,
osciladores
debida a Winfree [62]. Winfree observ que si el acoplamiento es
dbil, los osciladores se mantienen cerca de sus ciclos lmite. Esto permite
ignorar las variaciones de amplitud que puedan sufrir, y concentrarse slo
en las variaciones de fase. El modelo simplicado provee una representacin
tratable de los fenmenos de sincronizacin.
La representacin simplicada consiste en usar, para cada elemento, una
variable de
el valor
2 ,
fase
(t),
que vara como
(t) = t + (0)
y que, al alcanzar
se resetea a 0 (ver [62]). La ecuacin de movimiento de cada
oscilador de fase es, entonces, sencillamente:
= frecuencia
Un
ensemble
sistema
natural
(10.2)
de osciladores de fase en interaccin es entonces:
i = i +
Fij (i , j ),
i = 1 . . . N,
(10.3)
j=1
F son doblemente 2 -peridicas, Fij (i + 2ni , j +

2nj ) = Fij (i , j ), ni , nj Z .
Si Fij depende slo de la diferencia de fases, Fij = Fij (i j ), el sistema
es invariante bajo la transformacin i i + 0 (t), i i + 0 (t), con

0 (t) arbitraria.
donde las funciones
10.1. CONJUNTOS DE OSCILADORES DE FASE IDNTICOS
255
10.1.1. Caso sencillo: dos osciladores

2
Comencemos con el caso sencillo de dos osciladores :
1 = 1 + F12 (1 , 2 ),
2 = 2 + F21 (1 , 2 ).
(10.4a)
(10.4b)
Existen diversas maneras de visualizar la dinmica de un sistema como

ste. En primer lugar, notando que las variables son fases, podemos representarlo como un par de puntos en el plano complejo, movindose a lo largo del
crculo unidad. Cada punto representa la coordenada de uno de los elementos
del sistema. Esta representacin es la que vemos en la gura 10.1(a). En su
movimiento, los puntos se alejan y se acercan entre s, siempre engarzados
en el crculo unidad. Por otro lado, siendo ambas variables fases, podemos
usarlas como coordenadas en un toro. El estado del sistema es un punto que
se mueve sobre el toro, como vemos en la gura 10.1(b). Desplegando el toro
en un cuadrado con condiciones peridicas de contorno, el estado es un punto
que se mueve siguiendo una trayectoria como se muestra en la gura 10.1(c).
Aun en ausencia de acoplamiento la solucin de la ecuacin (10.4) puede ser complicada. Sin interaccin uno tiene
d2 /d1 = 2 /1
con lo cual
es la pendiente en las trayectorias (rectas) de la repre-
sentacin de la gura 10.1(c). Si

son curvas cerradas con
ejemplo, si
1 = 1 , 2 = 2 ,
p/q = 3/2,
2 /1
es un racional
p/q ,
q
vueltas en una coordenada y
las trayectorias
en la otra. Por
la trayectoria en el toro es un trbol como el de la
gura:
El estudio de la sincronizacin de dos osciladores comenz con las observaciones y

experimentos de Christiaan Huygens en 1665. Durante una enfermedad que lo tuvo en
cama algn tiempo, el inventor del reloj de pndulo observ que dos de sus aparatos batan
los segundos de manera sincrnica. Huygens saba que era algo prcticametne imposible.
l mismo los haba fabricado, y saba que sus perodos eran tan sensibles a los parmetrosd
el pndulo que no
ser iguales. Imagin correctametne que la sincronizacin se
deba a una interaccin entre ambos aparatos, y veric que desapareca si se llevaban a
uno de los relojes a una habitacin lejana, y que se recuperaba si volvan a colgarlos uno
junto al otro. Huygens nunca desentra el mecanismo que produca la sincronizacin, ni
su formulacin matemtica. El rea permaneci casi inexplorada hasta nes del siglo XX,
con los trabajos de Winfree, Kuramoto, Strogatz y otros.
2
podan
256
Figura 10.1: Distintas representaciones de la dinmica de un sistema de dos

osciladores de fase.
Estas curvas se llaman nudos del toro y hay toda una rama de la matemtica dedicada a ellas. Por otro lado, si
no se cierra nunca y el movimiento es
2 /1
es irracional, la trayectoria
cuasiperidico.
Supongamos que la interaccin es antisimtrica o impar, por ejemplo un

seno:
F12 (1 , 2 ) = F21 (1 , 2 ) =
donde
es la
k
sin(2 1 ).
2
intensidad del acoplamiento.
interaccin es atractiva, y si
k<0
Tenemos que si
(10.5)
k > 0
la
es repulsiva.
Las ecuaciones de las fases son:
1 = 1 + sin(2 1 )
2
k
2 = 2 + sin(1 2 )
2
(10.6a)
(10.6b)
257
Denimos unas nuevas variables, suma y diferencia de fases:
= 1 + 2
= = 2 1
(10.7a)
(10.7b)
con las cuales las ecuaciones resultan:
= 1 + 2
= k sin .
(10.8a)
(10.8b)
2 1
Vemos en (10.8a) que la suma de las fases crece uniformemente con frecuencia
suma:
= (0) + (1 + 2 )t. La diferencia de las fases, por su parte, tiene un
dt
comportamiento ms sutil, como se ve en la gura.
= 0
< k
> k
estable
inestable
Podemos ver en el grco que cuando las frecuencias naturales son iguales,
= 0,
= 0, y 2 0.
k > 0, o sea interaccin
tenemos tres puntos jos (equivalentes a dos):
El primero es estable, y el segundo inestable (si
atractiva). En este caso, asintticamente, los dos osciladores alcanzan un

estado de
sincronizacin total: 1 (t) = 2 (t) = t, con = 1 = 2 .
Si la interaccin es repulsiva,
revs, y
k < 0,
la estabilidad de los equilibrios es al
es estable. En este caso:
caso no est en la gura.)
1 (t) = t, 2 (t) = t + .
(Este
258
Si la interaccin es positiva, pero con

bles, caracterizadas por
Si
< k ,
k .
1 = 2 ,
hay dos situaciones posi-
Vemoslos por separado.
hay tambin dos puntos jos, uno estable y uno inestable.
Los osciladores no alcanzan la sincronizacin total, pero alcanzan un estado,

llamado
sincronizacin de frecuencia (phase-locking ), en el que se mueven
con la misma frecuencia, con un valor de compromiso:
= 0 2 = 1 = 1 + sin ,
2
(10.9)
y como de (10.8b):
sin =
2 1
k
(10.10)
nos queda
k 2 1
2 1
1 + 2
1 = 1 +
= 1 +
=
=
2
k
2
2
2
(10.11)
En general, si las intensidades de acoplamiento mutuo son distintas, se

tiene:
1 = 1 + k1 sin(2 1 )
2 = 2 + k2 sin(1 2 )
=
(10.12a)
(10.12b)
k1 2 + k2 1
.
k1 + k2
(10.13)
k /k
259
En el estado de sincronizacin de frecuencia, las mismas evolucionan como:
1 (t) = t
(10.14a)
2 (t) = t + arcsin
Finalmente, si
> k ,
.
k
(10.14b)
las frecuencias naturales son muy distintas y
el acoplamiento no es capaz de lograr ninguna sincronizacin: se tiene un
movimiento incoherente. La diferencia de fase crece de la forma

{
(t) = 2 arctan
con
k
+
k2
1
tan
2
2
t0 =
arctan
2 k 2
[ 2
]}
k 2
(t t0 )
2
k tan[(0)/2]
2 k 2
(10.15)
}
.
(10.16)
Obsrvese que esta diferencia de fase se puede escribir como
es decir,
2 k 2 t + (t) funcin
peridica,
(10.17)
crece linealmente en promedio, indicando la imposibilidad de
sincronizarse.
En este estado las fases evolucionan como:
1
1
1 (t) = (1 + 2 ) + 0 (t) + 1 (0)
2
2
2 (t) = idem + 2 (0)
(10.18a)
(10.18b)
260
con
0 (t) = (t) (0).

FIGURAS: CUATRO PANELES CON PHI VS T
Un diagrama de fases completo de este sistema muestra los tres tipos de
movimiento:
sincronizacin total
sincronizacin de frecuencia
(lengua de Arnold)
incoherencia
incoherencia
2
1
Ejercicio: Considere el sistema:
1 = 1 + k1 sin(2 1 )
2 = 2 + k2 sin(1 2 ).
Encuentre una cantidad conservada. (Pista: despeje
(10.19a)
(10.19b)
sin(2 1 )
de dos ma-
neras.)
Encuentre el winding number
1 ( )
2 ( )
l
m
analticamente.
REVISAR LO QUE SIGUE, SI ES UNA PISTA O PARTE DE LA DEMOSTRACION.
Pista: evale los promedios a tiempos largos
f = l
m
d
dt
f ( )d.
0
d .
dt
10.2. ACOPLAMIENTO GLOBAL
261
AC HAY UN ERROR, CORREGIR.
1
1 + +
=
2
1 + +
|1 | < |2k| l
m
= (1 )2 4k 2 .
l 1 /2 = 1.
m
con
y
Si
|1 | |2k|
sincronizacin de frecuencia
10.2. Acoplamiento global

Los osciladores pueden estar acoplados a unos pocos vecinos (tal como
los que dan origen a las oscilaciones neuro-musculares en el intestino), o a
todos los dems en una comunidad (como las clulas del nodo sino-atrial, el
marcapasos del corazn, que tiene unos 10 mil osciladores).
Consideremos ahora un ensemble de osciladores de fase con acoplamiento
homogneo, es decir con
Fij (i , j ) = F (i , j ),
y en particular usemos el
acoplamiento senoidal:
i = i + k
sin(j i )
N j=1
(10.20)
k/N es la constante de interaccin. Desarrollando el seno

) = sin cos cos sin ) tenemos:
[
]
1
1
i = i + k
(10.21a)
sin j cos i
cos j sin i
N j
N j
donde vemos que

(sin(
= i + k[sin cos i cos sin i ]
(10.21b)
donde los corchetes angulares denotan promedios sobre el sistema.

Para representar el efecto del promedio del sistema sobre cada oscilador
podemos denir un
parmetro de orden
(t)e
i(t)
complejo:
N
1 ij (t)
e
.
=
N j=1
(10.22)
La gura 10.2 permite apreciar claramente el signicado de este parmetro

de orden complejo.
Usando el parmetro de orden podemos escribir una ecuacin de campo
medio del sistema. Observemos que:
1
cos ,
N
1
sin =
sin ,
N
cos =
(10.23)
(10.24)
262
Figura 10.2: Parmetro de orden de un sistema de fases. Izquierda: si las fases

se encuentran desparramadas, el mdulo del parmtetro de orden el pequeo.
Derecha: si las fases estn agrupadas, el parmetro de orden es grande.
con lo cual, en (10.21), podemos escribir:
i = i + k sin( i ).
La Ec. (10.25) es una ecuacin de
campo medio
(10.25)
del sistema: vemos que la
dinmica individual est acoplada al campo medio de la poblacin. Si el

campo medio es nulo (incoherencia), entonces (10.25) nos dice que la dinmica individual es como si no hubiese acoplamiento, y cada oscilador sigue
su frecuencia natural. Por otro lado, si el campo medio es distinto de cero, el
comportamiento es menos trivial.
Tenemos entonces el problema de resolver (10.25) para cada oscilador,
cada uno con su fase inicial, y para
(t)
(t)
arbitrarias, y de resolver
de manera autoconsistente dada la denicion (10.22).

En primer lugar, consideremos osciladores idnticos,
=0
i = ,
y pongamos
gracias a la simetra del sistema:
i = k
sin(j i ).
N j=1
Ntese que la intensidad del acoplamiento,
k,
(10.26)
ja la constante de tiempo del
sistema.
La ecuacin (10.26) tiene una solucin estacionaria: i = i, arbitrario.
En consecuencia F ( , ) = 0, y la interaccin no juega ningn rol en este

estado. Como
i = 0 ,
la oscilacin cesa. Es un estado de
sincronizacin
10.3. CLUSTERING
263
total, que se alcanza dinmicamente si es estable:

i (t) = + i (t)
i 1 i
(10.27b)
N
k
j .
N j=1
i = ki +
(10.27a)
(10.28)
Tenemos estabilidad si y slo si las soluciones de este sistema decaen, es decir

si
Aij =
k
(1 N ij )
N
(10.29)
tiene todos sus autovalores con partes reales no positivas.

Esta matriz tiene un autovalor
1 = 0 (por qu?), con autovector (1, 1 . . . 1),
correspondiente a la invariancia del sistema ante una rotacin de todas las

fases en una constante (el autovalor
ciones de las fases
llaman
se llama
(1, 1 . . . 1)
longitudinal ).
en el espacio de las desvia-
El resto de los autovalores se
transversales, y sus autovalores son 2 = 3 = = N = k. Esto
garantiza la estabilidad lineal si
k > 0.
La resolucin numrica muestra que,
adems, es globalmente estable.
Ejercicio: Resolver numricamente (10.26), con k = 1 y i (0) [0, 2)
uniformemente distribuidas. Gracar en un anillo.

Adems del estado de sincronizacin total, el sistema (10.26) tiene muchos
otros estados estacionarios, soluciones de
sin(j i ) = 0,
i = 1 . . . N.
(10.30)
j=1
Para
k > 0
todos ellos son inestables. Sin embargo, pueden volverse esta-
bles para interacciones repulsivas,
k < 0,
cuando la sincronizacin total es
inestable. En estos estados las fases se acercan asintticamente a valores jos, uniformemente distribuidos en
[0, 2),
y las frecuencias convergen a la
frecuencia natural comn a todos los osciladores.
10.3. Clustering
Se llama
clustering
a un rgimen de evolucin colectiva en el que el
clusters ),
ensemble de elementos dinmicos se separa en dos o ms grupos (
dentro de cada uno de los cuales todos los elementos se sincronizan y sus
264
rbitas coinciden. El clustering es posible en sistemas de osciladores de fase

cuando la interaccin es ms complicada que
sin(j i ).
Consideremos:
i = 1
F (j i )
N j=1
con
(10.31)
peridica, pero ahora con contribucin de armnicos superiores:
F () =
An sin(n) + Bn cos(n).
(10.32)
n=1
M clusters
tamao N/M .
El anlisis de estabilidad de los estados de

cabo cuando los clusters son iguales, de
puede llevarse a
La Ec. (10.31) tiene una solucin con los elementos segregados en clusters
idnticos si todos ellos se mueven con la misma frecuencia colectiva y sus fases
estn equiespaciadas en
[0, 2).
La fase
m = t +
del cluster
2m
M
(10.33)
es una solucin de (10.31) si
M
1 2
=
F [ (m 1)]
M m=1 M
BnM
(10.34)
en trminos de los coef. de Fourier
(10.35)
n=1
donde
orden
nM
M.
es el producto
n M.
Ntese que slo aparecen los armnicos de
En (10.35) los senos desaparecen porque
es una funcin (constante) par,
de manera que en su desarrollo de Fourier slo aparecen funciones pares. La

razn por la que aparecen slo algunos armnicos pares surge de hacer la
cuenta, pero es fcil darse una idea observando lo que pasa cuando
por ejemplo. En ese caso:
2
1
1 2
F [ (m 1)] = [F (0) + F ()],
=
2 m=1
2
2
M = 2,
10.3. CLUSTERING
265
y usando el desarrollo de Fourier (par) de
F:
1
Bn cos n0 + Bn cos n
2 n
(10.36)
1
= [B1 (cos 0 + cos ) + B2 (cos 0 + cos 2) + ]
2
=0
(10.37)
=2
2
= [B2 + B4 + ]
2
=
B2n .
(10.38)
(10.39)
n
Similarmente, para
M clusters,
BM n .
se anulan los cosenos de a
M 1,
quedando
slo los trminos con
Estudiemos la estabilidad de esta solucin. Las desviaciones son:
i = m + i (t).
Linealizando, tenemos la matriz de
M M
bloques:
I 0 U
1 U
2 U . . .
1 U
M 1 U I 0 U 1 U . . . M 2 U
A = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1 U
. . . . . . . . . . . . . . . . . . I 0 U
donde cada bloque, como el recuadrado, tiene
y
(10.40)
N/M N/M , I
(10.41)
es la identidad,
es una matriz de unos. Adems:
M
1 2
=
F [ (m 1)]
M m=1
M
k =
La matriz
p =
tiene
1 2k
F (
),
M
M
k = 0 . . . M.
(10.42)
(10.43)
autovalores no degenerados:
M 1
2ikp
1 2k
)(1 e M ),
F(
M k=0
M
y un autovalor de multiplicidad
k =
p = 0...M 1
(10.44)
N M:
M 1
1 2k
).
F(
M k=0
M
(10.45)
266
Figura 10.3: Sombreadas, las regiones de clustering en el espacio de parmetris de las primeras amplitudes de Fourier.
0 = 0 es el autovalor longitudinal. Para M = 1, se recuperan las expresiones

de la sincronizacin completa. En trminos de los coecientes de Fourier de
quedan:
p =
M =
[
n=1
BnM
BnM +pM + BnM p

AnM +pM AnM p
+i
2
2
BnM
]
(10.46)
(10.47)
n=1
donde An = nBn y Bn = nAn son los coecientes de Fourier de la derivada
F . La condicin parte real < 0 implica que slo los coecientes Bn determinan si el estado de
clusters es estable, es decir, los
An ,
es decir, la parte
impar de F . El anlisis de clusters no idnticos involucra tambin los otros

coecientes.
Ejemplo. Sea:
F () = sin + a2 sin 2 + a3 sin 3.
Tenemos:
Autovalor
1
2
3
M =1
1 + 2a2 + 3a3

M =2
1 + 2a2 3a3
2a2
(10.48)
M =3
1/2 a2 + 3a3
1/2 a2 + 3a3
3a3
En las guras 10.3, la regin sombreada corresponde a clusters estables.

Obsrvese que estas regiones se superponen, de manera que en ciertas regiones
hay multiestabilidad. El estado nal depende de las condiciones iniciales. El
origen, donde
a2 = a3 = 0
slo est en la regin de
M = 1.
clusters son inestables a menos que haya armnicos de orden

en el desarrollo de
F.
En general,
M-
o superiores
10.4. OTROS ACOPLAMIENTOS
267
Esta descripcin no agota las posibilidades: podra haber conguraciones

estables con clusters desiguales. Esto es una propiedad general de estos sistemas globalmente acoplados: elevada multiestabilidad, y gran dependencia
en las condiciones iniciales. Se ha conjeturado que este tipo de comportamiento, en sistemas neuronales, podra utilizarse para codicar y decodicar
informacin.
10.4. Otros acoplamientos

Mencionemos brevemente otros posibles acoplamientos. Por ejemplo si:
1
[f1 (i ) f2 (j )]
N
(10.49)
i = + f1 (i )
f2 (j ).
N j
(10.50)
Fij (i , j ) =
tenemos:
Con:
f1 () = A sin + A2 sin 2 + A3 sin 3

f2 = B cos .
(10.51)
(10.52)
Puede haber estados con fase estacionaria:

FIGURA: DIAGRAMA DE FASES
En caso de que
A1 = B = 0,5+ armnicos superiores, se rompe la incohe-
rencia y se forman clusters:

FIGURA: FASES DE CLUSTERS.
Sobre este sistema, ver el paper de Golomb [65].
10.5. Ensembles de osciladores heterogneos

La heterogeneidad y las uctuaciones siempre presentes en sistemas naturales macroscpicos tienen como consecuencia la diversidad en las propiedades de los componentes individuales. Otro tanto ocurre con la existencia
de fuerzas externas aleatorias.
Supongamos en primer lugar la heterogeneidad, para lo cual permitimos
que los osciladores sean distintos en sus frecuencias naturales. Veremos que
puede alcanzarse un estado de sincronizacin parcial. Sea el sistema:
i = i + k
sin(j i )
N j=1
(10.53)
268
donde las
estn distribuidas aleatoriamente con distribucin
g().
El movimiento individual, como resultado de la interaccin, es complicado

y tpicamente catico. En general, la frecuencia real de cada oscilador, la
derivada temporal de su fase, resulta diferente de su frecuencia natural (i

i )
y conviene denir una
frecuencia efectiva :
1
= l
m
T T
i (t)dt.
(10.54)
Lo que se observa es que a un valor crtico del acoplamiento
k se forma un
cluster con una fraccin de los osciladores movindose con igual frecuencia
efectiva
Las fases de estos osciladores no son idnticas. El nmero de
osciladores en el cluster crece a medida que
kc . Los valores de y kc
k crece por encima del valor crtico

g(). La sincronizacin
dependen de la distribucin
de frecuencia en este sistema tiene caractersticas de fenmeno crtico en el

lmite
N .
Pasemos al anlisis. Para llevar adelante una descripcin estadstica del

sistema denamos una
densidad de fase :
N
1
n(, t) =
[ i (t)],
N i=1
(10.55)
n(, t)d representa la fraccin de

d de [0, 2) a tiempo t, o sea la probabilidad
en d. Est normalizada:
2
n(, t)d = 1 t.
con lo cual el producto
osciladores en el
intervalito
de encontrar un
oscilador
(10.56)
0
Usamos la densidad de fase para reemplazar la suma de (10.53) por una
integral:
2
1
sin(j i )
n() sin( i )d
N j
0
2
i = i + k
n() sin( i )d
(10.57)
(10.58)
0
que tiene la forma:
i = i + k sin( i )
(tal como en el sistema de osciladores idnticos), con el
(t)e
i(t)
parmetro de orden :
n(, t)ei d.
(10.59)
(10.60)
10.5. ENSEMBLES DE OSCILADORES HETEROGNEOS
269
En el estado estacionario ms sencillo, con los osciladores distribuidos

uniformemente en
[0, 2), n = 1/2 , obtenemos (t) = 0, con lo que el efecto
del acoplamiento desaparece y cada oscilador se mueve con su frecuencia

natural.
El movimiento
cuencia
colectivo
ms sencillo consiste en rotaciones rgidas a fre-
n(, t) = n0 ( t),
e
i0
(t) = 0 + t.
Entonces:
n0 ()ei d
=
0
es independiente del tiempo (resultado que se obtiene de hacer formalmente

la integral en (10.60), haciendo el cambio de variable
Si introducimos la
promedio
fase relativa i
de cada oscilador respecto de la fase
(t), i = i (t) = i 0 t:
i = i
= i + k sin( i ) ,
y con
u = t).
de (10.59),
sin( i ) = sin(i ) = sin i :
i = i k sin i .
Y tanto
como
(10.61)
deben resolverse autoconsistentemente.
La ecuacin (10.61) es idntica a la ecuacin para diferencia de fase de

dos osciladores acoplados:
= K sin ,
identicando
con
i y K
es decir cuando
k . Recordando el anlisis realizado en

un punto jo estable cuando |i | <
a , en cuyo caso (anlogamente a la
con
la Seccin 10.1.1, la dinmica tiene
k ,
(10.62)
es cercano
sincronizacin de frecuencia de dos osciladores):
i (t) = t i 0 + arcsin[(i )/k].

O sea, a causa de la interaccin, cada oscilador con
su frecuencia de i a i = .
Por otro lado, si
|i | > k ,
cercano a
una funcin
2 -peridica
de
ha corrido
la solucin es:
i (t) = i t + [(i )t]

con
(10.63)
(10.64)
= + (i ) 1
k
i
)2
.
270
Para
Para
|i | k ( 1), i i .
|i | k ( 0), i i .
En ambos casos, vemos que los osciladores no se sincronizan totalmente.

Para una distribucin de
y un valor de
dados, los osciladores caen en
dos grupos, correspondientes a alguna de las dos categoras recin expuestas.
|i | k
Aqullos para los cuales
se clusterizan y giran con frecuencia
El resto se mueve de manera incoherente. El tamao de estos grupos est
dado por
Volvamos al parmetro de orden del movimiento colectivo:
i0
n0 ()ei d
(10.65)
0
y observemos que
dad
n0 ()
determina el tamao del cluster sincrnico. La densi-
de ste puede calcularse a partir de la distribucin de frecuencias
naturales usando:
n0 ()d = g()d
(relacin funcional entre
con esa
: dado y condiciones iniciales, los osciladores

fase ()), y:
dan una cierta
n0 () =
i = t + i
kg[ + k sin( 0 )] cos( 0 ),
si
0,
si no.
| 0 |
,
2
(10.66)
Poniendo esto en (10.65):
/2
g( + k sin ) cos ei d
= k
(10.67)
/2
de manera implcita. Hay una solucin = 0 para todo conjunto

= 0, separamos partes
imaginaria en dos ecuaciones acopladas para y :
/2
Re: 1 = k
g( + k sin ) cos2 d
(10.68)
que dene
de parmetros. Suponiendo que existe una solucin

real e
Im:
/2
/2
0=
g( + k sin ) cos sin d
(10.69)
/2
Para la parte imaginaria:
cos sin
(ya
debe ser impar alrededor de
Ergo,
debe ser
0 ,
es impar. Para que la integral sea cero,

que a
el mximo de la
g,
le sumo
k sin
que debe ser par.
que es impar).
10.5. ENSEMBLES DE OSCILADORES HETEROGNEOS
271
Figura 10.4: Parmetro de orden como funcin de la intensidad del acoplamiento, para un sistema heterogneo con distribucin gaussiana de frecuencias naturales.
Para la parte real: si

con
multiplicando
es chico, me queda
g(0 )
y la integral del
no me alcanza para que d 1. Para que d 1,
cos2 ,
k debe
ser ms grande que un cierto valor. Es decir, existe una bifurcacin.
Ejercicio: Si k , mostrar que se tiene la solucin = 1. Pista: x =
k sin
g(0 + x) por una (x), o interpretar
( x )2
1 k
1=
g(0 + x) 1 +
dx
k
k
y aproximar
La solucin que se bifurca para
k > k0
geomtricamente.
tiene la forma de una transicin
de fase de segundo orden muy rpida (gura 10.4).

Para analizar este comportamiento, podemos usar la expresin de la parte
imaginaria, con
= 0 y 0, y desarrollar g(0 + k sin x) hasta segundo

= 0. Con esto, tenemos:
orden alrededor de
3
kg(0 ) +
k g (0 ) 2 = 1,
2
16
a
(g
<0
porque
(10.70)
<0
tiene un mximo). Es decir, buscamos soluciones reales de:
b 2 + a 1 = 0
1a
(elijo el
=
b
(10.71)
signo +)
(10.72)
272
Y reemplazando
1a
>0
b
(10.73)
b:
3
k g (1 kg) > 0
16
2
<0
(10.74)
<0
k>
2
kc
g(0 )
Y nalmente, tenemos el comportamiento de
(10.75)
cerca de
kc :
8g(0 )
(k
3 |g ( )|
kc
0
kc ) .
(10.76)
(kkc )1/2 , comportamiento vlido para cualquier g() simtrica
con un mximo en 0 , siempre que no se anule en g () (que no sea chata).

El exponente 1/2 es caracterstico de las transiciones de fase de segundo
Es decir,
orden en la aproximacin de campo medio.

Si
g()
es
asimtrica, pero con un mximo simple, la situacin es cuali-
tativamente similar (gura 10.5).

La distribucin de frecuencias del sistema sincronizado tambin se puede
calcular para una distribucin
g().
Los osciladores que forman el cluster
sincronizado, ciertamente, pueden representarse con una delta:
G0 () = r( )
mientras que el resto sigue una distribucin
G()
es una versin deprimida de
Clustering
Cuando la distribucin
g()
g()
G().
(10.77)
Lo que se observa es que
alrededor de
0 =
(gura 10.6).
tiene ms de un mximo, pueden formarse
clusters. Si los mximos estn bien separados, una vez formados los clusters estos se comportan como osciladores nicos, interactuando con los dems clusters. Si los mximos se solapan apreciablemente la emergencia de
la sincronizacin es ms sutil, con distinto nmero de clusters formndose a
distintos valores de
k.
10.6. Fuerzas uctuantes

El desorden en estos sistemas puede manifestarse a travs de fuerzas estocsticas actuando sobre cada elemento del ensemble. Kuramoto tambin
10.6. FUERZAS FLUCTUANTES
273
Figura 10.5: Parmetro de orden como funcin de la intensidad del acoplamiento, para un sistema heterogneo con distribucin asimtrica de frecuen1
cias naturales (g() [exp(4) + exp()] , mostrada en el inserto). (De
[64].)
Figura 10.6: Distribucin de frecuencias en el sistema heterogneo sincronizado. (De [64].)
274
Figura 10.7: Desaparicin de la sincronizacin en un ensemble de osciladores

idnticos, inducida por las uctuaciones (y no por la dispersin de una
g()).
estudi la sincronizacin en este tipo de sistemas. Por ejemplo, sean osciladores idnticos:
i =
sin(j i ) + i (t)
N j
(10.78)
con
i (t) = 0
i (t)i (t ) = 2S(t t )
Si la intensidad
(10.79)
(10.80)
del ruido no es muy grande, los osciladores forman una
nubecita alrededor del estado que formaran si
S = 0.
La descripcin de este caso tambin es mediante una densidad de fase
n(, t),
que ahora obedece una ecuacin de Fokker-Planck cuya solucin es-
tacionaria se puede calcular. Se observa tambin una transicin de fase de

2
1/2
, que se ilustra en la
segundo orden de la clase mean eld, (Sc S)
k
gura 10.7.
Bibliografa
[1] Murray, J. D.,
Mathematical biology
[2] D. Brown and P. Rothery,
and computing
(Springer, Berlin, 1993).
Models in Biology: mathematics, statistics
(John Wiley & Sons, Chichester, 1993).
[3] Beverton, R. J. H.; Holt, S. J. (1957), On the Dynamics of Exploited

Fish Populations, Fishery Investigations Series II Volume XIX, Ministry
of Agriculture, Fisheries and Food
[4] Brnnstrm, ke; Sumpter, David J. T. (2005), "The role of competition
and clustering in population dynamics", Proc. R. Soc. B 272 (1576):
20652072,
[5] Geritz, Stefan A. H.; Kisdi, va (2004), .On the mechanistic underpinning of discrete-time population models with complex dynamics", J.
Theor. Biol. 228 (2): 261269
[6] Ricker, W. E. (1954) Stock and Recruitment Journal of the Fisheries
Research Board of Canada, 11(5): 559623.
[7] Horsthemke and Lefever,
Noise induced transitions
(Stringer, 1983).
[8] M. N. Kuperman and H. S. Wio (completar, supervivencia de competidores).

[9] J. C. Flores,
Biol.
A mathematical model for Neanderthal extinction, J. Theor.
191, 295-298 (1998).
[10] G. Abramson and D. H. Zanette,
Statistics of extinction and survival in
Lotka-Volterra systems, Phys. Rev. E 57, 4572 (1998).
[11] D. Tilman, R. M. May, C. L. Lehman and M. A. Nowak,
truction and the extinction debt, Nature 371, 65 (1994).
[12] R. May,
Habitat des-
Will a large complex system be stable?, Nature 238, 413 (1972).

275
276
BIBLIOGRAFA
[13] I. D. Rozdilsky and L. Stone,
Complexity can enhance stability in com-
petitive systems, Ecology Letters 4, 397-400 (2001).
[14] Melin and Bascompte, Ecol. Lett.
5, 705 (2002).
Survival and extinction in cyclic and neutral threespecies systems, Eur. Phys. J. E 10, 241 (2003).
[15] Ifti & Bergersen,
[16] May and Leonard (1975).
Modelos estocsticos
[17] N. G. van Kampen,
Stochastic processes in physics and chemistry
(El-
sevier Science B.V., Amsterdam, 2003).

[18] A. J. McKane and T. J. Newman, Phys. Rev. E
70, 041902 (2004).
Expresin gentica
[19] Jacques Monod,
El azar y la necesidad
(Tusquets, 2002).
Stochastic protein expression in

individual cells at the single molecule level, Nature 440, 358-362 (2006).
[20] L. Cai, N. Friedman and X. Sunney Xie,
[21] R. Tomioka, H. Kimura, T. J. Kobayashi and K. Aihara,
analysis of noise in genetic regulatory networks,
Multivariate
J. Theor. Biol.
229,
501521 (2004).
Estimations of intrinsic and extrinsic

noise in models of nonlinear genetic networks, Chaos 16, 02107 (2006).
[22] M. Scott, B. Ingalls and M. Kaern,
Fast evaluation of uctuations in biochemical networks with the linear noise approximation, Genome Research 13,
[23] J. Elf and M. Ehrenberg,

2475-2484 (2003).
[24] S. Kauman,
Metabolic stability and epigenisis in randomly constructed
genetic nets, J. Theor. Biol. 22, 437-467 (1969).
[25] Stuart Kauman,
Antichaos and adaptation, Sci. Am., Aug. 1991, p. 64.
[26] Guet et al., Science
296, 1466 (2002).
[27] C. Espinosa Soto et al., The Plant Cell
16, 2923 (2004).
[28] E. Balleza, E. R. Alvarez-Buylla, A. Chaos, S. Kauman, I. Shmule-
Critical dynamics in genetic regulatory networks:

examples from four kingdoms, PLoS ONE 3, e2456 (2008).
vich and M. Aldana,
BIBLIOGRAFA
277
[29] Stuart Kauman,
The origins of order
(Oxford University Press, USA,
1996).
At home in the universe
[30] Stuart Kauman,
(Oxford University Press,
USA, 1996).
Teora de juegos
[31] J. Hofbauer and K. Sigmund,
mics, (Cambridge, 1998).
[32] Richard Dawkins,
Evolutionary games and population dyna-
El gen egosta
(Salvat, 1985).
Prestwich,
Game theory, http://www.holycross.edu/
departments/biology/kprestwi/behavior/ESS/ESS_index_frmset.
html
[33] Kenneth
[34] John Von Neumann and Oskar Morgenstern,
nomic behavior
Theory of games and eco-
(Princeton University Press, 1944).
[35] Jrgen W. Weibull,
Evolutionary game theory
[36] John Maynard Smith,
(MIT Press, 1995).
Evolution and the theory of games
(Cambridge,
1982).
[37] John Maynard Smith,
The theory of games and the evolution of animal
conicts, J. Theor. Biol. 47, 209-221 (1974).
[38] Robert Axelrod,
The evolution of cooperation (revised edition)
(Basic
Books, 2006).
The complexity of cooperation: Agent-based models of

competition and collaboration (Princeton University Press, 1997).
[39] Robert Axelrod,
[40] B. Sinervo & C. M. Lively, The rock-paper-scissors game and the evolution of alternative male strategies, Nature
380, 240-243 (1996).
Epidemiologa y redes complejas

[41] H. W. Hethcote,
42, 599 (2000).
The mathematics of infectious diseases, SIAM Review
[42] F. C. Hoppensteadt,
Mathematical methods in population biology
bridge University Press, Cambridge, 1982).
(Cam-
278
BIBLIOGRAFA
Population dynamics of infectious diseases:
[43] R. M. Anderson (ed.),
Theory and applications
(Chapman and Hall, London, 1982).
[44] Duncan J. Watts and Steven H. Strogatz,
Collective dynamics of 'small-
world' networks, Nature 393, 440-442 (1998).
[45] D. J. Watts,
Small worlds (Princeton University Press, Princeton, 1999).
[46] R. Albert and A.-L. Barabsi,
Statistical mechanics of complex networks,
cond-mat/0106096 (2001).
[47] Barabsi, Albert-Lszl and Albert, Rka,
Emergence of scaling in ran-
dom networks, Science 286, 509-512 (1999).
[48] Barabsi,
Albert-Lszl,
Scale-Free Networks,
Scientic
American
textbf288, 60-69 (May 2003).

[49] M.
E.
J.
Newman,
Models of the small world: A review,
cond-
mat/0001118 v2 (2000).
[50] M. Kuperman and G. Abramson,
Small world eect in an epidemiolo-
gical model, Phys. Rev. Lett. 86, 2909 (2001).
[51] R. Pastor-Satorras and A. Vespignani,
networks, cond-mat/0107066 (2001).
[52] D. H. Zanette and M. Kuperman,
Optimal immunisation of complex
Eects of immunization in small-world
epidemics, cond-mat/0109273 (2001).
Dynamics of rumor propagation on small-world networks,

cond-mat/0110324 (2001). D. H. Zanette, Critical behavior of propagation on small-world networks, cond-mat/0105596 (2001).
[53] D. H. Zanette,
[54] R. Pastor-Satorras and A. Vespignani,
Epidemic spreading in scale-free
networks, Phys, Rev. Lett. 86, 3200 (2001).
[55] Z. Dezs and A.-L. Barabsi,
Can we stop the AIDS epidemic?,
cond-
mat/0107420 (2001).
Formacin de estructuras espaciales

[56] J. D. Murray,
How the leopard gets its spots,
Sci. Am.
258
(3), 80-87
(1988).
[57] G. Nicolis,
Introduction to nonlinear science
Press, 1995).
(Cambridge University
BIBLIOGRAFA
279
Biological pattern formation: from basic mechanisms to complex structures, Rev. Mod. Phys. 66, 1481-1507
[58] A. J. Koch and H. Meinhart,

(1994).
Osciladores y sincronizacin
[59] Steven Strogatz & Ian Stewart,
Coupled oscillators and biological syn-
chronization, Sci. Am. (December 1993).
Sync: How order emerges from chaos in the universe,

nature, and daily life (Hyperion, 2004).
[60] Setven Strogatz,
[61] Steven Strogatz,
Nonlinear dynamics and chaos (Westview Press, 2001).
[62] Arthur Winfree,
The geometry of biological time
[63] Yoshiki Kuramoto,
(Springer, 2010).
Chemical oscillations, waves, and turbulence (Dover,
2003).
Emergence of dynamical order: Synchronization phenomena in complex systems
[64] Susanna Manrubia, Alexander Mikhailov y Damin Zanette,

(World Scientic, 2004).
[65] D. Golomb et al.,
Rev. A
Clustering in globally coupled phase oscillators, Phys.
45, 3516 (1992).
[66] J. Pantaleone,
Synchronization of metronomes,
Am. J. Phys.
70,
(2002).
Relaciones alomtricas
[67] Brown and West (eds.),
Scaling in biology
(Oxford University Press,
2000).
[68] West, Brown and Enquist,
A general model for the origin of allometric
scaling laws in biology, Science 276, 122 (1997).

Biologic Os

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Biologic Os

Încărcat de

Drepturi de autor:

Formate disponibile

Instituto Balseiro

Universidad Nacional de Cuyo - CNEA

Centro Atmico Bariloche,

Versin: 5 de agosto de 2013

Pintura mural en la costanera de Puerto Madryn (annimo).

Modelos deterministas de crecimiento . . . . . . . . . . . . . .

Crecimiento y decrecimiento exponencial

Crecimiento exponencial en tiempo discreto

Modelos con demora

Anlisis lineal de la aparicin de un ciclo lmite

Modelo logstico en tiempo discreto . . . . . . . . . . . . . . .

Modelos estocsticos de poblacin . . . . . . . . . . . . . . . .

Generalidades sobre ecuaciones estocsticas

Modelo de depredacin de Lotka-Volterra . . . . . . . . . . . .

Modelos realistas de depredacin

Anlisis lineal de aparicin de un ciclo lmite . . . . . .

Ser estable un sistema grande?

3. De los individuos a las poblaciones

Circuitos de expresin gentica

Tipos celulares y redes de Kauman

La matemtica de los sistemas biolgicos

Solucin aproximada del frente de onda . . . . . . . . . . . . .

Introduccin a la teora de juegos

Ejemplo: un juego que no suma cero

Anlisis formal de un juego

Halcones y Palomas . . . . . . . . . . . . . . . . . . . . 111

Ejemplo: pker simplicado

Juegos de forma normal

Teora de juegos no cooperativos - Equilibrios de Nash

Teora de juegos evolutivos - Estrategias evolutivas estables

Juegos de poblacin . . . . . . . . . . . . . . . . . . . . 125

Juegos asimtricos: territorialidad . . . . . . . . . . . . . . . . 131

Dinmica de replicador . . . . . . . . . . . . . . . . . . . . . . 133

Clasicacin de los juegos simtricos de

Coexistencia cclica . . . . . . . . . . . . . . . . . . . . 139

Relacin con las ecuaciones de Lotka-Volterra

Estrategias estocsticas para el RPD

La evolucin de la cooperacin . . . . . . . . . . . . . . 144

Apndice: Sobre John von Neumann

Modelos epidmicos sencillos . . . . . . . . . . . . . . . . . . . 155

Modelo difusivo . . . . . . . . . . . . . . . . . . . . . . 163

La Peste Negra en Europa, 1347-1350 . . . . . . . . . . 165

Redes complejas . . . . . . . . . . . . . . . . . . . . . . . . . . 170

de Watts y Strogatz . . . . . . . . . 174

Redes libres de escala . . . . . . . . . . . . . . . . . . . 177

Epidemias en redes complejas

Epidemias en redes small world

Epidemias en una red libre de escala

Bifurcacin de Turing . . . . . . . . . . . . . . . . . . . . . . . 193

Bifurcacin de Turing: tratamiento general . . . . . . . . . . . 198

Inestabilidad inducida por el tamao

Manchas en la piel de los animales

Anlisis lineal . . . . . . . . . . . . . . . . . . . . . . . 211

Ecuaciones de amplitud para el modelo SH . . . . . . . 213

Soluciones sencillas de la ecuacin de Ginzburg-Landau

Saddle-node, transcrtica, diapasn (pitchfork, tenedor) 220

Bifurcaciones globales de ciclos

Osciladores y switches biolgicos . . . . . . . . . . . . . . . . . 227

Comportamiento cualitativo usando las nulclinas . . . . 232

Oscilaciones en reacciones qumicas

Reaccin del Dixido de Cloro - Iodo - cido Malnico

Osciladores de relajacin . . . . . . . . . . . . . . . . . 240

Osciladores dbilmente no lineales . . . . . . . . . . . . . . . . 243

Ejemplo elemental. Fracaso de una solucin perturbativa.244

Tipos celulares y redes de Kauman

Ejemplo: pker simplicado

Clasicacin de los juegos simtricos de

Del mismo modo, en el crecimiento individual que se ve en la gura 1.3

se llama carrying capacity y caracteriza al medio. La evo-

es un equilibrio, y que la poblacin diere de este valor en una cantidad pe

ambiente es tal. Ms bien, mecanismos subyacentes producen la limitacin