Documente Academic
Documente Profesional
Documente Cultură
Biologı́a Matemática
Un enfoque desde
los sistemas dinámicos
i i
i i
i i
i i
i i
i i
Contenido
Prólogo vii
Introducción xiii
1 Sistemas dinámicos 1
1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 ¿Qué es un sistema dinámico? . . . . . . . . . . . . . . 3
1.1.2 Modelos matemáticos de ejemplos especı́ficos . . . . . 5
1.1.3 Epidemias y autómatas celulares . . . . . . . . . . . . 14
1.1.4 Clasificación . . . . . . . . . . . . . . . . . . . . . . . 16
1.2 Teorı́a cualitativa . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
i i
i i
i i
iv Contenido
3.2 Mendel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.1 Los motivos de Mendel . . . . . . . . . . . . . . . . . . 47
3.2.2 Los experimentos . . . . . . . . . . . . . . . . . . . . . 49
3.2.3 Las leyes . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3 Hardy-Weinberg . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.1 La disputa entre biometristas y mendelianos . . . . . . 56
3.3.2 La ley de la inercia génica . . . . . . . . . . . . . . . . 59
3.3.3 La adaptabilidad . . . . . . . . . . . . . . . . . . . . . 60
3.4 Tres citas, una concepción . . . . . . . . . . . . . . . . . . . . 64
i i
i i
i i
Contenido v
i i
i i
i i
vi Contenido
i i
i i
i i
Prólogo
i i
i i
i i
viii Prólogo
1
International Whaling Commision o IWC en el original.
i i
i i
i i
Prólogo ix
i i
i i
i i
x Prólogo
Pehman Rohani,
Departamento de Zoologı́a,
Universidad de Cambridge
i i
i i
i i
i i
i i
i i
i i
i i
i i
Introducción
En los años recientes, la biologı́a se ha ido convirtiendo paulatinamente en
una ciencia que requiere cada vez más de la matemática. Desde que en el
siglo XVI, Galileo cuantificó las variables de un experimento fı́sico, el uso de
los métodos cuantitativos se ha considerado tradicionalmente, y de manera
un poco errónea, como una medida del grado de madurez y avance de una
ciencia. Es verdad que la biologı́a es en buena medida una ciencia cuantita-
tiva y por ello requiere de métodos matemáticos. Sin embargo, la compleji-
dad de los sistemas biológicos, y de la vida misma, contiene múltiples rasgos
que no pueden ser reducidos a una cantidad. El origen y la evolución de
la forma biológica, la emergencia de patrones de comportamiento en comu-
nidades, entre otros, son problemas que no se explican por el mero estudio
de cantidades de los elementos que los conforman. Es por esto que la bi-
ologı́a también demanda de la matemática herramientas que atiendan a la
calidad de los objetos de estudio y no únicamente a su cantidad. Esto hace
inevitable la interdisciplina.
La modelación matemática ofrece una herramienta de investigación que
permite al biólogo estudiar la esencia de un fenómeno y dejar de lado de-
talles que no son relevantes para su comprensión. También, en ocasiones,
le permite complementar o, incluso, sustituir experimentos de laboratorio
y simularlos en una computadora. Por otra parte, la biologı́a presenta pro-
blemas muy interesantes al matemático, propiciando el desarrollo de nuevos
métodos y la aplicación de técnicas matemáticas. Como ejemplos del en-
riquecimiento de la matemática a partir de problemas biológicos podemos
mencionar la teorı́a de las redes de neuronas artificiales y la técnica de op-
timización llamada algoritmos genéticos, que ya se han ganado su lugar en
el campo de la matemática sin olvidar sus orı́genes biológicos.
El trabajo interdisciplinario es necesario para la investigación en biolo
gı́a matemática ya que, por un lado, sin un conocimiento profundo de la
i i
i i
i i
xiv Introducción
i i
i i
i i
Introducción xv
i i
i i
i i
xvi Introducción
Lourdes Esteva P.
Manuel Falconi M.
i i
i i
i i
1
Sistemas dinámicos
1.1 Introducción
Efectivamente, el movimiento implica cambio y a nuestro alrededor todo
parece cambiar. Heráclito resume esta percepción cuando afirma que nadie
se baña dos veces en el mismo rı́o. Algunas doctrinas también incluyen esta
visión de transformación constante. Ası́, en la visión hinduista, Shiva es la
divinidad responsable del cambio.
Por otra parte, podemos resumir la actividad cientı́fica como la descrip-
ción y comprensión, del cómo y por qué las cosas cambian. Si coincidimos
con Galileo cuando afirma que el libro del Universo está escrito en el lenguaje
de las matemáticas, entonces esta disciplina debe tener mucho que decir
sobre el movimiento. De hecho lo tiene y a lo largo de ya varios siglos se
ha conformado el campo de los sistemas dinámicos como un esfuerzo por
entender matemáticamente el movimiento.
El propósito de estas notas es proporcionar una visión panorámica de
esta parte de las matemáticas. Hay que tener en mente que cada uno
i i
i i
i i
2 Pablo Padilla
de los temas tratados podrı́an muy bien constituir un curso completo. Sin
embargo, el objetivo de este trabajo es el mismo que el del curso intro-
ductorio para el cual fueron escritas: proporcionar una serie de conceptos
básicos para que tanto estudiantes de biologı́a como de matemáticas, fı́sica,
etc., pudieran tener un lenguage común y que les permita familiarizarse con
algunas aplicaciones más concretas de la modelación en biologı́a. En tales
aplicaciones debemos tener presente que si decimos movimiento, nos referi-
mos a él de una manera muy amplia, tal como detallaremos más adelante.
Si bien es cierto que históricamente los sistemas dinámicos surgen de ma-
nera natural al tratar de explicar el movimiento, tanto de los astros como el
de cualquier otro cuerpo, también es cierto que con el tiempo estas ideas han
sido ampliadas y aplicadas en una gran variedad de sistemas, no sólo de ori-
gen fı́sico, sino también biológico, económico, quı́mico, etc. Es por eso que
comenzamos estas notas con una discusión general de qué es lo que enten-
demos por un sistema dinámico en matemáticas. Esto es necesario además
por otra razón, comprender que los sistemas dinámicos no se circunscriben
a disciplinas especı́ficas, sino aparecen siempre que matemáticamente se
describa algún cambio. Para ello, es necesario especificar qué es lo que cam-
bia, en dónde cambia y cómo cambia. Dependiendo de las particularidades
del sistema, las herramientas matemáticas adecuadas pueden ser muy di-
versas: ecuaciones diferenciales, ya sea ordinarias, parciales o estocásticas;
autómatas celulares, mapeos acoplados, etc. Es por eso que después de
proporcionar una serie de ejemplos de sistemas dinámicos que surgen en
la naturaleza y especialmente en biologı́a y de cómo pueden ser mode-
lados matemáticamente, proporcionamos una clasificación de los sistemas
dinámicos, con lo que concluimos la primera parte de las notas.
En la segunda parte utilizamos los ejemplos anteriores para ilustrar los
conceptos fundamentales de la llamada teorı́a cualitativa. Es este un lugar
adecuado para mencionar que en muchas ocasiones, la utilidad de los sis-
temas dinámicos en las aplicaciones depende de la posibilidad de contestar a
preguntas muy concretas sobre su equilibrio, estabilidad ante cierto tipo de
perturbaciones, bifurcación, etc., más que a la capacidad de resolver de ma-
nera exacta tal o cual ecuación. Por ejemplo, si se estudia el comportamiento
de una población de peces y su interacción con un depredador natural, ası́
como el efecto de la pesca, es importante determinar en qué circunstancias
dicha población no desaparecerá, cuáles son los lı́mites de pesca permiti-
i i
i i
i i
Sistemas dinámicos 3
1. Introducción.
2. Teorı́a cualitativa.
- Equilibrio.
- Estabilidad.
- Bifurcación.
- Conjuntos invariantes.
3. Conclusiones.
- Sugerencias bibliográficas.
i i
i i
i i
4 Pablo Padilla
1
Puede darse el caso de que el estado del sistema no pueda caracterizarse de manera
precisa, es decir, que exista cierta ambigüedad en su estado. Estos sistemas dinámicos
son de gran importancia, pero en un primer acercamiento al tema, hemos preferido no
hacer mayor referencia a ellos.
i i
i i
i i
Sistemas dinámicos 5
* Variable de estado.
* Espacio fase.
* Ley de evolución.
i i
i i
i i
6 Pablo Padilla
ẍ = −x, (1.1)
i i
i i
i i
Sistemas dinámicos 7
1 2 1 2
ẋ + x = E,
2 2
en donde E es una constante de integración positiva. Más precisamente,
si multiplicamos la ecuación (1.1) por ẋ, notemos que podemos escribirla
como
ẋ(ẍ + x) = 0,
o
d 1 2 1 2
( ẋ + x ) = 0.
dt 2 2
Es decir, que la derivada de la cantidad entre paréntesis es cero y por lo
tanto una constante. Esta cantidad es precisamente la energı́a y el hecho de
que no cambie con el tiempo quiere decir que se conserva. Sin embargo, para
nuestros propósitos es más importante notar que esta relación nos permite
expresar a ẋ en términos de x y graficar los posibles comportamientos para
diferentes energı́as (figura 1-2).
i i
i i
i i
8 Pablo Padilla
Sin necesidad de escribir las ecuaciones, podemos ver que existen di-
versos casos, dependiendo de la forma de la gráfica en una región, o más
precisamente, del signo de su derivada (figura 1-4).
i i
i i
i i
Sistemas dinámicos 9
5 10 15 20
-1
i i
i i
i i
10 Pablo Padilla
pk = ppk+1 + qpk−1 .
p0 = 1, pN = 0,
1 − ( pq )B
P (A, B) = , p 6= q,
1 − ( pq )A+B
B
P (A, B) = , p = q.
A+B
En particular, si suponemos que B es muy grande en comparación a A,
es decir, el casino cuenta con un gran capital, las expresiones anteriores se
reducen a
P (A, ∞) = 1, p ≤ q
y
q
P (A, ∞) = ( )A , p > q.
p
2
Deducimos esta ecuación con detalle en las notas “Emergencia y formación de patrones
en biologı́a: un enfoque matemático”, de Pablo Padilla y Faustino Sánchez, de este mismo
volumen.
i i
i i
i i
Sistemas dinámicos 11
Nt = α(Nt )Nt ,
i i
i i
i i
12 Pablo Padilla
N0 = 1 (1.2)
N1 = 2 (1.3)
N2 = 4 (1.4)
N3 = 8 (1.5)
... (1.6)
Nt+1 = αNt ,
Nt+1 = αt N0 .
i i
i i
i i
Sistemas dinámicos 13
i i
i i
i i
14 Pablo Padilla
1. Una subregión enferma permanece como tal durante dos periodos y des-
pués sana.
3. Una región sana permance ası́ durante el siguiente periodo si está rodeada
de al menos tres subregiones sanas, de otra forma, es decir, si está en
contacto con dos o más subregiones enfermas o transmisoras, enferma
el siguiente periodo.
i i
i i
i i
Sistemas dinámicos 15
Flujos
Tomemos otro ejemplo de un sistema dinámico, la superficie de un rı́o.
Podemos representar la velocidad de cada partı́cula en cada punto
con una flecha, que nos indique la dirección y rapidez con la que se está
moviendo. Usando notación vectorial, la velocidad v está dada por
f (x, y)
.
g(x, y)
y su velocidad por
ẋ(t)
.
ẏ(t)
El hecho de que la velocidad de cada partı́cula en cada punto coincida con
la flecha que le corresponde puede expresarse entonces como
ẋ(t) f (x(t), y(t))
= ,
ẏ(t) g(x(t), y(t))
i i
i i
i i
16 Pablo Padilla
1.1.4 Clasificación
Como todas las clasificaciones, la que proponemos a continuación tiene se-
rias limitaciones y con ella sólo pretendemos dar una guı́a al lector de la
gran variedad de sistemas dinámicos que pueden surgir. Por otra parte,
recomendamos que se examine cada uno de los ejemplos dados en la sección
anterior a la luz de esta clasificación.
a. De acuerdo al tipo de cantidades que se utilizan para describir la variable
de estado, el espacio fase, etcéterna, podemos dividirlos en
i i
i i
i i
Sistemas dinámicos 17
1.3 Conclusiones
Queremos terminar estas notas recomendando algunas referencias para
quienes estén interesados en profundizar en algunos de los temas que hemos
presentado aquı́. Por supuesto que la bibliografı́a es muy amplia, pero nos
i i
i i
i i
18 Pablo Padilla
3. Biomatemáticas.
i i
i i
i i
2
Morfologı́a, función y
dinámica de los organismos
2.1 Introducción
De cualquier modo en que nos aproximemos a la biologı́a, no podemos evi-
tar preguntarnos qué es la vida y contestar esto de uno u otro modo forma
parte de toda concepción cosmogónica. Es paradójico que aunque sabemos
mucho sobre la vida, en la ciencia tenemos dificultades para definirla estric-
tamente. A pesar de que esa definición se nos escapa, es posible al menos
identificar algunas caracterı́sticas de la vida como sigue: 1. Los seres vivos
son sistemas con una estructura interna dinámicamente estable, esto es,
asimilan energı́a libre, o entropı́a negativa, en un conjunto de procesos fisi-
coquı́micos al que denominamos metabolismo. Esta energı́a mantiene una
estructura morfológica y funcional del organismo en forma autorregulada, y
al conjunto de procesos que mantienen esta estabilidad dinámica se le llama
homeostasis; 2. Los seres vivos son sistemas autorreplicativos y al proceso
de su replicación le llamamos reproducción; 3. Los seres vivos son sistemas
irritables o excitables, esto es, responden en forma activa y especı́fica ante
cambios del medio que les rodea.
i i
i i
i i
20 Luis Medrano
Es común entre los biólogos pensar que los organismos son el resul-
tado de una serie irrepetible de accidentes, y que por tanto su estudio debe
apuntar escencialmente a un recuento histórico. Aunque pueden recono-
cerse principios generales que gobiernan la evolución biológica, como la
selección natural, su acción comúnmente se concibe en un contexto vari-
able, irrepetible e impredecible. Esta aproximación, que lleva aparejada
una visión estadı́stica y descriptiva de la naturaleza, no permite explicar por
qué los sistemas biológicos evolucionan, cómo lo hacen y cómo se origina su
complejidad. En contra de la idea de que fenómenos complejos requieren de
explicaciones complejas, la fı́sica actual ha mostrado que distintos sistemas,
aun siendo impredecibles, tienen comportamientos similares, independien-
temente de su composición, como resultado de que las formas de interacción
entre sus componentes y de que la interacción del sistema con el medio que
le rodea son las mismas. Sistemas en donde hay asimilación de energı́a li-
bre, como los biológicos, pueden encontrarse en un estado crı́tico en el que
cambios de distintas magnitudes y sentidos son equiprobables, generando
un comportamiento complejo e impredecible pero no aleatorio al que se de-
nomina caos. Los sistemas caóticos tienen propiedades adaptativas, por lo
que se piensa que la evolución biológica opera en estados crı́ticos. Un pro-
ceso de replicación con un factor limitante puede modelarse con la ecuación
Nt+1 = aNt − bNt2 donde N es el número de organismos, t es el tiempo, a es
la tasa intrı́nseca de reproducción y b un factor de densodependencia. Esta
ecuación presenta transición al caos y aparece en la modelación de proce-
sos como la generación de rayos láser y reacciones quı́micas autocatalı́ticas.
Por eso, se piensa que la selección natural no es una caracterı́stica única
de la vida sino una propiedad de todo sistema autorreplicativo alejado del
equilibrio termodinámico. La selección natural lleva a la generación de dis-
continuidades por la especiación y eso es una caracterı́stica fundamental de
la evolución biológica. La distribución de magnitudes de algunos cambios
evolutivos con la forma 1/f α con α ∼ 1, como los eventos de extinción,
sugieren que la evolución biológica transcurre en un estado crı́tico en el que
hay periodos breves de cambios rápidos y drásticos intercalados con periodos
de evolución lenta y continua. A este modo de evolución se le llama salta-
cionismo y su existencia constituye una de las principales controversias en
la biologı́a actual (véase Bak y Paczuski, 1995; Cramer, 1993; Eigen, 1986;
Halley, 1996; Kauffman, 1993; Mayr, 1963; Oparin, 1924; Schuster, 1986).
i i
i i
i i
i i
i i
i i
22 Luis Medrano
i i
i i
i i
i i
i i
i i
24 Luis Medrano
dQ1
= aQ1 (2.1)
dt
dQ2
= bQ2 (2.2)
dt
donde a y b son las constantes intrı́nsecas de cambio. Al integrar se obtiene:
ln Q1 = c1 + at (2.3)
ln Q2 = c2 + bt. (2.4)
Q2 = CQα1 (2.5)
donde C es una constante que depende de las unidades de medida y α = b/a
se denomina exponente alométrico. Si a = b entonces α = 1 y se tiene
una relación de proporcionalidad directa entre Q1 y Q2 que se denomina
isometrı́a. Las magnitudes Q1 y Q2 son variables biológicas cualesquiera,
como el largo de una extremidad, el peso de un órgano, la frecuencia de
pulsación cardiaca, el número de estambres de una flor o la velocidad
de desplazamiento de un animal.
i i
i i
i i
i i
i i
i i
26 Luis Medrano
A ∝ L2 (2.6)
3
V ∝ L (2.7)
1/3
L ∝ V (2.8)
Sustituyendo la ecuación (2.8) en la (2.6) se obtiene:
A ∝ V 2/3 (2.9)
El que el área de la corteza sea proporcional al volumen cerebral significa
que en los cerebros grandes debe acomodarse una corteza para la cual la
superficie externa es insuficiente. El modo en que la naturaleza ha resuelto
este problema es involucionando la corteza en el volumen cerebral de ma-
nera que las marcadas convoluciones en los cerebros de animales, como los
humanos, los elefantes o los delfines, no constituyen una prueba anatómica
de una inteligencia superior, como pregonan algunos vulgarizadores de la
ciencia, sino que estas convoluciones reflejan la operación de restricciones
geométricas en el desarrollo. Por qué un animal tiene un cerebro de un
tamaño dado, depende del tamaño de su cabeza. A su vez, esta magnitud
depende del tamaño corporal, el que a su vez, es consecuencia del modo de
vida del animal (véase Mandelbrot, 1982). Porque resume muchas relaciones
alométricas, una variable de uso muy común es el tamaño corporal, al que
se mide usualmente con la masa. Otra variable, que tiene mucho interés
en la fisiologı́a y la ecologı́a, es la tasa metabólica, que se define como la
cantidad de energı́a consumida por el organismo por unidad de tiempo. La
tasa metabólica puede medirse como energı́a asimilada, energı́a disipada en
forma de calor o, en el caso de organismos aerobios, volumen de oxı́geno
asimilado. En el caso de organismos con temperatura regulada, la tasa
metabólica es proporcional a la cantidad de calor que se pierde y a su vez,
eso es proporcional al área corporal. En forma similar a la ecuación (2.9),
la relación predicha entre la tasa metabólica (M ) y la masa corporal (m)
por la llamada regla de Rubner, o ley de la superficie, es:
i i
i i
i i
M = Cm2/3 (2.10)
Como la tasa metabólica absoluta depende del tamaño del organismo,
la relación alométrica se describe mejor con la tasa metabólica relativa (η),
que es la tasa metabólica por unidad de masa, esto es:
i i
i i
i i
28 Luis Medrano
enzima fija en partı́culas de gel, por ejemplo. El tanque está perfundido, ha-
biendo el ingreso de sustratos (S) en solución y la obtención de un producto
(P ) que resulta de la reacción del sustrato con el catalizador. El volumen re-
activo del tanque es constante y por tanto el volumen de sustrato se ingresa
con una velocidad constante igual a la velocidad de obtención del volumen
del producto. Un proceso de mezclado mantiene a las partı́culas con el
catalizador suspendidas y con una distribución uniforme en el volumen de
reacción (Figura 2-2).
i i
i i
i i
i i
i i
i i
30 Luis Medrano
i i
i i
i i
ke = U/(Vcat )α (2.17)
en donde α < 1. De las ecuaciones (2.16) y (2.17) se obtiene:
i i
i i
i i
32 Luis Medrano
i i
i i
i i
i i
i i
i i
34 Luis Medrano
como una función compleja de varias escalas (Li ). El área A, por ejemplo,
se puede determinar como sigue:
i i
i i
i i
y en el caso de la longitud:
a ∝ ν (2+)/(3+γ) (2.28)
i i
i i
i i
36 Luis Medrano
Figura 2-3: Izquierda: Corte transversal de la piel de una tonina (Tursiops trun-
catus). Nótese el plegamiento de la membrana basal que separa la dermis de la
epidermis. Derecha: Corte sagital de la piel de la orca (Orcinus orca). Fotos: A.
Pérez y N. Corado (Corado Nava, 1996).
i i
i i
i i
Agradecimientos
Agradezco a quienes concibieron y organizaron la I Escuela de Otoño en Bio-
logı́a Matemática por incluirme en este esfuerzo, a los compañeros profesores
y estudiantes de la escuela y al Grupo de Biomatemáticas de la Facultad de
Ciencias de la UNAM por las experiencias compartidas, a Pedro Miramontes
y Germinal Cocho por iniciarme y mantenerme en este campo a pesar de
mi indisciplina y a los editores de estas memorias, Lourdes Esteva y Manuel
Falconi, por su gran paciencia y ayuda en la realización de este trabajo.
Bibliografı́a
i i
i i
i i
38 Luis Medrano
i i
i i
i i
[23] Weibel E.R. 1991. Fractal geometry: a design principle for living
organisms. Lung Cell and Molecular Physiology 5: L361-L369.
[24] West G.B., Brown J.H. y Enquist B.J. 1999. The fourth dimension
of life: fractal geometry and allometric scaling of organisms. Science
284: 1677-1679.
i i
i i
i i
i i
i i
i i
3
Las leyes de Mendel y la ley
del equilibrio génico de
Hardy-Weinberg
Resumen
i i
i i
i i
3.1 Introducción
i i
i i
i i
i i
i i
i i
3.2 Mendel
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
Expresión Expresión
Rasgo
dominante recesiva
Textura de la semilla madura Lisa Rugosa
Color del albumen de la semilla Amarillo Verde
Color de la corteza de la semilla Gris Blanca
Forma de la vaina madura Inflada Apachurrada
Color de las vainas inmaduras Verde Amarillo
Posición de las flores Axial Terminal
Longitud del tallo Alta Enana
i i
i i
i i
i i
i i
i i
Primera
i i
i i
i i
46
Figura 3-7: Meiosis en seres humanos: cada gameto lleva 2 = 23 cromosomas.
Segunda
P (M N ) = P (M ) P (N ) (3.1)
M: El fruto es verde
N: El fruto es liso
1 3
P (M ) = , P (N ) =
4 4
i i
i i
i i
3.3 Hardy-Weinberg
Luego de la publicación de On the Origin of the Species, seguidores de
Charles Darwin como Francis Galton y Karl Pearson se empeñan en justi-
ficar las tesis del naturalista del Beagle sobre el mecanismo de la herencia.
Desarrollan extensamente la estadı́stica para aplicarla al estudio de ca-
racteres morfométricos y establecen correlaciones entre padres e hijos en
i i
i i
i i
i i
i i
i i
i i
i i
i i
Figura 3-10: En el mundo no cabe una matemática fea, no hay lugar para ella.
Geoffrey Harold Hardy (circa 1908).
P (A) = p + q
P (a) = q + r
(p + q)2 = p (p + 2q + r) ,
2(p + q)(q + r) = 2q (p + 2q + r) ,
(q + r)2 = r (p + 2q + r) ;
i i
i i
i i
i i
i i
i i
3.3.3 La adaptabilidad
Consideremos enseguida una aplicación del principio de Hardy-Weinberg al
análisis del cambio en las frecuencias de dos alelos con probabilidad de so-
brevivencia diferente; éste es el caso si algún cambio en el medio influye
en la población hasta el punto de mermar, generación tras generación,
la presencia de un genotipo particular de manera que, en el largo plazo,
la proporción entre dominantes y recesivos cambia notablemente.
Supongamos una población grande en la cual los apareamientos son
aleatorios y cuyas generaciones no se traslapan. Consideremos dos formas
alélicas: A, la dominante y a, la recesiva. Sean
i i
i i
i i
AA Aa aa
p2n 2pn (1 − pn ) (1 − pn )2
AA Aa aa
(3.3)
Sp2n 2Spn (1 − pn ) S (1 − k) (1 − pn )2
AA Aa aa
− pn )2
Su2n (1 2Sun (1 − pn )2 S (1 − k) (1 − pn )2
y, por consiguiente:
Su2n + Sun
un+1 =
Sun + S (1 − k)
i i
i i
i i
un (un + 1)
un+1 = (3.4)
un + 1 − k
u (u + 1) k (1 − k)
f (u) = =u+k− ,0 ≤ k ≤ 1
u+1−k u+1−k
k = .01 k = .01 k = .1 k = .1
n
un ≈ pn ≈ un ≈ pn ≈
10 .001 .001 .003 .003
100 .003 .003 3 .7224
1000 2 .6973 89 .9889
10000 87 .9889 987 .9990
50000 487 .9980 4985 .9997
100000 986 .9990 9985 .9999
i i
i i
i i
dun kun
= un+1 − un =
dn un + 1 − k
que es una ecuación de variables separables en donde, además, el denomi-
nador puede reescribirse sin remordimientos (dada la pequeñez de k) como
un + 1; y hay que resolver la ecuación
dun kun
= (3.6)
dn un + 1
de donde: Z n Z n
ut + 1
dut = k dt
0 ut 0
y
un
kn = [ut + ln ut ]n0 = un − u0 + ln (3.7)
u0
La ecuación (3.7) permite calcular el número de generaciones que de-
berán transcurrir para que un o pn tomen un valor determinado. Véase la
tabla 3.4: en ella, k = 0.01; compárense sus valores con los de la tabla 3.3.
Por consiguiente, un gen dominante inicialmente raro (p0 = 1%) tar-
dará casi 100, 000 generaciones en incrementarse del 90% al 99% y esta
lentitud para la eliminación final del gen recesivo se debe a su presencia en
los heterozigotos, sobre los cuales no actúa la selección. Este razonamiento,
incluso, puede sugerir que tal vez no todo en el proceso evolutivo puede ser
atribuido a la selección natural pues no explica, por ejemplo, cómo pueden
acumularse tantos cambios para originar, en un solo árbol filogenético, seres
tan extraordinariamente distintos como el percebes y el hipocampo. Pero
esto es parte de una discusión que excede los alcances de este ensayo y al
que me he referido en otro lado [7].
i i
i i
i i
pn un ≈ kn n
0.001 0.001 0 0
0.01 0.01 2.312 231
0.1 0.111 4.82 482
0.5 1.0 7.91 791
0.9 9 18.11 1811
0.99 99 110.52 11052
0.999 999 1012.83 101283
i i
i i
i i
Bibliografı́a
[1] Aldama Garisoáin, Alberto (1989). El equilibrio de Hardy–Weinberg
para los loci de varios alelos. Tesis de Licenciatura en Matemáticas.
México, Facultad de Ciencias, UNAM.
i i
i i
i i
[7] Gutiérrez Sánchez, José Luis y Pedro Miramontes (2001). “El origen
de las formas vivas: de Geoffroy Saint-Hilaire a D’Arcy Thompson”, en
Clásicos de la biologı́a matemática. México, Siglo XXI, CIICH, UNAM
(en prensa).
[11] http://bioag.byu.edu/zoology/zool610/index.htm
[15] Maynard Smith, John (1998). Evolutionary Genetics. Nueva York. Ox-
ford University Press.
i i
i i
i i
4
Ecuaciones diferenciales y
sus aplicaciones a la
dinámica de poblaciones
4.1 Introducción
En estas notas se proporciona al lector una breve introducción a las
ecuaciones diferenciales y sus aplicaciones a la demografı́a y la dinámica
poblacional. Las notas son escuetas pero basadas en la experiencia de
clase del autor a lo largo de varios años. Cada una de las secciones que
componen esta obra se han distribuido en forma de copias fotostáticas en
cursos de modelos matemáticos, ecuaciones diferenciales y temas selectos
de matemáticas aplicadas a estudiantes de matemáticas y biociencias en la
UAM-Iztapalapa. Espero que estas notas proporcionen un panorama útil
para aquel estudiante interesado en los tópicos discutidos. Se comienza con
una revisión general de las ecuaciones en diferencias con aplicaciones a la
biologı́a de poblaciones y una muy breve discusión de la ecuación logı́stica
discreta, sus bifurcaciones y la aparición de caos. Después, en la siguiente
i i
i i
i i
68 Jorge Velasco
i i
i i
i i
i i
i i
i i
70 Jorge Velasco
a=-1.1
a=-0.7
Definición 4.2
o, equivalentemente, si
i i
i i
i i
a a
yn = (−b)n (y0 − )+ .
b+1 b+1
i i
i i
i i
72 Jorge Velasco
Ejemplo 4.2 Volvamos ahora a nuestra ecuación original (4.1). Una vez
más olvidémonos por el momento de la motivación biológica que le dio lugar
y tratémosla como un objeto matemático. Más adelante en este capı́tulo
justificaremos estos olvidos y ejemplificaremos su utilidad en el análisis de
fenómenos biológicos.
Dicho esto considérese (4.1) con a un número real arbitrario. Dividamos
el intervalo unitario [0, 1] en k segmentos iguales de longitud ∆ > 0. Con-
sidérese la siguiente ecuación en diferencias:
i i
i i
i i
2
− < b < 0. (4.6)
∆
Para b fuera de este intervalo (4.5) es inestable. Reescribiendo (4.5) como
xn+∆ − xn
= bxn
∆
x(0) = x0 ,
tiene la solución
x(t) = x0 ebt .
i i
i i
i i
74 Jorge Velasco
0.25
0.2
0.15
0.1
0.05
2 4 6 8 10
i i
i i
i i
Lema 4.1 Sean x1n y x2n dos soluciones distintas de (4.9). Entonces yn =
x1n + x2n y zn = axjn , j = 1, 2 son también soluciones de (4.9).
r2 − r − 1 = 0,
i i
i i
i i
76 Jorge Velasco
Rn = Ar1n + Br2n ,
yn = x n − x ∗
i i
i i
i i
Lo que el Teorema (5.1) nos está diciendo es que, alrededor de sus puntos
de equilibrio, una ecuación en diferencias no lineal se comporta como la
ecuación lineal (4.1).
i i
i i
i i
78 Jorge Velasco
i i
i i
i i
Ejemplo 4.4 Los 2-ciclos de la ecuación logı́stica están dados por los pun-
tos fijos de F 2 , es decir, son soluciones de
r2 x2 − r(r + 1)x + r + 1 = 0,
∗ 1 p
N3,4 = {(1 + r) ± (r − 3)(r + 1)}.
2r
Inspeccionando el discriminante de la expresión anterior, vemos que para
r ≤ 3 no existen puntos de periodo 2 pero sı́ los hay para r > 3. Más aún,
aplicando el criterio del teorema 2, es posible ver que el 2-ciclo definido por
los puntos de periodo 2 es un atractor si y solamente si
3 < r < 1 + 6.
i i
i i
i i
80 Jorge Velasco
1. Considera la ecuación
1
xn+1 = xn (1 + 4xn − x2n ).
4
(a) Calcula sus puntos de equilibrio.
(b) Examina la estabilidad de cada punto de equilibrio.
i i
i i
i i
3. Considera la ecuación
i i
i i
i i
82 Jorge Velasco
i i
i i
i i
Ne = aNt Pt
µ2 e−µ µn e−µ
e−µ , µe−µ , , ..., ,
2! n!
respectivamente, donde µ = Ne /Nt . La probabilidad de no ser descubierto
está dada entonces por el término e−µ , y en consecuencia, la probabilidad
de ser encontrado es
1 − exp(−Ne /Nt ).
Del razonamiento anterior es fácil ver entonces que el número total de hos-
pederos atacados Na está dado por la expresión:
i i
i i
i i
84 Jorge Velasco
∂F (v) ∂F (v)
F (v + h) = F (v) + h1 + h2 + O(|h|2 ),
∂x ∂y
ξn = x n − x ∗ y ηn = yn − y ∗ ,
obteniendo de (4.21)
i i
i i
i i
con
a b
z = (ξ, η), A =
c d
y donde
∂f (x∗ , y ∗ ) ∂f (x∗ , y ∗ )
a = , b= ,
∂x ∂y
∂g(x∗ , y ∗ ) ∂g(x∗ , y ∗ )
c = , d= .
∂x ∂y
El sistema (4.22) es un sistema de dos ecuaciones lineales en diferencias
de primer orden.
Obviamente, de manera análoga a lo que se hizo con la ecuación (4.1)
podemos iterar sucesivamente (4.22) para obtener la solución
z n = An z 0 ,
(A − λI)u = 0,
det(A − λI) = 0,
i i
i i
i i
86 Jorge Velasco
i i
i i
i i
1 dN (t)
= F (N (t)) (4.23)
N dt
en la cual la función de crecimiento depende únicamente de la densidad
poblacional N . Sea f (N ) = N F (N ). La ecuación (4.23) será nuestro mo-
delo inicial sobre el que realizaremos un somero análisis cualitativo. Si el
lector graficara f podrı́a obtener, por ejemplo, una parábola cóncava hacia
abajo y con raı́ces E = 0, I = 1. La región entre los puntos E = 0 e I = 1
corresponderá al intervalo de valores de N en donde f es positiva y, por
consiguiente, representa crecimiento poblacional. La región a la derecha del
punto I es donde f es negativa, es decir, aquı́ la población decrece. Obvi-
amente en los puntos E e I, intersecciones de f con el eje de las abscisas,
representan lugares donde f = 0. Estos puntos especiales se denominan
puntos de equilibrio y constituyen la formalización matemática del concepto
de estabilidad ecológica.
La estabilidad ecológica ha sido el sujeto de amplios debates. Este
concepto va inextricablemente ligado al de complejidad. ¿Son los sitemas
ecológicos complejos más o menos estables que los más simples?, ¿cómo se
define y mide la complejidad de una comunidad?, ¿cómo se define y mide su
estabilidad? Estas preguntas y muchas otras que de ellas surgen al inten-
tar contestarlas son, en cierto modo, los problemas centrales de la ecologı́a
i i
i i
i i
88 Jorge Velasco
i i
i i
i i
f = entradas − salidas.
i i
i i
i i
90 Jorge Velasco
0.8
D(N)
0.6 B(N)
0.4
0.2
N
1 2 3 4 5
i i
i i
i i
i i
i i
i i
92 Jorge Velasco
i i
i i
i i
Esta ecuación tiene en general dos puntos de equilibrio además del punto
N = 0 (vé ase figura 4-5) cuando h <max N f (N ). El menor de ellos
es inestable y el mayor es estable, de hecho es localmente asintóticamente
estable. La tasa máxima de crecimiento en ausencia de explotación ocurre
cuando la densidad N tiene el valor
Nmrs = maxN N f (N ) = K/2,
y, por lo tanto, es conveniente cosechar la población exactamente a la misma
tasa. De esta forma dN/dt = 0, la población se mantendrá en equilibrio con
la tasa de crecimiento máxima posible. Esta tasa está dada por
hmrs = Kf (K/2)/2 = rK/4
Este valor de h que permite una explotación sostenible se denomina la
explotación de máximo rendimiento sostenible (mrs).
0.5
0.4
0.3
0.2
0.1
i i
i i
i i
94 Jorge Velasco
i i
i i
i i
0.5
0.4
0.3
0.2
0.1
4.4 Epı́logo
Con esto se concluyen estas notas. Espero que sean de utilidad al lector,
a quien le agradeceré me haga llegar sus comentarios, crı́ticas y preguntas
sobre los temas expuestos.
Bibliografı́a
[1] D. Brown y P. Rothery (1993). Models in Biology: Mathematics, Statis-
tics and Computing. John Wiley, Chichester.
[3] J.L. Gutierrez y F. Sanchez (1998). Matemáticas para las ciencias na-
turales, Sociedad Matemática Mexicana, México.
i i
i i
i i
i i
i i
i i
5
Ecuaciones diferenciales
y epidemiologı́a
Lourdes Esteva
Departamento de Matemáticas
Facultad de Ciencias, UNAM
lesteva@servidor.unam.mx
5.1 Introducción
El estudio de las epidemias se remonta a tiempos muy antiguos. A lo largo
de la historia del hombre ha habido una gran variedad de explicaciones y
propuestas para entender la causa y propagación de los brotes epidémicos.
Desde aquellas que los consideran castigo divino, hasta las actuales, en las
que se sabe que se deben a la presencia de bacterias, virus y otros patógenos
en el organismo.
Las enfermedades infecciosas siguen siendo un problema importante. La
epidemia del SIDA, los brotes de enfermedades nuevas, como el ébola y el
SARS, la reemergencia de enfermedades como la tuberculosis son eventos
que conciernen a muchas personas. La malaria, dengue, cólera, esquistoso-
miasis son endémicas (permanecen todo el tiempo) en muchas regiones del
mundo y afectan de manera significativa a la población que las padece.
Muchas son las preguntas que son del interés de los responsables de
salud pública cuando se confrontan a un posible brote epidémico. ¿Cuántas
i i
i i
i i
98 Lourdes Esteva
i i
i i
i i
i i
i i
i i
i i
i i
i i
d ȳ(t)
x̄(t) = αbm (N − x̄(t)) − µx̄(t)
dt V
d x̄(t)
ȳ(t) = δb (V − ȳ(t)) − ν ȳ(t). (5.1)
dt N
Dado que las poblaciones son constantes, es más conveniente considerar
x̄ ȳ
las proporciones x = y y = . Por lo tanto, estudiaremos el sistema
N V
equivalente en las variables x y y
d
x(t) = αbmy(t)(1 − x(t)) − µx(t)
dt
d
y(t) = δbx(t)(1 − y(t)) − νy(t). (5.2)
dt
en el cuadrado
D = {(x, y) | 0 ≤ x, y ≤ 1}.
i i
i i
i i
i i
i i
i i
S I
Como en el modelo anterior tomamos proporciones s = , i = ,
N N
E R
e= y r = . En términos de las proporciones el modelo está dado por
N N
el siguiente sistema de cuaciones diferenciales:
d
s(t) = µ − βs(t)i(t) − µs
dt
d
e(t) = βs(t)i(t) − (σ + µ)e(t) (5.3)
dt
d
i(t) = σe(t) − (γ + µ)i(t)
dt
d
r(t) = γi(t) − µr(t)
dt
i i
i i
i i
i i
i i
i i
d
x̄ = F (t, x̄) (5.5)
dt
Observemos que en los modelos (5.2) y (5.3) F es una función sólo de x̄. A
este tipo de sistemas se les llama autónomos y se escriben como
d
x̄ = F (x̄). (5.6)
dt
Un caso particular de este tipo de sistemas es el sistema lineal con coe-
ficientes constantes
d
x̄ = Ax̄ (5.7)
dt
donde A es una matriz constante de n × n.
Para resolver este sistema, escribimos la solución en la forma x̄(t) = v̄eλt
donde v̄ es un vector constante y λ un número. Al sustituir en la ecuación
(5.7) y eliminando el factor eλt obtenemos la ecuación de los valores propios
de la matriz A
Av̄ = λv̄
Si λ es un valor propio de A y v̄ un vector propio correspondiente al mismo,
v̄eλt es una solución de (5.7).
Primer caso. A tiene n vectores propios linealmente independientes (reales
o complejos) v̄1 , ..., v̄n correspondientes a los valores propios λ1 , λ2 , ..., λn .
Obtenemos exactamente n soluciones linealmente independientes del tipo
v̄j eλj t y toda solución se expresa de manera única como combinación lineal
de éstas. En caso de que algún λj sea complejo, digamos λj = αj + iβj
entonces su conjugado es también valor propio con vector propio v̄j , y la
parte real e imaginaria de v̄j eλj t son soluciones reales del sistema (5.7).
i i
i i
i i
i i
i i
i i
i i
i i
i i
∂fi
Definición 5.1 El sistema (5.6) es cooperativo si ≥ 0, i 6= j.
∂xj
i i
i i
i i
dado que las soluciones de una ecuación diferencial en dimensión uno diver-
gen o tienden a un punto de equilibrio, se tiene el siguiente resultado.
i i
i i
i i
i i
i i
i i
El lector puede comprobar que las dos raı́ces de (5.9) tienen parte real
negativa cuando S0 < 1, y en caso S0 > 1, existirá una raı́z con parte
real positiva. De acuerdo al teorema 5.2, el punto de equilibrio P0 es lo-
calmente asintóticamente estable para S0 < 1 e inestable para S0 > 1. Se
puede comprobar que en el último caso, las soluciones del sistema (5.2) se
alejan de P0 . Por lo tanto para S0 > 1 las soluciones tienden al equilibrio
P1 . Se deja como ejercicio al lector que compruebe que para S0 > 1, P1 es
asintóticamente estable.
El número reproductivo básico de una enfermedad, denotado por R0 , se
define como el número promedio de infecciones secundarias causadas por
un infeccioso durante su periodo de infectividad en una comunidad donde
todos son susceptibles.
R0 es el parámetro más importante en epidemiologı́a, ya que a través
de él se puede conocer el desarrollo de la enfermedad. Entonces, si R0 < 1,
en promedio se produce menos de un caso infeccioso en una comunidad
i i
i i
i i
νµN
Vc =
αδb2
i i
i i
i i
0.8 Ro=.94
dx/dt=0
0.4
dy/dt=0
0.2
0
0 0.2 0.4 0.6
Prop. de humanos infectados, x
0.8 Ro=3.87
Prop. de mosquitos infectados,y
0.6
0.4 dy/dt=0
0.2
0
0 0.2 0.4 0.6
Prop. de humanos infectados,x
i i
i i
i i
Tomando
1 0 0
H = 0 −1 0
0 0 1
se puede comprobar que el sistema (5.3) es competitivo con respecto al cono
K = {(s, e, i) |s ≥ 0, e ≤ 0, i ≥ 0}.
Por lo tanto, de acuerdo al teorema 5.4, las soluciones del sistema (5.3)
tienden a puntos de equilibrio o a soluciones periódicas. Los puntos de
equilibrio corresponden a la solución del sistema
0 = µ − µs − βsi
0 = βsi − (σ + µ)e
0 = σe − (γ + µ)i.
1 (γ + µ)i∗ µσ(R0 − 1)
s∗ = , e∗ = , i∗ =
R0 σ (σ + µ)(γ + µ)R0
i i
i i
i i
y
βσ
R0 = .
(σ + µ)(γ + µ)
Observemos que el equilibrio endémico E1 tiene sentido biológico (esto es,
está en D1 ) si y sólo si R0 > 1.
R0 es el número reproductivo básico para el modelo SEIR. Para compro-
barlo, veamos que un infeccioso que se introduce en una comunidad donde
β
todos son susceptibles infecta a individuos durante su periodo infec-
γ+µ
σ
cioso. De estos nuevos infectados, una fracción sobreviven el periodo
σ+µ
de latencia y se convierten en nuevos infecciosos. El producto de estas dos
cantidades es R0 , esto es, el número promedio de infecciosos secundarios.
Para determinar la estabilidad del punto de equilibrio E0 , calculamos
los valores propios de DF (E0 ). Estos son µ y las raı́ces de la ecuación de
grado dos:
λ2 + (σ + µ + γ + µ)λ + (σ + µ)(γ + µ) − βσ = 0.
Dejamos al lector comprobar que las raı́ces de esta ecuación tienen parte
real negativa si y sólo si R0 < 1. En caso contrario, habrá una raı́z con
parte real positiva. Por lo tanto, si R0 < 1, el punto de equilibrio E0 es
asintóticamente estable, y para R0 > 1 es inestable. En este último caso
emerge el equilibrio endémico E1 en la región D1 . Es de esperarse que este
equilibrio sea estable para R0 > 1. En efecto, la ecuación caracterı́stica de
DF (E1 ) es un polinomio de grado 3:
λ3 + a1 λ2 + a2 λ + a3
donde
a1 = µ + σ + µ + γ
a2 = µ(σ + µ + γ + µ)R0
R0 − 1
a3 = σµβ .
R0
i i
i i
i i
i i
i i
i i
0.5
0.45
0.4
0.35
proporcion de infecciosos
0.3
0.25
0.2
0.15
0.1
0.05
0
0 20 40 60
dias
0.05
0.045
0.04
0.035
proporcion de infectados
0.03
0.025
0.02
0.015
0.01
0.005
0
0 2000 4000 6000 8
dias
i i
i i
i i
L
R0 = 1 + (5.11)
A
i i
i i
i i
i i
i i
i i
Bibliografı́a
[1] R.M. Anderson (ed.) The population Dynamics of Infectious Diseases:
Theory and Applications Chapman y Hall, Londres, 1982.
[2] J. Aron y R. May, The population dynamics of malaria en The population
Dynamics of Infectious Diseases: Theory and Applications, ed. R.M.
Anderson, Chapman y Hall, Londres, 1982, pp. 139-178.
[3] F. Brauer, Basic Ideas of Mathematical Epidemiology, en Mathemati-
cal Approaches for Emerging and Reemerging Infectious Diseases: An
Introduction, eds. C. Castillo-Chávez et al, Springer Verlag, 2002 pp.
31-65.
i i
i i
i i
[9] H.W. Hethcote , Optimal Ages of Vaccination for Measles Math. Bio-
sciences 89: 29-52 (1988).
[14] Y. Li y J.S. Muldowney, Global Stability for the SEIR Model in Epi-
demiology, Mathematical Biosci. 125: 155–164 (1995).
i i
i i
i i
[17] R.A. Ross, The prevention of Malaria, 2a. ed., Murray, Londres, 1911.
i i
i i
i i
6
Emergencia y formación
de patrones en biologı́a:
un enfoque matemático
Resumen
i i
i i
i i
6.1 Introducción
En el libro Sólo cuentos (Just so Stories) de Rudyard Kipling se encuentra
una historia llamada “¿Cómo obtuvo el leopardo sus lunares?”, que muy
bien podrı́a haber sido el tı́tulo de estas notas. No es este el lugar de recordar
en detalle toda la narración, baste decir que el leopardo era originalmente
del color de la arena, lo mismo que su amigo etı́ope, pero que como la
zebra, el antı́lope y la jirafa se mudaron al bosque y adquirieron cada uno
sus respectivos atuendos, se confundı́an con los troncos y las sombras y
era difı́cil cazarlos. Por consejo del sabio mandril, tanto el etı́ope como el
leopardo deciden también cambiar su apariencia. El hombre toma un color
negro y finalmente convence al leopardo que se deje pintar unos lunares con
la pintura que le habı́a sobrado.
En cualquier caso, el tı́tulo de la historia de Kipling es lo suficiente-
mente atractivo como para haber sido usado a su vez por J. Murray (véase
[24]), quien le puso ası́ a uno de los capı́tulos de su libro: precisamente
la pregunta mencionada arriba. Y es que la pregunta misma sugiere otras
que de antemano sabemos no tienen respuestas fáciles: ¿cómo y por qué
surgen patrones1 en la naturaleza?, ¿es posible entender la gran compleji-
dad de las formas y estructuras en los seres vivos? En un contexto más
general: ¿cuáles son los mecanismos que hacen posible el surgimiento de las
estructuras espacialmente ordenadas en la naturaleza?
Desde el punto de vista de la biologı́a, es la embriologı́a la subdisci-
plina que estudia el desarrollo del embrión, desde la fertilización hasta el
nacimiento. En un esquema más general, la morfogénesis se ocupa del ori-
gen de las formas y patrones en la naturaleza, sean éstos en los seres vivos
o en la materia inanimada.
Para individuos que nos originamos de la fecundación de un óvulo por
un espermatozoide, la división (por mitosis) del huevo, en dos, cuatro, ocho
y más células idénticas, da lugar a la mórula. Sin embargo, la división no se
efectúa indefinidamente sino que se detiene en algún momento y entonces
las células de la mórula se desplazan a la periferia del huevo, dejando en
el centro una cavidad llena de lı́quido. A este estado del individuo se le
1
Intuitivamente aquı́ por patrón entenderemos cualquier estructura que tenga un orden
espacial. Esta idea se puede formalizar diciendo que un patrón espacial es una estructura
que presenta algún grupo de simetrı́a.
i i
i i
i i
2
En el ensayo [1], preparado por sus sus autores en ocasión de los ciento cincuenta años
del nacimiento del destacado naturalista, se reseñan la vida y la obra de esta prominente
figura cientı́fica.
i i
i i
i i
Los epı́grafes de cada uno de los doce capı́tulos de los que consta
Life’s Other Secret: The New Mathematics of the Living World,
[29] –una de las obras del matemático británico Ian Stewart– son
citas de On Growth and Form. El primer secreto, dice Stewart,
fue develado por Watson y Crick al descubrir la estructura de
la molélula del ADN; el otro, es el que explica cómo emerge el
orden, la estructura y la forma en todas las manifestaciones de
la vida.
i i
i i
i i
i i
i i
i i
i i
i i
i i
∂u ∂2u ∂u
=D 2 −v , (6.1)
∂t ∂x ∂x
donde
(∆x)2
∆x
lim =D y lim (R − L) = v.
∆t,∆x→0 2∆t ∆t,∆x→0 ∆t
i i
i i
i i
Ejercicio 1. Proporcione los detalles del cálculo para obtener (6.1) y ex-
plique por qué ∆x y ∆t no pueden tender arbitrariamente a cero para que se
cumpla la ecuación anterior. ¿Qué interpretación puede dar de este hecho?
Nótese que si R = L = 1/2, el movimiento de la partı́cula es igualmente
probable a la izquierda o a la derecha. Esta situación indica que el medio
es isotrópico y, en ese caso, (6.1) se reduce a la EDP:
∂u ∂2u
= D 2, (6.2)
∂t ∂x
ecuación que fue propuesta por el matemático francés Joseph Louis Fourier
para describir la propagación del calor, razón por la cual a (6.2) se le llama
ecuación del calor.
El razonamiento anterior se puede extender a dimensiones mayores. Por
ejemplo, podrı́amos haber empezado con una caminata aleatoria en el plano,
en el que la partı́cula puede moverse hacia arriba (abajo), hacia la izquierda
(derecha) y hacerlo con probabilidades diferentes o iguales. Procediendo
de manera similar, podemos encontrar la EDP que satisface u(t, x, y), la
probabilidad de encontrar a la partı́cula en el instante t en la posición (x, y).
Por ejemplo, si el medio es isotrópico, se obtiene la EDP:
∂u
= D∇2 u, (6.3)
∂t
donde ∇2 es el operador laplaciano en dos dimensiones, es decir,
∂2u ∂2u
∇2 u = + 2.
∂x2 ∂y
i i
i i
i i
∂ρ
= div (D∇ρ) = D∇2 ρ. (6.4)
∂t
El lector habrá notado que, formalmente, las EDP (6.3) y (6.4) son la
misma. Sin embargo, la primera –de carácter microscópico, pues se re-
fiere a la probabilidad de movimiento de una partı́cula– se dedujo usando
como premisa la isotropı́a del espacio; mientras que la segunda –de carácter
macroscópico, se refiere al movimiento de millones de partı́culas que forman
al volumen sustancia en movimiento– tiene como hipótesis fundamental que
el flujo de la sustancia es en dirección opuesta al gradiente de su concen-
tración. ¿Qué le sugiere al lector esta comparación?
4
La ley de Fick es análoga en este contexto a la ley de Fourier para los procesos de
conducción de calor que fue propuesta unos veinte años antes.
5
Para dimensión uno, el significado de la ley de Fick es: el flujo de la sustancia es de
sitios de alta concentración a sitios de baja concentración.
i i
i i
i i
u̇(t) = f (u, v)
(6.5)
v̇(t) = g(u, v),
donde el punto sobre u y v significa la derivada de estas variables respecto
al tiempo t. La forma explı́cita de f y g depende de la cinética quı́mica
involucrada (reacciones reversibles, irreversibles, paralelas, presencia de
catalizadores, etc.). Ahora bien, dado que incluso en cinéticas relativa-
mente sencillas f y g son funciones no lineales de u y v, entonces el sistema
de EDO (6.5) también lo será. La no linealidad, aunada a la aparición de
parámetros cinéticos propios de las reacciones, hacen que sistemas como
éste sean una fuente importante de riqueza dinámica.
Para los propósitos que interesan, supondremos que el papel de u es el de
favorecer la reacción, es decir, el de un activador; mientras que la presencia
de v retarda la reacción, por lo que es natural referirnos a esta sustancia
como inhibidor.
Si a la dinámica temporal dada por el sistema (6.5), se le añaden los
efectos espaciales producidos por la difusión y ésta la rigen leyes como la
(6.4), tendremos que la dinámica espacio-temporal de u y v queda descrita
por el siguiente sistema de EDP:
∂u
= D1 ∇2 u + f (u, v)
∂t (6.6)
∂v
= D2 ∇2 v + g(u, v),
∂t
que, como lo hemos presentamos en la sección anterior, resulta natural lla-
mar sistema de ecuaciones de reacción-difusión. Las constantes D1 y D2
son los coeficientes de difusión de los respectivos reactivos. Puesto que la
i i
i i
i i
i i
i i
i i
u̇(t) = f (u, v)
(6.7)
v̇(t) = g(u, v),
i i
i i
i i
no toma en cuenta efectos espaciales. Más aún, como veremos más ade-
lante en el análisis, el punto de equilibrio que consideraremos para este
sistema será asintóticamente estable, por lo que serı́a natural esperar que,
a pesar de introducir algunas perturbaciones que no fueran espacialmente
homogéneas, este punto de equilibrio siguiera siendo estable. No deja de ser
sorprendente, como ya lo mencionamos, que el introducir efectos espaciales
de tipo difusivo, tal como en el sistema
∂u
= D1 ∇2 u + f (u, v)
∂t (6.8)
∂v
= D2 ∇2 v + g(u, v),
∂t
vuelvan a este equilibrio espacialmente homogéneo inestable, produciendo
ası́ cambios que conllevan la formación de patrones.
Antes de empezar el análisis del sistema anterior, recordemos que para
completar la formulación matemática del problema es necesario especificar
las condiciones iniciales y de frontera. En cuanto a las condiciones iniciales,
supondremos que
∂u ∂u
∇u · ~n ≡ = ∇v · ~n ≡ = 0, ∀ (x, y) ∈ ∂Ω y ∀ t ≥ 0.
∂n ∂n
Aquı́ ~n denota el vector normal exterior a ∂Ω.
Siguiendo la segunda cita de Turing, consideremos el sistema homogéneo,
es decir, el que se obtiene de hacer D1 = D2 = 0 en (6.8) y supongamos que
el sistema resultante tiene un punto de equilibrio,6 (u∗ , v ∗ ), en el espacio
de las concentraciones i.e., que ambos u∗ y v ∗ son positivos y satisfacen
f (u∗ , v ∗ ) = g(u∗ , v ∗ ) = 0. El sistema lineal de EDO que aproxima a (6.7)
6
Un estado homogéneo, en palabras de Turing.
i i
i i
i i
i i
i i
i i
∂u
= D1 ∇2 u + J11 u + J12 v
∂t (6.11)
∂v
= D2 ∇2 v + J21 u + J22 v.
∂t
El análisis de la estabilidad del punto de equilibrio es más elaborado que
en el caso anterior. Por ello, nuestro estudio será detallado... el caso lo
amerita.
i i
i i
i i
cabo por separado, para cada uno de estos términos. Más precisamente,
puede demostrarse que si el punto de equilibrio es inestable para uno de
estos modos, también lo es para la solución completa (la que proviene
de la combinación lineal). Por lo que, sin pérdida de generalidad, lo haremos
para una sola onda plana. En este caso, supondremos que
~ ~
u(~r, t) = w1 eλt−ik·~r y v(~r, t) = w2 eλt−ik·~r ,
ii ∆(k 2 ) > 0.
i i
i i
i i
p
2 2 (D1 J22 + D2 J11 ) ± (D1 J22 + D2 J11 )2 − 4D1 D2 det J
k = k1,2 = .
2D1 D2
Ahora, k12 = k22 si y sólo si (D1 J22 + D2 J11 )2 − 4D1 D2 det J = 0, por lo que
esto nos da un valor crı́tico (parámetro de bifurcación) para k 2 . Éste es:
pero como (J11 + J22 ) < 0 entonces esto obliga a que J11 y J22 tengan signos
opuestos: de hecho a que J11 > 0 y J22 < 0 y a que la razón, D2 /D1 , entre
los coeficientes de difusión sea mayor que uno. Más aún, la condición
i i
i i
i i
√
D2 det J − J21 J12 ± 2 −J21 J12 det J
≡ βcrit = 2 . (6.15)
D1 crit J11
i i
i i
i i
3 D1 gv + D2 fu > 0 y
p
4 D1 gv + D2 fu > 2 D1 D2 (fu gv − fv gu ).
i i
i i
i i
ya sea él solo o junto con otros está en la base del movimiento de muchos
individuos. Se trata de la quimiotaxis, la cual, aunada a la difusión y a la
reacción –fundamento de la propuesta turingiana–, constituye otro más de
los mecanismos que han sido propuestos para la explicar la formación de pa-
trones biológicos. Empezamos presentando, a través de un sistema biológico
particular, las bases fenomenológicas de la quimiotaxis para después deducir
el modelo matemático correspondiente. Esta sección la terminamos presen-
tando algunos ejemplos ilustrativos.
i i
i i
i i
i i
i i
i i
i i
i i
i i
lugares con mayor luz y humedad. Una vez que este movimiento cesa, el
cuerpo baboso inicia una serie de transformaciones que culminan en la for-
mación de una especie de tallo muy delgado coronado por una suerte de
bola. El primero está compuesto por células muertas; mientras que el se-
gundo contiene esporas. Si una de éstas se coloca en un medio favorable
germinará repitiéndose, de esta manera, el ciclo de la Dictyostelium. Véase
la figura 6-4.
De las razones por las cuales la Dictyostelium ha sido (y lo continúa
siendo) un sistema sobre el que se han hecho múltiples estudios, destacan:
1. La morfogénesis. Durante su ciclo ocurren una serie de procesos
(agregación, adhesión, migración, etc.) que son comunes a otros pro-
cesos morfogenéticos. Para los fines de este trabajo conviene adelantar
que el proceso de agregación de estas amibas –que forman colonias–
conlleva la emergencia de patrones espaciales, que son el resultado de
procesos de autoorganización.
2. La biologı́a del desarrollo. Durante su ciclo también se da un
proceso fundamental en la biologı́a del desarrollo: la diferenciación
celular. Partiendo de un conjunto de células bastante homogéneas
ocurre que éstas se diferencian en forma controlada en dos tipos de
células: las que forman el tallo y las esporas.
i i
i i
i i
7
Este tipo de organización espacial es tan frecuente en los llamados medios excitables
(véase [28]), que suele decirse que las espirales son genéricas a los sistemas excitables.
i i
i i
i i
∂n
= −∇ · J~n + f (n, c)
∂t (6.16)
∂c
= −∇ · J~c + g(n, c),
∂t
i i
i i
i i
donde el flujo, J~n , de las células tiene dos fuentes: una, la debida a la
difusión fickiana, J~d , y la otra proveniente de la quimiotaxis: J~q , por
lo que J~n = J~d + J~q . A su vez J~q , además de depender del gradiente,
∇c, de c, depende de la concentración de n y la de c. Se ha propuesto
J~n = −Dn ∇n + nχ(c)∇c. Aquı́ χ(c) ≥ 0 para todo valor de c y se le llama
factor quimiotáctico. Éste es una medida de la sensitividad quimiotáctica.
Con bases fenomenológicas, se han propuesto distintas relaciones funcionales
entre χ y c. Por ejemplo, Murray [24] menciona dos: χ(c) = χ0 /c y
χ0 K
χ(c) = (K+c) 2 donde χ0 y K son constantes positivas. El flujo, J~c , de
la sustancia quimioatrayente normalmente se supone que satisface la ley
de Fick. Las funciones no lineales f y g que aparecen en (6.16), miden la
razón con la que las sustancias con concentración n y c, reaccionan entre sı́.
La forma explı́cita de aquéllas la determina por el tipo de cinética quı́mica
involucrada. Sustituyendo los flujos J~n y J~c en (6.16) este sistema toma la
forma:
∂n
∂t = Dn ∇2 n − ∇ · [nχ(c)∇c] + f (n, c)
∂c (6.17)
∂t = Dc ∇2 c + g(n, c),
i i
i i
i i
i i
i i
i i
Las células precursoras del pigmento de las serpientes son los cromatoblastos
que migran de la cresta neural durante el desarrollo embrionario y se dis-
tribuyen en la dermis. Las interacciones de cromatóforos pueden dar lugar,
tanto a células pigmentadas como a no pigmentadas, las cuales se agrupan
en distintos sitios sobre la piel, produciendo franjas o motas.
En [23], los autores proponen que los cromatoblastos (las células en su
modelo), además de producir sustancia quimioatrayente, también responden
a ella. Escrito esquemáticamente, ellos sugieren que:
Suponiendo que la mitosis celular sigue una ley logı́stica, la razón de pro-
ducción de la sustancia quimioatrayente está dada por la ley de Michaelis-
Menten (véase [27]) y la degradación de aquélla es malthusiana (véase el
capı́tulo 2 de la segunda parte de [10]), se tiene el par de EDP:
∂n
= Dn ∇2 n − α∇ · (n∇c) + rn(K − n)
∂t (6.18)
∂c Sn
= Dc ∇2 c + β+n − γc,
∂t
donde todos los parámetros que aparecen son positivos y el operador lapla-
ciano, ∇2 , es en dos dimensiones. Las simulaciones numéricas realizadas por
Murray y Mygerscough y reportadas en [23] fueron hechas en un dominio
rectangular, cuyo largo es mucho más grande que su ancho (esto, tratando
de figurarse la piel de las serpientes) y considerando que el flujo de ambas
sustancias en la frontera es cero. Las distintas simulaciones realizadas repro-
dujeron una gama de patrones que van desde bandas longitudinales, franjas
transversales, rombos, motas, hasta otros más complejos que nos recuerdan
algunas serpientes de aspecto muy vistoso. Véase la figura 6-6.
i i
i i
i i
Figura 6-6: Distintos patrones de serpientes simulados por el sistema (6.18). Figu-
ras tomadas de [23].
i i
i i
i i
6.7.2 Mariposas
La diversidad y belleza de los patrones de pigmentación que se forman en las
alas de muchas mariposas es impresionante. La simetrı́a axial que exhiben
es de verdad increı́ble y, hasta donde se sabe, es nada más que el resultado
de la combinación de patrones elementales. Incorporando una geometrı́a
adecuada, Murray (véase el capı́tulo 15 de [24]) propone una mecanismo
bioquı́mico para la descripción de algunos patrones que se forman en las
alas de mariposas. Aunque hay abundante literatura al respecto, en [25] el
lector encontrará una proposición interesante para modelar la emergencia
de patrones en estos organismos.
6.7.3 Filotaxia
La palabra filotaxia viene de las raı́ces griegas phyllos, hoja, y taxis, orden,
por lo que podrı́amos decir que aquélla significa el orden de las hojas. En un
sentido más general, en realidad podrı́amos aplicarla al orden de cualquier
otro brote en las plantas. A pesar de la aparente gran variedad de especies,
resulta que la filotaxia (aquı́ lo usamos en su sentido etimológico) de las
plantas no es tan variada. Sólo hay de tres tipos: espiral, como en la yuca;
decusada, como en la fuchsia, y la distichous como en el maı́z.
Si uno observa la disposición que tienen las florecillas del girasol (esta es
una flor compuesta por estructuras más pequeñas llamadas florecillas que,
tiempo después, serán las semillas), se da cuenta que éstas forman arreglos
(algo ası́ como zurcos) cuya disposición espacial no es arbitraria: los zurcos
tienen la forma de espirales logarı́tmicas y el número de estas curvas es
grande. Unas abren a la izquierda, mientras que otras lo hacen a la derecha.
Sin embargo, el número de aquéllas no es arbitrario. Resulta que las que
abren hacia la izquierda y las que abren a la derecha, son dos números
i i
i i
i i
i i
i i
i i
i i
i i
i i
ciones desde un punto de vista sistémico. Para ello, el papel de los modelos
matemáticos ha sido fundamental. Por ejemplo, en los llamados modelos de
escalas múltiples se busca acoplar la interacción de una red de regulación
genética con procesos tales como el ciclo celular y a su vez éstos con otros
procesos de carácter más macroscópico como la difusión y transporte de
oxı́geno o de hormonas. Este enfoque ha probado ser útil y adecuado en la
comprensión de algunas enfermedades como el cáncer. También es relevante
mencionar que no es posible tener una idea adecuada de la morfogénesis si
no se involucran todos estos niveles de organización. Entender la integración
de todos ellos, es uno de los retos más importantes de la biologı́a.
i i
i i
i i
i i
i i
i i
i i
i i
i i
Figura 6-7: Los patrones que exhibe el pez Pomacanthus cambian drásticamente a
medida que envejece. Tomado de [15].
i i
i i
i i
i i
i i
i i
con los patrones básicos. El resultado de sus juegos son la diversidad de co-
lores y formas que vemos a nuestro alrededor.
Hay patrones que les son comunes a sistemas vivos y a sistemas inanima-
dos. Las circunferencias y las espirales son estructuras espaciales ordenadas
que lo mismo aparecen en reacciones quı́micas (la de Belousov-Zhabotinski,
por ejemplo) que como patrones de agregación de colonias de amibas (Dic-
tyostelium discoideum) y bacterias (como la Escherichia Coli); de hecho,
en todos los sistemas excitables (véase [28]). Esto sugiere que subyacente a
ellos, independientemente del sustrato fı́sico y de la escala espacial en la que
se expresen, existen mecanismos (posiblemente los mismos) que los hacen
posible.
Concluimos este capı́tulo señalando que la modelación en morfogénesis
y en la emergencia de patrones en ciencias quı́mico-biológicas es algo activo,
de actualidad y relevancia tanto desde el punto de vista matemático como
de las ciencias que le dan origen. No nos cabe duda que de este quehacer
interdisciplinario, como ya lo ha estado haciendo, vendrán en los próximos
años aún muchas más novedades que nos sorprenderán.
Bibliografı́a
[1] A. Aldama, J.L. Gutiérrez, P. Miramontes y F. Sánchez Garduño (2010):
D’Arcy Wentworth Thompson (1860-1948). Ludus Vitalis, vol. XVIII,
No. 34, pp. 3-34.
i i
i i
i i
[9] B. Goodwin (1994): How the leopard changed its spots. Weidenfeld and
Nicolson.
[11] T. Höfer y P.K. Maini (1996): Turing patterns in fish skin?, Nature,
380, 678.
i i
i i
i i
i i
i i
i i
[29] I. Stewart (1998): Life’s Other Secret, the new mathematics of the living
world. Allen Lane, The Pinguin Press.
[30] D’Arcy W. Thompson (1992): On the growth and form. The complete
Revised Edition, Dover Publications Inc., Nueva York.
[33] C. Varea, J.L. Aragón y R.A. Barrio (1997): Confined Turing patterns
in growing systems, Phys. Rev. E, 36, 1, pp. 1250-1253.
i i
i i
i i
i i
i i
i i
7
Una introducción a los
modelos de competencia.
7.1 Introducción
Una de las caracterı́sticas más notables de la vida en nuestro planeta es la
gran diversidad de aspectos y hábitos que tienen los organismos que la com-
ponen. Los individuos se presentan luciendo una enorme riqueza de formas,
tamaños, colores y comportamientos diferentes. Cualquier persona nota,
cuando observa con cierto cuidado, que detrás de la aparente uniformidad
de un bosque de conı́feras existe una gran variedad de árboles que difieren
por el tamaño de sus hojas o la textura de su corteza. Estos árboles sirven a
su vez de refugio a las aves, algunas de las cuales tienen el pico fuerte y otras
un plumaje florido. En el suelo se encuentran diferentes clases de helechos
y parras silvestres y moviéndose entre ellos se pueden observar varios tipos
de roedores o ciervos. Sin embargo, esta manifestación de diversidad no se
da de una forma arbitraria, sino todo lo contrario. Los organismos viven en
comunidades, formando intrincadas relaciones de interacción, donde cada
especie depende directa o indirectamente de la presencia de las otras. De
este modo, diversidad de especies se convierte en sinónimo de complejidad
de la comunidad.
i i
i i
i i
El hecho mismo de que todos los organismos vivos forman parte de una
comunidad en la que existen relaciones de interdependencia de las especies
que la conforman, no es una cuestión que salte a la vista. Una gran tarea
de la ecologı́a es el desarrollo de una teorı́a de la organización de las comu-
nidades. Esto significa entender las causas de la diversidad y los mecanismos
de interacción. ¿Por qué, aparentemente todo hábitat tiende a ser tan di-
verso como le permite su disponibilidad de energı́a? Acaso, ¿una mayor
complejidad induce una mayor estabilidad o permanencia de la comunidad?
En este contexto aparecen de modo natural tres procesos, estabilidad de la
comunidad, complejidad de la comunidad y aprovechamiento de los recursos.
¿Existe un ley que regule la relación dinámica entre ellos?
Por medio de numerosos estudios y observaciones los ecólogos han ido
afinando sus teorı́as para explicar el fenómeno de la biodiversidad. Entre
los factores que se han revisado para ver su influencia sobre la complejidad
están: (i) el tiempo, (ii) la hetereogeneidad del medio ambiente, (iii) clima,
(iv) productividad, (v) la competencia, (vi) la depredación. Notamos que
los cuatro primeros se refieren al estado fı́sico del lugar donde se desarrolla
la comunidad y las dos últimas, competencia y depredación son mecanismos
de interacción entre las diversas especies de la comunidad. Se han realiza-
do muchos intentos que conjugan la participación de uno o varios de estos
factores para conformar teorı́as acordes a algunos hechos experimentales.
Mencionemos dos de las más importantes, la hipótesis de la depredación y
la hipótesis de la competencia.
La hipótesis de la depredación sugiere que la depredación selectiva sobre
los competidores dominantes puede mantener una diversidad local relativa-
mente alta. Esa depredación, al mantener bajo el tamaño de las poblaciones
de competidores dominantes evita que éstos monopolicen los recursos y per-
mite que nuevas especies invadan el sistema. Este mecanismo establece una
clase de retroalimentación. Con las nuevas especies que entran a la comu-
nidad, llegan especies de depredadores que a su vez atacan a otros competi-
dores dominantes y ası́ sucesivamente. El lı́mite de este proceso lo establece
la producción primaria del sistema.
La hipótesis de la competencia supone que la alta diversidad se da en
ambientes que son estables por largos periodos. Aquı́ la competencia inter-
especı́fica es más intensa porque la estabilidad permite que muchas especies
sean muy numerosas. La presión competitiva crece fuertemente, lo que
i i
i i
i i
provoca una reducción del espacio utilizado por cada especie y un aumento
en la especialización para apropiarse del recurso. Estas dos procesos llevan
a un aumento del espacio y de los recursos disponibles, y hacen factible la
llegada de nuevas especies. Este fenómeno está limitado por el número de
recursos disponibles.
Es muy ilustrativo conocer los métodos que los ecólogos utilizan para
obtener información de campo que sirven de apoyo a estas teorı́as. Al lector
interesado se le recomienda que vea [9] y la bibliografı́a citada ahı́. Ahora los
investigadores se pueden apoyar en los modelos matemáticos y las computa-
doras para realizar simulaciones muy realistas que les permiten de una forma
expedita poner a prueba algunas de sus conjeturas. Se ve muy prometedor
para la ecologı́a teórica el uso equilibrado de la modelación matemática y
la observación de campo. En este trabajo se hará una introducción a los
métodos matemáticos utilizados en el estudio de la competencia.
7.2 La competencia
A grandes rasgos, podemos considerar dos tipos de competencia: la com-
petencia interespecı́fica que se da entre inviduos de especies diferentes y
aquella en que la lucha se sostiene entre organismos de una misma especie
y por tanto se le llama competencia intraespecı́fica.
La competencia interespecı́fica surge cuando entre las especies compo-
nentes de un hábitat existen algunas que requieren el mismo tipo de al-
imentos, espacio o alguna otra materia esencial para su desarrollo y por
tanto, para sobrevivir tienen que destinar parte de su energı́a a mejorar
esas habilidades que le permitan un mejor acceso a los recursos vitales.
Precisamente, el hecho de que los individuos de la misma especie acudan
a las mismas fuentes de energı́a establece de modo natural la competencia
intraespecı́fica, la que se manifiesta más crudamente cuanto más pobres son
esas fuentes.
Una cuestión importante es determinar la forma en que cambian los
tamaños poblacionales a través del tiempo de una o más especies en compe-
tencia. Por ejemplo, en una población aislada, ¿cómo ajustan los individuos
sus estrategias de supervivencia ante la escasez de algún recurso importante?
Una pregunta que ha interesado mucho a los ecólogos es si pueden coexistir
i i
i i
i i
en un mismo hábitat dos especies que luchan por el mismo recurso limitante.
Esta cuestión ha servido para impulsar fuertemente el desarrollo de ciertas
áreas de la ecologı́a y numerosos experimentos se han realizado con el fin
de tener una respuesta teórica. Tal vez los experimentos más célebres en
este campo son los que realizó en 1934 el biólogo ruso G. F. Gause [6], con
poblaciones de protozoarios de la especie Paramecium aurelia y Paramecium
caudatum. Durante los experimentos se les alimentó de Bacillus pyocyneaus
y se observó que por separado cada población crecı́a hasta estabilizar su
tamaño. En el caso de P. caudatum el lı́mite era de 200 individuos por 0.5
cc y 550 individuos por 0.5 cc para el P. aurelia. Cuando las dos especies
eran puestas a competir en el mismo caldo de cultivo sucedı́a que después
de un periodo inicial en el que ambas especies crecı́an, el número de orga-
nismos de P. caudatum empezaba a declinar, hasta desaparecer finalmente.
Esto llevó a Gause a enunciar el muy controvertido Principio de exclusión
competitiva: “dos especies que compiten por el mismo recurso limitante
no pueden coexistir establemente en el mismo hábitat”. El razonamiento es
simple, no pueden haber dos especies idénticas en sus propiedades ecológicas
o en la eficiencia con que explotan un recurso particular. La especie más
eficiente para explotar el recurso crecerá con cada generación y la menos
eficiente será eliminada finalmente.
i i
i i
i i
i i
i i
i i
N2 = R (N1 ) N1 + N1 ,
o en general
Ni+1 = R (Ni ) Ni + Ni . (7.2)
Este es el modelo básico para el crecimiento de una población que se repro-
duce a tiempo discreto y cuya tasa de reproducción depende de la densidad.
Para tener un modelo especı́fico se deben realizar investigaciones dirigidas a
determinar la forma de R (N ) . Por ejemplo, Beverton y Holt se basaron en
estudios hechos sobre poblaciones de peces pelágicos en el Atlántico norte
para proponer la tasa R (N ) = (β/ (1 + αN )) − 1. En este caso la ecuación
7.2 es
βNi
Ni+1 = .
1 + αNi
El modelo logı́stico se obtiene cuando se toma R (N ) = α − βN. De este
modo, la ecuación que define al modelo es
i i
i i
i i
N 0 = R (N ) N. (7.5)
N 0 = r (K − N ) N. (7.6)
i i
i i
i i
R = g (p) − µ.
p = C − γN, (7.7)
y
C
p= . (7.8)
1 + βN
En 7.7, p = 0 si la población tiene C/γ individuos. Es decir, el medio no
puede aceptar más de C/γ individuos. En cambio, con 7.8 la porción p se
hace cada vez más pequeña conforme aumenta la población, pero nunca de-
saparece. Supongamos finalmente que g (p) = k1 p y se obtienen los modelos
correspondientes a 7.7 y 7.8
N 0 = (k1 (C − γN ) − µ) N, (7.9)
0 k1 C
N = − µ N. (7.10)
1 + βN
Si hacemos r = k1 γ y K = (k1 C − µ) /k1 γ, el modelo 7.9 se convierte en el
modelo logı́stico dado en 7.6. El modelo dado por 7.10 se le conoce como
modelo de Schoener, véase [13].
i i
i i
i i
N
4
Mod. Logístico
3
Mod. De Schoener
2
t
5 10 15 20
Figura 7-1:
i i
i i
i i
Figura 7-2:
i i
i i
i i
i i
i i
i i
Ri0 = fi (Ri ) − pi Ri N.
i i
i i
i i
i i
i i
i i
estadio del iésimo recurso. Por ejemplo, z puede ser el tamaño de un ave
y Rz la abundancia de aves de ese tamaño. En ocasiones la variable z que
describe el recurso puede tener más de una componente. Por ejemplo, en
el caso de una jirafa que se alimenta de hojas, z podrı́a consistir de tres
componentes: el tamaño de la hoja, edad de la hoja y altura de la rama.
Los ecólogos afirman que cada especie tiene su propio nicho; es decir,
una función (oficio) única en la red trófica o ecosistema. Elton lo expresa
ası́: el nicho del animal es su relación con su alimento y sus enemigos.
Para definir la relación de una especie con su alimento debemos determinar
la abundancia del recurso, el valor nutritivo del recurso y las preferencias
por cada tipo del recurso. Básicamente se tienen las siguientes funciones.
Funciones de abundancia
i i
i i
i i
y
(ii) la competencia interespecı́fica crece con la afinidad que tengan por
los mismos alimentos.
i i
i i
i i
Figura 7-3:
i i
i i
i i
D1 D2
D<
2 D1
<1 2
Figura 7-4:
i i
i i
i i
1
α11 = α22 = √ ,
2 πσ
D2
1
α12 = α21 = √ exp − 2 .
2 πσ 4σ
1 1
D2
Con la notación r = √ y α = √ exp − 4σ 2 , el sistema (7.17) se
4 πσ 4 πσ
convierte en (véase apéndice)
Ṅ1 = N1 (k1 − rN1 − rαN2 ) ,
Ṅ2 = N2 (k2 − rαN1 − rN2 ) .
El punto de equilibrio de la ecuación anterior, con las dos componentes
diferentes de cero se obtiene de la pareja de ecuaciones
k1 − rN1∗ − rαN2∗ = 0,
k2 − rαN1∗ − rN2∗ = 0.
La solución está dada por
∗
N1 1 1 −α k1
= .
N2∗ r (1 − α2 ) −α 1 k2
Para que este punto de equilibrio sea estable se requiere que 1 − α2 > 0,
entonces α debe satisfacer la desigualdad
0 < α < 1.
Por otra parte, la condición de que N1∗ >0 y N2∗ > 0, hace necesario que
k1 − αk2 > 0,
−αk1 + k2 > 0.
De donde se obtiene
1 k1
> > α,
α k2
o equivalentemente
D2
1 k1
> > exp − 2 .
D2
k2 4σ
exp − 2
4σ
i i
i i
i i
7.4 Apéndice
7.4.1 Análisis de los modelos de Schoener y logı́stico
Sea f (N ) una función tal que 0 y N ∗ son sus dos únicas raı́ces no negativas.
La solución N (t) de una ecuación diferencial de primer orden con condición
inicial
N 0 = f (N ) , N (0) = N0 ,
es constante si N0 es igual a N ∗ . Si N0 < N ∗ y f (N0 ) > 0, entonces la
solución N (t) crece y converge a N ∗ cuando el tiempo t tiende a infinito.
En cambio, N (t) decrece hacia N ∗ , si N0 > N ∗ y f (N0 ) < 0. La solución
N (t) alcanza un nivel de máximo crecimiento si en algún instante toma el
df
valor N ∗∗ donde N ∗∗ es raı́z de la ecuación dN = 0.
En el modelo logı́stico dado por la ecuación (7.9), f (N ) =
(k1 (C − γN ) − µ) N. En este caso las raı́ces se obtienen de la ecuación
(k1 (C − γN ) − µ) N = 0. Una raı́z es N = 0 y la otra que denotaremos
por Nl∗ , satisface k1 (C − γN ) − µ = 0. Por lo tanto C − γN = µ/k1 . Ası́ la
capacidad del medio dada por Nl∗ es
Ck1 − µ
Nl∗ = .
k1 γ
La derivada de f (N ) respecto a N es
df
= k1 (C − γN ) − µ − k1 γN = k1 C − µ − 2k1 γN.
dN
El nivel de crecimiento más rápido, predicho por la logı́stica es la raı́z Nl∗∗
de la ecuación k1 C − µ − 2k1 γN = 0. Por lo tanto
k1 C − µ
Nl∗∗ = .
2k1 γ
i i
i i
i i
k1 C
− µ = 0.
1 + βN
k1 C k1 βCN
−µ− = 0.
1 + βN (1 + βN )2
k1 C (1 + βN ) − µ (1 + βN )2 − k1 βCN = 0.
De aquı́ se llega a
k1 C
(1 + βN )2 = .
µ
Finalmente s !
1 k1 C
Ns∗∗ = −1 . (7.19)
β µ
Veamos ahora que Ns∗∗ < 12 Ns∗ . Nótese que como Ns∗ ≥ 0, ya que es un
nivel de población, por lo tanto k1µC ≥ 1. Si hacemos x = k1µC , de las
expresiones (7.18) y (7.19) se obtienen las igualdades 12 Ns∗ = 2β1
(x − 1)
∗∗ 1 √ 1
y Ns = β ( x − 1) . Basta demostrar que h1 (x) = 2 (x − 1) > h2 (x) =
√
( x − 1) , cuando x > 1. Pero esto es claro, porque h01 (x) = 21 > h02 (x) =
1
√
2 x
, para toda x > 1 y además h1 (1) = h2 (1) .
i i
i i
i i
7.4.2 Cálculo de α
Definimos la función
Z z
2
exp −t2 dt.
erf (z) = √
π 0
En efecto,
Z z Z z
2 4 2
2
(erf (z)) = exp −t dt exp −s ds
π
Z z0Z z 0
4 2
2
= exp −t exp −s ds dt
π 0 0
4 z
Z Z z
2 2
= exp − t + s ds dt.
π 0 0
i i
i i
i i
Entonces
!
∞
z2 (z − D)2
Z
1
α= exp − 2 exp − dz
2πσ 2 0 2σ 2σ 2
!
z 2 + (z − D)2
Z ∞
1
= exp − dz.
2πσ 2 0 2σ 2
!
z 2 + (z − D)2
Se verifica fácilmente que una primitiva de exp − es
2σ 2
1√ D2
2z − D
πσ exp − 2 erf . Por lo tanto
2 4σ 2σ
1√ D2
1 2z − D
α= lim πσ exp − 2 erf
2πσ 2 z→∞ 2 4σ 2σ
1 1√ 2
D
= 2
πσ exp − 2
2πσ 2 4σ
2
1 D
= √ exp − 2 .
4σ π 4σ
Bibliografı́a
[1] Abrams, P. Limiting similarity and the form of the competition coeffi-
cient. Theor. Pop. Biol. 8 (1975), pp. 356-375.
i i
i i
i i
[6] G. F. Gause. The struggle for existence. Williams & Wilkins (1934).
Baltimore.
[8] May, R. M. On the theory of niche overlap. Theor. Pop. Biol. 5 (1974),
pp. 297-332.
i i
i i
i i
i i
i i
i i
8
Modelación matemática de
comportamientos temporales
de sistemas biológicos
i i
i i
i i
i i
i i
i i
Dados estos antecedentes, más que seguir con una discusión conceptual,
pretendemos ilustrar estas ideas con ejemplos que son interesantes per se.
Para ello, en lo que sigue hablaremos de la elaboración de un modelo para
ritmos circadianos, ası́ como del fenómeno de la sincronización.
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
Figura 8-4: Ontogenia del ritmo de la amplitud del electrorretinograma del acocil
Procambarus clarkii. Véase el texto para una explicación. Figura modificada de [8].
8.2.2 La sincronización
La sincronización (de sin, con; cronos, tiempo) es una expresión de una or-
ganización en el tiempo. En los sistemas circadianos podemos detectar dos
tipos de sincronización: una de la que depende que las células en un marca-
paso actúen en forma coherente (sincronización intrı́nseca) y por lo mismo
generen una señal robusta, y otra, mediante la cual las señales externas
como la alternancia entre el dı́a y la noche modifican la fase y el periodo de
la oscilación del marcapaso para que éste imponga a los diferentes efectores
de un organismo los tiempos adecuados de inicio y término en sus respecti-
vas funciones (sincronización extrı́nseca). Es evidente que del conocimiento
de los mecanismos que subyacen a estas dos formas de sincronización de-
penderá la posibilidad de incidir, y en su caso, verificar, el funcionamiento
temporal de los organismos.
i i
i i
i i
Sincronización intrı́nseca
Hasta este punto hemos partido de la base de que los sistemas biológicos
considerados presentan un comportamiento oscilatorio. Sin embargo, si
tomamos en cuenta con detalle cada uno de los procesos que hemos des-
crito, podemos observar que las oscilaciones son en realidad el resultado de
la acción concertada de muchas células, por ejemplo, las que componen el
marcapaso circadiano del acocil. Pensemos en otros ejemplos que pueden
ser ilustrativos. El corazón es un órgano que muestra un comportamieno
oscilatorio. En condiciones normales, las células cardiacas se comportan de
manera coordinada, lo que permite que el órgano se contraiga y y se relaje
para desempeñar su función de bombeo. De manera análoga, en todas las
glándulas, por ejemplo el páncreas que produce la insulina, las células que
las constituyen secretan hormonas de manera concertada. Si no hubiera
un comportamiento colectivo coherente en estos órganos, serı́a difı́cil que
desempeñaran su función de manera eficiente.
El comportamiento al que hacemos referencia constituye, precisamente,
lo que llamamos sincronización intrı́nseca y puede observarse en multitud
de sistemas biológicos y de muchos otros tipos.
Ası́, por ejemplo, el público tiende a aplaudir al unı́sono al final de un
concierto, grupos de peatones o de ciclistas tienden a caminar o pedalear
de manera sincrónica, las cigarras “cantan” en sincronı́a por periodos rela-
tivamente largos, etcétera.
Un ejemplo interesante y llamativo es el de la sincronización de los des-
tellos de las luciérnagas en algunos árboles de Tailandia (Figura 8-5) que
llegan a emitir en ráfagas de luz.
Es interesante observar que la sincronización ha despertado la curiosidad
de los cientı́ficos desde hace mucho tiempo. En 1667 Christian Huygens
(Figura 8-6) estaba enfermo y se vio obligado a pasar dı́as en cama. En esa
época le escribe a su padre en una carta:2
i i
i i
i i
i i
i i
i i
i i
i i
i i
cir, podrı́amos suponer que las células que constituyen los sistemas que nos
interesan, muestran una dinámica oscilatoria ultradiana (de alta frecuen-
cia) y que de la interacción entre ellas emerge un comportamiento colectivo
sincronizado de carácter circadiano (de baja frecuencia).
La sincronizacón extrı́nseca
En la sección anterior propusimos que la oscilación circadiana robusta
proviene del ajuste de las dinámicas de las componentes del sistema que
constituyen la red interna de osciladores debido a la interacción entre
ellas [9]. El ritmo emergente tiene la capacidad de ajustar su frecuencia con
la de ciertas señales externas periódicas como la alternancia entre el dı́a y la
noche. El mecanismo que subyace a esta propiedad, llamada sincronización
extrı́nseca o por estı́mulo externo, es la dependencia de fase del marcapaso
con respecto a la señal sincronizadora correspondiente. Si se considera el
movimiento a lo largo del ciclo circadiano no hay un “valor preferido” en la
fase ya que esta variable está en un estado de equilibrio neutral o indiferen-
te, lo que tiene como consecuencia que fácilmente pueda ser ajustada por la
acción de algún estı́mulo externo. De todo esto se desprende la capacidad
que tiene el organismo de ajustar sus ritmos para mantenerse en fase con
los cambios ambientales [10].
i i
i i
i i
Figura 8-8: Curva respuesta de fase del ritmo de sensibilidad a la luz del acocil
Procambarus clarkii. Figura modificada de [6].
Entre todas las señales sincronizadoras que se conocen, la luz es con mu-
cho el estı́mulo ambiental con mayor capacidad para sincronizar al oscilador
circadiano. Sin embargo hay otros sincronizadores llamados no fóticos como,
i i
i i
i i
Sin embargo se optó por un oscilador tipo van der Pol cuyo ciclo lı́mite
es un cı́rculo, dado que en un van der Pol simple el ciclo lı́mite es más
complicado.
De esta manera usamos un sistema de ecuaciones diferenciales cuya ex-
presión en coordenadas cartesianas es:
i i
i i
i i
Ası́, para el sistema 8.1 se tiene un ciclo lı́mite y una oscilación que se
representa en la Figura 8-9.
i i
i i
i i
i i
i i
i i
cuya salida y3 afecta tanto a los respectivos centros de los ciclos lı́mites de
los osciladores “ultradiano” y “circadiano” como a otros parámetros como
se podrá observar cuando se escriba la ecuación del modelo completo.
La salida y1 del oscilador circadiano se aplica directamente al centro
del ciclo lı́mite del oscilador ultradiano. Este acoplamiento permite que
las oscilaciones del circadiano “enmascaren” las oscilaciones del ultradi-
ano, lo que equivale a que desaparezcan, pues no se detectan a la sali-
da. Especı́ficamente se generan dos bifurcaciones, una para “apagar” la
oscilación ultradiana (figura 8-12) y otra para “disparar” la oscilación cir-
cadiana (figura 8-13).
i i
i i
i i
· 3
x1 = −kx2 + e x1 + y1 − y3 − x3
2
2 !
1 3
a − x3 y1 − x1 + y1 − y3 − x3 − y22
5 2
· 3
x2 = k x1 + y1 − y3 − x3
2
2 !
1 3 2
+ ex2 a − x3 y1 − x1 + y1 − y3 − x3 − x2
5 2
·
x3 = ux3 − vx23
2 2 !
· 3 1 3
y1 = −ly2 + e y1 − y3 y3 − y1 − y3 − y22
4 4 4
2 2 !
· 3 1 3
y2 = l y1 − y3 + ey y3 − y1 − y3 − y22
4 4 4
·
y3 = U y3 − V y32 .
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
i i
Figura 8-16: Efecto de un pulso de luz (marcado por las flechas) en la fase del
ritmo circadiano del ERG del acocil Procambarus clarkii (arriba) y su modelación
matemática (abajo). Nótese la diferencia de fase marcada arriba de la respuesta
entre la fase esperada, si no hubiera habido perturbación, y la fase observada,
después de la perturbación. Figura modificada de [5].
i i
i i
i i
Figura 8-17: Sincronización del ritmo circadiano del electrorretinograma del acocil
Procambarus clarkii por ciclos luz-oscuridad (12:12) (arriba) y su correspondiente
modelación matemática (abajo). Nótese el ajuste de periodo de la respuesta cuando
se aplican los ciclos luz-oscuridad. En el registro experimental los estı́mulos luz-
oscuridad se representan arriba de la gráfica mediante cuadros claros y oscuros, re-
spectivamente. En el modelo matemático los estı́mulos se representan en la gráfica
debajo de la respuesta; la luz se representa con las respuestas altas y la oscuridad
con las bajas. Figura modificada de [5].
i i
i i
i i
Bibliografı́a
[1] Aréchiga H., Fernández-Quiroz F., Fernández de Miguel F., Rodrı́guez-
Sosa L. (1993). The circadian system of crustacean. Chronobiology
International, 10: 1-19.
i i
i i
i i
i i
i i
i i
i i
i i
i i
9
Modelación en dinámica
de poblaciones
Ignacio Barradas
Centro de Investigaciones en Matemáticas Aplicadas
barradas@cimat.mx
9.1 Introducción
La modelación de fenómenos biológicos con herramientas matemáticas es
reciente comparada con otras áreas, como la fı́sica, pero dentro de la biologı́a
es la dinámica de poblaciones la que más antigüedad presenta.
Un modelo de algo es esencialmente una caricatura de ello, pero para ser
una buena caricatura debe cumplir con algunas caracterı́sticas básicas; debe
permitir reconocer el objeto al cual representa y debe hacerlo en una forma
simple. Si el modelo no captura los elementos esenciales o su complejidad
es tan grande como la del fenómeno original, el modelo será malo y no será
útil. Ası́ pues, una de las primeras decisiones que se debe tomar al plantear
un modelo, y en particular un modelo matemático, es elegir los elementos
relevantes que describirán su dinámica adecuadamente, es decir, hay que
elegir las variables del problema.
Ası́ pues, al modelar un proceso que cambia en el tiempo tomaremos una
serie de elecciones, las primeras de las cuales son: ¿qué variable o variables
i i
i i
i i
i i
i i
i i
i i
i i
i i
delo metapoblacional para una sola especie, ya que dicho modelo presenta
caracterı́sticas comunes a los modelos multiespecies y permite identificar
fácilmente el efecto de algunos factores externos sobre los niveles de equili-
brio de la especie.
Considérese un medio ambiente dividido en un número infinito de
parches idénticos, los cuales podrán estar o no ocupados por individuos
de la única especie presente en el medio. Se dice que un parche se encuentra
en estado 1 si la especies está presente en él y se dice que el parche se encuen-
tra en estado 0 si está vacı́o. De esta manera, el estado global del ecosistema
se denotado por un vector yR2 , cuyas coordenadas, y0 y y1 , representan
la fracción de parches que se encuentran en estado 0 y 1, respectivamente.
La dinámica del sistema queda descrita por una cadena no lineal de
Markov, cuya matriz de transición Ay(t) , depende explı́citamente del estado
y(t), en el que se encuentra el ecosistema en el tiempo t. Ası́ pues, se obtiene
un sistema no lineal de la forma
i i
i i
i i
C = 1 − exp(−dy1 ).
i i
i i
i i
i i
i i
i i
biológicos puede ser cualitativamente muy diferente, ası́ pues, mientras que
pd en (9.3) aparece en el numerador, pe aparece en el denominador, más
aún, si pe tiende a 1, el lado derecho en (9.3) tiende a infinito, cosa que no
ocurre si pd tiende a 1.
Este tipo de modelos puede ser generalizado fácilmente a dimensiones
superiores. Por ejemplo, en el caso de dos especies, se obtendrı́a un sistema
descrito por una matriz de 2 × 2, en la cual las entradas describirı́an cuál
es la probabilidad de que un parche cambie de un estado en el cual está
ocupado por, ninguna, sólo la primera de las especies, sólo la segunda o
ambas a cualquiera otro de los estados.
9.3 Conclusiones
En la modelación en biologı́a hay que hacer uso de las técnicas existentes
y aprovechar el desarrollo matemático en las áreas que han sido mejor es-
tudiadas. Es, sin embargo, de gran importancia estar conscientes que se
toman decisiones al elegir los modelos y que también se está reflejando la
experiencia personal. El mismo modelo podrá siempre ser modelado de
diferentes formas. Hay que tener esto presente y elegir aquel o aquellos que
más información nos aporten.
i i
i i
i i
i i
i i
i i
10
Análisis numérico
10.1 Introducción
i i
i i
i i
i i
i i
i i
f (x) = 0.
i i
i i
i i
o de orden 4 hay fórmulas, pero para orden más alto puede probarse que no
las hay. No que no las hemos encontrado, sino que no las hay.
Entonces para una ecuación general f (x) = 0, aún si suponemos que f
es continua, de una variable y con valores reales, que f es diferenciable si
0
es necesario y que la raı́z x∗ es simple (es decir, que f (x∗ ) 6= 0) “lo más
probable” es que no se pueda resolver explı́citamente. Entonces no queda
más remedio que buscar aproximaciones a las soluciones.
Pero esto no quiere decir que no haya que hacer análisis. El análisis
nos puede decir, por ejemplo, cuántas soluciones hay y en qué regiones
puede o no haber soluciones, lo cual permite detectar errores en los cálculos
numéricos.
En la mayorı́a de los métodos numéricos utilizados para aproximar raı́ces
en este tipo de problemas se determina primero una aproximación x0 de la
raı́z y luego se construye una sucesión (xn )∞
n=0 que converge a la raı́z:
lim xn = x∗ .
n→∞
f (x) = x − e−x = 0.
i i
i i
i i
0
Si f (xn ) 6= 0 se puede despejar h:
f (xn )
hn = − .
f 0 (xn )
f (xn )
xn+1 = xn + hn = xn − .
f 0 (xn )
i i
i i
i i
i i
i i
i i
n
X n
X
0= yi − m xi − nb.
i=1 i=1
i i
i i
i i
y 0 = f (x, y),
i i
i i
i i
xi = a + ih, i = 0, ...N,
h = (b − a)/N,
i i
i i
i i
i i
i i
i i
i i
i i
i i
k1 = hf (xn , yn ),
k2 = hf (xn + h/2, yn + k1 /2),
k3 = hf (xn + h/2, yn + k2 /2),
k4 = hf (xn + h, yn + k3 ),
1
yn+1 = yn + (k1 + 2k2 + 2k3 + k4 ).
6
Figura 10-4: Plano fase (¡incorrecto!) del oscilador armónico resuelto con Euler
(con tamaño de paso demasiado grande).
Si se usa este método para resolver la ecuación del oscilador armónico las
órbitas casi se cierran. Si se corre mucho tiempo se ve que hay una pequeña
pérdida de energı́a pero si no, a simple vista la solución es correcta.
i i
i i
i i
Sin embargo, si se usa Euler con una pequeña variación (sugerida por el
Dr. Arturo Olvera) se obtienen resultados aún más exactos. La variación
toma en cuenta el hecho de que la ecuación conserva energı́a. Si se escribe
la ecuación como
ẏ = z
ż = −y
yn+1 = yn + hzn
zn+1 = zn − hyn
i i
i i
i i
Figura 10-6: Corriendo más tiempo se observa que las órbitas no cierran.
∂2u ∂2u
+ = 0.
∂x21 ∂x22
i i
i i
i i
∂2u 1 4 ∂4u
U`+1,m + U`−1,m − 2U`,m = (h2 + h + · · · )`,m
∂x21 12 ∂x41
y por lo tanto
i i
i i
i i
i i
i i
i i
10.8 Conclusión
Las computadoras y métodos numéricos actuales permiten resolver
fácilmente problemas extremadamente complejos, y enriquecen y comple-
mentan maravillosamente al análisis, mas no lo sustituyen.
Bibliografı́a
[1] Richard Burden, Douglas Faires, Albert Reynolds, Numerical Analysis
Second Edition, Wadsworth International Student Edition, 1981.
[4] Gene Golub, Charles Van Loan, Matrix computations, Johns Hopkins
Univ. Press, 1983.
i i
i i