Documente Academic
Documente Profesional
Documente Cultură
i
RESUMEN DE LA MEMORIA
En este trabajo analizamos un modelo depredador-presa con efecto Allee aditivo y una
distintas intensidades del ruido aleatorio y distintos valores de los parámetros del modelo.
En un primer caso, en presencia de efecto Allee fuerte, mostramos que las perturbaciones
tor, provocando la extinción irremediable de ambas especies. Por otro lado, en presencia de
efecto Allee débil y bajo ciertas condiciones sobre los parámetros del modelo, mostramos
Para obtener estos resultados, entregamos las nociones y resultados preliminares nece-
ciales ordinarias para obtener una mejor interpretación del modelo estocástico estudiado.
Agradecimientos i
Resumen de la Memoria ii
1 Introducción 1
iii
3.2.2 Propiedades de las Soluciones . . . . . . . . . . . . . . . . . . 36
iv
5.3.2 Segundo Caso: Efecto Allee Débil . . . . . . . . . . . . . . . . 92
6 Conclusiones 101
Apéndice 106
Bibliografı́a 110
v
Capı́tulo 1
Introducción
1
lo suficientemente pequeñas como para despreciarlas. Sin embargo, recientemente
los modelos que incorporan perturbaciones estocásticas han cobrado mayor interés,
especialmente en el área de Dinámica de Poblaciones, ver [7, 16, 27, 37, 42, 60].
Por ello, hay disponible una gran cantidad de métodos numéricos, los cuales bajo
algunas hipótesis técnicas aseguran la convergencia de la aproximación numérica a
la solución teórica.
2
cada demostración puede llegar a alcanzar altos niveles tanto de abstracción como
de extensión, pudiéndose extraviar el rumbo hacia nuestro objetivo.
3
Capı́tulo 2
Con este capı́tulo se busca presentar conceptos que ayuden a interpretar de forma
más sencilla los resultados de esta Memoria que se mostrarán más adelante en el
Capı́tulo 4.
de ecuaciones, conocidas como curvas integrales. En casi todos los casos, obviamos
4
X
M TM
π
Id
las demostraciones de los resultados y damos las referencias apropiadas, pues nuestro
interés es presentar este Capı́tulo en forma sintética y concisa.
Ecuaciones Diferenciales en Rn
Definición 2.1 Un campo de vectores es una aplicación desde una variedad diferen-
ciable M a su fibrado tangente T M (ver Apéndice) tal que la imagen de cada punto
p es un vector Xp con punto base p, es decir, tal que el diagrama de la Figura 2.1
sea conmutativo, donde π denota proyección.
Siempre supondremos que nuestro campo vectorial posee algún grado de diferen-
ciabilidad C r , r > 1 y posiblemente r = ∞ o incluso r = ω (analı́tico).
Para cada punto p ∈ M podemos escoger una vecindad Vp y una carta (Ver
Apéndice)
ϕ : Vp −→ Rn
5
α̇(t) = X(α(t))
•
α(0) = p
Rn −→ Rn ,
Esto es, a cada punto x se le asocia un vector. Para estudiar y describir la forma
geométrica de este campo de vectores X en M (o equivalentemente, en Rn ) necesita-
mos que por cada punto p seamos capaces de hallar un curva α : (−ε, ε) −→ M que
pase por p y cuyo campo de vectores tangente (o campo de velocidades) coincida
con X, ver Figura 2.2, es decir, tal que α(0) = p y α̇(t) = X(α(t)), ∀t ∈ (−ε, ε)
(La existencia de esta curva α se probará con el Teorema 2.1). En las coordenadas
6
locales xi = ϕi , esto significa resolver el problema de valor inicial:
ẋi = fi (x1 , . . . , xn )
(2.1)
xi (0) = pi
Φ : R × M −→ M,
(i) Φ(0, x) = x;
7
es una lı́nea de flujo que pasa por el punto p y coincide justamente con la curva
integral de su campo de velocidades. La imagen αp (R) en M se denomina órbita o
trayectoria del punto p por el flujo Φ.
Es fácil darse cuenta que el recı́proco también es cierto, esto es, a cada sistema de
ecuaciones diferenciales autónomas de la forma (2.1) se le puede asociar un campo
de vectores, el cual corresponde justamente al campo de vectores tangentes a las
curvas integrales del sistema en cada punto. Por lo tanto, tenemos la alternativa de
ẋi = fi (x1 , . . . , xn ),
utilizaremos:
n
X ∂
X(x) = fi (x1 , . . . , xn ) .
i=1
∂xi
vectores no-autónomo:
ẋ = f (t, x), (2.2)
8
donde f (t, x) es continua y lipschitziana en algún abierto U ⊂ R × Rn .
Teorema 2.1 Sea (t0 , x0 ) ∈ U. Entonces existe una solución de (2.2) que pasa por
En otros términos, las órbitas de X coinciden o son disjuntas. Esto es, el abierto
U se puede descomponer en una unión disjunta de curvas diferenciables, pudiendo
cada una de ellas ser:
b) Un punto, o
c) Difeomorfa a un cı́rculo.
9
Teorema 2.2 Sea C ⊂ U ⊂ R × Rn . Entonces la solución x(t, t0 , x0 ) puede ser
extendida unı́vocamente (en sentido positivo y negativo) en t hasta la frontera de C.
Proposición 2.3 Sea X un campo de clase C r sobre una variedad compacta M. En-
tonces en M existe un flujo global de clase C r para X. Esto es, existe una aplicación
∂ϕ
C r ϕ : R × M −→ M tal que ϕ(0, p) = p y ∂t
(t, p) = X(ϕ(t, p)), ∀t ∈ R.
Dem. Proposición 2.3 Ver Palis & de Melo [58] o Bröcker & Jänich [15].
2
10
Retomando el caso de ecuaciones diferenciales autónomas, podemos conseguir
algunas propiedades útiles. Consideremos el campo de vectores
ẋ = f (x), x ∈ Rn , (2.4)
las soluciones existen para todo tiempo t. Los siguientes resultados serán de mucha
utilidad en nuestras aplicaciones.
dx(t)
Dem. Proposición 2.5 Por definición, dt
= f (x(t)). Luego, para cualquier
t0 ∈ R, se tiene
dx(t + τ ) dx(t)
= = f (x(t0 + τ )) = f (x(t + τ )) |t=t0 ,
dt t=t0 dt t=t0 +τ
El anterior resultado nos dice que para campos de vectores autónomos, las solu-
ciones trasladadas en el tiempo siguen siendo soluciones y la Proposición siguiente
dice que, más aún, corresponden a la misma curva integral. Es decir, es sólo otra
forma de expresar la propiedad (ii) de la Definición 2.2 para un Sistema Dinámico.
Proposición 2.6 Para cualquier x0 ∈ Rn existe una y sólo una curva integral del
campo (2.4) que pasa por este punto.
11
Dem. Proposición 2.6 Si x1 (t), x2 (t) son soluciones de (2.4) satisfaciendo x1 (t1 ) =
x2 (t2 ) = x0 , entonces por la Proposición 2.5, x̃2 (t) ≡ x2 (t − (t1 − t2 )) también es
una solución de (2.4), y satisface x̃2 (t1 ) = x0 . Luego, por el Teorema 2.1, x1 = x2 .
2
ω − lim(p), α − lim(p).
es donde “muere”.
12
d) ω − lim(p) es conexo (resp. α − lim(p)).
Corolario 2.8 Bajo las condiciones del teorema anterior, si q ∈ ω − lim(p), en-
tonces la curva integral de X por el punto q está definida para todo t ∈ R.
siste de un conjunto de órbitas, cada una de las cuales tiende a una de estas
singularidades para t → ±∞.
13
c) Si ω − lim(p) no contiene puntos regulares, entonces ω − lim(p) es un punto
singular.
Este teorema nos dice cómo son los posibles tipos de conjuntos lı́mite que pueden
ocurrir en flujos planares. En particular, la parte a) nos dice que un conjunto lı́mite
compacto no-vacı́o de un flujo en el plano, que no contiene singularidades, debe ser
necesariamente una órbita periódica.
14
Finalmente, diremos que un conjunto es atrapador si es un compacto, invariante
bajo el flujo ΦX del campo de vectores, y tal que todas las órbitas de X entran en
él (y por lo tanto, nunca vuelven a salir).
toriales
Nuestro objetivo aquı́ es describir las soluciones de una ecuación del tipo (2.1),
por medio de la estructura topológica de las órbitas del campo vectorial X en alguna
vecindad de un punto p. Estas órbitas llenan toda una vecindad Vp de p y nos mues-
tran cómo los puntos de Vp se mueven bajo la acción del flujo del campo vectorial.
∂ ∂
Por ejemplo, en el caso − x ∂x + y ∂y , todos los puntos en una vecindad del
∂ ∂
origen tienden a 0 para t → ∞, ver Figura 2.3a; pero, en el caso y ∂x − x ∂y , todas
las órbitas son periódicas y rotan en torno a 0, ver Figura 2.3b. Claramente, las
trayectorias son muy distintas topológicamente entre uno y otro caso. Esto nos lleva
Definición 2.7 Dos campos de vectores (X, p) y (Y, q) definidos en algunas vecin-
dades Vp y Vq de p y q, respectivamente, son topológicamente equivalentes o C 0 −equi-
15
y y
• x • x
(a) (b)
h : Wp −→ Rn ,
∂ ∂ ∂ ∂
Por ejemplo, los campos de vectores en R x ∂x , 2x ∂x , 3x ∂x y, en general, λx ∂x ,
∂ ∂
con λ > 0, son todos equivalentes en 0. Los campos x ∂x y −x ∂x no lo son.
Hasta ahora, con las equivalencias el parámetro t podrı́a cambiar bajo el homeo-
morfismo. Cuando el parámetro se preserva hablamos de una conjugación de campos
vectoriales.
16
Definición 2.8 Decimos que dos campos de vectores (X, p) y (Y, q) son C r −conjuga-
dos si existe una C r −equivalencia entre (X, p) y (Y, q) que preserva el parámetro t.
Es decir, si h : Wp −→ h(Wp ) es la C r −equivalencia, entonces ∀x ∈ Wp y ∀t ∈ R
se tiene:
dϕ ϕ−1(x) X(ϕ−1(x)) = Y (x),
y lo denotamos por
ϕ∗ X = Y.
∂
X1 (x1 , . . . , xm ) = .
∂x1
17
Rm−1
ϕ
Cε
•p
• x1
−ε 0 ε
simple. Además, con este resultado cubrimos el caso de la dinámica en los puntos
regulares; sin embargo, el problema empieza recién en los puntos donde X se anula,
es decir, en p tales que X(p) = 0.
18
por sus valores propios y tiene la forma
A1
..
.
Ar
,
B1
..
.
Bs
donde
λi
1 λi
Ai =
1 λi ,
i = 1, . . . , r, λi ∈ R
.. ..
. .
1 λi
y
C
j
I Cj
Bj = , j = 1, . . . , s
.. ..
. .
I Cj
αj βj 1 0
Cj = , I= , αj , βj ∈ R.
−βj αj 0 1
19
Definición 2.9 Un campo vectorial lineal L ∈ L(Rn ) es llamado hiperbólico si
todos sus valores propios tienen parte real distinta de cero. El número de valores
propios de L con parte real negativa es llamado el ı́ndice.
E u son subespacios invariantes bajo el flujo de L y tales que los valores propios de
Ls = L|E s tienen parte real negativa y los valores propios de Lu |E u tienen parte real
L
positiva. L = Ls Lu y dim(Ls ) es el ı́ndice de L.
L
Proposición 2.12 Sea L un campo vectorial lineal y Rn = E s E u la descom-
20
a.1) λ2 < λ1 < 0. El origen es un nodo atractor o estable.
lico.
21
conjugación
ẋ = X(x) ẋ = DX(0)x
Eu
•
0
•
0
Es
Para más información sobre el caso no-hiperbólico, ver el libro de Dumortier [22].
ẋ = f (t, x) (2.5)
22
usualmente hablamos de la estabilidad de una singularidad (ver Sección §2.3) o
estado estacionario x = c, donde f (t, c) = 0, para todo t. Sin pérdida de generalidad
podemos asumir c = 0. Decimos que x = 0 es estable para la ecuación diferencial
23
y que
dV
(t, x(t; t0 , x0 )) < 0,
dt
es fácil de conseguir.
24
Capı́tulo 3
Ecuaciones Diferenciales
Estocásticas
En este capı́tulo se abordan los principales resultados sobre las Ecuaciones Dife-
renciales Estocásticas y sus métodos numéricos asociados. Para eso, primero damos
un breve resumen con las nociones introductorias básicas para comprender la teorı́a.
Un análisis más detallado de los tópicos de este Capı́tulo se puede encontrar en
25
donde F : Rn −→ Rn es un campo vectorial de clase C ∞ , G : Rn −→ Mn×m , y ξ(·)
es un “ruido aleatorio” m−dimensional. Informalmente, decimos que (3.1) es una
ecuación diferencial estocástica; sin embargo, para formalizar este concepto primero
no depende de t;
26
resulta ser el llamado Proceso de Wiener o Movimiento Browniano n-dimensional,
denotado por W(·). Simbólicamente escribimos:
Ẇ(·) = ξ(·).
Z t Z t
X(t) = X0 + F(X, s)ds + G(X, s) dW, t≥0
0 0
o Proceso de Wiener si
(iii) Para todos los tiempos 0 < t1 < t2 < . . . < tn , las variables aleatorias
W (t1 ), W (t2 ) − W (t1 ), . . . , W (tn ) − W (tn−1 ) son independientes (Propiedad
de “incrementos independientes”).
27
(i) Para cada k = 1, . . . , n, Wk (·) es un proceso de Wiener 1-dimensional,
Riemann.
Z T
X(t) dW (t) : Ω −→ R,
0
Pm−1
definida como el lı́mite en L2 (ver Apéndice) de k=0 X(tk ) (W (tk+1) − W (tk )), a
medida que la malla de la partición 0 = t0 < t1 < . . . < tm = T de [0, T ] tiende a 0
(en el estilo de la integral de Riemann-Stieljes).
28
Proposición 3.1 Para todas las constantes a, b ∈ R y todos los procesos integrables
X, Y ∈ L2 con respecto al movimiento Browniano W se cumple:
RT RT RT
i) 0
(aX + bY )dW = a 0
XdW + b 0
Y dW,
hR i
T
ii) E 0
XdW = 0,
2 hR i
RT T 2
iii) E 0
XdW =E 0
X dt ,
hR RT i hR i
T T
iv) E 0
XdW 0
Y dW = E 0 XY dt .
Definición 3.4 Supongamos que X(·) es un proceso estocástico escalar que satisface
Z r Z r
X(r) = X(s) + F dt + GdW
s s
dX = F dt + GdW
para 0 ≤ t ≤ T.
Notemos que los sı́mbolos diferenciales son sólo una abreviación de la expresión
integral de arriba y no poseen NINGÚN significado por sı́ solos. Sin embargo re-
sultan útiles para presentar resultados como el siguiente, conocido como la versión
estocástica de la regla de la cadena.
Teorema 3.2 (Fórmula de Itô) Supongamos que X(·) posee la diferencial estocástica
dX = F dt + GdW para algún F ∈ L1 (0, T ), G ∈ L2 (0, T ). Sea u : R × [0, T ] −→ R
29
∂u ∂u ∂ 2 u
función continua tal que las derivadas parciales , ,
∂t ∂x ∂x2
existen y son continuas.
Si fijamos Y (t) = u(X(t), t), entonces Y posee la diferencial estocástica
∂u ∂u 1 ∂2u 2
dY = ∂t
dt + ∂x
dX + 2 ∂x2
G dt
(3.3)
∂u ∂u 1 ∂2u 2 ∂u
= ∂t
+ ∂x
F + 2 ∂x2
G dt + ∂x
GdW.
donde el argumento de u, ∂u
∂t
, etc. es (X(t), t).
λ2 t
Por ejemplo, si X(·) = W (·), u(x, t) = eλx− 2 . Entonces dX = dW luego
F ≡ 0, G ≡ 1. Se tiene por la Fórmula de Itô (3.3)
2
2 λ λW (t)− λ2 t λ2 λW (t)− λ2 t λ2 t
λW (t)− λ2 t
d e = − e 2 + e 2 dt + λeλW (t)− 2 dW.
2 2
Luego,
dY = λY dW
Y (0) = 1.
λ2 t
Por lo tanto, en el cálculo estocástico de Itô la expresión eλW (t)− 2 juega el rol que
eλt juega en el cálculo clásico.
30
La versión integral de la regla del producto es la Fórmula de Itô para integración
por partes:
Z r Z r Z r
X2 dX1 = X1 (r)X2 (r) − X1 (s)X2 (s) − X1 dX2 − G1 G2 dt.
s s s
Definición 3.5 Sea W(·) = (W1 (·), . . . , Wm (·)) un movimiento Browniano m−di-
mensional. Si G = (Gij )n×m ∈ L2n×m (0, T ), entonces
Z T
GdW
0
m Z
X T
Gij dWj , i = 1, . . . , n.
j=1 0
dX = Fdt + GdW.
31
O sea,
m
X
dXi = Fi dt + Gij dWj , para i = 1, . . . , n
j=1
Teorema 3.4 (Fórmula de Itô) Supongamos que X(·) = (X1 (·), . . . , Xn (·)) es como
en la Definición anterior. Sea u : Rn × [0, T ] −→ R función continua que admite
∂u ∂u 2
derivadas parciales , , ∂u ,
∂t ∂xi ∂xi ∂xj
entonces
Xn n m
∂u ∂u 1 X ∂2u X
d(u(X(t), t)) = dt + dXi + Gil Gjl dt.
∂t i=1
∂xi 2 i,j=1 ∂xi ∂xj l=1
dX
(t) = f (t, X(t)) + g(t, X(t)) ξ(t), (3.4)
dt
Z t Z t
X(t) = X0 + f (s, X(s)) ds + g(s, X(s)) dW (t),
0 0
o en notación diferencial
32
3.2.1 Existencia y Unicidad de Soluciones
Consideremos la ecuación
dx
= rx + σxξ, (3.5)
dt
para la cual es posible obtener una solución explı́cita mediante la Fórmula de Itô:
1 2
x(t) = x0 exp r − σ t + σW (t)
2
La solución x(t) es del tipo x(t) = x0 + exp(µt + αW (t)), con α, µ constantes. Tales
procesos son llamados movimientos Brownianos geométricos. En particular, en el
próximo Capı́tulo daremos una importante interpretación biológica para la ecuación
(3.5).
33
Teorema 3.5 Sean T > 0 y F : [0, T ] × Rn −→ Rn , G : [0, T ] × Rn −→ Rn×m
funciones medibles tales que
y tales que
|F (t, x) − F (t, y)| + |G(t, x) − G(t, y)| ≤ K|x − y|, x, y ∈ Rn , t ∈ [0, T ], (3.7)
Dem. Teorema 3.5 Ver Øksendal [57] o Kloeden & Platen [43]. 2
34
es si
P e
sup |X(t) − X(t)| > 0 = 0.
0≤t≤T
Esta unicidad es llamada fuerte, mientras que unicidad débil significa que dos solu-
ciones son idénticas si poseen la misma distribución de probabilidad.
En general, es posible dar variaciones del Teorema 3.5 con hipótesis más débiles,
por ejemplo, reemplazando la condición Lipschitz global (3.7) por una de tipo local.
Esto claramente incrementa la clase de coeficientes admisibles, pues por el Teorema
del Valor Medio, toda función diferenciable satisface una condición de Lipschitz de
tipo local.
más rápido que en una forma lineal en magnitud para |x| grande. De hecho, la tasa
de crecimiento en F = F (t, x) en (3.6) se puede reemplazar por
x · F (t, x) ≤ K 2 (1 + |x|2 ),
35
3.2.2 Propiedades de las Soluciones
Teorema 3.6 Supongamos que se satisfacen las hipótesis del Teorema 3.5 (existen-
cia y unicidad). Si además,
Al igual que en el caso determinı́stico, también podemos probar que, bajo ciertas
condiciones, la solución de una ecuación diferencial estocástica depende continua-
mente de los parámetros en la ecuación. Consideremos una familia de ecuaciones
Z t Z t
Xµ (t) = Xµ (0) + F (s, Xµ(s); µ) ds + G(s, Xµ (s); µ) dW (s), (3.9)
0 0
36
donde el valor inicial Xµ (0) también podrı́a depender del parámetro. En el caso
en que sólo la condición inicial depende del parámetro obtenemos la dependencia
continua en las condiciones iniciales.
Teorema 3.7 Supongamos que para la ecuación (3.9) se satisfacen las condiciones
del Teorema 3.5 para cada µ ∈ R y que se cumple
lim E |Xµ (0) − Xµ0 (0)|2 = 0,
µ→µ0
lim sup E |Xµ (t) − Xµ0 (t)|2 = 0.
µ→µ0 0≤t≤T
37
3.2.3 Estabilidad Estocástica
En esta sección lidiamos con las propiedades cualitativas de las soluciones de ecua-
ciones diferenciales estocásticas, a partir de la forma funcional de sus coeficientes.
De particular interés en las aplicaciones es el comportamiento en el largo plazo y
la sensibilidad de las soluciones a pequeñas perturbaciones. Por ejemplo, sabemos
que se ha desarrollado una extensa teorı́a detallando las condiciones necesarias y/o
suficientes para una función de Lyapunov (ver §2.4) tal que un punto de equilibrio
sea estable, asintóticamente estable, etc. A continuación indicaremos algunas de
estas condiciones para ecuaciones diferenciales estocásticas.
Sin pérdida de generalidad, suponemos que hay una solución estacionaria X(t) ≡ 0,
luego f (t, 0) = 0 y g(t, 0) = 0 para todo t. Supongamos que existe una única
solución X(t) = Xx0 (t) para todo t ≥ 0 y para cada valor inicial determinı́stico
X(0) = x0 en consideración. Decimos que la solución estacionaria X(t) ≡ 0 es
estocásticamente estable si cualquier otra solución inicialmente “cercana” permanece,
casi seguramente, en una vecindad del origen en el largo plazo, es decir si para
cualquier ǫ > 0
lim P sup |Xx0 (t)| ≥ ǫ = 0,
x0 →0 t≥0
38
convergen casi seguramente al origen, es decir,
lim P lim |Xx0 (t)| −→ 0 = 1.
x0 →0 t→∞
soluciones. En este caso, X(t) ≡ 0 se dice estable en media p si para todo ǫ > 0
existe un δ = δ(ǫ) > 0 tal que
Los calificativos uniforme y global se usan de la misma forma que en el caso deter-
minı́stico.
ficientemente suave V = V (t, x) tal que se pueda ocupar la fórmula de Itô y tal
que
LV (t, x) ≤ 0, (3.11)
donde el operador L es
∂ ∂ 1 2 ∂2
L= +f + g ,
∂t ∂x 2 ∂x2
39
β(r) de r > 0 con α(0) = β(0) = 0 tales que
encontrarse en [43].
LV (t, x) ≤ −c(|x|)
dX = F(t, X) dt + G(t, X) dW
n
X n
∂ ∂ 1X ∂2
L= + Fi + (GGt )i,j .
∂t i=1 ∂xi 2 i,j=1 ∂xi ∂xj
Sin embargo, al igual que en el caso determinı́stico, el problema de hallar una función
40
Otros métodos para determinar la estabilidad de una solución estacionaria in-
cluyen la linealización alrededor de esta solución y el estudio de los Exponentes de
Lyapunov [74] (en el caso general) o los valores propios en el caso autónomo. Sin em-
ciales Estocásticas
En esta sección mostramos algunos de los métodos numéricos más comunes para
ecuaciones estocásticas, junto con sus principales propiedades.
escalar
dX(t) = f (t, X(t)) dt + g(t, X(t)) dW (t)
τ0 < τ1 < . . . < τn < . . . < τN = T del intervalo temporal [t0 , T ], una aproximación
de Euler es un proceso estocástico a tiempo continuo Y = {Y (t)| t0 ≤ t ≤ T } que
41
satisface el esquema iterativo
Denotemos
∆n = τn+1 − τn
δ = max ∆n
n
al máximo paso del tiempo. Una alternativa usual es considerar una discretización
del tiempo equidistante
τn = t0 + nδ
42
los incrementos aleatorios
Para una discretización dada del tiempo el esquema de Euler (3.12) sólo de-
termina valores del proceso en los instantes de la discretización. Si se requiere,
Y (t) = Ynt
nt = max{n = 0, 1, . . . N| τn ≤ t},
esto es, el entero n más grande para el cual τn no excede a t. Sin embargo, la
interpolación lineal
t − τnt
Y (t) = Ynt + (Ynt +1 − Ynt )
τnt +1 − τnt
43
no-diferenciabilidad. Dado que no es posible reproducir esa estructura más fina de
tales trayectorias en un computador, nos concentramos en los valores de la aproxi-
mación en los instantes de la discretización.
k
Yn+1 = Ynk + F k (τn , Yn ) ∆n + Gk (τn , Yn ) ∆Wn ,
(F 1 , . . . , F d ) y G = (G1 , . . . , Gd ).
m
X
k
Yn+1 = Ynk k
+ F (τn , Yn ) ∆n + Gk,j (τn , Yn ) ∆Wnj .
j=1
1 2
Yn+1 = Yn + f (τn , Yn ) ∆n + g(τn , Yn ) ∆Wn + g (τn , Yn ) (∆Wn )2 − ∆n .
2
44
En el caso multidimensional con m = 1 y d = 1, 2, . . . la k−ésima componente
del esquema de Milstein está dada por
k
Yn+1 = Ynk + F k (τn , Yn ) ∆n + Gk (τn , Yn ) ∆Wnk
P
1 d l ∂Gk 2
+2 l=1 G (τn , Yn ) ∂xl (τn , Yn ) {(∆Wn ) − ∆n } .
m
X m
X
k
Yn+1 = Ynk k
+ F (τn , Yn ) ∆n + G k,j
(τn , Yn ) ∆Wnj + Lj1 Gk,j2 (τn , Yn )I(j1 ,j2 ) ,
j=1 j1 ,j2 =1
donde
d
X
j ∂
L = Gk,j
k=1
∂xk
y
Z τn+1 Z s2
I(j1 ,j2 ) = dWsj11 dWsj22
τn τn
son integrales de Itô múltiples, las cuales en general son difı́ciles de expresar en
términos de los incrementos ∆Wnj1 y ∆Wnj2 de las componentes del movimiento
1
I(j1 ,j1 ) = (∆Wnj1 )2 − ∆n .
2
45
nos interesa discutir el problema de los errores de aproximación y la convergencia
de los métodos. Si se conoce la solución teórica X(t) de una ecuación diferencial
estocástica
Z t m Z
X t
X(t) = X0 + F (s, X(s)) ds + Gj (s, X(s)) dWsj
0 j=1 0
ǫ = E ( |X(T ) − Y (T )|) ,
Definición 3.7 Diremos que una aproximación a tiempo discreto general Y δ con
paso máximo δ > 0 converge a X en el tiempo T si
lim E |X(T ) − Y δ (T )| = 0.
δ→0
Definición 3.8 Diremos que una aproximación a tiempo discreto Y δ converge con
orden γ > 0 en el tiempo T si existen una constante C > 0, que no depende de δ, y
un δ0 > 0 tal que
ǫ(δ) = E |X(T ) − Y δ (T )| ≤ Cδ γ
46
Varios otros criterios se han sugerido en la literatura, pero la Definición 3.8 es
una generalización natural del caso determinı́stico y permite que se deriven órdenes
de convergencia matemáticamente finos. De hecho, es posible establecer versiones
E( |X0|2 ) < ∞,
1/2
E |X0 − Y0δ |2 ≤ K1 δ 1/2 ,
y
|F (s, x) − F (t, x)| + |G(s, x) − G(t, x)| ≤ K4 (1 + |x|) |s − t|1/2
47
δ. Entonces, para la aproximación de Euler Y δ se cumple la siguiente estimación
E |X(T ) − Y δ (T )| ≤ K5 δ 1/2 ,
Milstein posee orden de convergencia γ = 1, ver Teorema 10.6.3 en [43]. Luego, con
la incorporación de sólo un término adicional al esquema de Euler para formar el
esquema de Milstein, logramos incrementar la tasa de convergencia de γ = 0.5 a
γ = 1. Este orden de convergencia de γ = 1 del método de Milstein corresponde al
del esquema de Euler en el caso determinista sin ningún ruido, esto es G ≡ 0. En este
trabajo en la actualidad.
48
Capı́tulo 4
• Dinámica Poblacional,
• Inmunologı́a,
• Bioeconomı́a Matemática,
• Biologı́a Computacional,
49
• Epidemiologı́a,
• Estructura de Proteı́nas,
• Fisiologı́a,
• Morfogénesis,
• Redes Neuronales,
• etc...
50
4.1 Dinámica de Poblaciones Aisladas
dx
= nacimientos − muertes + migración, (4.1)
dt
(4.1) dependen del fenómeno en particular que se está modelando. Verhulst propuso
[71] en 1836 un modelo de la forma:
dx x
= rx 1 − , (4.2)
dt K
x
r 1− ,
K
biente [19], que usualmente está determinada por los recursos disponibles para la
supervivencia de la especie. La ecuación logı́stica es un modelo ya clásico y ha sido
ampliamente estudiada [11, 56]: Para cualquier condición inicial, el tamaño de la
población converge monótonamente a K para t → ∞, ver Figura 4.1.
En general, muchos modelos aplicados son variaciones del modelo logı́stico mo-
dificado para dar cuenta de un fenómeno particular. Por ejemplo, Ludwig et al. [48]
consideraron la dinámica de una población de larvas de polilla que devoran las hojas
51
x(t)
x0
K
x0
K/2
x0
p(x)
x
0 xc
Figura 4.2: Forma funcional tı́pica de la depredación en el modelo de las larvas de polilla.
dx x
= rB x 1 − − p(x).
dt KB
52
valor crı́tico xc , bajo el cual la depredación es pequeña, mientras que sobre xc la
depredación se acerca al valor de saturación. Especı́ficamente tomamos la forma
sugerida por Ludwig et al. [48] y la dinámica de x(t) queda gobernada por
dx x Bx2
= rB x 1 − − 2 ,
dt KB A + x2
x
ẋ = rx 1 − (x − m) , 0 ≤ m < K. (4.3)
K
Se puede ver que la población descrita por (4.3) posee dos singularidades no-triviales
en x = m y x = K, ver Figura 4.3. Si la población inicial x0 es mayor que m,
la población crece monótonamente, convergiendo al valor x = K, al igual que en el
caso de una población que sigue la ecuación logı́stica (4.2). Si x0 < m, la población
se extingue. La razón está en que x = K y x = 0 son puntos de equilibrio estables,
mientras que x = m es inestable. Por este motivo, el parámetro m es conocido como
la mı́nima población viable [29] para el modelo. Si m > 0, la población presenta un
efecto Allee fuerte; y si m = 0, se trata de efecto Allee débil [31, 72].
La ecuación (4.3) es una de las formas más simples de presentar el efecto Allee,
llamado ası́ en honor al trabajo pionero del ecólogo y zoólogo estadounidense Warder
Clyde Allee (1885 − 1955) [4, 5, 6]. El efecto Allee fue originalmente formulado
53
x(t)
0 t
puede incluso ser negativa, originando un umbral de extinción [10, 11, 56] como en
la ecuación (4.3). En otras palabras, se entiende que el efecto Allee es el causante del
incremento en el riesgo de extinción a bajas densidades de población al introducir
un umbral de población, el cual debe ser sobrepasado por ésta para poder crecer,
ver Figuras 4.3 y 4.4.
54
dx
dt
0 x
xm
Figura 4.4: Forma cualitativa de la tasa de crecimiento de una población con efecto Allee.
55
• Polinización de árboles o plantas a bajas densidades.
En resumen, las mayores consecuencias directas del efecto Allee para la conser-
vación son visibles a través de los cambios en la dinámica de la población, particu-
larmente a bajas densidades (el problema o anhelo de la eventual extinción de una
especie es recurrente en una industria pesquera o agropecuaria, según corresponda).
Idealmente lo que se busca es la conservación ante la fragmentación, explotación
y/o pérdida de hábitats, o los impactos causados por muertes, depredadores o com-
petidores. Especies sujetas a fuertes efectos Allee tienen una mayor tendencia a ser
menos hábiles para sobrellevar estas causas adicionales de mortandad, más lentos
para recuperarse, y más inclinados a la extinción que otras especies [65].
56
En la mayorı́a de los modelos de depredación se considera que el efecto Allee
influye sobre la población de presas y este efecto es independiente del tipo de res-
puesta funcional o tasa de consumo que exprese el cambio de la depredación con el
57
Nosotros nos concentraremos en el primer tipo de interacción, la depredación.
Por lo general, los modelos realistas consideran tasas de crecimiento que dependen
de las densidades poblacionales de ambas especies como en la ecuación
h x i
ẋ = x r 1 − − yR(x) ,
K
Por otro lado, la respuesta funcional del depredador o función de tasa de consumo
R(x) se refiere al cambio en la densidad de presas capturadas por unidad de tiempo
por depredador a medida que la densidad de presas cambia [26, 59]. En muchos de
los modelos depredador-presa considerados en la literatura ecológica, la respuesta
del depredador a la densidad de presas se asume monótonamente creciente, por la
suposición de que mientras más presas haya en el ambiente, mejor para el depredador
[26].
58
Sin embargo, existe evidencia que indica que éste no siempre es el caso, por
ejemplo cuando existe un tipo de comportamiento anti-depredador. La defensa
grupal es uno de éstos, y se usa el término para describir el fenómeno donde los
escala espacial relativa al depredador, tal que la caza no sea espacialmente ho-
mogénea [69], como sucede con grandes cardúmenes de peces. En este caso, una
ventaja de formar bancos de peces parece ser la confusión del depredador cuando
ataca. El beneficio más importante de la agregación es entonces un incremento en
purificación del agua, fenómeno que es llamado inhibición [26, 59, 77].
59
xR(x) xR(x) xR(x)
A A A
x x x
0 0 0
(a) (b) (c)
Figura 4.5: Ejemplos de respuesta funcional xR(x) de los depredadores a la densidad de presas.
(a) R(x) = A/(x + B). (b) R(x) = Ax/(x2 + B 2 ). (c) R(x) = A(1 − e−Bx )/x.
A Ax A(1 − e−Bx )
R(x) = , R(x) = 2 , R(x) = , (4.5)
x+B x + B2 x
hy
G(x, y) = k 1 − , G(x, y) = −d + eR(x), (4.6)
x
60
y que la contribución de las presas a la tasa de crecimiento de los depredadores es
proporcional a la depredación, esto es, eR(x)y. Esta forma de modelación se conoce
como tipo Gause [80].
En [70] se afirma que algunos modelos Leslie pueden llevar a anomalı́as en sus
predicciones pues pronostican que incluso a bajas densidades de población de presas,
cuando la tasa de consumo por depredador individual es esencialmente cero, la
más presas, la población de estas últimas comience a declinar. Con menos alimento
disponible, la población de depredadores a su vez también comenzará a decrecer, y
cuando sea suficientemente pequeña, permitirá que la población de presas se recupere
y se incremente para volver a iniciar un nuevo ciclo. Por lo tanto, es muy natural
que aparezcan ciclos lı́mite en modelos de depredación [2, 3, 30, 62, 63].
Los modelos presentados en (4.4)-(4.6) son sólo ejemplos de los muchos que han
sido propuestos o estudiados. Otros ejemplos con aplicaciones más especı́ficas se
61
4.3 Modelos Estocásticos en Dinámica de Pobla-
ciones
g(N(t)) ξ(t),
donde g(N(t)) > 0 es la intensidad (per cápita) del ruido y ξ(t) es un ruido blanco
estándar a tiempo continuo (ver §3.1).
62
Obtenemos ası́ una ecuación diferencial estocástica
1 dN
(t) = f (N(t)) + g(N(t)) ξ(t), N(0) = N0 > 0, (4.7)
N(t) dt
especı́ficos.
cuya solución es
1 2
N(t) = N0 exp r− σ t + σW (t) .
2
según se demuestra en [57]. Conociendo esta solución explı́cita se obtienen los si-
guientes resultados:
1 2
(iv) Si r = 2
σ entonces N(t) fluctua entre valores arbitrariamente grandes y
arbitrariamente pequeños cuando t → ∞, c.s.
63
Vemos que en particular, la propiedad (ii) afirma que es posible que la población
aumente indefinidamente su tamaño. Claramente, esto es consecuencia directa de
la modelación empleada y no del fenómeno mismo. Para obtener modelos que in-
donde θ ∈ (0, 0.5), y se demuestra que, bajo ciertas condiciones, las soluciones
positivas de la ecuación diferencial estocástica no explotan en un tiempo finito.
Por otro lado, en [23] se estudia un modelo que incorpora migración y una tasa
de crecimiento dada de la forma
N(z, t)
f (z, t) = r − γ ln ,
ε2
64
El efecto Allee también ha sido añadido a modelos estocásticos unidimensionales.
En [13] se considera un crecimiento logı́stico y un efecto Allee multiplicativo en la
forma
N l
dN = rN 1 − 1− dt + N dW.
k N
comportamiento cuando N → 0.
tasa deberı́a ser definida en términos del proceso observado. Concretamente, se de-
muestra que, al usar el cálculo de Itô, f (x) efectivamente es la tasa de crecimiento en
promedio aritmético fa (x) y, al usar el cálculo de Stratonovich, f (x) es en realidad
65
la tasa de crecimiento en promedio geométrico fg (x). Luego, escribiendo las ecua-
ciones en términos de un promedio bien definido, fa (x) o fg (x), en vez del promedio
indefinido f (x), ambos tipos de cálculo llevan a la misma solución.
intentos en esta dirección, fue el interesante artı́culo de Arnold et al. [8], donde los
autores usaron la teorı́a del movimiento Browniano y el ruido blanco asociado. En
cambio, en [51] se intenta analizar los efectos de pequeñas fluctuaciones aleatorias
en sistemas con ciclos lı́mite.
66
con f, g > 0 y W1 , W2 dos movimientos Brownianos independientes. En ese artı́culo
se estudia la existencia, unicidad y la propiedad de no extinción de las soluciones de
este problema. Posteriormente, Arató [7] tiene en mente la aplicación del modelo
67
es insignificante y puede ser ignorado.
de Lotka-Volterra clásico (4.8), pero se estima que los verdaderos tamaños pobla-
cionales son en realidad perturbaciones aleatorias de las soluciones de este sistema
de ecuaciones diferenciales ordinarias. Si X(t) e Y (t) son los tamaños de presas y
depredadores, respectivamente, entonces se plantea el modelo
68
x
dx = x(a − bx) + c
y dt + σ1 x dW1 ,
1+x
x
x
dy = y(f − gy) + e 1+x y dt + σ2 1+x y dW2 ,
con a, b, c, e, f, g > 0.
Los modelos presentados en esta Sección han sido todos a tiempo continuo y en
base a ecuaciones diferenciales estocásticas. Sin embargo, existe una rica y creciente
investigación en el área considerando modelos a tiempo discreto, aunque utilizando
69
Capı́tulo 5
Estudio de un Modelo
Depredador-Presa con Efecto
Allee
70
5.1 Modelación del Fenómeno
ción que presenta efecto Allee, deducida en [21] y [65], dada por la ecuación
dx x mx
= rx 1 − − , (5.1)
dt k x+b
que dos o más efectos Allee generan mecanismos que actúan simultáneamente en
una sola población (ver Tabla 2 en [12]) y la influencia combinada de algunos de
estos fenómenos ha sido llamada un efecto Allee múltiple.
71
depredación en pequeñas poblaciones [28]. Esta situación ha acontecido en muchas
pesqueras reales como resultado del exceso de pesca cuando el hombre actúa como
depredador [18].
dx rx x
= 1− (x − M) x, (5.2)
dt x+b K
donde
r ! r !
1 1 1 1
2 2
M= k−b− r (k + b) − 4mk , K= k−b+ r (k + b) − 4mk ,
2 r 2 r
para r (k + b)2 − 4mk > 0. Luego, la ecuación (5.2) representa dos tipos de efecto
Allee afectando a la misma población pues M expresa el mı́nimo de población viable
r x
y el factor r(x) = x+b
indica el impacto de un efecto Allee debido a otras causas
afectando a la tasa de crecimiento intrı́nseco, como por ejemplo, la depredación
qx
h(x) = ,
x2 +a
también empleada en [47, 59, 76, 77] y que corresponde a una respuesta funcional
de tipo Holling IV [69] la cual es generalizada como
qx
h(x) =
x2 + bx + a
72
en [79, 80] para un modelo Gause. Esta expresión generalizada es derivada por
Collings [19], quien afirma que este tipo de respuesta funcional parece ser una posi-
bilidad razonable si se asume que la densidad de presas está directamente relacionada
En el sistema (5.3), x(t) e y(t) denotan densidades de las presas y los depredadores,
respectivamente, como funciones del tiempo t. Más aún, los parámetros tienen los
siguientes significados:
número máximo de presas que pueden ser comidas por un depredador en cada
unidad de tiempo.
73
q.
5. n es una medida de la calidad del alimento que proveen las presas para la
conversión en nacimientos de nuevos depredadores.
6. m y b son constantes que indican la severidad del efecto Allee que se está
modelando.
Para el modelo (5.3) se probó en [2] que, bajo ciertas condiciones sobre los
parámetros, el sistema permite la existencia de un ciclo lı́mite estable rodeando
un ciclo lı́mite inestable, ambos generados por bifurcación de Hopf. También de-
mostramos en [3] que para otros valores de los parámetros, el sistema posee tres
ciclos lı́mite: los dos primeros son infinitesimales generados por bifurcación de Hopf
[9, 68]; el tercero surge de una bifurcación Homoclı́nica [32, 49]. Además, dimos
las condiciones sobre los parámetros para que el modelo presente extinción o sobre-
vivencia de ambas poblaciones en el largo plazo. A continuación damos un breve
br − m
b, k y L = ,
s
es decir, en el sistema original (5.3) las caracterı́sticas más importantes son las
74
de soporte del ambiente (k), y el efecto Allee (b y m).
Este modelo predice que, cuando L < 0, el sistema posee tres puntos de equilibrio
A diferencia de otros modelos, en este trabajo mostramos que el efecto Allee débil
no necesariamente implica extinción de las especies, lo cual, hasta donde sabemos,
es una caracterı́stica completamente nueva para modelos continuos, que no ha sido
reportada hasta ahora en publicaciones. La razón es la siguiente. Para L = 0, P−
colapsa con el origen, y se obtiene un efecto Allee débil si P+ permanece como una
singularidad aislada. En este caso, el modelo predice dos fenómenos dependiendo de
los valores de los parámetros. En el primero de ellos, el origen posee una separatriz
dividiendo un sector parabólico repulsor y un sector hiperbólico [22], ver Lema 4.1,
parte (iii) en [1]. Esto significa que toda solución con condición inicial (x0 , y0 ) en el
interior del primer cuadrante cerca del origen, en el largo plazo tenderá a alejarse
del origen permitiendo que ambas poblaciones sobrevivan y no se extingan.
El segundo caso es más común, ver Lema 4.1, parte (iv) en [1], y ha sido observado
en trabajos previos, ver [25, 55], a saber, el origen posee un sector parabólico atractor
y un sector hiperbólico [22] divididos por una separatriz atractora, que representa
una lı́nea crı́tica que las poblaciones deben traspasar para sobrevivir en el tiempo y
no extinguirse.
75
de los valores de los parámetros, una de estas singularidades es un foco hiperbólico
atractor rodeado por dos ciclos lı́mite; el interior siendo inestable (frontera de la
cuenca de atracción), y el exterior estable. Además, estos dos ciclos lı́mite represen-
Más aún, cuando L < 0 y hay un efecto Allee fuerte, el modelo puede mostrar el
fenómeno de triestabilidad debido a la existencia de tres conjuntos ω−lı́mite en el
primer cuadrante: El ciclo localmente estable rodea un punto de equilibrio atractor
en el primer cuadrante, y a un ciclo lı́mite infinitesimal inestable que sirve como
separatriz en el plano de fases; esto es, hay un rango para los tamaños de las pobla-
Sin embargo, este modelo aun tenı́a una dinámica más rica y compleja que la
comentada hasta aquı́, incluso dándonos luces sobre el comportamiento global del
sistema, pues se demuestra la coexistencia de tres ciclos lı́mite de nuestro campo
de vectores en el interior del primer cuadrante (ver Teorema 4.12 en [1]), lo cual
fue un resultado completamente nuevo en ese entonces, para modelos aplicados en
Dinámica de Poblaciones, pues éstos habitualmente poseen a lo más dos ciclos lı́mite.
Empleando una nueva reparametrización, mostramos que para un subconjunto ℧3
76
infinitesimales, el interior siendo inestable y el exterior estable. El tercer ciclo lı́mite,
no obstante, no es concéntrico con los anteriores y tiene carácter global; de hecho es
generado por una bifurcación Homoclı́nica (ver [32, 49]) como se demuestra en los
Más aún, en el caso L < 0 cuando hay efecto Allee fuerte, el modelo puede pre-
sentar multiestabilidad al existir cuatro conjuntos ω−lı́mite en el primer cuadrante:
Un ciclo lı́mite estable rodeando a otro ciclo inestable y a un foco localmente estable,
con las mismas interpretaciones que los casos previos; el tercer conjunto ω−lı́mite
es el origen, y el cuarto es el foco atractor rodeado por el tercer ciclo lı́mite, que
sirve de frontera de la cuenca de atracción de este punto de equilibrio.
Para ilustrar este resultado, en la Figura 5.1 mostramos una simulación numérica
para el sistema (5.3), realizada con el software Matlab [52]. Aquı́ a = 3, b = n = s =
1, k = 6.79211, m = 4.07697, q = 4.05116, r = 4.02708. Las condiciones iniciales en
(x(0), y(0)) son (0.8, 0.8), (1.01, 1.01), (2, 2), (2.2, 2.2), (1, 0.95), y (0.4, 0.1).
En la Figura 5.1 es claro que hay un ciclo lı́mite entre las órbitas de los puntos
(2, 2) y (2.2, 2.2), respectivamente, pues el ω−lı́mite de (2, 2) es el origen, pero el
ω−lı́mite de (2.2, 2.2) es el foco estable ubicado cerca de x = 2.5. Por otro lado,
los dos ciclos lı́mite infinitesimales están rodeando el punto singular (1, 1), pero
son demasiado pequeños para la escala de esta figura y para estos valores de los
parámetros.
77
4
3.5
2.5
2
y
1.5
0.5
0
0 1 2 3 4 5
x
Figura 5.1: Simulación numérica de las órbitas del sistema determinı́stico (5.3).
interior o exterior del ciclo. Por ejemplo, órbitas al interior del ciclo son espirales
que tienden asintóticamente al foco estable, impidiendo la extinción; pero órbitas en
el exterior del ciclo lı́mite convergen asintóticamente, orientadas en sentido positivo,
al origen, causando la desaparición de ambas especies.
llevará al sistema a la extinción, como se ilustra con la trayectoria del punto (1, 0.95)
en la Figura 5.1.
Por lo tanto, dado un conjunto arbitrario de valores para los parámetros del
78
modelo, gracias a nuestro estudio es posible predecir, entre otras cosas, bajo qué
condiciones iniciales el sistema en el largo plazo converge hacia un estado de equili-
brio de coexistencia puntual o periódica de ambas poblaciones, o si está encaminado
funciones en (5.5) ya han sido utilizadas anteriormente en [7, 16, 38, 40, 42, 60],
79
pero para modelos más sencillos de Lotka-Volterra, y recientemente generalizadas a
la forma g(x) = σxθ , θ ∈ [0, 0.5] en [37], y al caso no-autónomo g(x, t) = σ(t)x(t)
en [39], pero para modelos logı́sticos unidimensionales.
Sea el campo de vectores en el plano F (x, y) = (P (x, y), Q(x, y))t con funciones
coordenadas:
x
m
qxy
P (x, y) = r 1−
− k x+b
x− x2 +a
;
(5.6)
y
Q(x, y) = sy 1 − nx .
x(t) σ1 x(t) 0 W1 (t)
donde X(t) = , G(x(t), y(t)) = , y W (t) =
y(t) 0 σ2 y(t) W2 (t)
es un movimiento browniano bidimensional.
Es claro que P y Q son funciones de clase C ∞ en A = {(x, y)| x > 0, y ≥ 0}, y por
tanto el campo F satisface una condición de tipo Lipschitz local en cada punto de
A. Además, de (5.6) y (5.7) notamos que el eje y = 0 es invariante bajo el sistema
dinámico asociado a X(t). Por otro lado, en [2, 3] se demuestra que el sistema
determinı́stico dado por el campo de vectores (5.6) posee una extensión polinomial
C ∞ −equivalente (ver §2.2) en todo el primer cuadrante Ω = {(x, y)| x ≥ 0, y ≥ 0} y
que, en particular, el eje x = 0 también es invariante, y luego, ninguna órbita de F
en el interior de Ω abandona el primer cuadrante.
80
cuadrante, en el sentido de que ninguna órbita orientada en sentido positivo converge
al infinito. Esto implica el acotamiento de las soluciones del sistema determinı́stico
asociado a (5.7) en A.
Por otro lado, es claro que nuestro modelo estocástico no tiene puntos estaciona-
rios, es decir, no existe (x∗ , y ∗) ∈ A, tal que F (x∗ , y ∗) = 0 y G(x∗ , y ∗) = 0.
A partir del Teorema 5.4 presentado más adelante en esta sección, es posible
afirmar que las aproximaciones numéricas del método SSBE convergen a las solu-
ciones reales del sistema (5.7), gracias a que los coeficientes de éste son funciones
En lo que sigue, h·, ·i denota el producto interno euclideano y |·| denota la norma
euclideana o la norma matricial de Frobenius, según corresponda.
81
Lema 5.1 Para el campo de vectores F y la matriz G existen constantes λ, ν > 0
tales que
ha − b, F (a) − F (b)i ≤ λ|a − b|2 , ∀a, b ∈ A, (5.9)
a1 > b1 . Entonces, dado que P (x, y) ≤ rx, para todo (x, y) ∈ A, se tiene:
Es directo ver que la desigualdad (5.11) también es válida para los casos a1 ≤ b1 ,
pues se cumple:
(b1 − a1 )P (b1 , b2 ) ≤ (b1 − a1 )rb1 ,
(b1 − a1 )P (a1 , a2 ) ≤ (b1 − a1 )ra1 .
λ = max{r, s}. Por último, la desigualdad (5.10) es inmediata, pues los coeficientes
82
de G son lineales en x e y, y por tanto, globlalmente Lipschitzianos.
2
Lema 5.2 Dada una condición inicial X0 ∈ A, para el sistema de ecuaciones (5.7)
existe una única solución X(t).
con (x0 , y0) ∈ A. Sea Fe el nuevo campo de vectores C ∞ −conjugado (ver §2.2) a F .
Es claro que Fe(0, 0) = F (x0 , y0).
y
e
|G(a)| 2 e
≤ 2|G(0)| 2 e
+ 2|G(a) e
− G(0)| 2 e
≤ 2|G(0)| 2
+ 2ν|a|2 ,
n o
max hFe(a), ai, |G(a)|
e 2
≤ α + β|a|2 , e
∀x ∈ A, (5.14)
n o
1 e e 1
donde α = max 2
|F (0)|2 , 2|G(0)| 2
y β = max λ+ 2
, 2ν . De esta forma, el
83
Comentario: La unicidad en el Lema 5.2 es en sentido de las realizaciones del
proceso estocástico solución de (5.7), es decir, decimos que dos soluciones X(t) y
e
X(t) de (5.7) son iguales si poseen, casi seguramente, las mismas trayectorias en
[0, T ], esto es si
P e
sup |X(t) − X(t)| > 0 = 0.
0≤t≤T
Lema 5.3 Para cada p > 2 y para todo punto inicial X0 ∈ A existe C = C(p, T ) > 0
p
E sup |X(t)| ≤ C (1 + E[|X0 |p ]) .
0≤t≤T
Teorema 5.4 Considere el método SSBE (5.8) aplicado al sistema (5.7). Entonces,
existe una extensión de la solución numérica a tiempo continuo Y (t), (es decir,
Y (tk ) = Yk ) para la cual
2
lim E sup |Y (t) − X(t)| = 0.
∆t→0 0≤t≤T
Dem. Lema 5.4 Por el Lema 5.1 anterior y el Teorema 3.3 en [35] se obtiene
inmediatamente la convergencia del método SSBE aplicado a la ecuación (5.7).
2
Observación: En el Teorema 4.7 en [35] se prueba que el método SSBE posee una
84
caso. Luego, queda abierto el problema de determinar una tasa de convergencia
para el método SSBE aplicado al sistema (5.7).
85
[1] se sabe que bajo estas condiciones, el sistema (5.3) está en presencia de efecto
Allee fuerte. Además, como se comentó en §5.1.1, existen tres trayectorias cerradas
correspondientes a soluciones periódicas, y el origen posee un sector atractor (ver
σ1 , σ2 ∈ [0, 1].
Para ilustrar nuestros resultados, en las Figuras 5.2 − 5.8 se muestran las aproxi-
maciones numéricas obtenidas con el método SSBE (5.8) para distintos valores de
σ1 y σ2 .
Con estos parámetros, nuestro modelo predice que las órbitas cerradas no nece-
sariamente persisten bajo perturbaciones aleatorias, incluso del orden de σ1 = σ2 =
0.0001, como en la Figura 5.2, donde ha desaparecido el ciclo lı́mite observado en
86
3.5
2.5
1.5
0.5
1 2 3 4 5
Figura 5.2: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 0.0001.
cuando la aleatoriedad afecta a las tasas de crecimiento de sólo una de las pobla-
ciones, el modelo predice que puede haber extinción de ambas especies para cualquier
estado inicial (ver Figuras 5.7 y 5.8).
87
3
2.5
1.5
0.5
Figura 5.3: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 0.001.
3.5
2.5
1.5
0.5
Figura 5.4: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 0.01.
88
3.5
2.5
1.5
0.5
1 2 3 4
Figura 5.5: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 0.1.
1 2 3 4 5 6
Figura 5.6: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 1.
89
4
1 2 3 4 5 6
Figura 5.7: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = 1, σ2 = 0.
1 2 3 4
Figura 5.8: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = 0, σ2 = 1.
90
10
2 4 6 8 10
-10
-20
-30
-40
-50
Figura 5.9: Isoclinas del campo de vectores determinı́stico F para el caso de efecto Allee fuerte.
Por último, para todos los casos descritos es posible ver que las mayores fluc-
y
donde Q(x, y) = sy 1 − nx
es la componente vertical de F . Luego, en una vecindad
tubular de {(x, y)| y = x} el componente Browniano W (t) en (5.7) tiene mayor
impacto en las trayectorias del proceso X(t). En general, esto sigue siendo verdadero
en una vecindad de las isoclinas P −1 (0) ∩ Q−1 (0). Para ilustrar este resultado, en la
Figura 5.9 se muestran las gráficas de estas curvas en el primer cuadrante.
Sin embargo, se observa que las órbitas que tienden al origen, lo hacen en forma
91
asintótica y disminuyendo sus fluctuaciones a medida que se acercan a este equilibrio.
Esto se explica por el hecho de que las perturbaciones aleatorias son directamente
proporcionales a los tamaños poblacionales (ver ecuación (5.4)); ası́, para densi-
En esta situación consideramos los siguientes valores para los parámetros del
modelo: a = c = k = m = n = q = s = 1, b = 0.5, r = 2. De [1] se sabe que en este
caso, el modelo original presenta el fenómeno de efecto Allee débil, con ausencia de
extinción para ambas poblaciones, pues el origen posee un sector parabólico repulsor
ciales e intensidades de las perturbaciones, las que se muestran en las Figuras 5.11
− 5.13. Vemos claramente que en todos los casos simulados hay sobrevivencia de
las poblaciones en el largo plazo. Esto es consecuencia de que el ruido aleatorio es
de tipo multiplicativo, es decir, se ha modelado como proporcional al tamaño de
las poblaciones, lo que induce a las trayectorias a fluctuar con menor intensidad
92
1
0.9
0.8
0.7
0.6
0.5
y
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1
x
Figura 5.10: Simulación numérica de las órbitas del sistema (5.3) con efecto Allee débil.
mientras más pequeñas sean las densidades de depredadores y presas, o sea, com-
portándose como las trayectorias determinı́sticas, las cuales como se sabe, nunca
convergen al origen. Lo anterior implica, por lo tanto, la persistencia estocástica del
pues no es invariante bajo el sistema dinámico. Aún ası́, todo esto hace presumir
que, bajo estas condiciones, el sistema es globalmente estable en media (ver §3.2.3).
93
1
0.8
0.6
0.4
0.2
Figura 5.11: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee débil para
σ1 = σ2 = 0.01.
0.8
0.6
0.4
0.2
Figura 5.12: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee débil para
σ1 = σ2 = 0.1.
94
1
0.8
0.6
0.4
0.2
Figura 5.13: Simulación numérica de las órbitas del sistema (5.4) con efecto Allee débil para
σ1 = σ2 = 1.
Al igual que en el caso anterior, a medida que nos acercamos a las curvas de
nivel P −1 (0) ∩Q−1 (0) (ver Figura 5.14), el sistema es gobernado por el movimiento
Browniano, pero con magnitud proporcional al tamaño de las poblaciones.
Como se demuestra en §5.2.1, las aproximaciones obtenidas por este método conver-
95
1
0.5
-0.5
-1
Figura 5.14: Isoclinas del campo de vectores determinı́stico F para el caso de efecto Allee
débil.
gen a las soluciones teóricas para nuestras ecuaciones (5.4). En esta sección damos
una descripción del algoritmo y algunos detalles básicos sobre cada simulación como
condiciones iniciales, número de iteraciones, etc.
<<Graphics‘Graphics‘;
<<Statistics‘ContinuousDistributions‘;
96
P[x_, y_] = r*((1-x/k))*x -(m*x)/(x+b) - (q*x*y)/(x^2+a);
Q[x_, y_] = s*((1 - y/(n*x)))*y;
g1[x_,y_]=sg1*x;
g2[x_,y_]=sg2*y;
% Valores para el caso de efecto Allee débil:
a=1; b=0.5; k=1; n=1; s=1; m=1; q=1; r=2;
sg1=1; sg2=1; % Valores para el caso mostrado en la Figura 5.13
xi[i_]:=ui[i-1]+g1[ui[i-1],vi[i-1]]*DW1[[i]];
yi[i_]:=vi[i-1]+g2[ui[i-1],vi[i-1]]*DW2[[i]];
xi[0]=; yi[0]=; % Ingresar condiciones iniciales
j=0;
xaux=xi[j]; yaux=yi[j]; % La iteración se inicia acá (*)
exp1=xaux+P[u,v]*DT-u; exp2=yaux+Q[u,v]*DT-v;
Solve[{exp1==0,exp2==0},{u,v}]; % (**)
la Función Implı́cita, siempre existe una y sólo una solución de (**) adecuada a
nuestro problema.
97
ui[j]=; vi[j]=; % Ingresar la solución de (**)
l=j+1;
j=l;
Tbla=Table[{xi[i],yi[i]},{i,0,l}];
% Volver a (*).
ListPlot[Tbla,PlotJoined->True,PlotStyle->Hue[0.8],PlotRange->All]
El comando anterior plotea los pares ordenados en Tbla y además añade una
interpolación lineal a los datos.
de esta Memoria.
98
Simulación (x(0), y(0)) ∆t N Figura
1 (0.8,0.8) 0.5 200 5.2
2 (2.2,2.2) 0.5 100 5.2
3 (1.5,1.49) 0.5 100 5.2
4 (1.6,1.6) 0.5 59 5.2
5 (0.325,0.1) 0.5 75 5.2
6 (1,0.1) 0.5 60 5.2
7 (1.53,1.53) 0.5 76 5.2
8 (0.95,0.95) 0.5 100 5.2
9 (0.3,0.1) 0.5 35 5.2
10 (0.8,0.8) 0.25 300 5.3
11 (2.2,2.2) 0.5 100 5.3
12 (1.53,1.53) 0.5 100 5.3
13 (1.75,1.75) 0.5 100 5.3
14 (0.325,0.1) 0.5 85 5.3
15 (1,0.8) 0.5 50 5.3
16 (0.3,0.1) 0.5 35 5.3
17 (0.8,0.8) 0.1 600 5.4
18 (1.55,1.55) 0.25 200 5.4
19 (2,2) 0.25 100 5.4
20 (2.3,2.3) 0.25 100 5.4
21 (0.3,0.1) 0.25 50 5.4
22 (0.325,0.1) 0.25 100 5.4
23 (1.55,1.55) 0.05 310 5.5
24 (0.3,0.1) 0.1 120 5.5
0.1 100
25 (0.325,0.1) 0.01 600 5.5
0.05 300
26 (0.74,0.6) 0.1 100 5.5
0.05 200
27 (1.55,1.55) 0.05 200 5.6
0.04 200
28 (0.3,0.1) 0.04 300 5.6
0.01 225
29 (0.25,0.1) 0.03 280 5.6
30 (1.55,1.55) 0.05 400 5.7
31 (2,2) 0.05 480 5.7
32 (0.3,0.1) 0.05 300 5.7
33 (0.25,0.1) 0.05 100 5.7
34 (1.55,1.55) 0.05 230 5.8
35 (2.2,2.2) 0.05 400 5.8
0.075 30 5.8
36 (0.3,0.1) 0.075 100 5.8
37 (0.325,0.1) 0.075 400 5.8
Tabla 1: Condiciones iniciales, paso y cantidad de iteraciones
para el caso de efecto Allee fuerte.
99
Simulación (x(0), y(0)) ∆t N Figura
38 (0.03,1) 1 100 5.11
39 (0.02,0.01) 1 90 5.11
40 (0.1,0.01) 1 20 5.11
41 (1,1) 1 20 5.11
42 (1,0.01) 1 25 5.11
43 (0.45,0.01) 1 30 5.11
44 (0.03,1) 0.5 125 5.12
45 (0.02,0.01) 0.5 100 5.12
46 (0.1,0.01) 0.5 50 5.12
47 (1,1) 0.5 40 5.12
48 (1,0.01) 0.5 40 5.12
49 (0.45,0.01) 0.5 30 5.12
50 (0.03,1) 0.5 100 5.13
0.1 75
51 (0.02,0.01) 0.01 400 5.13
0.05 200
52 (0.1,0.01) 0.05 100 5.13
0.01 225
53 (1,1) 0.05 100 5.13
0.01 300
54 (1,0.01) 0.05 300 5.13
55 (0.45,0.01) 0.05 150 5.13
Tabla 2: Condiciones iniciales, paso y cantidad de iteraciones
para el caso de efecto Allee débil.
100
Capı́tulo 6
Conclusiones
Para lograr lo anterior, en los dos primeros Capı́tulos dimos las nociones básicas
101
cias biomédicas. Además, introducimos las principales ideas sobre el llamado efecto
Allee (ver §4.1.1 y [10, 21, 29, 66, 73]) en dinámica poblacional, sus interpretaciones
y variadas implicancias biológicas.
forma determinı́stica en [2, 3] (ver ecuación (5.3)), comparando los resultados para
ambos modelos. En particular, se sabe previamente que nuestro modelo es acotado,
en el sentido de que ninguna trayectoria converge al infinito y se mantienen en el
interior del primer cuadrante. Esto es importante en términos de la validación del
modelo propuesto al no admitir tamaños poblacionales infinitos ni negativos.
modelo predice que las trayectorias determinı́sticas cerradas pueden romperse debido
a las perturbaciones aleatorias, incluso a bajas intensidades del ruido. Por otro
lado, hay evidencia de que los términos aleatorios son causantes de un cambio en
102
los umbrales del efecto Allee, los cuales ya no son fijos. Para altas intensidades del
ruido y de igual magnitud para ambas poblaciones, se observa que las órbitas pueden
converger al origen (implicando la extinción), o bien, fluctuar en torno al punto
En el caso de efecto Allee débil, notamos que, para todos los valores de in-
tensidad del ruido aleatorio, hay evidencia de persistencia estocástica del sistema,
esto es, sobrevivencia con probabilidad uno de ambas poblaciones, conservando esta
propiedad de no-extinción observada en el modelo original. De esta forma, en el
Para ilustrar los resultados comentados, en §5.3 las Figuras 5.2 - 5.8 muestran
103
las simulaciones numéricas para el caso de efecto Allee fuerte para distintos valores
de intensidad del ruido. Aquı́, los valores de los parámetros son: a = 3, b = n =
s = 1, k = 6.79211, m = 4.07697, q = 4.05116, r = 4.02708; y los detalles de
Por otro lado, es posible ver que las mayores fluctuaciones de las órbitas del
sistema (5.4) se producen en una vecindad de las isoclinas del campo de vectores
asociado al sistema original (5.3), pues corresponden justamente a las curvas de
nivel cero de las componentes determinı́sticas de nuestro sistema. Luego, cerca de
esas curvas, el término dominante en el proceso solución es el movimiento Brow-
niano. Para ilustrar este resultado, las Figuras 5.9 y 5.14 en §5.3 muestran las
isoclinas de (5.3) en presencia de efecto Allee fuerte y débil, respectivamente, para
los correspondientes valores de parámetros presentados arriba.
Con respecto al esquema numérico SSBE (ver ecuación (5.8)) utilizado para
obtener los resultados, éste probó ser eficaz como método para aproximar soluciones,
algo que se esperaba al saberse demostrada la convergencia del mismo. Sin embargo,
no resultó eficiente, pues implica la selección de las raı́ces de un sistema de ecuaciones
104
En resumen, con este trabajo hemos podido dimensionar parcialmente el im-
pacto de un ruido aleatorio en un modelo de depredación bidimensional que además
presenta el fenómeno del efecto Allee. En base a resultados teóricos previos del
dos en el futuro mediante un estudio teórico del modelo, que probablemente serı́a
de largo aliento y nos entregarı́a más detalles relevantes. Más aún, la presencia de
los términos que dan cuenta del efecto Allee, conlleva a la aparición de fenómenos
más complejos matemáticamente, además de sus posibles interpretaciones y reper-
cusiones biológicas y su ya detallada influencia en la ecologı́a, la ingenierı́a pesquera,
105
Apéndice: Glosario de Términos
106
• σ−álgebra: Una σ−álbegra sobre un conjunto X es una colección de subcon-
juntos de X cerrado bajo intersecciones y uniones numerables.
107
Lista de Figuras
4.4 Forma cualitativa de la tasa de crecimiento de una población con efecto Allee. . . 55
presas. (a) R(x) = A/(x + B). (b) R(x) = Ax/(x2 + B 2 ). (c) R(x) = A(1 − e−Bx )/x. 60
5.2 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 0.0001. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
108
5.3 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 0.001. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 0.01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.5 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 0.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.6 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = σ2 = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.7 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = 1, σ2 = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.8 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee fuerte para
σ1 = 0, σ2 = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.9 Isoclinas del campo de vectores determinı́stico F para el caso de efecto Allee fuerte. 91
5.10 Simulación numérica de las órbitas del sistema (5.3) con efecto Allee débil. . . . 93
5.11 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee débil para
σ1 = σ2 = 0.01. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.12 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee débil para
σ1 = σ2 = 0.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.13 Simulación numérica de las órbitas del sistema (5.4) con efecto Allee débil para
σ1 = σ2 = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.14 Isoclinas del campo de vectores determinı́stico F para el caso de efecto Allee débil. 96
109
Bibliografı́a
[5] W.C. Allee, The Social Life of Animals, William Heinemann, London, 1938.
[6] W.C. Allee, A.E. Emerson, O. Park and K.P. Schmidt, Principles of Animal
Ecology, W.B. Saunders, Philadelphia, 1949.
110
[7] M. Arató, A famous nonlinear stochastic equation (Lotka-Volterra model with
diffusion), Mathematical and Computer Modelling 38 (2003) p. 709-726.
[8] L. Arnold, W. Horsthemke and J. W. Stucki, The influence of external real and
white noise on the Lotka-Volterra model, Biom. Journal 21 (5), 451-471 (1979).
[10] J. Bascompte, Extinction thresholds: insights from simple models, Ann. Zool.
[12] L. Berec, E. Angulo and F. Courchamp, Multiple Allee effects and population
[16] G.Q. Cai and Y.K. Lin, Stochastic analysis of predator-prey type ecosystems,
111
[17] S. Chessa and H. Y. Fujita, The stochastic equation of predator-prey population
dynamics, Boll. Unione Mat. Ital. Sez. B Artic. Ric. Mat. 5 (8) (2002), 789-804
(in italian).
57 (1995), pp.63-76.
[21] B. Dennis, Allee effects: population growth, critical density and the chance of
[23] S. Engen, A dynamic and spatial model with migration generating the log-
112
Fishery, In R. Mondaini (ed.) Proceedings of the 2006 International Sympo-
sium on Mathematical and Computational Biology BIOMAT 2006, E-papers
Serviços Editoriais Ltda. (2007) 219-232.
8 (1986) 493-508.
[28] J. Gascoigne and R.N. Lipcius, Allee effects in marine systems, Marine Ecology
Progress Series 269 (2004), 49-59.
113
[32] J. Guckenheimer and P. Holmes, Nonlinear Oscillations, Dynamical Systems,
and Bifurcations of Vector Fields, Springer-Verlag, New York, 1983.
tors and the microtine rodent cycle, Journal of Animal Ecology, 60 (1991),
353-367.
[35] D. Higham, X. Mao and A. Stuart, Strong convergence of Euler-type methods for
nonlinear stochastic differential equations, SIAM Journal on Numerical Analy-
sis, Vol. 40, No 3 (2002), p. 1041-1063.
[36] J.A. Hutchings, Collapse and recovery of marine fishes, Nature 406 (2000),
882-5.
[37] C. Ji, D. Jiang, N. Shi and D. O’Regan, Existence, uniqueness, stochastic per-
sistence and global stability solutions of the logistic equation with random per-
turbation, Math. Meth. Appl. Sci. 30 (2007), p. 77-89.
[38] D. Jiang and N. Shi, Existence, uniqueness and global asymptotic stability of
positive solutions and MLE of the parameters of two species Lotka-Volterra
competition system with random perturbation (in press).
[39] D. Jiang, N. Shi and X. Li, Global stability and stochastic permanence of a
non-autonomous logistic equation with random perturbation, Journal of Mathe-
114
[40] D. Jiang and H. Gao, Existence, uniqueness and global asymptotic stability of
positive solutions and MLE of the parameters of n-species delay Lotka-Volterra
competition system with random perturbation (in press).
[45] S. Lang, Linear Algebra, Second edition, Addison-Wesley Publishing Co. Inc.,
Reading, Massachusetts, 1973.
[46] Y. Li and H. Gao, Existence, uniqueness and global asymptotic stability of posi-
[48] D. Ludwig, D.D. Jones and C.S. Holling, Qualitative analysis of insect outbreak
systems: the spruce budworm and forest, J. Anim. Ecol. 47, 315-332, 1978.
115
[49] Luo D., Wang X., Zhu D. and Han M., Bifurcation Theory and Methods of
Dynamical Systems, Advances Series in Dynamical Systems Vol. 15 (1997),
World Scientific Pub. Co. Inc.
[51] M. Mangel, Small fluctuations in systems with multiple limit cycles, SIAM J.
Appl. Math., Vol. 38, No. 1 (1980), p. 120-138.
[52] The MathWorks, Inc., MATLAB: The Language of Technical Computing. Using
MATLAB (Version 7.0).
[53] M.A. McCarthy, The Allee effect, finding mates and theoretical models, Ecolo-
gical Modelling 103 (1997), 99-102.
[54] R.M. May, Stability and Complexity in Model Ecosystems, Princeton University
Press, Princeton, NJ, 1974.
[56] J.D. Murray, Mathematical Biology, 2nd edition, Springer-Verlag, New York,
1993.
116
[58] J. Palis and W. de Melo, Geometric Theory of Dynamical Systems, Springer-
Verlag New York, 1982.
[59] S. Ruan and D. Xiao, Global analysis in a predator-prey system with nonmono-
[63] E. Sáez, E. Stange, I. Szántó, Simultaneous zip bifurcation and limit cycles in
three dimensional competition models, SIAM Journal on Applied Dynamical
Systems 5 No.1 (2006), 1-11.
[65] P.A. Stephens and W.J. Sutherland, Consequences of the Allee effect for be-
haviour, ecology and conservation. Trends in Ecol., Vol.14, No 10 (1999), 401-
405.
[66] P.A. Stephens and W.J. Sutherland, What is the Allee effect?, Oikos Vol. 87
(1999), 185-190.
117
[67] P.A. Stephens and W.J. Sutherland, Vertebrate mating systems, Allee effects
and conservation, In: Apollonio et (eds.), Vertebrate mating systems, World
Scientific Publishing, chapter 9, 2000.
[71] P.F. Verhulst, Notice sur la loi que la population suit dans son accroissement,
Corr. Math. et Phys. 10, 113-121. 1838.
[72] M-H. Wang and M. Kot, Speed of invasion in a model with strong or weak Allee
[73] X. Wang, G. Liang and F-Z. Wang, The competitive dynamics of populations
subject to an Allee effect, Ecological Modelling 124, Vol.44 (1999), 130-168.
[77] D. Xiao and S. Ruan, Bifurcations in a predator-prey system with group defense,
International Journal of Bifurcation and Chaos, 11 (2001), 2123-2131.
118
[78] D. Xiao and K. F. Zhang, Multiple bifurcations of a predator-prey system, Dis-
crete and Continuous Dynamical System, series B, 8 (2007) 417-433.
[79] D. Xiao and H. Zhu, Multiple focus and Hopf bifurcations in a predator-prey sys-
119