Professional Documents
Culture Documents
Abramson
ndice general
1. Dinmica de poblaciones
1.1. 1.2. 1.3. 1.4. 1.5. 1.6. 1.7. 1.8. Modelos deterministas de crecimiento . . . . . . . . . . . . . . Crecimiento y decrecimiento exponencial Crecimiento limitado Modelos con demora 1.5.1. . . . . . . . . . . . . . . . . . . . . . . Crecimiento exponencial en tiempo discreto
5
5 7 8 9 11 13 16 17 20 25
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modelo logstico en tiempo discreto . . . . . . . . . . . . . . . Crecimiento de organismos . . . . . . . . . . . . . . . . . . . . Modelos estocsticos de poblacin . . . . . . . . . . . . . . . . 1.8.1. Generalidades sobre ecuaciones estocsticas . . . . . .
2. Poblaciones interactuantes
2.1. 2.2. 2.3. 2.4. 2.5. 2.6. Competencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modelo de depredacin de Lotka-Volterra . . . . . . . . . . . . Modelos realistas de depredacin 2.3.1. Anlisis lineal de aparicin de un ciclo lmite . . . . . . . . . . . . . . . . . . . . . .
27
32 34 36 37 39 46 49
53
57 60 60 63 . . . . . . . . . . . . .
de van Kampen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Observaciones nales . . . . . . . . . . . . . . . . . . .
4. Expresin gentica
4.1. 4.2. 4.3. Circuitos de expresin gentica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ruido molecular . . . . . . . . . . . . . . . . . . . . . . . . . . Tipos celulares y redes de Kauman
65
65 70 73
Modelos
NK
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75 77 79 81
5. Ondas de poblacin
5.1. 5.2. Ecuacin de Fisher . . . . . . . . . . . . . . . . . . . . . . . . Solucin aproximada del frente de onda . . . . . . . . . . . . .
85
86 90
6. Juegos evolutivos
6.1. Introduccin a la teora de juegos 6.1.1. 6.1.2. 6.1.3. 6.1.4. 6.1.5. 6.2. 6.2.1. 6.2.2. 6.2.3. 6.3. 6.4. 6.5. Ejemplo: pker simplicado Anlisis formal de un juego Machos y hembras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejemplo: un juego que no suma cero
93
94 96 . . . . . . . . . . 100
. . . . . . . . . . . . . . . 102
Teora de juegos no cooperativos - Equilibrios de Nash Teora de juegos evolutivos - Estrategias evolutivas estables
. . . . . . . . . . . . . . . . . . . . . . . . . . . 118 . . . . . . . . . . . . . . . . . . . . . . . . 122
Guerra de desgaste
Juegos asimtricos: territorialidad . . . . . . . . . . . . . . . . 127 Dinmica de replicador . . . . . . . . . . . . . . . . . . . . . . 129 6.5.1. 6.5.2. 6.5.3. Clasicacin de los juegos simtricos de
22
. . . . . 133 . . . . . 137
6.6. 6.7.
. . . . . . . . . . . . . . . . . . . . . . . 140 . . . . . . . . . . 143
La evolucin de la cooperacin . . . . . . . . . . . . . . 140 Estrategias estocsticas para el RPD Dinmica de adaptacin . . . . . . . . . . . . . . . . . 146 . . . . . . . . . . . . . . 148
6.8.
7. Propagacin de enfermedades
7.1. 7.2. 7.3. Propagacin de epidemias 7.3.1. 7.3.2. 7.4.
151
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 Modelos epidmicos sencillos . . . . . . . . . . . . . . . . . . . 151 . . . . . . . . . . . . . . . . . . . . 159 Modelo difusivo . . . . . . . . . . . . . . . . . . . . . . 159 La Peste Negra en Europa, 1347-1350 . . . . . . . . . . 161
NDICE GENERAL
Redes
small world
Redes libres de escala . . . . . . . . . . . . . . . . . . . 173 Epidemias en redes small world Efecto de la inmunizacin
8. Estructuras espaciales
8.1. 8.2. 8.3. 8.4. 8.5. 8.6. Estabilidad lineal y condiciones iniciales Inestabilidad inducida por el tamao Manchas en la piel de los animales Ecuaciones de amplitud 8.6.1. 8.6.2. 8.6.3. 8.6.4.
187
. . . . . . . . . . . . 196
. . . . . . . . . . . . . . . 202 . . . . . . . . . . . . 206
. . . . . . . . . . . . . . . . . . . . . 205
Inestabilidad de Rayleigh-Bnard
Anlisis lineal . . . . . . . . . . . . . . . . . . . . . . . 207 Ecuaciones de amplitud para el modelo SH . . . . . . . 209 Soluciones sencillas de la ecuacin de Ginzburg-Landau real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
9. Osciladores biolgicos
9.1. Bifurcaciones 9.1.1. 9.1.2. 9.1.3. 9.2. 9.2.1. 9.2.2. 9.3. 9.3.1. 9.3.2. 9.3.3. 9.4. 9.4.1. 9.4.2. 9.4.3. Bifurcaciones de Hopf
215
. . . . . . . . . . . . . . . . . . 218 . . . . . . . . . . . . . 222
. . . . . . . . . . . . . . . . . . . . . . . . . . . 216
Osciladores y switches biolgicos . . . . . . . . . . . . . . . . . 223 Comportamiento cualitativo usando las nulclinas . . . . 228 Determinacin del dominio de oscilaciones Reaccin de Belousov-Zhabotinskii . . . . . . . 228 . . . . . . . . . . . . . . . 232 . . . . . . . . . . . 232 234
Osciladores de relajacin . . . . . . . . . . . . . . . . . 236 Ejemplo elemental. Fracaso de una solucin perturbativa.240 Dos escalas temporales . . . . . . . . . . . . . . . . . . 242 Dos escalas temporales en un sistema no lineal . . . . . 245
10.Osciladores acoplados
10.2. Acoplamiento global
247
. . . . . . . . . . . . . . . . . . . . . . . 255
10.1. Conjuntos de osciladores de fase idnticos . . . . . . . . . . . . 248 10.1.1. Caso sencillo: dos osciladores . . . . . . . . . . . . . . . 249
10.3. Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257 10.4. Otros acoplamientos 10.6. Fuerzas uctuantes . . . . . . . . . . . . . . . . . . . . . . . 261 . . . . . . . . . . . . . 261 . . . . . . . . . . . . . . . . . . . . . . . . 266 10.5. Ensembles de osciladores heterogneos
Bibliografa
269
1E8
population
1E7
1000000 1850
1900
year
1950
2000
1. Dinmica de poblaciones
Del mismo modo, en el crecimiento individual que se ve en la gura 1.3 se ve un crecimiento suave, en el que se distingue un perodo rpido poco despus del nacimiento, un estirn en la pubertad, y una saturacin. Parntesis: Es importante mencionar que lo que nosotros entendemos por modelo a menudo no es lo mismo que entienden los bilogos. Vale la pena tener presente esta diferencia. Nosotros estamos interesados en modelos mecanicistas, que intenten describir la manera en que el fenmeno se origina a partir de fenmenos ms elementales. Contrariamente, los bilogos a veces se contentan con modelos descriptivos que se limitan a dar una descripcin cuantitativa de un fenmeno. Por ejemplo, una curva exponencial sera un modelo descriptivo de del crecimiento de la poblacin que vemos en la gura 1.1. Claramente, a nosotros esto no nos satisface, y queremos un modelo que
produzca
nacimientos y muertes. Comenzaremos con modelos deterministas y continuos, y ms adelante veremos las diferencias que introducen los aspectos discretos y estocsticos.
(1.1)
El modelo ms sencillo, sin migracin y suponiendo, como Linneo o Malthus poco despus, que los trminos de nacimiento y muerte son proporcionales a
N,
resulta:
b < c)
b > c) N (0).
Este resultado es, por supuesto, irreal a largo plazo, pero notablemente bueno durante parte de la evolucin de la poblacin. A menudo este comportamiento se caracteriza con un doubling time, el tiempo necesario para que la poblacin se duplique:
(1.4)
T2 =
ln 2 0,7 . bc bc
(1.5)
E. coli,
0,84
por hora. El
ln 2/0,84 = 49,5 minutos. Como las bacterias duplicacin simple, T2 se puede usar para caracterizar el
tiempo que le lleva a cada bacteria crecer y dividirse. Esta una magnitud difcil de medir experimentalmente pero que, como vemos, puede derivarse fcilmente del comportamiento de la poblacin.
Cuando
bc
la caracteriza con una half life, vida media, tal como en un decaimiento radiactivo. La tpica aplicacin biolgica del decaimiento exponencial es el decaimiento en la concentracin de una substancia, por ejemplo un marcador, en la sangre de un sujeto.
N (t + 1) = rN (t),
10
(1.6)
1. Dinmica de poblaciones
(1.7)
Se ve que el resultado tambin es exponencial, y que la relacin entre la tasa de crecimiento en una poblacin continua y la tasa geomtrica del modelo discreto es una exponenciacin:
r = e(bc) .
(1.8)
dN = rN dt
La constante
N 1 K
) .
(1.9)
lucin temporal caracterstica es una curva en forma de S llamada curva logstica o sigmoidea, que da su nombre al modelo. El modelo logstico (1.9) tiene dos equilibrios:
N =0
N =K
(que se
N . N = 0 es linealmente inestable, y N = K
ten otros equilibrios, de manera que cualquier poblacin positiva evoluciona alejndose del cero y acercndose asintticamente a esto haciendo un anlisis de estabilidad lineal del
es un equilibrio, y que la poblacin diere de este valor en una cantidad pe quea n. Es decir: N = N + n. Como el equilibrio no depende del tiempo, tenemos tambin que
=n N .
) N n n = r (N + n ) 1 = K K ( ( ) ) N N + rn 1 2 = rN 1 + o(n2 ) K K
=0
(1.10)
(1.11)
11
N n =r 12 K
el parntesis es
) n,
(1.12)
donde vemos que el parntesis puede ser mayor o menor que cero: si
N = 0
> 0 y la evolucin de n resulta una exponencial creciente (de manera que n crece y la poblacin se aleja de N , es decir es un equilibrio inestable). Por otro lado, si N = K el parntesis es < 0, de modo que la evolucin de n es decreciente, con lo cual las poblaciones se acercan a N = K.
K. K
1/r
caracterstica de la respuesta del modelo a un cambio de la poblacin (ver que en el anlisis lineal, la evolucin de la perturbacin est slo determinada por
r,
y no por
K ).
y de equilibrio es tpica de todos los modelos de poblacin. El modelo logstico se puede integrar exactamente :
N (t) =
N (0)Kert t K. rt K + N (0)(e 1)
(1.13)
Es importante recordar que el modelo logstico es una especie de metfora de un sistema que posee un mecanismo limitador de la sobrepoblacin. Sera incorrecto tomarlo literalmente como una explicacin de los mecanismos responsables de tal limitacin. Es decir: dada una poblacin en un ambiente, no existe un ser sobrenatural que diga La capacidad de acarreo de este
r(1 y )
Hacer el cambio de variable y = 1/N , con lo cual la ecuacin se transforma en y = que es lineal. Haciendo z = 1 y se obtiene fcilmente z(t) = z e de donde se obtiene N (t).
1
0 rt
12
1. Dinmica de poblaciones
ambiente es tal. Ms bien, mecanismos subyacentes producen la limitacin de la poblacin, y nosotros caracterizamos esto con un solo parmetro:
K.
dN = f (N ), dt
donde
(1.14)
[ ] dN N (t T ) = rN (t) 1 . dt K K T
(1.15)
Es decir, el efecto limitante es tal que el crecimiento de la poblacin es cero cuando la poblacin alcanz el valor a un tiempo anterior. Alternativamente, se puede plantear una versin ms completa de (1.15) mediante una ecuacin ntegro-diferencial:
(1.16)
w(s)
anteriores y nos dice cunto afectan a la poblacin actual. Tpicamente, tendr una forma:
w(t)
13
Si Dirac
Las ecuaciones de este tipo en general no se pueden resolver analticamente, y hay que resolverlas numricamente. Un caso caracterstico sera:
Tenemos T = 1, K = 10, y r = 0,3, 1,2 y 2,0, con N (t) = 2 para 1 < t 0. Para r chico la poblacin tiende montonamente a K , pero para r ms grande tenemos, primero, oscilaciones amortiguadas, y luego oscilaciones sostenidas como en un ciclo lmite. Esto es posible porque el delay permite que la poblacin pase por encima de
4T . La amplitud depende
Ejercicio: resolver numricamente y explorar los tres regmenes. Se suele caracterizar la dinmica con un
TR = 1/r,
14
1. Dinmica de poblaciones
tasa
r,
e.
Si
TR ,
la poblacin tender a oscilar. Modelos de este tipo han sido usados con xito para analizar verdaderas oscilaciones en poblaciones de animales: ratones, lemmings, pjaros, moscardones (Murray, p. 10, relata un experimento con moscardones). Es importante recordar que ecuaciones para una sola poblacin
no pueden
sin
delay
interaccin pueden tener un ciclo lmite u oscilaciones sin necesidad de delay. No todas las poblaciones peridicas se pueden tratar tan sencillamente.
[ ] dN N (t T ) = rN (t) 1 . dt K
Hacemos la adimensionalizacin:
(1.17)
dN = N (t)[1 N (t T )]. dt N =0
es obviamente inestable. Linealizamos alrededor de
(1.21)
N = 1:
(1.22)
N (t) = 1 + n(t), dN dn = = (1 + n(t))[1 // 1 n(t T )], dt dt dn n(t T ). dt n(t) = cet , cet = ce(tT ) , = eT .
(1.23)
(1.24)
15
La Ec. (1.27) no es fcil de resolver. Es una generalizacin del logaritmo, de la cual se conocen muchas propiedades, por supuesto. Existen innitas soluciones complejas. Sea
= + i : + i = e(+i)T ,
(1.28)
= eT cos T, =e
Consideremos primero que
sin T, =0
sea real,
= eT < 0 T.
As que
< 0,
y el equilibrio es estable.
no es real,
= 0,
digamos
>0
sin prdida de
de ser negativo (estabilidad) a negativo (inestabilidad)? A qu valor de T ? En (1.29), que dene (T ) y (T ), queremos encontrar el valor de T que hace pasar a de negativo a positivo. Si T crece desde cero
(modelo sin delay, con estabilidad del punto jo), la primera ecuacin (1.29a) dice que
< 0 requiere que T < /2 (por el signo menos y la exponencial). La parte real se anula por primera vez en T = /2. Y si = 0, la segunda ecuacin da = 1 cuando T = /2. Por lo tanto, el valor crtico resulta Tc = /2.
Volviendo a cantidades dimensionales:
N = K es estable si 0 < rT < /2. N = K es inestable si /2 < rT . rT = /2 es un punto de bifurcacin, mos Tc = /2r .
nuevo adimensional, o
T.
Deci-
r = 1):
(1.31)
T = Tc + = /2 + , 0 < 1.
cuando
T = Tc = /2 la solucin ms inestable, la que tiene Re ms grande, es la que tiene = 0 cuando T = /2 por (1.29b) que 0 = cos /2 = 1. Cuando T sea un poquito ms grande, proponemos que el autovalor sea parecido a 0 + i: = , 0 < 1, = 1 + , 0 < | | 1.
16 (1.32)
1. Dinmica de poblaciones
(1.33)
(1.34)
Y de:
. 2
(1.35)
(1.36)
. 2
(1.37)
2 , 1 + 4
2 4
(1.38)
( 2 1+
).
(1.39)
(1.40)
(1.41)
o().
oscilaciones de perodo
2 1
Es decir, es
2(1+ 2 /4)
2.
(1.42)
4T .
Ejercicio: vericar la validez de esta aproximacin comparando con solu-
ciones numricas.
17
N (t) N (t + 1) = RN (t) 1 K
) .
(1.43)
Este mapeo presenta una secuencia innita de bifurcaciones de duplicacin de perodo, seguidas de un comportamiento catico a a analizar un caso que es ilustrativo. La polilla
R > 3,57 . . . .
Opterophtera brumata
del suelo debajo de los robles en noviembre y diciembre y las hembras, despus de aparearse, trepan a los rboles para poner los huevos, y luego mueren durante el invierno. Los huevos eclosionan cuando el roble est brotando en primavera, y las larvas se alimentan de las hojas. En mayo estn crecidas y se dejan caer mediante hilos de seda hasta el suelo, donde forman pupas que all permanecen hasta emerger como adultos en el invierno siguiente. Varley y Gradwell (1968) estimaron la poblacin invernal en Wytham Woods poniendo trampas en los troncos para capturar a las hembras. Durante un perodo de 19 aos el comportamiento fue el siguiente ([2], p. 42):
La poblacin ucta ao a ao y no parece haber una tendencia denida. Es posible que la poblacin obedezca a un mapeo logstico en rgimen catico? Gracando el factor de crecimiento de la poblacin ao a ao en funcin de la poblacin se ve un comportamiento complicado, pero claramente decreciente:
18
1. Dinmica de poblaciones
Ajustando
R(N )
) .
(1.44)
R = 2,05
R 0 = 3.
Moraleja: a veces el
modelo ms ingenuo no es suciente. De hecho, el modelo logstico se basa en que la limitacin de la poblacin es proporcional a la poblacin misma (el efecto de la competencia). Sin embargo, en este caso, se ha observado que la principal causa de la variacin anual es la mortalidad durante el invierno, y que esta no depende de la poblacin sino de factores externos como el tiempo y la depredacin. La mortalidad de las pupas por depredacin, adems, depende de la poblacin adulta anterior, y debe ser incluida en la representacin. Volveremos sobre este sistema ms adelante.
19
mientras que la prdida de peso es proporcional al volumen del organismo (porque el metabolismo ocurre en todo el volumen). Es decir:
dW = hS (t) cW (t). dt
Ahora es necesario especicar la relacin entre peso (volumen)
(1.45)
y rea
S,
que podra ser no trivial. Pero consideremos slo animales eucldeos, tpi-
camente esfricos:
S = aL2 ,
Queda:
W = bL3 .
(1.46)
(1.47)
(1.48)
Lmax = ha/cb
dL = k (Lmax L), dt
donde
(1.49)
(1.50)
W 0,3Wmax .
Lebistes reticulatus,
conocido
20
1. Dinmica de poblaciones
naciendo ya con la forma de los adultos. El resultado es un excelente acuerdo, con una velocidad de crecimiento mxima de pesa 52 mg.
Existen por supuesto generalizaciones del modelo de von Bertalany. Un modelo ms exible, propuesto por Richards, est dado por:
kW dW = dt 1m
con un parmetro
[(
Wmax W
)1m
] 1 ,
(1.51)
m=0
de v.B.).
m = 2/3
21
m=1
W.
La inexin ocurre a
0,37Wmax . m = 2
da un modelo logstico o autocataltico, en el que la tasa de crecimiento decae linealmente con
W.
La inexin ocurre a
0,5Wmax .
Las curvas son muy parecidas, y puede ser difcil distinguirlas si se disponen datos en un rango estrecho. En un estudio de cientos de especies de mamferos en los 80's se mostr que los modelos de Gompertz y de von Bertalany describan los datos igualmente bien. (Aplicacin al meln, mayor competencia por menor temperatura.)
m2
estocasticidad demogrca,
puesta por un nmero nito de individuos, sujetos a eventos aleatorios. Sus efectos pueden ser relevantes en poblaciones pequeas debido al riesgo de extincin. Por otro lado, existe siempre una de medicin. Finalmente, existe una aleatorios. Modelos estocsticos pueden plantearse en forma continua o discreta, pero aqu usaremos slo unos pocos ejemplos discretos por sencillez. Ejemplo. Si en una poblacin cada individuo tiene una probabilidad 0.5 de sobrevivir hasta el prximo ao, la poblacin de sobrevivientes es una
ya
22
1. Dinmica de poblaciones
0,5N
y desviacin estndar
Poblaciones pequeas estn sujetas a uctuaciones grandes y corren riesgo de extincin. En efecto, si primer ao es
N =5
1/32 = 0,03,
N = 1000,
la probabilidad es mucho menor. Ejemplo y ejercicio. Suponga una especie anual, por ejemplo un insecto, en la que cada individuo produce evoluciona de acuerdo a:
N (t + 1) = rN (t).
Simule el sistema suponiendo que con media (Poisson,
(1.52)
(y siendo as independiente
del tamao de la poblacin). A la larga, sus efectos suelen ser ms importantes que los de la estocasticidad demogrca: aun una poblacin grande, bien adaptada a un entorno constante, puede ser vulnerable cuando las condiciones ambientales cambien. Vamos a ver un par de ejemplos de modelos posibles. Ejemplo 1. Una especie anual se modela con un crecimiento exponencial donde la tasa depende del tiempo:
N (t + 1) = R(t)N (t).
Supongamos que
(1.53)
R(t) = R (t),
donde
(1.54)
(t)
Tenemos:
Ejercicio. Resuelva un par de casos, suponiendo por ejemplo que distribucin normal con varianza poblaciones grandes y chicas.
23
Un modelo como este suele ser irreal a tiempos largos, ya que el random walk en dimensin 1 eventualmente produce la extincin. (Observado por May.) En Ref. [2], pp. 143-146 hay un modelo ms detallado para la polilla de Wyntham Woods. Ejemplo 2. Modelo logstico con perturbaciones aleatorias. Ref. [2] pp. 146 , modelo de desastres. Ejemplo 3. Transiciones inducidas por ruido. Consideremos un modelo logstico normalizado:
dn = n n2 dt
que tiene el siguiente diagrama de bifurcacin:
(1.57)
= 0
diferenciable: una transicin de fase de segundo orden. La solucin exacta de (1.57) es:
n(t) = n0
et , t 1 + n0 e 1 m = 1/.
(1.58)
Consideremos que las variaciones del ambiente afectan a aleatoria, con uctuaciones rpidas comparadas con
de manera
m .
Escribimos (1.59)
(t) = + (t),
donde
es un valor medio,
(t)
su intensi-
(1.60) (1.61)
1. Dinmica de poblaciones
donde
W (t)
Langevin:
(1.62) (1.63)
Observemos que el hecho de haber introducido un ruido en uno de los parmetros del sistema hace que la propia variable dinmica deje de ser analtica. En lugar de obedecer una ecuacin diferencial ordinaria, tenemos ahora que
n(t)
n(t)
(t)
n(t). n(t),
sino por
distribucin de probabilidad
p(n, t):
de
n(t).
La evolucin del sistema estar descripta por una ecuacin de evolucin para esta distribucin de probabilidad. La ecuacin de Langevin (1.62) o su equivalente corresponde a un problema con ruido multiplicativo. Ambas formulaciones pueden convertirse en un proceso difusivo, de acuerdo a una de las interpretaciones (Ito o Stratonovich) descriptas por una ecuacin de Fokker-Planck. Sigamos el razonamiento con la intertpretacin de Ito por sencillez:
p(n, t) 1 2 2 = [f (n)p(n, t)] + [g (n)p(n, t)], t n 2 n2 2 2 2 2 [n p(n, t)]. [(n n )p(n, t)] + n 2 n2
El espacio de fases es la semirrecta
(1.64)
(1.65)
[0, ),
as que la solucin de la Ec. naturales, es decir que, aun los alcance es cero. Existen
es frontera natural: la probabilidad de una explosin es 2 y . Mientras tanto, 0 es una frontera natural si > /2 (Ito) y
25
si
> 0
en una frontera atrayente. (Obviamente, ac tenemos siempre el problema del sistema continuo y la proximidad al cero.) Con fronteras naturales, no necesitamos imponer condiciones de contorno para resolver la Ec. (1.65), lo cual simplica bastante la discusin. Procedemos entonces a calcular la solucin estacionaria de la ecuacin de Fokker-Planck:
] f ( x) dx , g 2 ( x)
(Ito).
(1.66)
[0, ),
2 2+1>0 (Ito) (1.68) 2 2 > (Ito) (1.69) 2 Que coincide con la condicin para que n = 0 sea frontera natural. La norma
es:
[( N 1 =
2 2
]1 ( ) 2 ) 1 2 2 1 2
(Ito).
(1.70)
n = 0 no es frontera natural, enn = 0 es no slo una frontera atrayente sino un punto estacionario, ya que f (0) = g (0) = 0. Por lo tanto, la probabilidad estacionaria se concentra toda en n = 0. Es decir, la solucin completa es:
Si no se cumple la Ec. (1.69), es decir si tonces
si
< 2 /2,
si
(1.71) (1.72)
2n 2
> /2.
Ahora bien, para comparar este resultado con el correspondiente al sistema determinista, podemos estudiar la posicin de los mximos de
ps (n),
que podemos identicar con estados macroscpicos de la poblacin y con el parmetro de orden de la transicin de segundo orden. El resultado (es fcil obtenerlo, dibujando o derivando) es:
n1 = 0 n2 = 2
si si
(1.73)
Ha ocurrido algo extraordinario. El modelo con ruido tiene no una sino dos 2 2 transiciones. Una a = /2 y otra a = (Ito). Esta ltima corresponde a un cambio abrupto en la densidad de probabilidad, con el mximo en un valor no nulo de la poblacin:
26
1. Dinmica de poblaciones
En denitiva: el sistema puede sufrir una transicin de fase manteniendo el mismo estado medio en el ambiente, y variando slo la intensidad de sus uctuaciones. Esto se llama una
Existen situaciones aun ms dramticas, en las que el ruido produce una transicin donde el sistema sin ruido no la tena.
x = f (x) (t)
(1.74)
(t)
x(t)
P (x, t),
que es la densidad
de probabilidad.
(t) determina x(t), pero como los valores de a diferentes tiempos no estn correlacionados, x(t) es estocstico. Entonces, obedece una ecuacin
Cada maestra, y nalmente se obtiene:
P 2P = f ( x) + . t x 2 x2
Browniano:
(1.75)
v = v + (t)
que supone que
(1.76)
(t) = 0 (t) (t ) = (t t )
que dene los dos primeros momentos de si es gaussiano).
(1.77) (1.78)
(t)
27
FPE = Smoluchovski equation = second Kolmogorov equation = generalized dierential equation. Transport term = convection term = drift term Diusion term = uctuation term FPE es una ecuacin maestra donde
W (t)
(1.80)
(t) es una secuencia aleatoria de deltas. Cada delta produce un salto en x(t). As que el valor de x(t) est indeterminado hasta el momento en que llega la delta. Entonces g (x(t)) est tambin indeterminado, y la ecuacin no tiene sentido. Uno no sabe si evaluar g en el valor de x antes del salto, o
despus del salto, o en el medio. Ito: antes del salto:
t+dt
(t )dt .
(1.81)
(1.82)
(t )dt .
(1.83)
(1.84)
28
ecosistemas,
en los
cuales hay en general una estructura de red, que puede ser extraordinaria-
y.
ciones continuas y analticas, como planteamos para los modelos sencillos de una poblacin, puede escribirse en general como un sistema de dos ecuaciones diferenciales acopladas:
(2.1a) (2.1b)
ral, no lineales en sus variables. Las soluciones de este sistema, con apropiadas condiciones iniciales, son curvas en el plano
(x, y )
que denen un
ujo.
Es-
dy/dx = g (x, y )/f (x, y ) muestra que en cada punto su derivada est bien denida, de manera que no pueden cortarse. Excepto, por supuesto, en aquellos puntos en los cuales el cociente
g/f
tanto el numerador como el denominador se anulen. Estos puntos son, como veremos de inmediato los equilibrios del sistema. Antes de avanzar observemos que, a pesar de la generalidad de (2.1), es habitual que ambas especies tengan una dinmica propia en ausencia de la interaccin, de manera que
29
podamos escribir:
dx(t) = f1 (x(t), y (t)) + f2 (x(t), y (t)), dt dy (t) = g1 (x(t), y (t)) + g2 (x(t), y (t)). dt
interaccin entre las especies o, en la terminologa habitual en la fsica y la matemtica, su acoplamiento. Obsrvese
Las funciones
f2
g2
representan la
que ambas pueden contribuir tanto positiva como negativamente a la tasa de crecimiento de las poblaciones, de manera que todas las posibles interacciones y sus combinaciones, beneciosas o perjudiciales, pueden ser representadas. Es tambin habitual representar las interacciones como proporcionales a las poblaciones, de manera que el acoplamiento resulta cuadrtico en las densidades:
dx(t) = f1 (x(t), y (t)) + c12 x(t)y (t), dt dy (t) = g1 (x(t), y (t)) + c21 x(t)y (t). dt
(2.2) contiene suposiciones adicionales acerca de la ciones se afectan una a la otra.
(2.2a) (2.2b)
forma
Sistemas de ecuaciones diferenciales no lineales como (2.1) no pueden ser resueltos por medios analticos. Su estudio debe abordarse mediante la resolucin mumrica y el anlisis cualitativo de sus soluciones. Denitivamente, lo primero que debe encararse es un anlisis de sus equilibrios y de su estabilidad lineal. Por tratarse de una tcnica sencilla y de aplicacin muy general nos detendremos brevemente en ella, antes de analizar modelos de interaccin particulares. En sistemas de dimensin 2 (dos especies), el estudio puede llevarse a cabo por completo de manera analtica sin dicultad. En primer lugar, observamos que los valores de
equilibrios
es decir:
que satisfacen
x =y = 0,
f (x, y ) = 0,
g (x, y ) = 0,
(2.3)
cada una de las cuales dene implcitamente una curva en el espacio Estas curvas se llaman
nulclinas,
(x, y ).
ambas condiciones simultneamente) son los equilibrios del sistema, que lla maremos x e y . En los equilibrios las derivadas temporales se anulan, y la dinmica se detiene. Son puntos jos de la dinmica. El comportamiento de las soluciones
30
2. Poblaciones interactuantes
en
la proximidad
crucial en la estructura de las soluciones. De manera que setudiaremos el comportamiento de las soluciones en la vecindad de los puntos jos. A tal n hacemos el siguiente cambio de variables, que favorece una descripcin en la proximidad del punto jo:
x(t) = x + (t),
cas para los apartamientos:
y (t) = y + (t).
(2.4)
= f (x + , y + ), = g (x + , y + ).
desarrollar las funciones
(2.5a) (2.5b)
= f ( x , y ) + = g (x , y ) +
donde tanto
f x g x
+
x ,y
f y g y
+ o(2 , 2 , ),
x ,y
(2.6a)
+
x ,y
+ o(2 , 2 , ),
x ,y
(2.6b)
f (x , y )
como
g ( x , y )
x , y
un equilibrio).
Adems, si nos importa solamente la dinmica en un vecindario del equilibrio, podemos quedarnos con el primer orden, lineal, del desarrollo, lo cual simplica considerablemente el anlisis. Es decir (simplicando un poco la notacin):
= fx (x , y ) + fy (x , y ), = gx (x , y ) + gy (x , y ).
soluciones exponenciales:
(2.7a) (2.7b)
(t) = c1 et ,
con
(t) = c2 et ,
(2.8)
c1 , c2
c1 et = c1 fx et + c2 fy et , c2 et = c1 gx et + c2 gy et ,
sistema algebraico:
(2.9a) (2.9b)
fx fy gx gy
( ) )( ) c c1 = 1 . c2 c2
(2.10)
31
Vemos que la solucin del problema diferencial linealizado se reduce a la solucin de un problema algebraico de autovalores, lo cual en general es mucho ms sencillo. En dos dimensiones puede hacerse explcitamente, ya que los autovalores caracterstico:
donde
Jacobiano )
evaluada en
el equilibrio, y Tr y det son su traza y su determinate respectivamente. Si existen dos autovalores distintos las soluciones del sistema lineal sern superposiciones de dos exponenciales, mientras que si los dos autovalores son t iguales las soluciones sern de la forma (c1 + c2 t)e . Una vez que tenemos los autovalores, tanto la estabilidad del equilibrio como la naturaleza del ujo a su alrededor puede analizarse de manera sencilla, ya que no existen muchas posibilidades. Si la parte real de ambos autovalores es negativa, las soluciones se aproximarn exponencialmente al punto fjo, que resulta as
asintticamente estable.
positiva, el equilibrio es inestable. Si la parte imaginaria de los autovalores es no nula (ambas, ya que son complejos conjugados), habr oscilaciones armnicas alrededor del equilibrio. Las posibilidades se resumen convenientemente en la gura 2.1.
Como decamos, las especies en interaccin pueden afectarse de manera beneciosa o perjudicial. Estas caractersticas se reejan en los modelos dinmicos en la manera en que los trminos de acoplamiento afectan las tasas de reproduccin. En un modelo del tipo
dx(t) = f1 (x(t), y (t)) + c12 x(t)y (t), dt dy (t) = g1 (x(t), y (t)) + c21 x(t)y (t), dt
son los
(2.12a) (2.12b)
signos
de
c12
c21
competencia,
<0
y
c21 > 0
o al revs); en el
otra (c12
c21 < 0
simbiosis
o el y
mutualismo,
> 0
c21 > 0
o al revs).
32
2. Poblaciones interactuantes
Figura 2.1: En el plano denido por la traza y el determinate de la matriz del sistema linealizado, sta es la clasicacin de los posibles equilibrios de un sistema de dos dimensiones. Los equilibrios estables se encuentran slo en el cuadrante de arriba a la izquierda. Sobre el eje vertical positivo estn los centros, que son
estructuralmente inestables
.
33
2.1. Competencia
Vamos a comenzar con un modelo sencillo de dos especies en competencia, para ilustrar tanto el anlisis de estabilidad lineal como un principio general que se observa en la naturaleza. Supongamos que cada poblacin tiene un comportamiento logstico en ausencia de la otra:
(2.13a)
(2.13b)
b12
b21
(2.14a) (2.14b)
f1 = 0 y f2 = 0 en el plano (u1 , u2 ). Es un caso sencillo que podemos f1 = 0 1 u1 a12 u2 = 0 u2 = 1/a12 u1 /a12 , f2 = 0 1 u2 a21 u1 = 0 u2 = 1 a21 u1 ,
que son, como vemos, rectas. Si se intersectan tendremos equilibrios con poblaciones positivas, adems de los equilibrios ms obvios en el origen (u1
u2 = 0),
= 0, u2 = 1
u1 = 1, u2 = 0).
Es decir, tenemos
las cuatro situaciones que ilustra la gura 2.1. Ejercicio: Analizar los rangos de parmetros que corresponden a cada una de las situaciones que se muestran en la gura 2.1. Analizar la estabilidad lineal de los equilibrios en cada una de las situaciones. El resultado del anlisis de estabilidad lineal se muestra en la gura 2.1. Es decir, en tres de los casos, la coexistencia es imposible. El equilibrio con coexistencia slo es posible si dimensionales signica
a12 < 1 y si a21 < 1, b12 K2 /K1 < 1 y b21 K1 /K2 < 1. Por
K1
K2
34
2. Poblaciones interactuantes
Figura 2.2: Las cuatro posibles estructuras de nulclinas correspondientes al modelo de competencia interespecca (2.14).
35
En el caso (b), si
K1 K2 ,
entonces
b12
b21
tencia lleva a una de las especies a la extincin. A cul de ellas depende de las condiciones iniciales. Supongamos dos herbvoros, uno grande y uno chico, pastando con igual eciencia el mismo prado, de modo que b12 b21 1. Para el grande K1 < K2 , de modo que a12 = b12 K2 /K1 > b21 K1 /K2 = a21 . Entonces a12 > 1 y a21 < 1 N1 0, y el animal grande se extingue. Este fenmeno, en el que dos especies que compiten por un recurso en comn, una se extingue, se llama
y es
bastante general. Existen sin embargo excepciones interesantes sobre las que han trabajado Kuperman y Wio: si se permite que las poblaciones se muevan difusivamente, dos especies que quietas se excluiran pueden coexistir [4]. Un caso interesante de exclusin competitiva es el de la extincin de Homo neanderthalensis (u Homo sapiens neanderthalensis ) por Homo sapiens sapiens, durante su coexistencia en Europa hace algunas decenas de miles de aos. Es un tema controversial, an no cerrado, pero la extincin competitiva es una posibilidad. Un trabajo reciente con un modelo sencillo es [5].
dN dt dP dt
donde
= N (a bP ), = P (cN d),
(2.17) (2.18) y
es una
presa
su
depredador,
a, b, c
son constantes. El
modelo se basa en las siguientes suposiciones: En ausencia de depredadores, las presas aumentan exponencialmente
alla
Malthus.
El efecto de los depredadores es reducir el nmero de presas de manera proporcional a ambas poblaciones. En ausencia de presas, los depredadores desaparecen exponencialmente. Las presas contribuyen a hacer crecer la poblacin de depredadores de manera proporcional a su propia poblacin. Esto es una simplicacin considerable de algn mecanismo complejo que convierte carne de presas en hijos de depredadores.
36
2. Poblaciones interactuantes
du = u (1 v ), dt dv = v (u 1). dt
Este sistema tiene dos equilibrios:
(2.19) (2.20)
u = v = 0,
y:
(2.21)
u = v = 1.
de movimiento:
(2.22)
H = u + v ln u v.
Son trayectorias cerradas alrededor del equilibrio un centro:
(2.23)
u = v = 1,
(2.24)
(2.25)
2 T = = 2
muerte de los depredadores.
a , d
(2.26)
37
Se conocen muchos casos de poblaciones oscilatorias de depredadores y presas, como el famoso de los linces y liebres en Canad, registrado por el nmero de pieles entregados por los cazadores a la Hudson Bay Company durante casi 100 aos. El modelo (2.18) es estructuralmente inestable y de poco uso prctico, aun para el sistema liebres-linces. Murray muestra cmo las trayectorias en el espacio de fases se mueven al revs que en el sistema de Lotka-Volterra, como si las liebres se estuvieran comiendo a los linces (Ref. [1], p. 68).
dN dt dP dt
= N F (n, P ), = P G(n, P ).
(2.27) (2.28)
N F (N, P ) = r 1 K
donde
) P R(N ),
(2.29)
R(N )
turacin para
grande:
38
2. Poblaciones interactuantes
hP G(N, P ) = k 1 N
o:
(2.30)
G(N, P ) = d + e R(N ).
directamente proporcional a la poblacin de presas.
(2.31)
En la Ec. (2.30) tenemos que la capacidad de carga de los depredadores es Este tipo de modelo tambin da lugar a oscilaciones, tpicamente con un ciclo lmite en alguna regin extensa del espacio de parmetros. Murray analiza en detalle (pginas 72 y ss.) el modelo:
dN dt dP dt
[ ( ) ] N kP = N r 1 , K N +D [ ( )] hP = P s 1 , N
(2.32)
(2.33)
ciclos lmite :
que atraen (o repelen, segn su estabilidad) a las trayectorias de sus vecindario. Estas rbitas cerradas pueden tener formas complicadas en el espacio de fases (a diferencia de las simples elipses de los sistemas lineales), siempre sin cortarse. Un sistema muy sencillo con un ciclo lmite es el siguiente (en coordenadas polares):
r = r(t)(1 r(t)2 ), = 1,
donde las variables son
(2.34a) (2.34b)
analizar por separado. Los equilibrios en la direccin radial son los valores 2 donde se anula r (1 r ), y es fcil ver que r = 0 es inestable y que r = 1 es estable. (En la direccin radial el sistema es de dimensin 1, de manera que 2 el anlisis de estabilidad lineal es trivial, y tenemos df /dr = 1 3r que en
r=0
da
1>0
(inestable) y en
r=1
da
2 < 0
entonces, se alejan del origen y se acercan al crculo de radio 1. Como el movimiento en la direccin angular es una rotacin a velocidad angular constante (1), resulta que, en el crculo, la trayectoria es un movimiento peridico armnico. Dentro del crculo las trayectorias son espirales que se enroscan por dentro al crculo unidad, y por fuera se aprietan sobre l. Existen diversos mecanismos, como decamos, algunos de los cuales veremos o mencionaremos ms adelante. Uno de los principales es la bifurcacin de Hopf, que es el mecanismo responsable de las oscilaciones en el modelo de depredacin presentado en la seccin anterior. De manera que lo analizaremos brevemente aqu. Para el anlisis usaremos un sistema ms sencillo que el de depredacin, de manera que la dicultad analtica no obscurezca los conceptos, que no son difciles de asimilar. El prototipo que analizaremos es un sistema de dimensin 2, en coordenadas polares:
(2.35a) (2.35b)
tiene una
parte constante,
del origen. Pero vemos tambin que tiene una parte que depende del radio, es decir que la velocidad angular depende de la amplitud de la oscilacin (a diferencia de los osciladores armnicos). Vemos que el sistema es parecido al que escribimos antes. Le hemos puesto parmetros para poder analizar una mayor riqueza dinmica. De la ecuacin radial (desacoplada de la angular), tenemos que los equi r son ahora r = 0 y r = . En el anlisis lineal la derivada df /dr es ahora 3r2 , de manera que r = 0 puede ser estable o inestable librios en dependiendo del signo de
Si
<0
no existe. Si > 0 el origen es inestable y existe el equilibrio estable en r = . Este cambio de comportamiento, entre situaciones con distintos equilibrios y con distintas estabilidades, se llama
bifurcacin.
Pasemos a coordenadas cartesianas de manera de poder analizar la bifurcacin mediante el anlisis lineal. El sistema, en coordenadas cartesianas
40
2. Poblaciones interactuantes
(usando que
x = r cos
y = r sin ),
Podemos distribuir y revisar los trminos lineales, o derivar los miembros de la derecha y evaluar en el origen. De uno u otro modo encontraremos que el Jacobiano en el origen es:
( J=
cuyos autovalores son
) ,
(2.37)
= i.
(2.38)
Como esperbamos, hay una parte imaginaria, que es la responsable de las oscilaciones. Como esperbamos, la parte real cambia de signo contralada
el eje imaginario cuando pasa de ser negativo a positivo. Esta situacin caracteriza a una bifurcacin de Hopf.
por el signo de caso son simplemente rectas horizontales) pero el fenmeno es siempre el
En general, la trayectoria de los autovalores en el plano complejo puede ser complicada al cambiar el parmetro responsable de la bifurcacin (en este mismo: dos autovalores complejos conjugados que cruzan el eje imaginario a la vez, produciendo la inestabilidad de una espiral estable. Vemos tambin que, en la proximidad de la transicin, la amplitud del ciclo es directamente
angular). Esto tambin es una caracterstica general de las bifurcaciones de Hopf. La frecuencia angular de las oscilaciones, tambin cerca de la bifurcacin, es
lo cual es natural ya que el anlisis lineal slo permite movimientos armnicos. A medida que
vez menos armnico, pero siempre conservando las mismas caractersticas cualitativas. No hay ms sorpresas, no hay ms bifurcaciones. COMPLETAR CON ALGUNAS FIGURAS.
41
nes. En estos casos, an una pequea destruccin del hbitat puede tener consecuencias dramticas para el ecosistema. Modelos sencillos nos ayudan a pensar en el rol del ser humano en el manejo de los ecosistemas.
Supongamos una sola especie que ocupa un hbitat formado por zonas. Supongamos que son plantas, y que cada zona est ocupada por un individuo. Cuando un individuo muere, queda una zona vaca que podr ser por otro. Sea de
colonizada
p:
donde:
c: tasa de colonizacin. m: tasas de extincin. cp: tasa de ocupacin por zonas. 1 p: fraccin de zonas vacas.
El sistema es muy parecido al logstico. El equilibrio
p = 1
interesante es que, si
m c
(2.40)
m = 0
c/
Consideremos ahora una segunda especie, un competidor, que eventualemente podr subsistir en esos huecos. Supongamos que existe una jerarquizacin de estas dos especies: Especie 1: superior; siempre desplaza a la inferior cuando ambas estn en la misma zona. Especie 2: inferior; no invade ni desplaza a la superior. Podemos escribir:
El trmino
(2.41) (2.42)
p 2 = 1 p1
m2 c1 p 1 . c2
(2.44)
42
2. Poblaciones interactuantes
p 1
m 1 < c1 .
Para
p 2
c2 (1 p 1 2 p2 ) m 2 c 1 p 1 < 0 ,
que podemos reescribir en trminos de la tasa de colonizacin:
(2.45)
( c 2 > c1
p m2 1 + 1 p 1 m1
) ,
(2.46)
c2 >
c1 (c1 + m2 m1 ) . m1
(2.47)
La evolucin en estas condiciones muestra la persistencia de la competencia en esta situacin. Es una violacin del principio de exclusin competitiva, hecha posible gracias a que, por un lado, el competidor superior (2.43) en su hbitat, y por otro a que el competidor inferior
charlos
dpi = fi (p1 , p2 , . . . , pn ) = ci pi 1 dt
i j =1
) pj m i pi
i1 j =1
cj pi pj .
(2.48)
recordemos que un competidor superior puede invadir cualquier zona, aun ocupada por uno inferior, y desplazar a su ocupante. Uno inferior slo puede invadir los huecos de los superiores.
43
En el equilibrio tenemos
P = ( p 1 , . . . pn )
con:
p i
) i1 ( mi cj p =1 1+ j, ci c i j =1
(2.49)
y el anlisis es similar al caso de dos especies: existe un estado no trivial, con ocupaciones decrecientes en la jerarqua, que es estable.
Ahora veremos el efecto que la destruccin del hbitat ejerce sobre un ecosistema en el que dos o ms especies coexisten en competencia. Usamos la siguiente nomenclatura:
A, ca , ma . B , cb , mb . A,
quien sin embargo es a
B , extinguiendo h: fraccin de zonas habitables. pa : fraccin de zonas ocupadas por A. pb : fraccin de zonas ocupadas por B . v : fraccin de zonas vacas (h = pa + pb + v ).
Tenemos:
en esa zona.
dpa = ca p a v ma p a + ca p a p b , dt dpb = cb pb v mb pb cb pa pb , dt dv = ca pa v + ma pa cb pb v + mb pb , dt
donde, como
h = pa + pb + v ,
44
2. Poblaciones interactuantes
v = p a p b
(2.53) (2.54)
(2.55)
cb ca > , mb ma
que puede satisfacerse. por ejemplo, si el competidor inferior tiene grande, es decir si es muy buen colonizador, muy fugitivo.
(2.56)
cb
muy
La eliminacin de zonas habitables tiene los siguientes efectos (ver la Ec. (2.55)): reduce el nmero de zonas vacas. reduce el nmero de zonas ocupadas por el superior. aumenta la fraccin de ocupacin del competidor inferior. Cuando
en
hc =
se
ma ca
(2.57)
baja de
hc =
mb . cb
(2.58)
Esto ocurre porque el competidor inferior (si persiste) es necesariamente mejor colonizador (por ejemplo, a igualdad de tasas de extincin, que sobre l ejerce el superior.
ea = eb ). La
destruccin del hbitat benecia al competidor inferior al reducir la presin Modelos ms elaborados concluyen en el mismo mensaje: una destruccin
parcial del hbitat puede llevar a la extincin total de una o todas las especies
del ecosistema. Ejercicio: Resolver y hacer un diagrama de fases con las fracciones en funcin de
AyB
h.
45
La deuda de la extincin
Veamos una ltima modicacin de las ecuaciones de Tilman, para analizar el efecto de la destruccin del hbitat en un sistema con muchas especies [7]:
( ) i i1 dpi = fi (p1 , . . . , pn , D) = ci pi 1 D p j mi p i cj p i p j , dt j =1 j =1
(2.59)
donde
matemtica es mnima, pero la interpretacin ecolgica en trminos de importantsima. Las poblaciones en equilibrio son:
p i (D )
) i1 ( mi cj =1D p 1+ j. ci c i j =1 p 1 (D ) = 1 D m1 . c1
(2.60)
Es decir, ste se extinguir si la fraccin de hbitat destruido iguala a su abundancia en el sistema intacto, que era
1 m1 /c1 .
Si el competidor do-
minante ocupa un 10 % del hbitat virgen, y destruimos un 10 % al azar del hbitat, el resultado es el mismo que si hubiramos destruido el 10 % que la especie estaba ocupando, a pesar de que el 90 % del total an esta disponible. Es ms, cunto ms rara sea una especie, menor ser la fraccin que debemos destruir (al azar) para extinguirla. Las abundancias de competidores jerarquizados suele ser de tipo geomtrico en la naturaleza, as que propongamos:
pi = q (1 q )i1
donde
(2.62)
mi = m.
c i =
m (1 q )2i1
(2.63)
con lo cual:
p i
(2.64)
(i 1) (1 q )
2i1
i1 j =1
1 (2.65) (1 q )2j 1
46
2. Poblaciones interactuantes
2i1 p D. i = 1 (1 q )
Usando (2.61) y resolviendo para de la
(2.66)
i-sima
Di 1 (1 q )2i1 .
el hbitat se reduzca:
(2.67)
D1 < D2 < D3 . . . . E ),
crece rpidamente con
El nmero de competidores superiores que acaban extinguindose (lo que los autores llaman la deuda de la extincin,
D.
log(D 1) = 2i 1. log(1 q )
Despejamos tenemos:
(2.68)
E = i
especies) y
E=
(2.69)
Se ve claramente que una pequea destruccin del hbitat pone en peligro a una gran cantidad de especies adicionales. Por ejemplo, la destruccin de un 1 % adicional de hbitat causa una extincin 8 veces mayor si la destruccin previa es del 90 % que si es del 20 %. Adems, la extincin es mayor (para una dad destruccin) cuando
es
menor, es decir cuando la abundancia del competidor superior sea menor. Esta situacin se da en las selvas tropicales, en oposicin a los ecosistemas templados (5 % vs 50 %). Tambin podemos concluir que los grandes y raros vertebrados son ms susceptibles que los pequeos, ms abundantes.
47
Adems, en general los competidores superiores son los que emplean los recursos con ms eciencia, y ejercen un control importante regulatorio sobre el ecosistema. Su extincin podra ser an ms perjudicial que lo que este modelo permite entrever. Finalmente, podra considerarse al hombre como un competidor ms? Qu consecuencias tendra el anlisis? Seremos los primeros en extinguirnos?
En la proximidad de un equilibrio donde coexisten todas las especies, la estabilidad est gobernada por el sistema linealizado de las
perturbaciones:
dx1
dt
x1 . . . = A . . . . dxn xn dt
(2.73)
El diagrama de la red trca ayuda a determinar cules elementos distintos de cero (especies interactuantes). Supongamos que
aij
son
el mismo tiempo caracterstico en ausencia de interacciones. Supongamos que las interacciones obedecen a una distribucin de probabilidad con media cero y varianza
:
(2.74) (2.75)
xP (x) = 0 x2 P (x) = ,
de modo que
A=BI
48
(2.76)
2. Poblaciones interactuantes
con
una matriz random. Ntese que el azar entra tan slo en la deni-
cin inicial del modelo, no en su dinmica. Los fsicos llamaramos a esto desorden. La estabilidad del sistema requiere el anlisis de los autovalores de
A.
Afortunadamente el fsico Eugene Wiener desarroll, en la dcada de 1950, la teora espectral de las matrices random, cuyos resultados podemos usar aqu. Los autovalores de de
B.
Los autovalores
A son de la forma 1, donde son los autovalores de una matriz random como B forman un semicrculo
con radio
n. A
aseguran la estabilidad si se cumple
Ejercicio: Demostrar y/o vericar esta ley semicircular. En denitiva, los autovalores de que:
1 (2.77) < . n Estrictamente, una matriz random A ser estable con probabilidad P 1 (n ) si: 1 < (2.78) n
e inestable si
1 > . n
(2.79)
Es decir: cuanto ms grande sea el sistema, ms fcil es que las interacciones lo vuelvan inestable. Esta es la situacin para un sistema completamente conectado. Los ecosistemas, sin embargo, tienen muchos ceros en la matriz Denamos una conectividad
B.
bij = 0
y con probabilidad
C , de modo que, con probabilidad C el elemento 1 C , bij = 0. Ahora, para n , se tiene que:
estable, (2.80)
1 nC 1 > nC <
inestable.
(2.81)
49
La transicin de uno a otro rgimen es muy abrupta como funcin de 2/3 su ancho escalea como n .
En denitiva, un sistema grande que sin interacciones sera estable, al estar muy conectado (C grande) o muy intensamente conectado ( grande), se vuelve inestable. May hace nalmente dos observaciones de validez cualitativa: 1. Dos sistemas de este tipo tendrn similares caractersticas de estabilidad si:
2 2 1 C1 2 C2 ,
(2.82)
es decir, que si en la red hay muchas interacciones dbiles, es lo mismo que si hay pocas interacciones fuertes. Esta es una observacin general que de hecho satisfacen muchos ecosistemas naturales (Margalef ). 2. Sistemas que resultan inestables con probabilidad casi 1, cuando la matriz est organizada en bloques resultan estabilizados. O sea, una estructura de bloques favorece la estabilidad de ecosistemas grandes. Recientemente ha renacido el inters en el estudio de la estabilidad de diferentes estructuras de red, tanto por la disponibilidad de mayor cantidad de sistemas resueltos empricamente, como por el descubrimiento de redes de topologa compleja como las redes small-world y las redes libres de escala. Melin y Bascompte [10], por ejemplo, muestran redes de interaccin de protenas nucleares, redes random y redes trcas. Se las analiza usando la distribucin de probabilidad que representa la correlacin de las conecti vidades P (k |k ) y la conectividad media como funcin de k . La red trca resulta con poca compartimentalizacin, es decir, dos especies muy conectadas tienden a estar conectadas entre s (a diferencia de las protenas). Esto las vuelve susceptibles a la propagacin de un contaminante, por ejemplo (en cambio, la red de protenas resulta resistente al efecto de una mutacin). Pero a su vez esta conectividad la vuelve resistente a la fragmentacin en caso de que algunas especies fueran removidas. Claramente, sera interesante integrar las dos perspectivas: el anlisis de estabilidad con la estructura de la red.
cadena alimenticia
cies se conocen en la naturaleza). Es decir, un sistema de depredadores y presas en el que una especie depreda a la anterior y es presa de la siguiente.
50
2. Poblaciones interactuantes
= p1 (r1 a11 p1 a12 p2 ), = p2 (r2 + a21 p1 a22 p2 a23 p3 ), = pi (ri + aii1 pi1 aii pi aii+1 pi+1 ), = pn (rn + ann1 pn1 ann pn ),
(2.83) (2.84)
(2.85)
(2.86)
con
de coexistencia, ste es estable y atrae a todas las rbitas (a diferencia del modelo de competencia, en el que este punto puede ser inestable). Discuta el efecto de aumentar o reducir aumentar
r1 ,
r1 ,
ms y ms especies subsisten.)
Uta stansburiana ).
Si se trata de tres
especies, se observa que las tres se alternan en su dominio del ecosistema de manera cclica. En las mencionadas lagartijas, las tres poblaciones son pseudoespecies representadas por tres tipos de machos, con distintos comportamientos de apareamiento, que juegan una especie de piedra-papel-tijera por su control de la poblacin de hembras. Un modelo sencillo [12] de este comportamiento corresponde al sistema:
51
donde
AB
signica A afecta a
B ,
siguientes ecuaciones:
con
p1 (1 p1 p2 p3 ), p2 (1 p1 p2 p3 ), p3 (1 p1 p2 p3 ), > 2.
simplican las cuentas. Los equilibrios son fciles de obtener. Existe un equilibrio interior al oc3 tante I R+ , dado por:
p 1 = p 2 = p3 =
1 . 1++
(2.90)
El origen es equilibrio (una fuente) y los versores son puntos de ensilladura. El equilibrio interior es una ensilladura, lo cual se demuestra fcilmente porque los autovalores son muy sencillos. La matriz del sistema linealizado es circulante:
1 1 1 1++ 1
n1 j =0
(2.91)
con lo que sus autovalores son combinaciones de las races cbicas de la unidad:
k =
con
k cj j ,
k = 0, 1, . . . , n 1, j
las races de la unidad,
(2.92)
cj
j = exp(2i/n),
(2.93)
en general. As que:
0 = 1, con
52
autovector
(1, 1, 1),
2. Poblaciones interactuantes
1 = 2 =
que satisfacen:
(2.94)
>2
Re
(1 ) = Re (2 ) =
1 1+ + > 0 1++ 2
(2.95)
Cuando
pi = 0,
el ya estudiado, en el que una especie fuerza a la otra a la extincin. As que hay una rbita que une a los tres equilibrios que estn en los ejes, llamada un ciclo heteroclino. Este ciclo resulta ser el
-lmite
(detalle tcnico que se prueba con una funcin de Lyapunov). El sistema pasa cada vez ms tiempo cerca de uno de los equilibrios. Un sistema real (discreto) con exactamente esta dinmica, por supuesto llevara eventualmente a la extincin de una de las especies y luego, al reducirse a dos especies, a la extincin de una segunda y la subsistencia de slo una. Sin embargo, modelos ms elaborados (veremos uno de ellos ms adelante) permiten la persistencia cclica de las tres especies, tal como se observa en el sistema de las lagartijas.
53
54
dN = rN dt
N 1 K
) .
(3.1)
En general podemos escribir estos modelos sin necesidad de conocer en detalle la interaccin entre los individuos que componen la poblacin. Suponemos, en cambio, que cada trmino tiene su origen en esta interaccin y que representan macroscpicamente efectos netos que involucran a muchos individuos. Son ecuaciones de evolucin suave y continua. Las poblaciones, sin embargo, son discretas. Las interacciones son individuales. Tiene que ser posible describir la evolucin de poblaciones discretas haciendo una descripcin basada en individuos. Es de esperar, adems, que la formulacin basada en poblaciones corresponda a un lmite macroscpico de aqulla basada en individuos (que llamaremos microscpica).
modelo macroscpico promediado
(degeneracin)
poblaciones
suave determinista
modelo micro 1
modelo micro 2
En este captulo vamos a llevar adelante un programa de este tipo. La formulacin microscpica del modelo, correspondiente a poblaciones discretas, vamos a hacerla de todos modos en una aproximacin bien mezclada para simplicar. Vamos a suponer tambin que los eventos individuales (muertes,
55
interacciones, etc.) son estocsticos, y que ocurren de acuerdo con ciertas probabilidades. En denitiva, para una descripcin de este tipo, podemos suponerque los eventos individuales son anlogos a la extraccin de bolas de una urna. Por este motivo, los modelos que describiremos en este captulo se llaman a veces
modelos de urna.
E.
Supongamos que tenemos una especie, A, que vive en una zona donde hay
slots, cada uno capaz de contener un individuo. A la poblacin cticia Hacemos esto para incorporar a la dinmica
un mecanismo de competencia indirecta, competencia por un recurso que, en este caso, ser el espacio vaco. Podemos representar los eventos individuales del sistema mediante reacciones qumicas (Describir un poco!):
c b
A + E = ( N, tamao
del sistema).
(3.3)
Por turnos, sacamos individuos de la urna y los sometemos a los eventos reaccin. El proceso as descripto es un proceso estocstico Markoviano, y su formulacin matemtica est dada por una ecuacin de evolucin que en la fsica se llama Ecuacin Maestra, y en la matemtica
P (x)dx representa la probabilidad de que la variable tenga un valor entre x y x + dx. Las distribuciones de probabilidad se caracterizan k k por sus momentos de orden k : x = x P (x)dx. Particularmente tiles
y son los momentos de orden 1 y 2, ya que con ellos se denen el y la de x: x = x y 2 = (x x)2 . Si la variable estocstica
tion. Mencionemos brevemente que una variable estocstica x es una variable distribucin de probabilidad P (x). Es decir, P (x) 0,
P (x)dx = 1,
varianza
valor medio
x(t),
se la llama
variables aleatorias y procesos estocsticos pueden encontrarse en libros de texto tales como [13]. Prosigamos con la formulacin del modelo. El estado del sistema queda caracterizado por una distribucin de probabilidad
P (A, t) : pobabilidad
56
de tener
individuos a tiempo
t.
Figura 3.1: Procesos que contribuyen a aumentar y a reducir la probabilidad de que el sistema se encuentre en el estado
A.
A.
La ecuacin maestra describe la evolucin de esta distribucin de probabilidad del siguiente modo:
ganancia prdida
dP (A, t) = dt
T (A|A )P (A , t)
(3.4)
que tiene la forma de ecuacin de balance entre ganancia y prdida de probabilidad. Los trminos sealados con un asterisco son del sistema de pasar de un estado con
one-step process ).
dP (A, t) = T (A|A 1)P (A 1, t) + T (A|A + 1)P (A + 1, t) dt T (A 1|A)P (A, t) T (A + 1|A)P (A, t).
(3.5)
57
A1
A+1
A1
A+1
Figura 3.3: Procesos de competencia indirecta y muerte que afectan el estado de poblacin
a.
Vale la pena observar que la identicacin de ganancia y prdida no se reere a individuos sino a la probabilidad del estado
A. El primer trmino de
(3.5) es un trmino de ganancia, aunque involucre la prdida de un individuo. A continuacin tenemos que identicar y calcular las probabilidades de transicin
Para reducir el nmero de procesos a considerar, procedamos slo con la competencia indirecta y la muerte:
A+E A+A A E.
que estn representadas mediante diagramas en la gura 3. Las probabilidades de transicin resultan:
(3.6) (3.7)
A+E
E+A
como indistinguibles. Anticipemos que las probabilidades de transicin (3.8c) y (3.8d) no las vamos a usar en el clculo gracias a un truco que en seguida veremos. Nota: Para ser rigurosos, habra que decir que con probabilidad una bola, y con probabilidad Pero
saco
58
(3.9a) (3.9b)
dP dt
= 1 T (A + 1|A)P (A) + T (A 1|A)P (A) T (A 1|A)P (A) T (A + 1|A)P (A), = ( 1)T (A 1|A)P (A) + (1 1)T (A + 1|A)P (A).
(3.10) (3.11)
Ansatz:
Observemos lo siguiente:
A(t) = (t) +
(t).
(3.12)
A(t)
do que este proceso es la superposicin de dos partes, los dos trminos del Ansatz: una parte proporcional a rmetro
El pa-
ejemplo. Los dos trminos, entonces, tienen tamaos relativos distintos. El trmino proporcional a
representando una evolucin determinista del sistema en la escala macroscpica. El segundo trmino representa las uctuaciones, que son de un tamao menor que las variables macroscpicas, y su dinmica es un proceso estocstico
Figura 3.4: El ansatz de van Kampen representado grcamente: la distribucin de probabilidad evoluciona hacia una campana cuyo mximo sigue la dinmica determinista, y cuyo ancho representa las uctuaciones.
de
(t), ya que se lleva toda la parte uctuante de A(t) y por lo tanto es equiP (A, t).
El Ansatz no est justi-
valente a la incgnita del problema. La gura 3.1 esquematiza estas ideas, mostrando cmo se espera que evolucione de cado a priori, sino por consideraciones fsicas acerca de la evolucin esperada
P (A, t).
El parmetro del desarrollo va a ser
1/2 ,
donde
como dijimos, es t-
picamente el tamao del sistema o el nmero total de partculas: una variable extensiva que controla el tamao de las uctuaciones. Ahora procedemos a reemplazar en la ecuacin maestra las probabilidades de transicin:
[ ] A A dP dA = ( 1) P (A) + (1 1) 2b P (A) dt
(Nota: ojo, no sacar de encima:
(3.13)
P (A)
En esta ecuacin conviene redenir las tasas, y sacarse algunos omegas d = d/, b = b/, y a continuacin no escribimos las primas Antes de substituir el Ansatz en la ecuacin maestra, observemos los
1 1 1 2 = 1+ + + 2 2 1 1 1 2 1 = 1 + 2 2
60
(3.14)
(3.15)
1 vlidos para versiones continuas de los operadores de paso y . La idea es que si cambia A en 1 (A A + 1), entonces cambia a en una cantidad 1 pequea ( + 1/ ).
Reemplazamos entonces los operadores por sus desarrollos. Si ponemos slo los primeros trminos:
[ ] ] [ 1 A 1 2 1 2 dP 1 dA ( ) + 2 bA + + ( ), dt 2 2 2 2
(3.16)
(, t) = P (A, t)
a la distribucin de probabi-
lidad, para poner de maniesto su dependencia en la variable microscpica Finalmente reemplazamos el Ansatz:
[ ] dP 1 1 2 + d ( + )( ) dt 2 2 (3.17) [ ] 1 1 2 + + 2b( + ) ( ). 2 2 Repartimos el factor 1/ de sobre la expresin y nos queda: [ ] 1 = + d( + )( ) 2 [ ( ) ] (3.18) 1 + + 2b( + ) 1 ( ). 2 Distribuimos y ordenamos segn potencias de 1/ (sin poner el argumento de para aligerar la expresin): = [d 2b(1 ) ] [ ] d 0 + d ( ) + 2b(1 2) ( ) + b(1 ) (3.19) 2 ( ) 1 +o .
Y recuperando el miembro de la izquierda de la ecuacin podemos escribirlo como:
(, t) (, t) dP (A, t) = , dt t
1
(3.20)
Tenemos que A A + 1 ( A ) = ( + ) = A + 1 = + + 1 = + ( + 1/ ), + 1/ , y anlogamente para , con lo que tenemos los desarrollos mostrados.
1
61
ya que:
d P ( + ) = + dt t t
a
A constante
, t
(ya que a
cte:
d = ). = dt
(3.21)
, que
/ ,
= d 2b(1 ).
Esta es la ecuacin macroscpica!
) ( d , = (2b d) 2b 2 = (2b d) 1 d dt 1 2 b s
r
(3.23)
d/2b
E.
(0) = 0 = A0 /,
A0
(t) =
r r t r ; cs (si r = 0). rt s ce s 0
(3.24)
3.1.2. Fluctuaciones
Pasemos al orden siguiente, y (3.20) obtenemos:
62
Figura 3.5: Condicin inicial, con toda la probabilidad concentrada en el valor inicial de
0 (P (A, 0)
ecuacin de Fokker-Planck.
f
y
En
a lo su-
).
inicial deltiforme como la propuesta, y condiciones de borde libres en la solucin es una Gaussiana a todo tiempo, aun cuando del tiempo (a travs de su dependencia en ensanchamiento de
dependen
(t)).
Si no tuvisemos la solucin
ximaciones de la ecuacin de Fokker-Planck, o soluciones numricas de la misma. En este caso podemos resolverla exactamente. Como la solucin es Gaussiana, est determinada por los dos primeros momentos de la distribucin
: = 2 =
( )d,
(3.26a)
2 ( )d.
(3.26b)
nes dinmicas para los momentos, que nos dicen cmo evolucionan el valor medio y el ancho de las uctuaciones:
g 2 = f + t 2 2
(3.27)
63
g 2 2 = f + 2 ) ( g 2 = f + + 2 2 g = f f 2 + | 2
=0 =0 =0
= f
(3.28)
t = 0 e
Con la condicin inicial de la gura 3.5: (es decir, las uctuaciones se producen
t
0
f (( ))d
(3.29)
t 2 = 2f 2 + g
que se puede resolver con un factor integrante sin uctuaciones,
2 = 0
se tiene la solucin:
2 t = r <0
d 2b
(si
r > 0).
(3.31)
La evolucin de la distribucin de probabilidad est representada en la gura 3.6. Obsrvese que si la dinmica lleva al sistema hacia el estado de poblacin nula, de manera que la distribucin estacionaria es muy distinta de una gaussiana (porque se anula en sern
aproximadamente
A = 0).
La expresin completa de
2 t =
1 2s2 bd(1 e2rt ) s cert sc(4b2 + 10bd)ert (1 ert ) 2c2 r(4b2 + 4bd)te2rt c3 (2b + d)e2rt (1 ert ). E,
(3.32)
Esto completa el anlisis. Mencionemos adicionalmente que: c Si el sistema incluyera la competencia directa A + A A+
habra
que poner los correspondientes trminos en las probabilidades de transicin y proceder de igual manera. Como las expresiones son ms largas, se eligi considerar solamente dos procesos de transicin.
64
Figura 3.6: Evolucin temporal de la distribucin, con uctuaciones gaussianas y no gaussianas en el estado estacionario.
P (A, B, t) para dos especies, as como la ecuacin maestra. El Ansatz sera: A(t) = (t) + (t); 1 1 B (t) = (t) + (t), y habra operadores A , B , , . La ecuacin A A de Fokker-Planck sera tambin multidimensional, en los ruidos y . Las
distribucin de probabilidad sera multi-variable: ecuaciones, sin embargo, no siempre se pueden resolver analtica y fcilmente como en el ejemplo que acabamos de ver.
, lo cual justica a posteriori el Ansatz: las uctuaciones son efectivamente del orden postulado.
Si las uctuaciones crecen hasta ser del orden de la parte macroscpica, el desarrollo falla. Esto puede pasar en la proximidad de un punto crtico.
linear noise approximation. No hay necesidad de detenerse all. El desarrollo es sistemtico, y rdenes sucesivos dan correcciones al comportamiento Gaussiano 65
de las uctuaciones. El orden siguiente corresponde a uctuaciones de 1 orden , es decir del orden de un solo individuo, y en general es innecesario. 4. Este desarrollo no es un mtodo caprichoso ms para resolver una ecuacin maestra. Provee nada menos que el sustento de la existencia de las leyes macroscpicas. Y tambin de la validez de otros mtodos aproximados, ms bien heursticos (p. ej. Langevin) en los que se suma un trmino de ruido a una ley macroscpica conocida.
66
hace.
De particular inters son las reacciones qumicas involucradas en la expresin de los genes, cuyo resultado es la produccin de protenas. Todas las clulas de un organismo, abarcando una gran diversidad de tejidos, tienen en su ncleo el mismo ADN. A pesar de ello, son muy distintos entre s, cada tipo sintetizando una o unas pocas protenas (que denen el tipo celular). Es decir, en cada clula algunos genes estn activos y otros estn suprimidos. Mediante estudios especcos en organismos sencillos (como el bacterifago
protenas especcas. (No deje de leer el libro de Jacques Monod [15].) Consideremos un modelo sencillo de expresin de un gen, como el que representamos en la gura 4.1. Notemos que no hay regulacin, sino solamente transcripcin y traduccin. Vamos a convertir el fenmeno representado en ecuaciones de balance de masa similares a las ecuaciones de poblacin de sistemas ecolgicos que estudiamos en captulos precedentes. Llamemos
a la concentracin de
67
Figura 4.1: Expresin de un gen, a travs de los mecanismos de transcripcin (del ADN en ARN) y traduccin (del ARN en protena).
mRNA y
dm = m m m, dt dp = p m p p. dt
Es inmediato encontrar el equilibrio de este sistema:
(4.1) (4.2)
dm dp = = 0, dt dt m m = , m
(4.3)
p =
p m p m = . p m p
(4.4)
Veamos un poco los valores aproximados que pueden tomar estos parmetros. Transcripcin:
1nM/min <60nM/min.
1 m
1 t p
de duplicacin.
E. coli
equivale a 1 molcula por clula. As que en el estacionario habr bastante 4 menos de 10 molculas de protena o de RNA en el citoplasma de cada clula, que concuerda con los valores observados. Pasemos al mecanismo de regulacin. Supongamos la accin del producto (o de alguno de ellos) sobre el promotor del gen. De esta manera podemos
68
4. Expresin gentica
Figura 4.2: Una protena que reprime su propia expresin. Los dos diagramas son habituales representaciones del mecanismo.
Figura 4.3: Funciones que caracterizan a un represor y a un activador de transcripcin. La pendiente de la curva en la inexin caracteriza su
bilidad, y
su
capacidad.
sensi-
producir tanto represin como activacin. Por ejemplo, la gura 4.2 muestra el ms sencillo de los mecanismos de represin: la
autorepresin.
dm = m gR (p) m m, dt dp = p m p p, dt
donde
(4.5) (4.6)
gR (p)
la transcripcin. Aun sin conocer sus detalles, podemos imaginar que tiene una forma como la que vemos en la gura 4.3 (izquierda). Una funcin activadora o estimuladora de la transcripcin, a su vez, podr tener una forma como la de la gura 4.3 (derecha). Ciertamente, la represin puede ser ms complicada, como en el mecanismo llamado de
toggle switch
red de represin mutua. Es de esperar que haya en este sistema dos situacio-
69
toggle switch.
se mantiene el nivel de
R2
bajo, o al
Supongamos que las tasas son las mismas para simplicar el anlisis de un sistema de este tipo. Podemos escribir:
= m gR (r2 ) m m1 , = m gR (r1 ) m m2 , = p m1 p r1 , = p m2 p r2 ,
70
4. Expresin gentica
E. coli,
m p .
Como consecuencia de
dm/dt 0.
esclavizada
m i=0
mi (rj ) =
m gR (rj ), m
i, j {1, 2}.
(4.8)
dri m = p gR (rj ) p ri , dt m
0
En el estado estacionario tendremos:
i, j {1, 2}.
(4.9)
(4.10) (4.11)
Esta ecuacin dene implcitamente los equilibrios. Usando una forma genrica para
gR
las nulclinas de (4.9)). La gura 4.5 muestra que hay dos situaciones posibles, segn cun abrupta sea la transicin entre los niveles de represin alta y baja (que se caracteriza con un parmetro llamado
Ejercicio: Escriba las ecuaciones para el sistema de la gura 4.6: Recapitulemos las suposiciones que permiten hacer modelos de este tipo: 1. Las concentraciones son continuas y diferenciables (lo cual permite escribir ecuaciones diferenciales), 2. Las reacciones son instantneas, dependen del estado del sistema a tiempo
distribuidos homogneamente dentro de la clula (no hay efectos de transporte). Claramente ninguna de las tres es del todo compatible con lo que sabemos sobre el metabolismo. Por un lado, vimos que en
E. coli
las clulas
involucradas pueden ser muy poquitas. Por otro lado, el citoplasma es muy complejo, y el transporte (pasivo y activo) de las molculas hace que tanto el espacio como el tiempo que tardan en recorrerlo cumplan roles importantes en los sistemas de reaccin.
71
toggle switch.
(r1 , r2 ),
dP (m, t) = [P (m 1) + (m + 1)P (m + 1)] [mP (m) + P (m)], dt ganancia prdida = [P (m 1) P (m)] + [(m + 1)P (m + 1) + mP (m)], = (1 1)P (m) + ( 1)mP (m), (4.12)
donde hemos usado los operadores de paso denidos en el Captulo 3.
funcin gene-
F (z, t) =
m=0
z m P (m, t).
(4.13)
72
4. Expresin gentica
sucesivas derivadas en
z = 1: P (m) = 1, m z m1 P (m)
z =1
(normalizacin de
P ),
(4.14) (4.15)
=
z =1
(4.16)
z =1
En ingeniera se suele llamar a esta funcin transformada-z , y es una versin discreta de la transformada de Laplace. La ecuacin transformada de la ecuacin maestra resulta :
1
(4.17)
de
m=0 .)
F (z ).
Hay que usar la siguiente propiedad de los operadores de paso: g(n)f (n) = f (n) g (n). La diferencia en los lmites de la suma es un inconveninete, pero en la prctica resulta casi siempre irrelevante porque los trminos faltantes se anulan (van Kampen, [13] VI.3.3).
N
1
n=1 1 N 1 n=0
73
F/t = 0
z: F = F (z ), z F (z ) = e (z1) ,
(4.18) (4.19)
donde hemos usado la condicin de borde en z = 1: 1 = F (1) = c e c = e . De aqu podemos obtener los momentos que denen a la solucin buscada
P (m).
En primer lugar:
F z
balance de masa. Luego tenemos:
=
z =1
= m ,
(4.20)
2F z 2
z =1
( )2 = m2 m , = 2 m2 m2 = m2 m2 + m m = m2 m m2 + m = 2 2 ( ) ( ) 2 = .
(4.24)
m(t)
es un proceso de Poisson.
74
4. Expresin gentica
Ejercicio: La desviacin de un proceso estocstico de un proceso de Pois2 son suele caracterizarse mediante el : /m, que es igual
factor de Fano
a 1 para el Poisson. Ocasionalmente se usa el parmetro adimensional que caracteriza a las uctuaciones (una especie de uctuacin relativa, a veces llamada desviacin fraccional):
= = m
y resuelva con una
2 1 = 2 m m
en el ejemplo calculado.
(4.25)
Escriba la ecuacin maestra para el sistema mRNA+protena (2 variables) m p F (z1 , z2 ) = m,p z1 z2 P (m, p, t). Calcule la desviacin fraccional de la protena p = p /p. Lo que se obtiene en el ejercicio propuesto es interesante. La desviacin fraccional resulta ser:
2 p
[ ] 2 p 1 p = = 1+ , p2 p m + p ( ) 1 p 1 1+ (1 + b), p m p b.
La aproximacin hecha vale para
(4.26)
(4.27)
b = p /m es el nmero medio de molculas de protena producidas andes de que se degrade el mRNA (o sea: por molcula
de mRNA mientras dure). Es decir, es una medida de la amplicacin de la transcripcin mediante la traduccin. Se la llama (gura 4.8).
m p ,
como
experimentalmente!
burstiness
se la observa
Para hacer algo anlogo en el problema del toggle-switch, que no se puede resolver exactamente, habra que hacer una aproximacin de ruido lineal (tipo van Kampen). Ver por ejemplo [17, 18, 19].
0 : 1 :
inactivo, activo,
(4.28) (4.29)
75
-gal,
debidos al fenmeno de
podra asociarse a un tipo celular (un tejido) del organismo. En tal caso, tendramos que el nmero de tipos celulares crece exponencialmente con Sin embargo, lo que se observa es ms bien
Ntipos
En los seres humanos, por ejemplo, con
N.
y no
(4.30)
1030000 .
Una propiedad adicional es que cada tipo de clula es sumamente estable. Una vez establecido, se mantiene durante toda la vida de la clula. (Ocasionalmente el patrn de activacin gentica, sin embargo, puede resultar drsticamente alterado, como es el caso de los oncogenes, que pueden activarse por accin viral y activar la reproduccin ilimitada de la clula y desembocar en un cncer.) Un enfoque de este tipo de problemas, radicalmente distinto al reduccionismo de la biologa molecular, es el desarrollado por Stuart Kauman a nes de los `60s [20], basado en el anlisis de redes booleanas, en las que propiedades similares a la diferenciacin celular surgen espontneamente. Se trata de redes booleanas aleatorias, similares a los autmatas celulares en que son discretos el espacio, el tiempo, y el conjunto de estados Para cada uno de los
= {0, 1}. K
otros a
Pero la forma en que se conectan los elementos es distinta que en los CA.
Si
elementos, que sern sus vecinos. Los travs de una funcin booleana
de
(4.31)
4. Expresin gentica
A pesar de la enorme aleatoriedad (en dos niveles: la dinmica y la conectividad) las redes de Kauman tienen sorprendentes propiedades de autoorganizacin que las hacen particularmente interesantes desde el punto de vista de la organizacin del genoma y la diferenciacin celular [21]. Kauman discute adems su importancia en el contexto de la evolucin prebitica y el origen de la vida [25, 26].
4.3.1. Modelos N K
Cada elemento o gen recibe entradas de otros
totales. Las entradas alimentan la dinmica mediante una funcin booleana. El resultado de la funcin booleana es el output del gen, y afecta otros genes conectndose a sus inputs. En la gura 4.9 y las tablas vemos un ejemplo para una red pequea, con tres nodos y
K = 2.
2 0 1 1 1 2 0 0 1 1 3 0 1 0 1 1 0 0 0 1
1 0 0 1 1
2 0 1 0 1
3 0 1 1 1
1 0 0 1 1
3 0 1 0 1
En este ejemplo, las funciones asignadas a los nodos 2 y 3 son OR y la correspondiente al nodo 1 es AND. Para este sistema pequeo podemos escribir exhaustivamente todas las transiciones posibles entre los posibles 3 estados de la red, que son 2 = 8:
77
t 1 0 0 0 0 1 1 1 1 2 0 0 1 1 0 0 1 1 3 0 1 0 1 0 1 0 1 1 0 0 0 1 0 0 0 1
t+1
2 0 1 0 1 1 1 1 1 3 0 0 1 1 1 1 1 1
Es fcil identicar los atractores y sus cuencas, que se muestran en la gura 4.10. Vemos que existen tres estados asintticos a los que llega el sistema, segn las condiciones iniciales. Existen puntos jos (el 000 y el 111) y un ciclo de perodo 2, entre los estados 001 y 010.
Figura 4.10: Atractores y ujo en la red de la gura 4.9. A medida que el sistema sea ms grande, las posibilidades dinmicas aumentan. El nmero de funciones booleanas de
entradas es exponencial
Nf (K ) = 2 2K .
(4.32)
Una red mediana puede tener ms de una docena de cuencas de atraccin, de distintos tamaos. Un caso se muestra en la gura 4.11, donde una multitud de estados
un ciclo de perodo 7. Paras redes grandes, comparables a genomas, podemos estudiar las siguientes propiedades:
78
4. Expresin gentica
Figura 4.11: Cuenca de atraccin (una de las 15) de una red con
N = 13,
K = 3.
estados de la red.
2N ). 2N ).
El tamao de la cuenca de atraccin de cada atractor. La estabilidad de los atractores frente a la perturbacin mnima (el ip de un estado). El dao causado por un ip en la dinmica. Los cambios en los atractores y sus cuencas producidos por una mutacin (el ip de un dgito en una funcin booleana). La hiptesis de Kauman es que los tipos celulares son atractores de la red genmica, que identicamos con una red
N K.
Caso K = N
79
Cada elemento recibe como input todos los estados del sistema. Existe una sola conectividad de este tipo. Es el caso ms desordenado posible y la dinmica resulta aleatoria. Longitud de los ciclos: Nmero de atractores:
Tc 1 2N . 2 Na N . (Por e
ejemplo,
N = 200, Na 74.)
Los atractores son muy inestables, con separacin exponencial entre estados que dieren en 1 bit.
Caso K = 1
Este caso tiene los elementos conectados a slo un vecino, con lo cual muchos quedan formando colas y no inuyen mayormente en la dinmica. Nmero de elementos en bucles desconectados: 1/8 log2 N Longitud de los ciclos: Tc e . ( )N (1+o(1)) 2 Nmero de atractores: Na . e
Nb
N ln N .
Tc N. Na N .
Los atractores resultan tpicamente estables frente a perturbaciones minimales, y resistentes a las mutaciones en
i . N =
El nmero de atractores es muy reducido (del orden del nmero de tipos celulares) y espontneamente resultan muy estables. Por ejemplo, si
10 000,
En
tenemos
Na 100
Tc 100,
K =2
(4.33)
m(i)
P (m)
ser:
P (m) P (m)
con picos aislados en el rgimen ordenado. con una banda continua ms picos en el rgimen catico. Es una
situacin similar a la transicin al caos determinista en un sistema continuo (si bien estos sistemas no pueden ser caticos, ya que el espacio de conguraciones es nito, por lo cual son necesariamente peridicos).
Caso K 5
Longitud de los ciclos: Nmero de atractores:
N . 2
80
4. Expresin gentica
Figura 4.12: Comparacin entre el nmero de atractores y de tipos celulares para distintos tamaos del genoma.
son las
K = Kc = 2. K = 2.
transiciones entre atractores al producir una mutacin, es baja solamente para Todos estos resultados fueron obtenidos numricamente por Kauman y colaboradores, y analticamente para existe un punto crtico. (Formacin de ncleos duros y paredes que percolan, g. de Sci. Am.)
K=N
K = 1.
N K.
Las
conexiones de cada
paso de tiempo. Con esta aleatoriedad se pierde el comportamiento asintN tico peridico (a lo sumo de perodo 2 ) de las redes de Kauman, pero se pueden hacer clculos analticos, y se han comprobado las predicciones de acuerdo a lo que se observa en las redes de Kauman para
N .
Es un poco sorprendente, pero la dinmica del modelo annealed es similar a la del modelo quenched. Pensemos en lo siguiente: el estado de un elemento i est determinado, a tiempo t = 1 por el estado de K 1 otros elementos, a travs de un cierto conjunto de funciones aleatoriamente elegidas. Su estado a 2 tiempo t = 2 est determinado por el estado de K elementos a t = 0, a travs de
otro conjunto
81
Figura 4.13: Cuando coinciden los estados de los inputs de un nodo de ambas redes, en el tiempo siguiente coinciden los estados de ese nodo.
Si
N ,
est determinado por (un conjunto exponencialemente creciente) de otros estados, a travs de conjuntos de funciones siempre distintas (si
es nito
esto no es cierto, ya que las funciones empiezan a repetirse). En consecuencia, la dinmica annealed y la dinmica quenched resultarn muy parecidas para sistemas muy grandes. Supongamos dos redes idnticas en conexiones y funciones, pero en estados iniciales distintos. Denimos:
El
solapamiento
como la fraccin
a(t)
estado, a tiempo
t. K
sitios solapados es
a(t)K . t +1, en el mismo estado en las dos redes (solapado), t ni la regla en particular. Por lo tanto a(t)K es una parte de la fraccin de sitios solapados a tiempo t + 1. La gura 4.13 esquematiza esta situacin para K = 2. K La fraccin restante 1 a(t) an puede solaparse por coincidencia de la
Tal sitio va a estar, a sin importar el estado a tiempo dinmica, an cuando los vecindarios fuesen diferentes. Como las funciones son asignadas al azar, la mitad de estos sitios resultarn solapados: a(t)K ).
1/2(1
82
4. Expresin gentica
(4.34) (4.35)
Esta ecuacin se puede transformar en una ecuacin para la distancia de Hamming entre las dos conguraciones, que es el nmero de bits distintos:
d(t) =
N i=1
(1)
(2)
(4.36)
a(t) =
Entonces:
N d(t) . N
(4.37)
1 d(t + 1) = [1 (1 d(t))K ] fK (d). (4.38) 2 Este mapeo tiene un punto jo, d = 0, cuya estabilidad est determinada
por la derivada:
(K ) =
fK (d) d d K = [1 d ]K 1 2 K = . 2
(4.39)
(4.40) (4.41)
Es decir, el lmite de estabilidad, (Kc ) = 1 (es un mapeo), nos da Kc = 2. d = 0 es estable: es la fase congelada, en la que la distancia entre conguraciones cae a cero. Por encima, d = 0 es inestable, y la disPor debajo, tancia entre conguraciones crece exponencialmente (fase catica). Estas propiedades son las mismas que se observan en el modelo quenched de Kauman.
solamente
por el genoti-
83
K=1
y 3.
genes lo que determina el estado de activacin del genoma como un todo, y por lo tanto el fenotipo (no ya solamente el tipo celular!). Existe cada vez ms evidencia de laboratorio de que esto es realmente as en los organismos reales. Por ejemplo, se ha mostrado que es posible hacer que reguladoras de lacR, tetR y [22]. A medida que el uso de micro-arrays ha acelerado enormemente el relevamiento de las redes de regulacin gentica, hay cada vez ms evidencia. Por ejemplo, en la planta
E. coli
sinteti-
cI,
de estos genes
Arabidopsis thaliana
mada por 15 genes, tanto en su topologa como en las conexiones lgicas de su interaccin. Simulando una red booleana basada en ella se encuentran 10 atractores, que corresponden a los estados de activacin de distintos tejidos de la planta. Ms an, al recablear algunos genes se encuentran patrones de expresin gentica que corresponden a mutantes conocidos de la planta [23]. El hecho de que los sistemas homeostticos ocurran slo a
K=2
es un
poco decepcionante, ya que en las redes de regulacin genmica la conectividad es un poco ms grande. Una posible solucin para esto son redes con funciones canalizadas, es decir sesgadas hacia uno de los estados, el 1, por ejemplo. Es decir, las funciones se eligen a lazar, pero favoreciendo las que producen output 1, con probabilidad corre hacia valores mayores de
en redes genmicas reales, de manera que no existe an una respuesta concluyente para este problema. Existe sin embargo cierta evidencia de que la dinmica del sistema de interaccin gentica es crtica en algunos organismos. Obsrvese la gura 4.15 que muestra el mapeo equivalente al de la gura 4.14, y se ver que son compatibles con el comportamiento crtico (K
= 2)
84
4. Expresin gentica
tema todava controversial. Kauman ha mencionado tambin que la topologa de la red tambin afecta esto, obtenindose el mismo efecto con redes scale-free sin bias que con redes aleatorias con bias (comunicacin personal, junto con Maximino Aldana). Vale la pena mencionar tambin el trabajo de Luis Morelli y Damin Zanette, sobre sincronizacin de redes de Kauman acopladas (PRE (2001)).
63, 036204
85
86
motores moleculares.
puede ser mucho ms complicado, pero en muchos casos una aproximacin difusiva no est tan mal. Por ejemplo, en situaciones en las que los individuos ocupan espacios descriptos por distribuciones tipo campana. En otors casos, por ejemplo si hay migraciones, o quimiotaxis, etc., el fenmeno puede ser ms complicado. La difusin estndar en una dimensin es de la forma:
u 2u = D 2, t x
donde de difusin. A nivel celular se tiene que
(5.1)
El fenmeno de transporte difusivo es muy ineciente para llevar informacin de un lado a otro de la clula. Por ejemplo, el tiempo necesario para llevar informacin a lo largo de una distancia L es el tiempo caracterstico de 2 5 7 difusin: T L /D . Si L = 1mm, tenemos que en la clula T 10 10 s, o sea entre 1 da y 3 meses! Evidentemente tiene que haber otros mecanismos en juego. El comportamiento usual e intuitivo de la difusin: el de borronear estructuras, resulta drsticamente modicado cuando se lo acopla a un mecanismo
87
de reaccin:
2u u = f ( u) + D 2 . t x
(5.2)
En estos casos ocurre un pequeo milagro matemtico y son posibles soluciones tipo onda viajera, en forma de perles de que propagan sin cambiar de forma:
con
z = x ct.
(5.3)
u(z )
c.
u 2u = k u(1 u) + D 2 , t x
versin adimensional:
(5.4)
u 2u = u(1 u) + 2 , t x
donde hemos hecho el cambio de variables soluciones
(5.5)
t = kt
x = x
k/D,
y luego
Esto sugiere buscar soluciones no homogneas, tipo frente de onda, que conecten 1 con 0, con
u > 0, como se ve en la gura 5.1. Propongamos u(x, t) = U (z ) como solucin, con z = x ct donde c es la velocidad de la onda, y sea c > 0 para especicar una situacin. Substitumos
en (5.5):
U (z ) dU z u = U (x ct) = = = cU , t t t dz t dU z u = U (x ct) = = U , x x dz x 2u u z = = U = U = U . 2 x x x x x
88
(5.6) (5.7)
(5.8)
5. Ondas de poblacin
Figura 5.1: Estados estacionarios homogneos, estable e inestable, de la ecuacin de Fisher, y estado no homogneo que los conecta en forma de frente.
U + cU + U (1 U ) = 0.
Tenemos que determinar ahora el o los valores de de (5.9) satisfaga:
(5.9)
l m U (z ) = 1,
l m U (z ) = 0.
(U, V )
(5.11) (5.12)
U = V V = U = cV U (1 U )
fases:
f, g,
cV U (1 U ) dV = . dU V
Los puntos crticos de este sistema son lidad lineal:
(0, 0)
(1, 0).
f = 0, U g = 1 + 2U, U
f = 1, V g = c, V
(5.14) (5.15)
89
( J = ( J(0,0) = )
) 0 1 1 + 2U c
(5.16)
0 1 1 c
1 = (c ) + 1 = 2 + c + 1 = 0 1 c
(5.17)
{ c2 > 4 1 = (c c2 4) 2 2 c <4
Por otro lado:
(5.18)
J(1,0) =
0 1 1 c
1 = (c ) 1 = 2 + c 1 1 c
(5.19)
1 = (c c2 + 4), ensilladura. 2
En resumen, si
(5.20)
c c0 = 2
(5.21)
el origen es un nodo estable, y la situacin es la que vemos en la gura 5.2. El frente de onda est descripto por la trayectoria heteroclina que conecta el (1,0) con el (0,0).
Figura 5.2: Trayectorias heteroclinas en el espacio dos posibles formas del frente de onda (5.9). Por otro lado, si
(U, V ),
que representan
c c0
oscila
con valores negativos, lo cual no es fsicamente posible si el modelo decribe la evolucin de poblaciones o concentraciones.
90
5. Ondas de poblacin
c c0 = 2 kD.
(5.22)
Volvamos a hacer el clculo del tiempo de propagacin en la clula. Ahora el frente se mueve de manera balstica con velocidad c, de manera que c L/T T L/(2 kD). Si k 1, tenemos T 103 104 segundos, mucho ms razonable! Qu condiciones iniciales satisface que:
u(x, 0)
u(x, 0)
u(x, 0) = u0 (x) 0,
con
{ 1 u0 (x) = 0 u(x, t)
si si
x x1 , x x2 ,
(5.23)
x1 < x 2
u0
continua, entonces
evoluciona asintticamente a un
c = c 0 = 2. x x,
as que hay
u(x, t) = U (x + ct),
(5.24)
de modo que una condicin inicial positiva en un dominio (una regin acotada) evoluciona hacia dos frentes, de propagacin opuesta, como se ve en la gura 5.3.
Figura 5.3: Un frente doble evoluciona a partir de un estado inicial con soporte compacto. No se conocen soluciones analticas generales de (5.9) o (5.13) (excepto para valores particulares de aproximada (perturbativa)
c = 2, 0,25
c). Se puede encontrar sin embargo una solucin 2 cuando se satisface que c es pequeo. Para
numricas muestran que es una buena aproximacin. Esta solucin puede usarse para mostrar que
1 +o U (0) = 4c
1 c5
) ,
(para
c 2)
(5.25)
91
(5.26)
donde
tiene 2 ceros
u1
u2 ,
u1
con
u2 ,
con
c c0 = 2 f (u1 ).
(5.27)
z = 0 el punto donde la concentracin pasa por el punto medio, U (0) = 1/2. Vamos a buscar una solucin aproximada, vlida en la proximidad de z = 0.
cin, tomemos en Sea el cambio de variable:
z = z, c
U (z ) g ( ).
(5.28)
No hay una receta siempre vlida para encontrar la transformacin adecuada en cada caso. En general se la encuentra probando, hasta que la ecuacin transformada da una solucin perturbativa que sirva. En este caso tenemos:
U + cU + U (1 U ) = 0 1 dg c d d2 g 1 d2 g U = 2 2 = 2 c d d U =
92
(5.29)
(5.30)
(5.31)
5. Ondas de poblacin
con:
d2 g dg + + g (1 g ) = 0, d 2 d 1 = 0,25. c2 0
(5.32)
g () = 1, g (0) = 1/2, g () = 0,
Observemos que el parametro pequeo
0<
(5.33)
g (, ) = g0 ( ) + g1 ( ) + .
Las condiciones de borde (y de centro) para
(y
g0 () = 1, gi () = 0, [
g0 () = 0, gi () = 0, i = 1, 2, . . .
(5.37)
o(1) : o() :
(5.38a)
(5.38b)
(5.38c)
La ecuacin (5.38a) es como una logstica pero ms fcil. Se resuelve haciendo el cambio
y = 1/g0
y se obtiene:
g0 ( ) =
(teniendo en cuenta que
1 1 = 1 + ae 1 + e
(5.39)
g0 (0) = 1/2).
93
2 g0 + g0 g0 = 0,
Derivo:
(5.40)
dg1 d
g0 g0
)
g1 = g0
(5.42)
g0 )
o():
(5.43)
g1 ( ) =
g0
ln(4|g0 |)
[ ] e 4e = ln . (1 + e )2 (1 + e )2
(5.44)
c c0 = 2
por su denicin
Observemos que la peor aproximacin en (5.32) es para usando slo el orden 0 (el orden mxima derivada
1/c2 ). c = 2. Sin
em-
o(1)!)
del desarrollo.
Por la forma que tiene el frente, la inclinacin se puede tomar como la U (z ), es decir en el punto de inexin donde U (z ) = 0:
U (0) =
1 + o(c5 ) 4c
(5.48)
es una medida de la inclinacin del frente, y est relacionado con su velocidad, como mencionamos ms arriba.
94
Formalmente, la Teora de Juegos es el estudio de los resultados que surgen de interacciones estratgicas entre jugadores racionales. Estos resultados dependen de las preferencias de los jugadores, y no de us intenciones. El signicado de esta especie de denicin no resultar claro ni preciso a menos que se denan y expliquen todos los trminos de la denicin. El propsito del presente captulo es ms modesto: proveer una introduccin a los conceptos y tcnicas fundamentales de la teora, en particular en aplicaciones pertenecientes al campo del comportamiento animal.
95
genstern estaban al tanto de la dicultad que fue resuelta gracias a las ESS, y de hecho al nal del primer captulo de
Behavior, escriben:
We repeat most emphatically that our theory is thoroughly static. A dynamic theory would unquestionably be more complete and therefore preferable. But there is ample evidence from other branches of science that it is futile to try to build one as long as the static side is not thoroughly understood. Los objetivos originales de la teora consistan en encontrar principios generales del comportamiento racional. Se esperaba que ste resultara ptimo contra un comportamiento irracional. Se analizaban entonces experimentos imaginarios entre jugadores perfectamente racionales, y que saban que sus oponentes tambin lo eran, y que usaran una estrategia similar. Result que se estaba pidiendo demasiado, que la racionalidad de los jugadores era una condicin demasiado restrictiva y, en ltima instancia, perjudicial. La especie de los jugadores racionales entr en el camino de la extincin al introducirse la doctrina de la mano temblorosa: qu pasara si un jugador creyese que, ocasionalmente, su oponente hara la jugada incorrecta en lugar de la correcta? Es una cuestin sumamente racional de considerar. Qu tan ocasional podra ser ese comportamiento? Tiene relevancia que los jugadores se equivoquen a propsito, habiendo concebido la jugada correcta, pero no llevndola a cabo? Una vez abierta la puerta de la irracionalidad, no hubo vuelta atrs: los jugadores ya no son lgicos perfectos. Esta situacin result en extremo favorable para la teora, ya que abri las puertas a innumerables aplicaciones en las ciencias sociales, desde la tica a la economa, desde la poltica hasta el comportamiento animal. Al no estar restringidos por el comportamiento racional, los jugadores pueden aprender, adaptarse, evolucionar. En lugar de encontrar la solucin perfecta basada en consideraciones a priori, se trata ahora de estudiar el comportamiento dinmico de modelos de juegos denidos por estrategias, payos y mecanismos
96
6. Juegos evolutivos
de adaptacin. No est para nada claro que la situacin vaya a alcanzar un estado estacionario. Ahora bien, por qu es esto relevante para la biologa? Todos los aspectos del comportamiento animal tienen alguna inuencia en uno de los conceptos centrales de la evolucin: la
tness
(estrictamente, el nmero de
descendientes vivos que el animal produce). La seleccin natural tiene por efecto que el comportamiento de un animal tienda a
maximizar su tness. El
comportamiento ptimo que maximiza la tness resulta de un balance entre benecios y costos. Por ejemplo, consideremos un animal macho que produce un sonido para atraer a las hembras y aparearse. La intensidad del sonido que produce tiene asociado un benecio y un costo: cuanto ms fuerte chille, por ejemplo, de ms lejos lo oirn sus potenciales parejas; pero chillar ms fuerte cuesta ms energa. La prediccin de un
modelo de optimizacin
para un comportamiento de este tipo ser que ambas tendencias tendrn por efecto que la intensidad ptima se encuentre en algn valor intermedio, en principio seleccionado naturalmente. Ahora bien, en general este animal no se encontrar solo, sino que habr otros machos tratando de atraer a las mismas potenciales parejas. De manera que el xito de su comportamiento depender no solamente de cun fuerte chille,
ejemplo, sera quedarse callado en medio de sus congneres chillones. De esta manera no incurre en el gasto asociado a la llamada de apareamiento. Este comportamiento recibe el nombre de Si las hembras no son muy selectivas al acercarse a los machos y se aparean indiscriminadamente con ellos, el macho satlite probablemente tenga una ventaja sobre los otros, ya que percibe los benecios sin incurrir en los costos. En todo caso, lo que est claro es que la tness ahora no depende simplemente de la relacin entre costos y benecios, sino que depende tambin de las
estrategias, o modos de
97
una cantidad de preguntas relevantes en un caso como ste, tales como: qu fraccin de satlites puede haber en una poblacin de machos? qu pasa si los machos se comportan como satlites slo parte del tiempo? qu tipo de estabilidad tienen estas soluciones? cmo se llega a ellas mediante una dinmica de estrategias? qu pasa si hay imitacin de comportamientos? qu pasa cuando se introduce un mutante en una poblacin homognea? Presentaremos primero un par de ejemplos, que servirn para introducir algunos conceptos fundamentales, y a continuacin volveremos sobre el anlisis de chillones y satlites en el marco de la Teora de Juegos.
{
Jugadores
Johann Sebastian
J S
{
Cartas
As Rey
A K
Las reglas del juego son as: 1. Cada jugador aporta 1$ al pozo. 2. Johann levanta una carta y la mira. 3. Johann tiene dos opciones:
a) b) a) b) a) b)
98
4. Sebastian (que no conoce la carta de J) tiene dos opciones: Se va al mazo (y Johann gana el pozo, 1$). Ve la apuesta y agrega 1$ al pozo.
5. Johann muestra su carta. Pueden ocurrir dos cosas: Johann tiene el As: J gana, 2$. Johann tiene el Rey: S gana, 2$.
6. Juegos evolutivos
B: NB: V: NV:
Blufear, elevar la apuesta independientemente de la carta que tiene. No blufear, elevar la apuesta slo si tiene el As. Ver, levantar la apuesta si J apuesta. No ver.
Sebastian slo debe actuar si J eleva la apuesta, si no, no. Notemos que ambos jugadores bien pueden decidir qu estrategia usar aun antes de iniciar la mano. El resultado es, por supuesto, incierto, ya que depende de la carta que saque J, al azar. Por ejemplo, si Johann elige de antemano NB (no blufear) y Sebastian elige V (ver), los resultados posibles son: 1. Con probabilidad 2. Con probabilidad El
p = 1/2, p = 1/2,
payo esperado
1 1 + 2$ 1$ = 0,50$ 2 2
tegias de J y de S, que pueden representarse mediante la siguiente
(6.1)
payo :
matriz de
Payo de J
Si J blufea Si J no blufea
Si S ve 0 0.50
Si S no ve 1 0
Como lo que gana Johann es lo que pierde Sebastian, est claro que tenemos una matriz de payo para Sebastian que es opuesta a la de Johann:
Payo de S
Si J blufea Si J no blufea Un juego de este tipo se llama de
Si S ve 0 -0.50
Si S no ve -1 0
suma cero.
0,50). 0,50).
Claramente, si J jams blufea, S no debe jams ver: as, si bien no gana, minimiza lo que gana J (0 en lugar de Pero, si J puede anticipar que S jams ve, entonces le conviene blufear siempre: as maximiza lo que gana (1 en lugar de Pero entonces a S le conviene avivarse y empezar a ver, para perder menos. Y entonces a J le conviene dejar de blufear y pasar de ganar 0 a ganar 0.50.
99
1.0 0.415
0.249
0.083
0.166 0.8
0.5
0.6
0.332
PJ
1.0
0.498
0.5
0.664 0.581
y
0.2 0.083
0.83
0.913 1.0
Vemos que rpidamente, los jugadores empezarn a pasearse por las distintas estrategias. Es posible que dejen de predeterminar sus estrategias, y empiecen a usar una u otra, con ciertas probabilidades, al azar. en otras palabras: que dejen de usar estrategias
mixtas.
puras
y empiecen a usar (
estrategias
Llamemos:
x: y:
P (x, y )
(0, 1) (0, 1). Es una supercie reglada: si la cortamos paralelamente al eje x, los cortes son lineas rectas, y lo mismo ocurre paralelamente al eje y . Estas rectas son horizontales cuando x = 1/3 y cuando y = 2/3. En la gura est representada la supercie y su interseccin x = 1/3
o
y = 2/3.
con tonos proporcionales al payo. Supongamos que Johann elige blufear con una probabilidad relativamente alta,
x > 1/3.
y = 1,
para reducir al
100
6. Juegos evolutivos
mnimo la ganancia de J:
P (J ) = x + 1/2 3/2x = (1 x)/2 < 1/3. Si, en cambio, J elige blufear con x < 1/3, Sebastian bien puede elegir no ver nunca, y = 0, con lo cual P (J ) = x < 1/3.
Pero si J elige blufear con exactamente
Johann tiene un modo de maximizar su payo mnimo ( Sebastian puede hacer lo mismo. Si elige
minimal
en ingls).
y = 2/3
(donde
y = 2/3
son estrategias
Pero por qu habra uno de asumir siempre lo peor? Supongamos que Johann es tmido, y que no se anima a blufear con una probabilidad tan alta como de Johann no se reducir. no se d cuenta y, habiendo supuesto lo peor, siga usando
x = 1/3, y que usa una menor. Mientras Sebastian y = 2/3, el payo Por supuesto, a Sebastian le convendra reducir y , x = 1.
Y entonces Sebastian. . . (ver la
para que J gane menos. A este punto, a J le conviene superar su timidez y pasar directamente a blufear siempre, gura) Vemos que la estrategia maximin es una especie de equilibrio, pero deja bastante que desear: en cuanto un jugador la abandona, el otro puede tomar ventaja. En todos los juegos de suma cero como ste, existe esta estrategia llamada maximin conservadora que le conviene a los dos jugadores a la vez. Pero la mayor parte de los juegos no son de suma cero.
101
chicken
barde; en espaol el nombre gallina no tienen la misma connotacin ): Johann y Sebastian estn a punto de pelear (tal vez despus de unas manos de pker!) y ambos tienen la opcin de presentar pelea o de retirarse. 1. Si ambos se retiran, ninguno obtiene nada. 2. Si slo uno se retira, le paga 1$ al otro. 3. Si ambos pelean, ambos pierden, digamos 10$ (para pagarle al mdico, por ejemplo). La matriz de payo de Johann es:
Payo de J
Si J pelea Si J cede Y la de Sebastian es la misma:
Si S pelea -10 -1
Si S cede 1 0
Payo de S
Si S pelea Si S cede
Si J pelea -10 -1
Si J cede 1 0
Claramente, cediendo, J tiene la oportunidad de maximizar su payo mnimo. En la misma situacin est Sebastian: maximiza su payo mnimo si cede. Pero cedern ambos? Difcilmente. El que crea que el otro ceder, dar pelea. Pero si ambos pelean, a ambos les ir mal, algo que es completamente irracional, pero que hemos visto repetirse una y otra vez tanto en la calle como en la historia humana. Consideremos nuevamente que ambos eligen sus estrategias de manera aleatoria, con ciertas probabilidades. Sean
P (J ) = 10xy + x y, P (S ) = 10xy + y x.
(6.5) (6.6)
En la gura estn representado estos payos, como contornos de nivel, para ambos jugadores. Obsrvese que es tambin un paraboloide hiperblico, pero est recortado de otra manera.
Es el famoso juego de dos autos corriendo hacia un acantilado que est representado en la pelcula .
1
Rebelde sin causa
102
6. Juegos evolutivos
1.0
1.0
8 9
0.8
0.8
7 6 0.6 0.6
4 0.4 0.4
2 0.2 0 0.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.0 0.2 0.4 0.6 0.8 1 1.0 0.2 3
y = 1/10. Es decir, si Sebastian busca la pelea con probabilidad y > 1/10, a Johann le conviene ceder. Si Sebastian pelea con probabilidad y < 1/10, a Johann le conviene pelear. Si ambos pelean con probabilidad x = y = 1/10, ninguno tiene nada que ganar
desvindose de esta estrategia. Estn en un Nash, premio Nobel de Economa, el de audiencia femenina). Pero ninguno de los dos tiene un buen motivo para para creer que Sebastian est peleando con
+ 1(1 y ))
se
desviarse de 1/10,
siempre que el otro permanezca en 1/10. Pero si Johann tiene alguna razn
y > 1/10,
le conviene no pelar
nunca. Y si Sebastian sospecha que Johann tiene tal razn, ciertamente le conviene pelear. Qu debe hacer Sebastian si, por ejemplo, Johann ha buscado pelea en dos de los cinco primeros encuentros? Debe pensar que es alguna uctuacin estadstica, o que El argumento para
x = 0,4?
x > 1/10.
x = y = 1/10,
Sorprendentemente, fue un bilogo, John Maynard Smith, el primero en ofrecer una explicacin convincente de todo esto [32, 33]. Maynard Smith, quien estaba estudiando peleas entre animales, visualiz este juego en un escenario de dinmica poblacional. Imaginemos que en lugar de slo dos jugadores, tenemos numerosos jugadores que se encuentran al azar en competencias en las que deben decidir si dar pelea o no. Ahora s tiene sentido que los jugadores den pelea con probabilidad 1/10. Por qu? Si la probabilidad promedio fuera ms alta, a cada jugador le convendra dar pelea con una probabilidad menor, con lo cual baja el promedio de la probabilidad de pelear en la poblacin. Y viceversa. Es un mecanismo de
autorregulacin
(dentro
103
evolutivamente estable.
estrategia
Este mecanismo de autorregulacin es reminiscente del que se observa en la ecologa de poblaciones, en donde las especies interactuantes regulan mutuamente sus densidades. Efectivamente, existe una relacin muy estrecha. De hecho, el modelo ms comn de poblaciones interactuantes (LotkaVolterra) y el modelo ms comn de dinmica de frecuencia de estrategias (las ecuaciones de replicador) son matemticamente equivalentes.
E (C, C ) E (S, C )
E (C, S ) E (S, S )
6. Juegos evolutivos
donde son usuales las siguientes convenciones: La columna de la izquierda lista las estrategias del juego. Las estrategias se repiten en los encabezamientos de cada columna. Cada celda de la matriz representa una de las posibles confrontaciones, y contiene los payos del estratega focal correspondiente (llamados por expectation). Cada payo depende de dos variables: la primera es la estrategia focal, y la segunda es el oponente. Cada la contiene todas las posibles confrontaciones correspondientes a cada posible estrategia focal. En particular, ntese que bien puede ocurrir que
E (C, S ) = E (S, C ).
Veamos cmo calcular los payos correspondientes a cada posible confrontacin. En primer lugar, se necesita una descripcin de la estrategia: en qu consiste, cmo se comporta con respecto a las otras estrategias. Esto ya lo tenemos para el ejemplo de chillones y satlites. A continuacin necesitamos enumerar y cuanticar los siguientes elementos: Probabilidades de ganar y de perder. Valor del (o de los) recursos ganados. Costos producidos al ganar. Costos por perder. Est claro que los valores de ganancias y costos deben estar expresados en una unidad en comn (que en general ignoraremos, expresando todo en unidades arbitrarias). El cmputo de un elemento de la matriz de payo, entonces, tiene la forma general:
E (A, B ) = =
Costos,
prob.
de
Apliquemos estos conceptos al juego entre chillones y satlites. Digamos que el recurso que se gana (acceso a las hembras que se acercan) tiene valor
G,
(gasto de tiempo, de
105
presa). Estos son los nicos valores que necesitamos, y construimos los payos de la siguiente manera:
Chilln-chilln.
La probabilidad de ganar es
1/2
(suponemos que no
hay variaciones de un animal a otro). Si gana el recurso le aporta G, pero le cuesta C, mientras que si pierde sufre el costo de todos modos. Entonces:
(6.9)
E (S, C ) = G (1 )0.
una confrontacin chilln-chilln. Entonces:
(6.10)
E (S, S ) = 0.
En denitiva: Chilln Chilln Satlite Satlite
(6.12)
1/2(G C ) 1/2C G
(1 )(G C ) C 0
Veamos ahora cmo calcular la tness de cada estrategia. La tness es el apyo de una estrategia mixta, de manera que depende de la frecuencia de los otros comportamientos en la poblacin. Por ejemplo, el xito reproductivo de un satlite depende de si quienes lo rodean son chillones o satlites. Si los satlites son muy raros, el cambio en la tness por interactuar con un satlite es relativamente pequeo comparado con el correspondiente cambio si los satlites son abundantes. En el presente ejemplo, dado que tenemos slo dos estrategias, podemos caracterizar las frecuencias relativas de ellas en la poblacin mediante un solo parmetro: fraccin de satlite fraccin de chilln
= x, = 1 x.
(6.13) (6.14)
106
6. Juegos evolutivos
Esto nos permite escribir las tness de ambas estrategias, de la siguiente manera:
(6.15) (6.16)
Estamos ahora en condiciones de plantearnos una pregunta importante, que ms adelante formalizaremos para casos de ms estrategias, pero que ahora podemos atacar de manera sencilla porque este problema tiene slo dos estrategias. La pregunta es la siguiente: puede ser estable una poblacin compuesta exclusivamente por individuos que practican una misma estrategia? Es estable tal situacin respecto de la aparicin de un mutante o un inmigrante con la otra estrategia? Y en caso de que ninguna de las poblaciones uniformes sea estable, es estable alguna poblacin mixta, con una fraccin practicando cada estrategia? Claramente, la respuesta depende de una combinacin entre las tness y las fracciones, y de la herencia de las estrategias. Si una de las estrategias tiene ms tness que la otra, dejar ms descendientes los cuales, heredando el comportamiento (la estrategia) de sus progenitores, a su vez dejarn ms descendientes. Una de las estrategias aumentar su frecuencia en la poblacin a costa de la otra. Sin embargo,
si las
G = 10,
C = 2.
En tal caso:
Satlite
3 10
8 10
0
(6.17) (6.18)
Vemos que las tness de un poblacin mixta son funciones lineales de y podemos distinguir dos casos, segn sea el valor de la probabilidad respecto a un valor crtico
x,
con
c = 0,3:
107
entre 0 y 1 (recurdese
esa situacin, una subpoblacin de chillones convive felizmente con un 20 % de satlites. Si la composicin de la poblacin se encuentra a la derecha de la interseccin, la tness de los chillones es superior a la de los satlites, se reproducen ms, y su frecuencia aumenta en la poblacin (x disminuye). Si la composicin de la poblacin se encuentra a la izquierda de la interseccin, la tness de los satlites es superior, se reproducen ms, y aumenta su frecuencia
x.
Si
< 0,3,
lites para cualquier combinacin de poblaciones, de manera que la situacin de equilibrio es sin satlites (x
= 0).
108
6. Juegos evolutivos
Estas situaciones, que resultan estables respecto de un cambio en la composicin de la poblacin, se llaman presente ejemplo cuando
(ESS por
< 0,3,
la ESS se llama
las dos estrategias se hubieran cortado de otra manera, como en esta gura,
no
sera estable.
109
El bilogo John Maynard Smith us la teora de juegos para mostrar, a principios de los 70's, cmo era posible esto. El libro de Maynard Smith,
El principal argumento se basa en un experimento pensado, un modelo de juguete en el que hay dos comportamientos posibles: 1. H: hawks, halcones: Muy agresivos, lucharn tan duramente como puedan por obtener el recurso, retirndose slo cuando estn heridos. Solemos decir que escalan (intensican, agravan) el conicto hasta la lucha fsica o la retirada del oponente. 2. D: doves, palomas: Nuca luchan por el recurso. Hacen demostraciones de agresin, pero se retiran si el otro escala el conicto. (Los nombres halcones y palomas, basados en su uso convencional por parte de los seres humanos, son incorrectos, pero se han vuelto populares. La lucha se entiende entre individuos de la misma especie, no de dos especies. Ms an, las palomas verdaderas escalan, como se puede leer en los libros de Konrad Lorenz. Desde un punto de vista formal, el juego de Halcones y Palomas es equivalente al de Chicken ya descripto.) El premio de la pelea puede ser comida, o territorio, o el control de las hembras, y se puede medir en un aumento de tness, o xito reproductivo). En el caso de lucha fsica, hay un costo asociado a resultar herido:
+G Perdedor: C
Ganador:
si pelea
DD HD HH
Demostraciones, se miran jo, se hinchan, se golpean el pecho o lo que sea, y al nal uno cede. El ganador recibe payo medio es entonces
G,
y el perdedor, nada. El
G/2. G. C .
El payo medio es
Los dos escalan hasta llegar a la lucha fsica, en la que uno gana y el otro pierde. El ganador recibe
y el perdedor
(G C )/2,
C>G
(G C )/2 < 0
0
G G/2
6. Juegos evolutivos
Hagamos algunas observaciones cualitativas antes de analizar formalmente el juego. En primer lugar, parece bastante obvio que una poblacin compuesta exclusivamente por palomos no puede ser estable. Imaginemos una poblacin de este tipo. Es un lugar fantstico para vivir, todos se llevan bien sin lastimarse y se reparten los recursos paccamente. Lo peor que te puede pasar es que pierdas un poco de tiempo haciendo demostraciones, pero en promedio gans la mitad de las veces, as que no te va tan mal (siempre y cuando el costo de las demostraciones no sea desproporcionadamente grande respecto del valor del recurso!). Imaginemos ahora que aparece un halcn, por mutacin o inmigracin. Al halcn le va extremadamente bien en sus encuentros con los palomos: les gana siempre, y no sufre ninguna herida. La frecuencia de halcones tender a aumentar. Ahora hay unos pocos halcones, a quienes les sigue yendo bien, ya que la mayora de sus encuentros son con palomos. Y la proporcin de halcones sigue aumentando. De modo que puede ser una ESS pura. Pensemos ahora en una poblacin compuesta por halcones. Es un inerno, una jungla. Todo el tiempo hay conictos que terminan con alguien herido. De todos modos, al igual que en la poblacin de palomos, a nadie le va mejor que al promedio, ya que todos ganan el 50 % de los encuentros. Podra un palomo invadir este desagradable lugar? En principio no parece posible, ya que el palomo perder en lo siguiente:
no
cada encuentro con un halcn. Sin embargo, pensemos Primero, los palomos no resultan heridos en los combates,
de manera que no reducen su tness (recordemos que imaginamos que existe una tness base, y que el resultado del juego lo que hace es aumentarla o reducirla). Segundo, en cuanto aparezcan algunos palomos ms, cada uno de ellos ganar el 50 % de los encuentros entre ellos, perdiendo muy poco en ellos (comparado con lo que pierden los halcones entre ellos). En denitiva,
tampoco es una ESS pura. En una poblacin mayoritariamente D, los H se multiplicaran, ya que
reciben
G/2
entre ellos.
En una poblacin mayoritariamente H, los D tambin se multiplicaran, ya que evitan la pelea y no alteran su tness, mientras que los H pierden
(G C )/2
El xito de una u otra estrategia, entonces, depende de la composicin de la poblacin, ninguna presenta una ventaja de por s respecto de la otra. Sea:
x = 1x =
fraccin de H, fraccin de D.
(6.19) (6.20)
111
F (H ) = x
GC + (1 x)G, 2 G F (D) = (1 x) . 2 G . C
(6.21) (6.22)
F (H ) = F (D) x =
Si
(6.23)
x < G/C , a los H les va mejor que a los D y se propagan. Si x > G/C , x = G/C .
los H empiezan a sacarse los ojos entre ellos, y los D se propagan. La evolucin se encarga de mantener la poblacin en el punto jo estable En particular, si los ciervos.
es muy grande,
las luchas abiertas sean raras entre los animales con armas poderosas, como
Ejercicio.
(tiempo,
evolutivamente estable
si, cuando
todos
los
112
6. Juegos evolutivos
puede invadirlo (por mecanismos de evolucin natural). En el juego de halcones y palomas ninguno de los comportamientos estable: cada uno puede ser invadido por el otro.
puros
es evolutivamente
http://www.holycross.edu/departments/biology/kprestwi/behavior/ ESS/Hawk_v_Dov
(o programe Ud. uno propio) para estudiar las siguientes cuestiones: Modique los payos para ver cmo afectan la ESS. Encuentre los valores de
G, C
puras de halcones o palomos. Son realistas los valores de los payos que permiten ESS's puras? Analice si los cocientes entre costos y benecios, o sus valores absolutos, son determinantes en el tipo de comportamiento que se observa.
p = frecuencia de machos entre los descendientes de un individuo. m = frecuencia de machos en la poblacin. N1 = poblacin de la generacin F1 : mN1 machos y (1 m)N1 hembras. N2 = poblacin de la generacin siguiente F2 . El nmero medio de hijos por macho de F1 es: N2 . (6.24) mN1 el nmero medio de hijos de una hembra de F1 es: N2 . (6.25) (1 m)N1
El nmero esperado de
nietos
es
es:
(6.26)
(6.27)
113
114
6. Juegos evolutivos
Es decir, su
tness
es proporcional a
W (p, m) =
p 1p + . m 1m q, p?
Esto requiere:
(6.28)
Si tenemos una poblacin con fraccin de machos invadida por individuos con fraccin de machos
(6.29)
r = p + (1 )q = q + (p q ): p 1p q 1q + < + . q + (p q ) q + (p q ) q + (p q ) q + (p q )
(6.30)
Estas son dos parbolas, y hay que analizar cmo se cruzan. Se puede ver que si
q < 1/2, cualquier p > q puede invadir. Y si q > 1/2, puede ser invadido por un p < q . La nica situacin de equilibrio es cuando p = 1/2. (Esto se puede ver gracando los numeradores de esta expresin, en funcin de p, para q jo mayor o menor que 1/2. Se ve las F (p) y F (q ) se cruzan en p = q , y que cuando q < 1/2 la F (p) es mayor que la F (q ) para los valores de p > q . Y viceversa cuando q > 1/2. El parmetro se debe jar para que haya una sola interseccin en el intervalo [0, 1].
El equilibrio los suministran los nietos, no los hijos! Uno podra decir
que, dado que hay en general machos superuos (porque los machos producen ms gametos que las hembras) conviene producir hembras. Sin embargo, si nacieran ms hembras, habra ms hembras en la poblacin, y a un individuo le convendra tener hijos machos, ya que as tendra muchsimos nietos. De esta manera los que producen machos invadiran a partir de la segunda generacin. Idem al revs.
seccin presentaremos las deniciones elementales, la manera de calcular payos, y el concepto central de la teora de juegos no cooperativos: el equilibrio de Nash. En la seccin siguiente nos ocuparemos de los juegos evolutivos y su concepto fundamental: la estrategia evolutiva estable.
115
estrategias puras :
i = 1, 2 . . . n.
R = {R1 , R2 , . . . , RN }.
(6.31)
r = (r1 , r2 , . . . rn ),
estrategias. Para cada perl de estrategias r, y para cada jugador i, existe el payo i (r ) R. Es decir, para cada jugador tenemos una funcin de payo i : R R. Todas ellas juntas denen la funcin de payo del juego,
: R R, (r) = (1 (r), 2 (r), . . . n (r)).
En trminos formales, el juego queda denido entonces por la terna
ri
perl de
G=
(I, R, ).
(como los ejemplos de las secciones anteriores), de manera que cada una de las dos funciones de payo se puede representar por una
Uk
de
N N,
matriz de payo
de
donde
uij = k (i, j )
para cada
i, j = 1, 2, . . . N ,
representando
a las estrategias puras. (Vale la pena destacar que cada jugador podra tener a su disposicin un conjunto de estrategias con un nmero de elementos distinto de los otros jugadores, es decir
R = Ri .
payo son rectangulares.) Cada la de las dos matrices corresponde a una estrategia pura del jugador 1, y cada columna corresponde a una estrategia pura del jugador 2. Un juego de dos jugadores, entonces, queda especicado por el par de matrices
o focal
116
6. Juegos evolutivos
la polica. Cada prisionero debe decidir qu hacer: Confesar o No Confesar. El Prisionero No. 1 puede razonar de la siguiente forma: Aqu pueden suceder dos cosas, o mi compaero habla o no habla. Supongamos que conesa, entonces yo pasar 20 aos en la crcel, a menos que conese yo tambin. Si lo hago slo estar 10 aos. En este caso es mejor confesar. Por otro lado, si l no conesa y yo tampoco lo hago, entonces estar 1 ao. Pero si slo yo coneso saldr libre. De todas maneras es mejor confesar. Es de suponer que el Prisionero No. 2 est razonando de la misma manera. Pero si es as, entonces los dos llegarn a la misma conclusin: conviene confesar. Y se pasarn 10 aos en la crcel. Por lo tanto, si ambos actan irracionalmente y se mantienen callados cada uno pasar en prisin slo 1 ao. Vamos a usarlo en varios ejemplos de clculo en este captulo, de manera que veamos una conguracin tpica de la matriz de payo del DP:
( A=
) 4 0 , 5 3
( B=
) 4 5 . 0 3
(6.32)
Podemos ver que la segunda estrategia del jugador 1 (traicionar) le da un payo ms alto que la estrategia 1,
jugador 2
excede a la primera columna. De modo que la racionalidad individual llevara a ambos jugadores a jugar traicin, con lo cual ambos obtendrn un payo de 3. El dilema consiste en que ambos tendran un payo mayor si jugaran cooperar! Adems de las estrategias puras, existen
p1 , p 2 , . . . , p N .
Como
pi 0
p i = 1,
una
SN = { p RN / pi 0
pN i=1 = 1}
(6.34)
SN
SN
pi .
117
El es:
payo esperado
q,
{U q }i =
y
(6.35)
q2 = 1 q .)
Si a la estrategia
q1 q
mixta
p ,
p U q=
ij
uij pi qj .
(6.36)
Ejemplo. Ejempliquemos esto con el DP. Si el jugador 2 juega la cooperar, el payo esperado del jugador 1 es la primera columna de la matriz:
( 1 =
)( ) ( ) 4 0 1 4 = . 5 5 3 0
(6.37)
Si el oponente juega traicionar, el payo de 1 es la segunda columna de A, (0) q = (1 y, y ) (traiciona con 3 . Si el oponente juega una estrategia mixta probabilidad y ) el payo del jugador 1 es:
( 1 =
)( ) ( ) 4 0 1y 4 4y = . 5 3 y 5 2y p = (1 x, x)
(6.38)
Si el jugador 1 tambin juega una estrategia mixta, cual traiciona con probabilidad
(segn la
(6.39)
118
6. Juegos evolutivos
y.
1 = (1 + 2y )x + x = 1,
x,
Est relativamente claro que pueden existir estrategias tales que, si un jugador la ejerce, siempre obtiene menos payo que si ejerce otra. Tal es el caso de la estrategia cooperar, respecto de traicionar en el DP. Estas estrategias se llaman
denen estrategias dbilmente dominadas y estrictamente dominadas, usando respectivamente relaciones de menor o igual y de menor estricto, para su payo respecto del payo de otra. La
racionalidad
postulado de la teora de juegos no cooperativos, consiste en no usar jams una estrategia estrictamente dominada . En este caso, todas las estrategias puras estrictamente dominadas pueden ser eliminadas del juego, como si no existieran, sin afectar el resultado. Una vez hecho esto, las relaciones de dominacin pueden haber cambiado, de manera que en el juego as reducido puede haber nuevas estrategias puras dominadas. Iterativamente, entonces, se pueden ir eliminando todas las estrategias dominadas. Como hay nitos jugadores y estrategias, este proceso acaba con seguridad alguna vez. Las estrategias sobrevivientes se llaman el juego se dice
no iterativamente dominadas.
Si sobre-
vive una sola estrategia en este proceso, una estrategia claramente ganadora,
resoluble.
trategia cooperar es dominada, y eliminndola queda una sola estrategia, traicionar. Se ve un poco, ahora, que la idea original de toda esta teora era realmente la solucin de los juegos, en el sentido tradicional de la palabra. Es decir, uno no puede dejar de preguntarse si, por ejemplo, el ajedrez (que es ciertamente un juego nito) no tendr una estrategia ganadora, que lo resuelva (como existe para algunos problemas de ajedrez, juegan las blancas y ganan). Habra que formalizar el ajedrez, es decir dar una funcin de payo para cada combinacin posible de estrategias, tarea gigantesca pero nita. Una funcin
p p U q es
mejor respuesta
a una estrategia
es una estrategia
La mejor respuesta a una estrategia puede no ser nica (lo cual es un poco confuso, desde el punto de vista del lenguaje). Una estrategia pura que es mejor respuesta a algn perl de estrategias mixtas no puede, obviamente, ser dominada. En juegos de dos jugadores vale tambin la recproca: una
Algunos tericos no permiten a un jugador racional jugar siquiera una estrategia dbilmente dominada. Para ellos no es racional Zapata, que si no la gana...
2
119
estrategia pura que no es estrictamente dominada es la mejor respuesta de algn perl de estrategias. En general, esta recproca no es vlida en juegos de ms de dos jugadores. Y, nalmente, llegamos a una de las piedras angulares de la teora, en particular de sus aplicaciones econmicas, la nocin de
equilibrio de Nash,
A beautiful mind, favorecida especialmente por la audiencia equilibrio de Nash p es una estrategia tal que es una mejor
obtiene menos payo que
quien alcanz fama mundial no por ganar el premio Nobel sino por la pelcula femenina. Un respuesta a s
misma (no decimos la porque puede haber ms de una, es decir podra ser dbilmente dominado). Es decir, cualquier otra estrategia,
q,
contra
p ,
contra
p .
En smbolos:
p U p q Up ,
q.
(6.40)
Todo juego de forma normal admite al menos un equilibrio de Nash, pero bien puede ocurrir que no sea ninguna de las estrategia puras. Un equilibrio de Nash es el DP, la estrategia traicionar es un equilibrio de Nash estricto (Ejercicio: vericar esto). NB: Estrictamente, un equilibrio de Nash no es una estrategia sino un perl de estrategias, una para cada jugador. Esta sutileza me parece que no agrega nada para nosotros, ya que nos interesan juegos simtricos. Por ejemplo, para el DP, el equilibrio de Nash es (traicionar, traicionar). Esto requiere dar una denicin de mejor respuesta tambin en trminos de perles de estrategias.
Ejercicio.
2 2.
Cundo son estrictos? Y puros? La teora de juegos no cooperativos, a partir de aqu, demuestra una cantidad de propiedades de los conjuntos de equilibrios de Nash, as como diversos renamientos de la denicin (equilibrios de Nash perfectos, propios, esenciales, simtricos. . . ). Pero nosotros tenemos cuestiones ms interesantes por delante. Prcticamente toda la teora de los juegos evolutivos trata de juegos llamados simtricos de dos jugadores, en los cuales el conjunto de estrategias disponibles es el mismo para los dos jugadores, y ms an, el payo de cada estrategia es independiente de qu jugador la juegue. En las matrices de payo, esto se reeja en que la matriz de payo del oponente es la transpuesta de la matriz del jugador focal (como ocurre en todos los juegos que hemos visto, y explcitamente en el DP ms arriba). Es decir, estn denidos por
una sola
matriz cuadrada.
120
6. Juegos evolutivos
no
por una minora disidente (como en el juego de Halcones y Palomos). A menos que la poblacin se encuentre en una
Si
la poblacin se encuentra en una tal estrategia, entonces para cada posible mutante existe un umbral de poblacin tal que, si la poblacin mutante es menor que el umbral, entonces el payo de su estrategia es menor que el del resto de la poblacin. Observemos que, implcitamente, el concepto de estrategia evolutiva estable est asignando una relacin muy cercana entre el payo de una estrategia y la manera en que se sta se propaga en la poblacin. Es decir, el resultado del juego representa una ganancia (o prdida) en trminos de tness para el jugador, y que la estrategia se transmite por herencia a su progenie. Observemos anticipadamente, sin embargo, que (al igual que en el caso de los equilibrios de Nash), la denicin de estrategia evolutiva estable no nos dice nada acerca de
cmo
concierne es que, una vez en el equilibrio, ste sea robusto a perturbaciones de tipo evolutivo. La dinmica para llegar (o no) al equilibrio es una parte adicional y menos fundamental de la teora, de la que nos ocuparemos en captulos siguientes. Pongamos la denicin en forma simblica. Supongamos que en una poblacin que practica una estrategia p , aparece un grupito de mutantes, cuyo tamao relativo es , y que practica una estrategia p . Decimos que p es una estrategia evolutiva estable (ESS por sus iniciales en ingls) si el payo que obtienen los mutantes es menor que el que obtienen los normales. Es decir, si:
p U [ p + (1 )p ] < p U [ p + (1 )p ], p = p , > 0
sucientemente chico, es decir
(6.41)
0 < < (p ) =
umbral
121
barrera de invasin.
La ec. (6.41) se puede reacomodar as:
(1 )(p U p p Up ) + (p U p p Up ) > 0.
(a) (b)
(6.42)
Como esto debe cumplirse para sucientemente chico, podemos decir que p es una ESS si y slo si se cumplen las dos condiciones siguientes: 1. Equilibrio ((a) en la ec. (6.42) no puede ser negativo)
p Up p U p ,
p SN .
(6.43)
> 0)
(6.44)
p = p
p Up = p U p p U p >p Up .
alcanza porque puede haber ms de una mejor respuesta. En ese caso, la condicin (2) se asegura de que p contra p d mejor resultado que p contra s misma.
Teorema: La estrategia p SN
q = p
p U q> q U q
para todo en algn entorno de
en
SN .
Es decir, si la condicin (2) vale en un entorno, brios competidores en partes alejadas de haber una mutacin por vez.
SN .
NB: Corresponde observar que la poblacin debe ser grande, y que debe Las siguientes observaciones tambin son de inters: Si
int
SN
otros equilibrios de Nash. Hay juegos sin ESS. Hay juegos con ms de una ESS (necesariamente en la frontera de
SN ).
122
6. Juegos evolutivos
G C G , C C
(6.46)
p U p p Up =
Detalles de esta ltima
p Up = = = =
p Up = = = =
p U p p U p = pG +
Ejemplo.
calcular
F (C ) = F (S ), sino usando
123
exclusivamente la denicin, pero no estoy muy seguro de cmo interpretarla. ( 3 810 ) Caso U = 10 . 0 Tomo p = (x, 1 x) y q = (y, 1 y ), con p la candidata a ESS y q la oponente. Calculo:
(6.48) (6.49)
(6.50)
y < x,
idem,
Ejemplo.
decir
U =
( 1 4 )
0 2 , es
G = 4, C = 6.
(I ) : p U q T = 2 + x(2 3y ) 2y (II ) : q U q T = (2 3y 2 )
Entonces, si
(6.51) (6.52)
(6.53)
y > x, entonces y > 2/3. Si y < x, idem, y < 2/3. Luego, x = 2/3. Luego p = (2/3, 1/3). Y me parece que eso es todo, as se hace. Este valor de x es el mismo que se obtiene igualando las tness: F (H ) = F (D) {U pT }1 = {U pT }2 . Eventualmente, uno ahora toma p = (2/3, 1/3),
hace la cuenta del ejemplo de arriba, y se obtiene (en la notacin de arriba) 1 (2 3p)2 que es mayor que cero, luego es una ESS. 3
fi
Ri
depende de
mj
de las estrategias
mj
recibir un payo:
(m pi fi (m )=p f ).
(6.54)
es una
ESS local
si
( p f ( q) > qf q ),
q = p
(6.55)
124
6. Juegos evolutivos
p . Si las funciones fi (m ) son lineales en m , esta situacin es igual a la anterior (ya que f es una matriz), pero podra no serlo.
en algn entorno de
innitamente
war of attrition ),
y tiene caractersticas
interesantes que lo diferencian de los juegos que hemos analizado, por lo cual lo analizaremos a continuacin. (Extraamente, no est discutido en [27] ni en [31].) Una diferencia crucial de la GD con HD es que, en GD, un animal casi puede garantizar su victoria eligiendo un costo sucientemente alto. En cambio, en HD, un H contra otro H tiene chance de ganar slo el 50 % de los encuentros. Supongamos que no hay ninguna asimetra entre los jugadores. Es decir, ms all del hecho de que uno de ellos puede estar dispuesto a esperar ms, ninguno de ellos va a abandonar porque percibe que su oponente es ms fuerte o nada parecido. Adems, cada jugador no tiene conocimiento del tiempo que el otro est dispuesto a esperar. Cada uno, simplemente, espera o hace sus
Es la estrategia que usan los palomos entre s (pero no la que usan contra los halcones!).
3
125
demostraciones hasta que, o bien alcanza su tiempo de abandonar, en cuyo caso abandona, o bien el otro abandona antes y l gana: Si el animal focal alcanza su tiempo lmite y su oponente no ha abandonado, abandona y pierde. Si el oponente alcanza su tiempo lmite antes que el focal, el oponente abandona y pierde, y el animal focal gana. Puesto que el combate naliza virtualmente al mismo tiempo para los dos animales, el costo es el mismo para ambos (aunque el ganador estaba dispuesto a pagar ms, por supuesto). Supongamos adems, por simplicidad, que el costo
en el que se incurre
x = kt.
Supongamos que se compite por un recurso de valor
(6.56)
V,
hembra, y que cada animal decide de antemano cunto est dispuesto a invertir (esperar) para obtenerlo. Este valor determina su estrategia. Tratemos de ver si una estrategia de este tipo puede ser una ESS. Llamemos ganancia neta del ganador: ganancia
al costo
= V c,
(6.57)
= c.
(6.58)
Digamos que se enfrentan dos animales est dispuesto a afrontar un costo resultados del enfrentamiento son: Estrategia y resultado
Cambio de tness de
c(A) > c(B ), A gana c(A) < c(B ), B gana c(A) = c(B ), empate
(se decide la posesin del recurso al azar)
Observemos que, como tenemos un continuo de estrategias, no podemos construir una matriz de payo como en los juegos que analizamos hasta ahora. Pero un anlisis sencillo puede hacerse de a pares de estrategias, para vericar
126
6. Juegos evolutivos
si una estrategia
pura
ser una ESS. Supongamos que en una poblacin todos juegan la estrategia
A,
y que un mutante
A1
(6.59)
2 2:
A A1
A V /2 c(A) V c(A)
A1
0
V /2 c(A1 ) Aes,
los payos sern los de la pri-
mera columna de la matriz, de manera que la estrategia mutante una ventaja (ya que gana en todos los encuentros, mientras que poblacin. Qu ocurre si aparece una estrategia lo mismo que con
A2
con
Pasar
A1 :
casi todas victorias, y se esparcir por la poblacin. Y as sucesivamente, estrategias que consistan en aguantar progresivamente ms tiempo podrn imponerse. Ahora bien, el valor del recurso es siempre el mismo (esto es importante, si bien no lo habamos dicho antes: algn tipo de recurso puede no ser renovable, y el anlisis no es igual), de manera que la ventaja relativa que van obteniendo las estrategias que esperan ms es cada vez menor. Eventualmente, habr una estrategia
con
c(AN ) V /2. Esta estrategia sigue teniendo ventaja con A, A1 , etc. Qu ocurre si se enfrenta a un mutante
que cede
B
0
V /2
Observemos que, segn vemos en la primera columna, la estrategia que cede inmediatamente tiene una ventaja evolutiva respecto de la que pierde demasiado tiempo! Sin embargo otra estrategia, que pierda menos tiempo (para la cual
c(Ai ) V /2),
puede invadirla.
En denitiva, ninguna estrategia pura puede, en esta guerra de desgaste, imponerse como ESS. El resultado es en cierta forma similar al juego de piedra-papel-y-tijera, ya que las estrategias estn ordenadas en un ciclo de victoria mutua. La ESS, un poco tambin como en piedra-papel-y-tijera,
127
resultar ser una estrategia mixta en la cual cada jugador juega una estrategia pura al azar. En piedra-papel-y-tijera esta estrategia consiste en jugar al azar cada estrategia pura con probabilidad caracterizada por una
1/3.
En la guerra de desgaste,
distribucin
c,
de probabilidad
p(x).
El benecio neto
suma (la integral) de los benecios correspondientes a ganar contra cada una de las estrategias, cada una pesada con su probabilidad:
ganancia
=
0
(V x)p(x)dx,
(6.60)
y la prdida al perder es
prdida
=c
c
p(x)dx. c
(6.61)
(Esta ltima, ya que el costo de perder es las estrategias que esperan ms que estrategia que espera ms que
es
soporte a, b, c . . . (es decir, a, b, c . . . son estrategias puras que se juegan con probabilidad distinta de cero). Si I es una ESS, entonces el payo es constante en su soporte: E (a, I ) = E (b, I ) = E (c, I ) = = E (I, I ).
frecuencia que
Teorema 6.1 (Bishop & Cannings, 1978) Sea I una estrategia mixta con
Explicacin: si E (a, I ) > E (b, I ), entonces convendra jugar a con ms Demostracin: Supongamos que
b,
con lo cual
(6.62)
la probabilidad de jugar
a,
y consideremos a
descompuesta de la (6.63)
siguiente manera:
P (a) + (1 P )(X )
donde
es
cuando
no es
a.
(6.66)
128
6. Juegos evolutivos
E (a, I )
(6.67)
E (I, I )
E (a, I ) = E (I, I ),
Sea
Q.E.D.
p(x), entre x I
es decir, la y
x + x
es
I,
contra
del siguiente
E (c, I ) =
0
(V x)p(x)dx
c
cp(x)dx,
(6.68)
c (gana V x), y es segundo a aquellos en los que c pierde (pierde c). Por el teorema, sabemos que E (c, I )/c = 0. Calculemos esta derivada: ( ) E (c, I ) = (V c)p(c) c p(x)dx c c c ( ) c c = (V c)p(c) c p(x)dx + p(x)dx p(x)dx c c 0 0 ( ) c = (V c)p(c) c p(x)dx p(x)dx c 0 0 ( [ ]) c = (V c)p(c) c 1 p(x)dx (por norma de p) c 0 c (6.69) = (V c)p(c) 1 + p(x)dx + c p(c) = 0
estrategia
0
Luego, nos queda la siguiente ecuacin integral para
p(x):
(6.70) (6.71)
p(x) =
1 x/V e . V
(6.72)
Qu hemos encontrado? Hemos encontrado una estrategia mixta, denida por esta distribucin de probabilidad exponencial, que satisface la condicin necesaria para ser una ESS. Es decir, es un equilibrio. Para ver que es una ESS falta probar que
(6.73)
129
Esto fue demostrado por Maynard Smith para el caso en que tegia pura, y por Bishop y Cannings para el caso en que mixta distinta de [29]).
es una estra-
es una estrategia
I.
Ejercicio. La espresin (6.72) es el tiempo que un individuo est dispuesto a continuar (o el costo que est dispuesto a pagar). Cul es la distribucin de la duracin de los enfrentamientos, que es lo que puede observarse? Solucin: En un intervalo
la probabilidad de abandonar es
uno o el otro,
t/V .
En
como
de las duraciones es
Ejercicio. Discuta una Guerra de desgaste con transmisin de informacin, en el siguiente caso extremo: no hay diferencia de armamento ni tamao entre los contendientes, pero hay diferencia de uno elige
cA
y el otro
cB ,
con
cA > cB ,
obtendra
obtendra 0 en lugar de
cB .
V cB
[32]).
130
6. Juegos evolutivos
B:
Si es propietario, juega Hawk, acepta resultar herido. Si es intruso, juega Dove, no se arriesga.
Supongamos adicionalmente que: Cada conicto tiene lugar entre dos individuos en roles distintos, y que ambos saben con certeza cules son estos roles. Ambos jugadores tienen disponibles las mismas estrategias. El rol es independiente de la estrategia (por supuesto, para un est condicionado por la estrategia, pero el rol no afecta a La probabilidad de ser propietario es 1/2. La matriz de payo es: H H D B O, en general: H H D B (G-C)/2 0 (G-C)/4 D G G/2 3G/4 B 3/4G-C/4 G/4 G/2 -1 0 -0.5 D 2 1 1.5 B 0.5 0.5 1
el rol
en s).
donde la confrontacin BH se calcula como la suma HH/2+DH/2. Observemos que: Si Si tion. Obsrvese que todo lo dicho para la estrategia B, vale para la estrategia paradjica X:
G > C, G<C
la nica ESS es H: si el recurso es tan valioso que vale la pena la nica ESS es B: la propiedad resuelve el conicto sin escala-
{ X:
Si es propietario, juega Dove. Si es intruso, juega Hawk.
Notemos tambin que, desafortunadamente, la historia de la Humanidad muestra una y otra vez que suele ocurrir que adversarios estn convencidos de que estn en su propio territorio...
4
los dos
131
X es paradjica porque da lugar a una especie de regresin innita: apenas un propietario pierde el recurso, se convierte en intruso, y ganar el prximo enfrentamiento, y as sucesivamente. Los jugadores son intrusos casi todo el tiempo, de manera que la posesin del recurso resulta efmera. Si el recurso tiene valor slo si se lo tiene durante un tiempo relativamente largo, es improbable que X ocurra. Sin embargo, si el recurso es valioso aunque sea efmero (una estacin para beber o para comer), entonces podra ocurrir la siguiente estrategia:
{ X:
Si ya estuvo un tiempo
T,
juega Dove.
Pero como en la Naturaleza ocurre todo lo que no est prohibido, se conoce un caso de social
Oecibus civitas
para un recurso ms o menos permanente. La araa (artculo en Scientic American) es gregaria, viven
en grupos en los cuales cada una construye su tela y tiene un agujero de refugio. Si se saca a una araa de su agujero, sta dispara hacia el refugio de cualquiera de sus compaeras, la cual no se deende, sino que lo cede de inmediato y hace lo mismo, produciendo una avalancha de desplazamientos de tela en tela que puede durar varios segundos e involucrar a la mayora de la colonia. A pesar de este ejemplo fascinante, lo usual es que el propietario tenga las de ganar en este tipo de confrontaciones. En todo caso,
es decir que la asimetra (la posesin) provoca la evolucin de una estrategia basada en la asimetra misma, a pesar de que la posesin no garantiza una ventaja de xito respecto del intruso.
132
6. Juegos evolutivos
manera continua. (El trmino replicador fue acuado por Richard Dawkins en
productores pero, con los aos, replicador es la palabra que se ha impuesto tambin en castellano.) Supongamos que la poblacin est dividida en a cada uno una frecuencia
n tipos Ei , correspondiendo x.
Supongamos la tasa de
xi
en la poblacin.
fi ,
funcin de la composicin
x(t)
Ei ,
crecimiento relativa
x i xi
(6.74)
es una medida de su xito reproductivo relativo, y por lo tanto de su tness en relacin a la tness de la poblacin:
x i = tness xi
de manera que podemos escribir
de
Ei tness
media,
(6.75)
x i = xi [fi ( x) f ( x)].
(6.76)
El sistema (6.76) constituye las ecuaciones de replicador. El simplex es invariante por la ecuacin, as que podemos considerarla restringida a puras
Sn Sn .
Pensemos ahora que subyace un juego de forma normal con N estrategias R1 , R2 , . . . , RN , y una matriz de payo U I RN N . Una estrategia es
un punto en
El
estado
x Sn . j
es: (6.78)
aij = p i U p j ,
as que la tness del tipo
i, j = 1, . . . n,
Ei
es:
fi ( x) =
aij xj = {A x}i ,
(6.79)
es decir, el payo de cada enfrentamiento, pesado con las frecuencias de los tipos openentes. El sistema (6.76), complementado con (6.79), completa la denicin de la dinmica de replicador.
133
x,
N = 3,
llamadas
R 1 , R2
R3 .
El simplex
S3
dene el
espacio de las estrategias, puras o mixtas. Supongamos que hay dos tipos de estrategia en la poblacin, cada uno caracterizado por una estrategia mixta
p i ,
es decir
n = 2.
R1
p2 p1 R2 R3
x 1*
p 1 , p 2 S3 ,
x1 , x2 ,
con
2 + ci R 3 bi R
p i
x S2 . 1 + p i = ai R
donde
ai + bi + ci = 1
Por ltimo, observemos que la matriz 22 la matriz A R es de 2 2. Aunque en principio lismo entre
i = 1, 2. U R33
es de
3 3, mientras que
R 1 . . . RN E1 . . . En
. . . SN . . . U . . . Sn
I RN N ...A I Rnn
x Sn
x A x x A x x Sn
es un
x Sn .
(6.81)
estado
x A x> x A x
x = x en
un entorno de
x .
(6.82)
134
6. Juegos evolutivos
1. Si
x x x
del replicador. 2. Si es el
-lmite
de una rbita
x(t)
en int
Sn ,
entonces
es un
Y tambin: 4. Si
Ejemplo. Supondremos que los tipos corresponden a las estrategias puras del juego subyacente una prctica usual con lo cual el anlisis se simplica un poco (N
= n).
Para
n = 2,
x = x[(A x)1 x(A x)1 (1 x)(A x)2 ] = x[(1 x)(A x)1 (1 x)(A x)2 ] = x(1 x)[(A x)1 (A x)2 ].
Usando la matriz de payo de Halcones y Palomas:
( G C
2
A=
nos queda:
G
G 2
0 ) =
, ) x + (1 x)G . G (1 x) 2
(6.88)
( G C A x=
2
G
G 2
)(
x 1x
( GC
2
(6.89)
(A x)1 (A x)2 =
GC G x + (1 x)G (1 x) = 2 2 GC G = x + (1 x) = 2 2 C G = x+ , 2 2
(6.93)
135
A=
(6.94)
B,
x = x (1 x)[(A x)1 (A x)2 ] = x (1 x)[xa11 + (1 x)a12 xa21 (1 x)a22 ] = x (1 x)[x (a11 a21 ) (1 x) (a12 a22 )],
y los trminos sealados con llaves son iguales si se suma una constante por columna.
Ejercicio:
del tiempo. Demostrarlo. A causa de esta invariancia, podemos estudiar, sin prdida de generalidad, juegos cuya matriz de payo tenga la forma diagonal:
( A x=
a1 0
) a1 0 A= , 0 a2 ) ) ( )( 0 x a1 x = a2 (1 x) a2 1x
(6.98)
(6.99)
(6.100) (6.101)
Podemos ver que, adems de los equilibrios en los extremos del simplex,
x=0
x = 1, a1
y
a 1 x1 = a 2 x2 .
a2
y
Si
a1
a2
> 0),
la derivada
cambia de
signo cuando
a1 x1 = a2 x2 ,
de payos de 1 y 2):
x 1 =
a2 . a1 + a2
(6.102)
136
6. Juegos evolutivos
a1 > 0
a2 > 0,
el ujo es as:
a1 < 0
a2 < 0,
tenemos:
En cambio, si anula, y
a1
a2
< 0),
el corchete no se
Categora I. Si
ESS 0 x*
a1 < 0
1
a2 > 0 x <0
y el ujo es:
Categora IV. Si
a1 > 0
ESS 1 x*
a2 < 0 x >0
Obsrvese la similitud de estas situaciones con un modelo de competencia entre dos especies, en el cual tenemos situaciones de coexistencia o de exclusin competitiva. Los juegos en cada una de estas categoras tienen, adems, las mismas propiedades cualitativas en cuanto a sus mejores respuestas, no solamente en la ec. de replicador. Finalmente, obsrvese que las categoras I y IV son reejo una de la otra (intercambiando los nombres de de juegos simtricos de Los prototipos de estos juegos son: ( 1 0 ) 0 )3 ( 0 Categora II: Coordination Game, con matriz normalizada 2 0 1 ( (GC )/2 (<0) 0 ) Categora III: Hawks-Doves: 0 G/2 Categora IV: = Categora I. Categora I: Dilema del Prisionero, con matriz normalizada
2 2.
x1
de
x2 ),
Los juegos de Categora II les dan dolor de cabeza a los tericos, porque no queda claro qu debe jugar un jugador racional. En el ejemplo dado,
137
aparentemente ambos jugadores (racionales) elegiran jugar la estrategia 1, obteniendo (ambos) un payo de 2. Pero si (la mano temblorosa) un jugador cree que, con probabilidad grande, su oponente jugar la estrategia 2, le conviene tambin jugar 2, para obtener un payo de 1 (en lugar de 0). Entonces, obsrvese, jugar 1 es ms arriesgado que jugar 2, ya que una desviacin produce una prdida de 2 en lugar de 1. Se dice que la estrategia 2 domina por riesgo a la 1 (pero la 1 domina por Pareto). Otro ejemplo de ( 3) esta categora es el juego Stag Hunt: 2 0 4 .
Ejercicio. (Qued desactualizado con la inclusin de la discusin anterior.) Describa todos los diagramas de fases de n = 2 (donde los tipos son las ( b) A= a c d . Muestre que A admite una ESS a menos que a = c y que b = d (caso en que ninguna estrategia tiene una ventaja). estrategias puras) con Si
a > c ( a = c y b > d), la estrategia e1 es una ESS. Si d > b ( b = d y a < c), la estrategia e2 es una ESS. Si a < c y d < b hay una nica ESS (cul?) en el interior de S2 . Compare con la coexistencia de dos especies:
dominacin o coexistencia.
suma cero
x A x = x A x=0
(6.103)
x i = xi (A x)i . 0 1 1 1 A = 1 0 1 1 0
gartija
(6.104)
(6.105)
Uta stansburiana
polimorsmo con tres tipos, caracterizados por distintos colores del cuello y comportamientos reproductivos:
O: B:
(orange), gargantas anaranjadas, muy agresivos y territoriales (con territorios grandes). Dominan por agresin a los: (blue), gargantas azules, guardianes de las parejas y territoriales (con territorios chicos). Dominan por ser guardianes a los:
138
6. Juegos evolutivos
Y:
(yellow), gargantas amarillas, no territoriales, imitadores de comportamiento de las hembras, y usurpadores de hembras en territorios ajenos (las hembras tambin tienen color amarillo, lo cual facilita la impostura). Estos dominan por usurpacin a los O.
Ninguno de estos tres comportamientos asegura el dominio de los otros, sino que se dominan cclicamente: los O dominan a los B por ser ms agresivos, los B dominan a los Y por ser guardianes de sus hembras (e impedir la usurpacin), y los Y dominan a los O al robarles las hembras, que los O descuidan por tener territorios grandes. Entonces, al estar este comportamiento relacionado con la reproduccin, resulta que al correr el tiempo la fraccin de machos predominante en una poblacin va cambiando cclicamente de uno a otro tipo. Cada uno predomina en la poblacin durante unos 4 aos, para ser nalmente superado por el que lo domina, quien predomina unos 4 aos, y as sucesivamente. Es una implementacin natural del juego de Piedra-PapelTijera. Las ecuaciones de replicador nos dan:
x = x(y z ), y = y (z x), z = z (x y ).
Adems de los equilibrios en los versores, tenemos el equilibrio El sistema linealizado alrededor de ste es:
x = y =
z = 1/3 S3 .
yz x x y L( x ) = y z x z z z y
cuyos autovalores son
0 1 1 1 1 1 = A = 1 0 3 3 1 1 0
(6.109)
h = x1 x 2 x3
(6.110)
es una constante de movimiento, y que las trayectorias son como se ve en este diagrama:
139
y1 . . . yn1 .
y x
dado
yn = 1 xi = n
que mapea
(6.111)
yi yj
i = 1...n
(6.112)
j =1 n {I R+ /yn = 1} Sn .
(6.113)
y i = yi [ri +
donde
n1 j =1
bij yj ],
(6.114)
ri = ain ann
140
6. Juegos evolutivos
podra propagarse por imitacin, en lugar de por herencia. Vamos a modelar un proceso de imitacin de este tipo. Consideremos un juego simtrico denido por una matriz de payo de
n n.
R1
Rn
con frecuencias
x(t) Sn .
x1
xn
a tiempo t. El
El payo esperado de
Ri
es
{A x}i =
aij xj ,
(6.115)
x A x.
(6.116)
Supongamos que se elige un jugador al azar, y se le ofrece la oportunidad de cambiar de estrategia con cierta probabilidad, que dependa de su estrategia y de las dems. Podemos proponer la siguiente evolucin tipo ganancia-prdida para las frecuencias:
x i = xi
(6.117)
i,
xi xj fij dt. i.
Este trmino
contiene el factor
xi x j ,
probabilidad de transicin
i, i-estrategas
fij
es la
la cambie por
i,
correspondiente a la eleccin de
j.
mos modelarlas de manera que dependan de los payos que estn recibiendo
j.
(6.118)
regla de imitacin, la misma para todos los jugadores, e indey de j . Una regla sencilla sera imitar al mejor, es decir
{ 0 f (u, v ) = 1
si si
u < v, u > v,
(6.119)
141
Podemos suponer, en cambio, que la probabilidad de cambiar de estrategia es una funcin continua de la diferencia de los payos respectivos,
f (u, v ) =
(u v ),
con
x i = xi
imitar una estrategia que tiene ms xito, con una probabilidad proporcional a lo que espero ganar por imitarla, recuperamos la ecuacin del replicador:
x i = xi ({A x}i x A x). (6.121) ( x}i {A x}j ) = {A x}i j xj j xj {A x}i {A x}i x A x.) j xj ({A Si 0, por otro lado, tenemos de nuevo la regla imitar al mejor.
Otra forma que puede adoptar la dinmica de imitacin de la Ec. (6.117) es, por ejemplo:
(u) =
con
f =
(6.122)
biar de estrategia, compara su payo (en realidad, una funcin tness de su payo ) con el payo medio de la poblacin. Si modelos de las probabilidades de transicin lidad de cambio de estrategia tiene la con una tness
de nuevo se tiene la dinmica del replicador. Esto ocurre con varios posibles
(6.122) a partir de (6.117). Un poco sorprendentemente, se obtiene la misma ecuacin si la probabilidad de transicin depende imitado:
slo
nada por la insatisfaccin, en la que los jugadores menos exitosos imitan con ms frecuencia (pero lo hacen a ciegas, estn insatisfechos y eligen cualquier estrategia distinta de la suya con igual probabilidad).
Ejercicio trivial. Vericar que estas tres ltimas probabilidades de transicin dan la dinmica de la Ec. (6.122).
142
6. Juegos evolutivos
que en la ecuacin del replicador, si el equilibrio es hiperblico. En particular, una ESS interior es localmente estable para estas dinmicas. Afortunadamente, muchas dinmicas de juegos tienen propiedades esenciales similares, de manera que se puede estudiar una clase muy general que tiene la forma:
x i = xi gi ( x),
donde las funciones 1. 2.
(6.123)
gi
gi son C 1 . xi gi ( x) = 0
para todo
x Sn .
y sus caras son invariantes. Dentro de este
Como consecuencia de 2,
Sn
tipo de dinmica, tenemos una gran clase caracterizada por la propiedad de que las estrategias (puras) con payo mayor crecen a una tasa ms grande. Estrictamente se dene una dinmica de juegos
Obviamente, la dinmica de replicador es de este tipo. Puede demostrarse que toda dinmica payo monotonic tiene los mismos equilibrios que la del replicador. Adems, valen los mismos teoremas de estabilidad que mencionamos para el replicador (Nash estricto
Nash, etc.). Si hay una estrategia pura que no es iterativamente dominada, entonces una dinmica payo monotonic converge a ella (para las dominadas,
xi 0).
143
( A=
R S T P
)
(6.125)
R: P: T: S:
Recompensa de ambos por cooperar. Castigo (punishment) por traicionar (ambos), Sucker's payo, si coopera y el otro traiciona.
P < R.
(6.126)
T + S < 2R,
(6.127)
para evitar que se traicionen por turnos, ya que en general el juego se itera y el payo de cada turno se va acumulando. (2R sera el payo obtenido en dos turnos de cooperacin, mientras que
T +S
dos turnos de traicionarse alternadamente.) Jugadores racionales y egostas, que procuran maximizar su payo sin importarles lo que haga el otro, elegirn la estrategia D, y obtendrn el payo
en lugar de
D, que es
sub-ptimo
R.
P < R.
(Adems, C es
estrictamente dominada
por D.) En un contexto biolgico, adems, puede mostrarse que en una poblacin de C's y D's, las ecuaciones del replicador llevan inexorablemente a la extincin de los C's:
( A=
) 3 0 , 4 1
x A 1x
) =
3x 4x + 1 x
) =
) 3x , 3x + 1
(6.128)
144
6. Juegos evolutivos
Sin embargo, la cooperacin espontnea es un fenmeno comn en sistemas biolgicos y sociales, sobre todo donde las interacciones son frecuentes y se repiten: uno lo pensar dos veces antes de traicionar, si existe el riesgo de volver a encontrar al mismo adversario y que ste nos traicione a nosotros la El juego en el que se repiten los encuentros se llama RPD (repeated prisoner's dilemma ) y permite una enorme gama de estrategias, ninguna de las cuales es una mejor respuesta contra todas las posibles. En una serie de torneos pblicos organizados por Robert Axelrod, en el que participaron matemticos, periodistas, socilogos, etc., los mejores puntajes los obtuvo una de las estrategias ms sencillas, llamada Tit for Tat (tal para cual): 1. Jugar C en el primer round. 2. Jugar lo que jug el otro en el round anterior. Es de destacar que TFT nunca gana ms que su adversario, pero siempre gana el torneo porque los otros ganan menos cuando juegan entre ellos! TFT tiene muchas caractersticas que uno reconoce como deseables en el comportamiento humano: 1. Es buena (empieza cooperando y no traiciona por iniciativa propia). 2. Es recproca (coopera si le cooperan, traiciona si la traicionan). 3. Sabe perdonar: si un traidor empieza a cooperar, ella empieza a cooperar. Por otro lado, es vulnerable a errores: dos TFT jugando, si una se equivoca y traiciona, el payo cae drsticamente. Obviamente conviene que un jugador perdone ocasionalmente y reinicie la cooperacin. Este patrn debe prxima vez!
145
ser random, ya que si fuese predecible otra estrategia podra explotarlo en benecio propio! MOSTRAR QUE TFT ES UNA ESS (SACAR DE JMS).
(6.132)
y: p: q:
Probabilidad de jugar C en el primer round. Probabilidad condicional de jugar C si el adversario jug C. Probabilidad condicional de jugar C si el adversario jug D.
Si tenemos una poblacin compuesta por jugadores que juegan la esE = (y, p, q ), qu chances de invadirla tiene una estrategia E =
(y , p , q )?
Debe cumplirse que el payo de la nueva estrategia sea superior al establecido en la poblacin: A(E , E ) > A(E, E ). Queremos calcular estos
payos. Como las estrategias son estocsticas, cada encuentro tendr un payo de acuerdo a la matriz de payo del juego (6.125) y a las probabilidades de que cada uno juegue C o D. Para hacer este clculo conviene denir una
cooperatividad
C en el round
Denimos el
n,
E = (y, p, q )
cn1
en el round
n 1,
r = p q.
(6.134)
Podemos ver que existe una especie de eco (cn te vuelve en dos pasos):
Esta recurrencia nos muestra que existe un punto jo del nivel de coope-
cn+2 = cn = c:
y
c=
q + rq 1 rr
c =
q + r q , 1 rr
(6.135)
146
6. Juegos evolutivos
c = q + rc .
Si
(6.136)
E,
abajo) es:
s=
q + rq q (1 + r) q = = , 2 1r (1 r)(1 + r) 1r q s= . 1r
(6.137)
(6.138)
(1, 0).
E 's
con
(p, q ),
= 1 (bien < 1, lo que da lugar a an ms anlisis posibles. . . ). El payo que obtiene E jugando contra E en cada round (una vez alcanzado un estado
Supongamos que la probabilidad de jugar un nuevo round es podra ser estacionario, cosa que ocurre) es:
(6.139)
y,
as que dejemos a
fuera de la discu-
sin, ya que no afecta el estado estacionario. Regresamos a la cuestin cun do una poblacin de E = (p, q ) podr ser invadida por una de E = (p , q )? Tiene que cumplirse:
(6.140)
Calculamos entonces
para los niveles-C. Despus de un poco de lgebra, en la que usamos que: c s = r(c s )5 , y la simplicacin de notacin:
Vericacin:
R P = 1,
P S = ,
T R = ,
(6.141)
c s = q + rc s = q + rc
147
obtenemos:
(6.142)
= .
Entonces: (6.143)
r = /(1 + ).
Por
encima de ella, el segundo factor de (6.143) es negativo, y por debajo es positivo. La posibilidad de invasin por parte de E queda determinada por el signo del primer factor (c s). Las diferencias c c , c s y s s siempre tienen el mismo signo. Si E est en el ngulo sudeste (cerca de TFT), las estrategias E que pueden invadir son las que son ms cooperativas que E (ya que si s > s c > s). Es una , en
148
6. Juegos evolutivos
q,
es:
A A ( E, E )+( q q ) (E, E ). p q
(6.144)
Entonces, denimos como dinmica las derivadas, de manera que buscamos agrandar la diferencia en
A: A (E , E ) p A q = (E , E ). q
p =
(6.145)
(6.146)
con
(6.147)
(6.148)
(6.149)
En un punto
E = (p, q ),
(p, q )
149
< :
Se puede ver que TFT acta como un pivote de la dinmica, ms que como su meta. Observemos el siguiente fenmeno interesante: si algn vnculo mantiene jo, se puede demostrar que en el espacio reducido p (la interseccin de la horizontal q = q con la frontera de la zona de recompensa de la cooperacin), es una ESS (es decir, p (0, 1), E = (p, q ) satisface que A(E, E ) < A(E , E )). Pero la dinmica de adaptacin se aleja de ella: es
q = q
una ESS inalcanzable. Otra observacin interesante: TFT y todas las que estn sobre ella, dentro de la zona de recompensa de la cooperacin, son buenas estrategias para jugar RPD: no pueden ser invadidas e invaden a cualquier otra. Las que estn por encima de TFT son ms generosas que ella, perdonan ms que TFT a un oponente que juega D. Una de estas estrategias, llamada
TFT generosa,
150
6. Juegos evolutivos
p = 1,
[ q = m n 1
] 1 , . +1 +1
(6.150)
En general se puede plantear esta dinmica para cualquier juego caracterizado por variables continuas (tamao, sex ratio, probabilidades de pelear). Si la poblacin (homognea) usa la estrategia su payo es
A( y, x)
y su ventaja relativa es
adaptativa es:
x i =
A( y, x). yi
La racionalizacin de esto es que unos pocos disidentes ensayan una estrategia cercana a la de la mayora, y que toda la poblacin evoluciona en la direccin que ms favorece a la dinmica individual.
margittai
151
de un enorme valor histrico y cultural. El Ministro de Guerra (que conoca Kioto) la desestim por la prdida cultural que se producira, pasando a las segunda y tercera opciones, las ciudades industriales de Hiroshima y Nagasaki, donde el 6 y el 8 de agosto de 1945 explotaron las dos primeras bombas atmicas usadas en combate, a la altura exacta calculada por von Neumann. Al nalizar la guerra muchos cientcos que haban participado en su desarrollo, horrorizados por el poder destructivo de las bombas atmicas, abominaron de su contribucin al armamentismo nuclear. No fue el caso de von Neumann, quien sigui alegremente, en colaboracin con Teller y Ulam, el desarrollo de las bombas de fusin nuclear. En este contexto invent el mtodo de Montecarlo para los clculos hidrodinmicos, hoy usado ampliamente en muchas ciencias. Realiz tambin otras contribuciones a los algoritmos y a las ciencias de la computacin, entre otras cosas la arquitectura de memoria nica (para datos y programas) que hoy en da usan todas las computadoras. Durante aqullos aos de la Guerra Fra sigui participando activamente en distintos aspectos de la poltica militar, inventando la doctrina de Destrucin Mutua Asegurada (MAD). Adems de la teora de juegos, invent tambin los autmatas celulares, diseando los primeros autmatas de auto-reproduccin y recomendando su uso para grandes operaciones en lugares de difcil acceso (tales como la minera en el cinturn de asteroides, por ejemplo), llamados hoy en da mquinas de von Neumann. La lista de sus contribuciones sigue y sigue, en campos de la fsica nuclear, la teora ergdica, la geometra, la estadstica. . . A pesar de esta vida profesional tan activa, von Neumann era un estero irrefrenable, llegando a dar dos estas por semana en su casa en Princeton, donde form parte del personal fundador del Instituto de Estudios Avanzados. Disfrutaba de comer y beber sin medida, de contar chistes verdes en Yiddish, de manejar como loco, muchas veces mientras lea (lo que lo llev a sufrir muchsimos accidentes de auto, y a regresar de las vacaciones siempre en un auto nuevo). Era adems un mujeriego empedernido del tipo molesto; las secretarias en Los Alamos cubran con cartn los bajos de sus escritorios para que von Neumann no las espiara. Enferm de cncer a edad no muy avanzada (se sospecha que por exposicin a la radiacin durante las explosiones atmicas en New Mexico y Bikini). En su lecho de muerte sorprendi a familia y amigos al convocar a un sacerdote catlico para que le administrara los ltimos sacramentos. Muri en 1957, rodeado de estricta seguridad militar por temor de que revelara secretos militares bajo los efectos de la medicacin.
152
6. Juegos evolutivos
El plan inicial es la discusin de modelos no extendidos en la Seccin 7.2, y de modelos extendidos en la Seccin X. Estos constituyen la teora clsica de la propagacin de epidemias. En la Seccin Y introduciremos las redes complejas, y veremos la propagacin en estos sistemas en la Seccin Z. Epidemias en sistemas discretos y estocsticos, as como el rol de los tiempos de recuperacin e inmunidad, se vern someramente en la Seccin W.
modelo de campo medio, o un modelo para una poblabien mezclada, lo cual en genreal est lejos de la realidad. Sin embargo,
varios de los resultados interesantes que pueden obtenerse son vlidos tambin en modelos ms complicados. Consideremos que la poblacin total es constante, y que un pequeo nmero de individuos infectados es introducido en una poblacin susceptible ms grande. El problema bsico que nos plan-
153
154
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
teamos es la descripcin de la evolucin temporal del grupo infectado. Para esto hagamos algunas suposiciones razonables.
Modelo SIR
Consideremos que la enfermedad, despus de la recuperacin, conere inmunidad. Dividamos a la poblacin en tres clases:
S: I: R:
susceptibles, los que pueden infectarse. infectados, que son tambin los que pueden infectar a otros. removidos, que agrupan a los recuperados e inmunes, o aislados, o muertos.
S I R,
y llamamos a estos modelos
(7.1)
cada clase. Ahjora hagamos suposiciones acerca de los procesos de incubacin y de transmisin, en el espritu de lo que podramos decir de una reaccin qumica: 1. El nmero de infectados crece a una tasa proporcional a la cantidad de infectados y a la cantidad de susceptibles: de susceptibles decrece a esta misma tasa,
2. La tasa de remocin de infectados hacia la clase nmero de infectados solamente: dos crece a la misma tasa
a,
llamada
1/a
3. El tiempo de incubacin es despreciable, de manera que un susceptible que se infecta se vuelve inmediatamente infeccioso. Con estas tasas de cambio, y la suposicin adicional de un a poblacin bien mezclada, en la que todo par de individuos tiene la misma probabilidad de entrar en contacto, podemos escribir el siguiente modelo de campo medio:
155
S (0) = S0 > 0,
La conservacin de conclusiones.
I (0) = I0 > 0,
R(0) = 0.
(7.5)
r, a, S0
and
I0 ,
hace, cmo se desarrollar en el tiempo, y cundo comenzar a declinar. De (7.3) tenemos, a tiempo
t = 0:
if
dI dt
= I0 (rS0 a) 0
t=0
S0
a . r
(7.6)
dS/dt 0,
S < S0
y que, si
S 0 < , dI 0 dt
for all
t 0.
(7.7)
En este caso, el nmero de infectados permanece siempre por debajo de tiende a 0 a tiepos largos. No ocurre una epidemia. Por otro lado, si
I0
S 0 > ,
entonces
I (t)
fenmeno de umbral : si
S0 > Sc = hay una epidemia, mentras que si S0 < Sc no la hay. es la tasa de remocin relativa. Su recproca es la tasa de contacto. R0 = rS0 /a es la tasa de reproduccin de la infeccin. 1/a es el perodo
medio de duracin de la infeccin. De (7.2) y (7.3) podemos derivar otro resultado importante:
dI I (rS a) = = 1 + , dS rSI S
(I = 0).
(7.8)
(I, S ):
(7.9)
I + S ln S = constant = I0 + S0 ln S0 .
Estas trayectorias estn necesariamente acotadas por el tringulo que se ve en la gura X, debido a la positividad de las variables y al tamao jo del sistema.
156
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
Otra cuestin importante es cun severa ser la epidemia. De (7.8) podemos encontrar el mximo de (7.9):
I , Imax ,
que ocurre en
S = .
Entonces, de
( Imax = N + ln
S0
) . I0
y (7.10)
S 0 > , I
aumenta
I0
Imax ,
I0
est cerca de
S 0 < .
Podemos obtener todava ms resultados de este modelo. Todava no hemos usado la ecuacin de los removidos. De (7.2) y (7.4) tenemos:
dS dR
(7.11)
R() = N S ().
I () = 0,
Entonces, de (7.11):
(7.12)
S (),
su raz
157
Ahora de (7.12) calculamos el nmero total de susceptibles que se infectan en el curso total de la epidemia:
Itotal = I0 + S0 S ().
Una consecuencia importante de este anlisis, en particualr de que
(7.13)
infectados,
y que
S (t) S () > 0,
y
I (t)
no
hasta infectar a toda la poblacin. siempre hay algunos susceptibles que no se infectan. Otra observacin general es que el fenmeno de umbra est directamente relacionado con la tasa de remocin relativa
la tasa de remocin relativa vara con la comunidad, y determina por qu algunas epidemias ocurren en ciertas comunidades y no en otras. Por ejemplo, si la densidad de susceptibles es alta (S0 es grande) y la tasa de recuperacin
a a
es pequea (por ignorancia, falta de cudados mdicos adecuados, etc.), puede ser grande si la enfermedad es muy seria y mata rpidamente al
entonces es probable que ocurra una epidemia. (Si todo el resot es igual, infectado, como en el caso del bola, por ejemplo. En tales casos es que ocurra una epidemia.) En epidemias de la vida real puede ser difcil saber exactamente cuntos nuevos infectados hay cada da. Puede ser ms fcil contar a los removidos. Para aplicar el modelo a tales situaciones, necesitamos saber el nmero de removidos por unidad de tiempo, obtenemos una ecuacin para
improbable
dR/dt.
R:
(7.14)
( [ ]) dR R = aI = a(N R S ) = a N R S0 exp . dt
Conociendo los parmetros, es fcil obtener una solucin numrica de esta ecuacin. Desafortunadamente en general no se conocen los parmetros! En todo caso, se puede ajustar un teo, suponiendo que el modelo describe adecuadamente el fenmeno. En la prctica, si la epidemia no es muy grande
R/
(7.14) obteniendo:
[ ( ) ] dR S0 S0 R 2 = a N S0 + 1 R . dt 22
Esta ecuacin aproximada s puede integrarse, obteniendo:
(7.15)
2 R(t) = S0
[(
) ( )] S0 at 1 + tanh 2
(7.16)
158
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
donde
[( =
(7.17)
) .
(7.18)
(
2
dR a2 2 = sech dt 2S0
que tiene slo tres parmetros,
) at , 2
y
(7.19)
a2 2 /2S0 , a
SIR
original,
I (t)
159
SIR.
nacimiento y de muerte en la ecuacin de los susceptibles. Tambin habra que agregar un trmino por muerte natural en las ecuaciones de los infectados y de los recuperados. Estos modelos pueden mostrar comportamientos oscilatorios llamados ondas epidmicas. Ondas epidmicas Seccin. Por otro lado, una enfermedad puede tener un tiempo de latencia o incubacin, durante el cual el susceptibel ha sidoinfectado paro todava no es infeccioso. El perodo de incubacin del sarampin, por ejemplo, es de 8 a 13 das. Para la infeccin de VIH, por otro lado, puede ser de meses o aos. Estos tiempos pueden ser incluidos en el modelo como una demora, o mediante una nueva clase,
espaciales
pueden aparecer se
E (t),
la de infectados. Estos modelos dan lugar a ecuaciones ntegro-diferenciales que tienen comportamiento oscilatorio. Finalmente, la edad puede jugar un papel importante en la susceptibilidad e infecciosidad. Los modelos con edad se vuelven modelos en derivadas parciales, en los cuales el tiempo y la edad son variables independientes. Hay muchas ms modicaciones que se pueden incorporar en los modelos epidmicos, y que dependen crucialmente de la enfermedad de que se trate. Un campo de gran importancia es el de las enfermedades de transmisin sexual, que tienen caractersticas propias. En muchos casos el portador es asintomtico hasta una etapa muy tarda del proceso infeccioso (como en el VIH-SIDA o la
las mujeres sin mostrar ningn otro sntoma). Tambin, las enfermedades de
160
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
transmisin inducen poca o ninguna inmunidad , y los recuperados se vuelven susceptibles nuevamente. Consideremos un modelo simplicado de gonorrea, en el que la poblacin es heterosexual y uniformemente promiscua. Podemos representarlo as:
' c E r rr rr r rr % rr % E
S
T &
donde las variables con estrellas son las mujeres, el contagio est representado con echas dobles, y y los recuperados de cada clase vuelven a ser susceptibles a alguna tasa. Es un modelo
SIRS .
Pueden surgir complicaciones adicionales con la consideracin de an ms grupos: susceptibles, sintomticos, infectados tratados, infectados no tratados, etc. En infecciones parasitarias gastrointestinales es necesario adems tener en cuenta un mecanismo adicional, el de la complicada respuesta inmune que suscitan. sta introduce una demora de la respuesta del husped, que depende de la densidad del parsito, del tipo:
E (t) =
P ( )d,
tT
(7.20)
donde
es la densidad
del parsito. Estas enfermedades tienen un enorme impacto en el mundo en desarrollo, estimndose por ejemplo que existen 1000 millones de casos de
Ascaris lumbricoides y 500 millones de casos de Anclystoma duodenale Nector americanus (datos de 1979).
y de
161
SIR
de la Seccin anterior.
I (x, t)
y sus-
S (x, t),
as
t.
D.
No es necesario pensar que los propios individuos son los que se mueven; podemos imaginarlos jos en el espacio, pero con contactos son sus vecinos, a travs de los cuales la enfermedad se propaga. Las tasas de transicin entre susceptibles e infectados, as como de remocin de infectados, son las mismas que en el modelo de campo medio. Con esto, escribamos las siguientes ecuaciones para el modelo:
S = rIS + D2 S, t I = rIS aI + D2 I, t
donde
(7.21) (7.22)
r, a
SIR,
problema que ahora nos interesa es la propagacin espaciotemporal de la enfermedad cuando se introduce un pequeo nmero de infectados en una poblacin inicialmente uniforme de susceptibles. En una dimensin, y reescaleando apropiadamente las variables para adimensionalizar las ecuaciones, podemos reescribir el modelo en la forma:
2S S = IS + , t x2 I 2I = IS I + 2 , t x
que tienen un solo parmetro enfermedad es
(7.23)
(7.24) de la
= a/rS0 .
Lae
tasa de reproduccin
1/.
162
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
Para este modelo es posible analizar las condiciones para la existencia de ondas viajeras, que representan una onda epidmica propagndose en una poblacin susceptible. Para hacerlo procedemos como en el Captulo 5. Buscamos ondas viajeras haciendo:
I (x, t) = I (z ),
donde
S (x, t) = S (z ),
z = x ct,
(7.25)
I + cI + I (S ) = 0,
S + cS IS = 0, z. S
(7.26)
0 S () < S () = 1.
Esta condicin signica que un pulso de infectados so propagar dentro de la poblacin susceptible reduciendo su densidad.
El sistema (7.26) es de cuarto orden. Para avanzar un poco ms por medios analticos, linealicemos la ecuacin de onda, donde
en el borde anterior de la
S1
I 0: I + cI + (1 )I 0,
(7.28)
I (z ) exp
[(
) ] 2 c c 4(1 ) z/2 . I = 0,
puesto que
(7.29)
I (z ) 0.
deben satisfacer:
c 2 1 ,
< 1.
(7.30)
163
Si
> 1 no hay solucin tipo onda, de modo que ste es el umbral para la proa < 1. rS0
(7.31)
La existencia del umbral (7.31) tiene consecuencias importantes. Podemos ver que existe una densidad crtica mnima de susceptibles,
Sc = a/r, para la
cual puede ocurrir una onda epidmica. Asimismo, para una dad poblacin
S0
a,
crtico
rc = a/S0
umbral en la mortalidad,
ac = rS0
que, si
se excede,
previene la epidemia.
Podemos ver que cuanto ms rpidamente fatal es una enfermedad, menos chances tienen de desencadenar una onda viajera en una poblacin. Todas estas observaciones tienen consecuencias para los programas de control de epidemias. La densidad de susceptibles se reduce mediante la vacunacin. La transmisin puede reducirse mediante el aislamiento, hospitalizacin, etc. para detener la epidemia. La velocidad de las ondas en trminos dimensionales resulta:
V =2
a rS0 D 1 rS0
)1/2
(7.32)
sta es la mnima velocidad, que resulta ser la observada debido a mecanismos no lineales de seleccin dinmica del estado marginalmente estable. De manera similar puede calcularse la onda de
S (z ).
Bacillus pestis
de las ratas a los humanos. Algunos casos de peste neumnica tambin se transmitan de persona a persona. La enfermead fue introducida en Italia en diciembre de 1347, trada por un barco genovs proveniente del puerto de Caa, en el Mar Negro. La ciudad de Caa era un importante puerto en la ruta comercial entre Oriente y Occidente, y estaba bajo control genovs. En 1347 estaba siendo sitiada ferozmente por las tropas de la Horda Dorada, un estado mongol establecido en Europa oriental y Asia central tras la desintegracin del Imperio Mongol. El ejrcito estaba sufriendo una epidemia de peste, que haban trado de extremo Oriente (donde tambin ocurri una severa epidemia). Los mongoles catapultaron cadveres por sobre las murallas
164
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
de la ciudad, desencadenando la enfermedad entre los sitiados. Es el primer caso conocido de guerra bacteriolgica. La ota genovesa huy apenas pudo, pero llevando la peste consigo. Los genoveses atracaron en Sicilia, donde comenz la ms devastadora epidemia que le toc sufrir al continente europeo. Las ciudades grandes llevaron la peor parte, ya que la densidad de la poblacin favoreca el contagio. Las ciudades, adems, eran muy distintas de las ciudades de hoy en da (y hasta de las ciudades de la antigedad), siendo enormemente mugrientas, infestadas de piojos, pulgas y ratas, muy susceptibles a las enfermedades relacionadas con la malnutricin y la falta de higiene. La epidemia se propag por toda Europa a una velocidad de 200 a 400 millas por ao, habiendo cubierto todo el continente hacia 1350. La mortandad era enorme, y un 80 % de los infectados fallecan en dos o tres das. Entre
un
25 % de los pueblos desapareci. En algunos lugares la mortandad fue mayor que en otros: en Italia arras con ms del 50 % de la poblacin, en Inglaterra con el 70 %, en Hamburgo con el 60 %. Tambin en China, donde la epidemia se haba desatado alrededor de 1330, parece que fue devastadora: dos tercios de la poblacin, 5 millones en tan slo una provincia, Hubbei, donde murieron el 90 %. La gura muestra el desarrollo espacio-temporal del frente epidmico. 8 La epidemia tuvo consecuencias muy dramticas para la sociedad, que result afectada en todos los niveles. Como en la Plaga de Atenas, el hecho de que la peste golpeara por igual a piadosos y pecadores erosion el poder de la Iglesia predominante, la Catlica. Tambin result en la persecucin indiscriminada de las minoras, a quienes se responzabilizaba de la epidemia: judos, musulmanes, extranjeros en general, leprosos. . . En general, desencaden a
165
un cinismo y un descreimiento en la autoridad, ya que nadie, ni los mdicos, ni los magistrados, ni los sacerdotes, podan ni curar ni siquiera
explicar
la
peste. Entre otras cosas, condujo a comportamientos religiosos que podran decirse aberrantes, como los Flagelantes, que marchaban agelndose pblicamente sin detenerse ms de un da en ningn lugar. La universalidad de la epidemia produjo una representacin artstica comn hasta hoy en da: la Danza Macabra. Es interesante tambin la vestimenta de los mdicos, representada en muchas obras de la poca: un manto largo hasta los pies, guantes, una vara para tocar a los enfermos de lejos, y una mscara en forma de pico, relleno de hierbas aromticas y especias, que ltraba algn supuesto miasma causante de la enfermedad. Es posible que haya sido relativamente efectiva en evitar el contagio por inhalacin de partculas infectadas. Absolutamente nadie relacion la enfermedad con las ratas, y mucho menos con las pulgas. Hubo tambin efectos econmicos, ya que el efecto sobre la poblacin y la mano de obra disponible, los precios, el poder poltico, la capacidad de aplicar justicia, el sistema feudal de servidumbre, as como sobre la urbanizacin y la posesin de los bienes, resultaron muy afectados. Eventualmente, los cambios condujeron al nacimiento del sistema capitalista y al Renacimiento. Tras el paso de la Peste Negra hubo rebrotes espordicos en Europa y en el resto del mundo. El primer rebrote fue en Alemania en 1356. Cada tanto se repitieron, si bien ninguno fue tan dramtico como la Peste Negra. Uno de los rebrotes importantes fue la Gran Plaga de Londres, ms de 200 aos despus, que se desat en 1665, aparentemente proviniente de Holanda. Los primeros casos se produjeron en el invierno de 1664 a 1665, y en la primavera de 1665 escap de control. Hubo 100 mil vctimas, un quinto de la pblacin de Londres. Un fenmeno curioso durante esta epidemia fue que la gente empez a reaccionar de manera distinta de grandes epidemias anteriores. Por
166
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
empezar, la gente no se amonton en las ciudades. Empezaron a tomar conciencia de que el amontonamiento era perjudicial, y los que podan huyeron al campo. La nobleza as lo hizo, pero tambin mucha otra gente acomodada. Entre ellos el joven Isaac Newton, que obtuvo su grado en la Universidad de a una casa de campo de su familia. All pas 18 meses, lo que llam su annus mirabilis, durante el cual invent el clculo y descubri la gravitacin, entre otros milagros. El aspecto ms interesante de la Gran Plaga de Londres, sin embargo, es que es la que marca el comienzo del estudio cientco de las epidemias, un poco en medio del ambiente de cienticismo que empezaba a impregnar la cultura europea. En 1662 John Graunt haba concebido la idea de llevar la cuenta de las estadsticas vitales de la poblacin mediante la publicacin de Actas de Mortalidad (la natalidad quedaba registrada en las parroquias. Para 1665 se publicaban semanalmente. Los nombres de algunas de las causas de muerte son difciles de entender, pero se destacan los muertos por peste durante las semanas de la epidemia. Luego de la Gran Plaga de Londres surgi un consenso de que la peste haba dejado de ser un problema, pero no fue as. La Gran Plaga de Viena ocurri entre 1679 y los 80's, la Gran Plaga de Marsellas en 17201722, poco despus la Rebelin de la Plaga en Mosc (1771). La ltima epidemia de peste fue la Tercera Pandemia, originada en Yunnn, China, en 1855, termin ocialmente recin en 1959, tras acabar con la vida de 13 millones de personas. Durante esta epidemia la enfermedad lleg por barco desde Oriente Cambridge en 1665, y como la Universidad cerr a causa de la Plaga, se fue
167
Figura 7.4: Actas de mortalidad de Londres a nes de 1664, cuando comenzaba la epidemia.
al puerto de San Francisco alrededor de 1900, donde hubo una epidemia de tres aos con 200 muertos, que comenz justo tras el terremoto que destruy la ciudad en 1906. Desde entonces, el bacilo se ha estado propagando de oeste a este en el continente norteamericano, avanzando a una velocidad de unos 50 km por ao, llevado por muchos mamferos pequeos (ardillas, conejos, perritos de la pradera, coyotes, gatos monteses) y no slo por ratas. Como resultado, todo el oeste norteamericano y en particular el estado de New Mexico es uno de los dos grandes focos de peste. En New Mexico hubo 9 casos en 1998, 0 en 1997, 2 en 1996, 4 en 1995 un promedio de
7,8
casos
por ao en el perodo 1970-1991. En los Estados Unidos hubo 341 casos entre 1970 y 1995. Qu pasar cuando el frente de onda llegue a los grandes centros urbanos de la costa este, con sus enormes poblaciones de gente y de ratas, es algo que nadie sabe. No es fcil estimar los parmetros del modelo difusivo para la Europa del siglo XIV, pero podemos hacer unas cuentas aproximadas. Haba unos 85 2 millones de habitantes, lo que da una densidad de susceptibles S0 20/km . Los coecientes de transmisin y difusin son ms difciles de estimar. Supongamos que las noticias y los rumores, con las limitadas comunicaciones de la poca, viajaban a 100 km/ao, y que la enfermedad se propagaba con 2 stos. El tiempo de difusin para cubrir una distancia L es o(L /D ). Esto da
168
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
D 104 c 200
15/ao 0,75. De la
r 0,4, y
como una red de substancias qumicas conectadas por reacciones. Y estos no son ms que unos pocos ejemplos de la diversidad de este tipo de estructura, pero es fcil alargar la lista: redes de llamadas telefnicas, de publicaciones
La Internet es la red fsica de routers y computadoras conectados por medios de telecomunicacin. La WWW es la red lgica de pginas web conectadas por hyperlinks (enlaces).
1
169
cientcas y sus citas, de actores y su colaboracin en pelculas, de distribucin de electricidad, de transporte areo. . . Particularmente fascinante es la red formada por todas las palabras del idioma ingls que, segn el diccionario Merriam-Webster, tienen sinnimos. Hay 23 mil de tales palabras, de las cuales 22 mil forman un cluster gigante todo conectado. Esto solo ya es destacable: que sean casi todas sinnimos de las dems! La longitud media del camino que hay que recorrer para conectar cualesquiera palabras en este cluster es de
quier otra, con un signicado seguramente completamente distinto, mediante una cadena de apenas cuatro sinnimos! Tradicionalmente el estudio de estas estructuras es el campo de aplicacin de la
tiempo, en los aos `50 Erds y Rnyi fueron pioneros en el estudio de grandes grafos aleatorios. En su modelo se dan conecta al azar con probabilidad
p.
pN (N 1)/2
propiedades.
Uno se pregunta si una red compleja como la sociedad humana es una red al azar. En algn grado lo es, pero nuestra intuicin nos dice que tambin hay cierta organizacin que el modelo de Erds-Rnyi (ER en adelante) no alcanza a capturar. En los ltimos aos, con la informatizacin de muchos campos de la actividad humana, as como del poder de cmputo, comenz el estudio de muchas redes complejas grandes. As motivados, ha habido numerosas propuestas y desarrollos de su anlisis y su estudio terico. Los principales conceptos que han emergido como destacados en este estudio de las redes complejas son: el fenmeno de mundo pequeo ( la clusterizacin
2
small world ),
y la distribucin de grado.
Small world
En cada idioma hay una expresin para referirse al hecho de que, a pesar de que la poblacin humana es inmensa, en circunstancias inesperadas (en las vacaciones, en la sala de espera del dentista, en el gimnasio. . . ) siempre conocemos a alguien con quien tenemos un amigo en comn. En castellano decimos El mundo es un pauelo. En ingls se dice It's a small world. El origen de estas expresiones se debe a la observacin casual de que, en la red de relaciones humanas, da la impresin de que todos estamos muy
En ingls se dice , y ninguna de las traducciones espaolas es del todo satisfactoria, de manera que seguiremos usando la castellanizacin de este trmino. Asimismo, a veces diremos por enlace, por mundo pequeo, y otras por el estilo.
2
clusterization link small world
170
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
cerca uno del otro. El psiclogo Stanley Milgram , en 1967, hizo el primer intento de estudiar cuantitativamente este fenmeno. Prepar una cantidad de cartas dirigidas a un conocido suyo en Boston, y las distribuy a otras tantas personas elegidas al azar en Nebraska (tan lejos de Boston como pueda imaginarse). Estas personas recibieron las instrucciones de entregar las cartas en mano a algn amigo o conocido cercano, a quien imaginara que estaba ms prximo que ellos mismos del destinatario nal (de quien, por lo dems, slo conocan el nombre y direccin). Las cartas deban as pasar de mano en mano, en la esperanza de que lentamente llegaran a su destinatario. Cada eslabn de la cadena ira agregando una marquita para medir la longitud del recorrido. Result que muchas de esas cartas llegaron a destino y que, en promedio, lo haban hecho en seis pasos: una cadena de seis eslabones para conectar un montn de gente al azar en Nebraska con el amigo de Milgram en Boston. La situacin empez a llamarse seis grados de separacin, y alcanz notoriedad inclusive en la cultura popular, primero a travs de una obra de teatro, luego de una pelcula (con Donald Sutherland y un jovencsimo Will Smith) y ms tarde en varios juegos frvolos en los que se calculan los grados de separacin entre personajes famosos, tales como Kevin Bacon o Monica Lewinsky.
4
Se trata del mismo Milgram que llev a cabo un clebre experimento sobre la obediencia 4en 1961. Bsquelo en la Web, es fascinante. El ms famoso fue el Orculo de Bacon en Virginia. Kevin Bacon es un actor bien conocido por haber actuado en muchas pelculas, en general como actor secundario. En una entrevista en 1994 mencion que haba actuado con todo el mundo en Hollywood, o a lo sumo con alguien que haba trabajado con alguno de los pocos que no haban trabajado con l. Un grupo de estudiantes mirando la tele, al notar que despus de daban , se preguntaron si sera verdad, y si Bacon no sera, a pesar de su falta de estrellato, una especie de centro alrededor del cual giraba todo el universo de Hollywood. Usando la Internet Movie Data Base, de reciente creacin, fue posible analizar esto cuantitativamente, deniendo el nmero Bacon: Kevin Bacon tiene nmero Bacon 0, un actor que colabor con Kevin Bacon tiene nmero Bacon 1, y as sucesivamente. As se puede calcular, por ejemplo, que Rober de Niro tiene nmero Bacon 1 (ya que trabaj con K. B. en ), mientras que Elvis Presley tiene nmero Bacon 2 (habiendo estado con John Wheeler en , en 1968, quien trabaj con K. B. en Apollo 13). Eva Pern tiene nmero Bacon 4; Carlos Gardel, nmero Bacon 3, igual que Andrea del Boca. El mximo nmero Bacon es 8 (quin es (o son)?), y el valor medio es 2,95 (datos obtenidos hace unos aos, basados en una red de 600 mil actores). Lo ms interesante es que todas estas propiedades no maniestan una posicin privilegiada de Kevin Bacon en Hollywood, sino que ocurren alrededor de todos los miembros en una red social. Para cualquier otro actor X se puede denir el nmero X, por supuesto. Resulta que el actor conectado tiene mximo nmero propio de apenas 14, con un promedio de 9. El nmero Connery promedio es 2,8, as que Sean Connery est mejor ubicado en Hollywood que Bacon. Mejor conectados an estn Dennis Hopper (2,74 de promedio), seguido por Harvey Keitel y Donald Sutherland. Este ltimo es protagonista de la pelcula
3
Footloose The air up there Sleepers Live a little, love a little peor Six degrees
171
No es difcil percatarse de que, ms all de la aparente frivolidad de todo esto, existen consecuencias importantes de este fenmeno, que hoy en da llamamos el fenmeno
small world.
propagacin de informacin, rumores, modas, noticias y, por supuesto, enfermedades infecciosas; todas cosas que se propagan en una red de contactos de persona a persona. El fenmeno small world puede tener consecuencias dramticas puesto que estos agentes pueden propagarse de manera mucho ms rpida en este tipo de estructuras que en una gruilla regular, donde la distancia entre pares es tpicamente mucho mayor. Los grafos random (tipo ER) son pequeos en este sentido. La longitud media del camino entre cualquier par de nodos escalea aproximadamente como el logaritmo del tamao de la red: el valor medio del resultado es vlido para
nmero de coordinacin,
p
L ln(N )/ ln(k )
o
grado,
conectividad ).
(donde
es
(Este
pN > 1.)
Clusterizacin
Una caracterstica propia de las redes sociales , por oposicin a las redes ER, es que el crculo de conocidos de una persona tiende a superponerse con el crculo de los conocidos de sus conocidos. Los amigos de mis amigos tienden a ser tambin ble) grado de
5
mis
aspecto del fenmeno, denitivamente ausente en las redes random tipo ER, fue reconocido por primera vez por Watts y Strogatz, quienes lo incorporaron en su modelo de redes small world, publicado en un artculo en Nature en 1998 [40], y que desat un frenes de actividad que acab atrayendo la atencin de la comunidad de fsicos. Se puede estudiar esto cuantitativamente deniendo un coeciente de clusterizacin
tiene
, donde se explota el concepto. Estos valores van cambiando todo el tiempo, por supuesto. El Orculo sigue funcionando en oracleofbacon.org. Otro nmero famoso es el nmero Erds, asociado al matemtico hngaro Paul Erds, el ms prolco de la historia (1400 papers). Pas buena parte de su vida de manera itinerante, colaborando con los matemticos que le ofrecan asilo. El nmero Erds mximo es 15, con mediana 5 y media 4.65. Mi propio nmero Erds es 5. 5 En aos recientes la expresin ha pasado a signicar casi exclusivamente una plataforma informtica para relacionarse con otras persona, al estilo de Facebook o Twitter. Hay que tener presente, sin embargo, que el signicado de es anterior y mucho ms amplio. La humana misma es una red social. Tambin la red de amistades en un club, en una escuela. En este sentido (y no exclusivamente en el de Facebook, circunstacialmente de moda) se la usa aqu y en la literatura sobre este tema.
red social red social sociedad
ki
enlaces que lo
172
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
ki (ki 1)/2 enlaces entre ellos. Supongamos que, en lugar de tantos, Ei . Entonces se dene la clusterizacin alrededor de i como: Ci = 2Ei . ki (ki 1)
se tiene que (7.33)
Ci
completamente conectada
C = 1.
Pensndolo en trminos probabilsticos, podemos decir que s. En una red random de ER, se tiene que
dad de que dos nodos que son vecinos de un mismo nodo, sean vecinos entre
C = p = k /N ,
queo para redes grandes. (Considere el sub-grafo formado por un sitio y sus vecinos. La probabilidad de que un par de stos est conectado es
p, tal como
para cualquier otro par de la red.) En redes del mundo real se encuentra que C es signicativamente menor que 1, pero mucho ms grande que o(N 1 ). La redes small world de Watts y Strogatz presentan este comportamiento.
Distribucin de grados
En una red del mundo real no todos los nodos tienen el mismo nmero de enlaces (llamado estudiar la
grado o conectividad del nodo). Es razonable entonces distribucin de grados P (k), que caracteriza la manera y magnitud
k
enlaces. Puesto que una red ER se construye precisamente y
de esta diversidad. Esta distribucin da la probabilidad de que un nodo tenga exactamente al promedio asignando links al azar, la mayor parte de los nodos tienen un grado cercano
k ,
P (k )
valor. Se ha visto que algunas redes verdaderas tienen colas exponenciales en la regin de
distribucin de Poisson. Otras, en cambio, tiene colas tipo ley de potencia: P (k ) k y se las llama .
k/2
enlaces
C=
3(k 2) , 4(k 1)
(7.34)
173
Figura 7.6: Procedimiento de recableado para construir estructuras small world a partir de una red regular.
vlido para
k < 2N/3,
y que tiende a
3/4
en el lmite de
grande. Estas
estructuras no presetan el fenmeno small world, obviamente. De hecho, la distancia de nodo a nodo crece linealmente con
N.
Luego se agrega cierto grado de aleatoriedad en esta estructura bsica de baja dimensin. Esto se logra mediante un recableado, o reconexin, de algunos enlaces. Uno a uno se recorren los nodos y, para cada uno de sus links que apuntan (digamos) a la derecha, con probabilidad azar con cualquier otro nodo de la red. Para
se lo reconecta al
regular, con unos pocos links de largo alcance en el sistema. En la gura 7.6 se muestra esquemticamente el procedimiento, para un sistema con
la misma que en un grafo random del mismo tamao y conectividad. Sin embargo, su coeciente de clusterizacin (esencialmente para
3/4
para
chico) es
muchos rdenes de magnitud mayor que en los grafos random. Por ejemplo,
N = 1000
k = 10,
la distancia media es
p = 1/4
es
Existe tambin una segunda versin del modelo, en la cual en lugar de recablear enlaces se los agrega con probabilidad
La razn de esta modicacin es que no puede resultar desconectada por el procedimiento, cosa que s puede ocurrir en el modelo de Watts y Strogatz. Algunos resultados han sido probados rigurosamente para estos sistemas,
174
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
y muchos ms han sido explorados numricamente. Resumamos algunos de ellos. La mayor parte del trabajo se concentr inicialmente en las propiedades del camino medio entre nodos. Se observ que comenzaba a decrecer en cuanto
p > 2/N k ,
cortocircuito en la red. Esto se puede interpretar como la existencia de una longitud de transicin dependiente de
N <
entonces
L N,
y si
L(N, p) F
donde
(7.35)
{ F ( x) =
x ln(x)
if if
x 1, x 1,
(7.36)
=
La divergencia de
1 . pk
(7.37)
cuando p 0 es reminiscente de un punto crtico: hay una especie de transicin de fase a p = 0 entre un comportamiento L N y uno con L ln N . En otras palabras, para un sistema innitamente grande, una
cantidad innitesimalmente pequea de desorden induce el comportamiento small world. Finalmente se demostr, tras cierta controversia, que la longitud caracterstica de los caminos entre nodos obedece el scaling (en dimensin
d):
(7.38)
L(N, p)
donde
N F (pkN d ), k
if if
{ F (x) =
1 ln x/x
x 1, x 1.
(7.39)
Adems de tener una longitud de caminos corta, las redes small world presentan una clusterizacin relativametne alta para un rango amplio de valores de
p. La clusterizacin en este modelo depende slo de k , y no de N . El valor de C (p) permanece cercano a C (0) hasta un valor relativamente grande de p.
Una situacin tpica es la que se ve en la gura 7.7, donde se muestran jun-
tas la distancia media entre nodos y la culsterizacin. El rgimen intermedio, donde la clusterizacin es grande como en una red regular y la longitud media de caminos es corta como en una red random corresponde a los mundos pequeos.
175
Figura 7.7: Longitud caracterstica de caminos entre nodos y coeciente de clusterizacin (ambos normalizados) de los mundos pequeos de Watts y Strogatz.
[43, 44], ponen el nfasis en la evolucin, en la construccin de las redes. Su modelo no comienza con un conjunto de comienza con un pequeo ncleo, a partir del cual la red crece mediante la adicin de nuevos nodos que se conectan a la red preexistente. Esto, presumiblemente, reeja la manera en que las verdaderas redes llegan a ser lo que son. La principal regla en este tipo de modelos es la de ejemplo de acuerdo a una ley tipo:
conexin preferencial :
ki . (ki ) = j kj
Tras con
(7.40)
t pasos de evolucin, consistentes en agregar nodos de a uno, cada uno m nuevos enlaces, la red ha crecido hasta tener N = t + m0 nodos y mt
links.
176
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
Se puede hacer un modelo continuo muy sencillo para mostrar el comportamiento de la distribucin de grados. El grado Supongamos que
ki
del nodo
aumenta cada
(ki ).
ki
ecuacin de evolucin
ki ki = m(ki ) = m N 1 , t j =1 kj
(7.41)
donde la suma en el denominador recorre todos los nodos excepto el apenas N 1 agregado: j =1 kj = 2mt m, de modo que:
ki ki = . t 2t
Con la condicin inicial de que el nodo puede resolverse la ecuacin diferencial:
(7.42)
( )1/2 t ki (t) = m . ti
Ahora, antes de proseguir con la probabilidad de tener exactamente calculemos la probabilidad de que un nodo tenga grado Esto se puede escribir as:
(7.43)
m2 t ti > 2 k
) . ti
(7.44)
Suponiendo que agregamos nodos a intervalos regulares, los bucin de probabilidad uniforme
tienen distri-
P (ti ) = ( ) (
1 1 = . N t + m0 )
(7.45)
m2 t ti > 2 k
=1P
m2 t ti 2 k
=1
m2 t . k 2 (t + m0 )
(7.46)
P (k ) =
(7.47)
P (k ) 2m2 k ,
with
(7.48)
177
m.
Esta ley de potencia es universal, lo cual impone ciertas limitaciones a la aplicabilidad del modelo en situaciones reales, que suelen tener exponentes distintos. El exponente puede modicarse cambiando la ley de conexin preferencial reales. Qu tan importantes son los roles del crecimiento y de la conexin preferencial para la obtencin de una distribucin de grado tipo potencia? Sin la conexin preferencial (conectando cada nuevo nodo con probabilidad uniforme a los preexistentes), el modelo continuo da una crecimiento (comenzando con con conexin preferencial)
(ki ),
P (k ) exponencial. Sin el N nodos desconectados, y agregando enlaces P (k ) resulta no estacionaria. A tiempos cortos es
una ley de potencia, pero evoluciona hacia una Gaussiana (eventualmente, todos los nodos se conectan). Las redes libres de escala son pequeas, en el sentido de presentar el fenmeno small world. Se ha mostrado que la longitud media de los caminos crece logartmicamente con
N.
y no existen argumentos analticos que lo sustenten. El comportamiento de la clusterizacin en estos modelos es distinto que en los modelos small world. En lugar de ser independiente de N , decae si0,75 guiendo una ley de potencia C N , que es sin embargo ms lenta que el comportamiento de las redes aleatorias, para las cuales
C = k /N .
El
coeciente de clusterizacin de los nodos, adems, depende del grado de cada nodo, lo cual es importante porque el grado es muy heterogneo en la red. Como el coeciente de clusterizacin tambin sigue una ley de potencia, los nodos menos conectados forman regiones densamente clusterizadas de la red, que se conectan con otras similares mediante los fenmeno small world. Tambin se puede modicar el crecimiento lineal del modelo, con efectos en la topologa de la red. Por ejemplo, el aumento en el grado medio observado en la Internet, la WWW o la red de coautora de trabajos cientcos, sugiere que en los sistemas reales el nmero de links aumenta ms rpido que el nmero de nodos.
hubs
libre de escala
gebraicas, o leyes de potencia, son invariantes de escala. Si se tiene una k funcin f (x) = ax , una transformacin de escala en la variable lleva a f (x) = a(x)k = k axk = k f (x) f (x). Esto implica, adems, que todas las leyes con el mismo exponente son equivalentes, un fenmeno conocido
178
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
como
cnica estadstica. En los puntos crticos ciertas cantidades obedecen leyes de potencia, lo cual permite caracterizarlos mediante los
cos.
pueden pertenecer a la misma clase de universalidad, y comparten muchas propiedades (como el modelo de Ising en el punto de Curie y los lquidos clsicos en la transicin lquido-vapor). llamarlos Los fractales suelen llamarse libres de escala, si bien es ms apropiado k . En ellos la relacin f (x) = f (x) se cumple slo
autosimilares
Una distribucin de probabilidad se llama libre de escala si es de la forma p(x) = L(x)x donde L(x) es una funcin sucientemente suave (y que necesitamos para normalizar la probabilidad). Es habitual que, para evitar la divergencia en
x = 0,
x0
1 p( x ) = x0
Es sencillo ver que, dependiendo de partir de alguno. As, si Si
x x0
(7.49)
2<<3
superiores. Y as por el estilo. Una modicacin habitual es una ley de potencia con un cuto exponencial (que no es estrictamente invariante de escala):
p(x) L(x)x ex .
Para
(7.50)
cha de la ley algebraica. Muchas leyes naturales son de este tipo aunque la parte algebraica sea la ms interesante o visible. La ley de Gutenberg-Richter de la distribucin de la magnitud de los terremotos, por ejemplo, no puede ser estrictamente una potencia porque la energa almacenada en la corteza terrestre es nita. Al acercarse a ese lmite la ley de potencia necesariamente resultar achatada por un cuto. Esta energa es muy grande comparada con los terremotos habituales, pero puede ser relevante en etapas tempranas de formacin del sistema solar, cuando la colisin de planetesimales era frecuente.
179
des. Campos de aplicacin posibles son los juegos, los autmatas celulares, la sincronizacin de osciladores, la percolacin, las caminatas al azar, la tolerancia al error, etc. Adems, las redes pueden ser mucho ms complejas que las que acabamos de ver: puede ser dirigidas (con links asimtricos), bipartitas (hombres y mujeres. . . ) , heterogneas (con links pesados), cambiantes. . . De entre todos los aspectos fascinantes que sucita el concepto de redes complejas, discutiremos aqu solamente el fenmeno de la propagacin de un agente infeccioso. En particular, nos interesan las siguientes preguntas: De qu manera depende la dinmica de la epidemia de la estructura de la poblacin? Hay consecuencias aplicables a las estrategias de control de una epidemia que dependen de las caractersticas topolgicas de la red?
SIRS
[46]. La enfermedad
tiene tres etapas: susceptible (S ), infectado (I ), y refractario (R). Un elemento de la poblacin es un nodo, descripto por una sola variable dinmica que puede adoptar uno de esos tres valores. Los susceptibles pueden pasar a infectados por contagio. Una vez infectados, el estado procede de manera determinista en tiempo discreto a lo largo de las etapas de la enfermedad:
S I R S,
pasando un tiempo
(7.51)
en el refracta-
rio, luego de lo cual regresa al estado susceptible. La enfermedad no conere inmunidad permanente. En los hechos, se trata de un sistema excitable, similar a los que se observan en sistemas qumicos del tipo de la reaccin de Belousov-Zhabotinskii. El contagio de un elemento susceptible ocurre estocsticamente a nivel local. Si el elemento
es susceptible, y si tiene
ki
kinf
Obsrvese que
infectados. En lugar de este mecanismo (libre de parmetros) son posibles otros mecanismos de infeccin, por supuesto. Por ejemplo, si el susceptible tiene probabilidad un parmetro. La red se pone en un estado inicial consistente en casi todos nodos susceptibles, con unos pocos infectados distribudos al azar. Analizando el comportamiento temporal a partir de este estado en redes con distintos valores de
probabilidad de contagio
de contagiarse de cada vecino infectado, tenemos una [1(1q )kinf ]. Preferimos el primero para ahorrarnos
topologas.
180
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
n inf ( t)
5200
5300
5400
5500
5600
Figura 7.8: Fraccin de infectados como funcin del tiempo. Se muestran tres series temporales, correspondientes a diferentes valores del parmetro de 4 desorden p, como se ve en las leyendas. Los otros parmetros son: N = 10 ,
La gura 7.8 muestra parte de la evolucin temporal de la fraccin de infectados, cuando ya ha transcurrido un tiempo transitorio y se ha alcanzado un estado estacionario. Se muestran tres de estos estados, correspondientes a redes con distintos valores de una situacin endmica y una oscilatoria. Con
p. Puede verse claramente una transicin entre p = 0,01 (arriba), donde la red
es casi una red regular, el estado estacionario es un punto jo, con uctuaciones. Esta situacin corresponde a una infeccin endmica, con una fraccin pequea y persistente de nodos infectados. A valores mayores de en el caso con
como
p = 0,9
oscilaciones autosostenidas de gran amplitud. La situacin es casi peridica, con un perodo bien denido y pequeas uctuaciones de amplitud. El perodo es algo mayor que
0 ,
p = 1, efectivamente
181
tiene oscilaciones. La transicin entre ambos estados se observa (en este sistema relativamente chico) a un valor intermedio del parmetro de desorden,
p = 0,2,
peridicas de pequea amplitud, ruidosas, apareciendo y desapareciendo en un mar de uctuaciones fuertes. Por otro lado, se observa que el valor medio del nmero de infectados crece con
p.
Esta formacin de oscilaciones persistentes responde a la sincronizacin espontnea de una fraccin signicativa de los elementos del sistema. Podemos describir el ciclo de enfermedad de cada nodo
i (t) = 0, 1, . . . , I + R = 0 .
nizan, y recorren el proceso infeccioso todas juntas, enfermndose al mismo tiempo, recuperndose al mismo tiempo. Esto se puede caracterizar mediante un parmetro de sincronizacin:
(t) =
N 1 i j (t) e , N j =1
(7.52)
donde
j = 2 (j 1)/0
j .
Cuando el sistema no est sincronizado, las fases estn bien separadas en i el ciclo y los nmeros complejos e estn correspondientemente muy distribudos en el crculo unidad. En esta situacin
=1
tos estuvieran en el mismo estado al mismo tiempo. Sin embargo, tal estado terminara en
Ninf = 0
tras
que no hay infeccin espontnea de susceptibles. El parmetro de sincronizacin es un buen parmetro de orden para estudiar el comportamiento del sistema para tamaos crecientes. La gura 7.9
p, obtenido promediando sobre el tiempo y sobre 3 4 5 realizaciones, correspondiente a sistemas de tamao N = 10 , 10 , 10 and 6 10 . Se puede observar una transicin en la sincronizacin a medida que p
lo muestra como funcin de crece de 0 a 1. La transicin es ms abrupta para sistemas ms grandes, alrededor del valor del parmetro de desorden
pc 0,4.
estructura
tensidad
de
in-
de
I , R , K
182
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
0.4 0.3
0.6
0.8
1.0
p.
parmetros:
183
Figura 7.10: Casos de sarampin reportadoes en cuatro pases. De Cli & Haggett, Sci. Am.
drstica reduccin de la severidad de la epidemia [48]. Modelemos la enfermedad como un sistema al estado susceptible cin a una fraccin
R,
aleatoria
ele-
SIR
de la seccin 7.2). La
gura 7.11 muestra la fraccin de infectados sobre no inmunizados durante el curso de la epidemia para diferentes niveles de inmunizacin. Podemos ver que existe una transicin a un valor nito de
184
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
1.0
random immunization
0.8
= 0.0 = 0.1 = 0.2 = 0.3 = 0.4
0.6
r
0.4
0.2
0.0 0.01
0.1
p
Figura 7.11: Fraccin
r = NR /(1 )N .
durante la epidemia, como funcin del parmetro de desorden niveles de inmunizacin aleatoria
p,
para varios
cin, por encima del cual resulta afectada una fraccin nita de la poblacin. Esta gura corresponde a la inmunizacin aleatoria, y se obtiene un comportamiento similar para la inmunizacin sesgada, si bien cualitativamente diferente, como veremos de inmediato. Vemos tambin que existe un nivel de inmunizacin que prcticamente suprime la infeccin en cualquier red. Vale la pena observar tambin que el valor crtico de
para valores pequeos de desorden en la red, una inmunizacin baja tiene efectos muy fuertes en el control de la epidemia. La gura 7.12 muestra una comparacin entre las estrategias de inmunizacin aleatoria y sesgada (a
p = 1,
infeccin). La vacunacin sesgada resulta una mejor estrategia. A pesar de este resultado alentador hay que tener en cuenta, sin embargo, que la estrategia sesgada requiere la identicacin de los nodos de mayor conectividad, lo cual es costoso en tiempo (de simulacin y en la vida real tambin). La consecuencia prctica importante de este resultado, de todos modos, es que para
ambas
rantiza que un brote de infeccin permanecer localizado y no se propagar en la poblacin. En otras palabras: para una dada poblacin con una cierta
185
1.0
0.8
r (p =1)
0.6
0.4
0.2
0.0 0.0
0.1
0.2
0.3
0.4
0.5
p = 1,
estructura small world, cerca de la situacin crtica un pequeo aumento en el presupuesto de inmunizacin puede resultar en una drstica reduccin del impacto de la epidemia. Es interesante observar una similitud con otro fenmeno de propagacin en una red social: el rumor. La fraccin que permanece susceptible es equivalente a la fraccin de poblacin que nunca escucha el rumor, lo cual es un resultado bien conocido en la teora. Aun en la vida cotidiana seguramente conocemos gente que se queja de que nunca se entera de nada. Este problema ha sido estudiado en [49].
SIS
resultado de la
ausencia
redes sin escala (como la WWW y tambin algunas redes sociales), podran ser particularmente susceptibles a la propagacin de agentes infecciosos. Es
186
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
un tema controversial en el cual no existe todava consenso acerca de cules son los fenmenos tpicos o relevantes para las situaciones reales.
SIS
un rea naturalmente inspirada en la epidemiologa de las infecciones verdaderas. Digamos que a cada paso de tiempo un nodo susceptible se infecta con probabilidad
nodos infectados se curan y vuelven a ser susceptibles a una tasa . Es decir: S I S . Denamos un parmetro relativo = / y pongamos = 1 en adelante. En redes regulares, as como en grafos random, existe un umbral epidmico mente. Si
c , as c
como en los modelos de campo medio discutidos anteriorla infeccin se propaga y persiste. Si en cambio
< c ,
la
infeccin desaparece exponencialmente. El anlisis de epidemias verdaderas de virus informticos muestra que la densidad de virus tiende a un nivel muy bajo sin desaparecer, afectando a una pequesima fraccin de las computadoras. Esto podra ocurrir si las computadoras tuvieran su
todas
c ,6
SIS
libre de escala de Barabsi-Albert. Inicialmente se infect la mitad de la red, alcanzndose eventualmente un estado estacionario de densidad infectada
existencia de uctuaciones no acotadas en la conectividad de las redes libres 2 de escala (k = ). stas juegan el rol de una conectividad innita, mientras que en cualquier red normal cuanto mayor sea la conectividad, menor ser el umbral. Se puede hacer un clculo de campo medio para describir este resultado, que tiene un valor formativo. Comencemos escribiendo una ecuacin de evolucin para la densidad de nodos infectados con conectividad
k:
(7.53)
k (t) = k + k [1 k (t)](). t k k,
links sea saludable ([1
k (t)])
al nmero de links
(por ahora desconocida). El trmino de prdida, por su parte, es simplemente proporcional a la densidad de nodos infectados (y con
= 1).
El valor esta-
187
10
10
3
10
12
1/
1/
17
22
como funcin de
exp(C/).
cionario de la densidad de estos infectados se encuentra poniendo la derivada temporal igual a cero, con lo cual:
k =
Ahora pasemos a ocuparnos de preferencial), de modo que:
k() . 1 + k()
(7.54)
() =
kP (k )k . s sP (s) k k
y
(7.55)
P (k )k
(7.56)
188
CAPTULO 7.
PROPAGACIN DE ENFERMEDADES
2 e1/m
decir
(7.57)
c = 0.
> 4
se
Es un resultado portador de malas noticias. Se ha mencionado [47, 51] que la red de contactos sexuales humanos parece ser libre de escala con un exponente entre 2 y 3 (resultado basado en una encuesta de varios miles de personas en Suecia). Ambos hechos, juntos, podran signicar que la reduccin de la probabilidad de contagio de una enfermedad de transmisin sexual sera insuciente para erradicarla. En particula, a falta de una vacuna para el SIDA, el HIV alcanzara nalmente a toda la red expuesta. Ambos trabajos ofrecen sin embargo alguna luz de optimismo: una inmunizacin sesgada cuede restablecer el umbral. Est claro que atacar a los (pocos) nodos con conectividad extraordinarimente grande en estas redes es la mejor estrategia. Desafortunadamente estos son prcticamente imposibles de rastrear en la vida real. Sin embargo, se muestra que umbral epidmico
cualquier
apartamiento de la in-
c > 0.
189
190
Alan Turing (1952) propuso que un fenmeno de reaccin-difusin es capaz de generar estructuras espaciales espontneamente, y que este mecanismo podra ser capaz de explicar la organizacin y diferenciacin celular que ocurre durante la morfognesis, en el embrin de los organismos.
(8.1)
A = F (A, B ) + DA 2 A, t B = G(A, B ) + DB 2 B. t
Deca Turing que si, en ausencia de la difusin, heterognea puede formarse si
(8.2) (8.3)
tienden a un equi-
cacin de Turing, o mecanismo de Turing. Como decamos, es un resultado anti-intuitivo, ya que la difusin tiende a uniformizar las concentraciones y destruir las correlaciones espaciales. Por ejemplo, podramos tener un sistema de tipo activador-inhibidor como el de la gura 8.1. Imaginemos que en una regin del espacio hay un exceso de hace que se dispare la produccin de inhibidor, de
A,
A.
B , que tendera a mitigar el aumento de A. Debido a la difusin A, la regin con exceso de A tiende a crecer. Pero si B difunde ms rpido que A, el inhibidor llega ms lejos y puede llegar a contener espacialmente
al activador. Si las condiciones son adecuadas, se forma una estructura estacionaria de activacin e inhibicin. Un mecanismo de este tipo funciona en la retina, donde los fotorreceptores tienen activacin local pero inhibicin lateral. Este hecho hace posible la ilusin ptica que se muestra en la gura 8.1, debido a que las neuronas que reciben luz de las intersecciones blancas reciben tambin ms inhibicin lateral que las iluminadas por las calles. Por esta razn las intersecciones parecen ms oscuras que las calles. Un sistema de este tipo tiene una
(diusion-driven) si el estado estacionario homogneo es estable ante perturgneas si la difusin est presente. Referencias: [1], [52], [53], [54].
191
activador
2
A k
3
inhibidor B
+ ilusin ptica
Figura 8.1: Un sistema de activacin local e inhibicin lateral, producido por diferencia en las difusividades de ambos componentes. En la retina, las neuronas que se activan por la llegada de luz activan a las vecinas pero inhiben a las ms alejadas. Esto explica los puntos oscuros que se ven en las intersecciones de las calles blancas en esta conocida ilusin ptica.
X A BY 2X + Y 3X
para la cual podemos escribir el siguiente modelo de reaccin-difusin:
u = a u + u2 v + DX 2 u, t v = b u2 v + DY 2 v, t
(8.4) (8.5)
192
v,
[ X ] = u, [ Y ] = v , concentraciones de A y B son
tros del sistema. Podemos reescalear y adimensionalizar convenientemente el 2 sistema introduciendo un tamao caracterstico L y haciendo: t = DX t/L y xi = xi /L. En adelante dejamos de lado las primas en las variables para sim2 plicar la notacin. (L /DX es el .) Entonces, dividiendo 2 por DX y multiplicando por L obtenemos:
tiempo de difusin
u = (a u + u2 v ) + 2 u, t v = (b u2 v ) + d2 v, t
donde hemos denido de al
(8.6) (8.7)
tamao
respecto de la
de reaccin respecto de la difusin (porque aparece en los dos trminos de reaccin). Depende, adems, inversamente en la difusividad de Es decir, en general, el sistema es de la forma:
X.
u = f (u, v ) + 2 u, t v = g (u, v ) + d2 v, t
El equilibrio homogneo de este sistema se encuentra fcilmente:
(8.8) (8.9)
f = a u + u2 v = 0, g = b u 2 v = 0, u2 v = b a u + b = 0 u = a + b
Para continuar con el anlisis lineal calculamos las derivadas de
(8.10) (8.11)
(8.12)
g:
b 2b = 1 (a + b)2 a+b
(8.13)
(8.14)
(8.15)
193
gv = u2 = (a + b)2 < 0
con lo cual podemos calcular el determinante del Jacobiano:
(8.16)
Por otro lado, observando las nulclinas en torno al equilibrio en el espacio de fases (o analizando en detalle las derivadas), podemos concluir que las derivadas
fu
fu > 0,
es
gv son de distinto signo, con lo cual, por (8.16), decir b > a . (Ejercicio: Qu pasa si fu < 0?)
y
tenemos que
Entonces, ya tenemos que el equilibrio es una espiral o un nodo. Es estable? Para que lo sea, necesitamos que trJ
= fu + gv < 0,
es decir:
fu + gv =
Y juntando esto con
(8.18)
b>a
(8.19)
En resumen, tenemos una regin en el espacio de parmetros donde el equilibrio homogneo es estable ante perturbaciones homogneas, dado por las relaciones (8.17) y (8.19). Planteamos entonces ahora la solucin del problema extendido linealizado. Se pueden separar variables, de manera que la solucin que proponemos tiene la forma de una superposicin de modos espaciales (por ser lineal) donde cada trmino es un producto de una funcin temporal y espacial (por ser separable). La funcin espacial tiene que satisfacer las condiciones de borde adecuadas (adems de la ecuacin). Es decir, para el problema lineal (de 2 componentes):
w(x, t) = Jw + D2 w t
donde
(8.20)
v ), J
el Jacobiano y
la
w(x, t) =
ck et Wk (x),
(8.21)
194
donde
Wk
(8.23)
= 0):
(8.24)
(I J + Dk 2 ) = 0
2 + [k 2 (1 + d) (fu + gv )] + h(k 2 ) = 0.
(k2 )
(Ya nos ocuparemos de sea
(8.25)
homogneo k = 0
ya
inestable
para
(k 2 ) = 2
k 2 (1 + d) > 0 k = 0, y fu + gv < 0 (ver arriba), con lo que b = k (1 + d) (fu + gv ) > 0. Entonces necesitamos que h(k 2 ) < 0 para algn k . Es decir (ahora ponemos la forma explcita de h):
Pero 2
(8.27)
dk 4 > 0 y det J > 0 (del anlisis lineal), necesitamos que dfu + gv > 0. ba (a + b)2 > 0 d(b a) > (a + b)3 . a+b
2
dfu + gv > 0 d
(8.28)
k 2 (de (8.27)) debe ser lo sucientemente negativo para que h < 0. Como h(k ) es una parbola cncava, podemos imponer que
Pero adems el trmino en su mnimo sea negativo, obteniendo:
(8.29)
195
(8.30)
Las condiciones (8.17), (8.19), (8.28) y (8.30) denen un dominio en el dentro del cual
ciertas
perturbaciones espaciales
alrededor del equilibrio homogneo son inestables. Cules? Las que tengan
k , determinado nmero de onda, que podemos determinar. Este es positivo se puede calcular, obtenindose una expresin de
2 2 F (a, b, d) = k1 k 2 k2 = G(a, b, d)
(8.31)
Volvamos al problema de autovalores del Laplaciano, e impongamos condiciones de borde razonables para tener alguna solucin explcita. Por ejemplo, en un dominio unidimensional de tamao l , digamos que el ujo es nulo hacia afuera:
para
x=0
x=l
(8.32)
( nx ) l
, n = 1, 2, . . .
(8.33)
a Por la forma que tiene (8.32), entonces, si es sucientemente pequeo no hay ningn k disponible en el rango, y ningn modo es inestable. Todos los modos en por
A n = 1.
n . (Recurdese que W tiene dos componentes, de modo l tambin.) Vemos entonces que el k ms pequeo es el que corresponde
k=
w = k tienden a cero exponencialmente y el estado homogneo es estable. Esto muestra la importancia de la cuanticada
escala
.
La solucin espacialmente heterognea que surge de esta inestabilidad es:
w(x, t) =
n2 n1
cn e
( 2 2) t n 2
l
cos
nx , l
(8.34)
196
cn
desarrollo de Fourier de la condicin inicial de la perturbacin o uctuacin. Por la estocasticidad de cualquier situacin plausible, todos los modos de Fourier estn presentes inicialmente, as que todas las algunas van acompaadas de exponenciales crecientes. Por ejemplo, supongamos que de modos inestables. Supongamos que se duplica el tamao del dominio espacial. Esto equivale 2 a multiplicar por 4 (ya que L ), o a conservar el mismo y duplicar el dominio de la gura (agrando
cn = 0.
Pero slo
n = 1 cabe
en el dominio
luego agrando
k,
achico
).
En la relacin
n = 2:
u = f (u, v ) + 2 u, t v = g (u, v ) + d2 v, t
donde
(8.35) (8.36)
d = DB /DA
197
198
u( r, 0), v ( r, 0),
( n )(u, v ) = 0,
para
r }
dominio.
f (u, v ) = 0 g (u, v ) = 0
(u0 , v0 ).
(8.37)
Queremos que este estado sea estable, para que la inestabilidad que encontremos sea puramente debida a la difusin. Planteamos una perturbacin homognea:
( w =
u u0 v v0 (
)
(8.38)
dw = Aw, dt
con
A=
f /u f /v g/u g/v w et
) .
(u0 ,v0 )
(8.39)
I ) = 0
(u0 , v0 ),
trA
Re
< 0,
ocurre si:
detA
(8.44)
que imponen restricciones sobre los parmetros de la parte reactiva. Ahora consideremos una perturbacin de cial. Su evolucin linealizada es con dependencia espa-
w = Aw + D2 w, t
D=
) 1 0 . 0 d
(8.45)
199
Se pueden separar variables, y considerar primero soluciones independientes del tiempo del problema espacial sujeto a las condiciones de contorno:
=0 + k2W 2 W )W =0 ( n r dominio ( n ) x a
(8.46) (8.47)
[0, a]:
(8.48)
W cos
con el autovalor
k = n/a =
nmero de onda.
Las soluciones dependientes del tiempo son superposiciones de las soluciones espaciales permitidas (que son discretas si el dominio es nito):
w ( r , t) =
donde los coecientes iniciales.
k ( ck et W r ),
(8.49)
ck
k = AW k + D 2 W W k Dk 2 W . = AW
Soluciones no triviales de sta requieren: det(I
(8.50) (8.51)
A + Dk 2 ) = 0
(8.52) (8.53)
2 + [k 2 (1 + d) trA] + h(k 2 ) = 0
con
h(k 2 ) = dk 4 (dfu + gv )k 2 + 2 detA. Para que (u0 , v0 ) sea estable frente a perturbaciones k = 0
(para
arbitrarias, se re-
<0
para
k=0
h(k 2 ) < 0
para algn
k = 0. < 0,
y
k 2 (1 +
d) > 0
= k 2 (1 + d) trA > 0.
(8.54)
200
) > 0
es que
h(k 2 ) < 0
para
y como la estabilidad del estado homogneo requiere que detA 2 ciente de k tiene que ser negativo, es decir:
> 0,
el coe-
dfu + gv > 0.
Junto con trA
(8.56)
= fu + gv < 0, d = 1
(y
esto requiere
fu
gv
(8.57)
Esta es una condicin necesaria pero insuciente para Re > 0. Queremos 2 adems que h(k ) < 0 para algn k , de modo que buscamos el mnimo de 2 h(k ): ] [ (dfu + gv )2 2 hmin = detA < 0, (8.58)
4d
2 km =
As que la condicin
dfu gv . 2d
(8.59)
h(k 2 ) < 0
La condicin marginal,
2 2 d2 c fu + 2(2fv gu fu gv )dc + gv = 0.
esto da un nmero de onda crtico:
(8.61)
dc fu + gv 2 kc = = 2dc
detA
dc
fu gv fv gu . dc
(8.62)
201
La funcin la forma:
= (k 2 )
se llama
relacin de dispersin
y tpicamente tiene
modo
de crecimiento mximo
(k 2 ) tiene en w ( r, t):
un mximo, que
w ( r , t)
a
k2 k1
2 k ( ck e(k )t W r)
(8.63)
y de
g,
eventualmente, se encargan de
cero no puede desarrollar estructuras espaciales. Pero una condicin de borde diferente puede ser ms interesante en algunos problemas, en particular si el sistema no est aislado. Consideremos un modelo en una dimensin:
2u u = f (u) + D 2 , t x
con condiciones de borde nulas:
(8.64)
202
que es un modelo ecolgico donde hay dos equilibrios homogneos estables, uno chico y uno grande, separados por uno inestable. Pensemos primero slo en la parte izquierda de este sistema, es decir que
tenga slo el 0 y
u1
correspondiente
u=0
es inestable y
u = u1
es estable, as que
u1 . En el sistema extendido, entonces, si empezamos con u, excepto en los bordes donde u = 0, u(x, t) tratar de crecer. bordes, donde u/x = 0, tenemos prdida de u. As que compiten u = 0:
(8.68)
dos efectos: crecimiento adentro y prdida por los bordes. Linealizamos alrededor de
u(x, 0) = u0 (x). ( nx ) L
(8.69)
u(x, t) =
an e sin
(8.70)
un = f (0)un D = f (0) D
El modo dominante es el de que
( n )2
L ( n )2 L
un ,
(8.71)
.
ms chico
(8.72)
ms grande
n=1
ya
en t < e1 t
n 2.
(8.73)
203
As que si ste tiende a cero, los dems tambin lo hacen. La condicin de estabilidad lineal de
u=0
entonces es:
f (0) D
( n )2 L
Si el tamao del sistema es menor que este tamao crtico, el sistema, ninguna estructura aparece, y el estado do por la difusin. Cuanto ms a
L > Lc ,
que satura por no linealidades. En el sistema con ms equilibrios, aparece un nuevo tamao crtico que podemos ver en el grco de
L0 ,
vs.
um :
Para
L > L0
ms estable que la otra) y una inestable. Si uno quiere controlar una plaga, por ejemplo, para que se estabilice en la solucin menor, basta denir dominios de un tamao
L > Lc
L < L0 ,
204
donde se la extinga. As se evita aparicin de brotes sin malgastar (o abusar) del recurso de extincin (veneno, por ejemplo). La solucin (completa, no lineal) estacionaria es:
u 2u = 0 = f ( u) + D 2 , t x Du + f (u) = 0
Cambiando parecida a (anlogo mecnico que puede resultar til).
(8.75) (8.76)
x x/L Du + L2 f (u) = 0, u(0) = u(1) = 0. un sin x, de modo que u 2 U, D 2 u + L2 f (u) 0, D 2 u f (u). L2 L0 se obtiene grcamente:
La solucin es
205
Puesto que el mecanismo exacto no se conoce, y que el fenmeno es bastante universal, se puede estudiar un modelo como:
u t v t f (u, v ) g (u, v )
= f (u, v ) + 2 u, = g (u, v ) + d2 v,
siempre que la clulas sean pequeas comparadas con la mancha. En el caso del leopardo, hay unas 100 clulas de establece el patrn de una mancha. El dominio, en este caso, debe ser una supercie con condiciones peridicas. Por ejemplo, las manchas de las colas y de las patas pueden resolverse en geometras tipo cono truncado. Las soluciones en estas geometras son: mm en el momento en que se
n,m
con
cn,m e(k
2 )t
cos(n) cos(
m z ), s
(8.85)
k2 =
donde
n2 m2 2 + 2 r2 s
(8.86)
es la longitud y
el radio.
n2 m2 2 2 . + 2 < k2 r2 s Si r es muy chico, todos los modos azimutales con n = 1, 2, . . . del rango, y slo los patrones con n = 0 y m = 0 aparecen:
2 < k2 = k1
206
Esta restriccin geomtrica efectivamente se cumple en los embriones de: Leopardo ( la punta). Genet (
Chita, jaguar (
Cuando se usa el modelo en una geometra correspondiente a un animal completo en la que slo se hace variar la escala, se ve una variedad interesante de coloraciones:
207
Para tamao chico, ningn patrn se forma (como en el caso estudiado). Los animales muy chicos tienden efectivamente a ser de un solo color. Animales muy grandes, en los cuales se forman patrones con
n y m gran-
des, tambin resulta de pelaje uniforme, debido a que la estructura espacial es muy na. La mayor parte de los animales grandes, tambin, son de un solo color. Son interesantes la primera y la segunda bifurcaciones, de las que tambin hay ejemplos conocidos (una cabra de Valais, un oso hormiguero). Animales intermedios tienen distintas manchas. Es destacable que, para un dado conjunto de parmetros, geometra y escala, el dibujo nal depende de las condiciones iniciales, siendo slo cualitativamente similar. Esto tambin se corresponde con la realidad. Asimismo, en animales domsticos, en los que la coloracin puede cumplir un rol distinto del de la supervivencia, o ninguno en absoluto, es de esperar que el patrn no se forme a un tamao exacto del embrin, habiendo entonces ms variedad. Como no existe ningn modelo completamente satisfactorio de la formacin de las manchas, estos modelos de reaccin-difusin sirven, al menos, para imaginar que existe un mecanismo nico que explique la diversidad de los patrones de la piel.
dbilmente no lineal
equilibrio. Se trata de un desarrollo perturbativo, que aprovecha un ingrediente fundamental que ocurre cerca de la bifurcacin: una separacin de distintas escalas, tanto espaciales como temporales. La estructura peridica gobernada por la dinmica lineal constituye una escala pequea. Sobre ella hay montada una deformacin, una envolvente, de escala espacial ms grande y de evolucin ms lenta, gobernada por unas
ecuaciones de amplitud
cuya
estructura es universal. Estas ecuaciones son ms sencillas que la dinmica no lineal completa, pero proveen una explicacin casi completa de todos los fenmenos de no-equilibrio. Esto se maniesta en un acuerdo muy cercano entre las predicciones tericas y los experimentos.
208
lineal
ecuaciones de amplitud
tipo de bifurcacin, es
decir de la inestabilidad lineal, pero no de otros detalles del sistema. De manera que su forma es completamente universal. Slo sus coecientes dependen de los detalles del modelo fsico. La diferencia ms importante corresponde a las bifurcaciones que dan lugar a patrones estacionarios (que dan ecuaciones de amplitud con coecientes reales) o patrones dependientes del tiempo (que dan ecuaciones de amplitud con coecientes complejos).
de amplitud.
ecuaciones
espaciales que hemos mencionado, incluyendo los de reaccin-difusin pero tambin muchos otros, son susceptibles de este tratamiento. (En el libro de Murray hay un modelo mecnico para la formacin de estructuras en la piel, por ejemplo. El tambin mencionado
D. discoideum,
cin en el tejido cardaco, las manchas de las pieles, los ojos compuestos, la estructura interna de la clula. . . ). Hay un review clsico en [54]. El sistema de Rayleigh-Bnard consiste en una lmina de uido con una diferencia de temperatura entre la parte inferior (ms caliente) y la superior (ms fra). Esta diferencia de temperatura produce una diferencia de densidad debido a que el uido de abajo se expande ms que el de arriba. El lquido de abajo, entonces, tiende a otar, lo que se maniesta como una
209
T
fluido
T< T
1
T >T
2
T> T
1
T >T
2
fuerza desestabilizadora (otacin). Al mismo tiempo existe una fuerza estabilizadora: la viscosidad. Si
T < Tc
el calor se disipa por arriba transportado por conduccin trmica. En este estado, las perturbaciones decaen y hay estabilidad lineal. Si
T > Tc
la
viscosidad no alcanza, se produce una inestabilidad del estado de conduccin, y el lquido se empieza a mover para disipar el calor (vase la Figura 8.2). El parmetro de control que conviene usar en este sistema es el
de Rayleigh, que
uido:
nmero
R
Si
R > Rc
estructura de conveccin (ya que el uido no puede subir o bajar todo a la vez!). La estructura ms sencilla est formada por
rollos de conveccin.
Las ecuaciones que describen este sistema son las ecuaciones de NavierStokes, que son muy complicadas de analizar. Pero para las geometras y habituales hay descripciones simplicadas.
po (es decir, aunque el uido se mueve, la estructura de rollos no lo hace). En un sistema innito, o con simetra de rotacin en el plano, el vector de onda del
mo el eje
innitos) para quedarnos con un sistema unidimensional. Adems, digamos que hay simetra
x x
(escrita para un campo escalar representativo del sistema, tal como la temperatura, la densidad, el mdulo de la velocidad, etc.), que en su expresin
210
> 0
kc
< 0
k
Figura 8.3: Relacin de dispersin curtica, correspondiente a la aproximacin de Swift-Hohenberg del problema de Rayleigh-Bnard.
t u(x, y, z, t) = F (u, x u, . . . , R)
tiene soluciones linealizadas tipo modos de Fourier:
es su tasa de crecimiento, y
G(z )
es el modo en la direccin
soluciones en la ecuacin linealizada (por mtodos estndar de anlisis lineal) se encuentra una relacin de dispersin Figura 8.3. En trminos de un parmetro de control reducido: que el comportamiento es distinto segn sea tiguan, y el estado homogneo es estable) de onda alrededor de
(k )
= (R Rc )/R vemos < 0 (todos los modos se amoro > 0 (hay modos con nmeros
kc
Como las ecuaciones hidrodinmicas completas son complicadas, hagamos un modelo sencillo de la situacin. La parte lineal la tomamos directamente de la gura genrica de
(k ),
2 (k ) = D(kc k 2 )2 .
As que la ecuacin puede ser de la forma:
2 2 2 t u = u D(x + kc ) u + trminos
no lineales.
(8.89)
211
x x, tenemos que
(8.90)
2 2 2 t u = u D(x + kc ) u u3 ,
con
> 0.
Reescaleando apropiadamente
podemos desembarazarnos
2 2 2 t u = u (x + kc ) u u3 .
Este es el
T ( r)).
kc
0, 0, y
+
=0
1 2 2 k 2
(k kc )2 + ,
k=kc
(8.92)
de manera que los modos en una bandita de ancho nmero de onda ver que:
alrededor de
kc
son
k (de todos los que van a estar presentes en A(x, t)) podemos eikx = ei(kkc +kc )x = ei(kkc )x eikc x , k kc 1, el comportamiento
(8.93) es
y entonces, como
eikx
lento
(k
1 .
t u = 0 = ( L2 u2 )u u2 = L2 u 1/2
ya que
(8.94)
L2 0
cerca de
kc
1. u .
para
212
Con estas observaciones, podemos plantear la forma que esperamos que tengan las soluciones del sistema completo, separando las dos escalas:
de orden superior y
X = 1/2 x
T = t,
de modo que
t = T X
podemos interpretar que en esta ltima expresin exclusivamente sobre la escala espacial chica y que la
A(X, T ) es la ampli-
tud para la cual queremos la ecuacin. Proponemos una solucin perturbativa en potencias de
:
(8.95)
3/2
sistema de ecuaciones cerradas para las amplitudes. Ahora desarrollamos la ecuacin diferencial hasta el orden Miembro de la izquierda:
3/2.
t u T u 3/2 T A0 .
Miembro de la derecha:
(8.96)
u 3/2 A0 ,
}
fciles! (8.97)
u3 3/2 (A0 )3 ,
Miembro de la derecha, parte complicada:
[ ] 2 2 2 2 2 (x + kc ) u = (x + 1/2 X )2 + kc u.
Veamos de a poco. Como hasta orden
(8.98)
es al menos
: [ ]2 =
1/2 ,
[ ]2
] [ 2 2 2 2 + 21/2 x X + X x + kc ] [ 2 2 L + 21/2 x X + X
2 2 2 L2 + 41/2 Lx X + 4x X + 2LX
ms trminos de orden
3/2
y superiores.
x [ f (X (x))g (x)] = g (x)x f (X (x)) + f (X ( x))x g (x) = g (x)x X (x)X f (X ) + f (X )x g (x) = X f (X )g (x) + x f (X )g (x) = (x + X )[f (X )g (x)]
Porque
. OK?
213
[ ]2 sobre 3/2 :
el desarrollo de
[ ]2 u = 1/2 A0 L2 [ ] + 4X A0 Lx + B0 L2 [ 2 ] 2 2 + 3/2 4X A0 x + 2X A0 L + 4X B0 Lx + C0 L2 .
orden:
(8.102)
o(1/2 ):
con A0 indeterminado cuya solucin 0 a este orden, apareciendo slo como una constante de integracin arbitraria. Seguimos adelante:
(8.103)
o(): 4X A0 Lx + B0 L2 = 0.
Pero (8.104)
L = 0,
luego
ikc x 0 eikc x + B 0 B0 L2 = 0 B0 = B e ,
donde tambin
(8.105)
B0
2 2 T A0 = A0 (A0 )3 4X A0 x 2 2X A0 L 4X B0 Lx C0 L2 , =0 =0
(8.106)
donde un par de trminos se anulan por la accin del operador lineal sobre 2 2 la parte lineal de la solucin. Adems, por (8.103) x = kc el 3er 2 2 2 trmino queda 4X A0 x = 4kc X A0 . Y el trmino cbico de (8.106) puede escribirse como:
(8.107)
que no haban aparecido antes, as que 2 deben ser cancelados con el nico trmino que queda, el C0 L . Pero por otro 2 ikc x lado C0 L no puede tener trminos con e (porque se los aniquilara el ecuaciones:
e3ikc x
L). As que, agrupando los trminos con los distintos armnicos, tenemos dos
2 2 A0 X T A0 = A0 3|A0 |2 A0 + 4kc 3ikc x 3 0 = e3ikc x A3 A0 C0 L2 . 0+e
(8.108) (8.109)
214
La segunda determina (x), y como esta funcin da una contribucin de 3/2 orden en u, no la consideramos. La primera ecuacin puede separarse ikc x en dos ecuaciones, segn e , que son conjugadas entre s, as que basta considerar slo una de ellas:
2 2 T A0 = A0 3|A0 |2 A0 + 4kc X A0 ,
que volviendo a las variables originales es:
(8.110)
2 2 t A0 = A0 3|A0 |2 A0 + 4kc x A0 ,
y nalmente haciendo un pequeo cambio (x espacial con respecto al nmero de onda
(8.111)
2 t A = A |A|2 A + x A.
Esta es la ecuacin para la amplitud que modula el comportamiento lineal de los rollos. Coincidentemente es la misma ecuacin que Ginzburg y Landau propusieron fenomenolgicamente para la densidad de portadores en un superconductor en ausencia de campo magntico, y se la llama entonces
transiciones de fase alejadas del equilibrio por Alan Newell a nes de los setentas. Ntese que la amplitud
real
porque sus coecientes son reales, y para diferenciarla de la ecuacin que se obtiene cuando la inestabilidad lineal es dependiente del tiempo (tipo ondas viajeras en lugar de un son complejos:
pattern
(8.113)
phase winding
kc
(segn
q<0
q > 0).
215
Para estas soluciones puede hacerse un anlisis de estabilidad lineal completamente estndar, obteniendo las condiciones de estabilidad de las soluciones de fase enroscada. Cuando stas se vuelven inestables, tenemos una
inestbilidad secundaria del problema original, ya que se trata de la inestabilidad de soluciones que aparecieron a partir de una inestabilidad de la solucin homognea del sistema. Esta inestabilidad hace que los patrones se vuelvan ms y ms complicados, tal como se observa en los experimentos. Para la ecuacin real de GL, esta inestabilidad se llama
inestabilidad de Eckhaus.
q=0
pitchfork a partir del estado con Las soluciones de fase enroscada aparecene mediante una bifurcacin tipo A = 0 en un valor crtico de q = q 2 . Si estas soluciones
> q
Aq
|q |
no sea demasiado
grande. Si el nmero de onda es muy grande (rollos anchos) la inestabilidad de Eckhaus se encarga de partirlo (en tres!). Tambin si los rollos son muy estrechos (q muy negativo) se vuelven inestables, y tres se juntan en uno. La diferencia de fase entre dos puntos a lo largo del eje
x es el nmero de rollos.
Ahora bien, cuando el nmero de rollos cambia en en un nmero discreo, el nmero de vueltas de la fase tambin lo hace, y la fase cambia de manera discontnua. Pero
se anule, de manera
2 .
slip
(que es en general suave) se anula. En dos dimensiones hay otra inestabilidad parecida, que se llama los reconecta en direcciones diagonales.
zig-zag,
en la que los rollos se deforman lateralmente y un inestabilidad secundaria El problema de encontrar soluciones a la ecuacin de Ginzburg-Landau es en general muy complicado, y la mayora de las veces se recurre a mtodos numricos de solucin.
216
217
218
Los fenmenos colectivos observados en microorganismos como organizados por ondas de cyclic-AMP.
Dictios-
Muchas veces, el comportamiento peridico ocurre no en el tiempo sino en el espacio, dando lugar a la formacin de estructuras espaciales peridicas ms o menos complejas. Un campo donde es fcil imaginar estos fenmenos es en el desarrollo embrionario, en el que se forman estructuras que dan lugar a los diversos rganos a partir de una masa de clulas indiferenciadas.
9.1. Bifurcaciones
Las bifurcaciones son fenmenos crticos en sistemas dinmicos, en los que se crean, destruyen, o cambian de estabilidad los puntos jos, al cambiar un parmetro llamado pueden observarse fenmenos similares en rbitas cclicas (en lugar de puntos jos). Es decir, con un parmetro se puede, por ejemplo, encender y apagar las oscilaciones de un sistema. Repasaremos brevemente las tres bifurcaciones tpicas de los sistemas unidimensionales, analizando luego las que involucran ciclos, que son de particular inters para el resto del curso.
9.1. BIFURCACIONES
219
Saddle-node
Es el prototipo de creacin-destruccin de puntos jos. La forma cannica de esta bifurcacin en dos dimensiones es el sistema:
x = x2 , y = y.
(9.1a) (9.1b)
"fantasma"
>0
Vemos que, al achicarse unen cuando
=0
,
<0
= 0,
< 0.
Es de destacar que
en esta situacin, aun cuando los nodos ya no existen, persiste un fantasma que demora el ujo. El tiempo que el sistema pasa en este cuello de botella en general crece como
( c )1/2 .
(9.2)
x = f (x, y ) y = g (x, y ),
de manera que el ujo es de la forma
(9.3a) (9.3b)
f=0
g=0
220
Los puntos jos ocurren en la interseccin de las nulclinas. A medida que se cambia el parmetro de control relevante, las nulclinas se empiezan a alejar, se hacen tangentes cuando funciones
= c ,
g,
son as localmente.
Transcrticas y diapasn
Transcrtica:
x = x x2 y = y
Pitchfork supercrtica:
(9.4a) (9.4b)
x = x x3 y = y
Pitchfork subcrtica:
(9.5a) (9.5b)
x = x + x3 y = y
(9.6a) (9.6b)
<0
=0
>0
9.1. BIFURCACIONES
221
chocar con otro punto jo. Esto est asociado con que, en dos dimensiones, los autovalores del jacobiano tienen dos alternativas si un punto jo es estable:
Im
Im
1 1 2
Re Re
2
Dos reales (distintos) negativos
Para desestabilizar el punto jo necesitamos que al menos uno de los autovalores cruce el eje imaginario, pasando al semiplano de parte real positiva, al variar el parmetro de control. Si se trata de un autovalor real (como en la gura de la izquierda), pasa necesariamente por bifurcacin saddle-node, o transcrtica, o pitchfork. La alternativa de la derecha corresponde a autovalores con parte imaginaria distinta de cero (conjugados en 2D), que pasan por el eje imaginario simultnemante, convirtiendo una espiral estable en inestable. Esta situacin corresponde a un sistema con oscilaciones amortiguadas, en las que la tasa de decaimiento de las oscilaciones depende de
= 0,
y tenemos una
Variando
autovalores se acerquen al eje imaginario, el decaimiento de las oscilaciones se hace cada vez ms lento, hasta que se convierte en un
crecimiento cuando
el punto jo pierde su estabilidad. Alrededor del punto jo inestable puede formarse un ciclo estable que atrae las oscilaciones crecientes. Este es el caso de las bifurcaciones de Hopf supercrticas.
< c > c
222
r = r r3 = + br2
El parmetro trola la estabilidad del origen. El parmetro
(9.7a) (9.7b)
, multiplicando el trmino positivo en la ecuacin radial, con es la frecuencia de pequeas oscilaciones alrededor del origen. El parmetro b maniesta la dependecia de
la frecuencia en la amplitud, que caracteriza a estos osciladores no lineales y los diferencia de los osciladores lineales.
<0
>0
Para ver el rol de los autovalores en esta bifurcacin, como razonbamos = r cos , r2 =
sin x =r cos r = (r r3 ) cos r( + br2 ) sin = ( r2 )r cos ( + br2 )r sin = ( [x2 + y 2 ])x ( + b[x2 + y 2 ])y = x y + trminos cbicos y = y + y + trminos cbicos
El Jacobiano en el origen es:
( A=
donde vemos que
) 1,2 = i
(9.9)
= c = 0.
Las bifurcaciones de Hopf tienen las siguientes propiedades generales: La amplitud crece contnuamente desde cero,
c .
9.1. BIFURCACIONES
223
La frecuencia es cerca de
c .
El
c .
Hopf subcrtica
La variedad subcrtica de las bifuraciones de Hopf es ms dramtica que la supercrtica (y a veces ms peligrosa) ya que es de primer orden: al desestabilizarse el punto jo, las trayectorias saltan a un atractor lejano:
r = r + r3 r5 = + br2 .
Obsrvese que el trmino en tabilizacin del punto jo.
(9.10a) (9.10b)
r3
<0
>0
Este sistema tiene histresis, caracterstica de las transiciones de primer orden. Una vez que el sistema salt al ciclo grande, no se lo puede volver a traer al origen achicando su vecindario. Recin con origen. Este tipo de bifurcacin ocurre en la dinmica de las neuronas, en vibraciones de las alas de los aviones, y en el ujo de uidos (el sistema de Lorenz, por ejemplo, sufre una bifurcacin de Hopf subcrtica poco antes del caos). Nota: existe una bifurcacin de Hopf degenerada (sin ciclo lmite), por ejmplo en el sistema
, porque el ciclo grande es estable y atrae a = 1/4, cuando los ciclos estable e inestable
colisionan y se aniquilan en un
fold
x + x + sin x = 0.
224
el otro inestable, anlogamente a lo que ocurre con los puntos jos en una bifurcacin saddle-node. Un ejemplo es el siguiente sistema (que tambin tiene una bifurcacin de Hopf subcrtica):
r = r + r3 r5 = + br2
con
(9.11a) (9.11b)
< 0. Si miramos la ecuacin radial como sistema unidimensional, vemos que tienen una bifurcacin saddle-node cuando = c = 1/4. Estos dos puntos jos, en 2D, corresponden a dos ciclos circulares (r = 0). Notemos que, al nacer, la amplitud del ciclo es O (1), en lugar de O ( c )
como en una bifurcacin de Hopf. En coordenadas cartesianas es:
x = r cos ,
y = r sin
225
r = x y r r = y + x r
(9.12) (9.13)
Otras bifurcaciones globales son: la bifurcacin de perodo innito (un ciclo con una parte que se hace lenta y nalmente se parte en dos puntos = sin , > 0), y la bifurcacin homoclnica jos: r = r(1 r2 ), (colisin de un ciclo con una ensilladura: x = y, y = y + x x2 + xy ). Para todas ellas conviene conocer las leyes de escaleo de la amplitud y del perodo, ya que pueden servir para distinguirlas en experimentos (o en simulaciones complicadas) y proponer modelos sencillos (modelos de juguete).
1 Amplitud
Hopf supercrtica Saddle-node de ciclos Perodo innito Homoclnica
Perodo
En ms dimensiones todas ellas pueden aparecer, solas o combinadas con otras. La homocnica se vuelve particularmente interesante, ya que suele ir acompaada por caos (como en el caso del sistema de Lorenz).
226
Figura 9.3: Bifurcacin de un ciclo homoclnico. Obsrvese la variedad inestable que sale del origen hacia arriba y la derecha: en (c) vemos que regresa al origen (rbita homoclnica), mientras que en (a) y en (d) se va hacia un lado o hacia el otro. En (b) vemos que el ciclo lmite se agranda hasta tocar el origen cuando
= c ,
el punto de la bifurcacin.
un comportamiento peridico en su sntesis. La sntesis de las protenas es un proceso regulado por un mecanismo de retroalimentacin. Este fenmeno fue estudiado por Monod y Jacob en los `60, trabajo que les valiera el premio Nobel, y que puede leerse de modo divulgativo en El azar y la necesidad [15]. Un posible mecanismo de control es aqul en el cual un metabolito reprime a la enzima que lo produce:
(M)
(E)
DNA
mRNA
represin
Enzima
Substrato Producto
(P)
227
La represin ocurre, por ejemplo, al ligarse el producto al ADN o a un precursor de la transcripcin (como en el caso de la
-lactosa
estudiada por
Monod). Una formulacin matemtica de este modelo sera la del modelo de Goodwin (1965), que es uno de los favoritos hasta hoy en da para modelar los ritmos circadianos:
dM V aM = dt K + Pm dE = bM cE dt dP = dE eP dt
Los trminos negativos corresponden a la degradacin natural de las substancias por motivos metablicos, mientras que los positivos corresponden a su produccin. El DNA se supone una fuente externa, de manera que no modelamos su dinmica. Obsrvese que el nico trmino no lineal es el de produccin de mRNA, sobre el que acta la represin ejercida por el producto. La forma de este trmino es puramente emprica:
m = 2 m= 3 m = 8
P
El problema de este modelo es que el estado estacionario presenta oscilaciones slo para valores de
anormalmente grandes,
m > 8.
dP eP = dE , dt k+P
(9.15)
228
es decir una degradacin del producto que se satura por presencia del mismo. Este modelo modicado tiene oscilaciones para modelos ms generales. Por ejemplo:
m = 2.
ki > 0, f (u) > 0. f (u) creciente retroalimentacin positiva (como en el genetic f (u) decreciente retroalimentacin negativa (inhibicin).
Los equilibrios de este sistema son: no lineal
switch).
f (un ) = k1 k2 . . . kn un un1 = kn un u1 = k 2 k 3 . . . k n un
u2 f(u2) - k1 u1 = 0 u1 - k2 2 = 0
Aunque en
u2 u1 = k2 u2 f(u2) = k1 k2 u2
d > 2
siendo una condicin necesaria, para la existencia de soluciones cclicas, la existencia de un nodo o una espiral inestables alrededor del cual exista un u < 0 para u A con n la conjunto acotado A con ujo entrante: n d dt normal exterior de A.
229
d = 2:
(9.18a) (9.18b)
u2 U2
^ n
^ n
^ n
^ n
U1 u1
d u dt d u u2 = 0 : n dt d u u1 = U1 : n dt d u u2 = U2 : n dt u1 = 0 : n
con
a determinarse. Entonces hacemos: f (0) f (u2 ) , u2 [0, U2 ] U1 > (f es decreciente). Ec. (9.19c) U1 > k1 k1 U1 u1 , u1 [0, U1 ] U2 > . Ec. (9.19d) U2 > k2 k2 (Es decir, dadas
U1
U2
k1 ,
doy
U1 .
Dada
U1
k2 ,
doy
U2 .) u 1 = k2 u 2
y
f (u2 ) = k1 k2 u2
pertenece a
A.
EJERCICIO: Los autovalores alrededor de este equilibrio son ambos negativos, por lo tanto el equilibrio es siempre estable y no hay ciclos.
230
U1 >
y se encuentra que
alcanza la inestabilidad del equilibrio para garantizar la existencia de un ciclo. En el ejercico estudiamos uno de estos sistemas. EJERCICIO: Sea el sistema:
(9.21a)
m>8
los
ciclos son posibles. (a) puede hacerse analticamente, usando las condiciones de Routh-Hurwitz para la Re.
9.2.1. Comportamiento cualitativo usando las nulclinas 9.2.2. Determinacin del dominio de oscilaciones
En 2 dimensiones los ciclos lmite pueden existir en sistemas que tengan reacciones por lo menos tri-moleculares (a alguien se le ocurre una explicacin?). Bioqumicamente, esta situacin es un poco irreal, ya que la reacciones qumicas de tres molculas simultneas son muy raras, si no imposibles. Sin embargo, sistemas complicados y realistas pueden ser reducidos a modelos as, tri-moleculares, mediante simplicaciones, de manera que tienen su inters analtico. El sistema ms sencillo de este tipo es el siguiente (modelo de Schnackenberg, ya visto en la seccin bifurcaciones de Turing):
k1 k1
(9.22a)
2 B Y
(9.22b) (9.22c)
2X + Y 3X
que da lugar al siguiente sistema adimensional:
k3
du = a u + u2 v f (u, v ) dt dv = b u2 v g (u, v ) dt
(9.23a) (9.23b)
231
donde
u = [X ], v = [Y ], a, b > 0.
Puede demostrarse que existe un conjunto connado alrededor del equilibrio (lo supondremos), por lo tanto existen ciclos si el equilibrio es inestable. Determinar el rango de
til, y en este caso es tambin muy fcil. Lo haremos de dos maneras, una directa y otra paramtrica de aplicacin ms general, til cuando la manera directa es insoluble. De todos modos, en general, se trata de una tarea que no se puede resolver analticamente excepto en las reacciones ms sencillas.
Mtodo directo
Equilibrio:
f (u0 , v0 ) = a u0 + u2 0 v0 = 0 2 g (u0 , v0 ) = b u0 v0 = 0 u2 0 v0 = b en f = 0 : v0 =
Estabilidad:
(9.24a) (9.24b)
a u0 + b = 0 u0 = a + b b b v0 = 2 u0 (a + b)2 ) = (
b 1 + a2 (a + b)2 +b 2b a+b (a + b)2
(9.25)
(9.26)
A=
fu fv gu gv
) =
1 + 2u0 v0 u2 0 2u0 v0 u2 0
)
(9.27)
trA = fu +gv =
232
detA
= fu gv fv gu =
trA
=0
(9.30)
Como se ve, hay que resolver una cbica, lo cual es posible pero tedioso. Veamos el mtodo paramtrico.
Mtodo paramtrico
Consideremos a
u0
u0
v0
u0
y busco
v0 (u0 ).
, y determinamos
como funciones de
u0 .
De (9.25): (9.31)
b = u0 a
Y de (9.24b):
b = v0 u 2 0
Por lo tanto:
(9.32)
v0 =
Entonces:
u0 a u2 0 )
por (9.33)
(9.33)
( A=
1 + 2u0 v0 u2 0 2u0 v0 u2 0
) =
2a 1 u u2 0 0 2a 2 2 u u 0 0
(9.34)
siempre
(9.35)
tr A = 1
Ahora, de (9.31):
(9.36)
b = u0 a b >u0
(9.37)
233
Es decir:
b>
u0 (u2 0 + 1) 2 u0 > 0
tengo pares
(9.38)
Vemos entonces que (9.36) y (9.38) denen la frontera de la regin de oscilaciones de manera paramtrica. Es decir,
(a, b)
en
a b - a = (b+a) 3
-1/2 3
oscilaciones 1 b
En general, el requerimiento
det A > 0
det A > 0
tr A > 0.
EJERCICIO: (Murray, Ej. 6.6) Sea el sistema
activador-inhibidor :
(9.39a) (9.39b) y
du u2 = a bu + dt v dv = u2 v dt
con
de estabilidad. Existe un conjunto connado? Muestre que la regin donde hay oscilaciones est acotada por la curva b = 2/(1 a) 1. u2 2 Modicacin: Reemplazar u /v por (inhibicin por u) (k > 0). v (1ku2 ) Dibuje las nulclinas. Muestre que la regin de oscilaciones est denida por:
2 1 u0 (1 + ku2 )2 2 1 a= u0 2 2 (1 + ku ) 1 + ku2 0 b=
y dibuje. Indique cmo cambia este dominio con EJERCICIO: (Strogatz, Ex. 7.3.2) Gliclisis:
(9.40a)
(9.40b)
k.
(9.41a) (9.41b)
x = x + ay + x2 y y = b ay x2 y
EJERCICIO: (Murray, Ej. 6.1+6.5) Brusselador.
234
Esta reaccin, de oxidacin del cido ctrico por bromato, fue descubierta por el qumico ruso Belousov en 1951, y descripta en un paper rechazado por el editor. Belousov estaba intentando recrear, en un modelo de laboratorio, el ciclo de Krebs del metabolismo celular. Mezcl cido ctrico e iones de bromato en cido sulfrico, en presencia de Ce como catalizador, y observ asombrado que la mezcla cambiaba de clor de manera cclica durante ms de una hora. Le rechazaron varias veces su artculo, y pudo apenas publicar un resumen en una conferencia de medicina en la URSS. Recin en 1961 Zhabotinskii, quien era estudiante de grado, descubri la notita de Belousov, recre la experiencia, y la present en una conferencia internacional en Praga, en una de las pocas oportunidades en que se encontraron los cientcos de uno y otro lado de la Cortina de Hierro durante los aos de la Guerra Fra.
el
prenden en detalle prcticamente todas las reacciones involucradas, as como gran parte de diversos fenmenos espacio-temporales que exhibe. Nosotros estudiaremos aqu uno de los modelos cualitativos desarrollados para su estudio, y analizaremos su comportamiento temporal. En la segunda parte del curso vern algunos de los comportamientos espacialmente extendidos.
El mecanismo bsico de la reaccin consiste en la oxidacin del cido malnico, en un medio cido, por iones de bromato (BrO3 ), y catalizada 3+ 4+ por cerio, el cual tiene dos estados de oxidacin: Ce y Ce . Se observan oscilaciones peridicas sostenidas en la concentracin de cerio. Usando otros iones metlicos como tintura se observan dramticos cambios de color en la solucin.
(Pelcula)
235
La reaccin tiene bsicamente dos partes, cnvencionalmente denomina das I y II, determinadas por la concentracin de Br . Cuando [Br ] es alta, domina la parte I de la reaccin, en la cual el Br se consume, y el cerio es 3+ principalmente Ce . Al alcanzarse un umbral en la [Br ], sta cae rpidamente a un nivel mucho ms bajo, y el proceso II pasa a dominar. Durante 3+ 4+ esta etapa, el Ce se convierte en Ce , el cual reacciona para producir Br revirtindose al estado Ce3+ . Entonces aumenta la [Br ], y cuando es sucientemente grande, vuleve a dominar la fase I. La variacin rpida de una de las concentraciones, en este caso la del bromato, es caracterstica de los ciclo se recorre mucho ms rpido que el resto. Este comportamiento sugiere una tcnica analtica que veremos en breve. El anlisis qumico permite identicar ms de 20 reacciones elementales, de las cuales la mayora son muy rpidas y se pueden eliminar del anlisis, reteniendo cinco reacciones clave, con valores conocidos de las constantes de reaccin, que capturan la esencia del fenmeno. Estas cinco reacciones involucran tres substancias con concentracin variable, y dos ms con concentracin constante. Este modelo de la reaccin de Belousov-Zhabotinskii se conoce como
osciladores de ralajacin, que son osciladores en los cuales una parte del
X: Y : Z: A: P :
236
}
proceso I (9.43a)
k3 A+X 2X + 2Z k4 2X A+P k5 Z fY
parmetros. Por ejemplo, si oscilaciones.
X +Y 2P
k2
proceso II
(9.43b)
k5 = 0
el bromuro
d[I2 ] k1a [M A][I2 ] = dt k1b + [I2 ] d[ClO2 ] = k2 [ClO2 ][I ] dt [I ] ] d[ClO2 = k3a [ClO2 ][I ][H + ] k3b [ClO2 ][I2 ] dt u + [I ]2
(9.45a)
(9.45b)
(9.45c)
Este sistema se puede integrar numricamente, y tiene oscilaciones como las observadas en los experimentos. Pero es todava un poco complicado para el anlisis. Para simplicarlo, los autores usaron una observacin hecha en las simulaciones: tres de las concentraciones ([M A], bian
[I2 ]
237
a las sustancias lentas con constantes. El modelo as simplicado, una vez adimensionalizado, es:
[I ] :
[ClO2 ]:
donde
4xy x =ax 1 + x2 ) ( y y = bx 1 1 + x2
(9.46a)
(9.46b)
Nulclinas
a, b > 0
dx/dt = 0 dy/dt = 0
La regin sealada por lnea de trazos atrapa el ujo, segn indican las echas. En su interior hay un punto jo:
x = a/5 y = 1 + (x )2 = 1 + (a/5)2
(9.47a) (9.47b)
Para aplicar el Teorema de Poincar-Bendixson y mostrar que hay un ciclo, debemos ver que el punto jo sea un repulsor (as podemos recortarlo de la regin de atrapamiento). El Jacobiano en (x , y ) es:
1 A= 1 + (x )2
3(x )2 5 4x 2b(x )2 bx
)
(9.48)
238
det A =
5bx >0 1 + (x )2
(9.49)
3(x )2 5 bx tr A = 1 + (x )2
es un repulsor sii
relacin, aplicamos el Teorema y conclumos que existe una rbita cerrada dentro de la regin de atrapamiento. EJERCICIO: Integrar numricamente el sistema y observar la bifurcacin de Hopf. La frecuencia de las oscilaciones para autovalores:
bc
2 tr A + det A = 0 = i det A. En bc :
(=0) (>0)
b = bc
(9.51)
( ) (a) 5 35a 25 5bc x 15a2 625 a 5 det A = = = 1 + (x )2 1 + (a/5)2 a2 + 25 det A T 2 a2 + 25 2 1,63 2 15a 625 a 15
(9.52)
(9.53)
stick-slip
de la cuerda
fuertemente no
(9.54)
239
d x + x (x 1) = dt
2
Denimos:
x3 x + x 3
])
(9.55)
1 F (x) = x3 x 3 =x + F (x)
con lo que van der Pol se escribe:
(9.56)
(9.57)
=x + x (x2 1) = x
Reescribimos esta como:
(9.58)
x = F (x) = x
de (9.57) de (9.58)
(9.59a) (9.59b)
Ahora, hacemos un ltimo cambio de variables para poner de maniesto el rol que juega
: y=
(9.60)
x = [y F (x)] 1 y = x
(9.61a) (9.61b)
donde vemos que las dos variables obedecen a ecuaciones que tienen rdenes temporales muy distintos, ya que
1. (x, y )
son
240
y D lento rpido
lento x
rpido
y F (x) O(1).
trayectoria casi horizontal, para un lado o para el otro,
hacia
la nulclina
t O(1/)
El perodo
t O(),
x(t):
T 2
En las ramas lentas:
tB
dt
tA
(9.62)
y F ( x) dy dx dx F ( x) = (x2 1) dt dt dt
(por 9.61b) (9.63)
Y como
dy x = dt
dx x = dt (x2 1)
(9.64)
241
dt =
Es fcil vericar que
(x2 1) dx x xa = 2
y
(9.65)
xB = 1 ( x2 ln x 2
2
T 2
2
que es
(x2 1) dx = 2 x
= (3 2 ln 2) 1,6
1
(9.66)
O(),
y
como esperbamos.
1,
xA = 2
x B = 1. ClO2 I2 M A para b 1
(9.67)
Vemos que los dos primeros trminos constituyen un oscilador lineal. La parte no lineal est dada por una funcin est multiplicado por un parmetro de intensidad oscilador de relajacin visto anteriormente. (x
+ x + (x2 1)x = 0)
Son ejemplos de esta clase de osciladores el oscilador de van der Pol y el oscilador de Dung (x + x + x3 = 0). El anlisis que haremos va a explotar el hecho de que el oscilador est
cerca de un oscilador armnico simple. Veremos que, al igual que en el oscilador de relajacin, existen dos escalas de tiempo, pero actan a la vez y no en secuencia. Para ver las dicultades de este tipo de problema vamos a intentar primero una tcnica que parece sensata, pero que fracasa estrepitosamente. Ya que
242
x + 2x + x = 0,
con condiciones iniciales:
(9.68)
x(0) = 0, x (0) = 1.
Siendo un oscilador lineal, conocemos su solucin exacta:
(9.69a) (9.69b)
x(t, ) =
1 et sin( 1 2 t). 1 2
(9.70)
x = x0 + x1 + 2 x2 . . .
en
(9.71)
:
(9.72)
( x0 + x0 ) + ( x1 + 2x 0 + x1 ) + o(2 ) = 0.
La expresin (9.72) debe valer
es
armnico)
Vemos que el primer orden nos dice que el primer orden de la solucin es la solucin de un oscilador armnico. Usamos las condiciones iniciales:
x(0) = 0 = x0 (0) + x1 (0) + x0 (0) = 0 x1 (0) = 0 x (0) = 1 = x 0 (0) + x 1 (0) + x 0 (0) = 1 x 1 (0) = 0
Ahora resolvemos orden por orden:
(9.74)
(9.75)
243
3 2 1
exacta
0 -1 -2 -3
perturbativa
10
20
30
40
50
Figura 9.4: Solucin exacta del oscilador lineal amortiguado (lnea gruesa) y solucin perturbativa (lnea delgada), con
= 0,1.
o(1):
(9.76)
x 1 + x1 = 2x 0 = 2 cos t
sonancia:
(9.77)
La presencia de una fuerza armnica nos dice que debemos esperar una re-
x1 (t) = t sin t,
que nos da una amplitud que crece ilimitadamente! En denitiva:
(9.78)
(9.79)
convergente. Es decir,
t, (9.79) es una buena aproximacin para un sucientemente 2 2 chico (t 1 de modo que o( t ) sea despreciable). El problema es que a uno le interesa, en cambio, jo, no t jo! En tal caso, la aproximacin funcionara bien para todo t o(1/). Obsrvese la gura 9.4.
Identiquemos los problemas asociados con este fracaso.
Problema 1.
rpida
t o(1)
una
en la exponencial
244
decreciente que modula la amplitud. La solucin perturbativa representa incorrectamente la escala lenta. De hecho, sugiere que la amplitud crece en una t escala t o(1). La causa de esto es el desarrollo e = 1 t + o(2 t2 ), que a orden
parece
ningn problema: todo se corrige agregando todos los trminos del desarrollo, ya que es convergente. Desde un punto de vista prctico, sin embargo, esto no nos sirve de nada, ya que lo que buscamos es una solucin que funcione bien con unos pocos trminos. diere de
1 2 1 1/22 ,
que
signicativa en una escala de tiempo adicional, gura 9.4 que alrededor de estn en oposicin de fase debido a esto.)
mltiples
= t, T = t,
Y las consideraremos como si fueran para discutirlo.
o(1) o()
(9.80) (9.81)
a la que le repugna hacer esto, pero en n, funciona, y no es ste el lugar Desarrollamos la solucin en potencias de
x(t, ) = x0 (, T ) + x1 (, T ) + o(2 ).
Calculamos las derivadas con la Regla de la Cadena:
x =
ya que
x x T x x dx = + = + dt T T x
es
(9.83)
la escala
T = . T.
o(1)
en la escala
o()
en
(9.84)
245
x = x0 + ( x1 + 2T x0 ) + o(2 ).
lador amortiguado
(9.85)
x0 + ( x1 + 2T x0 ) + 2 x0 + x0 + x1 + o(2 ) = 0.
Juntando los rdenes de
:
(9.87a) escalas (9.87b)
x0 = A sin + B cos ,
donde
(9.88)
a determinar.
Aparte:
x1 + x1 = 2(T x0 + x0 ) = 2[A cos B sin + A cos B sin ] = 2(A + A) cos + 2(B + B ) sin
fuerza resonante, que dar lugar a trminos seculares de tipo
(9.89)
sin ,
que
A(0)
variacin de
B (0) las obtenemos de las condiciones iniciales. A y de B es una exponencial en la escala lenta. x(0) = 0 = x0 (0, 0) + x1 (0, 0) + o(2 )
246
1.0
0.5
exacta
0.0
-0.5
perturbativa
-1.0
10
15
20
t
Figura 9.5: Solucin exacta del oscilador lineal amortiguado (lnea gruesa roja) y solucin de dos tiempos (lnea delgada negra). Notar que la escala es distinta para que se aprecien las dos soluciones, que son muy parecidas aunque el parmetro bastante grande (
= 0,2).
(9.93) (9.94)
x0 (0, 0) = 0 x1 (0, 0) = 0
Adems:
x (0) = 1 = x0 (0, 0) + (T x0 (0, 0) + x1 (0, 0)) + o(2 ) x0 (0, 0) = 1 T x0 (0, 0) + x1 (0, 0) = 0 } B (0) = 0 B (T ) = 0
(9.95)
(9.96) (9.97)
De:
(9.98)
De:
(9.99)
Por lo tanto:
(9.100)
247
Y nalmente:
Si queremos ir al orden siguiente hay que resolver x1 , o introducir una T = 2 t, que nos dar el corrimiento en fre-
cuencia, que ocurre en esa escala temporal. Pero el grco de la gura 9.5 muestra la excelente aproximacin a este orden.
x + x + (x2 1)x = 0.
de las Ecs. (9.87a,9.87b):
(9.102)
(9.103) (9.104)
(9.105) (9.106)
(9.107)
(9.108)
248
1 2r + r r3 = 0 4 2r = 0
Primero, de (9.109):
(9.109) (9.110)
1 r = r(4 r2 ) 2
T
r = 0 r = 2 }
inestable estable
(9.111)
x0 (, T ) 2 cos( + 0 )
(9.112)
(9.113)
2 + o() = t + (T ),
con
Para la frecuencia llamemos al argumento del coseno: los cual la frecuencia angular es:
d d dT =1+ = 1 + = 1 + o(2 ) . dt dT dt
(9.114)
Como dijimos antes (en el ejemplo lineal), si queremos una frmula explcita 2 para la correccin o( ) de la frecuencia, tenemos que incorporar en el anlisis 2 una escala temporal super-lenta, T = t.
Observaciones:
promedios
mtodo de los
h
genricas
(pero peridicas) se pone un desarrollo de Fourier de anulan las resonancias tienen promedios de
h,
1 r = 2
Validez:
x0 es una buena aproximacin (o()) de x para tiempos hasta t o(1/) (si x y x0 tienen las mismas condiciones iniciales). Si x es peridica la aproximacin vale para todo t.
Ejercicio:
x1 ,
racin de armnicos superiores es caracterstica de los sistemas no lineales. Resuelva suponiendo condiciones iniciales
x(0) = 2, x (0) = 0,
para en-
Vamos a
estudiar la fenomenologa bsica de estos sistemas. Un tratamiento divulgativo interesante se encuentra en Scientic American [55], y en el mucho ms extenso
Sorprendentemente puede ocurrir tambin con sistemas caticos acoplados, en la fase de dinmica catica, pero no nos ocuparemos aqu de este caso.
1
249
Sync
[56].
250
i = f i ( r ri ) +
Evol. libre
N j =1
Uij ( ri , rj ),
i = 1 . . . N.
(10.1)
Interaccin
del sistema de
fi
son tales
que la solucin de la ecuacin elemental (sin interacciones) es peridica (o se aproxima a un ciclo lmite). Para osciladores arbitrarios el problema es muy complicado, de manera
de fase
osciladores
dbil, los osciladores se mantienen cerca de sus ciclos lmite. Esto permite ignorar las variaciones de amplitud que puedan sufrir, y concetrarse slo en las variaciones de fase. El modelo simplicado provee una representacin tratable de los fenmenos de sincronizacin. La representacin simplicada consiste en usar, para cada elemento, una variable de el valor
fase
(t),
(t) = t + (0)
y que, al alcanzar
2 ,
= frecuencia
Un
natural
(10.2)
ensemble
sistema
i = i +
N j =1
Fij (i , j ),
i = 1 . . . N,
(10.3)
F son doblemente 2 -peridicas, Fij (i + 2ni , j + 2nj ) = Fij (i , j ), ni , nj Z . Si Fij depende slo de la diferencia de fases, Fij = Fij (i j ), el sistema 0 (t), con es invariante bajo la transformacin i i + 0 (t), i i + 0 (t) arbitraria.
donde las funciones
251
1 = 1 + F12 (1 , 2 ), 2 = 2 + F21 (1 , 2 ).
(10.4a) (10.4b)
Existen diversas maneras de visualizar la dinmica de un sistema como ste. En primer lugar, notando que las variables son fases, podemos representarlo como un par de puntos en el plano complejo, movindose a lo largo del crculo unidad. Cada punto representa la coordenada de uno de los elementos del sistema. Esta representacin es la que vemos en la gura 10.1(a). En su movimiento, los puntos se alejan y se acercan entre s, siempre engarzados en el crculo unidad. Por otro lado, siendo ambas variables fases, podemos usarlas como coordenadas en un toro. El estado del sistema es un punto que se mueve sobre el toro, como vemos en la gura 10.1(b). Desplegando el toro en un cuadrado con condiciones peridicas de contorno, el estado es un punto que se mueve siguiendo una trayectoria como se muestra en la gura 10.1(c). Aun en ausencia de acoplamiento la ecuacin (10.4) puede ser complicada. En tal caso uno tiene 10.1(c). Si
1 = 1 , 2 = 2 ,
con lo cual
d2 /d1 = 2 /1
es
2 /1
es un racional
p/q , las trayectorias son curvas cerradas con y q en la otra. Por ejemplo, si p/q = 3/2, la
El estudio de la sincronizacin de dos osciladores comenz con las observaciones y experimentos de Christaan Huygens en 1665. Durante una enfermedad que lo tuvo en cama algn tiempo, el inventor del reloj de pndulo observ que dos de sus aparatos batan los segundos de manera sincrnica. Huygens saba que era algo prcticametne imposible. l mismo los haba fabricado, y saba que sus perodos eran tan sensibles a los parmetrosd el pndulo que no ser iguales. Imagin correctametne que la sincronizacin se deba a una interaccin entre ambos aparatos, y veric que desapareca si se llevaban a uno de los relojes a una habitacin lejana, y que se recuperaba si volvan a colgarlos uno junto al otro. Huygens nunca desentra el mecanismo que produca la sincronizacin, ni su formulacin matemtica. El rea permaneci casi inexplorada hasta nes del siglo XX, con los trabajos de Winfree, Kuramoto, Strogatz y otros.
2
podan
252
Estas curvas se llaman nudos del toro y hay toda una rama de la matemtica dedicada a ellas. Por otro lado, si no se cierra nunca y el movimiento es seno:
cuasiperidico.
2 /1
es irracional, la trayectoria
F12 (1 , 2 ) = F21 (1 , 2 ) =
donde
k sin(2 1 ). 2
Tenemos que si
(10.5)
es la
k > 0
la
interaccin es atractiva, y si
1 = 1 + k sin(2 1 ) 2 k 2 = 2 + sin(1 2 ) 2
(10.6a) (10.6b)
253
= 1 + 2 = = 2 1
con las cuales las ecuaciones resultan:
(10.7a) (10.7b)
= 1 + 2 = k sin .
2 1
(10.8a) (10.8b)
Vemos en (10.8a) que la suma de las fases crece uniformemente con frecuencia suma:
dt
= 0 < k > k
estable inestable
Podemos ver en el grco que cuando las frecuencias naturales son iguales,
= 0,
Si la interaccin es repulsiva,
1 (t) = t, 2 (t) = t + .
(Este
254
k .
1 = 2 ,
< k ,
(10.9)
y como de (10.8b):
sin =
nos queda
2 1 k
(10.10)
1 = 1 + k 2 1 = 1 + 2 1 = 1 + 2 = 2 k 2 2 2
(10.11)
1 = 1 + k1 sin(2 1 ) 2 = 2 + k2 sin(1 2 ) = k1 2 + k2 1 . k1 + k2
(10.12a) (10.12b)
(10.13)
k /k
1
255
(10.14a)
. k
(10.14b)
> k , {
k +
k2 1 tan 2 {
]} 2 k 2 (t t0 ) 2 } .
(10.15)
2 t0 = arctan 2 k 2
k tan[(0)/2] 2 k 2
(10.16)
(t) funcin 2 k 2 t +
peridica,
(10.17)
es decir,
(10.18a) (10.18b)
256
con
movimiento:
sincronizacin total
sincronizacin de frecuencia
(lengua de Arnold)
incoherencia incoherencia
2 1
sin(2 1 )
de dos ma-
1 ( ) 2 ( ) l m
analticamente. REVISAR LO QUE SIGUE, SI ES UNA PISTA O PARTE DE LA DEMOSTRACION. Pista: evale los promedios a tiempos largos
d dt
d . dt
f = l m
T 0
f ( )d.
257
|1 | < |2k | l m
con y
= (1 )2 4k 2 . l m 1 /2 = 1.
1 1 + + = 2 1 + +
sincronizacin de frecuencia
Si
|1 | |2k |
Fij (i , j ) = F (i , j ),
y en particular usemos el
N k i = i + sin(j i ) N j =1
donde vemos que (sin(
(10.20)
k/N es la constante de interaccin. Desarrollando el seno ) = sin cos cos sin ) tenemos: [ ] 1 1 i = i + k (10.21a) sin j cos i cos j sin i N j N j = i + k [sin cos i cos sin i ]
(10.21b)
donde los corchetes angulares denotan promedios sobre el sistema. Para representar el efecto del promedio del sistema sobre cada oscilador podemos denir un
parmetro de orden
(t)e
i(t)
complejo:
N 1 ij (t) e . = N j =1
(10.22)
La gura 10.2 permite apreciar claramente el signicado de este parmetro de orden complejo. Usando el parmetro de orden podemo escribir una ecuacin de campo medio del sistema. Observemos que:
cos =
(10.23) (10.24)
258
Figura 10.2: Parmetro de orden de un sistema de fases. Izquierda: si las fases se encuentran desparramadas, el mdulo del parmtetro de orden el pequeo. Derecha: si las fases estn agrupadas, el parmetro de orden es grande.
i = i + k sin( i ).
La Ec. (10.25) es una ecuacin de
(10.25)
campo medio
dinmica individual est acoplada al campo medio de la poblacin. Si el campo medio es nulo (incoherencia), entonces (10.25) nos dice que la dinmica individual es como si no hubiese acoplamiento, y cada oscilador sigue su frecuencia natural. Por otro lado, si el campo medio es distinto de cero, el comportamiento es menos trivial. Tenemos entonces el problema de resolver (10.25) para cada oscilador, cada uno con su fase inicial, y para
(t)
(t)
arbitrarias, y de resolver
de manera autoconsistente dada la denicion (10.22). En primer lugar, consideremos osciladores idnticos,
i = ,
y pongamos
=0
N k i = sin(j i ). N j =1
Ntese que la intensidad del acoplamiento, sistema.
(10.26)
k,
La ecuacin (10.26) tiene una solucin estacionaria: i = i, arbitrario. En consecuencia F ( , ) = 0, y la interaccin no juega ningn rol en este
estado. Como
i = 0,
sincronizacin
10.3. CLUSTERING
259
(10.28)
Aij =
k (1 N ij ) N
(10.29)
tiene todos sus autovalores con partes reales no positivas. Esta matriz tiene un autovalor
correspondiente a la invariancia del sistema ante una rotacin de todas las fases en una constante (el autovalor ciones de las fases llaman
se llama
longitudinal ).
N j =1
Para
sin(j i ) = 0,
i = 1 . . . N.
(10.30)
k > 0
k < 0,
[0, 2 ),
10.3. Clustering
Se llama
clustering
clusters ),
dentro de cada uno de los cuales todos los elementos se sincronizan y sus
260
rbitas coinciden. El clustering es posible en sistemas de osciladores de fase cuando la interaccin es ms complicada que
sin(j i ).
Consideremos:
N 1 F (j i ) i = N j =1
(10.31)
con
F () =
n=1
An sin(n) + Bn cos(n).
(10.32)
El anlisis de estabilidad de los estados de cabo cuando los clusters son iguales, de
puede llevarse a
La Ec. (10.31) tiene una solucin con los elementos segregados en clusters idnticos si todos ellos se mueven con la misma frecuencia colectiva y sus fases estn equiespaciadas en
[0, 2 ).
La fase
m = t +
del cluster
2m M
(10.33)
M 1 2 = F [ (m 1)] M m=1 M
(10.34)
n=1
BnM
(10.35)
donde orden
nM M.
es el producto
n M.
de manera que en su desarrollo de Fourier slo aparecen funciones pares. La razn por la que aparecen slo algunos armnicos pares surge de hacer la cuenta, pero es fcil darse una idea observando lo que pasa cuando por ejemplo. En ese caso:
M = 2,
10.3. CLUSTERING
261
F:
(10.36)
1 Bn cos n0 + Bn cos n 2 n
(10.37)
2 = [B2 + B4 + ] 2 = B2n .
n
Similarmente, para
(10.38) (10.39)
M clusters, BM n .
M 1,
quedando
i = m + i (t).
Linealizando, tenemos la matriz de
(10.40)
M M
bloques:
I 0 U 1 U 2 U . . . 1 U M 1 U I 0 U 1 U . . . M 2 U A= . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 U . . . . . . . . . . . . . . . . . . I 0 U
donde cada bloque, como el recuadrado, tiene y
(10.41)
N/M N/M , I
es la identidad,
M 1 2 = F [ (m 1)] M m=1 M
(10.42)
k =
La matriz
1 2k F ( ), M M
k = 0 . . . M.
(10.43)
tiene
autovalores no degenerados:
p =
p = 0...M 1
(10.44)
y un autovalor de multiplicidad
N M:
M 1 1 2k ). F( M k=0 M
(10.45)
k =
262
Figura 10.3: Sombreadas, las regiones de clustering en el espacio de parmetris de las primeras amplitudes de Fourier.
quedan:
(10.46)
(10.47)
donde An = nBn y Bn = nAn son los coecientes de Fourier de la derivada F . La condicin parte real < 0 implica que slo los coecientes Bn determinan si el estado de coecientes.
impar de F . El anlisis de clusters no idnticos involucra tambin los otros Ejemplo. Sea:
F () = sin + a2 sin 2 + a3 sin 3.
Tenemos: Autovalor (10.48)
An ,
es decir, la parte
1 2 3
M =1 1 + 2a2 + 3a3
En las guras 10.3, la regin sombreada corresponde a clusters estables. Obsrvese que estas regiones se superponen, de manera que en ciertas regiones hay multiestabilidad. El estado nal depende de las condiciones iniciales. El origen, donde
a2 = a3 = 0 F.
M = 1.
En general,
M-
o superiores
263
Esta descripcin no agota las posibilidades: podra haber conguraciones estables con clusters desiguales. Esto es una propiedad general de estos sistemas globalmente acoplados: elevada multiestabilidad, y gran dependencia en las condiciones iniciales. Se ha conjeturado que este tipo de comportamiento, en sistemas neuronales, podra utilizarse para codicar y decodicar informacin.
Fij (i , j ) =
tenemos:
1 [f1 (i ) f2 (j )] N
(10.49)
i = + f1 (i ) 1 f2 (j ). N j
(10.50)
Con:
(10.51) (10.52)
rencia y se forman clusters: FIGURA: FASES DE CLUSTERS. Sobre este sistema, ver el paper de Golomb [61].
N k i = i + sin(j i ) N j =1
(10.53)
264
donde las
g ( ). =
El movimiento individual, como resultado de la interaccin, es complicado y tpicamente catico. En general, la frecuencia real de cada oscilador, la
frecuencia efectiva :
1 = l m T T
0 T
i (t)dt.
(10.54)
k se forma un
cluster con una fraccin de los osciladores movindose con igual frecuencia
kc . Los valores de y kc
lmite
N .
Pasemos al anlisis. Para llevar adelante una descripcin estadstica del sistema denamos una
densidad de fase :
(10.55)
n(, t)d representa la fraccin de d de [0, 2 ) a tiempo t, o sea la probabilidad en d. Est normalizada: 2 n(, t)d = 1 t.
0
osciladores en el de encontrar un
(10.56)
Usamos la densidad de fase para reemplazar la suma de (10.53) por una integral:
(10.57)
(10.58)
i = i + k sin( i )
(tal como en el sistema de osciladores idnticos), con el
(10.59)
parmetro de orden :
(10.60)
(t)e
i(t)
=
0
n(, t)ei d.
265
En el estado estacionario ms sencillo, con los osciladores distribuidos uniformemente en natural. El movimiento cuencia
n(, t) = n0 ( t), e
i0
colectivo
(t) = 0 + t.
2
Entonces:
n0 ()ei d u = t).
es independiente del tiempo (resultado que se obtiene de hacer formalmente la integral en (10.60), haciendo el cambio de variable Si introducimos la promedio
fase relativa i
y con
Y tanto
como
La ecuacin (10.61) es idntica a la ecuacin para diferencia de fase de dos osciladores acoplados:
= K sin ,
identicando
(10.62)
con
i y K i
con
k ,
es decir cuando
es cercano
k . Recordando el anlisis realizado en un punto jo estable cuando |i | < a , en cuyo caso (anlogamente a la
(10.63)
cercano a
ha corrido
|i | > k ,
una funcin
2 -peridica
i
de
= + (i ) 1
k i
)2 .
266
Para Para
|i | k ( 1), i i . |i | k ( 0), i i . i
y un valor de
En ambos casos, vemos que los osciladores no se sincronizan totalmente. Para una distribucin de Aqullos para los cuales
|i | k
dado por
. e
i0 2
=
0
n0 ()ei d
(10.65)
n0 ()
naturales usando:
n0 ()d = g ( )d
(relacin funcional entre con esa
n0 () =
i = t + i kg [ + k sin( 0 )] cos( 0 ), 0,
si
| 0 |
, 2
si no. (10.66)
= k
/2
g ( + k sin ) cos ei d
/2
(10.67)
de manera implcita. Hay una solucin = 0 para todo conjunto = 0, separamos partes imaginaria en dos ecuaciones acopladas para y : /2 Re: 1 = k g ( + k sin ) cos2 d (10.68)
Im:
/2 /2
0=
/2
(10.69)
le sumo
k sin
que es impar).
Ergo,
debe ser
0 ,
el mximo de la
g,
267
Figura 10.4: Parmetro de orden como funcin de la intensidad del acoplamiento, para un sistema heterogneo con distribucin gaussiana de frecuencias naturales.
es chico, me queda
multiplicando
g (0 )
y la integral del
cos2 , k debe
k sin
geomtricamente.
de fase de segundo orden muy rpida (gura 10.4). Para analizar este comportamiento, podemos usar la expresin de la parte imaginaria, con orden alrededor de
3 kg (0 ) + k g (0 ) 2 = 1, 2 16
a
(g
(10.70)
<0
<0
porque
b 2 + a 1 = 0 1a (elijo el = b
(10.71)
signo +)
(10.72)
268
Y reemplazando
1a >0 b
(10.73)
b: 3 k g (1 kg ) > 0 16 2
<0 <0
(10.74)
k> 2 kc g (0 )
cerca de (10.75)
kc :
(10.76)
=
Es decir,
8g (0 ) (k 3 kc |g (0 )|
kc ) .
(k kc )1/2 , comportamiento vlido para cualquier g ( ) simtrica con un mximo en 0 , siempre que no se anule en g ( ) (que no sea chata). El exponente 1/2 es caracterstico de las transiciones de fase de segundo
orden en la aproximacin de campo medio. Si
g ( )
es
tativamente similar (gura 10.5). La distribucin de frecuencias del sistema sincronizado tambin se puede calcular para una distribucin sincronizado, ciertamente, pueden representarse con una delta:
G0 ( ) = r ( )
mientras que el resto sigue una distribucin
G( ) .
G( )
Clustering
g ( )
alrededor de
0 =
(gura 10.6).
Cuando la distribucin
g ( )
clusters. Si los mximos estn bien separados, una vez formados los clusters estos se comportan como osciladores nicos, interactuando con los dems clusters. Si los mximos se solapan apreciablemente la emergencia de la sincronizacin es ms sutil, con distinto nmero de clusters formndose a distintos valores de
k.
269
Figura 10.5: Parmetro de orden como funcin de la intensidad del acoplamiento, para un sistema heterogneo con distribucin asimtrica de frecuen1 cias naturales (g ( ) [exp(4 ) + exp( )] , mostrada en el inserto). (De [60].)
270
Figura 10.7: Desaparicin de la sincronizacin en un ensemble de osciladores idnticos, inducida por las uctuaciones (y no por la dispersin de una
g ( )).
estudi la sincronizacin en este tipo de sistemas. Por ejemplo, sean osciladores idnticos:
(10.78)
Si la intensidad
S = 0.
n(, t),
tacionaria se puede calcular. Se observa tambin una transicin de fase de 2 1/2 , que se ilustra en la segundo orden de la clase mean eld, (Sc S ) k gura 10.7.
Bibliografa
[1] Murray, J. D.,
Mathematical biology
and computing
[4] M. N. Kuperman and H. S. Wio (completar, supervivencia de competidores). [5] J. C. Flores, Biol.
A mathematical model for Neanderthal extinction, J. Theor. Statistics of extinction and survival in Habitat des-
[8] R. May,
Will a large complex system be stable?, Nature 238, 413 (1972). Complexity can enhance stability in com-
[10] Melin and Bascompte, Ecol. Lett. [11] Ifti & Bergersen,
5, 705 (2002).
Modelos estocsticos
[13] N. G. van Kampen,
(El-
272
BIBLIOGRAFA
Expresin gentica
[15] Jacques Monod,
El azar y la necesidad
(Tusquets, 2002).
Stochastic protein expression in individual cells at the single molecule level, Nature 440, 358-362 (2006). Multivariate
J. Theor. Biol.
229,
Estimations of intrinsic and extrinsic noise in models of nonlinear genetic networks, Chaos 16, 02107 (2006). Fast evaluation of uctuations in biochemical networks with the linear noise approximation, Genome Research 13,
2475-2484 (2003).
[20] S. Kauman,
Metabolic stability and epigenisis in randomly constructed Antichaos and adaptation, Sci. Am., Aug. 1991, p. 64.
Critical dynamics in genetic regulatory networks: examples from four kingdoms, PLoS ONE 3, e2456 (2008).
vich and M. Aldana,
Teora de juegos
[27] J. Hofbauer and K. Sigmund,
El gen egosta
BIBLIOGRAFA
273
[29] Kenneth
Prestwich,
departments/biology/kprestwi/behavior/ESS/ESS_index_frmset. html
[30] John Von Neumann and Oskar Morgenstern,
Game theory, http://www.holycross.edu/ Theory of games and eco(MIT Press, 1995). (Cambridge,
nomic behavior
The theory of games and the evolution of animal conicts, J. Theor. Biol. 47, 209-221 (1974). The evolution of cooperation (revised edition)
(Basic Books, 2006).
The complexity of cooperation: Agent-based models of competition and collaboration (Princeton University Press, 1997).
tion of alternative male strategies, Nature
[36] B. Sinervo & C. M. Lively, The rock-paper-scissors game and the evolu-
The mathematics of infectious diseases, SIAM Review Mathematical methods in population biology
(Cam-
[38] F. C. Hoppensteadt,
[41] D. J. Watts,
Small worlds (Princeton University Press, Princeton, 1999). Statistical mechanics of complex networks, Emergence of scaling in ran-
274
BIBLIOGRAFA
[44] Barabsi,
Albert-Lszl,
Scale-Free Networks,
Scientic
American
cond-
Small world eect in an epidemiological model, Phys. Rev. Lett. 86, 2909 (2001). networks, cond-mat/0107066 (2001). Optimal immunisation of complex
Eects of immunization in small-world epidemics, cond-mat/0109273 (2001). Dynamics of rumor propagation on small-world networks, cond-mat/0110324 (2001). D. H. Zanette, Critical behavior of propagation on small-world networks, cond-mat/0105596 (2001).
[49] D. H. Zanette,
Epidemic spreading in scale-free networks, Phys, Rev. Lett. 86, 3200 (2001). Can we stop the AIDS epidemic?,
condmat/0107420 (2001).
Sci. Am.
258
(3), 80-87
(Cambridge University
Biological pattern formation: from basic mechanisms to complex structures, Rev. Mod. Phys. 66, 1481-1507
Osciladores y sincronizacin
[55] Steven Strogatz & Ian Stewart,
Sync: How order emerges from chaos in the universe, nature, and daily life (Hyperion, 2004). Nonlinear dynamics and chaos (Westview Press, 2001).
BIBLIOGRAFA
275
(Springer, 2010).
[60] Susanna Manrubia, Alexander Mikhailov y Damin Zanette, (World Scientic, 2004). [61] D. Golomb et al., Rev. A
Synchronization of metronomes,
70,
Relaciones alomtricas
[63] Brown and West (eds.), 2000). [64] West, Brown and Enquist,
Scaling in biology