Professional Documents
Culture Documents
EN
INGENIERÍA AMBIENTAL
CON APLICACIONES
1
Contenido
1 Introducción 1
3 Transiciones de Fase 27
3.1. Caracterización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Modelo Ising . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3. Simulación Montecarlo . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4. Renormalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
ii
Contenido
6 Aplicaciones 153
6.1. Modelos de poblaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 153
6.2. Control Genético . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.3. SobrePesca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
6.4. Inteligencia Colectiva . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
6.5. Dinámica de Lagos Pandos . . . . . . . . . . . . . . . . . . . . . . . . 166
6.6. Corales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
6.7. Epidemias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
6.8. Descomposición Espinodal . . . . . . . . . . . . . . . . . . . . . . . . 179
6.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
7 Resiliencia 187
7.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
7.2. Cambio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
7.3. Ciclos Adaptativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Bibliografı́a 193
iii
Prefacio
A theory is the more impressive the greater the simplicity of its premises
is, the more different kind of things it relates, and the more extended
is its area of applicability. Therefore the deep impression which classical
thermodynamics made upon me. It is the only physical theory of universal
content concerning which I am convinced that, within the framework of
applicability of its concepts it will never be overthrown.
This book is intended primarily for research students. Readers who come
to it seeking crystallized Truth will go away irritated. I suspect that the
most satisfied readers will be those who come with revisionist intentions,
seeking the frayed ends of new puzzles and seeking outright errors that
might lead to novel perspectives.
May (2004)
v
PREFACIO
producidas por la vida (Holland 2014; Lovelock 1995). Entre las caracterı́sticas de
la complejidad está la emergencia de propiedades nuevas, que no están presentes en
las partes. Otros sistemas con complejidades parecidas, además de varios ecosistemas
diferentes a la selva tropical, son el sistema climático, el océano, un lago, el cuerpo
humano, el cancer, la mente humana, los mercados, la opinión pública, las dinámi-
cas sociales (Levy 2005). ¿Cómo tratar los sistemas complejos? ¿Es posible usar las
ideas de otras disciplinas donde el éxito ha sido enorme? ¿Hay que inventar nuevas
herramientas? Serı́a pretencioso decir que en un texto como este se responde a tales
interrogantes. Sin embargo, se hace un esfuerzo por avanzar en esa dirección.
Los cambios de régimen son otros de los grandes temas de este texto: “ los cambios de
régimen ocurren para un amplio espectro de sistemas sociales, ecológicos y ambienta-
les (Scheffer y S. R. Carpenter 2003; Scheffer, S. Carpenter, Foley, Folke y Walker
2001; Biggs, G. D. Peterson y Rocha 2018). Tales transiciones son difı́ciles de prede-
cir o de revertir (Boettiger y Hastings 2013; Hastings y Wysham 2010) y a menudo
producen transiciones permanentes en la disponibilidad de los servicios eco-sistémi-
cos (S. R. Carpenter, Mooney, Agard, Capistrano, DeFries, Dı́az, Dietz, Duraiappah,
Oteng-Yeboah, Pereira y col. 2009). Cuando ocurre un cambio de régimen, el siste-
ma se mueve de un conjunto de estructuras y procesos que lo auto sostienen a otro
(Scheffer, S. Carpenter, Foley, Folke y Walker 2001; May 1977; Holling 1973; Folke,
S. Carpenter, Walker, Scheffer, Elmqvist, L. Gunderson y Holling 2004). Usualmen-
te, cambios en variables claves (por ejemplo, temperatura en los arrecifes coralinos)
hacen un sistema más susceptible a las transiciones de régimen cuando se someten a
choques externos (por ejemplo, un huracán) o a forzantes externos (pesca) (Scheffer,
S. R. Carpenter, Lenton, Bascompte, Brock, Dakos, Koppel, Leemput, S. A. Levin,
Nes, Pascual y Vandermeer 2012). Se han documentado más de 30 transiciones de
régimen en sistemas socio ambientales (Biggs, G. D. Peterson y Rocha 2018), con
dinámica no lineal semejante en asuntos diversos como los sociales, financieros, lin-
guisticos, trastornos neurológicos y clima (Solé 2011; Scheffer 2009). A medida que
los humanos incrementan su acción sobre el planeta, diversas transiciones de régi-
men son probables, con mayor frecuencia y severidad (Rocha, G. D. Peterson y Biggs
2015; Drijfhout, Bathiany, Beaulieu, Brovkin, Claussen, Huntingford, Scheffer, Sgu-
bin y Swingedouw 2015; Steffen, Rockström, Richardson, Lenton, Folke, Liverman,
Summerhayes, Barnosky, Cornell, Crucifix y col. 2018)” (Rocha, G. Peterson, Bodin
y S. Levin 2018).
Aunque se ha avanzado en el conocimiento a escala atómica de los fenómenos naturales
y la comprensión de la vida a escala molecular se expande a pasos agigantados, se
entiende relativamente poco de los cambios abruptos en los sistemas complejos. Esta
relativa dificultad está acompañada por el ritmo acelerado del crecimiento poblacional
y material. Como consecuencia estamos sometiendo todos estos sistemas a pruebas de
carga sin precedentes, en varios casos produciendo fallas y colapsos, todo acompañado
de precariedad en su conocimiento.
Además del número de componentes, las interacciones mutuas son el origen de la
complejidad. En fı́sica el modelo más exitoso para estudiar las interacciones es el
estudio de las transiciones de fase en mecánica estadı́stica. Aunque a primera vista
parece intimidante, la apuesta es que estas transiciones se pueden explicar claramente
vi
PREFACIO
y que sirven como modelo para el estudio de otros sistemas complejos en los cuales las
interacciones dan lugar a transiciones abruptas. Para cumplir con este propósito son
necesarias herramientas no triviales, como por ejemplo los grupos de renormalización,
cuyas ideas centrales se presentan con la esperanza de que arrojen luces sobre otros
sistemas complejos con transiciones abruptas.
Lo más fácil está resuelto. Muchas mentes brillantes que nos antecedieron nos dejaron
ese legado. Pero también de ellas se reciben las preguntas abiertas. Precisamente por
eso, no podemos esperar que los métodos tradicionales van a resolver estas preguntas,
nuestros antecesores ya ensayaron sin éxito tales métodos. Hay que estar abiertos a
métodos innovadores.
Los requisitos para este texto son cálculo, álgebra lineal, teorı́a de probabilidades y
termodinámica, al nivel de los cursos estándares de pregrado de la mayorı́a de las
universidades modernas. Aunque el tratamiento matemático no es formal, hay un
esfuerzo por el rigor.
No hay pretensiones de originalidad. Se usa ideas, material, ejemplos, y ejercicios de
diferentes fuentes. En cada caso se hace el esfuerzo por el crédito debido. De Mesa
(2020) se toma material para algunas secciones con poca o ninguna modificación, con
el ánimo de tener un texto auto contenido.
vii
Capı́tulo 1
Introducción
El interés es estudiar los fenómenos crı́ticos, desde una perspectiva aplicada a los
sistemas socioambientales, conscientes de la necesidad de usar conceptos y métodos
avanzados. Los desafı́os son inmensos.
Una dificultad común es relacionar las propiedades de un sistema observado a una
cierta escala con aquellas a una escala mayor o menor. En general, se tratan las escalas
menores tomando promedios y las mayores con un valor constante. Esto no siempre
es válido, en particular cuando varias escalas juegan un papel. De hecho este es el
tema de este libro, el estudio de sistemas que no tienen una escala caracterı́stica, sino
que muchas escalas juegan simultáneamente un papel no despreciable, la llamada in-
varianza de escala. Estos conceptos son propios de la fı́sica moderna e incluyen temas
como renormalización y universalidad, que han demostrado ser importantes para tra-
tar sistemas complejos. Entendemos por sistemas complejos aquellos en los cuales la
interacción de las componentes es fundamental y no es aplicable el método lineal de
descomponer un problema en componentes más pequeñas que luego se superponen.
Se inicia con termodinámica y mecánica estadı́stica, además de la importancia intrı́nse-
ca de estos temas, son fundamentales para entender las transiciones de fase, que se
toman como paradigma de las transiciones crı́ticas. El enfoque se basa en el con-
cepto de máxima entropı́a, que en pocas palabras significa que se observa lo más
probable (Jaynes 1957; Jaynes 1978; Jaynes 2003; Ellis 2012). La Mecánica Estadı́sti-
ca busca entender y predecir propiedades macroscópicas a partir de distribuciones
probabilı́sticas que tienen en cuenta las complejas interacciones entre las partı́culas
microscópicas que conforman la substancia. Boltzmann re-interpretó la entropı́a en
términos estadı́sticos de tres maneras fundamentales:
a) Aleatoriedad : la entropı́a es una medida de la aleatoriedad de un sistema.
b) Logarı́tmica: si la entropı́a de un determinado macro estado es S, entonces
S ∝ log W , con W la probabilidad termodinámica (número de micro estados)
compatibles con tal macro estado.
1
1. Introducción
2
Capı́tulo 2
Fundamentos de Termodinámica y
Mecánica Estadı́stica
Presión
El diferencial de trabajo dW que ejerce un pistón sobre un gas por la presión de
compresión p debida a un desplazamiento dx es
3
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
con una velocidad vx y rebota elásticamente con una velocidad de igual magnitud y
sentido contrario. El segundo factor es el número de colisiones por unidad de tiempo,
pues vx tA es el volumen ocupado por las moléculas que se van a chocar con el pistón
en el tiempo t y n es el número de moléculas por unidad de volumen. Esto se puede
expresar como
p ≈ 2nmvx2 = nmhvx2 i.
El 2 no aparece en la segunda igualdad porque el promedio del cuadrado de la velo-
cidad incluye tanto las positivas como las negativas y sólo hay que considerar las que
van hacia el pistón. Ahora por simetrı́a, el promedio de la velocidad al cuadrado es
p = 23 nhmv 2 /2i.
Temperatura
Un concepto clave es el equilibro. Considere un recipiente, con dos compartimentos
separados por un pistón movible, ocupados por gases diferentes. Debido al equilibrio,
al cabo de un tiempo se tendrá igualdad de presiones, es decir
Pero además habrá equilibrio de la energı́a cinética promedio (lo que a continuación
se va a denominar temperatura) debida a las vibraciones.
Debido al gran número de moléculas del gas y a principios de simetrı́a es razonable
esperar que la dirección de las colisiones se distribuya uniformemente en la esfera.
Para el caso de dos partı́culas, con velocidad relativa al centro de masa v1 − v2 = w,
esta simetrı́a se puede expresar como
hw · vcm i = 0,
4
2.1. Cinética de Gases
que significa que el promedio del producto escalar es cero porque no hay una dirección
preferida. Lo anterior se puede desarrollar como
5
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
Todo lo dicho hasta ahora es válido para moléculas mono atómicas. Esto está implı́cito
cuando se trato el tema del centro de masa. También se ignoró la posibilidad de que
existan otras fuerzas, por ejemplo, un resorte amarrado al pistón. Sobre lo último se
puede mostrar que los argumentos son los mismos y no hay cambios a las conclusiones.
Se invita a demostrar que si la molécula tiene r átomos el promedio de su energı́a
cinética es 3rkT /2, donde 3kT /2 corresponde al centro de masa de la molécula, y el
resto, 3(r − 1)kT /2 corresponde a energı́a interna de rotación y vibración.
2.2. Entropı́a
Entropı́a de Boltzman
La entropı́a de Boltzman SB es una variable macroscópica extensiva, definida en
términos del número de microestados M mediante,
SB = k ln M, (2.4)
Expansión de gases
La tendencia de un gas a ocupar el máximo volumen disponible se puede explicar
considerando un modelo elemental de ocupación de m sitios por n partı́culas. Se
considera que no es posible ocupaciones múltiples, más de una partı́cula en un solo
sitio. El número de arreglos distinguibles es
m!
M (n, m) = ,
n!(m − n)!
que para el número de partı́culas n fijo crece muy rápidamente con m, el número de
sitios. Con un número grande de partı́culas dado, M (n, m) se puede interpretar como
el número de micro estados asociados al macro estado volumen ocupado por el gas
(proporcional a m). Por tanto, la tendencia de los gases a ocupar el máximo volumen
6
2.2. Entropı́a
Mezcla
La tendencia a la mezcla también se puede ilustrar con un modelo elemental de
ocupación. Sean dos especies y para simplificar suponga que hay igual número de
partı́culas de cada especie, n1 = n2 = n. Sea el número posibles sitios m = 2n y
divida mentalmente el sistema en dos subsistemas X y Y cada uno con n posibles
sitios. Igualmente, se asume que no es posible la ocupación múltiple de un sitio. Los
posibles macro estados se pueden caracterizar por r el número de partı́culas de la
especie 1 en el subsistema X. Claramente en este caso en el subsistema Y hay n − r
partı́culas de la especie 1. Note que con esta información se puede determinar también
el número de partı́culas de la especie 2 en cada subsistema, [n − r, r]. El número de
micro estados asociado al macro estado r es
n! n!
M (r) = .
r!(n − r)! (n − r)!r!
El primer factor corresponde al número posibles manera de ocupar los n sitios del
subsistema X por las r partı́culas de la especie 1 y las n − r de la especie 2. El
siguiente factor es el correspondiente para el subsistema Y . Es fácil ver que entre
todos los macro estados el que tiene mayor número de micro estados es r = n/2,
es decir la tendencia a la mezcla uniforme, a que ambos subsistemas tengan igual
número de partı́culas de cada especie. La tendencia a la mezcla se puede explicar por
el principio de máxima entropı́a.
Como el número de micro estados M depende de la segregación de las partı́culas
entre las diferentes especies, la tendencia a maximizar el número de micro estados
da origen a una fuerza que veremos viene del potencial quı́mico. A medida que la
segregación decrece, es decir las partı́culas están bien mezcladas, el número de micro
estados aumenta.
Flujo de calor
Un modelo muy simple para flujo de calor es considerar dos subsistemas 1 y 2 con
n1 y n2 partı́culas cada uno. Cada una de las partı́culas puede estar en dos posibles
7
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
n!
M (n, u) = ,
(n − u)!u!
n1 ! n2 !
M0 (n1 , u1 , n2 , u2 ) = .
(n1 − u1 )!u1 ! (n2 − u2 )!u2 !
Ahora consideremos el caso en el que sin intercambiar partı́culas los dos subsistemas
pueden intercambiar energı́a entre si, pero no con el entorno. Es decir u1 + u2 = uc
es una constante. Entonces, el número de micro estados es
n1 ! n2 !
M (n1 , u, n2 , uc − u) = .
(n1 − u)!u! (n2 − (uc − u))!(uc − u)!
8
2.2. Entropı́a
la ecuación (2.2), pero es fácil ver que el macro estado con mayor número de micro
estados corresponde al caso
u uc − u
= .
n1 n2
Más adelante se verá que la temperatura en este caso, para cada subsistema de n
partı́culas y energı́a u, está dada por
1 fbase
= k ln ,
T fexc
donde fexc = u/n y fbase = 1 − u/n son las frecuencias asociadas al estado excitado
y al base respectivamente.
Por lo tanto, si dos subsistemas 1 y 2 se ponen en contacto térmico, el macro estado
con mayor número de micro estados corresponde a la igualación de temperaturas
1 f1−base f2−base 1
= k ln = k ln = .
T1 f1−exc f2−exc T2
Entropı́a de Gibbs
En el lenguaje de probabilidades la entropı́a de Gibbs se expresa como
t
X
SG = −k Pr[Bi ] ln Pr[Bi ], (2.5)
i=1
9
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
t
1 1 X
SB = k ln M ∼ −k pi ln pi = SG .
N N i=1
Ars Conjectandi
Una posible interpretación de la entropı́a es en términos de información. Lo que sigue
es una breve introducción de esta interpretación que para algunos no es diferente de
la entropı́a de la termodinámica o de la mecánica estadı́stica.
Considere un evento E que puede ocurrir como resultado de un experimento aleatorio
con probabilidad p. ¿Qué tan sorprendidos estaremos de enterarnos que E ocurrió?
Es razonable suponer que la sorpresa depende sólo de p y que será mayor mientras
menor sea p. Sea I(p) la información que se obtiene si nos enteramos que E ocurrió.
También podemos interpretar I(p) como la sorpresa contenida en el evento o la in-
certidumbre que existe si el experimento no ha arrojado resultados todavı́a. Las tres
interpretaciones son equivalentes.
Los siguientes cuatro axiomas definen la forma funcional de I:
10
2.3. Principio Máxima Entropı́a
Pr[E1 E2 ]
Pr[E1 |E2 ] = = Pr[E1 ],
Pr[E2 ]
I(p) = −C log p.
11
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
Exponenciales
Cuando hay restricciones, el principio de máxima entropı́a predice distribución expo-
nencial. Es decir la solución a
X t
1
máx S = máx − pi ln pi ,
k i=1
Pt
sujeto a la condición de normalización i=1 pi = 1, y a r restricciones de momentos,
t
X
xk,i pi = hxk,i i = µk , (2.6)
i=1
12
2.3. Principio Máxima Entropı́a
donde las r constantes µk son datos conocidos del problema para k = 1, . . . , r. Es-
tos momentos provienen de un conocimiento importante del sistema, por ejemplo,
conservación de energı́a, momento angular, etc.
Más adelante (ver Sección 2.4) se presenta el caso en el cual cada estado del sistema
corresponde a la velocidad de las partı́culas y la restricción corresponde a imponer
la energı́a cinética. En tal caso k = 1 por lo que sólo se usa el subı́ndice i para
representar el estado del sistema, la velocidad vi de una partı́cula genérica de masa
m, y la energı́a cinética como función de la velocidad es xi = 12 mvi2 y la distribución
de probabilidades que se encuentra del principio de máxima entropı́a es la llamada
distribución de Maxwell.
El problema general se resuelve usando los multiplicadores de Lagrange,
t
X t
X Xr t
X
máx − pi ln pi − (α0 − 1) pi − 1 − αk xk,i pi − µk .
i=1 i=1 k=1 i=1
Lo que se simplifica a
n r o
X P ∗
pi = exp − α0∗ − αk∗ xk,i = Z −1 e− k αk xk,i , (2.7)
k=1
Las r + 1 ecuaciones (2.9) son un sistema para calcular los multiplicadores pues cada
µk es conocido. La interpretación de los multiplicadores de Lagrange es importante.
Además,
r
1 X
Smax = α0∗ + αk∗ µk . (2.10)
k
k=1
13
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
Otras relaciones que pueden ser útiles de este formulismo son por ejemplo, el cambio
en el multiplicador α0 . De la primera (2.9) se obtiene
1
δα0 = δ ln Z = δZ.
Z
Con esta expresión se puede calcular el cambio en Smax de la ecuación (2.10) notando
que hay cancelaciones importantes,
r
1 X
δSmax = αk δhxk,i i − hδxk,i i ,
k
k=1
∂ 2 ln Z
hx2k,i i − hxk,i i2 = . (2.14)
∂αk2
∂xk,i X ∂xk,i 1 X ∂xk,i − Pk α∗k xk,i
= pi = e
∂a i
∂a Z i ∂a
1 1 ∂Z
=− .
Z αk ∂a
14
2.4. Termodinámica
2.4. Termodinámica
Clasificación de sistemas termodinámicos
Los sistemas Termodinámicos se clasifican de acuerdo con sus fronteras
a) Sistema Abierto: Puede intercambiar energı́a, volumen y materia con el entorno.
La Tierra, los organismos vivientes son ejemplos tı́picos.
b) Sistema Cerrado: Puede intercambiar energı́a, pero no materia. La frontera
puede ser fija, como por ejemplo, en un bombillo incandescente; o puede ser
móvil como en un pistón o un globo.
c) Sistema Aislado: No puede intercambiar energı́a, ni materia. Para estos sistemas
la frontera es fija. Esto es una idealización que difı́cilmente se presenta en la
realidad.
d ) Membrana Semipermeable: es una frontera que deja pasar un tipo de partı́culas
y otras no. La diálisis se realiza con este tipo de membranas, la mayorı́a de las
membranas en biologı́a son de este tipo. La discriminación se logra por tamaño.
e) Frontera Adiabática: Una frontera que no deja pasar calor.
f ) Fase: Una parte homogénea de un sistema separable mecánicamente del resto.
La homogeneidad se refiere a que las variables temperatura T , presión p y
concentración c deben ser uniformes o depender continuamente de la posición.
Formalismo
Para varios grados de libertad la forma genérica de la ecuación para la Entropı́a en
termodinámica es
S = S(U, V, N). (2.15)
Donde U es la energı́a interna, V el volumen y N = [N1 , . . . , NM ] un vector cuyas
componentes indican el número de moléculas para cada una de las posibles M especies
que definen la composición del sistema.
Por razones históricas esta ecuación se expresó en términos de la energı́a interna como
15
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
O en forma equivalente
M
!
∂U ∂U X ∂U
dU = dS + dV + dNj .
∂S V,N ∂V S,N j=1
∂Nj
U,V,Ni6=j
Alternativamente, se tiene
M
1 p X µj
dS = dU + dV − dNj . (2.19)
T T j=1
T
Hay que tener cuidado al usar la regla de la cadena, pues las variables tienen relaciones
entre si no siempre evidentes. Por ejemplo, la regla de la cadena indicarı́a que
∂S ∂S ∂U p
= =− ,
∂V ∂U ∂V T
lo cual no es correcto. Si se substituye dU = T dS − p dV en la expresión dS =
(1/T ) dU + (∂S/∂V ) dV . Se toma temporalmente dNj = 0, que no juega ningún
papel en este asunto. Por tanto,
1 ∂S
dS = [T dS − p dV ] + dV
T ∂V U
p ∂S
= dS − dV + dV,
T ∂V U
y por tanto,
∂S p
= ,
∂V U T
que es lo correcto.
16
2.4. Termodinámica
1a y 2a Ley
La termodinámica empezó con un análisis del ingeniero Sadi Carnot (1796-1832) sobre
la eficiencia de los motores. Era la época de los motores de vapor, su pregunta fue
cómo construir el motor más eficiente. La primera ley, la ley de conservación de la
energı́a no se conocı́a. Pero su análisis cuidadoso permitió la formulación de la segunda
ley, mediante la consideración de un motor ideal, un motor reversible. Este es uno de
los pocos casos en los cuales la ingenierı́a ha hecho una contribución fundamental a
la fı́sica.
La conservación de energı́a, la primera ley de la termodinámica es
dU = δq + δW.
dU = T dS − p dV.
17
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
3.E+03
A
3.E+03
2.E+03
p
B
2.E+03
D
1.E+03
C
9.E+02
0.9 1.1 1.3 1.5 V 1.7 1.9 2.1 2.3
Figura 2.1: Motor ideal reversible. Lı́neas continuas cambio isotérmico, lı́neas puntea-
das cambio adiabático
W = Q1 − Q2 .
18
2.4. Termodinámica
Suponga que hay otros motores reversibles, eventualmente algunos más eficientes que
el del ejemplo que acabamos de presentar. Sin embargo, se puede demostrar que
no es posible. Sean T1 y T2 las temperaturas de ambos baños, que son fijas. Por
contradicción se asume que el trabajo en uno de los motores es W y el del otro es
W 0 > W . Usando la reversibilidad es posible dejar todo como estaba y quedar con
un trabajo extra W 0 − W , lo que de acuerdo a la segunda ley es imposible. Por lo
tanto, todos los motores reversibles producen el mismo trabajo W , toman calor Q1
del baño caliente T1 y entregan calor Q2 al baño frı́o T2 .
Se puede calcular el calor Q1 que se recibe del entorno en la rama isotérmica AB,
mediante Z B
VB
Q1 = p dV = Nm RT1 ln .
A VA
De manera equivalente,
VC
Q2 = Nm RT2 ln .
VD
De la expansión adiabática en la rama BC se tiene
T1 VAγ−1 = T2 VDγ−1 ,
por lo tanto,
Q1 Q2
= .
T1 T2
De esto se obtiene la eficiencia máxima teórica de un motor reversible
W Q1 − Q2 T1 − T2
η= = = .
Q1 Q1 T1
19
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
Este importante modelo de un motor ideal sólo se aplica para ciclos reversibles.
Como consecuencia, otra manera de expresar la segunda ley es que en cualquier pro-
ceso irreversible la entropı́a aumenta. Dicho de otra manera, la entropı́a del universo
es creciente.
mm
S
= ln = m ln m − n ln n − (m − n) ln(m − n).
k nn (m − n)m−n
nkT
p=
V
20
2.4. Termodinámica
SA
SB
UB UA
U
Flujo de Calor
La temperatura permite predecir el flujo de calor. El intercambio de calor busca ma-
ximizar la entropı́a. En el estado de equilibrio las temperaturas son iguales. Considere
dos subsistemas A y B con energı́a UA y UB y temperatura TA y TB respectivamente.
Los dos subsistemas se ponen en contacto térmico entre si, pero aislados del entorno.
La energı́a total, U = UA + UB =, es constante. Con está restricción, el cambio en
entropı́a es
∂SA ∂SB
dS = d(SA + SB ) = dUA + dUB = 0.
∂UA V,N ∂UB V,N
1 1
= .
TA TB
21
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
Cambio de Volumen
La diferencia de presiones produce cambio de volumen y temperatura. Se pueden pre-
decir los cambios considerando la entropı́a. Considere un cilindro aislado del entorno,
partido en dos por un pistón movible, Sean A y B los sub sistemas con energı́as UA
y UB y temperaturas TA y TB . Se ponen en contacto térmico, pero están aislados del
entorno. Claramente U = UA + UB = constante y V = VA + VB = constante. Usando
la ecuación de la entropı́a la condición de equilibrio es
pA pB 1 1
dS = − dVA + − dUA = 0.
TA TB TA TA
Claramente,
1 1
= y pA = pB .
TA TB
En el equilibrio se igualan temperaturas y presiones.
dUS
dSS − ≥ 0 ⇒ dUS − T dSS ≤ 0.
T
Por esta razón, para estos casos es conveniente definir la Energı́a Libre de Helmholtz
como
F = U − T S. (2.21)
Para un sistema en el cual T, V, N son constantes el estado de equilibrio corresponde
al mı́nimo de F , pues
dF = dU − T dS − S dT = dU − T dS.
22
2.4. Termodinámica
energı́a libre es también el máximo trabajo “útil” que se puede obtener bajo T, V, N
constantes.
Si se substituye la ecuación fundamental para dU se obtiene
M
X
dF = −S dT − p dV + µj dNj , (2.22)
j=1
válida en condiciones generales, es decir, no sólo para un sistema rodeado por un baño
con T, V, N constantes. Note que en este último caso produce dF = 0 como debe ser.
Entalpı́a
Para sistemas con V y N fijos se han definido tres funciones fundamentales, con un
principio extremal asociado. La función de entropı́a S = S(U, V, N) es máxima cuando
U se controla en la frontera. La función de energı́a U = U (S, V, N) es mı́nima cuando
S se controla en la frontera. Y la función de energı́a libre de Helmholtz F es mı́nima
cuando T se controla en la frontera. Hay todavı́a otras dos funciones fundamentales.
La entalpı́a que se define en este numeral y la energı́a libre de Gibbs en el próximo.
La Entalpı́a, que es mı́nima en el equilibrio para un sistema en el cual S, p y N son
las variables independientes, se define como
23
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
es un mı́nimo. Las reacciones quı́micas, los cambios de fase, los procesos biológicos
y fı́sicos pueden ocurrir en tubos de ensayo. Un tubo de ensayo puede intercambiar
energı́a con el entorno por cambio de volumen y/o flujo de calor. El equilibrio se da
cuando la entropı́a del tubo más la del entorno es máxima. Como para el tubo mismo,
T, p, N son constantes, el equilibrio ocurre cuando la energı́a libre G es mı́nima.
Distribución de Boltzmann
El principio de maximización de la entropı́a permite calcular la probabilidad de un
determinado nivel de energı́a Ej , dado el promedio de la energı́a, mediante la llamada
Distribución de Boltzmann
Pr[E = Ej ] = Z −1 e−Ej /kT , (2.24)
donde
t
X
Z= e−Ej /kT (2.25)
j=1
Justificación
La siguiente es una justificación de la ecuación (2.24). Para un micro estado j, se
quiere calcular la probabilidad pj , dada la energı́a Ej . Se supone (T, V, N) constantes.
Luego la condición de equilibrio es la energı́a libre dF = dU − T dS = 0. Se procede
a calcular dS,
t t
S X X
=− pj ln pj ⇒ dS = −k (1 + ln pj ) dpj ,
k j=1 j=1
y dU ,
t
X t
X
U = hEi = pj Ej ⇒ dU = dhEi = (Ej dpj + pj dEj ).
j=1 j=1
P
La primera leyP es dU = δQ + δW . Si V es constante dU = dhEi = δq, luego Ej dpj
es el calor y pj dEj el trabajo.
Luego la distribución en el equilibrio cumple
X
dF = dhEi − T dS = 0 sujeta a pj = 1.
Usando la técnica de multiplicadores de Lagrange
t
X
dF = [Ej + kT (1 + ln p∗j ) + α] dpj = 0,
j=1
lo que da ln p∗j = −Ej /kT −α/kT −1. De donde se llega a la Distribución de Boltzmann
t
X
pj = Z −1 e−Ej /kT , con Z = e−Ej /kT
j=1
24
2.4. Termodinámica
Aplicación
En la atmósfera, debido al potencial gravitatorio la energı́a depende de la altura z,
E(z) = mgz.
Distribución Maxwell-Boltzman
Una partı́cula en un recipiente, a volumen constante, con velocidad v = (vx , 0, 0) y
masa m, tiene energı́a cinética E(vx ) = 21 mvx2 , luego de acuerdo a la distribución de
Boltzmann se tiene
1/2
1 2
p(vx ) = e−mvx /2kT .
2πmkT
En general las componentes son independientes, luego
3/2
m 2 2 2
p(vx , vy , vz ) = e−m(vX +vy +vz )/2kT ,
2πkT
Función de Partición
En muchos casos el estado base tiene E1 = 0. Si T → ∞ entonces Pr[Ej ] → 1/T . En
el otro extremo si T → 0 entonces Pr[Ej ] → 0 para j 6= 1 mientras que Pr[E1 ] = 1.
También es posible enfocarse en niveles de energı́a El que tienen multiplicidad M (El ),
en tal caso Pr[El ] = Z −1 M (El )e−El /kT .
La función de partición de un sistema de N partı́culas distinguibles e independientes
se escribe como
Z = zN ,
donde z es la función de partición de cada partı́cula.
La función de partición de un sistema de N partı́culas indistinguibles e independientes
se escribe como
zN
Z= ,
N!
Claramente
t
X t
X
U = hEi = Ej Pr[Ej ] = Z −1 Ej e−βEj ,
j=1 j=1
25
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
2.5. Magnetismo
Para un sistema magnético la primera ley de la termodinámica es
dU = T dS − M dH, (2.32)
donde M es la magnetización y H el campo magnético (no confundir con la entalpı́a
H). Acá se asume que el volumen y la composición son fijos, por lo tanto, dV = 0 y
dNj = 0. En esta forma de escribir la energı́a no se incluye la energı́a almacenada en
el campo magnético.
En términos de la energı́a libre (y en vista de la ecuación (2.28) de la función de
partición) la magnetización es
∂F
M =− . (2.33)
∂H T
El calor especı́fico a H constante es
∂U
CH = , (2.34)
∂T H
la susceptibilidad isotérmica
∂M
χT = . (2.35)
∂H T
El calor especı́fico a H o M constantes también se puede expresar en términos de la
entropı́a (X = H, M )
∂S
CX = T .
∂T X
26
Capı́tulo 3
Transiciones de Fase
3.1. Caracterización
Una transición de fase se caracteriza por una singularidad en un potencial termo-
dinámico, como por ejemplo la energı́a libre o una de sus derivadas. Lo que se obser-
va es un cambio abrupto en alguna de las propiedades de una substancia. Ejemplos
tı́picos son los cambios de estado de la materia. En tales casos hay fronteras bien
definidas entre un estado y otro y si se cruza una de estas fronteras hay un cambio
abrupto de la densidad y liberación de calor latente.
Si hay una discontinuidad finita en uno o más de las derivadas de primer orden de
tal potencial termodinámico la transición de fase se denomina de primer orden. Para
un sistema magnético, la energı́a libre F, ver definición en la ecuación (2.21), es el
27
3. Transiciones de Fase
H>0
H→0+
H→0-
H<0
Introducción
Un primer acercamiento a las transiciones de fase es mediante la descripción de como
cambian las diferentes funciones termodinámicas a medida que cambian las variables
que producen la transición. En lo que sigue se describen las figuras 3.1 a 3.10 para el
28
3.1. Caracterización
29
3. Transiciones de Fase
H
1 2 3
Tc
5
T
Figura 3.2: Diagrama de fase ferro magneto simple. Hay una lı́nea de transiciones
de primer orden a lo largo de H = 0 que termina en un punto crı́tico en T = Tc .
Adaptada de Yeomans 1992
0
F H
-‐1 -‐0.8 -‐0.6 -‐0.4 -‐0.2 0 0.2 0.4 0.6 0.8 1
-‐0.2
-‐0.4
-‐0.6
-‐0.8
30
3.1. Caracterización
1.5
M
T<Tc
1
T=Tc
0.5
T>Tc
H
0
-‐1.2 -‐1 -‐0.8 -‐0.6 -‐0.4 -‐0.2 0 0.2 0.4 0.6 0.8 1 1.2
-‐0.5
-‐1
-‐1.5
31
3. Transiciones de Fase
T=Tc
T>Tc
T<Tc
χ
H=0
H�0
H 0
Tc T
32
3.1. Caracterización
magnetización y eventualmente todos los espines se alinean. Cual de los dos sentidos
predomina es accidental, depende de condiciones iniciales infinitesimales. Las dos
ramas tienen igual energı́a libre, la termodinámica no permite seleccionar una sobre
la otra. La susceptibilidad es máxima para T = Tc y es simétrica para valores positivos
o negativos de H. Lo más importante es que diverge para H = 0 lo que corresponde
a la magnetización espontánea (figura 3.6).
Densidad
Punto Crítico
217.7
100
Presión
Temperatura
Sólido
Líquido
1
Densidad
Gas
374.4
Temperatura
100 374.4
Temperatura
Figura 3.7: Transiciones de fase gas-lı́quido-sólido. Todas las transiciones son de pri-
mer orden (calor latente) excepto en el punto crı́tico. En T = 100 ◦ C la densidad del
agua lı́quida es 958 kg m−3 , y la del vapor de agua es 0,59 kg m−3 . Un factor de 1600.
Adaptada de Solé (2011)
Para contrastar con otros sistemas más complejos se presenta en la figura 3.7 el dia-
grama de fase para el agua. Para establecer una correspondencia con el ferro magneto
basta identificar el momento magnético H con el volumen V y la magnetización M
con la presión p. Por ejemplo comparar, con dNj = 0, la ecuación diferencial de la
energı́a para el fluido, ecuación (2.18), con la del ferro magneto, ecuación (2.32). Con
tal correspondencia conectar la termodinámica es simple. Note la falta de simetrı́a.
Por ejemplo siguiendo trayectorias con temperatura constante si es posible cruzar una
frontera entre fases.
La asimetrı́a es más clara en la gráfica de la densidad como función de la temperatura
en la curva gas–lı́quido, figura 3.8, que se contrasta con la
figura 3.1. En la figura 3.9
∂U
se presenta la variación del calor especı́fico, CV = ∂T con la temperatura para
V
el argón a lo largo de la curva de densidad constante e igual a la densidad crı́tica. Se
puede observar que para T = Tc el calor especı́fico diverge. Esta divergencia es una
señal clara de la transición crı́tica.
En la figura 3.10 se representa para un fluido la superficie P − V − T que ilustra el
caso de un gas ideal, sin discontinuidades y un material real, con las correspondientes
fronteras entre fases y las discontinuidades de la superficie. Una transición crı́tica
puede entenderse con la imagen de un espacio en el que se separan dos ambientes
mediante un muro que no llega hasta el techo, es por lo tanto posible pasar de un
ambiente a otro de manera continua.
33
3. Transiciones de Fase
2.5 ρ/ρc
1.5
Párametro de orden
0.5
T/Tc
0
0 0.2 0.4 0.6 0.8 1
Figura 3.8: Densidad en función de la temperatura para las fases lı́quida (ρl (T ), rama
superior) y gaseosa (ρg (T ), rama inferior). El parámetro de orden es ρl (T ) − ρg (T ).
Adaptada de Yeomans 1992
18
Cv/k
16
14
12
10
T/Tc
0
0.5 0.7 0.9 1.1 1.3
Figura 3.9: Calor especı́fico a volumen constante para argón a lo largo de la curva de
densidad constante e igual a la densidad crı́tica. Adaptada de Yeomans 1992
Exponentes Anómalos
Se ha dicho que un punto crı́tico se caracteriza por la divergencia del calor especı́fico
en el caso de los fluidos y de la susceptibilidad en el caso de los ferro magnetos. Resulta
que es fundamental para la teorı́a de los fenómenos crı́ticos entender cuidadosamente
cómo ocurren estas divergencias y el comportamiento singular de las demás funciones
termodinámicas cerca al punto crı́tico. Para esto se define un conjunto de exponentes
denominados exponentes crı́ticos. Una caracterı́stica notable de estos exponentes es
su universalidad. Más adelante se argumenta que estos exponentes son anómalos, en
el sentido de que no se deducen del análisis dimensional.
Considere una medida adimensional de la desviación de la temperatura con respecto
a la temperatura crı́tica,
t = (T − Tc )/Tc , (3.2)
34
3.1. Caracterización
o
lid ido
Só
Líqu
to
Pun ico
o
Crít
-líquid
Sólido
Líq
va uido Ga
Pesión
po
r - s
Lín
ea Va
trip po
le r
Líq
uid
o-
va
po
Vo r
lum
ene
sp
ecí
fic ura
o rat
pe
Tem
35
3. Transiciones de Fase
Universalidad
Resulta que se ha observado que los exponentes crı́ticos son los mismos para dife-
rentes sistemas en los que se presenta una transición de fase. Esto ha dado origen al
término de Universalidad. La figura 3.11 ilustra esto para ocho fluidos diferentes, para
los cuales los datos experimentales se ajustan bien si se asume b = 1/3. Una prueba
1.05
0.95
0.9
0.85
Ajuste CH4 O2
T/Tc
0.8
Xe Kr CH4
0.75
CO N2 Ne
0.7
0.65 A
0.6
0.55
0 0.5 1 1.5 2 2.5
ρ/ρc
36
3.2. Modelo Ising
Fundamentos
Sin fases el mundo serı́a monótono. Para que haya una transición entre dos fases,
éstas deben poder coexistir bajo iguales condiciones termodinámicas. Normalmente
el Hamiltoniano tiene más simetrı́a que una de las fases. Por lo tanto, hay pérdida de
simetrı́a en las transiciones mediante algún tipo de orden emergente. En el modelo
que se va a presentar, la energı́a no cambia si todos los espines se invierten, pero una
caracterı́stica fundamental de los ferro magnetos es la magnetización espontánea, es
decir, regiones predominantes del ferro magneto están alineadas en la misma dirección,
luego se pierde la simetrı́a. Explicar esto no es simple, más adelante se intenta usando
el modelo Ising y algo de matemática.
Además de las transiciones de fase de lı́quido a gas y demás cambios de estado estas
transiciones se habı́an observado en ferro magnetos y se consideró que el problema era
más fácil en este terreno. El caso sin interacción entre los espines habı́a sido resuelto
por Curie (1895) (Sección 3.2) y era claro que sin interacciones no era posible explicar
las observaciones. El modelo más simple que tiene en cuenta la interacción de spines
se conoce con el nombre de modelo Ising (Ising 1925), estudiante de Lenz (1920)
quien en su tesis de doctorado resolvió el problema formulado por su profesor en una
dimensión, y encontró que no habı́a lugar a transiciones de fase. Equivocadamente
generalizó que el modelo no puede explicar las transiciones en ninguna dimensión.
Algunos se refieren al modelo Ising como el modelo Lenz–Ising para hacer justicia a
la idea original.
37
3. Transiciones de Fase
Por debajo de Tc hay magnetización espontánea y por encima las fluctuaciones térmi-
cas hacen que los espines se desorganicen y la magnetización desaparece. La solución
completa y definitiva para el caso de dos dimensiones se debe a Onsager (1944). El
caso de tres dimensiones permanece abierto y para más dimensiones la teorı́a del
campo medio da buenos resultados.
Considere una retı́cula, R = a(n1 , n2 , . . . , nd ), con N sitios, donde d es la dimensión
del espacio, a es la longitud de la retı́cula, y los ni son un conjunto de posibles enteros
que definen cada punto de la retı́cula. En cada sitio i hay un espı́n si que toma el valor
±1. Sea {sk } una de las 2N posibles configuraciones definida por la orientación de los
espines en cada uno de los N sitios. El Hamiltoniano (la energı́a) de tal configuración
es X X
H{sk } = −H si − J si sj (3.8)
i hi,ji
en la que X
sV (i) = sj (3.10)
j∈hi,ji
En el caso unidimensional los vecinos cercanos de un sitio son dos, el sitio a su derecha
y a su izquierda. En las fronteras de la retı́cula hay sólo un sitio vecino cercano, excepto
si se asume una condición de frontera periódica, es decir, si se enrolla la retı́cula y el
sitio N queda a izquierda del sitio 1 y a la derecha del sitio N − 1. Para hacer claridad
se escribe en detalle la función de partición para el caso unidimensional con N = 3,
sin enrollar. El Hamiltoniano para este caso es
38
3.2. Modelo Ising
y la función de partición es
Z =e−βH(1,1,1) + e−βH(1,1,−1) + e−βH(1,−1,1) + e−βH(1,−1,−1)
+ e−βH(−1,1,1) + e−βH(−1,1,−1) + e−βH(−1,−1,1) + e−βH(−1,−1,−1)
=eβ(3H+2J) + eβH + eβ(H−2J) + e−βH
+ eβH + e−β(H+2J) + e−βH + e−β(3H−2J)
Magnetización y Susceptibilidad
Conviene verificar el cálculo de M usando la ecuación (2.33)
∂F
kT ∂ Z
M = − ∂H = kT ∂∂Hln Z
= ,
T T Z ∂H T
P P
recordando que la función de partición es Z = {sk } eβ(H si +J si sj ) , su derivada
P
con respecto a H es
X P P
∂Z
∂H = β(Σsi )k eβ(H si +J si sj )
,
T
{sk }
{sk }
2
X P P
−βZ −2 (Σsi )k eβ(H si +J si sj )
{sk }
por lo tanto,
kT χT = h(Σsi − hΣsi i)2 i = h(Σsi − hΣsi i)(Σsj − hΣsj i)i.
La última expresión corresponde a la suma de la función de correlación, también
denominada longitud de correlación, que denotamos como Σi,j Γi,j donde
Γi,j = Γ(ri , rj ) = h(si − hsi i)(sj − hsj i)i = hsi sj i − hsi i2 ,
solo depende de la distancia para el caso homogéneo. En el punto crı́tico la suscepti-
bilidad diverge porque la longitud de correlación diverge.
39
3. Transiciones de Fase
Punto de Curie
Un iman pierde la magnetización si se calienta más allá de una temperatura. Este
comportamiento fue explicado por Pierre Curie en 1895 en su tesis de doctorado. Lo
que sigue es un breve resumen que explica esta interesante observación e ilustra muy
bien los conceptos, todo derivado de la función de partición para el caso de dos niveles
de energı́a, el nivel base con energı́a cero y el nivel excitado con energı́a E1 .
Un material es un para magneto únicamente a temperaturas superiores a su tem-
peratura de Curie. Los para magnetos no son magnéticos en ausencia de un campo
externo. Si se aplica un campo externo los espines pueden temporalmente alinearse.
Las interacciones dipolo a dipolo entre átomos vecinos son pequeñas en comparación
con el efecto de campos externos. Considere un modelo de un para magneto en el cual
cada una de las N partı́culas independientes, distinguibles, tiene dipolo magnético de
magnitud µ. Este momento magnético del dipolo mide la (magnetización) alineación
que resulta de aplicar un campo. Si se aplica un campo magnético B > 0 a un átomo
la energı́a de éste baja en −µB, si su momento es paralelo al campo. Si es antiparalelo
la energı́a sube a +µB. Usando la convención que el nivel base es cero, la diferencia
de energı́as es E1 = 2µB, que corresponde al nivel excitado.
Para este sistema la función de partición por partı́cula es
z = 1 + e−2βE1 ,
recuerde que β = 1/kT , luego la probabilidad del estado base es p0 = 1/z y la del
estado excitado p1 = (1/z)e−2βE1 . La energı́a promedio es
∂ ln z 1 ∂z E1 e−E1 /kT
hEi = − =− = .
∂β z ∂β 1 + e−E1 /kT
La entropı́a es,
S E1 e−βE1
= + k ln(1 + e−βE1 ).
N T (1 + e−βE1 )
Y la energı́a libre
F
= − ln z = − ln(1 + e−βE1 ).
N kT
El promedio de la magnetización (ver la figura 3.15) es
µB
hM i = hµsi i = µp0 − µp1 = µ tanh
kT
40
3.2. Modelo Ising
CV
Figura 3.13: Calor Especı́fico para sistema con dos niveles de energı́a.
Figura 3.14: Esquemas para ilustrar ferro magneto y para magneto. Izquierda: Por
debajo de la temperatura de Curie, los espines vecinos en un ferro magneto están
ordenados en ausencia de un campo externo. Derecha: Por encima de la temperatura
de Curie, los espines están desorganizados en un para magneto a menos que haya un
campo externo.
41
3. Transiciones de Fase
Y la energı́a libre
F
= − ln z = − ln(2 cosh h). (3.14)
N kT
<M>
6
0
0 20000 40000
-1
BT
Esta teorı́a del para magneto sirvió a Schrodinger (1943) para ilustrar el carácter
estadı́stico de las leyes fı́sicas. No se debe pensar que en realidad todos los espines
se alinean con el campo externo. De la ley de Curie se desprende que si se duplica
el campo se duplica la magnetización, y que tal proporción es válida hasta valores
muy altos del campo. La orientación que trata de inducir el campo externo es contra-
rrestada por el ruido térmico, que produce una orientación al azar. Como resultado,
espines individuales cambian de orientación permanentemente y la magnetización es
el reflejo macroscópico del comportamiento promedio. Esto se comprueba al notar
que es posible aumentar la magnetización sin cambiar el campo externo mediante la
disminución de la temperatura. La existencia de un nivel de saturación es también un
reflejo de lo anterior, cuando bien sea el campo es muy grande o la temperatura se
acerca a cero. Todo esto depende de la gran cantidad de espines que componen el ferro
magneto. La saturación indicada por la ley de Curie se confirma experimentalmente.
Para temperaturas muy bajas, duplicar el campo no duplica la magnetización. Esto
depende de la cooperación entre las moléculas en medio de la competencia entre el
campo y el ruido térmico.
42
3.2. Modelo Ising
43
3. Transiciones de Fase
Por lo tanto, la energı́a libre del campo medio se encuentra de substituir este resultado
en la ecuación (3.18)
44
3.2. Modelo Ising
0.8
0.6
0.4
y
0.2
-‐0.2
-‐0.4
-‐0.6
-‐0.8
-‐1
-‐1 -‐0.8 -‐0.6 -‐0.4 -‐0.2 0 0.2 0.4 0.6 0.8 1
<S>
Figura 3.16: Esquema para ilustrar el cálculo de las raı́ces de hSi0 = tanh βJvhSi0 ,
ecuación (3.25), para diferentes valores de la temperatura (β = 1/kT ). La lı́nea roja
es la recta y1 = hSi0 , las curvas corresponden a y2 (T ) = tanh βJvhSi0 para diferentes
valores de T . En azul para Tc = Jv/k, en el origen y1 es tangente a y2 y el único
intercepto es el origen. Si T > Tc , lı́nea verde, en el origen la pendiente de y2 es menor
que la de y1 y el único intercepto es el origen. Mientras que cuando T < Tc , lı́nea
morada, en el origen la pendiente de y2 es mayor que la de y1 y hay además otros dos
interceptos
Teorı́a de Landau
La teorı́a de Landau se basa en hipótesis simples, sin embargo, no sólo predice la
existencia de transiciones de fase, sino además reproduce los exponentes crı́ticos y
45
3. Transiciones de Fase
F = F0 + a2 m2 + a4 m4 , (3.29)
porque únicamente los términos pares son invariantes bajo la inversión de los signos
de la magnetización. No es necesario incluir términos mayores al de orden 4, por-
que como se verá, siendo a4 positivo, los términos que siguen no pueden alterar el
comportamiento crı́tico.
En la figura 3.17 se presenta la energı́a libre como función de m para valores decre-
cientes de a2 . Si a2 es positivo, el mı́nimo de la energı́a libre ocurre para m = 0, lo
que corresponde al estado paramagnético. Para a2 < 0, el mı́nimo de la energı́a libre
ocurre para valores finitos no nulos del parámetro de orden m, lo que corresponde
a la fase ferromagnética. Aparecen dos estados estables con magnetización −m0 y
+m0 que coexisten, como consecuencia de la simetrı́a de F. El punto crı́tico corres-
ponde a a2 = 0, donde la magnetización espontánea aparece, lo que corresponde a la
temperatura crı́tica. Por lo tanto, usando la convención para adimensionalizar de la
ecuación (3.2), el parámetro a2 se escribe
a2 = a˜2 t.
dF
= 2a˜2 tm + 4a4 m3 = 0,
dm
de donde se obtiene que, para t < 0,
m ∼ (−t)1/2 .
En la fuente principal de estas notas, Yeomans (1992, p. 57) se pueden consultar los
demás exponentes.
Pérdida de Simetrı́a
Como se dijo, la pérdida de simetrı́a es una de las caracterı́sticas más sorprendentes de
la magnetización espontánea. En 2 o más dimensiones, sin campo externo aplicado,
46
3.2. Modelo Ising
F-‐F0 F-‐F0
m
m
F-‐F0 F-‐F0
m
m
−kT ln Z
F(T ) = lı́m lı́m .
→0 N →∞ N2
El punto es que el cociente de las contribuciones a Z de los términos de la forma
Z± = e−βH± para los dos estados degenerados es
Z−
= e−2N β ,
Z+
que va a cero cuando N va a infinito. Es decir, sólo el estado con todos los espines
hacia arriba, si = +1 contribuye a la función de partición. La clave es que
47
3. Transiciones de Fase
Aplicaciones
El término gas en retı́cula (en Inglés Lattice gas) tiene su origen en el modelo de Lee
y Yang (1952) que representan un gas mediante los números de ocupación de una
retı́cula. Considere que la retı́cula tiene V sitios (V representa el volumen). Hay una
colección de N partı́culas, con N << V . Las partı́culas se colocan el los nodos de la
retı́cula con la regla de que no puede haber más de una en cada sitio. La otra regla es
que sólo interactúan las partı́culas que ocupan sitios vecinos próximos. El potencial
de interacción entre dos sitios vecinos i y j se expresa como
∞ si r = 0,
V (r) = −0 si r = a, (3.30)
0
en otros casos
es posible hacer corresponder este modelo de gas en retı́cula con el modelo Ising del
ferro magneto tomando el espı́n si = 1 si el sitio está ocupado y si = −1 si no está
ocupado. Matemáticamente se escribe
s1 = 2ni − 1. (3.31)
48
3.3. Simulación Montecarlo
clases de átomos con NA átomos del tipo A, y NB átomos del tipo B. Cada sitio tiene
precisamente un átomo, luego NA + NB = N . La ocupación de cada sitio es n1 = +1
si el sitio i está ocupado por un átomo del tipo A, o ni = −1 si está ocupado por un
átomo del tipo B. Es posible calcular las interacciones y aplicar el modelo Ising.
En soluciones de compuestos surfactantes se forman transiciones de fases a medida
que la concentración aumenta. Estas moléculas tienen una estructura polar, con un
grupo en la cabeza que es muy soluble en agua y una cola de hidrocarburos que es
apenas soluble. Como consecuencia, estas moléculas se organizan de tal manera que
la cabeza está próxima a las moléculas de agua y la cola lo más lejos o resguardada
de ellas. Por ejemplo, si hay una superficie migran hacia ella y se colocan cabeza
abajo. Esto baja la tensión superficial y explica su uso como jabones o detergentes.
A medida que se aumenta la concentración se forman micelas, que son grupos de
moléculas organizadas en forma de esfera o cilindro de tal manera que las cabezas
forman un escudo para proteger las colas de las moléculas del agua. Si se continúa
aumentando la concentración puede ocurrir otra transición a la organización de las
micelas en forma hexagonal o cúbica, con espacios llenos de agua. También puede
haber transiciones a fases laminares.
49
3. Transiciones de Fase
Una explicación intuitiva de por qué el método funciona es que la secuencia de va-
lores que conforman la muestra es tal que a medida que más valores se generan la
distribución se acerca a la distribución deseada. Los valores de la muestra se produ-
cen iterativamente, con la distribución del siguiente dependiendo del actual. En cada
iteración el algoritmo selecciona un candidato al próximo valor de la muestra y con
la probabilidad indicada este candidato se acepta y se procede a la nueva iteración o
se rechaza y el valor actual se re usa para la próxima iteración.
En la figura 3.18 se presenta en términos generales el procedimiento de simulación.
Algunos comentarios sobre asuntos prácticos son necesarios.
Inicialización
Definir el número de sitios, N , inicializar los espines, mantener registro de los vecinos.
También deben incorporarse los parámetros del problema: la temperatura, T, el cam-
po magnético, H y la constante de acoplamiento, J. Una manera de simplificar los
cálculos posteriores será usar la segunda expresión del Hamiltoniano en (3.9), para lo
cual se requiere calcular para cada sitio sV (i) usando la ecuación (3.10).
La inicialización de los espines puede ser aleatoria para valores de la temperatura
altos, en los cuales el comportamiento es semejante al de un para magneto. Para
valor definitivamente bajos, es conveniente escoger al azar (con igual probabilidad)
un primer valor (+1 ó −1) y luego el resto con una distribución con una mayor
probabilidad de repetir tal valor.
También se requiere inicializar en cero las variables en las que se va a calcular los
promedios o los totales, normalmente la magnetización M , la función de partición
Z, que se usarán luego para calcular la energı́a libre y la susceptibilidad. Se calcula
H = H{s0 }, la energı́a correspondiente a la configuración inicial de los espines {s0 }
usando (3.8) o (3.9), y la magnetización correspondiente a la configuración inicial de
los espines
N
X
M0 = si .
i=1
50
3.3. Simulación Montecarlo
2. Cambie temporal
un espı́n,
calcule probabilidad r
genere aleatorio u
3. ¿Acepta el cambio
No (r > u)?
Si
4. Acepta
cambio de espı́n
5. Calcula
variables An
Incrementa contador
6. ¿Fin iteraciones?
No
Si
7. Calcula
promedios.
Termina
Criterio de aceptación
Se calcula
r = exp(−∆H/kT ), (3.35)
se procede a generar un número al azar, u con distribución uniforme entre 0 y 1. El
criterio de aceptación es r > u y el criterio de rechazo del cambio es r ≤ u.
Cambios
En el caso de aceptación del cambio del espı́n en el sitio c se procede a hacer:
sc ⇐ −sc ,
sV (j) ⇐ sV (j) + 2sc , para todo j vecino a c,
H ⇐ H + ∆H,
M0 ⇐ M0 + 2sc
Actualización
Se incrementa el contador de iteraciones it ⇐ it + 1. Si ya terminó el calentamiento,
(it > mc ), se actualizan las variables de acumulación,
M ⇐ M + M0 ,
Z ⇐ Z + exp(−βH)
Iteraciones
Si el número de iteraciones no se ha terminado se regresa al punto 3.3.
Cálculos finales
Se procede al cálculo de los promedios, por ejemplo
M ⇐ M/(m − mc ).
52
3.4. Renormalización
3.4. Renormalización
Se ha hecho énfasis en la divergencia en el punto crı́tico. Una de las consecuencias de
la presencia de este infinito es que todas las escalas de longitud son importantes. Esto
no es usual en fı́sica, la mayorı́a de las veces es posible concentrar una teorı́a en un
rango de escalas estrecho e ignorar lo que sucede por fuera de él. La hidráulica puede
ignorar el movimiento molecular. En una primera mirada la invariancia de escala cerca
a la criticalidad parece una dificultad, pero también puede ser una oportunidad.
Una clave es la teorı́a de los grupos de renormalización. En las figuras 3.19 a 3.21
se ilustra el método mediante simulaciones Monte Carlo para el modelo Ising de la
Sección 3.2. La figura 3.19 corresponde a una temperatura mayor que la crı́tica, la
figura 3.20 a la temperatura crı́tica y la figura 3.21 a una temperatura menor a la
crı́tica. Cada punto de la retı́cula se dibuja negro o blanco según el espı́n corres-
pondiente sea +1 o −1. En cada caso se muestra una secuencia de configuraciones
renormalizadas que se obtiene de reemplazar 9 sitios de la configuración anterior por
un sólo sitio, cuyo espı́n toma el valor de la mayorı́a de los 9 originales. Por tanto, la
escala de longitud para cada retı́cula es cambiada por un factor 3, 32 , 33 y 34 en cada
caso. Se puede apreciar cualitativamente el cambio de la longitud de correlación. En
la figura 3.19 la longitud de correlación decrece, cada cuadro es menos organizado, la
renormalización borra cualquier orden de rango corto que habı́a en el cuadro anterior
y finalmente los espines no están correlacionados. La renormalización corresponde a
un cambio de temperatura, para esta figura cada vez se incrementa y en el lı́mite co-
rresponde a temperatura infinita. Mientras más cerca, por encima, de la temperatura
crı́tica, se inicie, más iteraciones de renormalización son necesaria para llegar a tal
lı́mite. Para temperaturas por debajo de la temperatura crı́tica, figura 3.21, hay un
flujo análogo al aplicar la renormalización, pero el lı́mite es hacia temperatura cero y
la correlación crece, el orden aumenta.
Únicamente para la temperatura crı́tica, figura 3.20, hay fluctuaciones a todas las es-
53
3. Transiciones de Fase
54
3.5. Ejercicios
3.5. Ejercicios
55
3. Transiciones de Fase
una reseña. Consulta las referencias, explica la aplicación del modelo y discute las
comprobaciones con observaciones.
3.5.7 (Cambios en el lenguaje). Nettle (1999) publicó un modelo semejante al modelo
Ising para estudiar los cambios espontáneos en el lenguaje. Stauffer (2008) presenta
una reseña. Consulta las referencias, explica la aplicación del modelo y discute las
comprobaciones con observaciones.
3.5.8 (Altruismo). Mitteldorf y D. S. Wilson (2000) presentan un modelo sobre la
evolución del altruismo. Consulta las referencias, explica la aplicación del modelo y
discute si este modelo se puede formular en el marco del modelo Ising.
56
Capı́tulo 4
4.1. Introducción
El concepto criticalidad auto organizada (CAO) se ha propuesto para sistemas con
comportamiento macroscópico que exhibe invariancia de escala tanto en el espacio
como el tiempo. Este tipo de comportamiento es tı́pico de transiciones de fase, pero
en lugar de ocurrir en un punto crı́tico mediante ajuste externo del parámetro de or-
den, los sistemas auto organizados llegan a la condición crı́tica de manera espontánea.
Esta idea de auto organización fue propuesta originalmente por Bak, Tang y Wie-
senfeld (1987) y para algunos es considerado uno de los mecanismos que generan la
complejidad que nos rodea (Bak 1996).
Los fenómenos crı́ticos se caracterizan por divergencia de la longitud de correlación,
lo que produce ausencia de una escala caracterı́stica y por tanto fluctuaciones a todas
las escalas. Como consecuencia se tienen las leyes de escalamiento, leyes de poten-
cia, que corresponden a la cuantificación mediante los exponentes (anómalos) de la
invariancia de escala. Mientras que tı́picamente, la criticalidad ocurre para un va-
lor particular del parámetro de control que es ajustado externamente; los fenómenos
descritos mediante CAO reciben un suministro continuo de materia y/o energı́a y
evolucionan a la criticalidad de manera espontánea, sin regulación externa.
El concepto ha sido aplicado en campos muy diversos incluyendo geofı́sica, cosmo-
logı́a, evolución y ecologı́a, economı́a, gravedad cuántica, sociologı́a, fı́sica solar, fı́sica
de plasma, neurobiologı́a y otros campos. De estos campos hay alguna evidencia
empı́rica y propuestas de modelos que reproducen el escalamiento en un rango de
escalas. La teorı́a no es tan desarrollada como algunos proclaman y además subsisten
inquietudes importantes tanto con respecto al análisis de datos, sean experimentales
o resultados de simulaciones, como frente a la formulación teórica. Sobre el primer
punto se hará una breve mención y se señalaran trabajos en los que se profundiza
el tema. Se presentan los fundamentos de los modelos y las observaciones para los
57
4. Criticalidad Auto Organizada
58
4.2. Análisis Dimensional y Escalamiento
Semejanza
El tema de la semejanza en fı́sica es inmenso, se considera importante un resumen
(Gupta y Mesa 2014). En Barenblatt (1996) y Barenblatt (2003) se puede profundizar.
El análisis dimensional se basa en la idea simple de que las leyes de la naturaleza
son independientes del sistema de unidades que se escoja para las mediciones. Como
consecuencia, estas leyes son invariantes ante cambios de escala. Matemáticamente
esto se expresa mediante funciones homogéneas lo que implica leyes potenciales.
Una función f es homogénea de grado n si al cambiar la escala de cada uno de sus k
argumentos por un factor λ se cambia la escala de la función por el factor λn . Esto
es, f es homogénea si f (λx1 , λx2 , . . . , λxk ) = λn f (x1 , x2 , . . . , xk ). Según el teorema
de Euler, si una función f es homogénea de grado n entonces
∂f ∂f ∂f
x1 + x2 + · · · + xk = nf (x1 , x2 , . . . , xk ).
∂x1 ∂x2 ∂xk
59
4. Criticalidad Auto Organizada
60
4.2. Análisis Dimensional y Escalamiento
Invarianza de escala
Para cerrar esta sección una muy breve mención a los métodos de semejanza de escala,
algebras de Lie y el teorema de Noether (Logan 2004, p. 416). La simetrı́a de la leyes
fı́sicas ante cambios de escala es una de un grupo más general de posibles simetrı́as.
El teorema de Noether establece una correspondencia entre leyes de conservación
y simetrı́as. Además, existe una sistematización matemática de la simetrı́a de escala
mediante los grupos de Lie que permite el desarrollo de técnicas para simplificar ecua-
ciones diferenciales, por ejemplo, para reducir de una ecuación en derivadas parciales
a una ecuación diferencial ordinaria. Solamente se va a ilustrar con un ejemplo para
motivar a los interesados.
Considere la ecuación de calor en una dimensión
61
4. Criticalidad Auto Organizada
Note que en (4.1) la derivada con respecto al tiempo es de primer orden y la respecto al
espacio es de segundo orden. En el estiramiento (4.2) esto se traduce en los exponentes
de la variable en la transformación (4.2), lo que hace invariante la ecuación al cambio
de variables.
Este ejemplo se puede generalizar. En el proceso juega un papel importante el con-
cepto de grupo de Lie de transformaciones (cambios de variable). Para simplificar
se toma el caso de dos variables independientes x y t, pero todo se puede extender
a problemas con más variables. Por una transformación T se entiende un mapa del
plano R2 a R2 , definido por las ecuaciones
T : t̄ = φ(x, t), x̄ = ξ(x, t),
donde φ y ξ son funciones dadas. Geométricamente T transforma un punto del plano
(x, t) a otro punto del plano (x̄, t̄) con el mismo sistema de coordenadas de referencia.
Si S es otra transformación, entonces ST representa la transformación que resulta
de primero aplicar la transformación T y al resultado aplicarle la transformación
S. También es posible definir la transformada inversa T −1 y la identidad. Con estas
reglas se define el grupo de Lie de las transformadas locales para estudiar la invarianza
de una ecuación dada. Adicionalmente se asume que la transformación depende de un
parámetro , real, y que las funciones φ y ξ son analı́ticas en R2 × (−0 , 0 ). Algunos
ejemplos de transformaciones son las rotaciones, las traslaciones, los estiramientos.
Usando la expansión en series de Taylor alrededor de = 0 (la identidad) se obtiene
la llamada transformación infinitesimal, que es lineal.
El procedimiento práctico consiste en trabajar con una familia de transformaciones y
escoger el miembro adecuado de la familia para obtener la invarianza de la ecuación
en cuestión. Por ejemplo, la familia de estiramientos en dos variables es
T : x̄ = (1 + )a x, t̄ = (1 + )b t, ū = (1 + )c u, (4.6)
donde a, b y c son constantes fijas por determinar, y es un parámetro real con valores
en un intervalo I que contiene a cero. En esta nomenclatura, la identidad corresponde
a = 0. La transformación infinitesimal asociada es
x̄ = x + ax + o(), t̄ = t + bt + o(), ū = u + cu + o().
62
4.3. Escalamiento Estadı́stico
F (x, t, u, ux , ut , uxx , uxt , utt ) = A()F (x̄, t̄, ū, ūx̄ , ūt̄ , ūx̄x̄ , ūx̄t̄ , ūt̄t̄ ),
para todo en el intervalo I, para alguna función A, tal que A(0) = 1. En el caso en
que A() = 1 para todo en el intervalo I, se dice que es absolutamente invariante.
Con tal definición hay un teorema que establece que la transformada de una solución
a (4.7) es solución de la ecuación transformada.
Fy (y) = Pr[Y ≤ y]
= Pr[aX + b ≤ y]
= Pr[X ≤ (y − b)/a]
y−b
= Fx , (4.8)
a
dFy (y)
fy (y) = dy
1 y−b
= fx . (4.9)
a a
63
4. Criticalidad Auto Organizada
Definición 4.3.1. Dos distribuciones F1 y F2 se dice que son del mismo tipo si
F2 (x) = F1 (αx + β) con α > 0. Se dice que α es el factor de escala y β la constante
de centro o ubicación.
d
F1 = F2
64
4.3. Escalamiento Estadı́stico
1
φ(z) = √ exp {−z 2 /2}, (4.14)
2π
Z x
Φ(z) = φ(z) dz. (4.15)
−∞
cómo se puede verificar usando las ecuaciones (4.14) y (4.16). Como se ve, la carac-
terı́stica de la distribución normal tiene la misma forma que la densidad.
Si una variable aleatoria X tiene caracterı́stica ϕx (w), la variable Y = aX + b tiene
caracterı́stica ϕy (w) = eıwb ϕx (aw).
65
4. Criticalidad Auto Organizada
ϕ(n) n n
x (0) = ı E[X ]. (4.19)
√ w2
ϕx (w/ n) = 1 − + o(w2 /n).
2
Al substituir esta expansión en la ecuación (4.21) se obtiene la función caracterı́stica
de la distribución normal, pues ex = lı́m(1 + x/n)n .
Algunas de las propiedades más importantes de la distribución normal son: cualquier
función lineal de normales es normal, la distribución normal es el lı́mite de sumas
de variables aleatorias (TLC), existe una teorı́a desarrollada para hacer pruebas de
66
4.3. Escalamiento Estadı́stico
Probabilidad
Probabilidad
Probabilidad
0 1 0 1 2 3 4 5 30 50 70
Número de caras Número de caras Número de caras
Colas pesadas
La razón del fracaso del fondo LTCM (long term capital management) descrito al co-
mienzo de esta sección parece se debe a que el modelo usado se basa en distribuciones
de cola delgada, mientras que la realidad corresponde a distribuciones de cola pesada.
Para introducir el tema de las distribuciones de cola pesada considere una distri-
bución potencial, es decir una con densidad proporcional a x−β , con un exponente
caracterı́stico dado β. Los métodos de integración clásicos muestran que
(
1
x1−β + c si β 6= 1
Z
−β
x dx = 1−β
ln(x) + c si β = 1,
por lo tanto, el dominio de la función de densidad no puede ser (0, ∞). Para que tales
densidades sean normilizables se debe excluir el cero del dominio. Si el dominio es
(s, ∞), para algún s > 0, se deduce que tal distribución potencial (distribución de
Pareto):
- No es normalizable si β ≤ 1,
- Es normalizable con media y varianza infinitas si 1 < β ≤ 2,
- Es normalizable con media finita y varianza infinita si 2 < β ≤ 3,
- Es normalizable con media y varianza finitas si 3 < β.
67
4. Criticalidad Auto Organizada
Exponencial
x x
1 2 0 20 40
Cola pesada
x x
1 2 0 20 40
1 x
Figura 4.2: Aunque las densidades de distribuciones con colas exponenciales y pesadas
parecen semejantes, las colas son muy diferentes. En el medio se ilustran unas cuantas
realizaciones y a la derecha un número grande de realizaciones lo que hace evidente
la gran diferencia. Tomada de Fieguth (2017).
Un resultado fundamental del cálculo es que la función exp(x) va más rápido a infinito
que cualquier potencia positiva de x. De manera correspondiente vale semejante afir-
mación sobre la rapidez de la convergencia a cero para exp(−x) y potencias negativas
de x. Por tal razón se usa el término cola delgada para las distribuciones cuya cola
va a cero a una velocidad exponencial o mayor. Por ejemplo, según la ecuación (4.22)
la cola de distribución normal va a cero como exp(−x2 ). Pero la distribución Pareto
va a cero como x−β , mucho más lentamente, por eso el nombre de cola pesada. La
figura 4.2 ilustra la diferencia entre cola delgada y pesada. La figura 4.3 muestra
varios ejemplos de aplicaciones de distribuciones con cola pesada.
Para ilustrar las implicaciones prácticas considere el caso de la sismicidad. Suponga
que en un sitio dado (por ejemplo la zona del Pacı́fico cercana a la central nuclear de
Fukushima en Japón), con 200 años de datos, el máximo terremoto observado tiene
magnitud 8,5, lo cual lo escribimos como x1/200 = 8,5. Ahora, si se asume que la
distribución de la magnitud es normal, y se condiciona a una magnitud x > 8,5, el
promedio de 1000 realizaciones es 1, 12x1/200 , pero si la distribución es Pareto con
β = 2/3 dicho promedio es 10x1/200 . Una diferencia substancial si se quiere diseñar
por ejemplo la altura del muro para proteger la central nuclear de las olas de un
tsunami generado por sismos. En realidad, la distribución de la magnitud de sismos
se considera que está bien descrita por la distribución de Pareto con tal exponente, y
el valor de x1/200 citado es cercano a lo estimado para el sitio.
Para un ejemplo un poco menos importante desde el punto de vista aplicado, pero
que ilustra la diferencia dramática, considere que la estatura de la mujer más alta
entre 200 es x1/200 = 1,82m. Si la distribución de la estatura es normal (que es lo
aceptado), el promedio de la estatura de 1000 mujeres más altas que x1/200 es 1,85m.
Pero si la distribución de la estatura fuera Pareto tal promedio serı́a 9,14m.
Una variable aleatoria X tiene distribución Pareto en el dominio (s, ∞), con cola, F̄ ,
68
4.3. Escalamiento Estadı́stico
Frecuencia
Frecuencia
Riqueza
1 0 2
10 x −0.7 10 x −2.7 10 x −0.9
-4
10
0 0
10 0 1 2 3 -2 0 2 10 0 2 4
10 10 10 10 10 10 10 10 10 10
Rango de Riqueza Tamaño Rango
Frecuencia
Frecuencia
-8
-2 10
10
Citas
3
x −2.2 x −1.2 10 x −0.5
-10
-4 10
10
-12 2
0 1 2 10 5 10 10 0 1 2 3
10 10 10 10 10 10 10 10 10
Victimas Magnitud Rango
Figura 4.3: Diagramas Log-Log para varios ejemplos de aplicaciones en las cuales se
considera que la distribución es de colas Pesada. Tomada de Fieguth (2017).
69
4. Criticalidad Auto Organizada
5 5 5
Mediana muestral
Media muestral
Media muestral
0 0 0
-5 -5 -5
0 1 2 3 0 1 2 3 0 1 2 3
10 10 10 10 10 10 10 10 10 10 10 10
Número de muestras normales Número de muestras cauchy Número de muestras cauchy
Figura 4.4: Comparaciones Media y Mediana. Media en función del tamaño muestral.
Izquierda: distribución con varianza finita. Centro: distribución de Cauchy. Derecha:
Mediana para la distribución Cauchy. Tomada de Fieguth (2017)
0 0
10 10
-2 -2
10 10
Probabilidad
Probabilidad
-4 -4
10 10
x −1.0
-6 -6
10 10
x −3.0
x −2.0
-8 -8
10 0 2 4 6 10 0 2 4 6
10 10 10 10 10 10 10 10
Tamaño Tamaño
Figura 4.5: Estimación del exponente de la cola en una distribución de cola pesa-
da.Tomada de Fieguth (2017), ver otra aplicacion en figura 4.12
70
4.3. Escalamiento Estadı́stico
(q, βq), (βq, β 2 q), . . ., para un valor conveniente β > 1. La frecuencia asociada a cada
intervalo se escala con la longitud del intervalo, fi = ni /(N si ), donde ni es el número
de observaciones en el intervalo, N el número total de observaciones y si la longitud
del intervalo. El exponente se puede estimar por mı́nimos cuadrados en espacio Log-
Log, o se usan dos intervalos separados convenientemente y la fórmula γ = 1 −
log[f1 /f2 ]/ log[q1 q2 ], donde f1 es la frecuencia asociada al intervalo (q1 , βq1 ) y f2 al
(q2 , βq2 ). La figura 4.5 ilustra este método.
El origen de colas pesadas en las distribuciones puede ser variado. Las explicaciones
incluyen el escalamiento o la autosemejanza. También la criticalidad auto-organizada
que se presenta en este capı́tulo. Es muy popular el llamado principio de Pareto que
dice que para muchos eventos, aproximadamente el 80 % de los efectos viene del 20 %
de las causas. Por ejemplo aplicado a la distribución de la tierra indica que el 80 % de
la tierra es propiedad del 20 % de los propietarios. Afirmaciones semejantes se refieren
a la distribución del ingreso y varias otras evidencias de la llamada desigualdad. Con-
viene anotar que de ser cierto este principio para situaciones problemáticas puede ser
una buena noticia, por ejemplo controlando sólo el 20 % de las causas se puede resol-
ver el 80 % del problema. La figura 4.6 ilustra tal auto-semejanza con la distribución
del ingreso a nivel mundial y en Canadá, también la frecuencia del uso de palabras
en un libro y un capı́tulo. Este es uno de los signos de un posible escalamiento es el
hecho de que al menos en los exponentes hay semejanza entre el todo y las partes,
una propiedad muy propia de los fractales.
1
10 2
10 x −0.9
x −0.7
1
10 x −0.8
x −0.7
0 0
10 0 1 2 3
10 3 2 4
10 10 10 10 10 10 10
Rango de riqueza Rango
Figura 4.6: Ilustración de que la parte puede ser semejante al todo. Caso de la riqueza
en un paı́s con distribución semejante a la distribución global. Caso de la frecuencia
de uso de palabras en un capı́tulo semejante al libro. Tomada de Fieguth (2017)
Para la simulación de procesos en los que haya variables aleatorias con distribución
Pareto se procede según la receta general que consiste en generar números con distri-
bución uniforme entre (0, 1) y a partir de ellos se obtienen los números con distribución
Pareto usando la inversa de la distribución. La figura 4.7 ilustra el procedimiento.
71
4. Criticalidad Auto Organizada
Fx
1
Distribución uniforme x
0
Distribuido como px
Distribuciones estables
Teorı́a Básica
Sean X, X1 , X2 , . . . variables aleatorias independientes con distribución R y Sn =
X1 + · · · + Xn .
72
4.3. Escalamiento Estadı́stico
nL(an )
lı́m = 1, (4.31)
n→∞ aα
n
Ejemplos
73
4. Criticalidad Auto Organizada
74
4.3. Escalamiento Estadı́stico
con Xn una familia de variables aleatorias iid con distribución Bernoulli con parámetro
p ∈ (0, 1), tal que
(
+1 con probabilidad p
Xn = (4.39)
−1 con probabilidad q = 1 − p.
Este ejemplo tiene múltiples aplicaciones y arroja luces sobre temas profundos de la
teorı́a de probabilidades que por otros métodos requieren métodos avanzados.
Una manera de describir la caminata es pensar en la ganancia (pérdida) acumulada
de un jugador que en cada instante del tiempo n apuesta una unidad monetaria al
lanzamiento de una moneda, con cara gana una unidad, con sello la pierde. Suponemos
que tanto el jugador como el oponente tienen un capital inicial ilimitado y por tanto,
el juego es indefinido.
Otra manera de entender la caminata es en el lenguaje del movimiento Browniano
unidimensional. Sn describe la posición de una partı́cula coloidal suspendida en el
fluido contenido en un tubo infinito. En cada instante del tiempo la partı́cula es
golpeada al azar por las moléculas del fluido que la desplazan a la derecha o a la
izquierda con las probabilidades enunciadas.
Tiempo de espera a una ganancia. Sea T la época en la que se tiene por primera vez
una ganancia neta positiva, es decir Sn ≤ 0 para n < T , y ST = 1. Claramente
T es una variable aleatoria. Vamos a calcular su distribución, Pr[T = k] = hk . La
herramienta es la función generatriz
X
H(s) = sk Pr[T = k] = E[sT ]. (4.40)
k
75
4. Criticalidad Auto Organizada
a ST1 +T2 = 1, con T2 otro tiempo aleatorio. La clave es reconocer que T1 y T2 son
independientes y tienen la misma distribución, igual también a la de T . Por lo tanto,
E[sT |X1 = −1] = E[s1+T1 +T2 ] = sH(s)2 . En resumen,
H = ps + qsH 2 .
Esta ecuación algebraica tiene dos raı́ces, se toma la acotada cerca a s = 0 y se obtiene
p
1 − 1 − 4pqs2
H(s) = .
2qs
Es posible expandir H en serie de potencias de s para obtener las probabilidades
correspondientes de los coeficientes. Antes es posible obtener resultados importantes.
X 1 − |p − q|
H(1) = Pr[T = k] = ,
2q
k
y por tanto, si p ≥ q, con probabilidad 1 hay una ganancia neta en alguna época.
Pero si p < q, existe la posibilidad de que Sn permanezca negativa por siempre, esto
ocurre con probabilidad (q − p)/q, que es el complemento de H(1). Claramente, si
p < q, T no es una variable aleatoria genuina. Pero para p ≥ q se puede calcular el
valor esperado,
2p
E[T ] = H 0 (1) = − 1,
p−q
que para p = q = 1/2 es infinito.
La expansión en series se apoya en el teorema del binomio de Newton,
∞
β
X β k
(1 + x) = x , (4.41)
k
k=0
(−1)k−1 12
h2k−1 = (4pq)k (4.42)
2q k
1 2k − 2 k k−1
= p q , h2k = 0.
k k−1
76
4.3. Escalamiento Estadı́stico
Es claro que [τ |X1 = −1] = 1+T porque para retornar al equilibrio hay que ganar una
unidad empezando en S1 = −1. Ahora usando simetrı́a, intercambiando los papeles
de p y q se puede decir algo semejante para la condición X1 = 1. En resumen, (4.43)
se puede expresar como
p
G(s) = E[sτ ] = ps(q/p)H(s) + qsH(s) = 1 − 1 − 4pqs2 . (4.44)
donde las Xk son iid, y n es muy grande para tiempos macroscópicos, n = t/∆t, con
∆t → 0. Por tanto, la distribución de Sn tiende a la distribución normal. Sin embargo,
hay que tener cuidado porque ambos, ∆t y ∆x van a cero, pero no pueden ir a igual
velocidad. Antes de considerar este tema, conviene calcular la media y la varianza
de Xk y Sn . De la ecuación (4.39) es fácil ver que E[Xk ] = p − q, E[Xk2 ] = p + q =
1 = (p + q)2 , y por tanto, Var[Xk ] = (p + q)2 − (p − q)2 = 4pq. En consecuencia,
E[Sn ] = n(p − q) y Var[Sn ] = 4npq.
Si los pasos en lugar de unitarios son de tamaño ∆x, la media y la varianza pasan a
ser t(p − q)∆x/∆t y 4tpq∆X 2 /∆t respectivamente. De la expresión para la varianza
es claro que para obtener un lı́mite finito diferente de cero se requiere que ∆X 2 /∆t
tienda a una constante positiva, digamos σ 2 . De igual manera, para que en el caso
p 6= q se tenga una media finita diferente de cero se toma p = 1/2 + µ∆t/(2∆X). En
conclusión, en el lı́mite la media es µt y la varianza σ 2 t.
77
4. Criticalidad Auto Organizada
S[tm]
X(t) = lı́m √ , (4.45)
m→∞ m
Además, los incrementos del proceso X(t) son independientes. Es decir, para 0 <
t1 < t2 < · · · < tn se tiene que X(t1 ), X(t2 ) − X(t1 ), . . ., X(tn ) − X(tn−1 ) son
independientes. La razón es que cada incremento corresponde a la suma de variables
iid diferentes. La última propiedad importante del movimiento Browniano es que sus
trayectorias son continuas como función del tiempo.
Ya se tienen los elementos necesarios para justificar (4.35), la distribución estable con
exponente α = 1/2 (Feller 1971, p. 437). Contamos con la función generatriz de τ , el
tiempo al primer retorno al equilibrio
√ de la caminata aleatoria, ecuación (4.44), que
con p = q = 1/2 es G(s) = 1 − 1 − s2 . Con la substitución s = e−λ se tiene la
transformada de Laplace p
Lτ (λ) = 1 − 1 − e−2λ .
Para pasar de la caminata aleatoria al movimiento Browniano se requiere el lı́mite de
(τ1 + · · · + τn )/n2 cuando n → ∞, con τ1 , . . . , τn variables aleatorias iid con la misma
distribución que τ . La transformada de la suma es
p
LP τ (λ) = [1 − 1 − e−2λ ]n ,
Para calcular el lı́mite se toman los dos primeros términos de la expansión en serie
de Taylor del exponencial, lo que resulta en
√ √
η(λ) = lı́m LP τ /n2 (λ) = lı́m [1 − 2λ/n]n = e− 2λ ,
n→∞ n→∞
78
4.4. Memoria Larga
es independiente de X(s) para cualquier s < Ta . Ahora, por continuidad, para pasar
por a + b > a tiene que pasar primero por a, luego Ta+b − Ta es independiente de Ta
y tiene la misma distribución que Tb . Por tanto, si denotamos por Fa (t) = Pr[Ta ≤ t]
la distribución de Ta , entonces Fa+b = Fa ∗ Fb , y como ∆x2 /∆t es constante, la
distribución de Ta es la misma que la de a2 T1 , es decir las distribuciones difieren sólo
por un factor de escala y por lo tanto, son estables con parámetro α = 1/2.
La distribución se puede calcular directamente por un argumento de simetrı́a
1 Pr[X(t) > a]
Pr[X(t) − X(s)|Ta = s < t] = = .
2 Pr[Ta < t]
Ahora, X(t)
√ tiene distribución normal con media 0 y varianza t, luego Pr[X(t) > a] =
1 − Φ(a/ t) y, por tanto
√
Pr[Ta < t] = 2[1 − Φ(a/ t)].
Hurst (1951) encontró que para muchas series de tiempo observadas el rango reesca-
lado Rn∗ = Rn /σn crece con la longitud de registro n a una potencia H mayor que
0,5, por lo general cerca de 0,7, donde σn es la desviación estándar de la muestra. En
contraste, según el teorema funcional del lı́mite central (TFLC) de la teorı́a de pro-
babilidades, para una clase muy general de procesos estocásticos con varianza finita
(Bhattacharya, Gupta y Waymire 1983),
∞
0,5
X
E[Rn∗ ] ∼ ( 21 πθn) , con θ = ρk . (4.47)
k=−∞
Mediante el sı́mbolo ∼ se indica que la relación de los dos lados converge a 1 cuando
n → ∞. La secuencia ρk , k = 0, 1, . . . denota los coeficientes de correlación de rezago k,
y θ es la integral de la función de correlación, que también se conoce como la ‘escala
de fluctuación del proceso’ en turbulencia (Taylor 1922). La diferencia observada
empı́ricamente entre los valores de H y 0,5 se conoce como el “fenómeno de Hurst”,
una de las primeras observaciones de escalamiento.
Debido al TFLC, para la existencia del fenómeno de Hurst es necesario violar al menos
una de las dos hipótesis del teorema, a saber, la estacionariedad o la existencia de
79
4. Criticalidad Auto Organizada
Luego cuando θ < ∞ la varianza de las sumas parciales crece linealmente con t y
el comportamiento del proceso xt − x̄ no difiere fundamentalmente de una sucesión
de variables aleatorias independientes. Por ejemplo, hay lugar a una ley de grandes
números porque Var[St /t] → 0 cuando t → ∞, lo que implica que la variable aleatoria
St /t converge a una √ constante, E[x1 − x̄] = 0. Igualmente, hay lugar al teorema del
lı́mite central, St / t converge a una variable aleatoria con distribución normal con
media cero y varianza Var[x1 − x̄]θ. Además, el TFLC aporta más resultados, por
ejemplo, sobre los máximos, mı́nimos y el rango.
Por otro lado, si θ = ∞ se dice que tales procesos estocásticos tienen “dependencia
de largo alcance” o “memoria infinita”. Es importante señalar aquı́ que la tasa de
decaimiento de ρk a cero juega un papel similar en la teorı́a de los sistemas dinámicos
deterministas. También hay que recordar que estas definiciones se basan en propie-
dades de segundo orden (correlaciones). Aunque se puede usar toda la estructura de
la dependencia del proceso para hacer definiciones más estrictas, pero las nociones
más débiles son suficientes para nuestros propósitos (Samorodnitsky 2007). El caso
varianza infinita se tratará más adelante.
Los conceptos de semejanza y auto semejanza son muy importantes para muchas
ramas de la ciencia y la ingenierı́a. Para un proceso auto semejante Z(t), t ≥ 0, si
se cambia la escala de tiempo, el proceso resultante tiene la misma estructura pro-
babilı́stica en una versión a escala del original. En concreto, para a > 0 existe una
constante b positiva tal que
d
Z(at) = bZ(t). (4.48)
Para un proceso estocástico auto semejante, estacionario, no trivial, existe un único
exponente positivo H tal que b = aH . Los procesos auto semejantes no tienen escala
caracterı́stica, en el sentido de que las propiedades temporales tanto locales como
de gran escala son semejantes. La estructura geométrica de las trayectorias puede
ser caracterizada por la dimensión fractal. Pero si las propiedades locales y de gran
escala de un proceso estocástico son independientes, entonces no hay auto semejanza
(Gneiting y Schlather 2004).
Para el caso de varianza finita, sea ρ(s) la correlación de rezago s de un proceso
estocástico estacionario continuo. El comportamiento asintótico de ρ(s) cuando s →
∞ determina la presencia o ausencia de la dependencia de largo alcance. Si
1
lı́m ρ(s) ∼ , β ∈ (0, 1], entonces H = (1 + β)/2. (4.49)
s→∞ |s|1−β
80
4.4. Memoria Larga
81
4. Criticalidad Auto Organizada
1 1
ϑ=H− + , 0 < ϑ < 1. (4.54)
2 α
82
4.4. Memoria Larga
83
4. Criticalidad Auto Organizada
Percolación
Lo que sigue se apoya en lo fundamental es Stauffer y Aharony (1992). Suponga una
retı́cula bidimensional suficientemente grande para que las fronteras no sean impor-
tantes. Cada sitio (centro de un pixel) puede estar o no ocupado por un árbol. Una
constelación es un conjunto de sitios vecinos ocupados por árboles. Vecinos cercanos
se refiere a sitios con un lado de la retı́cula en común. Los sitios que están en esquinas
diferentes de la retı́cula no son vecinos cercanos, sino vecinos próximos a cercanos.
Todos los sitios de una constelación están conectados por una cadena de vecinos cer-
canos ocupados. La teorı́a de percolación trata sobre el número y las propiedades de
las constelaciones (también se usan las palabras racimo, nido y otras más en lugar de
constelación). Hay varias posibilidades para las retı́culas, por ejemplo, triangulares,
rectangulares, hexagonales, cúbicas, cúbicas centradas en la cara, en el cuerpo, para
simplificar sólo se trata el caso rectangular.
La hipótesis más simple sobre la distribución de los árboles en la retı́cula es la inde-
pendencia, es decir, no hay tendencia a la atracción o a repulsión entre vecinos. Se
84
4.5. Incendios Forestales
85
4. Criticalidad Auto Organizada
para p ≈ 0,6. Para este caso el tamaño de la constelación percolante, tal como se mide
con la vida del incendio tiende a infinito, como se puede comprobar si se aumenta
el tamaño de la malla, el promedio de la vida crece linealmente con el tamaño de la
malla.
86
4.6. Sismicidad
Por otro lado, si p(t) > pc un pı́xel elegido al azar tiene un a probabilidad positiva
de pertenecer a una constelación infinita. Un incendio por tanto normalmente será
de tamaño considerable y la caı́da de p(t) será significativa. Si se deja evolucionar el
sistema se observa numéricamente que p(t) → pc , es decir el sistema se auto orga-
niza para que la densidad tienda a la crı́tica. Esto se puede cuantificar mediante la
distribución del tamaño de los incendios, A que sigue una ley de potencia
4.6. Sismicidad
Se presenta una breve descripción de la aplicación de las ideas de criticalidad auto
organizada a la sismicidad. Las fuentes principales son Burridge y Knopoff (1967),
Olami, H. Feder y Christensen (1992) y Bak, Christensen, Danon y Scanlon (2002).
Primero una explicación de los principales conceptos. Luego una breve descripción
87
4. Criticalidad Auto Organizada
Principales Conceptos
Un terremoto (temblor o sismo o seı́smo) es la vibración de la superficie terrestre que
resulta de la liberación súbita de energı́a por la ruptura de una falla en la litosfera
terrestre que genera ondas sı́smicas que se propagan y pueden causar daños y ser
sentida a distancia considerable.
La teorı́a principal que explica los temblores es la llamada teorı́a del rebote elástico.
De acuerdo a esta hipótesis, un sismo ocurre cuando hay suficiente energı́a elástica
acumulada debido a la deformación de la corteza para producir una ruptura y la
consecuente liberación súbita de energı́a en forma de calor, ondas sı́smicas y despla-
zamiento de las superficies de falla. Es posible que exista movimiento continuo en
una falla sin liberación de energı́a sı́smica. Esto se presenta si no hay irregularidades
en la superficie de la falla que opongan resistencia al movimiento. La mayorı́a de las
fallas si oponen resistencia y la energı́a se acumula en forma de energı́a elástica de
deformación. Esta acumulación continúa hasta que los esfuerzos alcanzan a romper
la resistencia de una manera súbita. La ruptura libera la energı́a acumulada.
También hay sismos de origen volcánico. La inyección o retiro de magma producida
por un volcán resulta en cambios de presión en las rocas circundantes que pueden
producir rupturas y movimientos de tierra.
La intensidad es un número que describe la severidad de los efectos de un temblor
en un sitio dado, es decir depende tanto del sismo (magnitud y profundidad) como
de la distancia entre el epicentro y el punto de referencia. Una escala muy usada es
la llamada escala Mercalli modificada en la que la intensidad se escribe en números
romanos y que varı́a de I para sismos imperceptibles, hasta XII para terremotos muy
destructivos.
El momento sı́smico es una medida del tamaño de un terremoto basado en el área
de la ruptura de la falla, el promedio del desplazamiento y la fuerza que se requiere
para superar la fricción que mantenı́a las rocas antes del movimiento. El momento
sı́smico M0 se expresa como M0 = µAD donde µ es el módulo de cortante, que se
toma como 32 GPa en la corteza y 75 GPa en el manto. A es el área de la ruptura y
D el desplazamiento promedio.
La magnitud es un número que caracteriza el tamaño relativo de un terremoto y se
basa en mediciones de acelerogramas. Hay varias escalas, la más usada es la mag-
nitud local o de Richter ML . También se usa la magnitud basada en el área de la
fractura MS y la magnitud del momento sı́smico, MM = (2/3) log(M0 ) − 6, también
expresada como log M0 = cMM + d, con c = 3/2 y d ≈ 9,1. Esta última definición de
magnitud es la más satisfactoria, aunque requiere información adicional a la conte-
nida en los sismogramas. Todas las escalas de magnitud dan valores semejantes para
un determinado temblor, excepto para los más fuertes, para los que se recomienda
MM . Cada unidad de magnitud representa un incremento de diez en la amplitud de la
onda sı́smica y aproximadamente un incremento de aproximadamente 30 veces en la
energı́a del sismo. Empı́ricamente se observa una relación lineal en espacio logarı́tmi-
88
4.6. Sismicidad
co entre el área de la falla y el momento sı́smico, log A ∝ log M0 lo que indica que
el esfuerzo tiende a ser constante para los diferentes terremotos. Igualmente, se ha
reportado M0 ∝ A3/2 y la energı́a E = 1,44MM + 5,24.
Sismicidad Observada
La evaluación del riesgo sı́smico de una región tiene como propósito aportar la infor-
mación necesaria para que los ingenieros puedan diseñar estructuras sismo resistentes.
Para esto se hacen estudios de sismicidad histórica, se estudian los catálogos de los
eventos observados y la tectónica que ubica las fallas geológicas en una región. De fun-
damental importancia es la evaluación de la frecuencia de ocurrencia de los temblores
y la distribución de su magnitud e intensidad. Esta última depende de la distancia a
las fuentes y del tipo de rocas y suelos por los que se propaga la onda sı́smica.
Una de las caracterı́sticas más básicas que se ha observado sobre la sismicidad de un
lugar es la llamada Ley de Gutenberg-Richter,
log10 (N ) = −bML + a,
con N el número de sismos por año con magnitud mayor que ML (Gutenberg y Richter
1944). Los terremotos de mayor magnitud son más infrecuentes y los más abundantes
son de menor magnitud. La existencia de esta relación lineal es notoria y universal.
Es decir, se observa en diferentes regiones del planeta (ver figura 4.9). La constante de
proporcionalidad b, se ha considerado universal, b = 0,9 ± 0,15 (Malamud y Turcotte
1999), y el intercepto a de alguna manera define la sismicidad de una región.
La existencia de esta relación requiere explicación. Algunos (Aki 1981; Rundle, Tur-
cotte, Shcherbakov, Klein y Sammis 2003) toman las relaciones empı́ricas y la ley
de Gutenberg-Richter como una indicación de la fractalidad de la distribución de los
sismos. Es fácil ver que luego de reemplazar las anteriores relaciones se obtiene la
relación de escala
N = βA−3b/2c .
De allı́ infieren por la definición de dimensión fractal que D = 2b, recordando que
b = 3/2. Es decir, la distribución de sismos es fractal y la ley de Gutenberg-Richter
es una manifestación de este carácter. Sin embargo, no se ha establecido una relación
entre el escalamiento en la frecuencia de sismos y la dimensión fractal inferida con la
estructura fractal de la red de fallas geológicas que también ha sido reportada para
un rango amplio de escalas (Turcotte 1997).
Sornette (2003, p. 76) presenta una discusión interesante sobre los lı́mites de la ley de
Gutenberg-Richter para magnitudes muy grandes. Las razones son la conservación de
energı́a y la geometrı́a. Varias propuestas para esto en términos de una segunda ley
potencial con un mayor valor de la pendiente b luego de cruzar un umbral de magnitud.
Otra posibilidad es el llamado ajuste (tapper en inglés) exponencial apoyado en un
lı́mite suave o duro en la magnitud. No se entra en estos detalles, pero si es conveniente
recordar que hay lı́mites para la validez de la ley de Gutenberg-Richter.
Otra observación clara es la disminución con el tiempo del número de réplicas después
de un gran terremoto, f ∝ T −α . Esto se conoce como ley de Omori. La ocurrencia de
89
a sequence of aftershocks an upper limit of the waiting time. For fixed cell size L
h time as T 2a , a ! 1. This and increasing cutoff S (or m), the range of the power-law
ld belief that aftershocks are regime increases. For fixed cutoff S and increasing cell
on mechanism than the main size L, the range of the power-law regime decreases [7].
In Fig. 4, the curves are replotted in terms of rescaled
mplex behavior is obviously4.of Criticalidad
coordinates. The x axis isAuto
chosen as xOrganizada
! TS 2b Ld f , and the
the statistics of earthquakes, y axis represents y ! T a PS,L"T#. The rescaling causes a
ctal structure displayed by the
ribution of epicenters, is also 5
ess and one might speculate 10 10
y these observations. 4
N(M>m) [earthquakes/year]
ng law for the waiting times 10
sing a hierarchical organiza- 3
nitude. There is a correlated 10
1
n of waiting times between 2
T 2a , a ! 1 and an uncorre- 10
waiting time interval for the 1
10
egimes for earthquakes larger
0.1
nds on the area and magnitude 0
10
vering the period 1984 –2000 10
−1
réplicas requiere explicación por parte de la teorı́a del rebote elástico. Se aduce que
hay regiones en las que la ocurrencia de un terremoto aumenta el esfuerzo, pero hay
sistemáticamente un rezago para la ocurrencia de la primera réplica. La corrosión y
la existencia de un esfuerzo crı́tico dependiente de la intensidad son los argumentos
usados.
Hay alguna evidencia de que la frecuencia de sismos de magnitud intermedia aumen-
ta antes de la ocurrencia de un gran evento (Rundle, Turcotte, Shcherbakov, Klein
y Sammis 2003). Lo que se ha propuesto como un método de predicción.
Modelo de Bloques
La interpretación CAO de la sismicidad considera que en una transición de fase de
primer orden las fuerzas tectónicas conducen el sistema de fallas a un estado de equi-
librio metaestable. Como las interacciones elásticas son de largo alcance, el sistema
de fallas puede acercarse a una lı́nea espinoidal. De hecho, en el caso de repetición
en el tiempo de sismos a lo largo de una falla se puede considerar que el sistema
reside permanentemente en la vecindad de una lı́nea espinoidal, con fluctuaciones en
el tiempo alrededor de tal equilibrio.
90
4.7. Deslizamientos (pila de arena)
kL
kc kc
Figura 4.10: Esquema del modelo de bloques y placas tomado de Rundle, Turcotte,
Shcherbakov, Klein y Sammis (2003).
91
4. Criticalidad Auto Organizada
500 60000
30000 450 50000
nro granos presentes
nro granos presentes
tamaño constelación
400 40000
25000
350 30000
300 20000
20000
250 10000
Figura 4.11: Resultados de simulación del modelo de la pila de arena en una malla
cuadrada de 128 nodos. Izquierda, número de granos presentes en función del número
de granos agregados. Centro, detalle de la gráfica anterior para las últimas 10 000
iteraciones. Derecha, tamaño de la constelación de sitios involucrados en el desliza-
miento para las últimas 10 000 iteraciones, note que un sitio puede aparecer varias
veces en una constelación.
92
4.8. Evolución
1.E-‐01
1.E-‐04
1.E-‐05
1.E-‐06
1.E-‐07
1.E-‐08
1.E+00 1.E+01 1.E+02 1.E+03 1.E+04 1.E+05
4.8. Evolución
Bak y Sneppen (1993) presentan un modelo de la evolución que captura la carac-
terı́stica básica señalada por Gould y Eldredge (1977) que postula que ésta ocurre
en ráfagas intermitentes de actividad que separan largos perı́odos de estabilidad en
lugar de un desarrollo gradual como se desprende de la teorı́a de Darwin (1859). La
siguiente reseña se toma de Lesne y Laguës (2012).
El estudio de los fósiles ha permitido reconstruir la historia de las extinciones y
concluir que, en lugar de ser un proceso continuo acumulativo, se concentra en eventos
de corta duración. En el contexto de los ecosistemas, criticalidad se refiere a la alta
interdependencia entre las especies, por ejemplo, mediante relaciones de mutualismo
o de dominancia en la cadena trófica. Tal interdependencia puede explicar los eventos
de extinción de múltiples especies.
El modelo de Bak y Sneppen (1993) se diseñó para capturar tal intermitencia en las
93
4. Criticalidad Auto Organizada
τi = eb(fi −fref ) .
Una especie con grado de aptitud menor que el umbral fijo fref se estingue. La
interdependencia se representa mediante el mecanismo de que cambios en el grado
de aptitud de una especie tienen inicialmente repercusiones en el grado de aptitud
de las especies directamente relacionadas. Pero también de manera indirecta tiene
influencia global porque el efecto se propaga.
El algoritmo evolutivo consiste en seleccionar la especie j con el menor grado de
aptitud y cambiárselo por un valor aleatorio rj . Los vecinos también se cambian,
se reemplaza fj±1 por (fj±1 + rj±1 )/2. Se genera una cascada de extinción y una
evolución espontánea del grado de aptitud a un valor crı́tico fc .
Una vez se alcanza un estado estacionario, se observa la alternancia de perı́odos de
calma con series de extinción. La estadı́stica de la vida media T sigue la relación
N (T ) ∼ 1/T . Tal equilibrio se denomina puntuado, o interrumpido para resaltar la
intermitencia observada en el registro fósil.
4.9. Discusión
Lo que sigue se basa en Jensen (1998). Considere una colección de electrones, o un
montón de granos de arena, un cubo de lı́quido, una red elástica de resortes, un ecosis-
tema, o la comunidad de agentes en el mercado de valores. Cada uno de estos sistemas
consta de muchos componentes que interactúan mediante algún tipo de intercambio
de fuerzas o información. Además de estas interacciones internas, el sistema puede ser
impulsado por alguna fuerza externa: un campo eléctrico o magnético, la gravedad
(en el caso de los granos de arena), cambios ambientales, y ası́ sucesivamente. El sis-
tema evolucionará en el tiempo bajo la influencia de las fuerzas externas y las fuerzas
internas de interacción, suponiendo que se puede descomponer el sistema en compo-
nentes internas y externas de una manera simple. ¿Qué pasa? ¿Hay algún mecanismo
simplificador que produzca un comportamiento tı́pico compartido por la amplia clase
de sistemas, o el comportamiento siempre dependen crucialmente de los detalles de
cada sistema?
El trabajo de Bak, Tang y Wiesenfeld (1987) contiene la hipótesis de que, de hecho,
los sistemas que consisten de muchas componentes que interactúan pueden exhibir de
manera general un comportamiento caracterı́stico. La afirmación seductora es que,
bajo condiciones muy generales, los sistemas dinámicos se organizan en un estado
complejo, pero con una estructura general. Los sistemas son complejos en el sentido
94
4.9. Discusión
95
4. Criticalidad Auto Organizada
Yano, C. Liu y Moncrieff (2012) describe un modelo de convección que merece reseña.
Sobre convección hay otros trabajos que dicen ser CAO, aunque no lo demuestran
(Craig y Mack 2013). Respecto a análisis de datos de precipitación hay que mencionar
a Andrade, H. Schellnhuber y Claussen (1998). Sornette y Ouillon (2012) presenta
una discusión interesante sobre eventos extraordinarios. Además hay que mencionar
que existen propuestas de aplicación de la CAO al desarrollo de ciudades (Allen 2012).
4.10. Ejercicios
4.10.1 (Escalamiento). Consulte los algoritmos para estimar alguno de los parámetros
básicos de series de tiempo o campos espaciales que se han usado para caracterizar la
criticalidad auto organizada: Escala de fluctuación, exponente de Hurst, intermitencia,
leyes de potencia, exponentes de escalamiento. Aplı́quelo a una serie o campo espacial
observado. Discuta y analice los resultados.
4.10.2 (Percolación). En una malla de percolación p es la probabilidad de que cada si-
tio esté ocupado. Se asume independencia entre los sitios. Para el caso unidimensional
es posible calcular las probabilidades de constelaciones de tamaño dado s, se requieren
s sitios contiguos ocupados y los dos extremos desocupados, es decir ps (1 − p)2 . Si se
ignoran los efectos de borde para el caso de una malla de tamaño L se puede afirmar
que hay en promedio Lps (1 − p)2 constelaciones de tamaño s, y por tanto si se divide
por L se obtiene ns = ps (1 − p)2 el número normalizado de constelaciones de tamaño
s. Argumente que ns es igual a la probabilidad de que un sitio sea el extremo derecho
de una constelación de tamaño s en una malla infinita. Igualmente, argumente que
la probabilidad
P de que un sitio haga parte de uns constelación de tamaño s es sns .
Muestre que s ns s = p para p < pc . En el caso unidimensional pc = 1. La condición
corresponde a dejar de lado las constelaciones de tamaño infinito. Muestre que el
tamaño promedio de una constelación finita escogida al azar es (1 + p)/(1 − p).
4.10.3 (Proyecto). Una hipótesis controvertida sugiere que algunos sistemas biológicos
pueden extraer importantes beneficios funcionales al operar al borde de la inestabili-
dad, a medio camino entre el orden y el desorden, es decir, en la vecindad del punto
crı́tico de una transición de fase. Se ha argumentado que la criticalidad proporciona
a los sistemas biológicos un equilibrio óptimo entre robustez frente a perturbaciones
y flexibilidad para adaptarse a las condiciones cambiantes, ası́ como para conferir-
les capacidades de adaptación óptimas, enormes repertorios dinámicos, sensibilidad
incomparable a los estı́mulos, etc. La invariancia de escala concomitante, puede conje-
turarse como emergente en los sistemas vivos como resultado de procesos adaptativos
y evolutivos que, por razones no completamente aclaradas, la seleccionan como una
plantilla sobre la cual pueden descansar más capas de complejidad. Esta hipótesis es
muy sugestiva, ya que propone que la criticidad podrı́a constituir una estrategia orga-
nizativa general y común en biologı́a derivada de la fı́sica de las transiciones de fase.
Sin embargo, a pesar de sus implicaciones llamativas, esto todavı́a está en su estado
embrionario, y dista de ser una teorı́a bien fundada y, como tal, ha provocado un
cierto escepticismo saludable. Desde el punto de vista experimental, el advenimiento
de las tecnologı́as de alto rendimiento ha creado nuevas perspectivas en la exploración
de sistemas biológicos, y ha proliferado la evidencia empı́rica a favor de la criticidad,
96
4.10. Ejercicios
con ejemplos que van desde la actividad cerebral endógena y los patrones de expresión
génica, hasta bandadas de aves. y la búsqueda de colonias de insectos, por nombrar
solo algunos. Algunas piezas de evidencia son bastante notables, mientras que en otros
casos los datos empı́ricos son limitados, incompletos o poco convincentes. Sin duda, se
necesitan configuraciones experimentales más estrictas y análisis teóricos para acla-
rar completamente el panorama. En cualquier caso, parece el momento oportuno para
cerrar la brecha entre esta conjetura teórica y su validación empı́rica. Dadas las pro-
fundas implicaciones de arrojar luz sobre este tema, es pertinente y oportuno revisar
el estado del arte y discutir estrategias y perspectivas futuras. Haga una revisión del
estado del arte (Muñoz 2018).
97
Capı́tulo 5
Las fuentes principales de este capı́tulo son Strogatz 1994 y Logan 2004, que se
recomiendan y usaremos en casi todas partes. La exposición procede de lo simple a
lo complejo. Simplemente, si no se entiende lo fácil, es inútil abordar lo difı́cil. Los
teoremas de existencia y unicidad son enunciados en general para flujos de dimensión
arbitraria finita.
99
5. Fundamentos Sistemas Dinámicos
-‐10
-‐1.2
campo vectorial. La velocidad está representada por flechas, que apuntan a la derecha
si ẋ > 0, y a la izquierda si ẋ < 0. Para algunos valores de x, la velocidad es máxima
y positiva, a medida que la partı́cula se desplaza a la derecha, la velocidad disminuye
y eventualmente es cero. Igual se puede analizar el caso de los valores de x para
los cuales la velocidad es negativa, o positiva pero inferior al máximo. En el caso
ẋ = 0, la velocidad es cero. Por tanto, si una partı́cula inicia en un valor de x para
el cual ẋ = 0, permanece allı́. Dichos puntos se llaman puntos fijos. En la figura
están representados por puntos gruesos. Puede observarse que las flechas convergen
a los puntos negros, mientras que en los puntos blancos las flechas divergen. Una
partı́cula muy cercana a un punto blanco se aleja de él, independientemente si está a
su izquierda o a su derecha. A estos puntos fijos los llamamos inestables. Mientras
una partı́cula muy cercana a un punto negro tiene la tendencia a acercarse, por tal
razón son llamados puntos fijos estables. otra terminologı́a para los puntos fijos
estables es atractor, o sumidero. Para los inestables los términos son fuentes o
repelentes.
x
3.5
π!3
2.5
2
1.5
1
0.5
0
t
0
1
2
3
4
100
5.1. Análisis Cualitativo
1.6
1.2
0.8
0.4
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐0.4
-‐0.8
-‐1.2
Figura 5.3: ẋ = x2 − 1
de arriba. Como puede verse mirando simultáneamente las Figura 5.1 y 5.2, para
x0 = π/4, la velocidad es positiva, luego x crece con el tiempo. A medida que crece
la velocidad aumenta, hasta un valor para el cual la velocidad es máxima, que co-
rresponde a x = π/2. Por lo tanto, entre esos dos puntos la curvatura es positiva. En
este último la curvatura se anula, la velocidad ni aumenta ni disminuye, aunque sigue
siendo positiva. Luego la partı́cula continúa moviéndose a la derecha, pero la veloci-
dad empieza a disminuir, la curvatura es entonces negativa. Eventualmente llega al
punto x = π, para el cual ẋ = 0.
El ejemplo ilustra el concepto del análisis cualitativo. Aunque en general no se obtiene
información cuantitativa precisa, si se puede obtener un análisis cualitativo útil. En
particular es bastante claro qué pasa cuando t → ∞.
Puntos Fijos
El análisis anterior se puede extender a cualquier ecuación de una dimensión ẋ = f (x).
Se grafica f (x) y se procede a trazar el campo vectorial. Por ejemplo, en la Figura
5.3, se representa el caso f (x) = x2 − 1. Los puntos fijos corresponden a las soluciones
de f (x∗ ) = 0, que en este caso son x∗ = ±1. A la izquierda de x = −1 la función f
es positiva, luego el flujo es hacia la derecha. En −1 < x < 1 se tiene f negativa y el
flujo es hacia la izquierda. A la derecha de x = 1 nuevamente la función es positiva y
el flujo es hacia la derecha. En la Figura 5.3 esto se representa con las flechas y los
puntos fijos con los puntos gruesos. La estabilidad se obtiene de analizar pequeñas
perturbaciones alrededor de los puntos de equilibrio.
Más adelante se desarrolla con rigor el concepto de estabilidad, por ahora se puede
decir que si el sistema está en la vecindad tiende a acercarse a un punto estable.
Mientras que, si es inestable se aleja. Por lo tanto, en un sistema real los puntos
inestables no se observan frecuentemente.
Es posible que la gráfica de la función f (x) no sea tan simple, pero se pueden usar
varias técnicas para simplificar. Por ejemplo, el caso ẋ = f (x) = x − cos x. Se invita
al lector a seguir este ejemplo con su propia gráfica. De forma independiente se repre-
101
5. Fundamentos Sistemas Dinámicos
sentan las gráficas y = cos x y y = x. Cuando la primera está por encima f (x) < 0, la
partı́cula imaginaria en el espacio de fase se desplaza a la izquierda. El punto de corte
de las dos gráficas corresponde al punto de equilibrio x∗ , y a la derecha de este punto
la segunda gráfica está por encima de la primera, por tanto f (x) > 0 y la partı́cula se
desplaza hacia la derecha. A partir de este análisis es fácil trazar la solución partien-
do de cualquier punto inicial. El punto de equilibrio x∗ es inestable. Soluciones que
empiecen en x0 < x∗ tienden a menos infinito. Soluciones que empiecen a en x0 > x∗
tienden a mas infinito. Si x0 = x∗ la solución es x(t) = x∗ para todo t. Pero por
la inestabilidad, la condición inicial tiene que ser exacta, no puede tener los errores
inherentes al mundo real.
Crecimiento Demográfico
Un modelo aplicado interesante en varias áreas del conocimiento se refiere a la dinámi-
ca poblacional. Para iniciar con lo más simple, sea N (t) la población de alguna especie
en el tiempo t. El modelo de crecimiento lineal asume una tasa de crecimiento pro-
porcional a la población, con constante de proporcionalidad r > 0. Es decir, Ṅ = rN .
El crecimiento proporcional a la población puede justificarse si no hay agotamiento
de recursos, ni competencia con otras especies. El modelo únicamente incorpora la
reproducción, a mayor población mayores descendientes. La constante r, representa
la tasa de crecimiento. Para el caso r < 0 realmente representa un decrecimiento. El
modelo se integra fácilmente a N (t) = N0 ert , es decir, un crecimiento (decrecimiento)
exponencial.
Sin embargo, los biólogos o demógrafos señalan que tal modelo no es aplicable sino
bajo ciertas circunstancias, en particular la existencia de recursos limitados y/o una
posible sobrepoblación pueden conducir a que la tasa de crecimiento no sea constan-
te. Para valores bajos de la población se puede aceptar una tasa aproximadamente
constante, pero a medida que la población crece, la tasa tiende a disminuir, como lo
ilustra la Figura 5.4. Eventualmente, la tasa se hace nula y posteriormente negativa.
El valor de la población para el cual la tasa se hace 0 se conoce como capacidad de
carga, K. Una manera de modelar estas ideas es asumir, como se ilustra en la Figura
5.4, una variación lineal de la tasa de crecimiento per cápita Ṅ /N con la población
102
5.1. Análisis Cualitativo
N
Ṅ = rN (1 − ). (5.1)
K
Esta ecuación se planteó por primera vez en 1838 por Verhulst para describir el
crecimiento de la población humana. La solución es elemental, pero como el énfasis
de este enfoque no es en los métodos de solución de ecuaciones diferenciales sino en el
análisis de la dinámica directamente de la ecuación usaremos el enfoque geométrico.
En concordancia con el carácter aplicado, el análisis se limita a valores positivos de la
población. Nuestro método hasta ahora ha sido la representación gráfica de Ṅ contra
N , Figura 5.5. Los puntos fijos, aquellos para los cuales Ṅ = 0, son N = 0 y N = K.
Si la población inicial es alguno de estos dos valores, no cambiará para cualquier valor
del tiempo, lo que justifica el nombre de punto fijo. Entre los dos valores, la tasa de
crecimiento es positivo, lo que se representa con la flecha hacia la derecha. Para valores
mayores de N = K, la tasa es negativa, lo que se representa con la flecha hacia la
izquierda. Se aprecia de la figura que K es un punto fijo atractor, valores cercanos,
tanto mayores como menores tienden a acercarse a K. Por eso el cı́rculo lleno. Por el
contrario, el origen es un punto fijo repelente, los valores cercanos tienden a alejarse
de él. Incluso es posible definir la forma cualitativa de las soluciones, la forma de
la parábola indica que la tasa de crecimiento crece a la izquierda del máximo en
K/2, y decrece a la derecha. Con esta información podemos delinear un conjunto
de soluciones en la Figura 5.5. En particular, la solución tiene forma de S, también
llamada curva sigmoidea cuando N (0) < K/2.
El modelo logı́stico tiene sus limitaciones. La forma precisa de representar la variación
de la tasa de crecimiento no debe tomarse como una regla, sino como una manera
simple de representar observaciones. Como sucede a menudo con el éxito alcanzado en
las primeras aplicaciones, se sobre valoró y el modelo se pretendió presentar como un
modelo universal, aplicable a cualquier población (Pearl 1927). Una revisión crı́tica
de estos modelos se puede consultar en Krebs (1972). El modelo trabaja bien para
colonias de bacterias, levadura y otros organismos en los cuales hay un suministro
constante de alimentos, ausencia de predadores y un ambiente constante. Para otros
organismos más complejos, que involucran reproducción con huevos, desarrollo en
103
5. Fundamentos Sistemas Dinámicos
0
0
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
larvas, pupas y adultos y/o interacciones con el medio ambiente los resultados no son
tan buenos. Otros trabajos importantes en esta área son Pielou (1969), May y McLean
(2007) y Murray (2008).
Existencia y Unicidad
Hasta ahora no se ha considerado el tema de la existencia y unicidad. Desde el punto
de vista aplicado es común obviar esta preocupación, lo cual casi siempre es jus-
tificado, o mejor, se puede justificar a posteriori. Sin embargo, no faltan los casos
especiales. De ellos se puede aprender bastante tanto desde el punto de vista teóri-
co, como aplicado. Considere el caso con múltiples soluciones ẋ = 3x2/3 y condición
1 La nomenclatura se presenta en la p. fci-31, el lı́mite es cuando η tiende a cero.
104
5.1. Análisis Cualitativo
1.6
1.2
0.8
0.4
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐0.4
-‐0.8
-‐1.2
105
5. Fundamentos Sistemas Dinámicos
con tanto f como f 0 continuas en una vecindad abierta que contiene a x0 . Sea x1
una solución en [t0 , t1 ] con x1 (t0 ) = a, entonces existe una vecindad U de a y una
constante K tal que para b ∈ U existe una única solución x2 de la ecuación diferencial
en [t0 , t1 ] con x1 (t0 ) = b que satisface
es decir, si las dos soluciones inician cerca, permanecen cerca. Aunque se pueden
separar, la velocidad de separación no es más rápido que exponencial. En particular,
el flujo φt (x) es una función continua de x
También es importante el caso en el cual la ecuación diferencial depende de un paráme-
tro, digamos k. Desde el punto de vista aplicado también se espera que la solución
dependa continuamente del parámetro. Es posible aplicar el teorema anterior para ver
que tal expectativa se cumple si la ecuación depende continuamente del parámetro.
El truco es aumentar en uno el número de variables y de ecuaciones, la nueva variable
es el parámetro y la nueva ecuación es k̇ = 0.
Teorema 5.1.3. Dada un sistema de ecuaciones diferenciales que depende del paráme-
tro k, expresado mediante ẋ = f (x; k), con f continuamente diferenciable tanto en x
como en k, entonces el flujo φt (x; k) también es una función continua de k.
5.2. Bifurcaciones
Tal como se desprende de la sección anterior, la dinámica de los campos vectoriales
en una dimensión es bastante simple. Todas las soluciones o tienden a un punto fi-
jo o van a ±∞. Dado este comportamiento casi trivial, no parece justificado haber
iniciado considerando el caso unidimensional. Sin embargo, se justifica, no sólo por
la facilidad para explicar la representación geométrica, los puntos fijos y la estabili-
dad; sino además por el análisis de las bifurcaciones que proviene del estudio de la
dependencia de parámetros, el carácter cualitativo de los flujos cambia a medida que
cambian los parámetros. Además, este comportamiento juega un papel importante
en el caso general de flujos de dimensión mayor. En varios campos de las ciencias las
bifurcaciones son modelos que explican transiciones e inestabilidades que resultan del
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
0
0
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐0.5
-‐0.4
-‐0.4
-‐0.4
-‐1
-‐0.8
-‐0.8
-‐0.8
106
5.2. Bifurcaciones
cambio de parámetros de control. En esta sección se presentan los casos tı́picos me-
diante ejemplos. En la sección siguiente se profundiza sobre la explicación matemática
de estos cambios de comportamiento en función de los parámetros y se justifica la
clasificación. Veremos que las bifurcaciones se presentan únicamente cuando se crean,
se destruyen, colisionan o cambia la estabilidad de los puntos crı́ticos.
Bifurcación de Ensilladura
La bifurcación de ensilladura o de punto de silla es el mecanismo básico por el cual se
crean y destruyen puntos fijos. A medida que un parámetro cambia dos puntos fijos
se acercan, chocan y se aniquilan mutuamente. El ejemplo tı́pico es ẋ = x2 + r, donde
r es un parámetro que puede ser positivo, negativo√ o cero, ver Figura 5.8.
√ Cuando r
es negativo, hay dos puntos fijos, uno estable, − −r, y otro inestable, −r. Cuando
r es cero, sólo el origen es punto fijo. El método geométrico nos indica que es semi
estable, atrae puntos cercanos a la izquierda de él, pero repele puntos cercanos a
su derecha. Cuando r > 0 no hay puntos fijos, el flujo tiende a ∞. La Figura 5.8
representa la dependencia de los puntos fijos en función del parámetro r. Como el
comportamiento del flujo cambia drásticamente en el punto r = 0 se dice que este
sistema tiene una bifurcación para este valor particular del parámetro.
Cuando miremos el caso con dimensión mayor a uno, la razón del nombre será más
evidente. Conviene advertir que algunos usan otras terminologı́as para este caso, bien
sea bifurcación de doblado, o bifurcación de punto de quiebre. Incluso se ha usado el
nombre de bifurcación caı́da del cielo, porque si se mira el diagrama iniciando para
valores grandes y positivos de r, no hay puntos fijos, a medida que se disminuye
el parámetro se llega a un punto, el punto de bifurcación, en el cual súbitamente
aparece primero un punto fijo semi estable y luego dos puntos fijos, que salen de la
nada, caı́dos del cielo. Mirada en esta dirección el uso de la palabra bifurcación tiene
más sentido. Un punto fijo se convierte en dos a medida que cambia el parámetro,
aparecen dos ramas.
El siguiente ejemplo aporta en la interpretación de la bifurcación de ensilladura. Sea
ẋ = r − x − e−x , ver Figura 5.9. De manera directa no es posible encontrar los
puntos fijos, pero la representación geométrica del numeral anterior sugiere proceder
a graficar la recta y = r − x y la curva y = e−x que son más familiares. Como f (x) es
la diferencia entre las dos, tenemos que cuando la recta esté por encima de la curva la
derivada es positiva, x crece, el vector velocidad apunta a la derecha; cuando la curva
está por encima de la recta la velocidad apunta a la izquierda. Cuando se cortan la
velocidad es cero y se tiene un punto fijo. Para un valor grande del parámetro r, se
tienen dos intersecciones tal y como se ilustra a la parte (a) de la figura, la de la
izquierda corresponde a un punto fijo inestable y la de la derecha a uno estable. Si el
parámetro r es todavı́a mayor los puntos fijos se separan, pero no se encuentra ningún
comportamiento diferente. Por el contrario, medida que se tomen valores menores de
r, los puntos fijos se acercan, eventualmente se unen en uno sólo (parte b de la figura)
y posteriormente no habrá ninguno (c). El valor crı́tico, corresponde a un punto de
bifurcación, que podemos encontrar al notar que en este caso no sólo tenemos igualdad
de la curva y la recta, r − x = e−x , sino que además la recta es tangente a la curva, es
107
5. Fundamentos Sistemas Dinámicos
decir, las derivadas son iguales, −1 = −e−x . Por lo tanto, en el punto de bifurcación
x = 0 y el valor crı́tico de r es rc = 1. En este caso el diagrama de bifurcación es
semejante al de la Figura 5.8 rotado respecto a ambos ejes.
Este último ejemplo ilustra bien el caso general de las bifurcaciones de punto de silla.
En particular la razón por la cual el primer ejemplo parabólico es genérico de este tipo
de bifurcaciones. Si se expande en serie de Taylor alrededor del punto de bifurcación
la función ẋ = f (x) = r − x − [1 − x + x2 /2 + o(x2 )] que tiene la misma forma
parabólica del primer ejemplo cuando se retiene el término de orden mayor en x, y
se hace una traslación o cambio de escala. Esto es lo tı́pico. Un punto de tangencia
se ve como una parábola cuando se mira con un microscopio.
Bifurcación Tridente
El tercer tipo de bifurcación podrı́a llamarse también trifurcación, porque los puntos
fijos aparecen o desaparecen en pares, y se pasa de uno a tres puntos fijos o viceversa.
El diagrama de bifurcación correspondiente parece un tridente. Desde el punto de vista
fı́sico esto se asocia a una simetrı́a particular que matemáticamente corresponde a la
simetrı́a x ⇔ −x. Es decir, el sistema, su ecuación no cambian al hacer la substitución
correspondiente, o lo que es lo mismo, la orientación contraria del eje conduce a la
108
5.2. Bifurcaciones
0.5
0.5 0.5 2
-‐0.5
1
-‐0.5
-‐0.5
-‐1 0.5
-‐1
-‐1
0
-‐1.5 -‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐1.5
-‐1.5
r
-‐0.5
-‐2
-‐2
-‐2
-‐1
-‐2.5
-‐2.5
-‐2.5
-‐1.5
5
5
5
1.5
x
1
3
3
3
0.5
1 1 1
0
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
r
-‐1
-‐1
-‐1
-‐0.5
Tridente Supercrı́tica
La forma normal de la bifurcación tridente supercrı́tica es ẋ = rx−x3 . Es claro que la
substitución de x por −x deja invariante la ecuación. La Figura 5.11 ilustra el campo
vectorial para diferentes valores del parámetro r. El origen es el único punto fijo para
r ≤ 0, además se puede ver que en este caso es un punto fijo estable. La bifurcación
ocurre en r = 0, a partir de este valor, para r > 0 aparecen dos nuevos puntos fijos,
simétricos y estables, y el origen, que continúa siendo punto fijo pierde su estabilidad.
La Figura 5.11 también ilustra el diagrama de bifurcación correspondiente.
En el punto de bifurcación, el término lineal se anula y por tanto, las perturbaciones
no decaen exponencialmente, sino a una tasa algebraica mucho más lenta. De hecho,
en este caso la ecuación tiene solución explı́cita, x(t) = x(0)[2tx(0) + 1]−1/2 . Este
fenómeno se conoce como pérdida crı́tica de velocidad, o frenado crı́tico (critical
slowing down), una caracterı́stica tı́pica de las transiciones de fase de segundo orden.
Sobre este tema volveremos en varias ocasiones.
Un ejemplo de este tipo de bifurcación es el sistema ẋ = −x + β tanh x de acuerdo al
parámetro β. En mecánica estadı́stica aparecen ecuaciones similares, también en el
estudio de redes neuronales y magnetismo. Una explicación sobre la razón de que este
sistema pertenezca a esta categorı́a está en la expansión en series de la función tanh,
lo cual conduce, después de un cambio de escala, a los primeros términos de la forma
normal de la bifurcación tridente supercrı́tica indicada antes, con parámetro β − 1.
Otra manera de analizar este sistema es la consideración simultánea de las gráficas de
109
5. Fundamentos Sistemas Dinámicos
5
5
5
1.5
x
1
3
3
3
0.5
1 1 1
0
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
r
-‐1
-‐1
-‐1
-‐0.5
y = x y y = β tanh x. Los puntos de intersección son los puntos fijos del sistema. La
pendiente en el origen aumenta con β, las dos gráficas son tangentes cuando β = 1,
para valores β > 1 aparecen dos nuevos puntos fijos, simétricos y estables. Para trazar
el diagrama de bifurcación (Figura 5.12) en lugar de tratar de resolver la ecuación
trascendental x = β tanh x, se expresa β en términos de x, aunque en la gráfica x
juegue el papel de variable dependiente.
Tridente Subcrı́tico
La forma normal para este tipo de bifurcación es ẋ = rx + x3 . En comparación
con el anterior cambia el signo del término cúbico. Allá el término cúbico era una
especie de fuerza restauradora, que estabiliza el sistema. En este caso es un término
desestabilizador. La Figura 5.13 representa el campo vectorial para diferentes valores
del parámetro r y el correspondiente diagrama
√ de bifurcación. En este caso el tridente
está invertido, los puntos fijos x∗ = ± −r son inestables, y existen sólo debajo de la
bifurcación, de allı́ el término subcrı́tico. Más interesante es la estabilidad del origen,
estable para r < 0 e inestable para r > 0. De hecho, para este último caso el término
cúbico conduce a la explosión del sistema, que tiende a ±∞ en un tiempo finito.
En sistemas reales, tal explosión es opuesta por la influencia estabilizadora de otros
términos. Si nos mantenemos en el ámbito de los sistemas simétricos, el ejemplo es un
sistema ẋ = rx + x3 − x5 , cuyo diagrama de bifurcación se ilustra en la Figura 5.14.
para valores de x cercanos al origen el diagrama es semejante al anterior, el origen es
localmente estable para r < 0, y aparecen dos ramas inestables que se bifurcan hacia
atrás del origen cuando r = 0, lo nuevo que introduce el término de orden 5 es que
estas ramas inestables se doblan y regresan para un valor r = rs < 0, a partir del
cual son estables. Estas ramas estables existen para r > rs , y en el rango rs < r < 0
110
5.2. Bifurcaciones
x
x
1.1
1.1
0.6 0.6
0.1 0.1
0
0
0
0
r
r
-‐0.4
-‐0.4
-‐0.9 -‐0.9
-‐1.4 -‐1.4
Catástrofes
Como se mencionó, la simetrı́a juega un papel importante en las bifurcaciones de
tenedor, pero en los problemas reales la simetrı́a es únicamente aproximada. Para
poner un ejemplo, cualquier imperfección lleva a que haya diferencias entre el lado
derecho y el izquierdo de un sistema. En esta sección se mira a este tema mediante
el estudio del sistema
ẋ = h + rx − x3
111
5. Fundamentos Sistemas Dinámicos
3
3
h>|hc|
y=-‐h h=|hc|
1 1
h<|hc|
-‐1 -‐1
-‐3 -‐3
h
0.7
-‐1.3
3
Figura 5.16:
p r Diagrama de bifurcación del sistema ẋ = h+rx−x , que tiene dos ramas
2r
h = ± 3 3 que se cortan en una cúspide en el origen
112
5.2. Bifurcaciones
2
1.5
0.5
0.5
0.5
1
0.5
r
h
h
0
0
0
0
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐20
-‐15
-‐10
-‐5
0
5
10
15
20
-‐1
0
0
-‐1
0
0
r
-‐0.5
-‐1
-‐0.5
-‐0.5
-‐0.5
-‐1.5
-‐2
-‐2.5
-‐1
-‐1
-‐1
-‐3
-‐3.5
x x
h
h
r
r
113
5. Fundamentos Sistemas Dinámicos
Conceptos básicos
Teorema de la Función Implı́cita
Teorema 5.3.1 (Teorema de la Función Implı́cita). Sea f (µ, u) una función con-
tinuamente diferenciable en alguna región abierta U del plano µu que contiene a
(µ0 , u0 ). Si f (µ0 , u0 ) = 0 y fu (µ0 , u0 ) 6= 0, entonces existe un rectángulo S =
{(µ, u) ∈ U : |µ − µ0 | < a, |u − u0 | < b} tal que la ecuación f (µ, u) = 0 tiene
una única solución u = u(µ) en S, esta función es continuamente diferenciable en
|µ − µ0 | < a y su derivada es
du fµ (µ, u(µ))
=−
dµ fu (µ, u(µ))
Por tanto, de acuerdo al teorema de función implı́cita, por un punto regular pasa una
única curva, u = u(µ) o µ = µ(u).
114
5.3. Formalización de Bifurcaciones
f (P ) = 21 (fµµ (P0 )∆µ2 + 2fµu (P0 )∆µ∆u + fuu (P0 )∆u2 ) + o(∆µ2 + ∆u2 ).
lo que define una relación entre los diferenciales dµ y du a lo largo de cualquier curva
f (µ, u) = 0 por P0 . Esta relación se puede interpretar como una ecuación cuadrática
du
para dµ (dividiendo por dµ2 ).
2
Si el discriminante D = fµu (P0 ) − fuu (P0 )fµµ (P0 ) es positivo, hay dos raı́ces reales y
el punto singular P0 se denomina Punto Doble. En este caso la solución de la ecuación
cuadrática es s s
du fµu D dµ fµu D
=− ± 2
, o =− ± 2
, (5.2)
dµ fuu fuu du fµµ fµµ
Ejemplos
115
5. Fundamentos Sistemas Dinámicos
0.8
u
u
2
0.4
0
-‐2
-‐1
1
2
μ 1
-‐0.4
-‐0.8
0
-‐4
-‐3
-‐2
-‐1
0
1
2
3
4
μ
Existen puntos singulares de orden mayor para los cuales la función y las derivadas
parciales de orden 1 y 2 son todas cero.
Lema 5.3.2. Sea P0 un punto doble de f (µ, u) = 0, entonces o bien fµµ (P0 ) 6= 0 y
las dos tangentes están dadas por la segunda ecuación en (5.2), o fµµ (P0 ) = 0 y las
dos tangentes en P0 son dµ du
= 0 y dµ fuu
du = − 2fuµ . Para el caso fuu 6= 0 se tiene un
resultado simétrico.
Intercambio de Estabilidad
En un punto de quiebre puede intercambiarse la estabilidad.
Con respecto al cambio de estabilidad interesa investigar los puntos dobles y los
puntos de quiebre.
116
5.3. Formalización de Bifurcaciones
4
u
3
2 E
1
B
-‐5
0
0
D
5
10
A
μ
-‐1
C
-‐2
F
-‐3
-‐4
dµ2
µ = µ2 (u) con pendiente du = −fuu /2fuµ
Teorema 5.3.4 (Caso 1). Si P0 es un punto doble con fµµ 6= 0, entonces los paráme-
tros lineales α1 (u) y α2 (u) para determinar la estabilidad para las curvas µ = µ1 (µ)
y µ = µ2 (u), son respectivamente
dµ1 √
α1 (u) = − (u)[sgnfµµ (P0 ) D(u − u0 ) + o(|u − u0 |)]
du
dµ2 √
α2 (u) = (u)[sgnfµµ (P0 ) D(u − u0 ) + o(|u − u0 |)]
du
Teorema 5.3.5 (Caso 2). Si P0 es un punto doble con fµµ = 0, entonces los paráme-
tros lineales α1 (µ) y α2 (u) para determinar la estabilidad para las curvas u = u1 (µ)
y µ = µ2 (u), son respectivamente
√
α1 (µ) = sgnfuµ (P0 ) D(µ − µ0 ) + o(|µ − µ0 |)
117
5. Fundamentos Sistemas Dinámicos
2
2.4
u
u
2
μ2
=u2+μc
1.6
μ
=μ+(u)
1.6
1.2
0.8
1.2
0.4
u1=0
0
-‐2
-‐1
1
2
3
4
5
0.8
-‐0.4
μ
μ
=μ-‐(u)
-‐0.8
-‐1.2
0.4
-‐1.6
μ -‐2
0
-‐2.4
0
1
2
3
dµ2 √
α2 (u) = −sgnfuµ (P0 ) (u)[ D(u − u0 ) + o(|u − u0 |)]
du
118
5.4. Flujos en el cı́rculo
Note que esto impone restricciones en los tipos de funciones f que se pueden conside-
rar, por ejemplo θ̇ = θ no puede interpretarse como un campo vectorial en el cı́rculo
para −∞ < θ < ∞, pues hay lugar a un doble valor de la velocidad en θ = 0 y θ = 2π
que realmente son el mismo punto; el primer valor indica una velocidad 0 y el segundo
2π. El problema no se arregla con restringir el dominio, por ejemplo a −π < θ ≤ π,
pues aparecen discontinuidades en la velocidad. En la lı́nea no hay ningún problema
con este campo vectorial. El problema se resuelve si sólo se aceptan funciones con
perı́odo 2π, es decir, para las cuales f (θ + 2π) = f (θ) para todo real θ. Además, se
asumen otras propiedades de suavidad de la función f para garantizar existencia y
unicidad de la solución.
Oscilador Uniforme
El ejemplo más elemental es en el que el cambio de la fase es uniforme, θ̇ = ω, donde
ω es una constante. La solución es θ(t) = ωt + θ0 , que corresponde a un movimiento
uniforme alrededor del cı́rculo con una frecuencia angular ω y un perı́odo constante
T = 2π/ω. En este ejemplo no hay amplitud, para lo cual habrı́a que pasar a varias
dimensiones.
Una variante es considerar dos osciladores aislados θ1 y θ2 con frecuencias diferentes
ω1 y ω2 . Si empiezan igualados, la diferencia φ = θ1 −θ2 puede emplearse para estudiar
el tiempo hasta la próxima igualación. El perı́odo de φ es
2π 1
T = = 1 1 .
ω1 − ω2 T1 − T2
Oscilador No—uniforme
La ecuación
θ̇ = ω − a sen θ
se encuentra en varios campos de aplicación, en el fenómeno de enfasamiento en
electrónica, en biologı́a en el estudio de las oscilaciones de neuronas, en los ciclos
biológicos del sueño, en el comportamiento acompasado de las luciérnagas en algu-
nas regiones. También se encuentra en fı́sica de materia condensada en las llamadas
oscilaciones de Josephson y en el estudio de péndulos sobre amortiguados. Se va a
asumir que ω > 0 y que a ≥ 0. La Figura 5.22 ilustra el campo vectorial. Note que ω
corresponde a la media de la velocidad y a a su amplitud.
Si a = 0 el oscilador es uniforme. El parámetro a se puede interpretar como una
medida del grado de no-uniformidad. El flujo es más rápido en θ = −π/2 = 3π/2 y
más lento en θ = π/2. A medida que a se incrementa la no-uniformidad también se
acentúa. Cuando a es ligeramente menor que ω se crea un cuello de botella cerca a
θ = π/2, mientras que en el resto del cı́rculo el flujo es bastante más rápido. Cuando
a = ω el sistema deja de oscilar completamente y aparece un punto fijo semi estable en
θ = π/2 mediante una bifurcación de ensilladura. Cuando a > ω, el punto semi estable
se bifurca en dos puntos fijos, uno estable y otro inestable y todas las trayectorias
llevan al punto fijo estable.
119
5. Fundamentos Sistemas Dinámicos
Ꝋ
π/2
Paso lento por
este cuello de botella
Lento Ꝋ = π/2
Rápido
120
5.4. Flujos en el cı́rculo
2 π/
a
La estabilidad de los puntos fijos se puede estudiar mediante el análisis lineal. Cla-
∗
ramente los puntos fijos
psatisfacen sen θ = ω/a y el parámetro de estabilidad es
0 ∗ ∗ 2
f (θ ) = −a cos θ = ∓ 1 − (ω/a) . Por lo tanto, el punto fijo estable es aquel con
cos θ∗ > 0, como se confirma en la Figura 5.22.
El perı́odo se puede encontrar analı́ticamente, mediante
2π
dθ 2π
Z Z
T = dt = =√ .
0 ω − a sen θ ω − a2
2
La integral se resuelve con la substitución u = tan θ/2. Se puede mostrar que cuando
a → ω − se tiene r r
2 1
T 'π .
ω ω−a
es decir, T diverge como (ac − a)−1/2 , con ac = ω.
Para el caso de a = ω + , con > 0 pero muy pequeño, se siente un fantasma del
cuello de botella (ver Figura 5.24). Se puede derivar una ley de escala general para el
tiempo requerido para pasar el cuello de botella. Lo que realmente interesa es lo que
ocurre cerca al mı́nimo de f , pues el tiempo que el sistema permanece allı́ es mucho
mayor que en el resto. Cerca al mı́nimo, toda función es bien aproximada por una
parábola (bifurcación de ensilladura), es decir, ẋ = r + x2 , con 0 < r << 1. Lo que
conduce a
dx
Z
Tc ≈ ≈ r−1/2 .
r + x2
Sincronización de Luciérnagas
En la naturaleza hay más de un ejemplo de sincronización. Parece que la primera
observación sistemática se debe a Christian Huygens (1629-95) en una carta a su
padre del 26 de febrero de 1665 (Huygens 1888, Vol. 5, p. 243). Al cientı́fico holandés
le debemos entre muchas otras cosas el invento del reloj de péndulo. Precisamente
en el reporte indica que observó que dos de estos relojes colgados mediante ganchos
de una misma viga de madera entraban en sincronı́a: “Es muy interesante que los
movimientos de los dos péndulos en oscilación opuesta están tan de acuerdo que
nunca se atrasan en lo más mı́nimo el uno con respecto al otro y los sonidos de los
121
5. Fundamentos Sistemas Dinámicos
Ꝋ
Tcuello de botella
Ꝋ
Ꝋ
t
Fantasma de un
cuello de botella
dos se oyen en simultánea. Además, si uno perturba este acuerdo, se restablece por
sı́ mismo en corto tiempo. Por mucho tiempo estuve sorprendido de este resultado
inesperado, pero después de examinar cuidadosamente finalmente encontré la causa,
que se debe al movimiento de la viga, aunque sea tan leve que casi no es perceptible”.
La Figura 5.25 reproduce la ilustración original del mismo Huygens.
Otro ejemplo muy citado es la rotación sincrónica frecuente en astronomı́a, que co-
rresponde al caso en el cual un cuerpo que orbita a otro tarda lo mismo en completar
un giro que lo que tarda en rotar sobre su eje, y por lo tanto, siempre deja el mismo
hemisferio de cara al cuerpo alrededor del cual orbita, como ocurre con nuestra Luna.
La explicación está en la marea y por esto también se denomina enfasamiento por
marea. También es frecuente que la relación entre el perı́odo rotacional y el perı́odo
orbital, aunque bien definida, sea diferente de 1 : 1. Un ejemplo bien conocido es la
rotación de Mercurio alrededor del Sol, que está en resonancia de marea en relación
3 : 2.
Otras observaciones interesantes sobre fenómenos no—lineales de sincronización en
tubos en órganos fueron hechas por Lord Rayleigh (1842–1919) en su “Teorı́a del
Sonido” (Rayleigh 1945). Sin embargo, la explicación de este fenómeno requiere temas
avanzados, y sólo se dio con los trabajos de Appleton y Van der Pol (1921). El caso
de las luciérnagas es un primer ejemplo interesante, pero volveremos sobre el tema
varias veces.
En algunas regiones, en particular en el Sureste de Asia, miles de luciérnagas macho
se ubican en los árboles al atardecer y encienden y apagan sus luces al unı́sono,
mientras las hembras vuelan por encima para escoger su pareja, probablemente a la
que más alumbre. Los machos no inician sincronizados, pero por la influencia de unos
sobre los otros la sincronı́a se desarrolla y refuerza. Cuando uno ve la oscilación de
los otros acelera o frena tratando de entrar en sincronı́a en el próximo ciclo. Se ha
122
5.4. Flujos en el cı́rculo
φ0 = Ω − ω − A sen φ.
φ0 = µ − sen φ,
123
5. Fundamentos Sistemas Dinámicos
f´
124
5.5. Aplicaciones
Rango de
encarrilado
W
ω ω ω
5.5. Aplicaciones
Láser
Una aplicación interesante para ilustrar la bifurcación trans crı́tica es un modelo del
láser de estado sólido presentado por Haken (1983) y reseñado en Strogatz (1994).
La palabra láser es la abreviatura en Inglés de Light Amplification by Stimulated
Emission of Radiation, o amplificación de luz por la emisión estimulada de radiación.
Su descripción requiere fı́sica avanzada, en términos simples es un conjunto de átomos
activos, en una matriz de estado sólido que tiene en los extremos espejos que reflejan
parcialmente y que es excitada por una lámpara común. Los átomos excitados oscilan
independientemente unos de otros y emiten fotones. Si el bombeo es relativamente
débil, cada átomo emite luz con fase aleatoria, el resultado es una lámpara común,
con luz en todas las frecuencias. Pero si se incrementa la potencia del bombeo se
llega eventualmente a un umbral en el cual los átomos empiezan a emitir en fase y la
lámpara se convierte en un láser. En el modelo la variable de estado es el número de
fotones n(t). La ecuación dinámica es una ecuación de conservación, con dos términos,
uno positivo que representa la ganancia y otro negativo que representa la pérdida. La
pérdida corresponde al escape de fotones por los extremos del láser y es proporcional al
número de fotones, con una constante positiva k, cuyo inverso corresponde al tiempo
medio de permanencia de los fotones en el láser. La ganancia se modela como el
producto del número de fotones n, el número de átomos excitados N y una constante
positiva, G, llamada el coeficiente de ganancia. Es decir, ṅ = GnN −kn. La idea fı́sica
importante es la relación entre n y N . Luego de que un átomo excitado emite un fotón,
cae a un nivel de energı́a más bajo y deja de estar excitado. Es decir, N decrece por
125
5. Fundamentos Sistemas Dinámicos
que es una ecuación diferencial de segundo orden. En este Capı́tulo no hemos desarro-
llado las herramientas para considerar este tipo de problemas, por lo que se hace una
aproximación para reducirlo a un problema de orden uno, despreciando el término
mrφ̈. Las condiciones para tal aproximación se discuten extensamente más adelante.
En estas condiciones, el problema de primer orden a analizar es
!
rω 2
bφ̇ = mg sen φ cos φ − 1 ,
g
126
5.5. Aplicaciones
-
0 1 2 3
que tiene por lo menos dos puntos fijos, φ∗1 = 0 en la posición más inferior, y φ∗2 = π en
la más superior. Esto concuerda con la intuición, pero pueden existir otros y además
hay que estudiar la estabilidad. Si rω 2 /g > 1, es decir, si el aro gira suficientemente
rápido, hay otros dos puntos fijos que satisfacen φ∗3,4 = ± arc cos 1/γ, con γ = rω 2 /g.
Estos corresponden a las intersecciones de y = cos φ con y = 1/γ. Claramente la
existencia de estas soluciones adicionales depende de la condición indicada. El análisis
lineal de estabilidad de estos puntos es directo.
En la Figura 5.28 se resume el análisis de los puntos fijos y se puede apreciar que
el correspondiente diagrama de bifurcación corresponde a un tridente supercrı́tico.
La interpretación fı́sica es la siguiente: cuando γ < 1 la fuerza centrı́fuga es más
débil que la fuerza de gravedad y la cuenta se desliza hacia la posición más inferior,
que por tanto, es un punto fijo estable. Cuando γ > 1, el aro está girando a una
velocidad suficiente para que cualquier perturbación con respecto al punto fijo inferior
se amplifique por efecto de la fuerza centrı́fuga. Ahora, esta fuerza es mayor a medida
que la cuenta se aleja de la vertical y eventualmente se equilibra con la gravedad en un
nuevo punto fijo, que corresponde a un ángulo igual a ± arc cos 1/γ. Cuál de los dos
dependerá de la perturbación inicial. La solución tiene menos simetrı́a que la ecuación
y por tal razón se dice que la solución corresponde a una pérdida de simetrı́a. Tanto
la ecuación original como la simplificada son simétricas con respecto a la substitución
φ ↔ −φ, pero ninguna de las dos soluciones φ∗3 = arc cos 1/γ ó φ∗4 = − arc cos 1/γ
es simétrica. Este ejemplo ilustra la afirmación que se hizo acerca de la aparición
de la bifurcación tipo tridente supercrı́tica en casos en los cuales hay simetrı́a en las
ecuaciones.
Para completar este ejemplo es conveniente estudiar la justificación de la aproxima-
127
5. Fundamentos Sistemas Dinámicos
Epidemia de Insectos
Los abetos en Canadá y la costa Este de los Estados Unidos son infestados por una
peste de gusanos que se alimentan de las yemas y hojas tiernas, y pueden matar
todos los árboles de una zona en cuestión de 4 años. La dinámica de esta infestación
tiene dos escalas de tiempo, una más rápida que corresponde a la vida de los gusanos,
que pueden multiplicar por cinco la densidad en el transcurso de un año, es decir,
que tienen una escala de tiempo caracterı́stica del orden de meses. Por otro lado, los
árboles tienen una vida del orden de 100 a 120 años en ausencia de enfermedades
y tienen capacidad de reemplazar completamente su follaje en un perı́odo de 7 a 10
años. Inicialmente los parámetros del bosque se van a tomar como constantes, pero
luego se va a considerar su variación paramétrica, lo que permite entender el tema
de la infestación. El ejemplo es tomado de Strogatz (1994) que a su vez lo toma de
Ludwig, Jones y Holling (1978).
El modelo propuesto es
N
Ṅ = RN 1 − − p(N ).
K
128
5.5. Aplicaciones
B p(N)
N
A
BN 2
N
Ṅ = RN 1 − − 2 . (5.4)
K A + N2
BA2 x2
Ax
Aẋ = RAx 1 − − 2 ,
K A + A2 x2
129
5. Fundamentos Sistemas Dinámicos
simplifica en
x x2
ẋ = rx(1 − )− .
k 1 + x2
Lo primero es reconocer que el origen, x = 0, es un punto fijo independiente de
los valores de los parámetros (x es un factor común de los términos a la derecha
de la ecuación diferencial). Además, el origen es inestable como se puede verificar
calculando el signo de la derivada, lo que se puede interpretar porque la predación es
despreciable y la población de abetos crece exponencialmente de acuerdo al modelo
logı́stico para valores muy pequeños de x.
x
Los otros puntos fijos se encuentran fácilmente mirando a la intersección de y = 1+x 2
x
con la recta y = r(1 − k ) (ver Figura 5.30). El análisis es directo porque la curva
no tiene parámetros, mientras que r y k son respectivamente los interceptos con el
eje y y el eje x de la recta. Se aprecia que cuando k es lo suficientemente pequeña
hay una única intersección independiente del valor de r (lado izquierdo de la Figura
5.30). Para valores mayores de k, se pueden presentar una, dos o tres intersecciones,
dependiendo del valor de r (lado derecho de la Figura 5.30). Si se fija la intersección
con el eje x, es decir, se fija el parámetro k, la variación de r corresponde a una
rotación de la recta. Si se inicia con un valor de r para el cual hay tres intersecciones
(a < b < c) y se decrece r se tiene una rotación anti horaria de la recta, que hace que
las intersecciones b y c se acerquen, hasta que eventualmente se presenta coalescencia
(b = c, lı́nea punteada de la figura), que corresponde a la tangencia. Si r continúa
decreciendo hay sólo una intersección. Esta bifurcación corresponde a la de punto
de ensilladura. De manera semejante, si r se aumenta, también hay coalescencia y
tangencia, a y b se acercan y eventualmente a = b.
La estabilidad para el caso de tres puntos fijos adicionales a x = 0 se deduce por los
métodos indicados. Una manera rápida es considerar que el origen es inestable y que
el signo de la derivada en los puntos fijos alterna de signo. Por lo tanto, x = a y x = c
serán estables, mientras que x = b es inestable (ver Figura 5.31). La interpretación
es que en el caso de tres puntos fijos adicionales se tienen dos poblaciones de gusanos
estables, una baja, que denominan de refugio y otra alta que llaman de infestación o
epidemia. Si los parámetros están fijos, cuál de esto dos estados se alcanza depende
del estado inicial. Habrá infestación si x(0) > b, y el sistema llega al estado de refugio
si x(0) < b. El valor de b corresponde a un umbral que separa los dos regı́menes
estables.
Una epidemia también puede resultar de cambios ambientales que se reflejen en cam-
bios en los parámetros que produzcan una bifurcación. La Figura 5.32 ilustra tanto el
diagrama de bifurcación con cúspide, como la correspondiente superficie catastrófica.
Para el cálculo de estos diagramas se establece además de la condición de intersección
de la curva y la recta de la Figura 5.30, la condición de tangencia, que corresponde
a igualdad de las derivadas −r/k = (1 − x2 )/(1 + x2 )2 . La solución simultánea lleva
a la siguiente representación paramétrica con x > 1 jugando el papel de parámetro
r = 2x3 /(1 + x2 )2 y k = 2x3 /(x2 − 1).
130
5.5. Aplicaciones
r r
x
2
1+ x
x
k x a b c k
Figura 5.30: Esquema para cálculo de los puntos fijos en el problema de los gusanos
x2
y abetos, sistema ẋ = rx(1 − xk ) − 1+x x
2 , mediante la intersección de y = 1+x2 con la
x
recta y = r(1 − k ), para varios casos de los parámetros r y k
dx
dt
x
a b c
Figura 5.31: Estabilidad de los puntos fijos del problema de los gusanos y abetos
131
5. Fundamentos Sistemas Dinámicos
0.8
0.7 x
epidemia epidemia
0.6
0.5 r
r 0.4
0.3 biestable refugio
k
0.2
0.1 refugio
0.0
0 10 10 10 10
k
Introducción
La nomenclatura que se usará para el sistema acoplado de dos ecuaciones diferenciales
ordinarias es
ẋ = ax + by
ẏ = cx + dy.
En forma matricial
ẋ = Ax,
2 Las secciones y figuras a este documento se anteceden por fci-
132
5.6. Sistemas Lineales
a b x
A= ,x=
c d y
que se puede escribir como un sistema de dos ecuaciones de primer orden, usando la
definición de velocidad y expresando la aceleración como la derivada de la velocidad,
ẋ = v (5.6)
k 2
v̇ = −m x = −ω x.
133
5. Fundamentos Sistemas Dinámicos
v v
Figura 5.33: Esquemas del campo vectorial y diagrama de fase de un oscilador armóni-
co simple en dos dimensiones
acopladas,
ẋ = ax
ẏ = −y.
La solución es directa, x = x0 eat y y = y0 e−t . La Figura 5.34 ilustra las trayectorias
en el espacio de fase para diversos valores del parámetro a.
Cuando a < 0 todas las trayectorias van al origen, la dirección por la que se acercan
depende de cómo es a en comparación con −1; tanto x como y van a cero, pero una de
las dos va más rápido, las trayectorias se vuelven tangentes a la dirección que decae
más despacio. Igualmente, si se miran las trayectorias invertidas, cuando t → −∞,
se vuelven tangentes a la dirección que decrece más rápido. En este caso (a < 0), el
origen es estable.
Cuando a > 0 la variable x tiende a infinito, el origen es inestable, aunque sigue
siendo un punto fijo. De hecho, si la condición inicial está sobre el eje y, la trayectoria
tiende al origen, pero basta un pequeño error para que la trayectoria tienda a infinito.
El origen se denomina en estos casos un punto de ensilladura. El eje y es la variedad
estable y el eje x la variedad inestable. En la siguiente sección se explica mejor esta
terminologı́a.
Antes de proceder con el caso lineal en n dimensiones vale la pena expresar en forma
general el procedimiento que se empleó para escribir la ecuación de segundo orden
(Ec. 5.5) como un sistema de dos ecuaciones de primer orden (Ec. 5.6). Sea una
ecuación diferencial ordinaria de orden n
dn y
= y (n) = f (y (n−1) , y (n−2) , . . . , y (2) , y (1) , y), (5.7)
dtn
donde las derivada de orden k se expresan como f (k) , el punto y doble punto superior
se usa para las derivadas de orden 1 y 2. Mediante la nomenclatura z0 = y, z1 =
134
5.6. Sistemas Lineales
Figura 5.34: Esquemas del diagrama de fase de dos ecuaciones desacopladas, ẋ = ax,
ẏ = −y para diferentes valores del parámetro a
y (1) = ż0 , z2 = y (2) = ż1 , . . . , zn−1 = y (n−1) = żn−2 , y y (n) = żn−1 la Ec. 5.7 se
puede escribir como un sistema de primer orden en n variables
ż0 = z1
ż1 = z2
..
.
żn−2 = zn−1
żn−1 = f (zn−1 , zn−2 , . . . , z1 , z0 )
135
5. Fundamentos Sistemas Dinámicos
x = x(t) = eλ1 t v1 .
ẋ = λ1 eλ1 t v1
= eλ1 t λ1 v1
= eλ1 t Av1
= Aeλ1 t v1
= Ax.
eA = exp (A) = I + A + 1
2! A
2
+ 1
3! A
3
+ ··· .
La exponencial de una matriz diagonal es la matriz diagonal formada con los ex-
ponenciales de los elementos en la diagonal original. En general, si existe una ma-
triz invertible P, tal que A = PDP−1 , con D no necesariamente diagonal se tiene
exp (A) = P exp(D)P−1 .
Hay otros resultados del algebra lineal que son útiles en este contexto (Hirsch, Smale
y Devaney 2004, p.75-130), entre ellos (ver también los ejercicios al final del capı́tulo):
136
5.6. Sistemas Lineales
ẋ = A(x), x(0) = x0 ,
x(t) = etA x0
137
5. Fundamentos Sistemas Dinámicos
Genericidad
Un resultado muy importante (Hirsch, Smale y Devaney 2004, p. 101), se refiere a
que entre todas las matrices con coeficientes reales de orden n × n, el conjunto de
las que tienen n valores propios diferentes ocupa un papel fundamental, pues este
conjunto es abierto y denso. Es decir, la gran mayorı́a de matrices o tiene n valores
propios diferentes, o se puede aproximar arbitrariamente mediante sucesiones de estas
matrices con n valores propios diferentes.
Otra clase de matrices con un papel protagónico está conformada por las matrices
cuyos autovalores tiene parte real no nula:
Clasificación en 2D
El origen es el único punto fijo aislado en los sistemas lineales. Como puede deducirse
de la fórmula de la solución en términos de la exponencial de la matriz, Su estabilidad
depende de los valores propios. En particular si la parte real es negativa, positiva o
cero. En caso de valores propios complejos se tienen espirales si la parte real es
diferente de cero y trayectorias cerradas si la parte real es cero.
En dos dimensiones, una formula simple para los autovalores es
p
λ1,2 = 21 (τ ± τ 2 − 4∆),
138
5.6. Sistemas Lineales
t
Nodos Inestables
t 2 - 4Δ =0
Espirales Inestables
Centros
Puntos de Silla Δ
Espirales Estables
Puntos Fijos,
No-Aislados
Estrellas,
Nodos Degenerados
Nodos Estables
y
Autovector Lento
Autovector Rápido
Figura 5.37: Esquemas del diagrama de fase para un nodo, λ1 < λ2 < 0.
139
5. Fundamentos Sistemas Dinámicos
Autovector
140
5.7. Espacio de Fase, 2D
Figura 5.39: Esquema del diagrama de fase, nulclinas y algunas trayectorias para
dos espirales, izquierda un sumidero ẋ = −y, ẏ = 2x − y, y derecha una fuente
ẋ = x − y, ẏ = 2x.
Figura 5.40: Esquemas del diagrama de fase, nulclinas y algunas trayectorias para
diferentes casos: a la izquierda un nodo sumidero ẋ = −x, ẏ = x − 2y, en el medio un
nodo fuente ẋ = 2x + y, ẏ = y y a la derecha un punto de silla ẋ = −x + y, ẏ = x + 2y,
en este caso también se muestran las divisorias.
Diagramas de Fase
La forma general de un sistema dinámico en dos dimensiones es
x˙1 = f1 (x1 , x2 )
x˙2 = f2 (x1 , x2 ),
141
5. Fundamentos Sistemas Dinámicos
D B
A C
X
X (t)
Figura 5.42: Esquema para ilustrar la interpretación del diagrama de fase como un
campo vectorial del cual se puede deducir la trayectoria a partir de la velocidad y la
posición
Como se indicó en el Capı́tulo 5, los puntos fijos son de especial importancia. Corres-
ponden a las raı́ces del sistema de ecuaciones que se obtienen de igualar a cero el lado
derecho de la Ecuación (5.9). Por tanto, la derivada se anula en estos puntos, de allı́
su nombre, no cambian. Si la condición inicial corresponde a un punto fijo, la solu-
ción permanece contante. La pregunta sobre si estos puntos fijos atraen condiciones
iniciales vecinas, o las repelen, corresponden al análisis de estabilidad.
Son también de particular interés las órbitas cerradas, que corresponden a compor-
tamiento periódico. En el caso lineal ya se vieron los centros, en el caso general juega
142
5.7. Espacio de Fase, 2D
x >0
x <0 y <0
y <0
x
x <0 y =0
y >0
x =0 x >0
y >0
un papel fundamental los llamados ciclos lı́mite, trayectorias cerradas no lineales que
se estudian en la Sección fci-6.4. La Figura 5.41 ilustra algunos de estos casos.
Un concepto importante que facilita el estudio del espacio de fase es el de nulclinas.
Que corresponden al lugar geométrico de los puntos para los cuales se anula alguna
de las componentes del vector con componentes las derivadas respecto al tiempo. En
el plano, son las curvas donde bien sea ẋ = 0, o ẏ = 0. En las nulclinas el flujo es
puramente vertical (ẋ = 0), o puramente horizontal (ẏ = 0). En la Figura 5.43 se
ilustran las nulclinas del sistema ẋ = x + e−y , ẏ = −y. El flujo es vertical en la
curva ẋ = x + e−y = 0, y horizontal en ẏ = −y = 0. Cada nulclina parte el plano en
dos regiones, en una la correspondiente derivada será positiva y en la otra negativa.
Al considerar simultáneamente ambas nulclinas el plano se parte en cuatro regiones
según el signo de las dos derivadas. Esta información por si sola aporta un ingrediente
básico para la construcción del campo vectorial o diagrama de fase. Para completar
el diagrama probablemente sea necesario recurrir a cálculos más detallados, como se
ilustra en la Figura 5.44.
Existencia y Unicidad
El teorema de existencia y unicidad que se habı́a enunciado en el caso unidimensional
es también válido para n dimensiones y tiene consecuencias importantes.
ẋ = f (x), x(0) = x0
143
5. Fundamentos Sistemas Dinámicos
144
5.7. Espacio de Fase, 2D
tiene una única solución en un intervalo abierto (−τ, τ ), si tanto f como todas sus
derivadas parciales ∂fi /∂xj , i, j = 1, · · · , n son continuas en un conjunto abierto que
contiene a x0
Linealización
El análisis de estabilidad lineal también se extiende al caso de varias dimensiones,
solo hay que hacer más precisa la condición de aplicabilidad.
Sea x∗ un punto fijo del sistema (5.9) y z(t) = x(t) − x∗ la perturbación alrededor
de tal punto fijo. Estas perturbaciones crecen o decaen según la ecuación ż = ẋ =
f (x∗ + z). Que se puede estudiar usando serie de Taylor,
145
5. Fundamentos Sistemas Dinámicos
−1 + 3x2
∗ 0
J(f , x ) = .
0 −2
En el origen el sistema lineal indica un nodo estable, que como es hiperbólico también
lo es para el sistema no lineal. Los otros dos puntos fijos son puntos de silla, también
hiperbólicos que por tanto su carácter se mantiene para el sistema no lineal.
La condición de que la matriz Jacobiana sea hiperbólica en el punto fijo es funda-
mental, como lo ilustra el análisis del siguiente sistema ẋ = −y + ax(x2 + y 2 ), ẏ =
x + ay(x2 + y 2 ). La aproximación lineal predice que el origen es un centro para todo
a. El sistema linealizado es ẋ = −y, ẏ = x. Pero en realidad el origen no es un centro
para el sistema no lineal, incluso con valores muy pequeños de a, como se puede ver
si se transforma el sistema a coordenadas polares, ṙ = ar3 , θ̇ = 1. La Figura 5.47
ilustra el diagrama de fase para tres casos del parámetro a.
La conclusión es que los centros son frágiles, la trayectoria cerrada exige que después
de un ciclo la trayectoria cierre exactamente, cualquier perturbación, por pequeña,
146
5.7. Espacio de Fase, 2D
Ejemplos
Péndulo
Probablemente el primer sistema no lineal que se encuentra en un curso de fı́sica
elemental es el péndulo, con ecuación
p θ̈ + sen θ = 0 que es la forma adimensional de
dθ2 /dτ 2 +(g/L) sen θ, con ω = g/L, t = ωτ . En este caso no se tiene amortiguación,
ni forzamiento externo. También es probable que en los tratamientos elementales se
haya hecho la aproximación sen θ ∼ θ. Aquı́ interesa el sistema no lineal.
En forma de sistema de dos ecuaciones se tiene θ̇ = v y v̇ = − sen θ. Donde v es la
velocidad angular adimensional. Los puntos fijos son (kπ, 0), con k cualquier entero.
El jacobiano en el origen (k = 0) es ((0, 1), (−1, 0)) y por tanto, es un centro lineal.
147
5. Fundamentos Sistemas Dinámicos
Sentido Sentido
Horario Antihorario
E>1
E=1
E = -1 Rotaciones
E=1
E=1
E>1
Libraciones
E=-1
148
5.8. Ejercicios
5.8. Ejercicios
149
5. Fundamentos Sistemas Dinámicos
C: f (f)-W = 0
f
-2p 2p
considerando
T
dx
Z
f (x) dt
0 dt
5.8.6. Sea xf un punto crı́tico de la ecuación diferencial ẋ = f (x), es decir, f (xf ) = 0.
Demuestre que para cualquier condición inicial x0 6= xf el tiempo para llegar a xf
es infinito, es decir ı́nf t>0 {x(t) = xf , ẋ = f (x), x(0) = x0 } = ∞. Pista suponga lo
contrario y llegue a una contradicción considerando en sistema que resulta de invertir
la dirección del tiempo.
5.8.7. En el ejemplo de la cuenta amortiguada se aproximó una ecuación de segundo
orden por una ecuación de primer orden. Aunque el argumento es correcto, el tema
de las condiciones iniciales requiere explicación. Las ecuaciones de segundo orden
tienen dos condiciones iniciales independientes, en este caso el ángulo inicial φ(0) y
la velocidad angular inicial Ω(0) = φ̇. Mientras que la aproximación usada tiene sólo
una condición inicial. En el Capı́tulo siguiente se estudiarán los sistemas de segundo
orden, con detalle, pero por ahora es posible considerar un sistema de dos ecuaciones
φ0 = Ω y Ω0 = (f (φ) − Ω)/, en la cual hemos escrito f (φ) = sen φ(γ cos φ − 1).
El concepto de campo vectorial acá corresponde al plano φ, Ω como se ilustra en la
Figura 5.51. En cada punto el vector (φ0 , Ω0 ) se interpreta como la velocidad y el
concepto de flujo adquiere más sentido. En la Figura 5.51 la curva C corresponde a
los puntos para los cuales Ω = f (φ). La aproximación de primero orden corresponde
a los puntos que se mueven a lo largo de la curva C. Interpretar lo que ocurre para
los puntos iniciales que están por fuera de la curva.
5.8.8. Las ecuaciones diferenciales de primer orden en una dimensión son elementales,
su comportamiento asintótico es simple, todas las soluciones tienden a un punto fijo,
que eventualmente puede ser ±∞. No es posible la periodicidad y mucho menos
el caos. Sin embargo, hay comportamiento complejo en ecuaciones diferenciales de
primer orden de una sola variable cuando se tienen rezagos. Es decir, la ecuación es
150
5.8. Ejercicios
del tipo
ẋ = f (x(t), x(t − τ ))
para algún valor del rezago τ diferente de 0. Este rezago cambia la dimensionalidad
del problema y la vuelve efectivamente de dimensión infinita, el problema depende de
x en un intervalo de longitud τ . En particular las soluciones periódicas son posibles
incluso en el caso de una variable. Secciones fci-8.1 y 8.3 se presentan aplicaciones de
ecuaciones con rezagos. Verifique que la ecuación
π
ẋ = − x(t − τ )
2τ
tiene como solución
πt
x(t) = A cos , con τ = π/2.
2τ
Es instructivo aplicar el método usual empleado para las ecuaciones diferenciales
ordinarias buscando soluciones de la forma x(t) = c exp λt, con λ = µ + iω un número
complejo por determinar. Considere los posibles casos con λ real, imaginario puro o
parte real negativa. Interprete la condición τ = π/2.
5.8.9. Continuando con las ecuaciones rezagadas, el caso de la ecuación logı́stica es
importante desde el punto de vista aplicado. La ecuación logı́stica rezagada es
Ṅ = rN (t)[1 − N (t − τ )/K].
Los puntos fijos son N = 0 y N = K. Note que por el rezago no hay cambio en
los puntos fijos. Una expansión lineal al rededor de N = 0 muestra que este punto
es inestable. Para hacer una expansión lineal al rededor de N = K se procede a
adimensionalizar mediante N ∗ = N/K, t∗ = rt, τ ∗ = rτ . Si se hace la substitución,
se toma x = N ∗ y se retiene sólo términos lineales se llega a
ẋ = −x(t − τ ).
ẋ = ax(t) + bx(t − τ ),
con a, b constantes y t > 0. Muestre que el punto fijo y ∗ (t) = 0 es estable si a < −|b|.
151
Capı́tulo 6
Aplicaciones
Ṅ = rN (1 − N/K)(N/a − 1),
que corresponde a multiplicar la ecuación logı́stica por el factor (N/a − 1). Si a > 0
se tiene un fuerte efecto Allee, para a ≈ 0 el efecto es débil. Como es lógico, no existe
el efecto Allee cuando el último factor no existe, es decir se tiene el modelo logı́stico
tradicional.
Figura 6.1: Efecto Allee. Fuerte a la izquierda, débil en el centro y sin efecto a la
derecha.
153
6. Aplicaciones
El efecto Allee es más notorio para valores cercanos a cero población. En algunos
casos puede ser que la tasa de crecimiento sea negativa y eventualmente se llegue a
extinción. Si existe tal nivel crı́tico de población se tiene un efecto Allee fuerte. Los
mecanismos para explicar este efecto pueden ser la falta de parejas. Pero hay otras
posibles causas del efecto, la cooperación en defensa, o en la búsqueda de alimentación
también se pueden reflejar en la existencia del efecto Allee. La riqueza genética y la
capacidad de modificación del ambiente son otros posibles mecanismos que producen
correlación positiva entre población y tasa de crecimiento unitaria.
Función de Monod
Una función muy usada en quı́mica y biologı́a es la llamada función de Monod (figu-
ra 6.2)
S
µ = µmax .
KS + S
kf k
−−
E+S)−* c
− ES −−→ E + P.
kr
154
6.1. Modelos de poblaciones
d[E] d[ES]
+ = 0, luego [E] + [ES] = cte = [E]0 .
dt dt
kf [E][S] = kr [ES],
y por lo tanto,
kf ([E]0 − [ES])[S] = kr [ES].
De donde se obtiene
[S]
[ES] = [E]0 ,
kd + [S]
con kd = kr /kf . Luego, tomado µmax = kc [E]0 , la máxima velocidad de la reacción
sigue una función de Monod
d[P ] [S]
= µmax .
dt kd + [S]
KS
µinv = µmax − µ = µmax ,
KS + S
que para S = 0 vale µmax , decrece a cero a medida que S → ∞, pasando por µmax /2
para S = KS .
Función de Hill
Otra función usada con frecuencia es la llamada función de Hill, que corresponde a
una función de Monod con la variable elevada a una potencia n que puede aumentar
o disminuir la curvatura (figura 6.3),
Sn
µ = µmax .
KSn + S n
De manera semejante a como se hizo con la función de Monod se puede definir una
función inversa de Hill,
KSn
µin = µmax − µ = µmax .
KSn + S n
155
6. Aplicaciones
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2 n=0.5
n=1
0.1 n=2
n=3
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
El sistema tiene 4 puntos fijos: P1 = (0, 0), p2 = (0, 2), P3 = (3, 0), P4 = (1, 1). Su
Jacobiano es
3 − 2x − 2y −2x
J= .
−y 2 − x − 2y
La substitución de x y y para cada uno de los puntos fijos en la matriz jacobiana y el
análisis de los correspondientes valores propios permite concluir que el origen (P1 ) es
inestable, tanto P2 como P3 , que corresponden a una sola de las especies presentes son
estables, y P4 es un punto de silla. Como la matriz jacobiana en todos estos puntos
es hiperbólica, la estabilidad del análisis lineal se aplica para el sistema nolineal. La
figura 6.4 ilustra este análisis y además introduce el concepto de lı́nea divisoria y
cuenca para cada uno de los puntos fijos estables.
156
6.1. Modelos de poblaciones
2 2
y
1 1
Cuenca de (3,0)
x 1 2 3 Conejos
1 2 3 Conejos
Generalización
Es posible generalizar las ideas anteriores para un número arbitrario de especies, n,
y para incluir además de competencia por el mismo recurso otras dependencias entre
las especies, como predación, simbiosis, y competencia intra-especı́fica. La ecuación
general es
Xn
x˙k = xk (ak + bk,j xj ), para k = 1, . . . , n.
j=1
Presa-Predador
Las anteriores ideas se aplican a la dinámica de las poblaciones de presas y predadores,
por ejemplo, leones y gacelas. Sea x la población de la presa, la del predador y, un
modelo simple puede ser
ẋ = x(3 − 2y)
ẏ = y(−1 + x).
Sus puntos fijos son (0, 0), (1, 3/2). La matriz Jacobiana es
3 − 2y −2x
J= .
y −1 + x
Por lo tanto, al estudiar los valores propios se concluye que (0, 0) es un punto de silla
y (1, 3/2) un centro. La figura 6.5 ilustra el diagrama de fase y una serie de tiempo.
157
6. Aplicaciones
Figura 6.5: Diagrama de fase modelo Presa predador, izquierda, y serie de tiempo,
derecha.
Presa-Predador Modificado
Al anterior modelo se le pueden incluir varias modificaciones. Una primera puede ser
considerar competencia intraespecı́fica.
que tiene tres puntos fijos: (0, 0), (3, 0), (5/3, 2/3) y matriz Jacobiana
3 − 2x − 2y −2x
J= .
y −1 + x − 2y
Luego (0, 0) y (3, 0) son puntos de silla y (5/3, 2/3) una espiral atractiva. La parte
izquierda de figura 6.6 ilustra el diagrama de fase correspondiente.
Figura 6.6: Diagrama de fase del modelo presa predador modificado, izquierda ecua-
ción (6.5), derecha ecuación (6.6)
158
6.2. Control Genético
Luego (0, 0) es un punto de silla y (3, 0) un sumidero. La parte derecha de la figura 6.6
ilustra el diagrama de fase correspondiente.
ẋ = −ax + y
x2
ẏ = − by,
1 + x2
donde tanto x como y son proporcionales a las concentraciones de los dos subpro-
ductos, ambos parámetros a y b son positivos. Los puntos fijos de este sistema son
159
6. Aplicaciones
y
y
y y =ax
x2
y=
b(1 +x 2)
x x
x
√
x∗1 = (0, 0) y x∗2,3 = (1 ± 1 − 4a2 b2 )/2ab, si 2ab < 1. Los dos puntos x∗2,3 van a
chocar cuando la raı́z es cero, es decir ac = 1/2b y por tanto en la bifurcación el
valor crı́tico de la variable x es x∗c = 1. La figura 6.7 presenta el esquema del campo
vectorial a partir del análisis de las nulclinas.
Para estudiar la estabilidad de los puntos fijos la matriz Jacobiana es
" #
−a 1
J= 2x .
(1+x2 )2 −b
La traza es τ = −(a + b) < 0, luego los puntos fijos son o sillas o sumideros según el
determinante. En el origen ∆ = ab > 0, por lo tanto, es estable siempre. Para los otros
dos puntos fijos ∆ = ab(x2 − 1)/(x2 + 1), luego el del medio es una silla y el mayor
es estable. La figura 6.7 presenta el esquema del diagrama de fase. Dependiendo de
la condición inicial, el gen está inactivo, el sistema es atraı́do por el origen, o el gen
es activo. es atraı́do por el punto x∗3 .
6.3. SobrePesca
El sistema económico mundial depende del suministro continuo de recursos naturales.
En este trabajo se aborda la sostenibilidad de largo plazo. El caso de los recursos no
renovables no parece interesante para este tipo de preguntas, independiente de su
importancia práctica, pues ante el crecimiento hace rato no es válida la hipótesis de
depósitos infinitos para la gran mayorı́a de ellos. Los recursos renovables sı́ plantean
asuntos urgentes de interés práctico y académico. El enfoque sigue la herramienta de
los modelos simplificados, en el espı́ritu de Einstein, “Simple but not simpler”. Es decir
que describan un aspecto importante de la realidad, aunque no necesariamente toda la
complejidad de la realidad, lo suficientemente simples para que los podamos entender.
Se toma el problema de la pesca con el modelo logı́stico de crecimiento de la población
y varias representaciones simples de la motivación económica del esfuerzo pesquero.
La conclusión es clara, a los bienes comunes no se aplica el principio de optimalidad
propio de bienes privados en la actual economı́a de mercado. La intervención estatal en
este campo es también problemática. Los trabajos de Gordon (1954), Hardin (1968),
Mesa (2007) y Clark (2013). son la base de esta reflexión.
160
6.3. SobrePesca
Población de Peces
Los biólogos justifican el modelo logı́stico porque el modelo exponencial (tasa de cre-
cimiento constante) no es aplicable cuando hay recursos limitados lo que conduce a
una posible sobrepoblación y por tanto a una tasa de crecimiento que no será cons-
tante. Para valores bajos de la población se puede aceptar una tasa aproximadamente
constante, pero a medida que la población crece, la tasa tiende a disminuir. Eventual-
mente, la tasa se hace nula y posteriormente negativa. El valor de la población para
el cual la tasa se hace 0 se conoce como capacidad de carga, o capacidad de sopor-
te, K. Una manera de modelar estas ideas es asumir una variación lineal de la tasa
de crecimiento per cápita, Ṅ /N , con N . Esto se conoce como la ecuación logı́stica,
5.1. En general, las soluciones para diferentes condiciones iniciales tienen forma de S,
también llamada curva sigmoidea.
Recursos Naturales
El sistema económico mundial depende del suministro continuo de recursos naturales.
Esto es evidente, algo menos obvio es la posibilidad de la explotación sostenible de los
recursos naturales en el largo plazo. El caso de los combustibles fósiles, por definición
no–renovables, ha llevado a la polémica de su eventual agotamiento. Por otro lado, no
es claro si otros recursos, aparentemente menos agotables, tienen lı́mites; por ejemplo,
la producción agrı́cola. Otros recursos naturales que hasta ahora han sido considerados
sin lı́mite, están bajo estrés. Probablemente nuestra capacidad de responder a estos
interrogantes es limitada, con mayor razón si queremos respuestas cuantitativas. Por
tal motivo es ilustrativo considerar modelos simplificados, en el espı́ritu de la famosa
frase de Einstein, “Simple but not simpler”. Es decir, modelos que describan un
aspecto importante de la realidad, aunque no necesariamente toda la complejidad de
la realidad, lo suficientemente simples para que los podamos entender. En este caso
vamos a considerar que el crecimiento neto natural de la población de peces, o la bio-
masa del recurso pesquero, en un lugar determinado, eventualmente el Globo entero,
(teniendo en cuenta la reproducción y las muertes naturales, incluyendo las debidas
a otros predadores diferentes a los hombres) está representada por nuestro modelo
logı́stico r0 N (1 − N/K), que vamos a denotar como C(N ). Pero esta vez también se
va a tener en cuenta la tasa de pesca, que vamos a representar por P . En general
tanto C como P dependen del tiempo, C a través de N que depende del tiempo y
P por razones socioeconómicas que a primera vista parecen más complejas que la
dinámica poblacional. Sin embargo, es posible obtener conclusiones útiles, aunque no
se conozca la función de pesca P . La introducción de la tasa de pesca modifica el
modelo de la población de peces a la siguiente ecuación
161
6. Aplicaciones
Es fácil ver que si se pesca a la tasa constante P (t) = M T SP y N (0) = K/2 la po-
blación permanece constante, el punto K/2 es un punto fijo de la ecuación diferencial
(6.7). Esto luce muy prometedor para el ideal de una explotación sostenible. Pero
hay que tener en cuenta que requiere por una parte el conocimiento de la función C,
lo que podrı́a resolverse de manera aproximada con estudios, pero también requiere
que N (0) ≥ K/2. Si N (0) < K/2 la pesca a la tasa M T SP lleva a la extinción. La
derivada Ṅ es negativa para todos los valores de N excepto para K/2, luego el punto
fijo es semiestable y por lo tanto este concepto no es tan útil como parecerı́a.
Una crı́tica al modelo representado en le Ecuación 6.7 es predice población negativa
cuando P (t) = constante > M T SP .
Sistema Económico
Por otro lado, hay un obstáculo mayor al considerar el sistema económico. Una so-
lución real basada en el concepto de la Máxima Tasa Sostenible de Pesca, M T SP
requiere un Estado capaz de tener el conocimiento perfecto del recurso, de emitir la
reglamentación correspondiente y la capacidad de hacerla cumplir. Es claro que esta-
mos muy lejos de tal ideal. Hoy las decisiones se toman por individuos, por motivos
económicos, con un Estado que pretende controlar. Una idea que ha tenido mucha
influencia, tal vez demasiada, es la famosa “mano invisible” de la economı́a. Aquello
de que si cada uno procura su interés particular se lleva a un sistema que “funciona”.
Hay muchas crı́ticas a esta idea, con el presente ejemplo se ilustra la incapacidad de
que la búsqueda del lucro particular pueda llevar a un óptimo global para el caso de
la explotación de los recursos naturales debido a la llamada tragedia de los bienes
comunes (Hardin 1968).
Ası́ que se requiere una teorı́a para explicar y ojalá prevenir la sobreexplotación de
los recursos naturales. Gordon (1954) desarrolló una teorı́a, que, a pesar de lo simple,
explica muy bien lo que históricamente se ha observado. Lo primero que hizo fue
proponer una expresión estándar para la tasa de pesca,
162
6.4. Inteligencia Colectiva
Conclusiones
¿Por qué la economı́a de los recursos naturales conduce a este comportamiento inver-
so? La pregunta no es sólo académica. La teorı́a de Gordon (1954) no sólo contiene
esta anomalı́a económica para los recursos naturales, sino que precisamente este com-
portamiento inverso proporciona una perfecta explicación a la sobreexplotación de
los peces, los bosques tropicales, la biodiversidad, el aire, el agua, el medio ambiente
mismo. Gordon (1954) dice que la razón del comportamiento inverso es que en su
modelo nadie es propietario de los peces, son propiedad comunal, y por tanto nadie
tiene ningún incentivo para proteger el recurso. Aunque el modelo de Gordon (1954)
es simple, sus predicciones y conclusiones son muy fuertes.
La humanidad requiere avanzar en el entendimiento y la capacidad de orientar es-
tas interacciones complejas entre el sistema natural y el sistema social para que las
consecuencias correspondan a lo que queremos para las futuras generaciones.
163
6. Aplicaciones
dx (x + k)2
dt = ẋ = a1 − bx, (6.12)
(x + k)2 + (y + k)2
dy (y + k)2
dt = ẏ = a2 − by. (6.13)
(x + k)2 + (y + k)2
Los parámetros a1 , a2 son la cantidad de la feromona que resulta si todas hormigas del
nido van por cada ruta, b es la tasa de evaporación y k un umbral de concentración.
Todos lo parámetros son positivos. Se va a tomar el caso simétrico, a1 = a2 = a.
Para referencia posterior las ecuaciones de los puntos fijos del sistema (6.12), (6.13)
son
(x + k)2
a − bx = 0, (6.14)
(x + k)2 + (y + k)2
(y + k)2
a − by = 0. (6.15)
(x + k)2 + (y + k)2
Si se suman las Ecs (6.14) y (6.15) se tiene que los puntos fijos cumplen
x + y = a/b. (6.16)
164
6.4. Inteligencia Colectiva
Para caracterizar mejor los puntos fijos de cada una de las ecuaciones (6.14) y (6.15)
se despeja (x + k)2 + (y + k)2 y se igualan entre sı́ ambas expresiones para obtener
que se simplifica a !
a2
− k2 z − z 3 = 0. (6.20)
4b2
Por lo tanto zp= 0 es siempre una raı́z. Además, si a > 2bk = acr hay otras dos raı́ces
reales, z = ± a2 /(2b)2 − k 2 .
Se invita al lector a complementar el análisis anterior usando una herramienta de
solución (pplane) para los tres casos importantes (a < acr , a = acr y a > acr ). En
cada caso es importante determinar la estabilidad de los puntos fijos y dibujar el
165
6. Aplicaciones
Figura 6.9: Histéresis de turbidez en lagos pandos. La curva negra corresponde a au-
sencia de vegetación, la gris a presencia de vegetación. Las lı́neas horizontales son
valores crı́ticos de turbidez para alta temperatura (trazos) y baja (punteada). Adap-
tada de Scheffer (2009, p. 28)
166
6.5. Dinámica de Lagos Pandos
Los lagos pandos, o someros, son cuerpos de agua con profundidad media no mayor a
3 m. La superficie puede variar entre una hectárea y decenas de km2 . Una consecuencia
directa de la profundidad es la falta de estratificación térmica porque la luz puede
penetrar toda la columna. También es común que haya mezcla total por efecto del
viento, aunque esto depende obviamente del clima y de la presencia de vegetación.
Estos cuerpos de agua son vulnerables a la eutrofización por aumento de nutrientes
en vertimientos, debido a la amplia posibilidad de interacción entre los sedimentos y
el agua. Los nutrientes son ricos en fósforo y nitrógeno.
Los lagos pueden tener gran diversidad de biota, incluyendo macrófitas, numerosas
interacciones tróficas, fitoplancton, zooplancton, plantas sumergidas o flotantes, micro
invertebrados, peces, aves, etc.
Los estados alternativos que se mencionaron antes se denominan claro o transparente
y turbio. En el primero la luz penetra hasta el fondo, hay vegetación de fondo, hay
fitoplancton pero su población está controlada por zooplancton, en particular por
pulgas de agua o Dafnias, que a su vez pueden estar bajo control por peces. El estado
turbio se caracteriza por la falta de vegetación de fondo, domina el fitoplancton,
eventualmente se pueden desarrollar ciano-bacterias, el zooplancton normalmente está
sometido a altos niveles predatorios por peces, el sedimento es inestable.
Otra manifestación de las complejas interacciones en estos ecosistemas es la posibili-
dad, documentada y verificada en múltiples oportunidades, de revertir una transición
al estado claro mediante la remoción temporal de los peces, para disminuir la pre-
dación sobre el zooplancton lo que significa la posibilidad de que la población de
fitoplancton sea controlada y disminuya la turbidez. Otra opción que se ha empleado
es la disminución del nivel del lago.
En las zonas templadas la estacionalidad produce una dinámica temporal importan-
te, eventualmente ciclos y hasta caos. En invierno la vegetación sumergida tiende a
desaparecer, subsisten las semillas, las raı́ces y tubérculos. En primavera hay la posi-
bilidad de que se reestablezca el estado anterior claro, para empezar, el valor crı́tico
de turbidez para la temperatura baja es también más bajo. En primavera los peces
ponen grandes cantidades de huevos, y al cabo de una semana habrá abundancia de
juveniles. Estos se refugian en zonas de profundidad baja donde no pueden ser ata-
cados por peces mayores, además la temperatura tiende a ser mayor, lo que favorece
su desarrollo. Eventualmente el alimento puede llegar a ser limitante. El crecimiento
en talla es importante, porque a partir de un determinado tamaño no son objeto de
presa. En algunos lagos el estado claro de la primavera da origen a una fase turbia,
por el colapso de la población de dafnias que son predadas por los peces.
Como se puede apreciar, la complejidad del tema es grande, son varias las variables
y las interacciones. De las diferentes posibilidades se van a presentar cuatro mode-
los simples, que consideran uno, máximo dos eslabones de las posibles cadenas de
retroalimentación.
La filosofı́a de la modelación no es diferente a la básica de los modelos en general en
ciencias e ingenierı́a. Se quiere capturar parte de la realidad, se simplifica el resto, lo
que no se considera importante para efectos de la pregunta de interés. El modelo se usa
con un propósito, siempre hay conciencia de sus limitaciones. Cuando éstas se tornan
167
6. Aplicaciones
Modelo Zooplancton-Fitoplancton
El modelo (Scheffer y Rinaldi 2000) es un modelo de presa predador. Sea A la po-
blación de fitoplancton (algas) y Z la del zooplancton. Las unidades usadas son de
concentración, ambas en mgl−1 . Las algas crecen de acuerdo a un modelo logı́stico y
su mortalidad se representa como una función de Monod, mientras que la ecuación
para la población de zooplancton tiene una tasa de crecimiento que se deriva de la
tasa de mortalidad de las algas y a su vez una tasa lineal de mortalidad. En efecto,
las ecuaciones son
A A
Ȧ = rA 1 − − gZ (6.21)
K A+h
A
Ż = agZ − mZ.
A+h
Modelo Turbiedad-Vegetación
En este caso las variables que se consideran más importantes son la turbiedad, que
está relacionada con el fitoplancton y se representa por E, y la vegetación de fondo
que se representa por V . En ambos casos se asume que su población obedece a un
168
6.5. Dinámica de Lagos Pandos
modelo logı́stico
E
Ė = rE E 1 − (6.22)
KE
V
V̇ = rV V 1 − ,
KV
donde la capacidad de soporte para la turbiedad se toma como una función inversa de
Monod en V , y la capacidad de soporte para la vegetación como una función inversa
de Hill en E, dadas por
hV
KE = E0 (6.23)
hV + V
hp
KV = p E p .
hE + E
Esta es la hipótesis fundamental del modelo, la capacidad de soporte del fitoplancton
decrece con la vegetación y la capacidad de soporte de la vegetación decrece con la
turbiedad. El exponente p controla la curvatura de esta función y para valores grandes
la forma sigmoidea. En Scheffer (2009, pág. c. 7) se presenta la argumentación y la
evidencia empı́rica para justificar estas hipótesis. En particular en su Figura 7.3 se
presenta un esquema que representa varias cadenas de retroalimentación. Por ejemplo,
a mayor vegetación hay mayor protección contra las olas y el sedimento tiende a ser
más estable lo que no sólo por el efecto directo de este en la turbiedad sino también
en la recirculación de nutrientes tiende a disminuir la turbiedad. La cadena se puede
seguir vı́a el efecto de la vegetación en los nutrientes y de estos en el fitoplancton,
o de la vegetación en las algas mediante sustancias alelofáticas que pueden exudarse
de raı́ces u hojas y que evitan el crecimiento de otras especies en su vecindad. Las
plantas macrófitas también pueden servir de refugio al zooplancton, lo que a su vez
significa menor fitoplancton.
Se procede al análisis del modelo. Del sistema de ecuaciones 6.22 se ve que hay dos
nulclinas para cada una de las ecuaciones, dos triviales (E = 0 y V = 0) y las otras
dos E = KE y V = KV , ecuación (6.23). Se toman los parámetros rE = rV = 0,6,
E0 = 2, hV = 0,4, hE = 1 y P = 6. La figura 6.10 ilustra las dos nulclinas. Para estos
valores de los parámetros hay lugar a tres puntos fijos, dos estables y un punto de
silla en el medio. Los dos puntos fijos estables corresponden a los dos posibles estados
alternativos, lago claro con baja turbiedad y alta cobertura vegetal en el fondo y lago
turbio sin vegetación y alta población de fitoplancton.
Se invita al lector a considerar variaciones en los parámetros, en un rango relativa-
mente estrecho se mantienen los tres puntos fijos y la interpretación no cambia. Es
posible desplazar una de las curvas a la derecha o izquierda hasta que en lugar de
tres puntos fijos haya dos, o sólo uno. La tangencia corresponde a dos puntos fijos.
Los desplazamientos corresponden a cambios en los parámetros hV o hE .
El parámetro p se puede asociar a la profundidad del lago, a medida que mayor es la
profundidad, menor p y por tanto menor la curvatura de la nulclina, más estirada la
S invertida y menor posibilidad de tres puntos fijos, ver Scheffer (2009, f. 7.5).
169
6. Aplicaciones
170
6.5. Dinámica de Lagos Pandos
n 1
Ḟ = rf F − lf F, (6.24)
n + hf 1 + af F
n 1
Ṡ = rs S − ls S.
n + hs 1 + as S + bF + W
La limitante por nutrientes se modela como una función de Monod del contenido
total del nitrógeno inorgánico disuelto en la columna, n. Esta función se satura. La
concentración de nitrógeno se asume es una función decreciente de la cantidad total
de biomasa en las plantas
N
n= ,
1 + qs S + qf F
171
6. Aplicaciones
172
6.6. Corales
6.6. Corales
Los arrecifes coralinos son ecosistemas de enorme importancia por los grandes servi-
cios ambientales que aportan, como nicho para el desarrollo de peces, primera barrera
de protección costera contra tormentas y mareas, atractivo turı́stico, hogar de la vi-
da salvaje y captador de CO2. Aunque están presentes en 101 paı́ses alrededor del
mundo, ocupan menos del 1 % de la superficie y últimamente están sometidos a cons-
tante deterioro en particular por el calentamiento global, debido al llamado blanqueo.
Tanto que se han disparado las alarmas por su inminente colapso.
Se estima que los arrecifes de coral albergan un tercio de todas las especies marinas
conocidas, es de lejos el ecosistema más biodiverso del océano, gracias a sus intrin-
cados paisajes promueve la adaptación y la creación de complejas interdependencias
entre las diversas especies que lo habitan. También son una fuente importante de
médicamente activos.
Los corales son animales invertebrados que forman colonias conformadas por diminu-
tos pólipos, que viven en simbiosis con algas fotosintéticas, y que secretan carbonato
de calcio para formar una coraza dura, construyendo ası́ los arrecifes de coral, las
enormes estructuras de roca caliza que albergan grandes cantidades de especies de
plantas y animales.
Los corales requieren luz solar para subsistir, pues la mayor parte de su energı́a pro-
viene de la relación mutualista con el alga unicelular fotosintética Zooxanthella, que
habita en sus tejidos y de la cual obtiene nutrientes y energı́a a cambio de brindarle
protección. Por depender de la fotosı́ntesis se desarrollan en aguas claras y con profun-
didades menores a los 60 metros, y son muy vulnerables a los cambios de temperatura,
acidez, y contaminantes.
La vulnerabilidad al calentamiento global, que se hace evidente con el blanqueo de
los corales, se debe a la alta sensibilidad térmica de las algas Zooxanthella. Ante altas
temperaturas del agua el coral expulsa las algas lo que implica la pérdida de color
y de allı́ su nombre. Aunque un coral blanco no necesariamente está muerto, y se
han documentado casos de corales que logran sobrevivir un evento, si es claro que
están sometidos a mayor estrés y eventualmente a la mortalidad. Lo que ha implicado
reducciones en la riqueza de especies, la reducción taxonómica y pérdida de hábitat
para millones de organismos. Estas condiciones de mayor temperatura y menor canti-
dad de algas fotosintéticas viviendo en su tejido, pueden ocasionar un cambio de fase,
de una dominada por los corales, a una fase de expansión y dominación de macro y
microalgas. Hay competencia directa por la energı́a y nutrientes disponibles, y al estar
los corales debilitados, cobran fuerza sobre estos cubriéndolos casi que en su totalidad,
y tornando un arrecife saludable en un espacio inhóspito. Las ilustraciones con foto-
grafı́as de estos estados alternativos son notables (ver por ejemplo Hastings (2013)).
Sin embargo, Buddemeier y Fautin (1993) atribuyen el blanqueo a una estrategia
adaptiva, que suspende el crecimiento hasta que las algas protozoarias retornen.
173
6. Aplicaciones
Modelo
Se quiere analizar las variaciones en la fracción del área cubierta por corales (C),
macroalgas (M ) y pasto marino (T ). Se considera la competencia entre estas especies,
en particular se considera que el coral puede crecer sobre el pasto marino, mientras
que las macroalgas pueden crecer tanto sobre el coral como sobre el pasto marino.
El pasto marino puede crecer en los lugares en los que las macroalgas sean retiradas
por el pastoreo llevado a cabo por los herbı́voros o en donde los corales han muerto
de forma natural (Hastings 2013). Las macroalgas son las mayores competidoras de
los corales por luz, espacio y nutrientes. Las tasas de crecimiento asociadas a esta
competencia se asumen proporcionales al producto de las fracciones de las especies
involucradas. Se tiene en cuenta además una tasa natural de mortalidad de los corales
y una función de saturación de las macroalgas. El modelo se puede expresar con dos
174
6.7. Epidemias
variables porque M + C + T = 1,
gM
Ṁ = aM C − + γM T
M +T
Ċ = rT C − dC − aM C.
Los parámetros del modelo son las tasas de pastoreo (g = 0,0015), de mortalidad
de los corales (d = 0,001), de crecimiento de las macroalgas encima de los corales
(a = 0,01), de crecimiento de las macroalgas encima del pasto marino (γ = 0,002), y
tasa de sedimentación y crecimiento de los corales encima del pasto marino (r = 0,01).
Es claro que estos parámetros no son constantes, pueden cambiar de un sitio a otro o
en función de otras condiciones ambientales, por lo que es importante hacer análisis
de sensibilidad, los diagramas de bifurcación.
Figura 6.12: Histéresis entre corales (izquierda), macroalgas (centro) y pasto marino
(derecha) en función del parámetro de pastoreo
En la figura 6.12 se muestran los puntos fijos para las 3 variables en función del
parámetro g, la tasa de pastoreo. Las figuras se obtienen de calcular los puntos fijos,
del sistema, teniendo cuidado de considerar los casos triviales. Se invita al lector a
repetir el análisis y a estudiar la estabilidad de los puntos fijos. También se invita a
analizar la consistencia de estos resultados con la formulación del modelo.
6.7. Epidemias
Introducción
Hay en la historia varias epidemias famosas, en la peste negra del siglo XIV en Eu-
ropa se estima que murió un tercio de la población para la época que se estima en
85 millones. En Atenas en 430-428 a.c., Tucı́dides presenta un detalle minucioso de
una epidemia que diezmó los soldados y que por lo bien documentada ha servido para
varios estudios recientes. El contagio persona a persona no era claro, las enfermeda-
des se atribuı́an a vapores, maldiciones, etc. Todavı́a en la actualidad, en Indonesia
la epidemia de dengue se atribuye al humo asociado a los incendios forestales, ambos
fenómenos se incrementan con El Niño, en realidad transmitido por el mosquito Aedes
Aegypti. Para otras teorı́as conspiratorias, epidemias como la del SIDA son invencio-
175
6. Aplicaciones
nes de oscuros intereses. Claramente no todas las enfermedades son infecciosas, las
hay de origen ambiental o genético y cada una requiere su estudio especı́fico.
El control con antibióticos, vacunas, el registro y reporte epidemiológico y algunas
medidas ambientales han sido las principales herramientas en la lucha contra las
epidemias. Han aparecido complicaciones nuevas por la mutación de patógenos, el
desarrollo de resistencia a los antibióticos y la aparición o reemergencia de nuevas
enfermedades. También la movilidad ha crecido exponencialmente, aumentando el
riesgo de contagio y borrando la frontera entre poblaciones.
Sin embargo, la salud pública ha avanzado suficiente en modelos cuantitativos de
las enfermedades infecciosas. Se procede a describir lo esencial de algunos de ellos,
basados en Murray (2002, p. 316).
Hay cuatro tipos de microorganismos que causan enfermedades en humanos: virus,
bacterias, parásitos y hongos; además algunos de los patógenos son transmitidos por
vectores, como es el caso de los mosquitos. La dinámica poblacional, incluso en su
versión más simple, permite conclusiones importantes y orientar la acción de salubri-
dad. En aplicaciones reales se hace un llamado por la validación de los modelos, la
estimación de los parámetros y la verificación.
El primer modelo dinámico de una epidemia del que se tiene conocimiento es de
Bernoulli en 1760 relacionado a la varicela y que además considera la primera idea
de una vacuna.
Modelos SIR
Se considera constante la población, un pequeño grupo de individuos infectados entra
en contacto con la población y se quiere estudiar la propagación de la enfermedad
en función del tiempo. Claramente este problema depende de muchas caracterı́sti-
cas particulares, entre ellas el mecanismo especı́fico de contagio para la enfermedad
particular. A este nivel de modelo simplificado se considera sólo lo más básico.
Las hipótesis básicas son que la enfermedad luego de la recuperación confiere inmu-
nidad, lo cual en general incluye la posible muerte. Es decir, en el modelo los muertos
se contabilizan como inmunes. En estas circunstancias la población, N , se divide en
tres clases, los susceptibles, S, que son las personas sanas pero que pueden adquirir la
enfermedad. Los infectados, I, que tienen la enfermedad y la pueden transmitir. Por
último, esta la clase de los removidos, R, que incluye a los recuperados o recobrados
y también a quienes se aı́slan en cuarentena hasta la recuperación y como se dijo
los muertos. En algunas enfermedades (Ébola) los muertos son la principal fuente de
contagio, para que este modelo funciones los muertos siguen siendo parte de la clase
I y sólo pasan a la clase R cuando son enterrados.
Bajo estas hipótesis la dinámica se puede representar mediante el diagrama
S −→ I −→ R.
En términos matemáticos se asume que el incremento en el número de infectados
por contagio es proporcional al producto SI, con factor de proporcionalidad r > 0,
denominado tasa de infección. La tasa a la cual los infectados se recuperan es propor-
cional al número de infectados I con factor de proporcionalidad a > 0, denominada
176
6.7. Epidemias
177
6. Aplicaciones
la solución de esta ecuación trascendente permite calcular S(∞) y por tanto R(∞) =
N − S(∞). Claramente el contagio decae por falta de infectados y no por falta de
susceptibles. Otra consecuencia importante es
Itot = I0 + S0 − S(∞).
Figura 6.13: Diagrama de fase I vs. S del modelo SIR para varias condiciones iniciales
sobre la recta S + I = N . La lı́nea vertical punteada señala el parámetro crı́tico
Scr = ρ.
178
6.8. Descomposición Espinodal
Otros Modelos
De manera muy breve se mencionan otros modelos aplicables a otras epidemias o bajo
otras circunstancias. Lo primero es considerar cambios en la población total debidos
a nacimientos y muertes. Otra modificación simple es cuando la enfermedad no causa
inmunidad, esto da origen al modelo SIS con diagrama
S −→ I −→ S.
S −→ I −→ R −→ S.
S −→ E −→ I −→ S.
S −→ E −→ I −→ R.
179
6. Aplicaciones
J = −D∇µ,
180
6.8. Descomposición Espinodal
Semejanza Dinámica
Suponga que el sistema tiene escalas naturales de longitud λ y tiempo τ . Es decir,
que se puede adimensionalizar el sistema mediante t̂ = t/τ , x̂ = x/λ, y las derivadas
∂ ∂
= τ , y ∇nx̂ = λn ∇n .
∂ t̂ ∂t
Por tanto, la ecuación de Cahn-Hilliard se adimensionaliza a
" #
2
∂φ 2 Dτ ab 2 3 Dτ γ 2
= D∇x̂ (α φ − φ) − 4 ∇x̂ φ , (6.26)
∂ t̂ λ2 λ
√
con α = b/ a. De donde se ve que las escalas naturales son
γ
τ= ,
a2 b4 D
y r
1 γ
λ= ,
b a
y que la ecuación simplifica a
∂φ
= D∇2 [α2 φ3 − φ − ∇2 φ], (6.27)
∂t
donde de aquı́ en adelante para simplificar la notación no se continúa con el uso de .̂
y se sobre entiende que se trabaja con variables independientes adimensionales.
Dos conclusiones importantes se desprenden de lo anterior. Primero la escala de longi-
tud diverge en la transición de fase. Es decir λ → ∞ cuando a → 0. Esto corresponde
con la divergencia de la longitud de correlación para el modelo Ising. Lo segundo
es que la no-linealidad es más fuerte cerca de la transición de fase, α → ∞ cuando
a → 0.
Es posible calcular soluciones numéricas a la ecuación (6.27) para condiciones inicia-
les/borde apropiadas. Pero la aproximación lineal es muy esclarecedora.
Linealización
Lejos de la transición de fase, es decir cuando α 1, la siguiente aproximación lineal
a la ecuación (6.27)
∂φ
= −D∇2 [φ + ∇2 φ], (6.28)
∂t
es válida. La herramienta propia para estudiar este tipo de ecuaciones es el análisis de
Fourier (Kreyszig 2009, cáp. 11). Para ello φ, que es función del espacio x = (x1 , x2 )
y del tiempo t se va a expresar mediante la siguiente integral de Fourier
Z
φ(x, t) = Ak (t)e−ık·x dk,
181
6. Aplicaciones
p
donde k = |k| = k12 + k22 es la magnitud del vector k, el vector número de onda;
Ak es la componente k de la transformada de Fourier de φ. Las unidades de k son
inverso de longitud. Es el análogo espacial de la frecuencia angular ω; mientras que
la longitud de onda, λ = 2π/k, es el análogo del perı́odo T = 2π/ω. La terminologı́a
número de onda es aplicable a pesar de que la ecuación no es una ecuación de onda
porque usando la fórmula de Euler para el exponencial de un número complejo se ve
que e−ık·x es una función periódica en el espacio, con número de onda k. Por tanto,
la componente Ak se puede interpretar como la amplitud de φ a la escala espacial k.
Una de las propiedades de la transformada de Fourier que la hace potente para atacar
los problemas lineales es el principio de superposición de las componentes. Es el prin-
cipio de divide y vencerás. En particular las derivadas se pueden calcular fácilmente,
Z
∂φ
= Ȧk (t)e−ık·x dk,
∂t
182
6.9. Ejercicios
0.3
0.4
0.5
0
1 -0.4
-0.6
1 2 4
Log (tiempo)
6.9. Ejercicios
183
6. Aplicaciones
6.9.2 (Competencia con Neandertal). Consulte algún modelo propuesto para la com-
petencia entre humanos y neandertales. Discuta si la diferencia de tasas de mortalidad
puede explicar la tasa de extinción de entre 5000 y 10000 años estimada por los pa-
leontólogos. Proponga un modelo alternativo, por ejemplo, considerando mestizaje.
6.9.3. El método de control de plagas mediante liberación de estériles se conoce por
sus siglas en inglés (SIRM). Una estrategia es mantener una población constante n
de insectos estériles. Un modelo simple para la población de insectos fértiles N (t) es
aN
Ṅ = N − b − kN (N + n).
N +n
Con todos los parámetros positivos. Discuta las bases del modelo. Determine un nivel
crı́tico nc que lleva a erradicar la peste. ¿Cómo serı́a el modelo si sólo se hace una
liberación?
6.9.4. Se ha encontrado que dependiendo de la temperatura del nido en el cual se
empollan los huevos se define el sexo de las crı́as. Simplificando, nidos en ciénagas
húmedas producen sólo hembras, en ciénagas secas la relación es 50 % y si el nido es
en terrenos secos se producen sólo hembras porque la temperatura es mayor. Consulte
un modelo para la distribución de sexos entre los tres tipos de zonas.
6.9.5 (Modelo Keynesiano para una economı́a nacional). Siguiendo la teorı́a Keyne-
siana sea I ≥ 0 el ingreso anual nacional, C ≥ 0 el consumo nacional, y G ≥ 0 el gasto
anual del gobierno. Los parámetros α y β están en el rango 1 < α < ∞, y 1 ≤ β < ∞.
Las ecuaciones del modelo son,
dI
= I˙ = I − αC, (6.30)
dt
dC
= Ċ = β(I − C − G). (6.31)
dt
Para cada uno de los tres casos siguientes encuentre los puntos fijos y estudie su
estabilidad. Ilustre en un diagrama de fase el campo vectorial y varias trayectorias.
Interprete el modelo y los resultados. Considere sólo soluciones en el primer cuadrante.
184
6.9. Ejercicios
185
Capı́tulo 7
Resiliencia
7.1. Definición
Resiliencia se define como la capacidad de un sistema de absorber perturbaciones sin
perder su estructura y funciones básicas (Walker y Salt 2006).
La respuesta de cualquier sistema a perturbaciones depende del contexto, sus cone-
xiones a diferentes escalas y su estado presente. Un ejemplo que se usa para ilustrar
la idea es el de un mesero en un barco. Suponga que está en un barco en puerto de
aguas tranquilas y quiere llevar de un extremo al otro un recipiente lleno de agua has-
ta el borde sin hacer regueros. Ahora imagine la misma tarea en un mar embravecido.
Desde la revolución del paleolı́tico y la invención de la agricultura y la ganaderı́a,
el problema del manejo ambiental se ha concebido como un asunto de optimización.
Parecido al caso de aguas tranquilas. Se ha asumido que es posible manejar las dife-
rentes componentes de los ecosistemas de manera aislada, encontrar un balance entre
oferta y demanda para cada componente y que el resto de los atributos del sistema
permanece fundamentalmente constante en el tiempo.
Pero los Ecosistemas son extremadamente dinámicos y se aplica mejor la analogı́a
del mar embravecido. Aparecen sorpresas permanentemente tales como tormentas,
epidemias o sequı́as. Lo que es óptimo en una circunstancia no lo es en otra, la
estructura y función del sistema cambia constantemente.
187
7. Resiliencia
7.2. Cambio
Adoptar el cambio
El marco mental de la optimización apunta a un estado particular óptimo y a mante-
ner el sistema en tal estado. Para lograr tal resultado la gestión se apoya en modelos
que asumen, entre otros supuestos no reconocidos, que el cambio será incremental,
lineal y simple. Normalmente se ignoran las implicaciones de lo que ocurre a otras
escalas mayores y se desconoce los efectos sobre escalas menores. Se cree que estos
no pueden retroalimentar. Los modelos están construidos sobre los comportamien-
tos promedio, no tienen en cuenta de manera adecuada los eventos extremos y la no
linealidad (retroalimentaciones).
Las cosas cambian. Ignorar o resistir el cambio incrementa la vulnerabilidad y hace
perder oportunidades emergentes, limita las opciones. A veces el cambio es lento,
otras veces es abrupto. No somos buenos para reaccionar ante los cambios lentos, no
los percibimos o creemos que son inevitables. Los cambios abruptos nos sorprenden,
nos toman desprevenidos y sin preparación, aunque sı́ provocan reacción, a menudo
es tardı́a e inadecuada. El cambio no es ni bueno ni malo en sı́ mismo. Puede traer
consecuencias tanto favorables como desfavorables.
La definición de adoptar según la RAE es: “(1) Recibir como hijo, con los requisitos
y solemnidades que establecen las leyes, al que no lo es naturalmente. (2) Recibir,
haciéndolos propios, pareceres, métodos, doctrinas, ideologı́as, modas, etc., que han
188
7.3. Ciclos Adaptativos
sido creados por otras personas o comunidades. (3) Tomar resoluciones o acuerdos con
previo examen o deliberación. (4) Adquirir, recibir una configuración determinada”
Adaptarse al cambio
La definición de adaptar según la RAE es: “(1) Acomodar, ajustar algo a otra cosa.
(2) Hacer que un objeto o mecanismo desempeñe funciones distintas de aquellas para
las que fue construido. (3) Modificar una obra cientı́fica, literaria, musical, etc., para
que pueda difundirse entre público distinto de aquel al cual iba destinada o darle
una forma diferente de la original. (4) Dicho de una persona: Acomodarse, avenirse a
diversas circunstancias, condiciones, etc. (5) Dicho de un ser vivo: Acomodarse a las
condiciones de su entorno.”
Ciclos de la vida
Los sistemas siguen los ciclos de los seres vivos. Se nace crece, desarrolla, reproduce
y se muere También tienen ciclos las familias, las empresas, las sociedades, los ecosis-
temas. Los ciclos ocurren a diferentes escalas espaciales y temporales. Dependiendo
de la fase del ciclo, los procesos ocurren de manera diferente, a veces gradual, a veces
abruptamente. A veces hay sorpresas, hay ocasiones para la innovación. Después de
mucho observar los ecosistemas y las sociedades, L. H. Gunderson y Holling (2002)
encontraron un paradigma de los ciclos con 4 fases: crecimiento rápido, conserva-
ción, liberación y reorganización. En cada fase cambian las conexiones internas, la
flexibilidad y la resiliencia (ver figura 7.1).
189
7. Resiliencia
a K
s er vac ió
c on n
ani z aci
org ón
re
potencial
a
exp lo t ac
ió rg
ca
de s
r W
conectividad
Ciclos económicos
Aunque se ha popularizado el concepto de los ciclos desde la ecologı́a, el verdadero
origen es en la economı́a Schumpeter (1950) describió el capitalismo como una “tor-
menta perenne de destrucción creativa”. Con esas palabras se denominan las crisis
periódicas que rompen la estabilidad, pero liberan recursos para la innovación y la
reorganización.
Ciclo Adaptación
Fase r, Crecimiento rápido
Especies o personas explotan las nuevas oportunidades. La denominación r viene de la
tasa máxima de crecimiento en la ecuación logı́stica. Las especies o actores (“actores
r”, o “estrategas r”) hacen uso de todos los recursos disponibles para explotar. Las
componentes del sistema están débilmente interconectadas en esta fase y el sistema
está débilmente regulado. Los “actores r” más exitosos son capaces de prosperar bajo
190
7.3. Ciclos Adaptativos
191
Bibliografı́a
193
Bibliografı́a
194
Bibliografı́a
195
Bibliografı́a
196
Bibliografı́a
197
Bibliografı́a
198
Bibliografı́a
199
Bibliografı́a
200
Bibliografı́a
Wilson, K. G. (1979). ((Problems in Physics with Many Scales of Length)). En: Scient.
Am 241, págs. 140-157.
Winfree, A. T. (1980). The geometry of biological time. Vol. 8. Biomathematics. Sprin-
ger Science & Business Media.
Wolfram, S. (1983). ((Statistical mechanics of cellular automata)). En: Reviews of Mo-
dern Physics 55.3, pág. 601.
Wolfram, S. (1986a). ((Cellular automaton fluids 1: Basic theory)). En: Journal of
Statistical Physics 45.3-4, págs. 471-526.
Wolfram, S. (1986b). Theory and applications of cellular automata. World scientific.
Wolfram, S. (2002). A new kind of science. Vol. 5. Wolfram media Champaign.
Yano, J.-I., C. Liu y M. W. Moncrieff (2012). ((Self-organized criticality and homeos-
tasis in atmospheric convective organization)). En: Journal of the Atmospheric
Sciences 69.12, págs. 3449-3462.
Yeomans, J. M. (1992). Statistical mechanics of phase transitions. Oxford University
Press.
201
Índice alfabético
203
Índice alfabético
204
Índice alfabético
205
Índice alfabético
206