MODELOS LINEALES Y NO LINEALES

En una ecuacin diferencial el tiempo avanza continuamente, es por eso que las ecuacin diferencial son referidas a modelos de tiempo continuo. Sin embargo, en algunos procesos el tiempo estn mejor formulado como modelos en tiempo discreto, donde el tiempo esta en unidades discretas t= 0,1,2,3... Ejemplos: Cuando el dinero en una cuenta de ahorros se capitaliza solo es necesario calcular en monto principal cada mes Un conservacionista de vida silvestre puede censar una poblacin de ciervos en la primavera y el otoo para estimar su nmero y tomar decisiones sobre las tasas de aprovechamiento permisible En ingeniera elctrica, los datos continuos se pueden generar grficamente en un osciloscopio, pero los datos digitales es igualmente comn y se recoge, por ejemplo, en un proceso de muestreo, en intervalos de tiempo discretos. en un modelo de tiempo discreto el estado es secuencial Xt es decir X0, X1, X2, X3,.......,en ves de una funcin continua; los subndices denotan el tiempo. El grafico de los estados, o secuencia, xt como un conjunto de puntos ( t , xt ) en un plano xy, a menudo conectados por segmentos de linea recta. MODELO DISCRETO LINEAL Son ecuaciones diferenciales de la forma: xt+1 = f(t,xt) , t=0,1,2,3,... Donde f es una funcin dada. Tales ecuaciones son llamadas ecuaciones diferenciales y relaciones de recursividad. El conocimiento del estado inicial x0 nos permite calcular los estados posteriores de manera recursiva, en trminos de los estados previamente calculados. Por lo tanto, es una regla de actualizacin determinista que nos dice cmo calcular el siguiente valor en trminos de anterior. Una secuencia xt que satisface el modelo es una solucin de la ecuacin. Si f(t,x t) = atxt +bt , donde at y bt estn dados, secuencias fijas, entonces el modelo es lineal de otra manera es no lineal. En consecuencia examinamos principalmente las ecuaciones autnomas. xt+1 = f(xt), t=1,2,3,4,... Donde el lado derecho no depende explcitamente de t. los modelos discretos son tambin definidos en trminos de cambios xt = xt+1 - xt del estado xt . Por lo tanto, xt =g(xt) Define un modelo discreto, donde g es el cambio dado. Finalmente algunos modelos tambin son definidos en trminos de cambio relativo o cambio per cpita xt /xt . Por lo tanto: xt /xt = h(xt) Donde h es el cambio per cpita dado. Cualquier forma puede ser obtenida fcilmente de otra por simple Algebra. Un modelo de tiempo discreto de segundo orden tiene la forma: xt+2 = f(xt+1, xt), t=0,1,2,3, Ahora un estado depende de 2 estados precedentes. x0 y x1 son requeridos para iniciar el proceso.

MODELOS DISCRETOS FORMA SIMPLE: xt+1 = (r+1) xt Mtodo 1 de solucin x1= (r+1)x0 x2= (r+1)x1 = (r+1)2x0 x3= (r+1)x2 = (r+1)3x0 x4= (r+1)x3 = (r+1)4x0 Por induccin: xt= (r+1)tx0

Mtodo 2 de solucin x1= (r+1)x0 x2= (r+1)x1 x3= (r+1)x2 x4= (r+1)x3 . . xt= (r+1)xt-1 Multiplicamos todas las ecuaciones y obtenemos: x1x2x3x4 xt = (r+1)t x0x1x2x3 xt-1 xt= (r+1)tx0

APLICACIONES Se usa en clculo de monto a una cierta tasa y para problemas de crecimiento de la poblacin (modelo de Malthus), en general puede ser usados en situaciones en donde el valor inicial vare en una tasa r peridicamente. Ejemplos: 1) Se coloca en el banco una suma inicial de 3000 soles, capitalizables cuatrimestralmente al 4%, si tambin se tiene una deuda con valor fijo de 3500. Luego de cuantos periodos se podr subsanar la deuda? Solucin x0 = 3000 r=0.04 xt: valor de la cuenta luego del cuatrimestre t. Entonces: xt+1 = 1.04 xt Luego por formula general: xt= (1.04) tx0

3500 = (1.04)t (3000) 7 / 6 = (1.04)t Ln(7/6) / Ln(1.04) =t t=3.930338524 cuatrimestres. Entonces recin despus del cuarto cuatrimestre se podr pagar la deuda. x8 = 3000(1.04)4= 3509.57568 > 3500 (se puede pagar la deuda)

2) Problema para usar Modelo de Malthus. Se hace un estudio sobre la demografa del PERU que actualmente(2011) tiene una poblacin de 29 700 000 personas, las variables a tomar en cuenta son las siguientes: Tasa de natalidad Tasa de mortalidad Tasa de inmigracin Tasa de emigracin Hallar la poblacin estimada en los aos siguientes Solucin En este caso la poblacin ira variando cada ao por los nacimientos, muertes, inmigrantes y emigrantes. La tasa r de variacin seria: r= rnatalidad rmortalidad + rinmigracion - remigracion r= (30.5 7.2 + 5.4 4.7)/1000 =0.024 Entonces la funcin recursiva seria: Poblaciont+1 = 1.024 Poblacint Tomamos cono base el ao 2011 y la solucin de la funcin seria: Poblaciont= (1.024)t 29700000 AO 2012 2013 2014 2015 2016 2017 2018 POBLACION 30 412 800 31 142 707 31 890 132 32 655 495 33 439 227 34 241 768 35 063 571 30.5% 7.2% 5.4% 4.7%

FORMA LINEAL GENERAL: xt+1 = xt + p Donde p es una constante. Podemos considerar este modelo para ser, decir el crecimiento mensual de la variable xt en una cuenta de banco donde r ( = r+1) es la tasa de inters mensual y p es una constante mensual adicional a la cuenta. En una configuracin ecolgica, puede ser la tasa de crecimiento de una poblacin y p una constante de contratacin. Podemos resolver esta ecuacin por recursin para encontrar una frmula para xt. Si x0 es el valor inicial, la iteracin produce: x1= x0 + p x2= x1 + p = 2x0 + p + p x3= x2 + p = 3x0 + p2 + p + p x4= x3 + p = 4x0 + p3 + p2 + p + p . . . xt= xt-1 + p = tx0 + pt-1 +pt-2 +pt-3 ++p + p Entonces tenemos: xt= xt-1 + p xt= tx0 + pt-1 +pt-2 +pt-3 ++p + p xt= tx0 + p (t-1 +t-2 +t-3 ++ + 1) xt= tx0 + p (t-1)/( -1)

Otro mtodo: A las ecuaciones dadas las multiplicamos por t-1,t-2 ,t-3 ,, y 1 respectivamente. x1= x0 + p (x t-1) x2= x1 + p (x t-2) x3= x2 + p (x t-3) x4= x3 + p (x t-4) . . . xt= xt-1 + p (x 1) Sumando tendramos: x1t-1+x2t-2 +x3t-3 ++xt-1+ xt = x0t+ x1t-1 + x2t-2 ++ xt-22 + xt-1 + p(t-1 +t-2 +t-3 ++ + 1) xt = x0t+ p(t-1 +t-2 +t-3 ++ + 1) xt= tx0 + p (t-1)/( -1)

EJEMPLO DE APLICACIN 1) Un empresario realiza un depsito inicial de 80 000 en un banco a una tasa mensual de 1.4%(capitalizable), si mensualmente su ingresos son de 7500 y los egresos son 4000, si consideramos que lo que ahorra lo coloca a la cuenta cada fin de mes. Despus de cunto tiempo su depsito superara los 100 000? Solucin En el problema la tasa r= 0.014 por lo que =1.014 El ahorro mensual es: p=7500-4000 = 3500 Entonces la funcin recursiva seria: xt+1 = 1.014xt + 3500 El valor del depsito luego de t meses es: xt= 80000(1.014)t + 3500 (1.014t-1)/(0.014) La condicin a cumplirse es la siguiente: xt= 80000(1.014) t + 3500 (1.014t-1)/(0.014)>100000 330000 (1.014) t >350000 (1.014) t >1.061 t>4.258955874 En conclusin, al quinto mes el empresario supera los 100 000 Mes 1 2 3 4 5 Valor de la cuenta 84 620 89 304.68 94 054.94552 98 871.71476 103 755.9188

MODELO DE MALTHUS O MODELO LOGISTICO En el modelo de Malthus de crecimiento de la poblacin:

xt+1 = (1+ r)xt

La poblacin Xt crece ilimitadamente si la tasa de crecimiento per cpita r, o el cambio en la poblacin por individuo, es positivo. Esta prediccin no puede ser exacta en un largo tiempo. Si, por ejemplo, donde b es la tasa de natalidad por habitante y d es la tasa per cpita de la muerte, a continuacin:

Podramos esperar que para los primeros tiempos, cuando la poblacin es pequea, hay amplios recursos del medio ambiente para apoyar una alta tasa de natalidad, con una tasa de mortalidad pequea. Pero para los tiempos posteriores, como la poblacin crece, hay una mayor tasa de mortalidad en los individuos que compiten por espacio y alimento (competencia intraespecfica). Por lo tanto, debemos abogar por una disminucin de la tasa de crecimiento por habitante a medida que aumenta la poblacin. La suposicin ms simple como es tomar una tasa per cpita linealmente decreciente, es decir r (1- Xt / K), donde K es la capacidad de carga o poblacin donde la tasa de crecimiento es cero.

Xt+1 = Xt (1+r-

Este es un modelo no lineal. El modelo logstico discreto, cuadrtico en la poblacin es el modelo ms sencillo no lineal que podemos desarrollar. Podemos tomar b = r tasa de natalidad como una constante y d = alternativa es tomar b = rla tasa de mortalidad en funcin de la poblacin. Pero una yd= , ambos dependiendo de la poblacin.

En el caso de la poblacin, vemos que las variables que definen su tasa de variacin son: natalidad, mortalidad, inmigracin y emigracin lo cual genera normalmente un crecimiento de la poblacin, pero la poblacin no siempre aumentara sino que hay un lmite K que se crea porque la poblacin es excesiva y los recursos como espacio y comida no sern satisfecho, crendose un aumento en la emigracin y mortalidad. El modelo de Malthus es el siguiente: xt/xt=r (1- xt/K)

De otra forma:

xt+1=xt(1+r - rxt/K)
Crecimiento per-cpita: xt/xt

xt K

Crecimiento de la poblacin: K

x0

Malthus deca que la poblacin creca de manera constante (geomtricamente), mas no as la produccin de alimentos, lo cual representaba un problema: la escases de alimentos. Sin embargo, al representar en un modelo el crecimiento de la poblacin de Malthus, an hoy, podemos abstraer conclusiones trascendentales. Definimos el crecimiento de la poblacin como sigue:

Dnde:

I) Hallamos la solucin Homognea

Ecuacin caracterstica

II) Hallamos la solucin particular Proponemos

reemplazando

en

III) La solucin General

Es menester un anlisis cualitativo de P(t), para ello tenemos los siguientes casos: 1) Si la tasa de natalidad es mayor a la tasa de mortalidad (, podemos analizar su estabilidad en el tiempo, es decir :

El resultado del lmite de la funcin va depender enteramente de las condiciones iniciales. Como es de esperar, supondremos que la poblacin inicial es mayor al cociente entre el nmero fijo de emigrantes y la tasa neta de crecimiento

Entonces, en el tiempo, la poblacin tendera al infinito, a menos que la poblacin inicial sea como Adn y Eva. No obstante, si la poblacin inicial fuera menor al cociente entre en nmero fijo de emigrantes y la tasa de crecimiento

Entendamos este resultado como si la poblacin tendra a desaparecer.

2) Por el contrario, si la tasa de natalidad fuese menor a la tasa de mortalidad dado una poblacin inicial

Este resultado es un tanto curioso. La poblacin no desaparecera, sino se llegara a un punto estacionario como

En un mundo dinmico y catico, como el mundo econmico, lo modelos, como este, nos permiten abstraer de la realidad aspectos cualitativos que nos permitan tomar una decisin ms acertada, de ser el caso. He aqu la trascendental importancia de la ciencia econmica, matemtica y de los modelos econmicos

Ejemplo de Aplicacin: Tasa de crecimiento en Puerto Rico

Teniendo en cuenta los datos reales de poblacin, podemos ver si el modelo exponencial logra explicar el crecimiento de la poblacin en los pueblos considerados. La curva exponencial (4) contiene dos parmetros, P0 y r, de forma no-lineal. La podemos transformar en una relacin lineal sacando logaritmos a ambos lados: ln(P) = ln(P0) + r t (6)

Por tanto, la regresin lineal para la variable ln(P) contra t, permite estimar los valores de P0 y r para cada pueblo en este perodo de 100 aos. Los resultados con sus errores estadsticos se resumen en la tabla 2.

Cabo Rojo Lajas Sabana Grande San Germn

P0 17.734 9.423 10.091 20.667

Error 1.229 0.385 0.398 0.565

r 0.0085 0.0098 0.0086 0.0056

Error 0.0011 0.0007 0.0006 0.0005

Ad. R-cuadrado 0.8431 0.9544 0.9452 0.9352

Tabla 2. Parmetros del modelo exponencial para la poblacin de los pueblos del Suroeste de Puerto Rico.

En general, el ajuste estadstico de la curva (medido por R cuadrado) es bueno en todos los casos. El peor ajuste es el de Cabo Rojo, pero todava es aceptable. Los tres primeros pueblos tiene tasas de crecimiento similares dentro del margen de error, cerca de 0.009 (0.9% anual), mientras San Germn tiene una tasa de crecimiento inferior, de 0.006 (0.6% anual). Hay varios perodos que en que el modelo discrepa notablemente de la realidad. Para un anlisis ms detallado y tambin porque la necesitaremos en el modelo logstico, hemos calculado la tasa de crecimiento instantnea que corresponde a la tasa de crecimiento promedio de cada perodo de 10 aos. La tasa instantnea de un perodo se relaciona con la tasa promedio por la relacin: exp(10 ri ) = (1+ re ) (7)

donde ri es la tasa instantnea promedio del perodo y re la tasa promedio. Los resultados se resumen en la tabla 3.

Dcada 1900-10 1910-20 1920-30 1930-40 1940-50 1950-60 1960-70 1970-80 1980-90 1990-2000

Cabo Rojo 0.019 0.013 0.006 0.018 0.003 -0.017 0.004 0.027 0.012 0.019

Lajas 0.023 0.007 0.004 0.017 0.010 -0.006 0.007 0.025 0.009 0.012

Sabana Grande 0.009 0.007 -0.035 0.017 0.013 -0.001 0.003 0.021 0.012 0.013

San Germn 0.009 0.007 -0.0004 0.011 0.011 -.0065 0.0004 0.017 0.006 0.006

Tabla 3. Tasas instantneas de crecimiento por dcada y por pueblo. Como se observa, las tasas instantneas de crecimiento tienen alteraciones cclicas. Las tasa altas de 1900 van bajando, hasta llegar a valores casi nulos o negativos. Luego se restablecen a los valores de 1900, pero vuelven a bajar a mnimos en 1960 y 1970. En 1980 se disparan nuevamente a los valores altos, pero ya se observa, excepto en Cabo Rojo, su disminucin a valores ms bajos. La funcin logstica tiene tres parmetros, r, P0 y K , sin una relacin lineal directa que permita empelar la regresin lineal para estimar los tres parmetros. Aunque se puede intentar una regresin no-lineal, como se trata de tres etapas diferentes en los datos, nos parece ms apropiada la siguiente metodologa.

(dP/dt)/P =d ln(P)/dt = r0 - r0 P/K

(8)

Esta ecuacin en la que no aparece P0 presenta una relacin lineal entre las tasas instantneas de cambio y la poblacin P. La variable del lado izquierdo corresponde aproximadamente a las mismas tasas de la tabla 3, aunque la poblacin que debemos usar en el lado derecho debe ser la poblacin promedio de ese perodo. Podemos entonces estimar r0

y K, a partir de la regresin lineal de las tasas instantneas contra la poblacin promedio de cada perodo. Obviamente en los datos de la tabla 3 no existe una relacin lineal global para todo el siglo XX. Lo que se observa en cada pueblo son tres etapas donde ms o menos hay un decrecimiento lineal: de 1900 a 1930, de 1930 a 1970 y la presente de 1970 en adelante que todava no ha concluido. Al final de cada perodo hay un salto a una nueva lnea. Para considerar las etapas se pueden introducir variables escalonadas que discriminen entre ellas (variables "dummies" o falsas). La primera etapa no necesita una variable, ya que est presente siempre. Para la segunda etapa utilizamos la variable e2, que vale cero hasta antes de 1930 y 1 de 1930 en adelante. Para la tercera etapa usamos e3, la cual vale cero hasta 1970 y 1 de all en adelante. Con estas variables, los coeficientes de regresin de e2 P y de e3 P representarn los cambios en el coeficiente de P al pasar de una etapa a otra. Tambin se ensay la inclusin directa de e2 y e3, que representara cambios en r0 de etapa en etapa, pero los coeficientes no fueron estadsticamente significativos, por lo que los dejamos afuera. Es decir lo que cambi en etapa en etapa fue la capacidad poblacional K. La nica excepcin fue Cabo Rojo, donde de la primera a la segunda etapa no se observ Los valores de los coeficientes para cada pueblo con sus errores y la R ajustada se presentan en la tabla 5. Las columnas 1 y 2 representan los cambios en el coeficiente de P, esto es en cuando pasamos de una etapa a otra. r0/K

Pueblo CR LJ SBG SGE

r0 0.047 0.083 0.070 0.085

error 0.021 0.016 0.045 0.029

r0 /Pmax 0.0017 0.0064 0.0066 0.0035

error 1 0.001 0 0.002 -0.0014 0.004 -0.0024 -0.001 -0.00057

error .0006 0.001 0.0003

2 error -0.0009 0.0004 -0.0019 .0005 -0.0016 0.001 -0.0007 0.0002

R 0.34 0.56 0.25 0.42

Tabla 5. Coeficientes del modelo logstico de tres etapas

En esta tabla podemos observar que las R-cuadrado no son tan altas como sera deseable. Esto se debe a que en cada etapa tenemos pocos datos (4 datos en cada etapa) para estimar dos parmetros, pero tambin debemos tener en cuenta que los valores de las tasas de crecimiento son inciertos, ya que son crecimientos promedios de una dcada y no los valores

instantneos que suponen las matemticas. Esto nos lleva a mrgenes de error altos para los coeficientes. Con estas limitaciones en mente podemos seguir adelante y calcular los valores lmites de la poblacin en cada una de las etapas sealadas. Los resultados se presentan para cada pueblo en la tabla 6.

Pueblo CR LJ SBG SGE

r0 0.047 0.083 0.070 0.084

error 0.021 0.016 0.045 0.029

K 1930 27.6 13.0 10.6 24.3

error 12.4 2.50 6.8 9.89

K 1970 27.6 16.6 16.67 28.67

error 12.4 3.2 10.71 10.3

K actual 58.8 26.8 26.9 38.4

error 26.2 5.2 17.3 13.24

Tabla 6. Poblaciones lmites para cada pueblo en las tres etapas.

A pesar del amplio margen de error que la estadstica le asigna a los parmetros, al comparar estos valores con las poblaciones de los pueblos al final de cada etapa el acuerdo es bueno. Para comodidad del lector, en la tabla 7 se presentan los valores verdaderos de la poblacin al final de cada etapa, tomados de la tabla 1, comparados con los de la tabla 6. Tambin podemos visualizar en que parte de la etapa logstica actual nos encontramos.

Pueblo CR LJ SBG SGE

P 1930 23.792 12.454 11.881 23.768

K 1930 27.6 13.0 10.6 24.3

P 1970 26.060 16.545 16.343 27.990

K 1970 27.6 16.6 16.7 28.7

P 2000 46.911 26.261 25.935 37.105

K actual 58.8 26.8 26.9 38.4

Tabla 7. Comparacin de las poblaciones con la capacidad lmite en cada etapa.

Todava falta por estimar el valor de P0 en la funcin logstica para cada una de las etapas. Como lo ms importante es la proyeccin al futuro prximo, hemos limitado razn limitamos nuestros clculos a la ltima etapa que empez en 1970. Para la capacidad poblacional vamos a usar los resultados de la ltima columna de la tabla 7. Estos tienen segn indicamos mucho error estadstico. Sin embargo, los otros resultados histricos tan consistentes con los datos reales nos llevan a confiar en ese nmero. El valor de r0 ya se tiene, pero para un mejor ajuste de curva podemos dejarlo libre junto con el valor de P0 y estimar estos dos por otro mtodo independiente. Para encontrar una relacin lineal con esos dos parmetros usamos la relacin:

P / (1 - P/K) = P0 / (1 - P0/K) exp (r0 t)

(11)

Esta ecuacin se puede deducir de (5), pero en realidad se obtiene durante el proceso de solucin de (4), luego de las integraciones. A partir de esta, tomando logaritmos a ambos lados, se encuentra la relacin lineal:

ln( P / (1 - P/K)) = ln(P0 / (1 - P0/K)) + r0 t

(12)

La regresin lineal de los valores de la izquierda contra la variable t, produce dos coeficientes: r0 que es el coeficiente del tiempo y otro del cual podemos estimar P0 por medio de (12). Los resultados se indican en la tabla 8. La segunda estimacin de r0 es de menor error que la anterior y corrobora el resultado anterior dentro de los mrgenes de error. Los valores altos de R le dan cierta confianza a los resultados, pero puesto que nuestro camino para llegar a los coeficientes ha sido indirecto, esta estadstica no tiene el mismo significado que si fuera una regresin lineal directa.

Pueblo CR LJ SBG SGE

P0 (1970) 25.847 15.217 15.221 27.810

error 1.45 2.6 0.83 1.08

r0 0.0513 0.1093 0.0913 0.0773

error 0.005 0.022 0.015 0.007

Ad. R 0.968 0.881 0.918 0.976

K 58.8 26.8 26.9 38.4

Tabla 8. Parmetros del Modelo Logstico para los pueblos del Suroeste de Puerto Rico desde 1970.
Como se observa, el modelo logstico anticipa un aumento de la poblacin mucho menor que el del modelo exponencial en las prximas dcadas. Los valores esperados para los siguientes tres censos se presentan en la tabla 9.

Ao 2000 2010 2020 2030

Cabo Rojo 46.911 50.408 53.439 55.441

Lajas 26.261 26.513 26.683 26.741

Sabana Grande 25.935 26.386 26.703 26.803

San Germn 37.105 37.693 38.043 38.207

Tabla 9. Poblacin para las prximas dcadas segn el Modelo Logstico

MODELO DE RICKER El modelo de Ricker es un modelo no lineal en tiempo discreto ecolgicos para la anual de una poblacin de peces, donde los peces adultos canibalizar los jvenes. la dinmica es

Donde b > 1 y c es positivo. De una manera heurstica, uno puede pensar en el modelo de la siguiente manera. en el ao t hay peces adultos , y que normalmente dan lugar a peces adultos el prximo ao, donde b es el nmero de peces producidos por adulto. Sin embargo, si los adultos comen los peces ms jvenes, slo una fraccin de los que sobreviven al ao

siguiente a ser adultos. asumimos que la probabilidad de un canibalismo de peces sobrevivientes es el tanto, , que disminuye a medida que aumenta el nmero de adultos. por lo

es el nmero de los adultos del prximo ao. no se puede "resolver" este

modelo para obtener una frmula para la caldo de pescado, por lo que deben ser satisfechas para trazar su solucin usando la iteracin, como se hizo con el modelo de logstica en el ltimo ejemplo.

Mtodo grfico para encontrar el equilibrio en los puntos de interseccin de las grficas de y = x e y = f (X)

Algunas Caractersticas del modelo de Ricker

En esta seccin vamos a describir algunas caractersticas del modelo de Ricker, llamamos:

El valor x*1=1 es un punto fijo de f(x). x*1 es atractor cuando se verifica que |1-c| < 1 es decir c (0,2) y repulsor cuando |1-c| > 1 es decir c > 2 Observando el Diagrama de Bifurcacin de la figura 4.1 y 4.2 vemos que, cuando: 0 < c < 2 , las rbitas son estables y tienden asintticamente al punto fijo x*1=1. 2 < c < 2.6924 , el sistema es inestable con diferentes atractores peridicos.

2.6924 c 7.617853 , el sistema es catico.

Para c > 7.617853 la poblacin toma el valor de 0

Figura 4.1 Diagrama de Bifurcacin para c [0,7.617853]

figura 4.2 Diagrama de Bifurcacin para c [2,2.26924] (panel izquierdo) y para c [2.26924,7.617853] (panel derecho)

Ejemplo de Aplicacin:
Relacin Stock Reclutamiento en peces del Golfo de Finlandia En este caso, parece existir una relacin bien definida entre el reclutamiento y el tamao del stock desovante. Sin embargo, ste no es un ejemplo tpico de un grfico de S/R. La Fig. 12.0.2 muestra el grfico de S/R para el arenque (Clupea harengus) del Mar del Norte, para los aos 1949-1978. Este ejemplo es ms representativo que los grficos S/R que se establecen comnmente.

Grfico que relaciona el stock y el reclutamiento en Lactarius lactarius en el Golfo de Tailandia (Pauly, 1980a). Obviamente, no puede haber reclutamiento si no quedan peces adultos que maduren, desoven y produzcan cras que puedan crecer y convertirse en reclutas. Las hembras de la mayora de las especies cticas son extremadamente frtiles, produciendo miles, incluso millones de huevos durante su vida adulta. Esta enorme fertilidad llev a muchos bilogos pesqueros a creer que incluso un stock progenitor muy pequeo deba ser capaz de reconstituir un stock despus de cada temporada de desove. Se supona que las caractersticas del ambiente abitico (por ejemplo, las condiciones oceanogrficas) eran los principales factores que determinaban cuntos de los huevos desovados sobrevivan para llegar a ser reclutas. Se crea que la biomasa del stock desovante (biomasa de los peces maduros) prcticamente no influa para nada en la determinacin de los individuos reclutados, excepto en los casos de los stocks de tamao cercano a cero. No obstante, por lo general, la relacin S/R no se puede establecer en forma directa representando grficamente el nmero de reclutas (o algn ndice de reclutamiento) respecto de la biomasa de la poblacin desovante. En lugar de eso, es necesario considerar simultneamente la relacin S/R y los factores biticos y/o abiticos que puedan afectarla. Csirke (1980) demostr que las condiciones oceanogrficas influyen considerablemente en el reclutamiento de la anchoveta peruana.

Grfico que relaciona el stock y reclutamiento de Clupea harengus. Nmero de arenques de un ao de edad versus la biomasa del stock desovante.

Se ha observado que para muchos stocks de peces el nivel medio de reclutamiento es casi constante en un amplio rango intermedio de variacin del stock. En el caso del arenque del Mar del Norte se ha estimado que este rango intermedio comprende al menos un intervalo correspondiente a 1012-1013 huevos. El nivel medio de reclutamiento es de alrededor de 8 * 109 peces de un ao de edad. As pues, la probabilidad de que un huevo se convierta en un recluta de un ao de edad es del orden de 0.0001. Cabe sealar que esta baja tasa de supervivencia no tiene nada que ver con la pesca, ya que estamos considerando la mortalidad en la fase previa a la explotacin (los peces ms jvenes que Tr). El efecto de la pesca es una reduccin del potencial de desove (es decir, una sobrepesca respecto del crecimiento) y no del reclutamiento. Slo cuando la tasa de captura supera un determinado nivel afecta al reclutamiento (sobrepasa respecto del reclutamiento). En el caso del arenque del Mar del Norte, esto parece haber ocurrido en algn momento de los aos setenta. Pero, en principio, no se sabe mucho sobre la ubicacin correcta de esta zona de transicin en el grfico de reclutamiento. Lo nico que se conoce con certeza es el punto de extincin. Poco se sabe sobre el otro extremo de la curva de reclutamiento. Ricker (1954) propuso un modelo matemtico diferente para la relacin S/R: R = R1 * E * exp(-R2 * E) (12.1.3) donde R1 y R2 son parmetros.

Fig. 12.1.1 Forma caracterstica de una curva de reclutamiento. La distribucin sombreada indica la variacin en el reclutamiento respecto al nivel promedio.

Este es un ejemplo de un modelo que describe la "mortalidad dependiente de la densidad". Esta mortalidad se explica en la competencia por el alimento. Si el alimento es limitado, el nmero de muertes por inanicin se convierte en una funcin del nmero de ejemplares que tienen que compartir ese alimento. En este modelo, el nmero de reclutas disminuye desde un nivel mximo hacia cero a medida que aumenta la produccin de huevos, E. El descenso del reclutamiento se explica por el canibalismo de los adultos sobre los jvenes. Ricker (1954, 1975) describe este tema de forma ms completa. La curva ajustada es una relacin S/R de tipo Ricker. Sin embargo, la parte descendente de la curva se basa slo en un punto. Algunas observaciones ms para los stocks desovantes de gran tamao podran modificar el cuadro. Se muestra una curva de Ricker ajustada a los datos. Este ejemplo ilustra las dificultades que surgen a menudo al tratar de ajustar una curva de S/R. El modelo de Ricker sostiene que esta relacin existe para todos los tamaos de stock desovante y que hay un tamao ptimo La mayora de los datos disponibles sobre stock y reclutamiento se refieren al rango intermedio de variacin de los desovantes. En ese rango la mayor parte de las especies parecen mantener un nivel constante de reclutamiento medio y esto es lo que ha motivado la suposicin de un reclutamiento constante en la dinmica clsica de los stocks de peces. El hecho ms notable es tal vez que el reclutamiento presenta slo variaciones relativamente pequeas en torno a ese nivel medio, si se tiene en cuenta la gran reduccin del nmero de individuos desde la etapa de huevo hasta la madurez.

Fig. 12.1.2 Curva de Ricker, ajustada para relacionar la biomasa del stock desovante y el reclutamiento.