Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Biologicos PDF
Biologicos PDF
La matemtica de los
sistemas biolgicos
Guillermo Abramson
Centro Atmico Bariloche,
Instituto Balseiro y CONICET
1. Dinmica de poblaciones 7
1.1. Modelos deterministas de crecimiento . . . . . . . . . . . . . . 7
2. Poblaciones interactuantes 31
2.1. Competencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2. Fluctuaciones . . . . . . . . . . . . . . . . . . . . . . . 69
3
La matemtica de los sistemas biolgicos
4. Expresin gentica 73
4.1. Circuitos de expresin gentica . . . . . . . . . . . . . . . . . 73
4.2. Ruido molecular . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.3. Tipos celulares y redes de Kauman . . . . . . . . . . . . . . 81
4.3.1. Modelos NK . . . . . . . . . . . . . . . . . . . . . . . 83
4.3.2. Propiedades dinmicas . . . . . . . . . . . . . . . . . . 85
4.3.3. Modelo de Derrida . . . . . . . . . . . . . . . . . . . . 87
4.3.4. Comentarios nales . . . . . . . . . . . . . . . . . . . . 89
5. Ondas de poblacin 93
5.1. Ecuacin de Fisher . . . . . . . . . . . . . . . . . . . . . . . . 94
5.2. Solucin aproximada del frente de onda . . . . . . . . . . . . . 98
4
NDICE GENERAL
5
La matemtica de los sistemas biolgicos
Bibliografa 281
6
Captulo 1
Dinmica de poblaciones
1E8
population
1E7
1000000
1850 1900 1950 2000
year
7
La matemtica de los sistemas biolgicos
8
1. Dinmica de poblaciones
dN
= nacimientos muertes + migracin. (1.1)
dt
El modelo ms sencillo, sin migracin y suponiendo, como Linneo o Malt-
hus poco despus, que los trminos de nacimiento y muerte son proporcionales
a N, resulta:
dN
= bN cN = (b c)N, (1.2)
dt
N (t) = N (0)e(bc)t . (1.3)
9
La matemtica de los sistemas biolgicos
ln 2 0,7
T2 = . (1.5)
bc bc
Por ejemplo, en un experimento con E. coli, la poblacin de bacterias cre-
ce exponencialmente durante varias horas, a una tasa de 0,84 por hora. El
tiempo de duplicacin resulta ln 2/0,84 = 49,5 minutos. Como las bacterias
se reproducen por duplicacin simple, T2 se puede usar para caracterizar el
tiempo que le lleva a cada bacteria crecer y dividirse. Esta una magnitud
difcil de medir experimentalmente pero que, como vemos, puede derivarse
fcilmente del comportamiento de la poblacin.
N (t + 1) = rN (t), (1.6)
10
1. Dinmica de poblaciones
r = e(bc) . (1.8)
( )
dN N
= rN 1 . (1.9)
dt K
( )
N n
n = r (N + n) 1 = (1.10)
K K
( ) ( )
N N
= rN 1 + rn 1 2 + o(n2 ) (1.11)
K K
| {z }
=0
11
La matemtica de los sistemas biolgicos
( )
N
n = r 1 2 n, (1.12)
K
donde vemos que el parntesis puede ser mayor o menor que cero: si N = 0
el parntesis es> 0 y la evolucin de n resulta una exponencial creciente (de
manera que n crece y la poblacin se aleja de N , es decir es un equilibrio
inestable). Por otro lado, si N = K el parntesis es < 0, de modo que
la evolucin de n es decreciente, con lo cual las poblaciones se acercan a
N = K.
N (0)Kert t
N (t) = K. (1.13)
K + N (0)(e 1)
rt
obtiene N (t).
0
12
1. Dinmica de poblaciones
dN
= f (N ), (1.14)
dt
donde f (N ) es una funcin en general no lineal de N , que puede dar lugar a la
existencia de ms de dos equilibrios (como el logstico), estables o inestables.
[ ]
dN N (t T )
= rN (t) 1 . (1.15)
dt K
[ ]
dN 1 t
= rN (t) 1 w(t s)N (s)ds , (1.16)
dt K
13
La matemtica de los sistemas biolgicos
14
1. Dinmica de poblaciones
N = N/K, (1.18)
t = rt, (1.19)
T = rT, (1.20)
dN
= N (t)[1 N (t T )]. (1.21)
dt
N =0 es obviamente inestable. Linealizamos alrededor de N = 1:
dN dn
= / /1 n(t T )],
= (1 + n(t))[1 (1.23)
dt dt
dn
n(t T ). (1.24)
dt
Proponemos soluciones exponenciales:
= eT . (1.27)
15
La matemtica de los sistemas biolgicos
+ i = e(+i)T , (1.28)
= eT cos T, (1.29a)
T
=e sin T, (1.29b)
= eT < 0 T. (1.30)
T = Tc + = /2 + , 0 < 1. (1.31)
= , 0 < 1,
(1.32)
= 1 + , 0 < || 1.
16
1. Dinmica de poblaciones
1 + = eT sin[(1 + )T ], (1.33)
. (1.35)
2
Y de:
2 , (1.38)
1 + 4
( 2
). (1.39)
2 1+ 4
[ ]
N (t) = 1 + n(t) = 1 + Re c et+i(1+)t , (1.40)
[ [ ]]
t
it 1
N (t) 1 + Re c e 1+ 2 /4 e 2(1+ 2 /4) , (1.41)
17
La matemtica de los sistemas biolgicos
( )
N (t)
N (t + 1) = RN (t) 1 . (1.43)
K
18
1. Dinmica de poblaciones
( )
N (t)
N (t + 1) = 2,05N (t) 1 . (1.44)
29,1
R0 nt
nt+1 = . (1.45)
1 + nt /M
19
La matemtica de los sistemas biolgicos
ut = 1/nt
obtenemos
1
ut+1 = ut + 1/M . (1.46)
R0
Despus de algunos clculos obtenemos la solucin
Kn0
nt = , (1.47)
n0 + (K n0 )R0t
que es justamente la solucin discretizada de la ecuacin logstica.
Otro modelo asociado a ste es el de Ricker:
at
at+1 = at er(1 K ) . (1.48)
at
at+1 = k1 . (1.49)
(1 + k2 at )c
20
1. Dinmica de poblaciones
dW
= hS(t) cW (t). (1.50)
dt
Ahora es necesario especicar la relacin entre peso (volumen) W y rea
S, que podra ser no trivial. Pero consideremos slo animales eucldeos, tpi-
camente esfricos:
S = aL2 , W = bL3 . (1.51)
Queda:
dbL3
= haL2 cbL3 , (1.52)
dt
dL ha c
= L. (1.53)
dt 3b 3
Es decir, hay un crecimiento exponencial de la longitud, con una longitud
mxima Lmax = ha/cb con la cual podemos escribir:
dL
= k(Lmax L), (1.54)
dt
donde k es un tercio del ritmo catablico.
La solucin es muy sencilla, y en trminos del peso da:
21
La matemtica de los sistemas biolgicos
22
1. Dinmica de poblaciones
Las curvas son muy parecidas, y puede ser difcil distinguirlas si se dis-
ponen datos en un rango estrecho. En un estudio de cientos de especies de
mamferos en los 80's se mostr que los modelos de Gompertz y de von Ber-
talany describan los datos igualmente bien. (Aplicacin al meln, m2
mayor competencia por menor temperatura.)
23
La matemtica de los sistemas biolgicos
distribucin binomial de media 0,5N 0,5
N . Es decir,
y desviacin estndar
la magnitud relativa de las uctuaciones de poblacin son N /N N 1/2 .
Poblaciones pequeas estn sujetas a uctuaciones grandes y corren riesgo
de extincin. En efecto, si N =5 la probabilidad de que mueran todos en el
primer ao es 1/32 = 0,03, que no es despreciable. En cambio, si N = 1000,
la probabilidad es mucho menor.
N (t + 1) = rN (t). (1.57)
Supongamos que
R(t) = R(t), (1.59)
donde R es una tasa media y (t) una parte estocstica que vara ao a ao.
Tenemos:
N (t + 1) = RN (t)(t), (1.60)
ln N (t + 1) = ln R + ln N + ln (t). (1.61)
24
1. Dinmica de poblaciones
Un modelo como este suele ser irreal a tiempos largos, ya que el random
walk en dimensin 1 eventualmente produce la extincin. (Observado por
May.)
En Ref. [2], pp. 143-146 hay un modelo ms detallado para la polilla de
Wyntham Woods.
Ejemplo 2. Modelo logstico con perturbaciones aleatorias. Ref. [2] pp.
146 , modelo de desastres.
Ejemplo 3. Transiciones inducidas por ruido.
Consideremos un modelo logstico normalizado:
dn
= n n2 (1.62)
dt
que tiene el siguiente diagrama de bifurcacin:
et
n(t) = n0 , (1.63)
1 + n0 e 1
t
25
La matemtica de los sistemas biolgicos
dn(t)
= n n2 + n(t), (1.67)
dt
f (n) + g(n)(t). (1.68)
El estado del sistema ya no est especicado por n(t), sino por p(n, t):
la distribucin de probabilidad de n(t).
p(n, t) 1 2 2
= [f (n)p(n, t)] + [g (n)p(n, t)], (1.69)
t n 2 n2
2 2 2
[(n n )p(n, t)] +
2
[n p(n, t)]. (1.70)
n 2 n2
El espacio de fases es la semirrecta [0, ), as que la solucin de la Ec.
(1.70) debe ser buscada con adecuadas condiciones de contorno en 0 y en
. En este caso, estos resultan ser fronteras naturales, es decir que, aun
a t , la probabilidad de que el sistema los alcance es cero. Existen
unas condiciones para vericar esto, dependiendo de f y g (Ref. [7], p. 124).
Resulta que es frontera natural: la probabilidad de una explosin es
cero 2
y . Mientras tanto, 0 es una frontera natural si > /2 (Ito) y
26
1. Dinmica de poblaciones
ps (n) = N n 2 2 e 2
2 2n
(Ito). (1.72)
n1 = 0 si 0 < < 2,
(1.78)
n2 = 2 si 2 < .
Ha ocurrido algo extraordinario. El modelo con ruido tiene no una sino dos
2 2
transiciones. Una a = /2 y otra a = (Ito). Esta ltima corresponde
a un cambio abrupto en la densidad de probabilidad, con el mximo en un
valor no nulo de la poblacin:
27
La matemtica de los sistemas biolgicos
x = f (x)(t) (1.79)
(t)(t ) = (t t ) (1.83)
que dene los dos primeros momentos de (t) (que es todo lo que se necesita
si es gaussiano).
28
1. Dinmica de poblaciones
que produce:
P
= f (x)P + g(x) g(x)P. (1.89)
t x 2 x x
Stratonovich es lo que se obtiene si el ruido tiene un tiempo de correlacin
y se lo hace tender a cero.
29
La matemtica de los sistemas biolgicos
30
Captulo 2
Poblaciones interactuantes
Los seres vivos no existen en poblaciones aisladas, sino que forman com-
plejos sistemas de poblaciones interactuantes llamados ecosistemas, en los
cuales hay en general una estructura de red, que puede ser extraordinaria-
mente complicada.
dx(t)
= f (x(t), y(t)), (2.1a)
dt
dy(t)
= g(x(t), y(t)), (2.1b)
dt
31
La matemtica de los sistemas biolgicos
podamos escribir:
dx(t)
= f1 (x(t), y(t)) + f2 (x(t), y(t)),
dt
dy(t)
= g1 (x(t), y(t)) + g2 (x(t), y(t)).
dt
Las funciones f2 y g2 interaccin entre las especies o, en la ter-
representan la
minologa habitual en la fsica y la matemtica, su acoplamiento. Obsrvese
que ambas pueden contribuir tanto positiva como negativamente a la tasa de
crecimiento de las poblaciones, de manera que todas las posibles interacciones
y sus combinaciones, beneciosas o perjudiciales, pueden ser representadas.
Es tambin habitual representar las interacciones como proporcionales a las
poblaciones, de manera que el acoplamiento resulta cuadrtico en las densi-
dades:
dx(t)
= f1 (x(t), y(t)) + c12 x(t)y(t), (2.2a)
dt
dy(t)
= g1 (x(t), y(t)) + c21 x(t)y(t). (2.2b)
dt
Recordemos, de todos modos, que mientras (2.1) es completamente general,
(2.2) contiene suposiciones adicionales acerca de la forma en que las pobla-
ciones se afectan una a la otra.
Sistemas de ecuaciones diferenciales no lineales como (2.1) no pueden ser
resueltos por medios analticos. Su estudio debe abordarse mediante la reso-
lucin mumrica y el anlisis cualitativo de sus soluciones. Denitivamente,
lo primero que debe encararse es un anlisis de sus equilibrios y de su estabi-
lidad lineal. Por tratarse de una tcnica sencilla y de aplicacin muy general
nos detendremos brevemente en ella, antes de analizar modelos de interac-
cin particulares. En sistemas de dimensin 2 (dos especies), el estudio puede
llevarse a cabo por completo de manera analtica sin dicultad.
En primer lugar, observamos que los equilibrios del sistema (2.1) son los
valores de x e y que satisfacen x = y = 0, es decir:
cada una de las cuales dene implcitamente una curva en el espacio (x, y).
Estas curvas se llaman nulclinas, y sus intersecciones (donde se satisfacen
ambas condiciones simultneamente) son los equilibrios del sistema, que lla-
maremos x e y .
En los equilibrios las derivadas temporales se anulan, y la dinmica se
detiene. Son puntos jos de la dinmica. El comportamiento de las soluciones
32
2. Poblaciones interactuantes
= f (x + , y + ), (2.5a)
= g(x + , y + ). (2.5b)
= fx (x , y ) + fy (x , y ), (2.7a)
= gx (x , y ) + gy (x , y ). (2.7b)
c1 et = c1 fx et + c2 fy et , (2.9a)
c2 et = c1 gx et + c2 gy et , (2.9b)
33
La matemtica de los sistemas biolgicos
Una vez que tenemos los autovalores, tanto la estabilidad del equilibrio co-
mo la naturaleza del ujo a su alrededor puede analizarse de manera sencilla,
ya que no existen muchas posibilidades. Si la parte real de ambos autovalores
es negativa, las soluciones se aproximarn exponencialmente al punto fjo, que
resulta as asintticamente estable. Si al menos una de las partes reales es
positiva, el equilibrio es inestable. Si la parte imaginaria de los autovalores es
no nula (ambas, ya que son complejos conjugados), habr oscilaciones arm-
nicas alrededor del equilibrio. Las posibilidades se resumen convenientemente
en la gura 2.1.
dx(t)
= f1 (x(t), y(t)) + c12 x(t)y(t), (2.12a)
dt
dy(t)
= g1 (x(t), y(t)) + c21 x(t)y(t), (2.12b)
dt
son los signos de c12 y c21 los que caracterizan las distintas interacciones.
Podemos distinguir tres situaciones tpicas: i) La depredacin, en la que una
de las poblaciones crece a expensas de la otra (c12 <0 y c21 > 0 o al revs);
ii) la competencia, en la que cada poblacin afecta desfavorablemente a la
otra (c12 <0 y c21 < 0 o al revs); iii) la simbiosis o el mutualismo, en el
que cada poblacin se benecia de la otra (c12 > 0 y c21 > 0 o al revs).
Analizaremos algunas de estas situaciones tpicas y sus modelos clsicos.
34
2. Poblaciones interactuantes
35
La matemtica de los sistemas biolgicos
2.1. Competencia
Vamos a comenzar con un modelo sencillo de dos especies en competencia,
para ilustrar tanto el anlisis de estabilidad lineal como un principio general
que se observa en la naturaleza.
Supongamos que cada poblacin tiene un comportamiento logstico en
ausencia de la otra:
[ ]
dN1 N1 N2
= r1 N1 1 b12 , (2.13a)
dt K1 K1
[ ]
dN2 N2 N1
= r2 N2 1 b21 , (2.13b)
dt K2 K2
du1
= u1 (1 u1 a12 u2 ) = f1 (u1 , u2 ), (2.14a)
dt
du2
= u2 (1 u2 a21 u1 ) = f2 (u1 , u2 ). (2.14b)
dt
Existen tres o cuatro equilibrios, que podemos encontrar gracando las
nulclinas f1 = 0 y f2 = 0 en el plano (u1 , u2 ). Es un caso sencillo que podemos
tratar analticamente:
36
2. Poblaciones interactuantes
37
La matemtica de los sistemas biolgicos
dN
= N (a bP ), (2.17)
dt
dP
= P (cN d), (2.18)
dt
donde N es una presa y P su depredador, y a, b, c y d son constantes. El
modelo se basa en las siguientes suposiciones:
38
2. Poblaciones interactuantes
du
= u (1 v), (2.19)
dt
dv
= v (u 1). (2.20)
dt
Este sistema tiene dos equilibrios:
u = v = 0, (2.21)
y:
u = v = 1. (2.22)
2 a
T = = 2 , (2.26)
d
39
La matemtica de los sistemas biolgicos
dN
= N F (n, P ), (2.27)
dt
dP
= P G(n, P ). (2.28)
dt
Pongamos entonces un crecimiento logstico para las presas:
( )
N
F (N, P ) = r 1 P R(N ), (2.29)
K
40
2. Poblaciones interactuantes
= 1, (2.34b)
donde las variables son r y (el radio vector y el ngulo de las coordenadas
polares). La parte radial y la angular estn desacopladas, as que las podemos
41
La matemtica de los sistemas biolgicos
analizar por separado. Los equilibrios en la direccin radial son los valores
donde se anula r(1 r ), y es fcil ver que r = 0 es inestable y que r = 1 es
2
= br(t)2 , (2.35b)
42
2. Poblaciones interactuantes
43
La matemtica de los sistemas biolgicos
nes. En estos casos, an una pequea destruccin del hbitat puede tener
consecuencias dramticas para el ecosistema. Modelos sencillos nos ayudan
a pensar en el rol del ser humano en el manejo de los ecosistemas.
Modelo de Levins (Tilman 1994)
Supongamos una sola especie que ocupa un hbitat formado por zonas.
Supongamos que son plantas, y que cada zona est ocupada por un individuo.
Cuando un individuo muere, queda una zona vaca que podr ser colonizada
por otro. Sea p la fraccin de zonas ocupadas. El modelo analiza la dinmica
de p:
dp
= c p(1 p) m p, (2.39)
dt
donde:
c: tasa de colonizacin.
m: tasas de extincin.
cp: tasa de ocupacin por zonas.
1 p: fraccin de zonas vacas.
El sistema es muy parecido al logstico. El equilibrio
m
p = 1 (2.40)
c
es globalmente estable. La especie persiste si y slo si c > m. El resultado ms
interesante es que, si m = 0 y c / (lo cual es biolgicamente esperable),
la especie nuca ocupa completamente el hbitat disponible (p < 1), es decir
siempre dejar huecos.
Consideremos ahora una segunda especie, un competidor, que eventuale-
mente podr subsistir en esos huecos. Supongamos que existe una jerarqui-
zacin de estas dos especies:
Especie 1: superior; siempre desplaza a la inferior cuando ambas estn en
la misma zona.
Especie 2: inferior; no invade ni desplaza a la superior.
Podemos escribir:
dp1
= c1 p1 (1 p1 ) m1 p1 = f1 , (2.41)
dt
dp2
= c2 p2 (1 p1 p2 ) m2 p2 c1 p1 p2 = f2 . (2.42)
dt
El trmino c1 p1 p2 es la competencia, medida con intensidad c1 .
Tenemos el equilibrio no trivial:
m1
p1 = 1 , (2.43)
c1
m2 c1 p1
p2 = 1 p1 . (2.44)
c2
44
2. Poblaciones interactuantes
( )
p1 m2
c2 > c 1
+ , (2.46)
1 p 1 m1
c1 (c1 + m2 m1 )
c2 > . (2.47)
m1
La evolucin en estas condiciones muestra la persistencia de la competen-
cia en esta situacin. Es una violacin del principio de exclusin competitiva,
hecha posible gracias a que, por un lado, el competidor superior deja huecos
(2.43) en su hbitat, y por otro a que el competidor inferior puede aprove-
charlos (2.47) para sobrevivir. Este escenario se ilustra en la gura 2.4.
Supongamos ahora que hay n especies en competencia, con los mismos
argumentos anteriores y ordenadas de mejor a peor:
( )
dpi
i
i1
= fi (p1 , p2 , . . . , pn ) = ci pi 1 pj mi pi cj pi pj . (2.48)
dt j=1 j=1
45
La matemtica de los sistemas biolgicos
i1 ( )
mi cj
pi =1 1+ pj , (2.49)
ci j=1
ci
Competidor superior: A, ca , ma .
Competidor inferior: B , c b , mb .
B es incapaz de invadir una zona ocupada por A, quien sin embargo es
capaz de invadir una zona ocupada por B , extinguiendo a B en esa zona.
h: fraccin de zonas habitables.
pa : fraccin de zonas ocupadas por A.
pb : fraccin de zonas ocupadas por B .
v : fraccin de zonas vacas (h = pa + pb + v ).
Tenemos:
dpa
= c a p a v ma p a + c a p a p b , (2.50)
dt
dpb
= cb pb v mb pb cb pa pb , (2.51)
dt
dv
= ca pa v + ma pa cb pb v + mb pb , (2.52)
dt
donde, como h = pa + pb + v , observamos que el sistema es de dimensin 2.
46
2. Poblaciones interactuantes
1
v = (hca ma + mb ), (2.53)
cb
ma
pa = h , (2.54)
ca
ma (ca + cb ) mb hca
pb = (2.55)
ca cb cb cb
y la condicin para que persista el competidor inferior es:
cb ca
> , (2.56)
mb ma
que puede satisfacerse. por ejemplo, si el competidor inferior tiene cb muy
grande, es decir si es muy buen colonizador, muy fugitivo.
La eliminacin de zonas habitables tiene los siguientes efectos (ver h en
la Ec. (2.55)):
ma
hc = (2.57)
ca
se extingue el competidor superior y persiste slo el inferior. Finalmente, ste
tambin se extingue cuando h baja de
mb
hc = . (2.58)
cb
47
La matemtica de los sistemas biolgicos
La deuda de la extincin
Veamos una ltima modicacin de las ecuaciones de Tilman, para anali-
zar el efecto de la destruccin del hbitat en un sistema con muchas especies
[11]:
( )
dpi
i
i1
= fi (p1 , . . . , pn , D) = ci pi 1D pj mi p i cj p i p j , (2.59)
dt j=1 j=1
i1 ( )
mi cj
pi (D) =1D 1+ pj . (2.60)
ci j=1
ci
m1
p1 (D) = 1 D . (2.61)
c1
Es decir, ste se extinguir si la fraccin de hbitat destruido iguala a su
abundancia en el sistema intacto, que era 1 m1 /c1 . Si el competidor do-
minante ocupa un 10 % del hbitat virgen, y destruimos un 10 % al azar del
hbitat, el resultado es el mismo que si hubiramos destruido el 10 % que la
especie estaba ocupando, a pesar de que el 90 % del total an esta disponible.
Es ms, cunto ms rara sea una especie, menor ser la fraccin que debemos
destruir (al azar) para extinguirla.
Las abundancias de competidores jerarquizados suele ser de tipo geom-
trico en la naturaleza, as que propongamos:
48
2. Poblaciones interactuantes
pi = 1 (1 q)2i1 D. (2.66)
Di 1 (1 q)2i1 . (2.67)
log(D 1)
= 2i 1. (2.68)
log(1 q)
Despejamos i (ya que a esta altura se han extinguido E = i especies) y
tenemos:
log[(1 D)(1 q)]
E= . (2.69)
2 log(1 q)
49
La matemtica de los sistemas biolgicos
Adems, en general los competidores superiores son los que emplean los
recursos con ms eciencia, y ejercen un control importante regulatorio sobre
el ecosistema. Su extincin podra ser an ms perjudicial que lo que este
modelo permite entrever.
Finalmente, podra considerarse al hombre como un competidor ms?
Qu consecuencias tendra el anlisis? Seremos los primeros en extinguir-
nos?
dp1
= f1 , (2.70)
dt
... (2.71)
dpn
= fn . (2.72)
dt
En la proximidad de un equilibrio donde coexisten todas las especies,
p1 , . . . , pn , la estabilidad est gobernada por el sistema linealizado de las
perturbaciones:
dx1
dt
x1
. . . = A . . . . (2.73)
dxn
dt
xn
El diagrama de la red trca ayuda a determinar cules elementos aij son
cero (especies no conectadas en la red) y los signos y las magnitudes de los
distintos de cero (especies interactuantes).
Supongamos que aii = 1, es decir, cada especie regresa al equilibrio con
el mismo tiempo caracterstico en ausencia de interacciones.
Supongamos que las interacciones obedecen a una distribucin de proba-
bilidad con media cero y varianza :
xP (x) = 0 (2.74)
x2 P (x) = , (2.75)
A=BI (2.76)
50
2. Poblaciones interactuantes
con B una matriz random. Ntese que el azar entra tan slo en la deni-
cin inicial del modelo, no en su dinmica. Los fsicos llamaramos a esto
desorden.
La estabilidad del sistema requiere el anlisis de los autovalores de A.
Afortunadamente el fsico Eugene Wiener desarroll, en la dcada de 1950,
la teora espectral de las matrices random, cuyos resultados podemos usar
aqu. Los autovalores de A son de la forma 1, donde son los autovalores
de B. Los autovalores de una matriz random como B forman un semicrculo
con radio n.
Ejercicio: Demostrar y/o vericar esta ley semicircular.
51
La matemtica de los sistemas biolgicos
12 C1 22 C2 , (2.82)
52
2. Poblaciones interactuantes
dp1
= p1 (r1 a11 p1 a12 p2 ), (2.83)
dt
dp2
= p2 (r2 + a21 p1 a22 p2 a23 p3 ), (2.84)
dt
...
dpi
= pi (ri + aii1 pi1 aii pi aii+1 pi+1 ), (2.85)
dt
...
dpn
= pn (rn + ann1 pn1 ann pn ), (2.86)
dt
con ri > 0, aij > 0. Demuestre y/o muestre que si existe un equilibrio
de coexistencia, ste es estable y atrae a todas las rbitas (a diferencia del
modelo de competencia, en el que este punto puede ser inestable). Discuta el
efecto de aumentar o reducir r1 , la tasa de natalidad de la especie basal. (Al
aumentar r1 , ms y ms especies subsisten.)
Hemos visto que si dos especies compiten, o bien una se extingue, o co-
existen. Una clase peculiar de sistemas de tres o ms especies en competencia
permite un comportamiento distinto y curioso, que ha sido observado en una
especie de lagartijas californianas ( Uta stansburiana ). Si se trata de tres
especies, se observa que las tres se alternan en su dominio del ecosistema
de manera cclica. En las mencionadas lagartijas, las tres poblaciones son
pseudoespecies representadas por tres tipos de machos, con distintos com-
portamientos de apareamiento, que juegan una especie de piedra-papel-tijera
por su control de la poblacin de hembras.
53
La matemtica de los sistemas biolgicos
dp1
= p1 (1 p1 p2 p3 ), (2.87)
dt
dp2
= p2 (1 p1 p2 p3 ), (2.88)
dt
dp3
= p3 (1 p1 p2 p3 ), (2.89)
dt
con 0 < < 1 < y + > 2. El modelo es medio articial pero se
simplican las cuentas.
Los equilibrios son fciles de obtener. Existe un equilibrio interior al oc-
3
tante IR+ , dado por:
1
p1 = p2 = p3 = . (2.90)
1++
El origen es equilibrio (una fuente) y los versores son puntos de ensilladura.
El equilibrio interior es una ensilladura, lo cual se demuestra fcilmente
porque los autovalores son muy sencillos. La matriz del sistema linealizado
es circulante:
1
1 1 (2.91)
1++
1
con lo que sus autovalores son combinaciones de las races cbicas de la
unidad:
n1
k = cj jk , k = 0, 1, . . . , n 1, (2.92)
j=0
54
2. Poblaciones interactuantes
1 ( )
1 = 2 = 1 e2i/3 e4i/3 , (2.94)
1++
que satisfacen:
>2
z }| {
1
Re (1 ) = Re (2 ) = 1+ + > 0 (2.95)
1++ 2
55
La matemtica de los sistemas biolgicos
56
Captulo 3
De los individuos a las
poblaciones
( )
dN N
= rN 1 . (3.1)
dt K
suave
modelo macroscpico poblaciones determinista
57
La matemtica de los sistemas biolgicos
P (N N + 1) = pb N = b dt N (3.5)
58
3. De los individuos a las poblaciones
P (N N ) = 1 b dt N. (3.6)
P (N 1 N ) = b dt (N 1). (3.7)
Con estas dos, entonces, podemos escribir una ecuacin para la evolucin
de la probabilidad de tener a la poblacin con N individuos: es la probabilidad
de ya tener N, y que no cambie nada, o tenerla en N 1 y que nazca uno.
Las yes son porductos de probabilidades y las es son sumas, as que:
dt0 dP (N, t)
= N P (N, t) + b(N 1)P (N 1, t). (3.11)
dt
La ecuacin (3.11) se llama ecuacin maestra del sistema, y da la evolucin
que estbamos buscando: la evolucin estocstica, en trminos de la distri-
bucin de probabilidad de tener N individuos en la poblacin.
La solucin de (3.11) puede encontrarse exactamente en este caso (cosa
que no siempre ocurre, claro est). Resulta ser una distribucin binomial:
( )
N 1 bN0 t
P (N, t) = e (1 ebt )N N0 , (3.12)
N0 1
donde N0 = N (0) es la condicin inicial (es decir, la condicin inicial de
(3.11) es una delta de Dirac en N0 ).
Conocida la distribucin P (N ), podemos calcular observables usando sus
momentos a todo tiempo, por ejemplo, en este caso:
59
La matemtica de los sistemas biolgicos
60
3. De los individuos a las poblaciones
ln w
= , (3.17)
bN
y P ( ) tiene la distribucin exponencial decreciente deseada.
La simulacin entonces procede de la siguiente manera:
2. Sortear w uniforme.
3. Obtener .
4. Incrementar el tiempo: t t + .
5. Incrementar la poblacin: N N +1
6. Repetir desde 2.
61
La matemtica de los sistemas biolgicos
c
A+AA+E competencia directa (3.18a)
b
A+E A+A nacimiento (competencia indirecta) (3.18b)
d
AE muerte. (3.18c)
62
3. De los individuos a las poblaciones
ganancia prdida
z }| { z }| {
dP (A, t)
= T (A|A )P (A , t) T (A |A)P (A, t), (3.20)
dt | {z } | {z }
A
A
63
La matemtica de los sistemas biolgicos
b b d d
A1 A A+1 A1 A A+1
dP (A, t)
= T (A|A 1)P (A 1, t) + T (A|A + 1)P (A + 1, t)
dt
T (A 1|A)P (A, t) T (A + 1|A)P (A, t). (3.21)
b
A+E A+A (3.22)
d
A E. (3.23)
A
T (A 1|A) = d (3.24a)
AE
T (A + 1|A) = 2b (3.24b)
A1E +1
T (A|A 1) = 2b (3.24c)
A+1
T (A|A + 1) = d . (3.24d)
64
3. De los individuos a las poblaciones
f (n) = f (n + 1) (3.25a)
1
f (n) = f (n 1). (3.25b)
65
La matemtica de los sistemas biolgicos
Ansatz: una parte proporcional a y otra parte proporcional a . El pa-
rmetro representa una escala macrocpica del sistema, un volumen por
ejemplo. Los dos trminos, entonces, tienen tamaos relativos distintos. El
trmino proporcional a evoluciona como (t), que es una funcin analtica,
representando una evolucin determinista del sistema en la escala macrosc-
pica. El segundo trmino representa las uctuaciones, que son de un tamao
menor que las variables macroscpicas, y su dinmica es un proceso estocs-
tico (t). Observemos que no podemos hacer suposiciones sobre la estadstica
de (t), ya que se lleva toda la parte uctuante de A(t) y por lo tanto es equi-
valente a la incgnita del problema. La gura 3.3 esquematiza estas ideas,
mostrando cmo se espera que evolucione P (A, t). El Ansatz no est justi-
cado a priori, sino por consideraciones fsicas acerca de la evolucin esperada
de P (A, t).
El parmetro del desarrollo va a ser 1/2 , donde , como dijimos, es t-
picamente el tamao del sistema o el nmero total de partculas: una variable
extensiva que controla el tamao de las uctuaciones.
E
[ ] z }| {
dP dA A A
= ( 1) P (A) + (1 1)
2b P (A) (3.29)
dt
66
3. De los individuos a las poblaciones
1 1 1 2
= 1+ + + (3.30)
2 2
1 1 1 2
1 = 1 + (3.31)
2 2
1
vlidos para versiones continuas de los operadores de paso y . La idea
es que si cambia A en 1 (A A + 1), entonces cambia a en una cantidad
pequea ( + 1/ ).
1
[ ] [ ]
dP 1 1 2 1 1 2 A
+ 2
dA() + + 2
2bA (),
dt 2 2
(3.32)
donde hemos denotado como (, t) = P (A, t) a la distribucin de probabi-
lidad, para poner de maniesto su dependencia en la variable microscpica
solamente.
Finalmente reemplazamos el Ansatz:
[ ]
dP 1 1 2
+ d( + )()
dt 2 2
[ ] (3.33)
1 1 2
+ + 2b( + ) ().
2 2
Repartimos el factor 1/ de sobre la expresin y nos queda:
[ ]
1
= + d( + )()
2
[ ] ( ) (3.34)
1
+ + 2b( + ) 1 ().
2
1 Tenemos que A
A + 1 (A) = ( +
) = A + 1 = +
+ 1 =
+ ( + 1/ ), + 1/ , y anlogamente para , con lo que tenemos los
1
desarrollos mostrados.
67
La matemtica de los sistemas biolgicos
Distribuimos y ordenamos segn potencias de 1/ (sin poner el argumento
de para aligerar la expresin):
= [d 2b (1 ) ]
[ ]
d
+ d () + 2b (1 2) () + b (1 )
0
2
( )
1
+o .
(3.35)
d
P ( + ) = +
dt
| {z } t t
a A constante
= ,
t
d
(ya que a A cte: = = ).
dt
(3.37)
= d 2b(1 ). (3.38)
68
3. De los individuos a las poblaciones
r t r r
(t) = ; c := s (si r = 0). (3.40)
s ce rt s 0
3.3.2. Fluctuaciones
Pasemos al orden siguiente, 0 . De los rdenes correspondientes en (3.35)
y (3.36) obtenemos:
[ ] 2
(, t) d
= [d 2b(12(t))] (, t) + (t) + b(t)(1(t)) (, t).
t | {z } 2 2
f (t) | {z }
g(t)/2
(3.41)
Esta especie de ecuacin de difusin es una ecuacin de Fokker-Planck. En
particular, es una ecuacin de Fokker-Planck lineal (por ser f y g a lo su-
mo lineales en en este caso independientes de ). Con una condicin
inicial deltiforme como la propuesta, y condiciones de borde libres en ,
la solucin es una Gaussiana a todo tiempo, aun cuando f y g dependen
del tiempo (a travs de su dependencia en (t)). Esta Gaussiana describe el
ensanchamiento de P debido a las uctuaciones.
Si no tuvisemos la solucin (t) explcitamente, se podran intentar apro-
ximaciones de la ecuacin de Fokker-Planck, o soluciones numricas de la
misma. En este caso podemos resolverla exactamente. Como la solucin es
69
La matemtica de los sistemas biolgicos
2 = 2 ()d. (3.42b)
g 2
= f + (3.43)
t 2 2
g 2
t = f + 2
2
( )
2 g
= f + +
2
2 g
= f f 2 + |
| {z } 2 | {z }
=0 =0 | {z }
=0
= f
(3.44)
t
t = 0 e 0 f (( ))d
. (3.45)
t 2 = 2f 2 + g (3.46)
e2rt
que se puede resolver con un factor integrante . Con la condicin inicial
4
sin uctuaciones, 2 = 0 se tiene la solucin:
t d
2 t = (si r > 0). (3.47)
2b
La evolucin de la distribucin de probabilidad est representada en la gura
3.7. Obsrvese que si r <0 la dinmica lleva al sistema hacia el estado de
poblacin nula, de manera que la distribucin estacionaria es muy distinta
70
3. De los individuos a las poblaciones
1
2 t = 2s2 bd(1 e2rt )
s ce rt
71
La matemtica de los sistemas biolgicos
72
Captulo 4
Regulacin de la expresin
gentica
73
La matemtica de los sistemas biolgicos
dm
= m m m, (4.1)
dt
dp
= p m p p. (4.2)
dt
Es inmediato encontrar el equilibrio de este sistema:
dm dp
= = 0, (4.3)
dt dt
m p m p
m = , p = m = . (4.4)
m p m p
Veamos un poco los valores aproximados que pueden tomar estos parmetros.
1
Degradacin del mRNA: m 1min <20min (vida media).
74
4. Expresin gentica
Figura 4.2: Una protena que reprime su propia expresin. Los dos diagramas
son habituales representaciones del mecanismo.
producir tanto represin como activacin. Por ejemplo, la gura 4.2 muestra
el ms sencillo de los mecanismos de represin: la autorepresin.
Las ecuaciones dinmicas para este mecanismo sern:
dm
= m gR (p) m m, (4.5)
dt
dp
= p m p p, (4.6)
dt
donde gR (p) es una funcin que representa la represin de la protena sobre
la transcripcin. Aun sin conocer sus detalles, podemos imaginar que tiene
una forma como la que vemos en la gura 4.3 (izquierda). Una funcin acti-
vadora o estimuladora de la transcripcin, a su vez, podr tener una forma
como la de la gura 4.3 (derecha).
Ciertamente, la represin puede ser ms complicada, como en el mecanis-
mo llamado de toggle switch que vemos en la gura 4.4. sta es una pequea
red de represin mutua. Es de esperar que haya en este sistema dos situacio-
75
La matemtica de los sistemas biolgicos
dm1
= m gR (r2 ) m m1 , (4.7a)
dt
dm2
= m gR (r1 ) m m2 , (4.7b)
dt
dr1
= p m1 p r1 , (4.7c)
dt
dr2
= p m2 p r2 , (4.7d)
dt
donde la funcin g es responsable de la no linealidad del sistema. Hagamos
76
4. Expresin gentica
m
mi (rj ) = gR (rj ), i, j {1, 2}. (4.8)
m
dri m
= p gR (rj ) p ri , i, j {1, 2}. (4.9)
dt m
| {z }
0
dri
= 0 = 0 gR (rj ) p ri , (4.10)
dt
0
ri (rj ) = gR (rj ). (4.11)
p
Esta ecuacin dene implcitamente los equilibrios. Usando una forma gen-
rica para gR podemos encontrarlos (estn por supuesto en la interseccin de
las nulclinas de (4.9)). La gura 4.5 muestra que hay dos situaciones posibles,
segn cun abrupta sea la transicin entre los niveles de represin alta y baja
(que se caracteriza con un parmetro llamado repressor binding ability, KR ).
Ejercicio: Escriba las ecuaciones para el sistema de la gura 4.6.
77
La matemtica de los sistemas biolgicos
dP (m, t)
= [P (m 1) + (m + 1)P (m + 1)] [mP (m) + P (m)],
dt ganancia prdida
F (z, t) = z m P (m, t). (4.13)
m=0
78
4. Expresin gentica
sucesivas derivadas en z = 1:
F (1, t) = P (m) = 1, (normalizacin de P ), (4.14)
F (z, t)
= m z m1
P (m) = m P (m) m(t), (4.15)
z z=1 z=1
2 F (z, t)
2 = m(m 1)z m2
P (m) = m2 (t) m(t). (4.16)
z z=1 z=1
F (z, t) F
= (z 1)F (z, t) (z 1) . (4.17)
t z
(Ver [17], cap. VI, sec. 6: One step processes, para ver qu se hace con la
condicin de borde en m=0 para F (z). En general se la puede ignorar y
sumar m de a .)
1Hay que usar la siguiente propiedad de los operadores de paso: g(n)f (n) =
N 1
la prctica resulta casi siempre irrelevante porque los trminos faltantes se anulan (van
n=1
donde hemos usado la condicin de borde en z = 1: 1 = F (1) = c e
c = e . De aqu podemos obtener los momentos que denen a la solucin
80
4. Expresin gentica
0 : inactivo, (4.28)
1 : activo, (4.29)
81
La matemtica de los sistemas biolgicos
Ntipos N. (4.30)
En los seres humanos, por ejemplo, con N 105 , Ntipos = 254, y no 1030000 .
Una propiedad adicional es que cada tipo de clula es sumamente es-
table. Una vez establecido, se mantiene durante toda la vida de la clula.
(Ocasionalmente el patrn de activacin gentica, sin embargo, puede resul-
tar drsticamente alterado, como es el caso de los oncogenes, que pueden
activarse por accin viral y activar la reproduccin ilimitada de la clula y
desembocar en un cncer.)
Un enfoque de este tipo de problemas, radicalmente distinto al reduc-
cionismo de la biologa molecular, es el desarrollado por Stuart Kauman
a nes de los `60s [24], basado en el anlisis de redes booleanas, en las que
propiedades similares a la diferenciacin celular surgen espontneamente. Se
trata de redes booleanas aleatorias, similares a los autmatas celulares en
que son discretos el espacio, el tiempo, y el conjunto de estados = {0, 1}.
Pero la forma en que se conectan los elementos es distinta que en los CA.
Para cada uno de los Si elementos de la red, elegimos al azar K otros
elementos, que sern sus vecinos. Los K vecinos entran en la dinmica a
travs de una funcin booleana i de K entradas elegida al azar:
82
4. Expresin gentica
4.3.1. Modelos N K
Cada elemento o gen recibe entradas de otros K genes entre los N
totales. Las entradas alimentan la dinmica mediante una funcin booleana.
El resultado de la funcin booleana es el output del gen, y afecta otros genes
conectndose a sus inputs. En la gura 4.9 y las tablas vemos un ejemplo
para una red pequea, con tres nodos y K = 2.
1 2 3 1 3 2 2 3 1
0 0 0 0 0 0 0 0 0
0 1 1 0 1 1 0 1 0
1 0 1 1 0 1 1 0 0
1 1 1 1 1 1 1 1 1
83
La matemtica de los sistemas biolgicos
t t+1
1 2 3 1 2 3
0 0 0 0 0 0
0 0 1 0 1 0
0 1 0 0 0 1
0 1 1 1 1 1
1 0 0 0 1 1
1 0 1 0 1 1
1 1 0 0 1 1
1 1 1 1 1 1
Nf (K) = 2 2K . (4.32)
84
4. Expresin gentica
Figura 4.11: Cuenca de atraccin (una de las 15) de una red con N = 13,
K = 3. El atractor es un ciclo de perodo 7. Abarca 604 estados de los 8192
estados de la red.
Los cambios en los atractores y sus cuencas producidos por una mu-
tacin (el ip de un dgito en una funcin booleana).
Caso K = N
85
La matemtica de los sistemas biolgicos
Cada elemento recibe como input todos los estados del sistema. Existe
una sola conectividad de este tipo. Es el caso ms desordenado posible y la
dinmica resulta aleatoria.
Longitud de los ciclos: Tc 12 2N .
Nmero de atractores: Na Ne . (Por ejemplo, N = 200, Na 74.)
Los atractores son muy inestables, con separacin exponencial entre es-
tados que dieren en 1 bit.
Caso K = 1
Este caso tiene los elementos conectados a slo un vecino, con lo cual
muchos quedan formando colas y no inuyen mayormente en la dinmica.
Nmero de elementos en bucles desconectados: Nb N ln N .
1/8 log2 N
Longitud de los ciclos: Tc e .
( )N (1+o(1))
Nmero de atractores: Na
2
.
e
1
m(i) = Si (t). (4.33)
t=1
Si los ciclos son cortos, m(i) tomar valores fraccionarios (1/4, 1/3, 2/3,
1/2,. . . ). Entonces, el histograma P (m) ser:
P (m) con picos aislados en el rgimen ordenado.
P (m) con una banda continua ms picos en el rgimen catico. Es una
situacin similar a la transicin al caos determinista en un sistema continuo
(si bien estos sistemas no pueden ser caticos, ya que el espacio de congu-
raciones es nito, por lo cual son necesariamente peridicos).
Caso K 5
Longitud de los ciclos: Tc 12 2bN (b [> 1).
( )1 ] kN
Nmero de atractores: Na 12 N log 12 N
2
.
86
4. Expresin gentica
En denitiva, las nicas redes con alta estabilidad homeosttica son las
de K = Kc = 2. Asimismo, la accesibilidad entre atractores, que permite
transiciones entre atractores al producir una mutacin, es baja solamente
para K = 2.
Todos estos resultados fueron obtenidos numricamente por Kauman y
colaboradores, y analticamente para K=N y K = 1. Pero Bernard Derri-
da y otros propusieron un procedimiento para demostrar que efectivamente
existe un punto crtico.
(Formacin de ncleos duros y paredes que percolan, g. de Sci. Am.)
87
La matemtica de los sistemas biolgicos
Figura 4.13: Cuando coinciden los estados de los inputs de un nodo de ambas
redes, en el tiempo siguiente coinciden los estados de ese nodo.
88
4. Expresin gentica
1
a(t + 1) = a(t)K + (1 a(t)K ), (4.34)
2
1
= [1 + a(t)K ]. (4.35)
2
Esta ecuacin se puede transformar en una ecuacin para la distancia de
Hamming entre las dos conguraciones, que es el nmero de bits distintos:
N
(1) (2)
d(t) = |Si (t) Si (t)| (4.36)
i=1
N d(t)
a(t) = . (4.37)
N
Entonces:
1
d(t + 1) = [1 (1 (t))K ] fK (d), (4.38)
2
donde (t) = d(t)/N . Este mapeo tiene un punto jo, d = 0, cuya estabilidad
est determinada por la derivada:
fK (d)
(K) = (4.39)
d d
K
= [1 ]K1 (4.40)
2
K
= . (4.41)
2
Es decir, el lmite de estabilidad, (Kc ) = 1 (es un mapeo), nos da Kc = 2.
Por debajo, d = 0 es estable: es la fase congelada, en la que la distancia
entre conguraciones cae a cero. Por encima, d = 0 es inestable, y la dis-
tancia entre conguraciones crece exponencialmente (fase catica). Estas
propiedades son las mismas que se observan en el modelo quenched de
Kauman.
89
La matemtica de los sistemas biolgicos
90
4. Expresin gentica
91
La matemtica de los sistemas biolgicos
92
Captulo 5
Ondas de poblacin
u 2u
= D 2, (5.1)
t x
93
La matemtica de los sistemas biolgicos
de reaccin:
u 2u
= f (u) + D 2 . (5.2)
t x
En estos casos ocurre un pequeo milagro matemtico y son posibles solu-
ciones tipo onda viajera, en forma de perles de que propagan sin cambiar
de forma:
La forma u(z) parece estacionaria si nos movemos junto con la onda a velo-
cidad c.
u 2u
= k u(1 u) + D 2 , (5.4)
t x
que es la extensin difusiva natural del modelo logstico. Analicemos una
versin adimensional:
u 2u
= u(1 u) + 2 , (5.5)
t x
donde hemos hecho el cambio de variables t = kt y x = x k/D, y luego
dejamos de lado las primas. En un sistema espacialmente homogneo las
soluciones u(x) = 1 y u(x) = 0 son equilibrios, uno estable y el otro inestable.
Esto sugiere buscar soluciones no homogneas, tipo frente de onda, que
conecten 1 con 0, con u > 0, como se ve en la gura 5.1.
Propongamos u(x, t) = U (z) como solucin, con z = x ct donde c es la
velocidad de la onda, y sea c > 0 para especicar una situacin. Substitumos
en (5.5):
u U (z) dU z
= U (x ct) = = = cU , (5.6)
t t t dz t
u dU z
= U (x ct) = = U , (5.7)
x x dz x
2u u z
2
= = U = U = U . (5.8)
x x x x x
94
5. Ondas de poblacin
U + cU + U (1 U ) = 0. (5.9)
Tenemos que determinar ahora el o los valores de c tales que una solucin
de (5.9) satisfaga:
V = U = cV U (1 U ) g, (5.12)
dV cV U (1 U )
= . (5.13)
dU V
Los puntos crticos de este sistema son (0, 0) y (1, 0). Analicemos su estabi-
lidad lineal:
f f
= 0, = 1, (5.14)
U V
g g
= 1 + 2U, = c, (5.15)
U V
95
La matemtica de los sistemas biolgicos
( )
0 1
J = (5.16)
1 + 2U c
( )
0 1 1
J(0,0) = = (c ) + 1 = 2 + c + 1 = 0
1 c 1 c
(5.17)
{
1 c2 > 4 nodo estable
= (c c2 4) 2 (5.18)
2 c <4 espiral estable
1
= (c c2 + 4), ensilladura. (5.20)
2
En resumen, si
c c0 = 2 (5.21)
96
5. Ondas de poblacin
de modo que una condicin inicial positiva en un dominio (una regin aco-
tada) evoluciona hacia dos frentes, de propagacin opuesta, como se ve en la
gura 5.3.
Figura 5.3: Un frente doble evoluciona a partir de un estado inicial con so-
porte compacto.
97
La matemtica de los sistemas biolgicos
u 2u
= f (u) + 2 (5.26)
t x
donde f tiene 2 ceros u1 y u2 , se tienen tambin frentes que conectan u1 con
u2 , con
c c0 = 2 f (u1 ). (5.27)
z
= = z, U (z) g(). (5.28)
c
No hay una receta siempre vlida para encontrar la transformacin adecuada
en cada caso. En general se la encuentra probando, hasta que la ecuacin
transformada da una solucin perturbativa que sirva. En este caso tenemos:
U + cU + U (1 U ) = 0 (5.29)
1 dg
U = (5.30)
c d
1 d2 g d2 g
U = 2 2 = 2 (5.31)
c d d
98
5. Ondas de poblacin
d2 g dg
+ + g(1 g) = 0, (5.32)
d 2 d
con:
1
g() = 1, g(0) = 1/2, g() = 0, 0< = 0,25. (5.33)
c20
Observemos que el parametro pequeo multiplica el orden ms alto de
la ecuacin diferencial. Esto en general desemboca en un problema de pertur-
baciones singulares : al poner = 0 la solucin perturbativa no se comporta
bien. En particular, no se comporta bien en los bordes del problema. En este
caso, sin embargo (as como en otros problemas de frentes de ondas u ondas
de choque) la ecuacin reducida da un buen orden 0, gracias al trmino lo-
gstico que se anula en los bordes. Seguimos adelante y buscamos soluciones
de la forma:
g(, ) = g0 () + g1 () + . (5.34)
[ ] ( )
d2 g0 d 2 g1 dg0 dg1
+ 2 + + + (g0 + g1 )(1 g0 g1 ) = 0 (5.37)
d 2 d d d
dg0
o(1) : + g0 (1 g0 ) = 0 (5.38a)
d
d2 g0 dg1
o() : + g0 g1 + g1 (1 g0 ) = 0 (5.38b)
d 2 d
dg1 d2 g0
+ g1 (1 2g0 ) = 2 (5.38c)
d d
La ecuacin (5.38a) es como una logstica pero ms fcil. Se resuelve haciendo
el cambio y = 1/g0 y se obtiene:
1 1
g0 () =
= (5.39)
1 + ae 1 + e
(teniendo en cuenta que g0 (0) = 1/2).
99
La matemtica de los sistemas biolgicos
g0 + g0 g02 = 0, (5.40)
Derivo:
g0 + g0 2g0 g0 = 0, (5.41a)
g
(1 2g0 ) = 0 (5.41c)
g0
( )
dg1 g0
g1 = g0 (5.42)
d g0
[ ] ( )
1 ez/c 1 4ez/c 1
U (z, ) = z/c
+ 2 z/c 2
ln z/c 2
+o 4 , (5.44)
1+e c (1 + e ) (1 + e ) c
g0 + g1 + o(2 ) = 0 (5.46)
(substituyendo) = 0 z = 0. (5.47)
Entonces:
1
U (0) = + o(c5 ) (5.48)
4c
es una medida de la inclinacin del frente, y est relacionado con su velocidad,
como mencionamos ms arriba.
100
Captulo 6
Juegos evolutivos
101
La matemtica de los sistemas biolgicos
102
6. Juegos evolutivos
Ahora bien, por qu es esto relevante para la biologa? Todos los as-
pectos del comportamiento animal tienen alguna inuencia en uno de los
conceptos centrales de la evolucin: la tness (estrictamente, el nmero de
descendientes vivos que el animal produce). La seleccin natural tiene por
efecto que el comportamiento de un animal tienda a maximizar su tness. El
comportamiento ptimo que maximiza la tness resulta de un balance
entre benecios y costos. Por ejemplo, consideremos un animal macho que
produce un sonido para atraer a las hembras y aparearse. La intensidad del
sonido que produce tiene asociado un benecio y un costo: cuanto ms fuerte
chille, por ejemplo, de ms lejos lo oirn sus potenciales parejas; pero chillar
ms fuerte cuesta ms energa. La prediccin de un modelo de optimizacin
para un comportamiento de este tipo ser que ambas tendencias tendrn por
efecto que la intensidad ptima se encuentre en algn valor intermedio, en
principio seleccionado naturalmente.
Ahora bien, en general este animal no se encontrar solo, sino que habr
otros machos tratando de atraer a las mismas potenciales parejas. De manera
que el xito de su comportamiento depender no solamente de cun fuerte
chille, sino de cun fuerte chillen los dems. Una estrategia posible, por
ejemplo, sera quedarse callado en medio de sus congneres chillones. De esta
manera no incurre en el gasto asociado a la llamada de apareamiento. Este
comportamiento recibe el nombre de satlite. Si las hembras no son muy
selectivas al acercarse a los machos y se aparean indiscriminadamente con
ellos, el macho satlite probablemente tenga una ventaja sobre los otros, ya
que percibe los benecios sin incurrir en los costos. En todo caso, lo que est
claro es que la tness ahora no depende simplemente de la relacin entre
costos y benecios, sino que depende tambin de las estrategias, o modos de
comportamiento, que ejerzan todos los participantes. Uno puede imaginarse
103
La matemtica de los sistemas biolgicos
{
Johann J
Jugadores
Sebastian S
{
As A
Cartas
Rey K
b) Apuesta 1$ ms al pozo.
104
6. Juegos evolutivos
1 1
+ 2$ 1$ = 0,50$ (6.1)
2 2
Del mismo modo podemos analizar las restantes combinaciones de estra-
tegias de J y de S, que pueden representarse mediante la siguiente matriz de
payo :
Payo de J Si S ve Si S no ve
Si J blufea 0 1
Si J no blufea 0.50 0
Como lo que gana Johann es lo que pierde Sebastian, est claro que
tenemos una matriz de payo para Sebastian que es opuesta a la de Johann:
Payo de S Si S ve Si S no ve
Si J blufea 0 -1
Si J no blufea -0.50 0
105
La matemtica de los sistemas biolgicos
0.415
0.166
0.8
0.332
0.5
0.6
0.4 1.0
PHJL 0.249 0.498
0.3
0.4
Vemos que rpidamente, los jugadores empezarn a pasearse por las dis-
tintas estrategias. Es posible que dejen de predeterminar sus estrategias, y
empiecen a usar una u otra, con ciertas probabilidades, al azar. en otras pa-
labras: que dejen de usar estrategias puras y empiecen a usar ( estrategias
mixtas.
Llamemos:
1
P (J) = 1 x(1 y) + (1 x)y (6.2)
2
1 1
= x xy + y xy (6.3)
2 2
1 3
= x + y xy. (6.4)
2 2
Esta P (x, y) es un paraboloide hiperblico, es decir una especie de silla
de montar, restringida al espacio (0, 1) (0, 1). Es una supercie reglada: si
la cortamos paralelamente al eje x, los cortes son lineas rectas, y lo mismo
ocurre paralelamente al eje y . Estas rectas son horizontales cuando x = 1/3 y
cuando y = 2/3. En la gura est representada la supercie y su interseccin
con un plano horizontal de payo constante, correspondiente al payo de
Johann cuando x = 1/3 o y = 2/3. Tambin vemos un grco de contornos,
con tonos proporcionales al payo.
Supongamos que Johann elige blufear con una probabilidad relativamente
alta, x > 1/3. Si S se da cuenta, elegir siempre ver, y = 1, para reducir al
106
6. Juegos evolutivos
Pero si J elige blufear con exactamente x = 1/3, su payo ser P (J) = 1/3
independientemente de lo que haga S (P/y|x=1/3 = 0). De esta manera,
Johann tiene un modo de maximizar su payo mnimo ( minimal en ingls).
En todos los juegos de suma cero como ste, existe esta estrategia lla-
mada maximin conservadora que le conviene a los dos jugadores a la vez.
Pero la mayor parte de los juegos no son de suma cero.
107
La matemtica de los sistemas biolgicos
Y la de Sebastian es la misma:
108
6. Juegos evolutivos
1.0 -1 -3 -5 -7 -9 1.0 0 -2 -4 -6 -8
-9
-8
0.8 0.8
-7
-6
0.6 0.6
-4 -5
0.4 0.4
-2
-3
0.2 0.2
0.0 0.0 -1
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Podemos ver que para Johann el payo de pelear (10y + 1(1 y)) se
iguala al payo de ceder (1y ) cuando y = 1/10. Es decir, si Sebastian
busca la pelea con probabilidad y > 1/10, a Johann le conviene ceder. Si
Sebastian pelea con probabilidad y < 1/10, a Johann le conviene pelear. Si
ambos pelean con probabilidad x = y = 1/10, ninguno tiene nada que ganar
desvindose de esta estrategia. Estn en un equilibrio de Nash (por John
Nash, premio Nobel de Economa, el de A Beautiful Mind, famoso entre la
audiencia femenina).
Pero ninguno de los dos tiene un buen motivo para no desviarse de 1/10,
siempre que el otro permanezca en 1/10. Pero si Johann tiene alguna razn
para creer que Sebastian est peleando con y > 1/10, le conviene no pelar
nunca. Y si Sebastian sospecha que Johann tiene tal razn, ciertamente le
conviene pelear. Qu debe hacer Sebastian si, por ejemplo, Johann ha bus-
cado pelea en dos de los cinco primeros encuentros? Debe pensar que es
alguna uctuacin estadstica, o que x = 0,4? Aun as, Johann tiene derecho
a pensar que Sebastian lo atribuir a que l est usando un valor de x > 1/10.
El argumento para x = y = 1/10, de nuevo, parece espurio.
109
La matemtica de los sistemas biolgicos
Chilln vs Chilln,
Chilln vs Satlite,
Satlite vs Satlite.
Oponente
Estrategia focal Chilln Satlite
Chilln E(C, C) E(C, S)
Satlite E(S, C) E(S, S)
110
6. Juegos evolutivos
Est claro que los valores de ganancias y costos deben estar expresados en una
unidad en comn (que en general ignoraremos, expresando todo en unidades
arbitrarias). El cmputo de un elemento de la matriz de payo, entonces,
tiene la forma general:
111
La matemtica de los sistemas biolgicos
presa). Estos son los nicos valores que necesitamos, y construimos los payos
de la siguiente manera:
Chilln-chilln. La probabilidad de ganar es 1/2 (suponemos que no
hay variaciones de un animal a otro). Si gana el recurso le aporta G, pero le
cuesta C, mientras que si pierde sufre el costo de todos modos. Entonces:
E(S, S) = 0. (6.12)
En denitiva:
Chilln Satlite
Chilln 1/2(G C) 1/2C (1 )(G C) C
Satlite G 0
112
6. Juegos evolutivos
Chilln Satlite
Chilln 3 8 10
Satlite 10 0
113
La matemtica de los sistemas biolgicos
114
6. Juegos evolutivos
115
La matemtica de los sistemas biolgicos
Ganador: +G
Perdedor: C si pelea
HH Los dos escalan hasta llegar a la lucha fsica, en la que uno gana y el
otro pierde. El ganador recibe G y el perdedor C . El payo medio es
(G C)/2, que puede ser negativo si C>G (cosa que supondremos).
Si encuentra un H Si encuentra un D
H recibe (G C)/2 < 0 G
D recibe 0 G/2
116
6. Juegos evolutivos
x = fraccin de H, (6.19)
1x = fraccin de D. (6.20)
117
La matemtica de los sistemas biolgicos
GC
F (H) = x + (1 x)G, (6.21)
2
G
F (D) = (1 x) . (6.22)
2
Tenemos una situacin de equilibrio cuando:
G
F (H) = F (D) x = . (6.23)
C
Si x < G/C , a los H les va mejor que a los D y se propagan. Si x > G/C ,
los H empiezan a sacarse los ojos entre ellos, y los D se propagan. La evolucin
se encarga de mantener la poblacin en el punto jo estable x = G/C .
En particular, si C es muy grande, x ser muy chico, lo que explica que
las luchas abiertas sean raras entre los animales con armas poderosas, como
los ciervos.
118
6. Juegos evolutivos
Son realistas los valores de los payos que permiten ESS's puras?
N2
. (6.24)
mN1
Y el nmero medio de hijos de una hembra de F1 es:
N2
. (6.25)
(1 m)N1
El nmero esperado de nietos de un individuo cuya frecuencia de machos
es p es:
N2 N2
N (p) = p + (1 p) = (6.26)
mN1 (1 m)N1
[ ]
p 1 p N2
= + . (6.27)
m 1 m N1
119
120 6. Juegos evolutivos
p 1p
W (p, m) = + . (6.28)
m 1m
donde r = p + (1 )q = q + (p q):
p 1p q 1q
+ < + . (6.30)
q + (p q) q + (p q) q + (p q) q + (p q)
Estas son dos parbolas, y hay que analizar cmo se cruzan. Se puede ver que
si q < 1/2, cualquier p > q puede invadir. Y si q > 1/2, puede ser invadido
por un p < q . La nica situacin de equilibrio es cuando p = 1/2. (Esto se
puede ver gracando los numeradores de esta expresin, en funcin de p, para
q jo mayor o menor que 1/2. Se ve las F (p) y F (q) se cruzan en p = q , y
que cuando q < 1/2 la F (p) es mayor que la F (q) para los valores de p > q .
Y viceversa cuando q > 1/2. El parmetro se debe jar para que haya una
sola interseccin en el intervalo [0, 1].
El equilibrio los suministran los nietos, no los hijos! Uno podra decir
que, dado que hay en general machos superuos (porque los machos produ-
cen ms gametos que las hembras) conviene producir hembras. Sin embargo,
si nacieran ms hembras, habra ms hembras en la poblacin, y a un indivi-
duo le convendra tener hijos machos, ya que as tendra muchsimos nietos.
De esta manera los que producen machos invadiran a partir de la segunda
generacin. Idem al revs.
p1 , p2 , . . . , pN . (6.33)
Como pi 0 y i pi = 1 , una estrategia p es un punto del simplex:
SN = {p RN / pi 0 y pN
i=1 = 1} (6.34)
i
(Si hay dos estrategias solamente, tendremos ui1 q + ui2 (1 q), ya que q1 q
y q2 = 1 q .)
Si a la estrategia q el jugador 1 se enfrenta con una estrategia tambin
mixta p, su payo esperado es:
p Uq = uij pi qj . (6.36)
ij
( )( ) ( )
4 0 1 4
1 = = . (6.37)
5 3 0 5
( )( ) ( )
4 0 1y 4 4y
1 = = . (6.38)
5 3 y 5 2y
p U p q U p , q. (6.40)
p U [p + (1 )p ] < p U [p + (1 )p ], (6.41)
barrera de invasin.
La ec. (6.41) se puede reacomodar as:
Como esto debe cumplirse para sucientemente chico, podemos decir que
p es una ESS si y slo si se cumplen las dos condiciones siguientes:
p U p p U p , p SN . (6.43)
si p = p y p U p = p U p p U p > p U p. (6.44)
p Uq > q Uq (6.45)
[ ]
GC G
p Up = p p + (1 p)G + (1 p)(1 p)
2 2
GC 2 G G
= p + pG p2 G + pG + p2
2 2 2
G 2 C 2 G G
= p p p2 G + + p2
2 2 2 2
C 2 G
= p +
2 2
G2 G C 2 C
p U p p U p = pG + + + p
2C 2 2 2
G2 C 2
= pG + p
2C 2
1 1
= [G2 2GCp + C 2 p2 ] = (G Cp)2 .
2C 2C
Ejemplo. Tengo hecha esta cuenta para calcular la ESS del juego de
chillones y satlites sin recurrir a la evaluacin de F (C) = F (S), sino usando
4.2 JUEGOS EVOLUTIVOS - ESS 129
(II) : q U q T = (2 3y 2 ) (6.52)
Entonces, si y > x, entonces y > 2/3. Si y < x, idem, y < 2/3. Luego,
x = 2/3. Luego p = (2/3, 1/3). Y me parece que eso es todo, as se hace.
Este valor de x es el mismo que se obtiene igualando las tness: F (H) =
F (D) {U pT }1 = {U pT }2 . Eventualmente, uno ahora toma p = (2/3, 1/3),
hace la cuenta del ejemplo de arriba, y se obtiene (en la notacin de arriba)
1
3
(2 3p)2 que es mayor que cero, luego es una ESS.
en algn entorno de p .
Si las funciones fi (m)
son lineales en m
, esta situacin es igual a la anterior
(ya que f es una matriz), pero podra no serlo.
3Es la estrategia que usan los palomos entre s (pero no la que usan contra los halco-
nes!).
6.3. GUERRA DE DESGASTE 131
x = kt. (6.56)
ganancia = V c, (6.57)
prdida = c. (6.58)
resultar ser una estrategia mixta en la cual cada jugador juega una estrategia
pura al azar. En piedra-papel-y-tijera esta estrategia consiste en jugar al
azar cada estrategia pura con probabilidad 1/3. En la guerra de desgaste,
como tenemos un continuo de estrategias puras, una estrategia mixta est
caracterizada por una distribucin de probabilidad p(x). El benecio neto
que una estrategia que gasta c, al ganar anlogo a la Ec. (6.57) es la
suma (la integral) de los benecios correspondientes a ganar contra cada una
de las estrategias, cada una pesada con su probabilidad:
c
ganancia = (V x)p(x)dx, (6.60)
0
y la prdida al perder es
prdida =c p(x)dx. (6.61)
c
Teorema 6.1 (Bishop & Cannings, 1978) Sea I una estrategia mixta con
soporte a, b, c . . . (es decir, a, b, c . . . son estrategias puras que se juegan
con probabilidad distinta de cero). Si I es una ESS, entonces el payo es
constante en su soporte: E(a, I) = E(b, I) = E(c, I) = = E(I, I).
Explicacin: si E(a, I) > E(b, I), entonces convendra jugar a con ms
frecuencia que b, con lo cual I no sera ESS. (?)
Demostracin: Supongamos que
E(a, I) > E(I, I). (6.62)
Por lo tanto
E(I, I) < E(X, I), (6.66)
134 6. Juegos evolutivos
que contradice la hiptesis de que I es una ESS. Por otro lado, E(a, I)
E(I, I) por la misma hiptesis. Por lo tanto:
Esto fue demostrado por Maynard Smith para el caso en que c es una estra-
tegia pura, y por Bishop y Cannings para el caso en que c es una estrategia
mixta distinta de I. Lo dejamos para otro momento (me parece que est en
[33]).
4
estabilidad, invasin, etc. La estrategia que agregamos, llamada Burgus, es
una estrategia condicional respecto de la propiedad del recurso:
{
Si es propietario, juega Hawk, acepta resultar herido.
B:
Si es intruso, juega Dove, no se arriesga.
Cada conicto tiene lugar entre dos individuos en roles distintos, y que
ambos saben con certeza cules son estos roles.
H D B
H -1 2 0.5
D 0 1 0.5
B -0.5 1.5 1
O, en general:
H D B
H (G-C)/2 G 3/4G-C/4
D 0 G/2 G/4
B (G-C)/4 3G/4 G/2
{
Si ya estuvo un tiempo T, juega Dove.
X:
Si todava no, juega Hawk.
manera continua. (El trmino replicador fue acuado por Richard Dawkins
en The selsh gene (1976). En la versin castellana [32], se los llama re-
productores pero, con los aos, replicador es la palabra que se ha impuesto
tambin en castellano.)
Supongamos que la poblacin est dividida en n tipos Ei , correspondiendo
a cada uno una frecuencia xi en la poblacin.
Cada tipo tiene una tness fi , funcin de la composicin x. Supongamos
que la poblacin es grande, y que las generaciones se mezclan, de modo
que x(t) evoluciona de manera diferenciable. Para cada tipo Ei , la tasa de
crecimiento relativa
xi
(6.74)
xi
es una medida de su xito reproductivo relativo, y por lo tanto de su tness
en relacin a la tness de la poblacin:
xi
= tness de Ei tness media, (6.75)
xi
de manera que podemos escribir
p1 , p2 , . . . , pn SN . (6.77)
aij = pi U pj , i, j = 1, . . . n, (6.78)
fi (x) = aij xj = {Ax}i , (6.79)
j
R1
p2
x 1*
p1
R2 R3
En particular, se denen:
x Sn es un equilibrio de Nash si
x Ax x Ax x Sn . (6.81)
Y tambin:
donde
( )
(Ax)1
x Ax = (x, 1 x) = x(Ax)1 + (1 x)(Ax)2 , (6.84)
(Ax)2
GC G
(Ax)1 (Ax)2 = x + (1 x)G (1 x) = (6.90)
2 2
GC G
= x + (1 x) = (6.91)
2 2
C G
= x+ , (6.92)
2 2
Podemos ver que, adems de los equilibrios en los extremos del simplex, x=0
y x = 1, podemos tener un equilibrio interior, donde el corchete cambia de
signo, es decir donde a1 x1 = a2 x2 . Analicemos las dos situaciones posibles:
que a1 y a2 tengan el mismo u opuesto signo.
Si a1 y a2 tienen el mismo signo (a1 a2 > 0), la derivada x cambia de
signo cuando a1 x1 = a2 x2 , que corresponde al equilibrio de Nash (igualdad
de payos de 1 y 2):
a2
x1 = . (6.102)
a1 + a2
142 6. Juegos evolutivos
0 x* 1
Nash
ESS
0 x* 1
ESS
0 1
x*
ESS
0 1
x*
xi = xi (Ax)i . (6.104)
yz x x 0 1 1
1 1
L(x ) = y z x y = 1 0 1 = A (6.109)
3 3
z z z y x 1 1 0
cuyos autovalores son 0, i/ 3, i/ 3, con lo que x es un centro, y el sistema
describe oscilaciones alrededor de ste.
h = x1 x2 x3 (6.110)
yn = 1 (6.111)
yi
xi = n i = 1...n (6.112)
j=1 yj
n1
yi = yi [ri + bij yj ], (6.114)
j=1
x Ax. (6.116)
que llamamos regla de imitacin, la misma para todos los jugadores, e inde-
pendiente de i y de j . Una regla sencilla sera imitar al mejor, es decir
{
0 si u < v,
f (u, v) = (6.119)
1 si u > v,
En particular, consideremos (u) = u+ para > 0, con lo cual (u) =
|u|+ sign u. Para = 1, (u) = u, es decir: imitar una estrategia que tie-
ne ms xito, con una probabilidad proporcional a lo que espero ganar por
imitarla, recuperamos la ecuacin del replicador:
xi = xi ({Ax}i x Ax). (6.121)
( x}i {Ax}j ) = {Ax}i j xj j xj {Ax}i {Ax}i x Ax.)
j xj ({A
Si 0, por otro lado, tenemos de nuevo la regla imitar al mejor.
Otra forma que puede adoptar la dinmica de imitacin de la Ec. (6.117)
es, por ejemplo:
xi = xi [f ({Ax}i ) f ] , (6.122)
con f = xj f ({Ax}j ). Es decir, cada jugador que es candidato a cam-
biar de estrategia, compara su payo (en realidad, una funcin tness de
su payo ) con el payo medio de la poblacin. Si f es una funcin lineal,
de nuevo se tiene la dinmica del replicador. Esto ocurre con varios posibles
modelos de las probabilidades de transicin fij . Por ejemplo, si la probabi-
lidad de cambio de estrategia tiene la forma: fij = f ({Ax}i ) f ({Ax}j ),
con una tness f que es montonamente creciente en los payos, se obtiene
(6.122) a partir de (6.117). Un poco sorprendentemente, se obtiene la misma
ecuacin si la probabilidad de transicin depende slo del xito del jugador
imitado: fij = f ({Ax}i ). Aun ms, tambin se obtiene la misma dinmica
si la probabilidad de transicin depende del fracaso del jugador imitador:
fij = f ({Ax}j ). Esto ltimo puede entenderse como una imitacin gober-
nada por la insatisfaccin, en la que los jugadores menos exitosos imitan con
ms frecuencia (pero lo hacen a ciegas, estn insatisfechos y eligen cualquier
estrategia distinta de la suya con igual probabilidad).
1. gi son C 1 .
2. xi gi (x) = 0 para todo x Sn .
C: cooperar
D: traicionar (defect).
6.7. DINMICA ADAPTATIVA 149
para evitar que se traicionen por turnos, ya que en general el juego se itera
y el payo de cada turno se va acumulando. (2R sera el payo obtenido en
dos turnos de cooperacin, mientras que T +S sera el payo acumulado en
dos turnos de traicionarse alternadamente.)
( ) ( ) ( ) ( )
3 0 x 3x 3x
A= , A = = , (6.128)
4 1 1x 4x + 1 x 3x + 1
= x + x2 , (6.131)
Por otro lado, es vulnerable a errores: dos TFT jugando, si una se equi-
voca y traiciona, el payo cae drsticamente. Obviamente conviene que un
jugador perdone ocasionalmente y reinicie la cooperacin. Este patrn debe
6.7. DINMICA ADAPTATIVA 151
donde:
TFT: (1, 1, 0)
Siempre D: (0, 0, 0)
que no son realmente estocsticas. Consideremos, mejor: 0 < y , p, q < 1.
Si tenemos una poblacin compuesta por jugadores que juegan la es-
trategia E = (y, p, q), qu chances de invadirla tiene una estrategia E =
(y , p , q )?
Debe cumplirse que el payo de la nueva estrategia sea superior
al establecido en la poblacin: A(E , E) > A(E, E). Queremos calcular estos
payos. Como las estrategias son estocsticas, cada encuentro tendr un pa-
yo de acuerdo a la matriz de payo del juego (6.125) y a las probabilidades
de que cada uno juegue C o D. Para hacer este clculo conviene denir una
cooperatividad de cada estrategia, como sigue.
Denimos el nivel de cooperatividad o nivel-C, cn : la probabilidad de jugar
C en el round n, para un jugador E = (y, p, q) que juega contra un jugador
E = (y , p , q ):
cn = pcn1 + q(1 cn1 ) q + rcn1 , (6.133)
Esta recurrencia nos muestra que existe un punto jo del nivel de coope-
ratividad, que obtenemos poniendo cn+2 = cn = c:
q + rq q + r q
c= y c = , (6.135)
1 rr 1 rr
152 6. Juegos evolutivos
c = q + rc . (6.136)
q = s(1 r)
= s s(p q)
= s sp + sq,
s(1 p) s
q = = (1 p), (6.138)
1s 1s
que son rectas que pasan por el (1, 0). Es decir, hay un plano de E 's con
el mismo s entre ellos, y entonces tambin uno contra el otro. (Este plano
es perpendicular al plano (p, q), es decir podemos considerar rectas de iso-s,
todas pasando por TFT.)
Ahora podemos usar el nivel de cooperatividad para calcular los payos.
Supongamos que la probabilidad de jugar un nuevo round es = 1 (bien
podra ser < 1, lo que da lugar a an ms anlisis posibles. . . ). El payo
que obtiene E jugando contra E en cada round (una vez alcanzado un estado
estacionario, cosa que ocurre) es:
A(E, E ) = Rcc
|{z} + Sc(1 c ) + T (1 c)c + P (1 c)(1 c ). (6.139)
| {z } | {z } | {z }
C vs C C vs D D vs C D vs D
5 Vericacin: ( )
q r(1 r)c rq q
c s = q + rc s = q + rc = = r c = r(c s).
1r 1r 1r
6.7. DINMICA ADAPTATIVA 153
obtenemos:
Los mutantes aparecen al azar, pero vamos a considerar que hay una
dinmica determinista que apunta en la direccin que aparenta ser ventajosa
desde el punto de vista del mutante. Se puede interpretar, por ejemplo, que
toda la poblacin adopta la estrategia del disidente al que le va bien.
A A
A(E , E) = A((p , q ), (p, q)) = A(E, E)+(p p) (E, E)+(q
q) (E, E).
p q
(6.144)
Entonces, denimos como dinmica las derivadas, de manera que buscamos
agrandar la diferencia en A:
A
p = (E , E) (6.145)
p
A
q = (E , E). (6.146)
q
q
p = F (p, q) (6.147)
(1 r)(1 r2 )
1p
q = F (p, q) (6.148)
(1 r)(1 r2 )
1+r
con F (p, q) = ( )q + r(1 + ) . (6.149)
1r
7.1. Introduccin
Sumario de una introduccin posta:
El uso prctico de estos modelos se basa en el hecho de que puedan man-
tenerse sucientemente realistas. Por supuesto, esto no signica incorporar
cada posible detalle, sin ms bien cada mecanismo signicativo.
Bernoulli en 1760, ecuacin diferencial ordinaria no lineal. Efecto de la
inoculacin de vacuna (cow-pox ) en la propagacin de la varicela.
El plan inicial es la discusin de modelos no extendidos en la Seccin
7.2, y de modelos extendidos en la Seccin X. Estos constituyen la teora
clsica de la propagacin de epidemias. En la Seccin Y introduciremos las
redes complejas, y veremos la propagacin en estos sistemas en la Seccin Z.
Epidemias en sistemas discretos y estocsticos, as como el rol de los tiempos
de recuperacin e inmunidad, se vern someramente en la Seccin W.
159
160 CAPTULO 7. PROPAGACIN DE ENFERMEDADES
Modelo SIR
Consideremos que la enfermedad, despus de la recuperacin, conere
inmunidad. Dividamos a la poblacin en tres clases:
dS
= rSI, (7.2)
dt
dI
= rSI aI, (7.3)
dt
dR
= aI. (7.4)
dt
7.2. MODELOS EPIDMICOS SENCILLOS 161
Y puesto que de (7.2) tenemos que dS/dt 0, entonces siempre vale que
S < S0 y que, si S0 < ,
dI
0 for all t 0. (7.7)
dt
dI I(rS a)
= = 1 + , (I = 0). (7.8)
dS rSI S
I + S ln S = constant = I0 + S0 ln S0 . (7.9)
dS S
=
dR
S = S0 exp[R/] S0 exp[N/] > 0
0 < S() N. (7.11)
De hecho, en la gura vemos que 0 < S() < . Y puesto que I() = 0,
tenemos que R() = N S(). Entonces, de (7.11):
[] [ ]
R() N S()
S() = S0 exp = S0 exp (7.12)
[ ( ) ]
dR S0 S0 R 2
= a N S0 + 1 R . (7.15)
dt 22
Esta ecuacin aproximada s puede integrarse, obteniendo:
[( ) ( )]
2 S0 at
R(t) = 1 + tanh (7.16)
S0 2
164 CAPTULO 7. PROPAGACIN DE ENFERMEDADES
donde
[( )2 ]1/2
S0 2S0 (N S0 )
= 1 + , (7.17)
2
y ( )
tanh1 S0
1
= . (7.18)
De sta, la tasa de remocin resulta ser:
( )
dR a2 2 at
= sech
2
, (7.19)
dt 2S0 2
que tiene slo tres parmetros, a2 2 /2S0 , a y .
Peste de Bombay, 1905-6
Esta epidemia dur casi un ao. Puesto qeu casi todos los infectados
murieron, podemos ajustar la tasa de remocin (7.19) con la tasa de morta-
lidad. La epidemia no fue severa (comparada con la poblacin de Bombay)
y la aproximacin funciona muy bien. Este caso fue el modelo SIR original,
desarrollado por Kermak and McKendrick en 1927.
Modelos ms complicados
Si la enfermedad no es de corta duracin, entonces es necesari hacer varios
cambios en el modelo SIR. Para empezar, habra que agregar trminos de
nacimiento y de muerte en la ecuacin de los susceptibles. Tambin habra que
agregar un trmino por muerte natural en las ecuaciones de los infectados y de
los recuperados. Estos modelos pueden mostrar comportamientos oscilatorios
llamados ondas epidmicas. Ondas epidmicas espaciales pueden aparecer se
una infeccin se extiende en un territorio, como analizaremos en la siguiente
Seccin.
Por otro lado, una enfermedad puede tener un tiempo de latencia o in-
cubacin, durante el cual el susceptibel ha sidoinfectado paro todava no es
infeccioso. El perodo de incubacin del sarampin, por ejemplo, es de 8 a 13
das. Para la infeccin de VIH, por otro lado, puede ser de meses o aos. Es-
tos tiempos pueden ser incluidos en el modelo como una demora, o mediante
una nueva clase, E(t), en la cual el susceptible permanece antes de pasar a
la de infectados. Estos modelos dan lugar a ecuaciones ntegro-diferenciales
que tienen comportamiento oscilatorio.
Finalmente, la edad puede jugar un papel importante en la susceptibili-
dad e infecciosidad. Los modelos con edad se vuelven modelos en derivadas
parciales, en los cuales el tiempo y la edad son variables independientes.
Hay muchas ms modicaciones que se pueden incorporar en los modelos
epidmicos, y que dependen crucialmente de la enfermedad de que se trate.
Un campo de gran importancia es el de las enfermedades de transmisin
sexual, que tienen caractersticas propias. En muchos casos el portador es
asintomtico hasta una etapa muy tarda del proceso infeccioso (como en
el VIH-SIDA o la Chlamydia trachomatis, que puede producir esterilidad en
las mujeres sin mostrar ningn otro sntoma). Tambin, las enfermedades de
166 CAPTULO 7. PROPAGACIN DE ENFERMEDADES
' $
- -
S I R
H
YH
Y
H
HH
H
HH
HH
- -
S I R
6
& %
donde las variables con estrellas son las mujeres, el contagio est representado
con echas dobles, y y los recuperados de cada clase vuelven a ser susceptibles
a alguna tasa. Es un modelo SIRS .
Pueden surgir complicaciones adicionales con la consideracin de an ms
grupos: susceptibles, sintomticos, infectados tratados, infectados no trata-
dos, etc.
En infecciones parasitarias gastrointestinales es necesario adems tener
en cuenta un mecanismo adicional, el de la complicada respuesta inmune
que suscitan. sta introduce una demora de la respuesta del husped, que
depende de la densidad del parsito, del tipo:
t
E(t) = P ( )d, (7.20)
tT
S
= rIS + D2 S, (7.21)
t
I
= rIS aI + D2 I, (7.22)
t
donde r, a y D son constantes positivas. Estas son las mismas ecuaciones
que las (7.2) y (7.3) del modelo SIR, con el agragado de la difusin. El
problema que ahora nos interesa es la propagacin espaciotemporal de la
enfermedad cuando se introduce un pequeo nmero de infectados en una
poblacin inicialmente uniforme de susceptibles.
En una dimensin, y reescaleando apropiadamente las variables para adi-
mensionalizar las ecuaciones, podemos reescribir el modelo en la forma:
S 2S
= IS + , (7.23)
t x2
I 2I
= IS I + 2 , (7.24)
t x
que tienen un solo parmetro = a/rS0 . Lae tasa de reproduccin de la
enfermedad es 1/.
168 CAPTULO 7. PROPAGACIN DE ENFERMEDADES
I + cI + I(S ) = 0, S + cS IS = 0, (7.26)
I + cI + (1 )I 0, (7.28)
[( ) ]
I(z) exp c c 4(1 ) z/2 .
2 (7.29)
c 2 1 , < 1. (7.30)
7.3. PROPAGACIN DE EPIDEMIAS 169
Si > 1 no hay solucin tipo onda, de modo que ste es el umbral para la pro-
pagacin de la onda epidmica. Regresando a las expresiones dimensionales,
signica que:
a
= < 1. (7.31)
rS0
La existencia del umbral (7.31) tiene consecuencias importantes. Podemos
ver que existe una densidad crtica mnima de susceptibles, Sc = a/r, para la
cual puede ocurrir una onda epidmica. Asimismo, para una dad poblacin
S0 y una dada tasa de mortalidad a, existe una coeciente de transmisin
crtico rc = a/S0 que, si no se excede, previene la epidemia. Hay tambin un
umbral en la mortalidad, ac = rS0 que, si se excede, previene la epidemia.
Podemos ver que cuanto ms rpidamente fatal es una enfermedad, menos
chances tienen de desencadenar una onda viajera en una poblacin.
Todas estas observaciones tienen consecuencias para los programas de
control de epidemias. La densidad de susceptibles se reduce mediante la va-
cunacin. La transmisin puede reducirse mediante el aislamiento, hospitali-
zacin, etc. para detener la epidemia.
La velocidad de las ondas en trminos dimensionales resulta:
( )1/2
a
V =2 rS0 D 1 . (7.32)
rS0
sta es la mnima velocidad, que resulta ser la observada debido a mecanis-
mos no lineales de seleccin dinmica del estado marginalmente estable. De
manera similar puede calcularse la onda de S(z).
La epidemia se propag por toda Europa a una velocidad de 200 a 400 mi-
llas por ao, habiendo cubierto todo el continente hacia 1350. La mortandad
era enorme, y un 80 % de los infectados fallecan en dos o tres das. Entre un
tercio y dos tercios de la poblacin muri, unos 25 millones de personas. El
25 % de los pueblos desapareci. En algunos lugares la mortandad fue mayor
que en otros: en Italia arras con ms del 50 % de la poblacin, en Inglaterra
con el 70 %, en Hamburgo con el 60 %. Tambin en China, donde la epide-
mia se haba desatado alrededor de 1330, parece que fue devastadora: dos
tercios de la poblacin, 5 millones en tan slo una provincia, Hubbei, donde
murieron el 90 %. La gura muestra el desarrollo espacio-temporal del frente
epidmico.
No es fcil estimar los parmetros del modelo difusivo para la Europa del
siglo XIV, pero podemos hacer unas cuentas aproximadas. Haba unos 85
millones de habitantes, lo que da una densidad de susceptibles S0 20/km .
2
D 104 2
km /ao. Para un coecinete de transmisin estimado de r 0,4, y
una tasa de mortalidad da 15/ao (basada en un perodo de infeccin de
2 semanas), tenemos 0,75. De la expresin para la velocidad del frente:
c 200 km/year. Las incertezas son enormes, pero estos valores parecen
corresponder razonablemente con los fenmenos que ocurrieron.
Small world
En cada idioma hay una expresin para referirse al hecho de que, a pesar
de que la poblacin humana es inmensa, en circunstancias inesperadas (en
las vacaciones, en la sala de espera del dentista, en el gimnasio. . . ) siempre
conocemos a alguien con quien tenemos un amigo en comn. En castellano
decimos El mundo es un pauelo. En ingls se dice It's a small world.
El origen de estas expresiones se debe a la observacin casual de que, en
la red de relaciones humanas, da la impresin de que todos estamos muy
mismo, a veces diremos por enlace, por mundo pequeo, y otras por el
estilo.
link small world
176 CAPTULO 7. PROPAGACIN DE ENFERMEDADES
3
cerca uno del otro. El psiclogo Stanley Milgram , en 1967, hizo el primer
intento de estudiar cuantitativamente este fenmeno. Prepar una cantidad
de cartas dirigidas a un conocido suyo en Boston, y las distribuy a otras
tantas personas elegidas al azar en Nebraska (tan lejos de Boston como pueda
imaginarse). Estas personas recibieron las instrucciones de entregar las cartas
en mano a algn amigo o conocido cercano, a quien imaginara que estaba
ms prximo que ellos mismos del destinatario nal (de quien, por lo dems,
slo conocan el nombre y direccin). Las cartas deban as pasar de mano en
mano, en la esperanza de que lentamente llegaran a su destinatario. Cada
eslabn de la cadena ira agregando una marquita para medir la longitud del
recorrido. Result que muchas de esas cartas llegaron a destino y que, en
promedio, lo haban hecho en seis pasos: una cadena de seis eslabones para
conectar un montn de gente al azar en Nebraska con el amigo de Milgram en
Boston. La situacin empez a llamarse seis grados de separacin, y alcanz
notoriedad inclusive en la cultura popular, primero a travs de una obra de
teatro, luego de una pelcula (con Donald Sutherland y un jovencsimo Will
Smith) y ms tarde en varios juegos frvolos en los que se calculan los grados
de separacin entre personajes famosos, tales como Kevin Bacon o Monica
4
Lewinsky.
3 Se trata del mismo Milgram que llev a cabo un clebre experimento sobre la obedien-
cia 4en 1961. Bsquelo en la Web, es fascinante.
El ms famoso fue el Orculo de Bacon en Virginia. Kevin Bacon es un actor bien
conocido por haber actuado en muchas pelculas, en general como actor secundario. En
una entrevista en 1994 mencion que haba actuado con todo el mundo en Hollywood,
o a lo sumo con alguien que haba trabajado con alguno de los pocos que no haban
trabajado con l. Un grupo de estudiantes mirando la tele, al notar que despus de
daban , se preguntaron si sera verdad, y si Bacon no sera, a pesar de
Footloose
su falta de estrellato, una especie de centro alrededor del cual giraba todo el universo de
The air up there
Hollywood. Usando la Internet Movie Data Base, de reciente creacin, fue posible analizar
esto cuantitativamente, deniendo el nmero Bacon: Kevin Bacon tiene nmero Bacon 0,
un actor que colabor con Kevin Bacon tiene nmero Bacon 1, y as sucesivamente. As se
puede calcular, por ejemplo, que Rober de Niro tiene nmero Bacon 1 (ya que trabaj con
K. B. en ), mientras que Elvis Presley tiene nmero Bacon 2 (habiendo estado con
John Wheeler en , en 1968, quien trabaj con K. B. en Apollo 13).
Sleepers
Eva Pern tiene nmero Bacon 4; Carlos Gardel, nmero Bacon 3, igual que Andrea del
Live a little, love a little
Boca. El mximo nmero Bacon es 8 (quin es (o son)?), y el valor medio es 2,95 (datos
obtenidos hace unos aos, basados en una red de 600 mil actores). Lo ms interesante
es que todas estas propiedades no maniestan una posicin privilegiada de Kevin Bacon
en Hollywood, sino que ocurren alrededor de todos los miembros en una red social. Para
cualquier otro actor X se puede denir el nmero X, por supuesto. Resulta que el actor
conectado tiene mximo nmero propio de apenas 14, con un promedio de 9. El
nmero Connery promedio es 2,8, as que Sean Connery est mejor ubicado en Hollywood
peor
que Bacon. Mejor conectados an estn Dennis Hopper (2,74 de promedio), seguido por
Harvey Keitel y Donald Sutherland. Este ltimo es protagonista de la pelcula Six degrees
7.4. REDES COMPLEJAS 177
Clusterizacin
5
Una caracterstica propia de las redes sociales , por oposicin a las redes
ER, es que el crculo de conocidos de una persona tiende a superponerse con
el crculo de los conocidos de sus conocidos. Los amigos de mis amigos tien-
den a ser tambin mis amigos. Mirando los enlaces, las relaciones de amistad
suelen formar muchos tringulos en la red. Esto produce un alto (y varia-
ble) grado de clusterizacin, o formacin de grupos (cliques en ingls). Este
aspecto del fenmeno, denitivamente ausente en las redes random tipo ER,
fue reconocido por primera vez por Watts y Strogatz, quienes lo incorpora-
ron en su modelo de redes small world, publicado en un artculo en Nature
en 1998 [44], y que desat un frenes de actividad que acab atrayendo la
atencin de la comunidad de fsicos.
Se puede estudiar esto cuantitativamente deniendo un coeciente de
clusterizacin C como la fraccin media de pares de vecinos que son tambin
vecinos entre s. Es decir, supongamos que el nodo i tiene ki enlaces que lo
Twitter. Hay que tener presente, sin embargo, que el signicado de es anterior
y mucho ms amplio. La humana misma es una red social. Tambin la red de
red social
2Ei
Ci = . (7.33)
ki (ki 1)
Distribucin de grados
En una red del mundo real no todos los nodos tienen el mismo nmero
de enlaces (llamado grado o conectividad del nodo). Es razonable entonces
estudiar la distribucin de grados P (k), que caracteriza la manera y magnitud
de esta diversidad. Esta distribucin da la probabilidad de que un nodo tenga
exactamente k enlaces. Puesto que una red ER se construye precisamente
asignando links al azar, la mayor parte de los nodos tienen un grado cercano
al promedio k, y P (k) es una distribucin de Poisson con mximo en este
valor. Se ha visto que algunas redes verdaderas tienen colas exponenciales
en la regin de k grande, si bien son signicativamente diferentes de una
distribucin de Poisson. Otras, en cambio, tiene colas tipo ley de potencia:
P (k) k y se las llama redes libres de escala
.
vlido para k < 2N/3, y que tiende a 3/4 en el lmite de k grande. Estas
estructuras no presetan el fenmeno small world, obviamente. De hecho, la
distancia de nodo a nodo crece linealmente con N.
Luego se agrega cierto grado de aleatoriedad en esta estructura bsica
de baja dimensin. Esto se logra mediante un recableado, o reconexin, de
algunos enlaces. Uno a uno se recorren los nodos y, para cada uno de sus links
que apuntan (digamos) a la derecha, con probabilidad p se lo reconecta al
azar con cualquier otro nodo de la red. Para p pequeo el nuevo grafo es casi
regular, con unos pocos links de largo alcance en el sistema. En la gura 7.6
se muestra esquemticamente el procedimiento, para un sistema con k = 4.
Esos pocos cortocircuitos en el anillo son cruciales. En estos sistemas
con p pequeo, resulta que la distancia media entre nodos es esencialmente
la misma que en un grafo random del mismo tamao y conectividad. Sin
embargo, su coeciente de clusterizacin (esencialmente 3/4 para p chico) es
muchos rdenes de magnitud mayor que en los grafos random. Por ejemplo,
para N = 1000 y k = 10, la distancia media es L = 3,2 en un grafo random.
En una red small world con p = 1/4 es L = 3,6, comparada con L = 50 de
la red regular.
1
= . (7.37)
pk
La divergencia de cuando p 0 es reminiscente de un punto crtico: hay una
especie de transicin de fase a p = 0 entre un comportamiento L N y uno
con L ln N . En otras palabras, para un sistema innitamente grande, una
cantidad innitesimalmente pequea de desorden induce el comportamiento
small world.
Finalmente se demostr, tras cierta controversia, que la longitud caracte-
rstica de los caminos entre nodos obedece el scaling (en dimensin d):
N
L(N, p) F (pkN d ), (7.38)
k
donde {
1 if x 1,
F (x) = (7.39)
ln x/x if x 1.
Adems de tener una longitud de caminos corta, las redes small world pre-
sentan una clusterizacin relativametne alta para un rango amplio de valores
de p. La clusterizacin en este modelo depende slo de k , y no de N . El valor
de C(p) permanece cercano a C(0) hasta un valor relativamente grande de p.
Una situacin tpica es la que se ve en la gura 7.7, donde se muestran jun-
tas la distancia media entre nodos y la culsterizacin. El rgimen intermedio,
donde la clusterizacin es grande como en una red regular y la longitud
media de caminos es corta como en una red random corresponde a los
mundos pequeos.
7.4. REDES COMPLEJAS 181
ki
(ki ) = . (7.40)
j kj
ki ki
= m(ki ) = m N 1 , (7.41)
t j=1 kj
ki ki
= . (7.42)
t 2t
Con la condicin inicial de que el nodo i tena ki (ti ) = m cuando fue agregado,
puede resolverse la ecuacin diferencial:
( )1/2
t
ki (t) = m . (7.43)
ti
Ahora, antes de proseguir con la probabilidad de tener exactamente k enlaces,
calculemos la probabilidad de que un nodo tenga grado ki (t) menor que k .
Esto se puede escribir as:
( )
m2 t
P (ki (t) < k) = P ti > 2 . (7.44)
k
Suponiendo que agregamos nodos a intervalos regulares, los ti tienen distri-
bucin de probabilidad uniforme
1 1
P (ti ) = = . (7.45)
N t + m0
Usando esto en la expresin anterior tenemos:
( ) ( )
m2 t m2 t m2 t
P ti > 2 = 1 P ti 2 = 1 2 . (7.46)
k k k (t + m0 )
Y la distribucin de grado puede nalmente obtenerse usando :
des. Campos de aplicacin posibles son los juegos, los autmatas celulares, la
sincronizacin de osciladores, la percolacin, las caminatas al azar, la toleran-
cia al error, etc. Adems, las redes pueden ser mucho ms complejas que las
que acabamos de ver: puede ser dirigidas (con links asimtricos), bipartitas
(hombres y mujeres. . . ) , heterogneas (con links pesados), cambiantes. . . De
entre todos los aspectos fascinantes que sucita el concepto de redes comple-
jas, discutiremos aqu solamente el fenmeno de la propagacin de un agente
infeccioso. En particular, nos interesan las siguientes preguntas: De qu ma-
nera depende la dinmica de la epidemia de la estructura de la poblacin?
Hay consecuencias aplicables a las estrategias de control de una epidemia
que dependen de las caractersticas topolgicas de la red?
S I R S, (7.51)
n inf (t)
tiene oscilaciones. La transicin entre ambos estados se observa (en este sis-
tema relativamente chico) a un valor intermedio del parmetro de desorden,
p = 0,2, exhibido en el panel central. Aqu se aprecian algunas oscilaciones
peridicas de pequea amplitud, ruidosas, apareciendo y desapareciendo en
un mar de uctuaciones fuertes. Por otro lado, se observa que el valor medio
del nmero de infectados crece con p.
Esta formacin de oscilaciones persistentes responde a la sincronizacin
espontnea de una fraccin signicativa de los elementos del sistema. Pode-
mos describir el ciclo de enfermedad de cada nodo i con una variable de fase
i (t) = 0, 1, . . . , I + R = 0 . En la situacin oscilatoria las fases se sincro-
nizan, y recorren el proceso infeccioso todas juntas, enfermndose al mismo
tiempo, recuperndose al mismo tiempo. Esto se puede caracterizar mediante
un parmetro de sincronizacin:
1 N
(t) = ei j (t) , (7.52)
N
j=1
0.4
0.3
I
0.2
0.1
1.0
random immunization
= 0.0
0.8
= 0.1
= 0.2
0.6 = 0.3
= 0.4
r
0.4
0.2
0.0
0.01 0.1 1
p
cin, por encima del cual resulta afectada una fraccin nita de la poblacin.
Esta gura corresponde a la inmunizacin aleatoria, y se obtiene un com-
portamiento similar para la inmunizacin sesgada, si bien cualitativamente
diferente, como veremos de inmediato.
1.0
random immunization
0.8
targeted immunization
0.6
r (p =1)
0.4
0.2
0.0
0.0 0.1 0.2 0.3 0.4 0.5
Figura 7.12: Fraccin r correspondiente a la aleatoriedad mxima, p = 1,
como funcin del nivel de inmunizacin , para las estrategias aleatoria y
sesgada.
k (t)
= k + k[1 k (t)](). (7.53)
t
Aqu, el trmino de ganancia considera la probabilidad de que un nodo con
k links sea saludable ([1 k (t)]) y se infecte por contagio. La probabilidad
de este contagio es proporcional a la tasa de contagio , al nmero de links
k, y a la probabilidad de que alguno de estos apunte a un nodo infectado,
(por ahora desconocida). El trmino de prdida, por su parte, es simplemente
proporcional a la densidad de nodos infectados (y con = 1). El valor esta-
2
10
3
10
4
10
7 12 17 22
1/
k()
k = . (7.54)
1 + k()
kP (k)k
() = . (7.55)
k s sP (s)
= P (k)k (7.56)
k
194 CAPTULO 7. PROPAGACIN DE ENFERMEDADES
2 e1/m (7.57)
195
196 CAPTULO 8. ESTRUCTURAS ESPACIALES
A
= F (A, B) + DA 2 A, (8.2)
t
B
= G(A, B) + DB 2 B. (8.3)
t
activacin local
k autocatlisis
1
Dif(A)
activador
k
2
A
k k
3 4
k Dif(B)
inhibidor
5
B
inhibicin lateral
reciben ms luz en la
- + -
regin de inhibicin,
resultando en mayor
- oscuridad.
ilusin ptica
X
A
BY
2X + Y
3X
u
= a u + u2 v + DX 2 u, (8.4)
t
v
= b u2 v + DY 2 v, (8.5)
t
198 CAPTULO 8. ESTRUCTURAS ESPACIALES
u
= (a u + u2 v) + 2 u, (8.6)
t
v
= (b u2 v) + d2 v, (8.7)
t
donde hemos denido d = DY /DX , que mide la relacin de la difusividad
2
de Y respecto de la de X , y = L /DX , que es, por un lado, proporcional
al tamao del sistema, y por otro mide la intensidad relativa del trmino
de reaccin respecto de la difusin (porque aparece en los dos trminos de
reaccin). Depende, adems, inversamente en la difusividad de X.
Es decir, en general, el sistema es de la forma:
u
= f (u, v) + 2 u, (8.8)
t
v
= g(u, v) + d2 v, (8.9)
t
El equilibrio homogneo de este sistema se encuentra fcilmente:
f = a u + u2 v = 0, (8.10)
g = b u2 v = 0, (8.11)
u2 v = b a u + b = 0 u = a + b (8.12)
2(a + b)b 2b
gu = 2uv = 2
= (8.15)
(a + b) a+b
8.1. BIFURCACIN DE TURING 199
ba 2b
detJ = fu gv fv gu = (a + b)2 + (a + b)2
a+b a+b
= 2b(a + b) (b a)(a + b) = (a + b)(2b b + a)
= (a + b)2 > 0 espiral o nodo, pero no ensilladura. (8.17)
ba b a (a + b)3
fu + g v = (a + b)2 = < 0. (8.18)
a+b a+b
Y juntando esto con b>a que obtuvimos antes, tenemos:
w(x, t)
= Jw + D2 w (8.20)
t
donde w es un vectorcito de dos componentes (u y v ), J el Jacobiano y D la
matriz reducida de difusin, proponemos:
w(x, t) = ck et Wk (x), (8.21)
k
200 CAPTULO 8. ESTRUCTURAS ESPACIALES
(I J + Dk 2 )Wk = 0, (8.23)
det (I J + Dk 2 ) = 0 (8.24)
(8.26)
Como dk 4 > 0 y det J > 0 (del anlisis lineal), necesitamos que dfu + gv > 0.
Entonces:
ba
dfu + gv > 0 d (a + b)2 > 0 d(b a) > (a + b)3 . (8.28)
a+b
Pero adems el trmino enk 2 (de (8.27)) debe ser lo sucientemente negativo
2
para que h < 0. Como h(k ) es una parbola cncava, podemos imponer que
su mnimo sea negativo, obteniendo:
( nx )
Wn (x) = An cos , n = 1, 2, . . . (8.33)
l
n
con autovalores k= l
. (Recurdese que W tiene dos componentes, de modo
que A tambin.) Vemos entonces que el k ms pequeo es el que corresponde
a n = 1. Por la forma que tiene (8.31), entonces, si es sucientemente
pequeo no hay ningn k disponible
en el rango, y ningn modo es inestable.
Todos los modos en w =k tienden a cero exponencialmente y el estado
homogneo es estable. Esto muestra la importancia de la cuanticada escala
por .
La solucin espacialmente heterognea que surge de esta inestabilidad es:
n2 ( )
n2 2 nx
t
w(x, t) = cn e l2 cos , (8.34)
n1
l
202 CAPTULO 8. ESTRUCTURAS ESPACIALES
u
= f (u, v) + 2 u, (8.35)
t
v
= g(u, v) + d2 v, (8.36)
t
}
f (u, v) = 0
(u0 , v0 ). (8.37)
g(u, v) = 0
Queremos que este estado sea estable, para que la inestabilidad que en-
contremos sea puramente debida a la difusin. Planteamos una perturbacin
homognea:
( )
u u0
w
= (8.38)
v v0
de modo que su evolucin en la proximidad del equilibrio homogneo es:
( )
dw
f /u f /v
= Aw,
con A= . (8.39)
dt g/u g/v (u0 ,v0 )
det(A I) = 0 (8.40)
1 [ ]
= trA (tr A)2 4detA . (8.43)
2
La estabilidad lineal de (u0 , v0 ), Re < 0, ocurre si:
{
trA = fu + gv < 0
(8.44)
detA = fu gv fv gu > 0
2 W =0
+ k2W (8.46)
(n)
W =0 r dominio (8.47)
8.2. BIFURCACIN DE TURING: TRATAMIENTO GENERAL 205
Por ejemplo, en una dimensin con ujo cero en los extremos de [0, a]:
( n )
W cos x (8.48)
a
con el autovalor k = n/a = nmero de onda.
Las soluciones dependientes del tiempo son superposiciones de las solu-
ciones espaciales permitidas (que son discretas si el dominio es nito):
w(
r, t) = k (r),
ck et W (8.49)
k
k = AW
W k + D2 W (8.50)
k Dk 2 W
= AW . (8.51)
det(I A + Dk 2 ) = 0 (8.52)
2
entonces, la nica manera en que Re(k ) > 0 es que h(k 2 ) < 0 para
algn k:
h(k 2 ) = dk 4 (dfu + gv )k 2 + 2 detA < 0 (8.55)
y como la estabilidad del estado homogneo requiere que detA > 0, el coe-
2
ciente de k tiene que ser negativo, es decir:
2 dfu gv
km = . (8.59)
2d
As que la condicin h(k 2 ) < 0 es:
(dfu + gv )2
?detA. (8.60)
4d
La condicin marginal, con hmin = 0, puede analizarse en funcin del
coeciente de difusin (para un coeciente de reaccin jo):
Dentro del rango inestable, se puede ver que (k 2 ) tiene un mximo, que
corresponde a un modo de crecimiento mximo en w(
r, t):
k2
2
r, t)
w( k (r)
ck e(k )t W (8.63)
k1
u 2u
= f (u) + D 2 , (8.64)
t x
con condiciones de borde nulas (en lugar de ujo nulo):
u(0, t) = 0 (8.65)
u(L, t) = 0 (8.66)
Proponemos soluciones:
( nx )
u(x, t) = an et sin (8.70)
n
L
( n )2
un = f (0)un D un , (8.71)
L
( n )2
= f (0) D . (8.72)
L
El modo dominante es el de ms grande n ms chico n=1 ya
que
e n t < e 1 t n 2. (8.73)
8.3. INESTABILIDAD INDUCIDA POR EL TAMAO 209
( )2
1 D
f (0) D < 0 L < Lc = . (8.74)
L f (0)
u 2u
= 0 = f (u) + D 2 , (8.75)
t x
Du + f (u) = 0 (anlogo mecnico que puede resultar til). (8.76)
D 2 u + L2 f (u) 0, (8.77)
D 2
u f (u), (8.78)
L2
que vincula el tamao del sistema con f (u). As que un valor aproximado de
L0 (y de Lc tambin) se obtiene grcamente buscando la interseccin de la
funcin no lineal f y una funcin lineal de u cuya pendiente depende de L:
u
= f (u, v) + 2 u, (8.79)
t
v
= g(u, v) + d2 v, (8.80)
t
f (u, v)= a u h(u, v), (8.81)
2 )t m
cn,m e(k cos(n) cos( z), (8.84)
n,m
s
con
n 2 m2 2
k2 = + 2 (8.85)
r2 s
donde s es la longitud y r el radio.
n 2 m2 2
k12 < k 2 = 2
+ 2 < k22 . (8.86)
r s
Si r es muy chico, todos los modos azimutales con n = 1, 2, . . . caen fuera
del rango, y slo los patrones con n=0 y m = 0 aparecen:
212 CAPTULO 8. ESTRUCTURAS ESPACIALES
lineal
ecuaciones de amplitud
T< T
T c
1
fluido
T >T
2 1
T> T
T c
1
T >T
2 1
t u(x, y, z, t) = F (u, x u, . . . , R)
tiene soluciones linealizadas tipo modos de Fourier:
> 0
kc
< 0
k
Figura 8.3: Relacin de dispersin curtica, correspondiente a la aproxima-
cin de Swift-Hohenberg del problema de Rayleigh-Bnard.
(Es decir 0 + (k k c ) k
2
.) De manera que los modos
en una bandita de ancho alrededor de kc son los que crecen. Si en la
solucin de la ecuacin completa tenemos un modo de nmero de onda k (de
todos los que van a estar presentes en A(x, t)) podemos ver que cada modo:
y entonces, como k kc 1, el comportamiento es eikx lento
crtico. Vemos que la escala espacial en la cual cambia la fase es (k
kc )1 1/2 1, que es entonces la escala esperada para las modulaciones
espaciales.
Adems: , as que la escala temporal de la modulacin es 1 .
Por otro lado, en el estacionario tenemos
t u = 0 = ( L2 u2 )u u2 = L2 u 1/2 (8.93)
ya que L2 0 cerca de kc 1.
para En otras palabras, la bifurcacin es
una pitchfork supercrtica, u .
Con estas observaciones, podemos plantear la forma que esperamos que
tengan las soluciones del sistema completo, separando las dos escalas:
con X = 1/2 x y T = t, de modo que t = T yx = x + X , donde
podemos interpretar que en esta ltima expresin la x de la derecha acta
exclusivamente sobre la escala espacial chica y X sobre la grande (mientras
1
que la x de la izquierda acta sobre todas las escalas) . A(X, T ) es la ampli-
tud para la cual queremos la ecuacin. Proponemos una solucin perturbativa
en potencias de :
u(x, t) = 1/2 A0 (X, T )(x) + B0 (X, T )(x) + 3/2 C0 (X, T )(x), (8.94)
t u T u 3/2 T A0 . (8.95)
1 Porque
. OK?
x [f(X(x))g(x)] = g(x)x f (X(x)) + f (X(x))
x g(x) = g(x)x X(x)X f (X) +
f (X)x g(x) = X f (X)g(x) + x f (X)g(x) = (x + X )[f (X)g(x)]
8.5. ECUACIONES DE AMPLITUD 219
Miembro de la derecha:
}
u 3/2 A0 ,
fciles! (8.96)
u3 3/2 (A0 )3 ,
[ ]2
(x2 + kc2 )2 u = (x + 1/2 X )2 + kc2 u. (8.97)
L2 + 41/2 Lx X + 4x2 X
2 2
+ 2LX (8.100)
[ ]2 u = 1/2 A0 L2
[ ]
+ 4X A0 Lx + B0 L2 (8.101)
[ 2 ]
+ 3/2 4X A0 x2 + 2X
2
A0 L + 4X B0 Lx + C0 L2 .
Pero L = 0, luego
otra onda plana, donde tambin B0 aparece por ahora como indeterminada.
Seguimos con el primer orden no trivial:
220 CAPTULO 8. ESTRUCTURAS ESPACIALES
o(3/2 ):
T A0 = A0 (A0 )3 4X
2
A0 x2
2X
2
A0 L 4X B0 Lx C0 L2 , (8.105)
|{z} | {z }
=0 =0
donde un par de trminos se anulan por la accin del operador lineal sobre
la parte lineal de la solucin. Adems, por (8.102) x = kc el 3er
2 2
T A0 = A0 3|A0 |2 A0 + 4kc2 X2
A0 (8.107)
3ikc x 3
0 = e A0 e
3ikc x 3
A0 C0 L2 . (8.108)
T A0 = A0 3|A0 |2 A0 + 4kc2 X
2
A0 , (8.109)
t A = A |A|2 A + x2 A. (8.111)
transiciones de fase alejadas del equilibrio por Alan Newell a nes de los
setentas. Ntese que la amplitud A es compleja. La ecuacin se llama real
porque sus coecientes son reales, y para diferenciarla de la ecuacin que se
obtiene cuando la inestabilidad lineal es dependiente del tiempo (tipo ondas
viajeras en lugar de un pattern estacionario), en cuyo caso los coecientes
son complejos:
soluciones
phase winding
estables
soluciones
inestables
ondas
ondas
demasiado
demasiado
largas
cortas
q=0
Figura 8.4: Estabilidad de las soluciones de fase enroscada, mostrando la
inestabilidad de Eckhaus (gris).
Figura 8.5: Ilustracin del proceso por el cual las soluciones de fase enroscada
con |k| muy grande se inestabilizan. En (a) se muestra la envolvente compleja
como funcin del espacio para 3 tiempos (el plano perpendicular al eje x es
un plano complejo); en (b) se muestra el mdulo |A|. A tiempo t2 ocurre un
phase slip localizado en un punto del espacio.
224 CAPTULO 8. ESTRUCTURAS ESPACIALES
Captulo 9
Osciladores biolgicos
225
226 CAPTULO 9. OSCILADORES BIOLGICOS
9.1. Bifurcaciones
Las bifurcaciones son fenmenos crticos en sistemas dinmicos, en los que
se crean, destruyen, o cambian de estabilidad los puntos jos, al cambiar un
parmetro llamado parmetro de control. En dos o ms dimensiones, adems,
pueden observarse fenmenos similares en rbitas cclicas (en lugar de puntos
jos). Es decir, con un parmetro se puede, por ejemplo, encender y apagar
las oscilaciones de un sistema. Repasaremos brevemente las tres bifurcaciones
tpicas de los sistemas unidimensionales, analizando luego las que involucran
ciclos, que son de particular inters para el resto del curso.
Saddle-node
Es el prototipo de creacin-destruccin de puntos jos. La forma cannica
de esta bifurcacin en dos dimensiones es el sistema:
x = x2 , (9.1a)
y = y. (9.1b)
"fantasma"
>0 =0 <0
x = f (x, y) (9.3a)
f=0
g=0
228 CAPTULO 9. OSCILADORES BIOLGICOS
x = x x2 (9.4a)
y = y (9.4b)
Pitchfork supercrtica:
x = x x3 (9.5a)
y = y (9.5b)
Pitchfork subcrtica:
x = x + x3 (9.6a)
y = y (9.6b)
"slow" (algebraico)
en direccin x
<0 =0 >0
chocar con otro punto jo. Esto est asociado con que, en dos dimensio-
nes, los autovalores del jacobiano tienen dos alternativas si un punto jo es
estable:
Im Im
1 2 Re Re
Dos reales (distintos) negativos Dos complejos conjugados con parte real negativa
Para desestabilizar el punto jo necesitamos que al menos uno de los au-
tovalores cruce el eje imaginario, pasando al semiplano de parte real positiva,
al variar el parmetro de control. Si se trata de un autovalor real (como en
la gura de la izquierda), pasa necesariamente por = 0, y tenemos una
bifurcacin saddle-node, o transcrtica, o pitchfork.
< c
> c
230 CAPTULO 9. OSCILADORES BIOLGICOS
r = r r3 (9.7a)
= + br2 (9.7b)
<0 >0
Hopf subcrtica
La variedad subcrtica de las bifuraciones de Hopf es ms dramtica que
la supercrtica (y a veces ms peligrosa) ya que es de primer orden: al deses-
tabilizarse el punto jo, las trayectorias saltan a un atractor lejano:
r = r + r3 r5 (9.10a)
= + br2 . (9.10b)
<0 >0
r = r + r3 r5 (9.11a)
= + br2 (9.11b)
x = r cos , y = r sin
9.2. OSCILADORES Y SWITCHES BIOLGICOS 233
r r
x = r cos r sin = x y (9.12)
r r
r
y = r sin + r cos = y + x (9.13)
r
Otras bifurcaciones globales son: la bifurcacin de perodo innito (un
ciclo con una parte que se hace lenta y nalmente se parte en dos puntos
jos: r = r(1 r ), = sin , > 0), y la bifurcacin homoclnica
2
1 1
Amplitud Perodo
Hopf supercrtica O( ) O(1)
Saddle-node de ciclos O(1) O(1)
Perodo innito O(1) O(1/2 )
Homoclnica O(1) O(ln )
1
del ciclo estable
(M) (E)
DNA mRNA Enzima Substrato
represin
Producto
(P)
9.2. OSCILADORES Y SWITCHES BIOLGICOS 235
dM V
= aM (9.14a)
dt K + Pm
dE
= bM cE (9.14b)
dt
dP
= dE eP (9.14c)
dt
Los trminos negativos corresponden a la degradacin natural de las subs-
tancias por motivos metablicos, mientras que los positivos corresponden a
su produccin. El DNA se supone una fuente externa, de manera que no
modelamos su dinmica. Obsrvese que el nico trmino no lineal es el de
produccin de mRNA, sobre el que acta la represin ejercida por el produc-
to. La forma de este trmino es puramente emprica:
m = 2
produccin de RNA reprimida
m= 3
m = 8
dP eP
= dE , (9.15)
dt k+P
236 CAPTULO 9. OSCILADORES BIOLGICOS
es decir una degradacin del producto que se satura por presencia del mismo.
Este modelo modicado tiene oscilaciones para m = 2.
En todo caso, la idea de reacciones encadenadas es til, y se han estudiado
modelos ms generales. Por ejemplo:
du1
= f (un ) k1 u1 (9.16a)
dt
du2
= u1 k2 u2 (9.16b)
dt
(9.16c)
dui
= ui1 ki ui , i = 2, 3, . . . n (9.16d)
dt
con ki > 0, f (u) > 0.
f (u) creciente retroalimentacin positiva (como en el genetic switch).
f (u) decreciente retroalimentacin negativa (inhibicin).
Los equilibrios de este sistema son:
un1 = kn un (9.17b)
(9.17c)
u1 = k2 k3 . . . kn un (9.17d)
negative positive
f'(u) < 0 f'(u) > 0
u2 u2
f(u2) - k1 u1 = 0 u1 = k2 u2
u1 - k2 2 = 0 f(u2) = k1 k2 u2
du1
= f (u2 ) k1 u1 (9.18a)
dt
du2
= u1 k2 u2 (9.18b)
dt
(con f (u2 ) > 0, f (u2 ) < 0).
u2
n^
U2
n^ n^
A
n^ U1 u1
du du1
u1 = 0 : n = = f (u2 ) <0 u2 (9.19a)
dt dt
du du2
u2 = 0 : n = = u1 <0 u1 > 0 (9.19b)
dt dt
du
u1 = U1 : n =f (u2 ) k1 U1 <0 (9.19c)
dt
du
u2 = U2 : n =u1 k2 U2 <0 (9.19d)
dt
con U1 y U2
a determinarse. Entonces hacemos:
Ec. (9.19c) U1 > , u2 [0, U2 ] U1 >
f (u2 ) f (0)
(f es decreciente).
k1 k1
Ec. (9.19d) U2 > , u1 [0, U1 ] U2 >
u1 U1
.
k2 k2
(Es decir, dadas f y k1 , doy U1 . Dada U1 y k2 , doy U2 .)
EJERCICIO: El equilibrio determinado por las condiciones u 1 = k2 u 2 y
f (u2 ) = k1 k2 u2 pertenece a A.
EJERCICIO: Los autovalores alrededor de este equilibrio son ambos ne-
gativos, por lo tanto el equilibrio es siempre estable y no hay ciclos.
238 CAPTULO 9. OSCILADORES BIOLGICOS
f (0) U1 U1
U1 > ; U2 > ; . . . Un > (9.20)
k1 k2 k1 k2 . . . kn
du1 1
= k1 u1 (9.21a)
dt 1 + um
3
du2
= u1 k2 u2 (9.21b)
dt
du3
= u2 k3 u3 . (9.21c)
dt
a) Vericar que para m=1 no hay ciclos. b) Vericar que para m>8 los
ciclos son posibles. (a) puede hacerse analticamente, usando las condiciones
de Routh-Hurwitz para la Re.
k1
X A (9.22a)
k1
k
B 2 Y (9.22b)
k
2X + Y 3 3X (9.22c)
9.2. OSCILADORES Y SWITCHES BIOLGICOS 239
du
= a u + u2 v f (u, v) (9.23a)
dt
dv
= b u2 v g(u, v) (9.23b)
dt
donde u = [X], v = [Y ], a, b > 0.
Las nulclinas son de la forma:
g>0 g<0
f>0
f<0
Mtodo directo
Equilibrio:
en f = 0 : a u0 + b = 0 u0 = a + b (9.25)
b b
v0 = 2
v0 = (9.26)
u0 (a + b)2
240 CAPTULO 9. OSCILADORES BIOLGICOS
Estabilidad:
( ) ( ) ( )
fu fv 1 + 2u0 v0 u20 1 + a+b
2b
(a + b)2
A= = = (9.27)
gu gv 2u0 v0 u20 a+b
2b
(a + b)2
2b 2b a b ba
trA = fu +gv = 1(a+b)2 = (a+b)2 = (a + b)2
a+b a+b a+b
(9.28)
ba 2b
detA = fu gv fv gu = (a+b)2 + (a+b)2 = (a+b)(2bb+a) = (a+b)2 > 0 siempre.
a+b a+b
(9.29)
Nodo o espiral inestable trA > 0 frontera trA =0
ba
(a + b)2 = 0 b a = (a + b)3 . (9.30)
a+b
Como se ve, hay que resolver una cbica, lo cual es posible pero tedioso.
Veamos el mtodo paramtrico.
Mtodo paramtrico
Consideremos a u0 como un parmetro. Es decir, en lugar de calcular u0 y
v0 como funciones de los parmetros, trato de mantener u0 del lado derecho,
y busco v0 (u0 ), determinando a y b como funciones de u0 . De (9.25):
b = u0 a (9.31)
Y de (9.24b):
b = v0 u20 (9.32)
Por lo tanto:
u0 a
v0 = (9.33)
u20
Entonces:
( ) ( )
1 + 2u0 v0 u20 1 u2a0 u20
A= = por (9.33) (9.34)
2u0 v0 u20 2 + u2a0 u20
2a (1 u20 )u0
tr A = 1 u0 > 0 a <
2
(9.36)
u0 2
Ahora, de (9.31):
Es decir:
u0 (u20 + 1)
b> (9.38)
2
a
3
b - a = (b+a)
-1/2
3
oscilaciones
1 b
con a, b > 0. Dibujar las nulclinas, los signos de f y g , los signos de la matriz
de estabilidad. Existe un conjunto connado? Muestre que la regin donde
hay oscilaciones est acotada por la curva b = 2/(1 a) 1.
242 CAPTULO 9. OSCILADORES BIOLGICOS
u2
Modicacin: Reemplazar u2 /v por
v(1ku2 )
(inhibicin por u) (k > 0).
Dibuje las nulclinas. Muestre que la regin de oscilaciones est denida por:
2
b= 1 (9.40a)
u0 (1 + ku2 )2
2 1
a= u0 (9.40b)
2
(1 + ku ) 2 1 + ku20
x = x + ay + x2 y (9.41a)
y = b ay x2 y (9.41b)
por cerio, el cual tiene dos estados de oxidacin: Ce3+ y Ce4+ . Se observan
oscilaciones peridicas sostenidas en la concentracin de cerio. Usando otros
iones metlicos como tintura se observan dramticos cambios de color en la
solucin.
(Pelcula)
X: HBrO2 (9.42a)
Y : Br (9.42b)
Z: Ce4+ (9.42c)
A: BrO3 (9.42d)
P : HOBr (9.42e)
k
}
A+Y
1
X +P
proceso I (9.43a)
k2
X +Y
2P
k3
A+X 2X + 2Z
k4
2X
A+P proceso II (9.43b)
k5
Z fY
El comportamiento oscilatorio del sistema depende crticamente de los
parmetros. Por ejemplo, si k5 = 0 el bromuro Y decae a cero y no hay
oscilaciones.
M A + I2 IM A + I + H + (9.44a)
4xy
[I ] : x = a x (9.46a)
( 1 + x2 )
y
[ClO2 ] : y = bx 1 (9.46b)
1 + x2
donde a, b > 0 son parmetros empricos.
Nulclinas
x = 0 en la curva y = (a x)(1 + x2 )/4x.
y = 0 en la parbola y = 1 + x2 .
dx/dt = 0
dy/dt = 0
dx/dt < 0
y
dy/dt < 0
dx/dt < 0
dy/dt > 0
La regin sealada por lnea de trazos atrapa el ujo, segn indican las
echas. En su interior hay un punto jo:
x = a/5 (9.47a)
y = 1 + (x )2 = 1 + (a/5)2 (9.47b)
246 CAPTULO 9. OSCILADORES BIOLGICOS
( 2 )
1 3(x ) 5 4x
A= (9.48)
1 + (x )2 2b(x )2 bx
5bx
det A = >0 (nunca una ensilladura) (9.49)
1 + (x )2
3(x )2 5 bx
tr A = (9.50)
1 + (x )2
es un repulsor sii tr A > 0 b < bc := 3a/5 25/a. Cuando vale esta
relacin, aplicamos el Teorema y conclumos que existe una rbita cerrada
dentro de la regin de atrapamiento.
EJERCICIO: Integrar numricamente el sistema y observar la bifurcacin
de Hopf.
La frecuencia de las oscilaciones para b . bc es la parte imaginaria de los
autovalores:
2 tr A + det A = 0 en b = bc (9.51)
(=0) (>0)
= i det A.
En bc :
( ) (a)
5bc x 5 3a
5
25
a 5 15a2 625
det A = = = (9.52)
1 + (x )2 1 + (a/5)2 a2 + 25
det A
a2 + 25 2
T 2 1,63 (9.53)
15a 625 a
2
15
EJERCICIO: Hacer este grco integrando numricamente y vericar.
( [ 3 ])
d x
x + x(x 1) =
2
x + x (9.55)
dt 3
Denimos:
1
F (x) = x3 x (9.56)
3
y la nueva variable:
= x + F (x) (9.57)
= x + x(x2 1) = x (9.58)
= x de (9.58) (9.59b)
x = [y F (x)] (9.61a)
1
y = x (9.61b)
donde vemos que las dos variables obedecen a ecuaciones que tienen rdenes
temporales muy distintos, ya que 1.
Las trayectorias en el plano de fases (x, y) son
248 CAPTULO 9. OSCILADORES BIOLGICOS
y y = F(x)
nulclina cbica
rpido
D A
lento
lento
x
C
rpido B
tB
T 2 dt (9.62)
tA
dy dx dx
F (x) = (x2 1) (9.63)
dt dt dt
Y como
dy x dx x
= (por 9.61b) = (9.64)
dt dt (x2 1)
9.4. OSCILADORES DBILMENTE NO LINEALES 249
(x2 1)
dt = dx sobre una rama lenta. (9.65)
x
Es fcil vericar que xa = 2 y xB = 1
( 2
1
(x2 1) x2
T 2 dx = 2 ln x = (3 2 ln 2) 1,6
2 x 2 1
(9.66)
que es O(), como esperbamos.
EJERCICIO: Mostrar que para el oscilador de van der Pol con 1,
xA = 2 y xB = 1.
EJERCICIO: Analice el modelo de la reaccin ClO2 I2 M A para b 1
(es un oscilador de relajacin). Dibuje el ciclo lmite y estime su perodo.
x + x + h(x, x) = 0. (9.67)
Vemos que los dos primeros trminos constituyen un oscilador lineal. La parte
no lineal est dada por una funcin h arbitraria suave. Este trmino no lineal
est multiplicado por un parmetro de intensidad 0 1, a diferencia del
oscilador de relajacin visto anteriormente.
Son ejemplos de esta clase de osciladores el oscilador de van der Pol
(x + x + (x2 1)x = 0) 3
y el oscilador de Dung (x + x + x = 0).
El anlisis que haremos va a explotar el hecho de que el oscilador est
cerca de un oscilador armnico simple. Veremos que, al igual que en el osci-
lador de relajacin, existen dos escalas de tiempo, pero actan a la vez y no en
secuencia. Para ver las dicultades de este tipo de problema vamos a intentar
primero una tcnica que parece sensata, pero que fracasa estrepitosamente.
Ya que es un parmetro pequeo, busquemos soluciones de (9.67) en
forma de una serie de potencias de :
x(0) = 0, (9.69a)
x(0) = 1. (9.69b)
1
x(t, ) = et sin( 1 2 t). (9.70)
1 2
Busquemos una solucin perturbativa. Usamos x = x0 + x1 + 2 x2 . . . en
(9.68):
d2 d
2
(x0 + x1 + ) + 2 (x0 + x1 + ) + (x0 + x1 + ) = 0. (9.71)
dt dt
Agrupamos potencias de :
Vemos que el primer orden nos dice que el primer orden de la solucin es la
solucin de un oscilador armnico. Usamos las condiciones iniciales:
2
exacta
x 0
-1
perturbativa
-2
-3
0 10 20 30 40 50
t
Figura 9.4: Solucin exacta del oscilador lineal amortiguado (lnea gruesa) y
solucin perturbativa (lnea delgada), con = 0,1.
o(): es un oscilador armnico forzado con una fuerza sinusoidal que sale
de (9.76):
x1 + x1 = 2x0 = 2 cos t (9.77)
La presencia de una fuerza armnica nos dice que debemos esperar una re-
sonancia:
x1 (t) = t sin t, (9.78)
dx x x T x x
x = = + = + (9.83)
dt t T t T
ya que T = . Vemos que la variacin de x es o(1) en la escala y o() en
la escala T .
Con esto tenemos, en la solucin perturbativa:
x = (x0 + x1 ) + T (x0 + x1 )
= x0 + (T x0 + x1 ) + o(2 ), (9.84)
9.4. OSCILADORES DBILMENTE NO LINEALES 253
x = x0 + ( x1 + 2T x0 ) + o(2 ). (9.85)
x0 + ( x1 + 2T x0 ) + 2 x0 + x0 + x1 + o(2 ) = 0. (9.86)
x1 + x1 = 2(T x0 + x0 )
= 2[A cos B sin + A cos B sin ]
= 2(A + A) cos + 2(B + B) sin (9.89)
donde A(0) y B(0) las obtenemos de las condiciones iniciales. Vemos que la
variacin de A y de B es una exponencial en la escala lenta.
254 CAPTULO 9. OSCILADORES BIOLGICOS
x0 (0, 0) = 0 (9.93)
x1 (0, 0) = 0 (9.94)
Adems:
x0 (0, 0) = 1 (9.96)
}
De: x0 = A sin + B cos
B(0) = 0 B(T ) = 0 (9.98)
x0 (0, 0) = 0
}
De: x0 = A sin
A(0) = 1 A(T ) = eT (9.99)
x0 (0, 0) = 1
Por lo tanto:
x0 (, T ) = eT sin (9.100)
cuencia, que ocurre en esa escala temporal. Pero el grco de la gura 9.5
muestra la excelente aproximacin a este orden.
1.0
exacta
0.5
x 0.0
-0.5
perturbativa
-1.0
0 5 10 15 20
Figura 9.5: Solucin exacta del oscilador lineal amortiguado (lnea gruesa
roja) y solucin de dos tiempos (lnea delgada negra). Notar que la escala
es distinta para que se aprecien las dos soluciones, que son muy parecidas
aunque el parmetro es bastante grande ( = 0,2).
1
sin( + ) cos2 ( + ) = [sin( + ) + sin 3( + )]
4
256 CAPTULO 9. OSCILADORES BIOLGICOS
1
x1 + x1 = [2r r + r3 ] sin( + )
4 (9.108)
1
+ 2r cos( + ) + r3 sin 3( + ).
4
Anulamos ahora los trminos resonantes (seculares):
1
2r r + r3 = 0 (9.109)
4
2r = 0 (9.110)
Primero, de (9.109):
( ) {
1 r 2 r = 0 inestable
r = r 1 (9.111)
2 4 r = 2 estable
}
T
r(T ) 2. T
x0 (, T ) 2 cos( + 0 )
Adems (9.110) = 0 (T ) = 0
(9.112)
Luego, a primer orden:
t
x(t) 2 cos(t + 0 ) + o() (9.113)
d d dT
= =1+ = 1 + = 1 + o(2 ) . (9.114)
dt dT dt
Como dijimos antes (en el ejemplo lineal), si queremos una frmula explcita
2
para la correccin o( ) de la frecuencia, tenemos que incorporar en el anlisis
una escala temporal super-lenta, T = t.
2
Observaciones:
El tratamiento completamente general a veces se llama mtodo de los
promedios (Guckenheimer-Holmes, por ejemplo). Para funciones h genricas
(pero peridicas) se pone un desarrollo de Fourier de h, y las ecuaciones que
anulan las resonancias tienen promedios de h en un ciclo, del tipo:
2
1
r = h() sin d h sin . (9.115)
2 0
9.4. OSCILADORES DBILMENTE NO LINEALES 257
Como dijimos, los sistemas oscilantes, rtmicos, son una constante en todo
el mundo animado (y tambin en buen parte del inanimado!). En muchas
ocasiones los sistemas biolgicos estn formados por poblaciones ms o me-
nos grandes de unidades caracterizadas por una dinmica oscilatoria de este
tipo, autosostenida, con las caractersticas de un ciclo lmite. Estas unida-
des suelen interactuar unas con otras, mediante un mecanismo adicional y
complementario a la dinmica individual. Este acoplamiento puede tomar
muchas formas: puede ser global (todos con todos), local (con un alcance
hasta determinados vecinos en el espacio), con topologa compleja (con los
individuos posicionados en los nodos de una red), etc. En estos casos, como
resultado del juego mutuo entre la dinmica local y el acoplamiento, surge
una dinmica colectiva en el sistema, que involucra a un nmero macrosc-
pico de individuos en la poblacin. Muchas veces esta dinmica le permite
al sistema desarrollar una tarea que cada individuo por separado no podra
hacer. Pinsese, por ejemplo, en el tejido cardaco. Cada miocito del corazn
puede oscilar independientemente de los otros. Pero se necesita su movimien-
to coordinado para que el corazn pueda funcionar como una bomba.
Desde un punto de vista fsico se puede apreciar que un comportamiento
de este tipo conlleva una drstica reduccin del nmero de grados de libertad
del sistema. El comportamiento colectivo ms caracterstico y paradigmtico
(y el ms sencillo de describir) es precisamente la sincronizacin: una situa-
cin en la que numerosos osciladores individuales sincronizan sus frecuencias
1
y sus fases, y acaban oscilando como si fueran un solo oscilador. Vamos a
estudiar la fenomenologa bsica de estos sistemas. Un tratamiento divulga-
tivo interesante se encuentra en Scientic American [59], y en el mucho ms
extenso Sync [60].
N
ri = fi (ri ) + Uij (ri , rj ), i = 1 . . . N. (10.1)
| {z }
j=1
Evol. libre | {z }
Interaccin
N
i = i + Fij (i , j ), i = 1 . . . N, (10.3)
j=1
1 = 1 + F12 (1 , 2 ), (10.4a)
2 = 2 + F21 (1 , 2 ). (10.4b)
a uno de los relojes a una habitacin lejana, y que se recuperaba si volvan a colgarlos uno
junto al otro. Huygens nunca desentra el mecanismo que produca la sincronizacin, ni
su formulacin matemtica. El rea permaneci casi inexplorada hasta nes del siglo XX,
con los trabajos de Winfree, Kuramoto, Strogatz y otros.
262 CAPTULO 10. OSCILADORES ACOPLADOS
Estas curvas se llaman nudos del toro y hay toda una rama de la mate-
mtica dedicada a ellas. Por otro lado, si 2 /1 es irracional, la trayectoria
no se cierra nunca y el movimiento es cuasiperidico.
Supongamos que la interaccin es antisimtrica o impar, por ejemplo un
seno:
k
F12 (1 , 2 ) = F21 (1 , 2 ) = sin(2 1 ). (10.5)
2
donde k es la intensidad del acoplamiento. Tenemos que si k > 0 la
interaccin es atractiva, y si k<0 es repulsiva.
Las ecuaciones de las fases son:
k
1 = 1 + sin(2 1 ) (10.6a)
2
k
2 = 2 + sin(1 2 ) (10.6b)
2
10.1. CONJUNTOS DE OSCILADORES DE FASE IDNTICOS 263
= 1 + 2 (10.7a)
= = 2 1 (10.7b)
= 1 + 2 (10.8a)
k sin .
= |{z} (10.8b)
2 1
Vemos en (10.8a) que la suma de las fases crece uniformemente con frecuencia
suma: = (0) + (1 + 2 )t. La diferencia de las fases, por su parte, tiene un
comportamiento ms sutil, como se ve en la gura.
dt
/
= 0
< k
> k
estable
inestable
Podemos ver en el grco que cuando las frecuencias naturales son iguales,
= 0, tenemos tres puntos jos (equivalentes a dos): = 0, y 2 0.
El primero es estable, y el segundo inestable (si k > 0, o sea interaccin
atractiva). En este caso, asintticamente, los dos osciladores alcanzan un
estado de sincronizacin total: 1 (t) = 2 (t) = t, con = 1 = 2 .
Si la interaccin es repulsiva, k < 0, la estabilidad de los equilibrios es al
revs, y = es estable. En este caso: 1 (t) = t, 2 (t) = t + . (Este
caso no est en la gura.)
264 CAPTULO 10. OSCILADORES ACOPLADOS
Si < k , hay tambin dos puntos jos, uno estable y uno inestable.
Los osciladores no alcanzan la sincronizacin total, pero alcanzan un estado,
llamado sincronizacin de frecuencia (phase-locking ), en el que se mueven
con la misma frecuencia, con un valor de compromiso:
k
= 0 2 = 1 = 1 + sin , (10.9)
2
y como de (10.8b):
2 1
sin = (10.10)
k
nos queda
k 2 1 2 1 1 + 2
1 = 1 + = 1 + = = (10.11)
2 k 2 2 2
1 = 1 + k1 sin(2 1 ) (10.12a)
2 = 2 + k2 sin(1 2 ) (10.12b)
k1 2 + k2 1
= . (10.13)
k1 + k2
1 2
1 2
1
/
2
= k /k 1 2
10.1. CONJUNTOS DE OSCILADORES DE FASE IDNTICOS 265
1 (t) = t (10.14a)
2 (t) = t + arcsin . (10.14b)
k
Finalmente, si > k , las frecuencias naturales son muy distintas y
el acoplamiento no es capaz de lograr ninguna sincronizacin: se tiene un
movimiento incoherente. La diferencia de fase crece de la forma
{ [ 2 ]}
k k2 k 2
(t) = 2 arctan + 1 tan (t t0 ) (10.15)
2 2
con { }
2 k tan[(0)/2]
t0 = arctan . (10.16)
2 k 2 2 k 2
Obsrvese que esta diferencia de fase se puede escribir como
2 k 2 t + (t) funcin peridica, (10.17)
1 1
1 (t) = (1 + 2 ) + 0 (t) + 1 (0) (10.18a)
2 2
2 (t) = idem + 2 (0) (10.18b)
266 CAPTULO 10. OSCILADORES ACOPLADOS
sincronizacin total
sincronizacin de frecuencia
(lengua de Arnold)
k
incoherencia
incoherencia
2 = 2 + k2 sin(1 2 ). (10.19b)
1 ( )
lm
2 ( )
analticamente.
REVISAR LO QUE SIGUE, SI ES UNA PISTA O PARTE DE LA DE-
MOSTRACION.
Pista: evale los promedios a tiempos largos d
dt
y d
dt
.
T
f = lm f ( )d.
T 0
10.2. ACOPLAMIENTO GLOBAL 267
1 1 + +
|1 | < |2k| lm =
2 1 + +
con = (1 )2 4k 2 . Si |1 | |2k| sincronizacin de frecuencia
y lm 1 /2 = 1.
k
N
i = i + sin(j i ) (10.20)
N j=1
1 ij (t)
N
i(t)
(t)e = e . (10.22)
N j=1
La gura 10.2 permite apreciar claramente el signicado de este parmetro
de orden complejo.
Usando el parmetro de orden podemos escribir una ecuacin de campo
medio del sistema. Observemos que:
1
cos = cos , (10.23)
N
1
sin = sin , (10.24)
N
268 CAPTULO 10. OSCILADORES ACOPLADOS
i = i + k sin( i ). (10.25)
La Ec. (10.25) es una ecuacin de campo medio del sistema: vemos que la
dinmica individual est acoplada al campo medio de la poblacin. Si el
campo medio es nulo (incoherencia), entonces (10.25) nos dice que la din-
mica individual es como si no hubiese acoplamiento, y cada oscilador sigue
su frecuencia natural. Por otro lado, si el campo medio es distinto de cero, el
comportamiento es menos trivial.
Tenemos entonces el problema de resolver (10.25) para cada oscilador,
cada uno con su fase inicial, y para (t) y (t) arbitrarias, y de resolver y
de manera autoconsistente dada la denicion (10.22).
En primer lugar, consideremos osciladores idnticos, i = , y pongamos
=0 gracias a la simetra del sistema:
k
N
i = sin(j i ). (10.26)
N j=1
= k
i = sin( + j i ) (10.28)
i
N j
k k k
(j i ) = i+
N j . (10.29)
N j
N N j
k
N
i ki + j . (10.30)
N j=1
N
sin(j i ) = 0, i = 1 . . . N. (10.32)
j=1
Para k > 0 todos ellos son inestables. Sin embargo, pueden volverse esta-
bles para interacciones repulsivas, k < 0, cuando la sincronizacin total es
inestable. En estos estados las fases se acercan asintticamente a valores -
jos, uniformemente distribuidos en [0, 2), y las frecuencias convergen a la
frecuencia natural comn a todos los osciladores.
270 CAPTULO 10. OSCILADORES ACOPLADOS
10.3. Clustering
Se llama clustering a un rgimen de evolucin colectiva en el que el
ensemble de elementos dinmicos se separa en dos o ms grupos ( clusters ),
dentro de cada uno de los cuales todos los elementos se sincronizan y sus
rbitas coinciden. El clustering es posible en sistemas de osciladores de fase
cuando la interaccin es ms complicada que sin(j i ). Consideremos:
1
N
i = F (j i ) (10.33)
N j=1
F () = An sin(n) + Bn cos(n). (10.34)
n=1
2m
m = t + (10.35)
M
del cluster m es una solucin de (10.33) si
1 2
M
= F [ (m 1)] (10.36)
M m=1 M
= BnM en trminos de los coef. de Fourier (10.37)
n=1
1 2
2
1
= F [ (m 1)] = [F (0) + F ()],
2 m=1 2 2
10.3. CLUSTERING 271
i = m + i (t). (10.42)
I 0 U 1 U 2 U . . . 1 U
M 1 U I 0 U 1 U . . . M 2 U
A=
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (10.43)
1 U . . . . . . . . . . . . . . . . . . I 0 U
1 2
M
= F [ (m 1)] (10.44)
M m=1 M
1 2k
k = F ( ), k = 0 . . . M. (10.45)
M M
La matriz A tiene M autovalores no degenerados:
1 2k
M 1
2ikp
p = F( )(1 e M ), p = 0...M 1 (10.46)
M k=0 M
y un autovalor de multiplicidad N M:
1 2k
M 1
k = F( ). (10.47)
M k=0 M
272 CAPTULO 10. OSCILADORES ACOPLADOS
[
]
BnM +pM + BnM p AnM +pM AnM p
p = BnM +i (10.48)
n=1
2 2
M = BnM (10.49)
n=1
donde An = nBn y Bn = nAn son los coecientes de Fourier de la derivada
F . La condicin parte real < 0 implica que slo los coecientes Bn determi-
nan si el estado de M clusters es estable, es decir, los An , es decir, la parte
impar de F . El anlisis de clusters no idnticos involucra tambin los otros
coecientes.
Ejemplo. Sea:
F () = sin + a2 sin 2 + a3 sin 3. (10.50)
Tenemos:
Autovalor M =1 M =2 M =3
1 1 + 2a2 + 3a3 1 + 2a2 3a3 1/2 a2 + 3a3
2 2a2 1/2 a2 + 3a3
3 3a3
En las guras 10.3, la regin sombreada corresponde a clusters estables.
Obsrvese que estas regiones se superponen, de manera que en ciertas regiones
hay multiestabilidad. El estado nal depende de las condiciones iniciales. El
origen, donde a2 = a3 = 0 slo est en la regin de M = 1. En general, M-
clusters son inestables a menos que haya armnicos de orden M o superiores
en el desarrollo de F.
10.4. OTROS ACOPLAMIENTOS 273
1
Fij (i , j ) = [f1 (i ) f2 (j )] (10.51)
N
tenemos:
1
i = + f1 (i ) f2 (j ). (10.52)
N j
Con:
f2 = B cos . (10.54)
k
N
i = i + sin(j i ) (10.55)
N j=1
274 CAPTULO 10. OSCILADORES ACOPLADOS
2
n(, t)d = 1 t. (10.58)
0
= K sin , (10.64)
Para |i | k ( 1), i i .
Para |i | k ( 0), i i .
En ambos casos, vemos que los osciladores no se sincronizan totalmente.
Para una distribucin de i y un valor de k dados, los osciladores caen en
dos grupos, correspondientes a alguna de las dos categoras recin expuestas.
Aqullos para los cuales |i | k se clusterizan y giran con frecuencia
. El resto se mueve de manera incoherente. El tamao de estos grupos est
dado por y .
Volvamos al parmetro de orden del movimiento colectivo:
2
i0
e = n0 ()ei d (10.67)
0
i = t + i
kg[ + k sin( 0 )] cos( 0 ),
si | 0 | ,
n0 () = 2
0, si no.
(10.68)
Poniendo esto en (10.67):
/2
= k g( + k sin ) cos ei d (10.69)
/2
que dene de manera implcita. Hay una solucin = 0 para todo conjunto
de parmetros. Suponiendo que existe una solucin = 0, separamos partes
real e imaginaria en dos ecuaciones acopladas para y :
/2
Re: 1 = k g( + k sin ) cos2 d (10.70)
/2
/2
Im: 0= g( + k sin ) cos sin d (10.71)
/2
Para la parte imaginaria: cos sin es impar. Para que la integral sea cero,
g debe ser impar alrededor de (ya que a le sumo k sin que es impar).
Ergo, debe ser 0 , el mximo de la g, que debe ser par.
10.5. ENSEMBLES DE OSCILADORES HETEROGNEOS 277
( x )2
1 k
1= g(0 + x) 1 + dx
k k
La solucin que se bifurca para k > k0 tiene la forma de una transicin
de fase de segundo orden muy rpida (gura 10.4).
Para analizar este comportamiento, podemos usar la expresin de la parte
imaginaria, con = 0 y 0, y desarrollar g(0 + k sin x) hasta segundo
orden alrededor de = 0. Con esto, tenemos:
b
z }| {
3
kg(0 ) + k g (0 ) 2 = 1, (10.72)
|2 {z } 16 | {z }
<0
a
(g <0 porque g tiene un mximo). Es decir, buscamos soluciones reales de:
b 2 + a 1 = 0 (10.73)
1a
= (elijo el signo +) (10.74)
b
278 CAPTULO 10. OSCILADORES ACOPLADOS
1a
>0 (10.75)
b
Y reemplazando a y b:
3
k g (1 kg) > 0 (10.76)
16 |{z} | {z2 }
<0
<0
2
k> kc (10.77)
g(0 )
Y nalmente, tenemos el comportamiento de cerca de kc :
8g(0 )
= (k kc ) . (10.78)
kc |g (0 )|
3
G0 () = r( ) (10.79)
mientras que el resto sigue una distribucin G(). Lo que se observa es que
G() es una versin deprimida de g() alrededor de 0 = (gura 10.6).
Clustering
Cuando la distribucin g() tiene ms de un mximo, pueden formarse
clusters. Si los mximos estn bien separados, una vez formados los clus-
ters estos se comportan como osciladores nicos, interactuando con los de-
ms clusters. Si los mximos se solapan apreciablemente la emergencia de
la sincronizacin es ms sutil, con distinto nmero de clusters formndose a
distintos valores de k.
i (t) = 0 (10.81)
[5] Geritz, Stefan A. H.; Kisdi, va (2004), .On the mechanistic underpin-
ning of discrete-time population models with complex dynamics", J.
Theor. Biol. 228 (2): 261269
281
282 BIBLIOGRAFA
Modelos estocsticos
[17] N. G. van Kampen, Stochastic processes in physics and chemistry (El-
sevier Science B.V., Amsterdam, 2003).
[29] Stuart Kauman, The origins of order (Oxford University Press, USA,
1996).
Teora de juegos
[31] J. Hofbauer and K. Sigmund, Evolutionary games and population dyna-
mics, (Cambridge, 1998).
[32] Richard Dawkins, El gen egosta (Salvat, 1985).
[34] John Von Neumann and Oskar Morgenstern, Theory of games and eco-
nomic behavior (Princeton University Press, 1944).
[36] John Maynard Smith, Evolution and the theory of games (Cambridge,
1982).
[37] John Maynard Smith, The theory of games and the evolution of animal
conicts, J. Theor. Biol. 47, 209-221 (1974).
[38] Robert Axelrod, The evolution of cooperation (revised edition) (Basic
Books, 2006).
Osciladores y sincronizacin
[59] Steven Strogatz & Ian Stewart, Coupled oscillators and biological syn-
chronization, Sci. Am. (December 1993).
[60] Setven Strogatz,Sync: How order emerges from chaos in the universe,
nature, and daily life (Hyperion, 2004).
[61] Steven Strogatz, Nonlinear dynamics and chaos (Westview Press, 2001).
[62] Arthur Winfree, The geometry of biological time (Springer, 2010).
Relaciones alomtricas
[67] Brown and West (eds.), Scaling in biology (Oxford University Press,
2000).
[68] West, Brown and Enquist, A general model for the origin of allometric
scaling laws in biology, Science 276, 122 (1997).