Taller 2:

Modelo Logístico Modificado de crecimiento poblacional

‘Aplicado a la población de castores de Ohio según datos de censos poblacionales desde el

año 1980 hasta el año 2011’

Matemáticas Avanzadas
MODELOS MATEMÁTICOS

El desarrollo de los modelos matemáticos para el estudio de sistemas dinámicos como las
poblaciones, requirió con los años, la inclusión de parámetros que permitieran predecir
comportamientos futuros más ajustados a las condiciones reales de cada tipo de población.

En 1938 Warder Clyde Allee introdujo un nuevo parámetro llamado constante de escasez (M) para
el modelo logístico previamente planteado por Verhults. Este nuevo modelo logístico modificado
pretendía tomar en cuenta limitaciones en la tasa de crecimiento relacionados con el tamaño de la
población. Allee consideró que para poblaciones demasiado pequeñas la tasa de crecimiento será
negativa debido a las dificultades de reproducción y otros factores. Así mismo la tasa de crecimiento
será negativa si la población toma valores muy grandes como ya se había establecido en el modelo
logístico.

EFECTO ALLEE

1) Asunción: La tasa de crecimiento de la población es negativa para valores pequeños de

población al igual que para valores muy grandes. Poblaciones con P>M crecerán hasta
acercarse al valor de N, y con P<M se extinguirán, eventualmente.

2) Variables y parámetros:

- Variables dependientes: Población (P).

- Variables independientes: Tiempo (t).
- Parámetros: Relación entre la tasa de crecimiento de la población y la población,
denominado potencial biótico (k). Población máxima que admite el ambiente,
denominada capacidad de soporte (N). Tamaño de población mínima requerida
para el crecimiento, denominada constante de escasez (M)

3) Ecuación diferencial:

𝑑𝑃 𝑃(𝑡) 𝑃(𝑡)
= 𝑘𝑃 (1 − )( − 1)
𝑑𝑡 𝑁 𝑀
La ecuación diferencial obtenida es ordinaria, de primer grado, no lineal y separable.

4) Evaluación analítica de la ecuación diferencial:

a. En primer lugar, se separan las variables de la ecuación diferencial.

𝑑𝑃
= 𝑘𝑑𝑡
𝑃(𝑡) 𝑃(𝑡)
𝑃(𝑡) (1 − )( − 1)
𝑁 𝑀
b. Se toma la parte izquierda de la ecuación diferencial separada y mediante el método de
fracciones parciales se transforma en una nueva expresión.
𝑑𝑃 𝑎 𝑏 𝑐
= + +
𝑃(𝑡) 𝑃(𝑡) 𝑃(𝑡) 𝑃(𝑡) 𝑃(𝑡)
𝑃(𝑡) (1 − )( − 1) (1 − ) ( − 1)
𝑁 𝑀 𝑁 𝑀
𝑃(𝑡) 𝑃(𝑡) 𝑃(𝑡) 𝑃(𝑡)
𝑎 (1 − 𝑁 ) ( 𝑀 − 1) 𝑏𝑃(𝑡) ( 𝑀 − 1) 𝑐𝑃(𝑡) (1 − 𝑁 )
= + +
𝑃(𝑡) 𝑃(𝑡) 𝑃(𝑡)
(1 − ) ( − 1)
𝑁 𝑀
c. Se re organiza la ecuación, realizando las operaciones de cada fracción parcial.

𝑎𝑃(𝑡) 𝑃(𝑡) 𝑎𝑃(𝑡) 𝑎𝑃(𝑡)2 𝑎𝑃(𝑡)

(𝑎 − )( − 1) = − −𝑎+
𝑁 𝑀 𝑀 𝑁𝑀 𝑁
𝑃(𝑡) 𝑏𝑃(𝑡)2
𝑏𝑃(𝑡) ( − 1) = − 𝑏𝑃(𝑡)
𝑀 𝑀
𝑃(𝑡) 𝑐𝑃(𝑡)2
𝑐𝑃(𝑡) (1 − ) = 𝑐𝑃(𝑡) −
{ 𝑁 𝑁
𝑎 𝑏 𝑐
𝑃(𝑡)2 = − + −
𝑁𝑀 𝑀 𝑁
𝑎 𝑎
𝑃(𝑡) = + − 𝑏 + 𝑐
𝑀 𝑁
{ 1 = −𝑎
d. Se obtiene que 𝑎 = −1. Igualamos a cero las dos ecuaciones restantes.
−𝑎 𝑏 𝑐
0= + −
𝑁𝑀 𝑀 𝑁
𝑎 𝑎
0= + −𝑏+𝑐
𝑀 𝑁
e. Se reemplaza el valor de a en las dos ecuaciones y se despeja c en la primera ecuación.
1 𝑏 𝑐
0= + −
𝑁𝑀 𝑀 𝑁
1 + 𝑁𝑏
𝑐=
𝑀
f. Se reemplaza c en la segunda ecuación, se determina b en función de N y M
−1 1 1 + 𝑁𝑏
0= − −𝑏+( )
𝑀 𝑁 𝑀
𝑀
𝑏=
𝑁(𝑁 − 𝑀)
g. Se reemplaza b en la primera ecuación, y se determina c en función de N y M.
𝑀
1+𝑁
𝑁(𝑁 − 𝑀)
𝑐=
𝑀
 𝑁
𝑐=
𝑀(𝑁 − 𝑀)
h. Se reescribe la ecuación diferencial separada y se integra. Se aclara que “C” se refiere a
la constante de integración.
𝑀 𝑁
−1 𝑁(𝑁 − 𝑀) 𝑀(𝑁 − 𝑀) −1 𝑀𝑁 𝑀𝑁
+ + = + +
𝑃(𝑡) 𝑃(𝑡) 𝑃(𝑡) 𝑃(𝑡) 𝑁(𝑁 − 𝑀)(𝑁 − 𝑃(𝑡)) 𝑀(𝑁 − 𝑀)(𝑃(𝑡) − 𝑀)
(1 − ) ( − 1)
𝑁 𝑀
−1 𝑀 1 𝑁 1
[∫ + ∫ + ∫ ] 𝑑𝑃 = ∫ 𝑘 𝑑𝑡
𝑃(𝑡) (𝑁 − 𝑀) 𝑁 − 𝑃(𝑡) (𝑁 − 𝑀) 𝑃(𝑡) − 𝑀
𝑀 1 𝑁 1
− ln|𝑃(𝑡)| + [ ∫ + ∫ ] 𝑑𝑃 = 𝑘𝑡 + 𝐶
(𝑁 − 𝑀) 𝑁 − 𝑃(𝑡) (𝑁 − 𝑀) 𝑃(𝑡) − 𝑀
i. El primer término del lado izquierdo y el término del lado derecho se integraron de manera
directa. Para integrar el segundo y el tercer término del lado izquierdo, se hace un cambio
de variable donde U=N-P(t) y V=P(t)-M, se reemplazan en dicho término y se resuelve la
integral.

- Cambios de variable

𝑈 = 𝑁 − 𝑃(𝑡)
𝑑𝑈
= −1
𝑑𝑃(𝑡)

𝑉 = 𝑃(𝑡) − 𝑀
𝑑𝑉
=1
𝑑𝑃(𝑡)

- Reemplazo y solución de la integral.

𝑑𝑈
−∫ = ln[𝑈] + 𝐶 = − ln[𝑁 − 𝑃(𝑡)] + 𝐶
𝑈
𝑑𝑉
∫ = ln[𝑉] + 𝐶 = ln[𝑃(𝑡) − 𝑀] + 𝐶
𝑉

j. Se escribe la solución final del proceso de integración

𝑀 𝑁
− ln|𝑃(𝑡)| − ln|𝑁 − 𝑃(𝑡)| + ln|𝑃(𝑡) − 𝑀| = 𝑘𝑡 + 𝐶
(𝑁 − 𝑀) (𝑁 − 𝑀)
EVALUACION DEL MODELO LOGISTICO MODIFICADO

El departamento de recursos naturales de Ohio requiere conocer el comportamiento de su

fauna para garantizar la regulación de un medio adecuado para la conservación de dichas
especies. La población de castores es monitoreada realizando censos aéreos a principios de
noviembre y reportando un índice anual poblacional, tabla 1.
AÑO POBLACIÓN CENSADA [MILES]
1980 12,390

1981 16,075
1982 17,620
1983 13,908*
1984 12,565
1985 10,493*
1986 16,508
1987 11,300*
1988 10,570
1989 14,155
1990 9,145
1991 8,885
1992 14,190
1993 13,230
1994 13,665
1995 16,905
1996 18,595
1997 25,090
1998 23,640
1999 29,235
2000 29,380
2001 27,190
2002 34,696
2003 32,575
2004 27,915
2005 26,000
2006 27,470
2007 36,000
2008 42,600
2009 45,050
2010 36,515
2011 35,179
Tabla 1. Población de castores en determinada desde 1980 hasta el 2011 Fuente: “Ohio Department of natural
resources”* No se realizó censo; Se incluyen datos de estimación por regresión utilizada para determinar el tamaño de
la población.
DETERMINACIÓN DE PARAMETROS k, N Y M

Método de Runge – Kutta de cuarto orden

Dado que tenemos un problema de valor inicial en el que no obtenemos una solución explícita al
resolver la ecuación diferencial, se emplea un método de solución numérica para estimar la
población de castores en el estado de Ohio. El método utilizado es el método de Runge – Kutta de
cuarto orden, el cual es un método que emplea un número de iteraciones definido por quien lo usa,
según la conveniencia del fenómeno en estudio. Este método fácilmente programable y
ampliamente utilizado en la solución de diversos modelos matemáticos, se ha hecho famoso porque
presenta valores numéricos de solución con buena aproximación al resolver ecuaciones
diferenciales. En la esencia del método se debe evaluar la función (para nuestro caso es
𝑑𝑃 𝑃(𝑡) 𝑃(𝑡)
𝑑𝑡
= 𝑘𝑃 (1 − 𝑁
)( 𝑀 − 1)) para cada paso del método (denominado h), pero
fundamentalmente se debe ir corrigiendo la estimación en el intermedio del paso. Dicha corrección
se aplica en cuatro pasos, notados cada uno por la letra k, los cuales finalmente se ponderan para
obtener la aproximación deseada al final de cada iteración.

Parámetros
N[miles] 50
M[miles] 1
k 0.02
h 0.01
t0 0
Tabla 2. Parámetros estimados cualitativamente para el método Runge-Kutta

Población Población
Delta t
Tiempo Real Estimada
[años]
[miles] [miles]
1980 0 12390,000 12390,000
1981 1 16075,000 14819,000
1982 2 17620,000 18222,000
1983 3 13908,000 22966,000
1984 4 12565,000 29157,000
1985 5 10493,000 36250,000
1986 6 16508,000 42538,000
1987 7 11300,000 46596,000
1988 8 10570,000 48606,000
1989 9 14155,000 49458,000
Tabla 3. Parámetros estimados para el método Runge-Kutta
Figura 1. Diagrama de flujo del método de Runge - Kutta de cuarto orden
 Figura 2. Resultados Obtenidos por el método Runge-Kutta de cuarto orden

Solver – Excel

Los datos obtenidos del método Runge-Kutta nos proporcionan valores de población que se alejan
de los datos reales. Para calibrar el modelo y obtener respuestas favorables se variaron los
parámetros N, M y k. Para ello utilizamos Solver de Ms Excel, en donde incorporamos tres
restricciones con motivo de calcular los tres parámetros anteriormente mencionados. Las
restricciones fueron: para el año 1993, se restringió el valor de la población a 13.000 individuos,
para los años 2004 y 2007, se restringió a que el valor estimado fuera el mismo del real.
Figura 3. Solución numérica del sistema de ecuaciones empleando Solver de Microsoft Excel

Parámetros
N[miles] 60,547
M[miles] 10,902
k 0,0936
h 0,01
t0 0
Tabla 4. Parámetros determinados por el Solver
 Población Población Error de
Delta t
Tiempo Real Estimada datos
[años]
[miles] [miles] estimados
1980 0 12,390 12,390 0,00
1981 1 16,075 12,519 3,56
1982 2 17,620 12,664 4,96
1983 3 13,908 12,825 1,08
1984 4 12,565 13,000 -0,43
1985 5 10,493 13,193 -2,70
1986 6 16,508 13,407 3,10
1987 7 11,300 13,643 -2,34
1988 8 10,570 13,906 -3,34
1989 9 14,155 14,197 -0,04
1990 10 9,145 14,522 -5,38
1991 11 8,885 14,885 -6,00
1992 12 14,190 15,292 -1,10
1993 13 13,230 15,750 -2,52
1994 14 13,665 16,265 -2,60
1995 15 16,905 16,848 0,06
1996 16 18,595 17,511 1,08
1997 17 25,090 18,266 6,82
1998 18 23,640 19,120 4,52
1999 19 29,235 20,110 9,12
2000 20 29,380 21,251 8,13
2001 21 27,190 22,570 4,62
2002 22 34,696 24,098 10,60
2003 23 32,575 25,868 6,71
2004 24 27,915 27,915 0,00
2005 25 26,000 30,270 -4,27
2006 26 27,470 32,949 -5,48
2007 27 36,000 35,944 0,06
2008 28 42,600 39,201 3,40
2009 29 45,050 42,612 2,44
2010 30 36,515 46,010 -9,50
2011 31 35,179 49,205 -14,03

Tabla 5. Estimación de la población con el método numérico Runge-Kutta y el error absoluto de la

estimación con respecto a la población real
ANÁLISIS DE LOS RESULTADOS
Figura 4. Gráfico de la población real y la población estimada con el modelo logístico modificado

Población de castores vs. tiempo

60,000

50,000
Población [Miles]

40,000

30,000
Población Real
20,000 Población Estimada
10,000

0,000
1970 1980 1990 2000 2010 2020
Tiempo [años]

Figura 5. Correlación entre los valores reales y los valores estimados mediante el modelo logístico
modificado

Gráfica de correlación entre la estimación de la población de

castores y los datos reales
60,000
Valores estimados de población en

50,000
y = 0,892x + 2,064
40,000 R² = 0,7587 Grafico de correlación en
30,000 la estimación
miles

20,000
Lineal (Grafico de
10,000 correlación en la
estimación)
0,000
0,000 10,000 20,000 30,000 40,000 50,000
Valores reales de población en miles
COMPARACION CON LOS MODELOS EXPONENCIAL Y LOGISTICO

• METODO EXPONENCIAL
Se determinó un k promedio de 0,0344.

Población
Población "k"
Tiempo Delta t estimada
real (miles) Estimado
(miles)
1980 0 12,390 - 12,39
1981 1 16,075 0,260 12,82
1982 2 17,620 0,176 13,27
1983 3 13,908 0,039 13,74
1984 4 12,565 0,004 14,22
1985 5 10,493 -0,033 14,72
1986 6 16,508 0,048 15,23
1987 7 11,300 -0,013 15,77
1988 8 10,570 -0,020 16,32
1989 9 14,155 0,015 16,89
1990 10 9,145 -0,030 17,48
1991 11 8,885 -0,030 18,10
1992 12 14,190 0,011 18,73
1993 13 13,230 0,005 19,39
1994 14 13,665 0,007 20,07
1995 15 16,905 0,021 20,77
1996 16 18,595 0,025 21,50
1997 17 25,090 0,042 22,25
1998 18 23,640 0,036 23,03
1999 19 29,235 0,045 23,84
2000 20 29,380 0,043 24,67
2001 21 27,190 0,037 25,54
2002 22 34,696 0,047 26,43
2003 23 32,575 0,042 27,36
2004 24 27,915 0,034 28,32
2005 25 26,000 0,030 29,31
2006 26 27,470 0,031 30,34
2007 27 36,000 0,040 31,40
2008 28 42,600 0,044 32,50
2009 29 45,050 0,045 33,64
2010 30 36,515 0,036 34,82
2011 31 35,179 0,034 36,04
Tabla 6. Estimación de la población con el modelo exponencial
 Figura 6. Gráfico de la población real y la población estimada con el modelo exponencial

Población de castores vs. tiempo

50,000
45,000
40,000
Población [Miles]

35,000 Población
30,000 real (miles)
25,000
20,000 Población
15,000 estimada
(miles)
10,000
5,000
0,000
1975 1980 1985 1990 1995 2000 2005 2010 2015
Tiempo [años]

Figura 7. Correlación entre los valores reales y los valores estimados mediante el modelo exponencial

Grafico de correlación de la estimación de la población de castores

contra los datos reales

50,000
45,000
y = 1,3191x - 7,1557
40,000
R² = 0,8039 Grafico de
Valores estimados

35,000 correlación en la
30,000 estimación
25,000
20,000 Lineal (Grafico de
15,000 correlación en la
10,000 estimación)
5,000
0,000
0,00 10,00 20,00 30,00 40,00
Valores reales
• METODO LOGISTICO
Mediante Solver de Ms Excel se determinaron los valores de k y N, como 0,0404 y
208170 respectivamente.

Población
Población
Tiempo Delta t estimada
real (miles)
(miles)
1980 0 12,390 12,39
1981 1 16,075 12,87
1982 2 17,620 13,37
1983 3 13,908 13,88
1984 4 12,565 14,41
1985 5 10,493 14,96
1986 6 16,508 15,53
1987 7 11,300 16,13
1988 8 10,570 16,74
1989 9 14,155 17,37
1990 10 9,145 18,02
1991 11 8,885 18,70
1992 12 14,190 19,40
1993 13 13,230 20,12
1994 14 13,665 20,87
1995 15 16,905 21,64
1996 16 18,595 22,43
1997 17 25,090 23,25
1998 18 23,640 24,10
1999 19 29,235 24,98
2000 20 29,380 25,88
2001 21 27,190 26,81
2002 22 34,696 27,77
2003 23 32,575 28,75
2004 24 27,915 29,77
2005 25 26,000 30,81
2006 26 27,470 31,89
2007 27 36,000 32,99
2008 28 42,600 34,13
2009 29 45,050 35,30
2010 30 36,515 36,50
2011 31 35,179 37,73
Tabla 7. Estimación de la población con el modelo logístico
 Figura 8. Gráfico de la población real y la población estimada con el modelo logístico

Población de castores vs. tiempo

50,000
45,000
40,000
Población [Miles]

35,000 Población real

30,000 (miles)
25,000
20,000
Población
15,000
estimada
10,000 (miles)
5,000
0,000
1975 1980 1985 1990 1995 2000 2005 2010 2015
Tiempo [años]

Figura 9. Gráfica correlación de la población real y la población estimada con el modelo logístico

Grafico de correlación de la estimación de la población de castores

contra los datos reales

50,000
45,000
y = 1,2229x - 6,1129
40,000 Grafico de
R² = 0,8027
Valores estimados

35,000 correlación en la
estimación
30,000
25,000 Lineal (Grafico de
20,000 correlación en la
15,000 estimación)
10,000
5,000
0,000
0,00 10,00 20,00 30,00 40,00
Valores reales
 Figura 10. Gráfica comparación de porcentajes de error de los diferentes modelos de crecimiento
poblacional

Comparación de porcentajes de error

60,000%
Exponencial
50,000%

40,000%
Población [Miles]

Logístico
30,000%

20,000%
Logistico
modificado
10,000% (numérico)

0,000% Logistico
1975 1980 1985 1990 1995 2000 2005 2010 2015 modificado
-10,000% (analítico)
Tiempo [años]

Figura 11. Gráfica comparación de los diferentes modelos de crecimiento poblacional

Comparación de modelos - Población v.s. Tiempo

60

50

Exponencial
40
Población [Miles]

Logístico

30 Log. Mod
Numérico
Log. Mod.
20 Analítico
Real

10

0
1975 1980 1985 1990 1995 2000 2005 2010 2015
Tiempo [años]
CONCLUSIONES

El modelo es insuficiente para predecir valores puntuales o específicos de población, puesto que no
considera factores externos que pueden estar influyendo sobre la tasa de crecimiento de la
población de castores, como la caza o la conservación. Estos podrían estar asociados a la fluctuación
de los datos reales. Sin embargo, el modelo permite predecir la tendencia del comportamiento de
la población.

Comparado con los modelos estudiados previamente (crecimiento exponencial y crecimiento

logístico) se evidencia que la correlación es similar entre los tres, sin embargo, cualitativamente se
observa que el modelo logístico modificado presenta una mejor tendencia con relación a los datos
reales.

BIBLIOGRAFÍA

1. P. A. Stephens, W. J. Sutherland and R. P. Freckleton “ What is de Allee effect” Oikos Vol.

87, No. 1 (Oct., 1999), pp. 185-190
2. C. Henry Edwards, David E. Penney Ecuaciones diferenciales y problemas con valores en la
frontera. Cuarta edición, Pearson educación, México,2009.
3. Drake, J. M. & Kramer, A. M. (2011) Allee Effects. Nature Education Knowledge 3(10):2