Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE
CIENCIAS ESCUELA DE
BIOLOGÌA
TAREA # 2
SECCIÓN: 1000
INTEGRANTES
1
Índice
Metapoblaciones...................................................................................................3
Características de una metapoblación................................................................3
Modelo discreto Mapa Logístico (o modelo discreto de Verhulst)......................5
Modelo de Verhulst...........................................................................................5
Equilibrio Estable..............................................................................................6
Equilibrio dinámico...........................................................................................7
Comportamiento Caótico...................................................................................7
Diagrama de Verhulst o de telaraña...................................................................8
Bifurcación en tridente......................................................................................9
Modelo determinista y Modelo Estocástico........................................................10
Ventajas de los modelos probabilísticos en Ecología/ Biología......................11
Probabilidad de extinción................................................................................12
La probabilidad de extinción de una especie amenazada.............................12
Cómo encontrar la probabilidad de extinción..............................................13
Uso de probabilidades en modelo de crecimiento poblacional Discreto.........15
Construcción Discreta Del Modelo Poblacional De Malthus.......................15
Conejos de Fibonacci..........................................................................................17
Bibliografías........................................................................................................19
2
Metapoblaciones
Metapoblaciones proviene de un origen griego ‘’meta’’ que significa más allá, después o,
además, esta palabra significa algo más que delimita la palabra población. Metapoblación se
considera a un conjunto de poblaciones de una especie, que presenta distribución en parches y
aisladas de tal forma que se mantiene un equilibrio entre su intercomunicación y su
independencia (López & Becerril,2015).
Según los distintos motivos es muy posible las extinciones locales, como ya antes
mencionado para que lleguen a surgir Metapoblaciones, la población tiene que dividirse en
una subpoblación por la fragmentación del hábitat ocasionado por las barreras que difieren en
las poblaciones. Esta teoría se origina en trabajos de Sewall Wright, quien argumentó
teóricamente que la dinámica de las frecuencias génicas puede ser muy distinta a la
metapoblación en comparación de la población homogéneamente distribuida en el espacio.
Siendo Richard Levins quien ha usado este concepto en sí para analizar las poblaciones de los
organismos, basándose en sus conocimientos sobre la conservación de los recursos naturales
(Rodríguez, 2006).
Como primer punto importante las poblaciones locales son las unidades de
observación, y no los individuos, es decir que procesos como extinciones y
colonizaciones, presentan una mayoría de impacto en la dinámica poblacional como
natalidad y mortalidad.
La extinción en estos parches (extinción local), ya que la persistencia de la
metapoblación depende de la dinámica de extinción y recolonización de los distintos
fragmentos a través de la dispersión.
Los modelos de dinámica poblacional exponencial y logístico suponen que las
3
poblaciones son cerradas, sin inmigración o emigración y que, por lo tanto, el
4
crecimiento poblacional varía únicamente en función de los procesos de natalidad y
mortalidad.
La dinámica de cada población local sería independiente, y la de la metapoblación
sería simplemente la suma de las dinámicas presentadas por las subpoblaciones
locales.
Uno de los ecólogos como Ilkka Hanski, propone cuatro condiciones que considera muy
necesarias para aplicar el término metapoblación a un sistema de poblaciones locales (Rojas
& Araya, 2019).
5
Modelo discreto Mapa Logístico (o modelo discreto de Verhulst).
Los modelos discretos se llaman así porque sólo consideran el estado del sistema objeto de
estudio en un conjunto discreto de instantes de tiempo, esto es, en un conjunto de instantes
espaciados en el tiempo, a diferencia de los modelos continuos, en los que el estado del
sistema se puede considerar en cualquier instante de tiempo (EDAN, 2019)
Los modelos discretos dinámicos suelen estar basados en ecuaciones recursivas, ecuaciones o
fórmulas que se aplican de forma recurrente, para encontrar el estado del sistema en un
instante de tiempo dado a partir del estado en el instante o instantes anteriores.
Ecuación logística: es un segundo modelo sobre evolución poblacional que le pone más
realidad al modelo de crecimiento exponencial. Como antes definiremos por N(t) el tamaño
de la población bajo estudio, y como antes vamos a suponer que el coeficiente k es la tasa de
crecimiento, pero esta vez no será constante (Anónimo, 2020)
En el modelo exponencial se tiene que: 𝑁 (𝑡 + ∆𝑡) = 𝑁(𝑡) + 𝑘𝑁(𝑡)∆𝑡
El mapa logístico es un mapa de tiempo discreto unidimensional que, a pesar de su
simplicidad formal, exhibe un grado inesperado de complejidad. Históricamente ha sido uno
de los sistemas más importantes y paradigmáticos (Brockmann, 2018).
El mapa logístico se define mediante la siguiente ecuación: 𝑋𝑛 + 1 = 𝜆𝑋𝑛 (1 − 𝑋𝑛) 𝑑𝑜𝑛𝑑𝑒 𝑛
= 0,1,2,3 …
Resulta que el mapa logístico puede ser motivado utilizando un contexto biológico/ecológico,
por ejemplo, tenemos una población de una especie en la que los individuos se replican.
Digamos, por simplicidad que en cada generación n= 0,1, 2…un individuo tiene, en promedio
una descendencia de λ antes de morir y esto podría ser cualquier número positivo. No tiene
que ser un entero porque pensamos en esto como un promedio o un número esperado de crías.
Por lo tanto, si se dice λ= 1.5, entonces cada individuo tiene 1.5 crías en la vida útil de un
paso de tiempo, por ejemplo, si en el 50% de los casos un individuo tiene una descendencia y
en el 50% de los casos 2 niños, obtenemos λ1.5 (Brockmann, 2018)
Modelo de Verhulst
6
Fue utilizado para el crecimiento individual de animales, plantas, hombres y órganos del
cuerpo, para el crecimiento de poblaciones de microorganismos, o como Verhulst para el
crecimiento de poblaciones humanas como la población de los Estados Unidos.
Es una ecuación paradigmática 4 porque a pesar de su sencillez es una ecuación dinámica no
lineal 5 con mucho potencial para modelar y además es muy didáctica para representar un
sistema dinámico no lineal que evoluciona en el tiempo (Cueva, 2011).
Sean:
t = Tiempo (variable independiente)
P = Población 6 (variable dependiente)
r = Coeficiente de la razón de crecimiento de la población (parámetro)
K = Capacidad de carga 7 del sistema
Equilibrio Estable
Estabilidad es una propiedad del espacio dinámico en el cual el sistema está evolucionando.
Por lo tanto, si existe un punto en equilibrio en el campo vectorial no significa
necesariamente que la comunidad deberá permanecer constante en ese punto. Un ejemplo de
este último tipo es el modelo de interacción depredador-presa. En la versión más simple de
este modelo no existe un término de auto amortiguación poblacional, las trayectorias de las
abundancias de depredadores y presas se presentan como oscilaciones perpetuas no
amortiguadas en el tiempo por lo cual las curvas en el plano de abundancias depredador-presa
pueden tender hacia un punto estable (FARIÑA & Castilla, 1997).
Un ecosistema está formado por el conjunto de seres vivos que viven en él, el medio físico en
el que viven y por las relaciones que se establecen entre esos seres vivos y entre ellos y su
entorno. Puesto que todos los elementos están relacionados, unos dependen de los otros. El
número de poblaciones, y de individuos de cada población del ecosistema, tiende a
mantenerse estable a lo largo del tiempo y están adaptadas a los factores ambientales de ese
ecosistema. Este equilibrio se mantendrá si no hay grandes cambios en el ecosistema (Luis,
2020).
El ecosistema es más estable cuanto más complejo sea. Si la red trófica es compleja será más
fácil que una especie pueda conseguir alimento cuando escasea su fuente de alimento
principal. En cambio, si se alimenta únicamente de otra especie, si esta desaparece, también
desaparecerá (Luis, 2020).
7
Equilibrio dinámico
Comportamiento Caótico
Hasta ahora hemos observado que cuando λ >1 tenemos un único punto fijo en x=1-1/ λ que
pierde estabilidad en un valor crítico λ 2=3 cuando surge un periodo estable de 2 ciclos. sí
aumentamos λ más allá de λ3= 3. 4 4 9 …
veremos que el periodo-2-ciclo también pierde estabilidad. Se sustituye por un nuevo, estable
y atractivo período de 4 ciclos. Los puntos que componen este ciclo son puntos fijos estables
del mapa cuádruple
8
h = gramo ∘ gramo = F ∘ F ∘ F ∘ F.
Ahora resulta que este período de 4 ciclos no se mantiene estable por mucho tiempo, pero en
λ4 = 3. 5 4 4 0 9 … se reemplaza por un período estable de 8 ciclos, y así sucesivamente.
Lo que es importante tener en cuenta es que los puntos críticos en los que ocurren estos
{eventos de duplicación del período}, o más bien allí, la separación se vuelve cada vez más
pequeña y eventualmente en:
λ∞ = 3. 5 6 9 9 4 6 …
Tenemos un periodo infinito. Esto significa que, aunque tenemos un ``ciclo'' que es atractivo,
su período es infinito, por lo que nunca se repite, ya no es realmente periódico. Más bien se
ha vuelto aperiódico y caótico. Esto fue muy confuso para las personas que miraron primero
el mapa logístico simple. Podemos calcular la relación
El límite se conoce como constante de Feigenbaum. Esta es una constante universal que sigue
reapareciendo en sistemas como el mapa logístico y está íntimamente conectada con los
sistemas caóticos.
Lo que es aún más desconcertante es que las soluciones periódicas como el período-2-ciclos,
4-ciclos, etc., aunque ya no son estables en el régimen caótico, todavía existen como
repelentes. Entonces para λ > λ∞ tenemos un conjunto muy denso e infinito de órbitas
periódicas en el sistema, todas las cuales son inestables. De hecho, tienen que encajar en el
sistema de alguna manera, por lo que en realidad para cada punto X tenemos un conjunto
infinito de órbitas periódicas arbitrariamente cerca de él (Brockmann, 2018).
Bifurcación en tridente
Es el modo más popular y eficiente de dar una visión de conjunto de los diferentes
comportamientos asintóticos del sistema según el valor de r. Para un valor de r fijo en
abscisas,
10
el diagrama de bifurcaciones nos dice los puntos xn que son visitados en el intervalo unidad
al iterar un gran número de veces y tras descartar un transitorio (una cantidad de iteraciones
iniciales). Una característica destacada es que, excepto para r = 4, el sistema no accede al
intervalo unidad completamente. Para una r dada el conjunto de puntos visitado por el
sistema constituye su atractor. Para algunos valores de r se observan solo unos pocos puntos
en el diagrama de bifurcaciones (Castelo J, 2010).
Corresponde a una órbita periódica y por tanto a un sistema que presenta un comportamiento
regular. De otro modo, el atractor está constituido por segmentos densamente poblados.
Corresponde a sistemas caóticos. El diagrama de bifurcaciones es un buen ejemplo de auto
semejanza. Aumentando áreas pequeñas del diagrama obtenemos imágenes que semejan el
diagrama completo. Repetir el proceso cualquier número de veces mantiene la mencionada
característica (Castelo J, 2010).
La auto semejanza requiere que el parecido ocurra a cualquier escala de magnificación. Con
LogMap podemos visualizar el diagrama de bifurcaciones eligiendo la opción
“Bifurcaciones” en el menú de cálculos. También podemos comprobar la correspondencia
entre trayectorias regulares y caóticas y el diagrama de bifurcaciones. Veremos trayectorias
periódicas o caóticas en función del valor de r escogido. Si este corresponde a una zona
donde se observan ramas que se bifurcan, el comportamiento es regular. En cambio, en zonas
constituidas por segmentos densamente poblados es caótico. (Castelo J, 2010)
11
La inclusión de mayor complejidad en las relaciones con una cantidad mayor de variables y
elementos ajenos al modelo determinista hará posible que este se aproxime a un modelo
probabilístico o de enfoque estocástico (Ríos Sixto, 1995).
Se utiliza el modelo estocástico para evaluar los resultados potenciales cuando existe
incertidumbre o aleatoriedad. Cuando las entradas tienen una variación aleatoria, se usa este
modelo con la finalidad de estimar la probabilidad de diferentes resultados (Pacheco, 2021).
Estos modelos cumplen con diversos criterios que los diferencian de otros modelos de
probabilidades. También deben comprender una o más entradas donde se determina la
incertidumbre en situaciones proyectadas, esto india que el modelo debe indicar los aspectos
de la situación y así proyectar una distribución de probabilidades correcta (Pacheco, 2021).
Ventajas:
Este modelo supone que los cambios en el tamaño de la población son solo por
efecto de nacimientos y muertes dentro de la misma población. Supone también
que el crecimiento de la población puede ser ilimitado, ya que se cuenta con
espacio y recursos ilimitados.
Además de la simpleza de este modelo, podemos pensar que cada población
podría crecer exponencialmente si no fuera por las limitantes externas con que
cuentan estas poblaciones, es decir, si en verdad existieran recursos y espacio
inagotables, las poblaciones en general tenderían a un crecimiento exponencial.
Además, cuando el tamaño de la población es “pequeño” se puede tomar en
cuenta este modelo ya que no existirá mucha migración, y los recursos alcanzan
para que la población siga creciendo de manera constante, al igual que el espacio.
En el cálculo de la población en el tiempo t se hace alusión a la población del
tiempo t-1 y en el cálculo de la población en el tiempo t-1 se hace alusión a la
población del tiempo t-2. Esta propiedad tiene una gran utilidad en
12
programación ya que
13
muchas veces es más fácil hacer un programa que contenga una función recursiva
a uno que necesite de una función iterativa.
El modelo logístico, es precisamente, la eliminación de la suposición de
independencia en la densidad, además de la eliminación de la suposición de que
en el hábitat donde se desarrolla la población existen recursos y espacio ilimitados
(Caballero, 2004).
Probabilidad de extinción
-b͕͕ ˃ d/ -b = d
͕͕͕
Entre las numerosas especies de animales en vías de desaparición hoy en día, algunas no
tienen más que algunas decenas de individuos. ¿Cómo estimar su probabilidad de extinción?
Un modelo, introducido a fines del siglo XIX por Galton y Watson permite hacerse una idea
(Nils Berglund, 2020).
Trataremos aquí un modelo probabilístico introducido en 1874 por Francis Galton y Henry
William Watson para describir la extinción de los apellidos. Para dar un ejemplo concreto,
supongamos que, durante su vida, cada individuo tiene:
Los números de hijos de individuos diferentes son además supuestos independientemente los
unos de los otros.
Aquí hay un ejemplo de árbol genealógico obtenido según este procedimiento: El ancestro, en
lo alto del árbol, tiene un hijo, que a su vez tiene dos, Para obtener un árbol más bonito, los
puntos que representan a los individuos se desplazan según las siguientes reglas: los padres y
sus hijos se atraen como si estuvieran unidos por un resorte, mientras que los hermanos y
hermanas y primos se alejan (Berglund, 2020).
14
El número de individuos puede crecer exponencialmente, por lo que es preferible representar
el árbol colocando el ancestro al medio y sus descendientes en circunferencias de radio
creciente sucesivamente. (Nils Berglund,2020)
Explicamos cómo se llega a este valor. Es fácil calcular la probabilidad de que la población se
extinga desde la primera generación: esto ocurre si y solamente si el ancestro no tiene hijos,
evento cuya probabilidad es de 1/8, es decir 12,5%. Escribamos este valor como q1
(Berglund, 2020).
q2=18+38q1+38q21+18q31.
q3=18+38q2+38q22+18q32
15
qn+1=f(qn),
donde f es el polinomio
f(q)=18+38q+38q2+18q3.
¿Cómo se comporta esta secuencia de qn? Uno no puede obtener una expresión simple de
cada qn. Pero existe un medio geométrico sencillo para estudiar el comportamiento de la
secuencia. (Nils Berglund,2020)
Figura 3. Comportamiento de la secuencia. Trazado del gráfico y=f(q) del polinomio, así
como la diagonal y=q. Fuente: Berglund, 2020.
Para conocer q2 se traza una vertical arriba de q1=1/8. Esta corta el gráfico del polinomio en
el punto de ordenada q2=f(q1). Para calcular q3=f(q2) hay que reunir primero q2 sobre el eje
de las abscisas, lo que se hace trazando una horizontal desde el punto (q1, q2) que corta la
diagonal en (q2, q2). Se observa luego dónde corta el gráfico de f una vertical que contiene
ese punto, y así sucesivamente. La figura muestra que la secuencia de los qn tiende hacia un
punto de intersección del gráfico de f y de la diagonal, es decir, tal que f(q)−q=0. (Berglund,
2020)
La factorización f(q)
−q=18(q−1) (q2+4q−1)
16
muestra que los valores de q tales que f(q)−q=0 son 1, −2+5–√ y −2−5–√. El valor −2+5–√ es
el único comprendido estrictamente entre 0 y 1. Es entonces él quien provee la respuesta: la
probabilidad de extinción tiende hacia −2+5–√, es decir, 23,6% (Berglund, 2020).
Las relaciones entre los individuos de una comunidad y el entorno en el cual se desenvuelven,
obteniendo como resultado final un modelo matemático que permite predecir el
comportamiento futuro de la población bajo las condiciones que presenta el entorno. En este
sentido se pretende simular los diferentes comportamientos que son imaginables al abordar
una situación, partiendo de hechos simples que se complejizan al i (Durcheva y Varbanova,
2017).
17
mediante el desarrollo tecnológico así lo muestran Quiñonez y Lecompte (2017). Desde una
mirada discreta la construcción del modelo
18
exponencial de Malthus, parte del supuesto de que la población se caracteriza por tener
períodos de reproducción estacional no solapados, con lo cual se establece que la población
en un instante (𝑡 + 1) depende directamente de la población existente en el instante 𝑡, lo que
permite establecer una sucesión, como se muestra en la ecuación (1). Involucrar nuevas
variables.
19
Conejos de Fibonacci
Leonardo de Pisa, mejor conocido como Leonardo Fibonacci fue uno de los primeros
promotores del sistema de numeración indo-arábigo (Galaviz, 2017).
Fibonacci escribió un libro llamado Liber Abaci o El Libro de las Cuentas, publicado en 1202
y que versa sobre la notación indo-arábiga y los diversos métodos que se utilizan en ella para
hacer cálculos. En los últimos capítulos de este libro muestra algunas aplicaciones del
novedoso sistema y resuelve algunos problemas aritméticos y uno de los más famosos, el de
los conejos.
Supongamos que se coloca una pareja de conejos (macho y hembra) en un prado cercado y
que se cumplen las siguientes condiciones:
❖ Los conejos nunca mueren.
❖ Los conejos alcanzan la madurez sexual a la edad de un mes.
❖ En cuanto alcanzan su madurez los conejos se aparean y a partir de ese momento lo
hacen cada mes.
❖ Cada vez que se aparean la hembra queda preñada y da a luz una pareja (macho y
hembra), luego de un mes de gestación.
La pregunta de Fibonacci era: ¿Cuántas parejas de conejos habrá en el prado luego de un
año? La solución es simple. Al iniciar tenemos una pareja y al finalizar el primer mes
seguimos con una sola pareja. Al término del segundo mes, el corral ya cuenta con 2 parejas.
Al cabo del tercer mes la pareja inicial da a luz otra pareja: ya hay 3 parejas nuevas. Al final
del cuarto mes, procrea la pareja inicial y la primogénita: tenemos 5 parejas. Al final del
quinto mes: 8 parejas y así sucesivamente (Figura 4). Al culminar el año el corral tendrá 233
parejas de conejos (Viggiani, s. f.).
Figura 4. Evolución de las parejas en los primeros meses. Fuente: Galaviz J., 2002
20
Si se analiza el problema de cuántas parejas hay mes con mes lo que se obtiene es la conocida
sucesión de Fibonacci: 1, 1, 2, 3, 5, etc., donde el i-ésimo término de la sucesión se obtiene
sumando los dos términos previos; partiendo de que los dos primeros términos son 1, la
solución al problema está dada entonces por el doceavo término de la sucesión que resulta ser
144 (Galaviz, 2017).
Esta sucesión definida (f) recibe el nombre de secuencia de Fibonacci y sus términos,
números de Fibonacci. Su fórmula es:
21
Bibliografías
https://gaceta.rsme.es/abrir.php?id=168
Brockmann D. (30 de 04 de 2018). The Logistic Map. Obtenido de The Logistic Map:
https://www.complexity-explorables.org/flongs/logistic/
Fariña J., & Castilla C. (28 de 04 de 1997). Los conceptos de equilibrio y no-equilibrio.
Obtenido de Los conceptos de equilibrio y noequilibrio:
http://rchn.biologiachile.cl/pdfs/1997/3/Fari%C3%B1a_et_al_1997.pdf
22
Flores, O. (2018). Metapoblaciones. BIOLOGÍA EN TEORÍA.
https://bioteoria.wordpress.com/2018/05/07/metapoblaciones/#:~:text=Una%20met
apoblaci%C3%B3n%20es%20un%20conjunto,en%20parches%20que%20contiene
n%20subpoblaciones
https://www.researchgate.net/publication/31755617_Elogio_de_la_pereza_la_cie
ncia_de_la_computacion_en_una_perspectiva_historica_J_Galaviz_Casas
Hernández, C., Carpio, N., (2019). Introducción a los tipos de muestreo. Revista Alerta.
Obtenido de: file:///C:/Users/jets/Downloads/7535-Manuscrito-26107-1- 10-
20190607.pdf
http://images.math.cnrs.fr/La-probabilidad-de-extincion-de-una-especie-
amenazada.html?lang=fr
López & Becerril, R. A. F. (2015). ¿Meta ... qué? ¡Metapoblación! Sisal UNAM.
http://www.sisal.unam.mx/labeco/LAB_ECOLOGIA/Ecologia_de_Poblaciones
_y_Comunidades_files/meta.pdf
23
Pacheco, J. (2021, agosto 25). Estocástico. Economía360.
https://www.economia360.org/estocastico/
Relación entre los Procesos de Ramificación y los Procesos de Lévy. (s/f). Cimat.mx.
https://www.cimat.mx/~jcpardo/tesis.pdf
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&cad=rja
&uact=8&ved=2ahUKEwiq-
9zWttP7AhWQJkQIHRxMDUM4ChAWegQIIBAB&url=https%3A%2F%2Fww
w.famaf.unc.edu.ar%2F~revm%2FFibonacciFinal2.pdf&usg=AOvVaw0VTrGubh
ngCzanNUkQCFNU
24