UNIVERSIDAD NACIONAL AUTÓNOMA DE HONDURAS

FACULTAD DE

CIENCIAS ESCUELA DE

BIOLOGÌA

ECOLOGÍA GENERAL (BI-330)

CATEDRÁTICO: MSc DAVID LOBO

TAREA # 2

SECCIÓN: 1000

INTEGRANTES

BLANCA YAMILETH CAMPOS MEZA 20191003651

CINTHIA WALEZKA CARDENAS RODRIGUEZ 20191003574

TIFFANY CAROLINA GONZALEZ CASCO 20181031631

WILMAN ELIUD MEJÍA VELASQUEZ 20181004531

CIUDAD UNIVERSITARIA 29 DE NOVIEMBRE DE 2022

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).

Una Metapoblación es un conjunto de poblaciones próximas que intercambian individuos

(misma especie) actuando como una gran población fragmentada o aislada conteniendo
subpoblaciones. No es más que estas subpoblaciones que ocupan estos fragmentos hábitat de
una especie interactuando (no a manera de rutina) entre sí por corredores de dispersión de los
individuos es restringido y es sujetado a procesos demográficos como la natalidad
mortalidad, emigración inmigración (Flores, 2018).

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).

Características de una metapoblación

 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).

1. El hábitat adecuado se produce en diferentes parcelas que pueden estar

ocupadas por poblaciones que se reproducen a nivel local.
2. Incluso las poblaciones más grandes tienen un riesgo considerable de
extinción.
3. Las parcelas de hábitat no deben estar aisladas de tal modo que no permitan
la recolonización tras una extinción local.

4. Las dinámicas de las poblaciones locales no están sincronizadas

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

El modelo de Verhulst se orienta en una ecuación logística conocida por el crecimiento de

una población y ajustó los parámetros de esta ecuación a los datos de población de varios
países.

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

En su aplicación a la biología la homeostasis es el estado de equilibrio dinámico o el conjunto

de mecanismos por los que todos los seres vivos tienden a alcanzar una estabilidad en las
propiedades de su medio interno y por tanto de la composición bioquímica de los líquidos,
células y tejidos para mantener la vida, siendo la base de la fisiología (Martinez, 2016).

El ecosistema está en equilibrio, pero se trata de un equilibrio dinámico, ya que las

poblaciones que viven en él están sometidas a continuos cambios que pueden modificar tanto
el número de poblaciones como de individuos. El ecosistema cuenta con algunos mecanismos
que tratan de contrarrestar estos cambios para volver a conseguir la estabilidad. Un ejemplo
es la relación entre depredadores y sus presas, que también está autorregulada. Si hay muchas
presas los depredadores se las comen y se reproducen. Cuando hay muchos depredadores, el
número de presas disminuye y los depredadores tienen más dificultad para alimentarse, por lo
que se reproducen menos. Al haber menos depredadores, el número de presas vuelve a
aumentar (Figura 1). Así se mantiene en un equilibrio estable (Luis, 2020).

Figura 1. Representación gráfica del equilibrio dinámico. Fuente: Luis, 2020.

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).

Diagrama de Verhulst o de telaraña.

El diagrama de Cobweb (Figura 2), expuesto por Pierre-François Verhulst, es un método

gráfico importante para el análisis de la estabilidad de los puntos de equilibrio de x(n+1) =
f(x(n)), el cual consiste en realizar una gráfica de f en el plano (x(n), x(n+1)). Entonces dado
x
(0) = x0, señalamos el valor x (1) al trazar una línea vertical a través de x0 de modo que también
9
se cruza la gráfica de f en (x0, x(1)). Luego se traza una línea horizontal de (x0, x (1)) a la
línea diagonal y = x en el punto (x (1), x (1)). Una línea vertical trazada desde el punto (x (1),
x (1)) se encontrará con la gráfica de f en el punto (x (1), x (2)). Continuando este proceso, se
puede encontrar x(n) para todo n > 0 (CHACON, 2015).

Figura 2. Diagrama de telaraña de Cobweb. Fuente: Chacón, 2015

Bifurcación en tridente

El diagrama de bifurcaciones muestra los distintos comportamientos del sistema en función

del valor de su parámetro r. Está construido iterando una cantidad determinada de veces (eje
vertical) para un intervalo de valores del parámetro (eje horizontal). El número de iteraciones
efectivo es particularmente importante cerca de los puntos de bifurcación. Se ha de tener en
cuenta que si la resolución del cálculo del diagrama supera a la de la propia pantalla no se va
a añadir mucho más detalle (Castelo J, 2010).
En la ventana asociada a este cálculo encontramos las siguientes opciones:
 Intervalo de valores del parámetro: intervalo de r para el cual se van a calcular las
iteraciones.
 Número de valores del parámetro que se toman en el intervalo.
 Número de iteraciones: iteraciones que se calcularán para cada valor de r.
 Transitorio: número de iteraciones que se descartarán contando desde la primera
iteración.
 Barra de desplazamiento: mueve un curso sobre la gráfica para seleccionar un valor
concreto del parámetro (Castelo J, 2010).

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)

Modelo determinista y Modelo Estocástico

El determinista es un modelo matemático donde las mismas entradas o condiciones iniciales
producirán invariablemente las mismas salidas o resultados, no contemplándose la existencia
de azar, o incertidumbre en el proceso modelado mediante dicho modelo (Ríos Sixto, 1995).

Está estrechamente relacionado con la creación de entornos simulados a través de

simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión que
permitan disminuir la propagación de errores. Los modelos deterministas sólo pueden ser
adecuados para sistemas deterministas no caóticos; para sistemas azarosos (no-determinista)
y caóticos (determinista impredecible a largo plazo) los modelos deterministas no pueden
predecir adecuadamente la mayor parte de sus características (Ríos Sixto, 1995).

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 de los modelos probabilísticos en Ecología/ Biología

Se exponen modelos aplicados al crecimiento de poblaciones en diferentes especies de

animales. El primer modelo que se expone es un modelo simple, que toma en cuenta pocas
variables, este modelo es el modelo de crecimiento poblacional exponencial (Caballero
Enríquez, 2004).

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
͕͕͕

La probabilidad de extinción de una especie amenazada

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:

 ningún hijo con probabilidad 1/8,

 un hijo con probabilidad 3/8,
 dos hijos con probabilidad 3/8,
 tres hijos con probabilidad 1/8.

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)

Cómo encontrar la probabilidad de extinción

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).

Si inicialmente hay dos individuos en lugar de uno, la población se extingue si y solamente si

ninguno de los dos ancestros tiene hijos. La independencia implica que eso ocurre con una
probabilidad de q21=1/64. Del mismo modo, si inicialmente hay N individuos, la
probabilidad de que ninguno de ellos tenga hijos es de qN1=1/(8N). Calculemos ahora, para
un ancestro único, la probabilidad de extinción al cabo de dos generaciones. Esto ocurre si:

 El ancestro no tiene hijos, es decir, una probabilidad de 1/8;

 El ancestro tiene un hijo que a su vez no tiene hijos; la probabilidad de que eso
suceda es de (3/8) ⋅ (1/8) = (3/8) ⋅q1;
 El ancestro tiene dos hijos, que a su vez no tienen, lo que ocurre con una
probabilidad de (3/8) ⋅q21;
 Finalmente, el ancestro tiene tres hijos, ninguno con descendientes, entonces la
probabilidad es de (1/8) ⋅ q31.

Añadiendo estas probabilidades, llegamos a la expresión

q2=18+38q1+38q21+18q31.

Como q1=1/8, se obtiene q2=729/4096, que es cercano a 17,8%.

¿Cuál es la probabilidad de que la población se extinga luego de tres generaciones? Un

razonamiento similar muestra que esto viene dado por:

q3=18+38q2+38q22+18q32

De hecho, se obtiene para todo n a partir de 1 la relación de recurrencia

15
qn+1=f(qn),

donde f es el polinomio

f(q)=18+38q+38q2+18q3.

Dicho de otra forma, se tendrá q3=f(q2) =f(f(q1)), q4=f(f(f(q1))), y así sucesivamente.

¿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).

Uso de probabilidades en modelo de crecimiento poblacional Discreto

El trabajo matemático en torno a la generación de modelos presenta diferentes escenarios

bajo los cuales se construyen de acuerdo a las características del fenómeno a modelar; en
particular los modelos en tiempo discreto se presentan como el mejor método para describir
el comportamiento de un fenómeno que se rastrea a partir de mediciones temporales
igualmente espaciadas (Durcheva y Varbanova, 2017).

En este sentido el proceso de comprender la manera en la cual se interrelacionan los

individuos de una comunidad y la forma óptima en que éstos aprovechan los recursos que les
proporciona su entorno, es una tarea compleja en la que se involucran elementos
característicos de las poblaciones y objetos matemáticos apropiados para describir. (Durcheva
y Varbanova, 2017).

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).

Construcción Discreta Del Modelo Poblacional De Malthus

Uno de los modelos discretos usados en el contexto biológico es el modelo poblacional de

Malthus o modelo Malthusiano (Hodgson, 2016), el cual establece que una población
aumenta su tamaño en una tasa proporcional al número de individuos presentes en cada
instante de tiempo; bajo este supuesto las tasas de natalidad y mortalidad siempre
permanecerán constantes con lo cual la población siempre aumentará su tamaño, sin embargo
este modelo no puede ser indefinidamente válido, ya que llegará un momento en que los
recursos alcancen su límite, acortando la tasa de crecimiento, pero puede ser apropiado en el
corto plazo. En el caso de las poblaciones humanas, el crecimiento exponencial se puede
sostener por períodos largos si los recursos aumentan a medida que crece la población,

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.

𝑁𝑡+1 = 𝑓(𝑁𝑡); 𝑁0 > 0 (1)

En la ecuación (1), 𝑁𝑡 indica el número de individuos presentes en el instante (𝑡 + 1) y 𝑁0 el

tamaño inicial de la población. Para un mejor entendimiento del modelo exponencial de
Malthus, se puede considerar el caso de un crecimiento bacteriano. Suponiendo que se tiene
una población de bacterias y que cada veinte minutos, la población existente se duplica,
además teniendo en cuenta que el número inicial de individuos es cien.

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:

Los primeros términos de la sucesión de Fibonacci son:

Es decir, este tiene un crecimiento exponencial y a cada paso de forma aproximadamente

geométrica con un factor cercano a 1.62, suponiendo que no mueren ni se escapan (Alonso &
Bermudez, 2002).
Aunque el problema, por su excesiva simplificación, nunca ha despertado mucho interés en
los biólogos que estudian las poblaciones de estos roedores, si resulta seguro que con este
problema Fibonacci planteaba un buen caso práctico para que los lectores se pudieran
ejercitar en el uso de los algoritmos de su nueva aritmética (Alonso & Bermudez, 2002).

21
 Bibliografías

Alonso A. & Bermúdez T. (2002). De conejos y números. La sorprendente sucesión de

Fibonacci. La Gaceta de la Real Sociedad Matemática Española, 5(1), 175-196.

https://gaceta.rsme.es/abrir.php?id=168

Anónimo. (30 de 11 de 2020). la ecuación logística. Obtenido de la ecuación logística:

https://intranetua.uantof.cl/estudiomat/calculo/poblacion/logistica/logistica.html

Brockmann D. (30 de 04 de 2018). The Logistic Map. Obtenido de The Logistic Map:
https://www.complexity-explorables.org/flongs/logistic/

Caballero Enríquez J., & Diferenciales E. P. (s/f). Unam.mx. Recuperado el 29 de noviembre

de 2022, de https://lya.fciencias.unam.mx/gfgf/ode/ode_files/result5a.pdf

Castelo J. (2010). La aplicación logística: un laboratorio del caos. Dirección:

https://www.uv.es/oteo/LM/Tesis%20de%20Master.pdf

Chacón G. (2015). Estabilidad De La Dinámica Discreta En El Modelo De Crecimiento

Económico De Solow Con Una Ecuación Logística. Repository Udistrial, 53.

Cueva, M. d. (06 de 08 de 2011). El modelo de crecimiento de la población de Verhulst.

Obtenido de El modelo de crecimiento de la población de Verhulst:
https://rde.iiec.unam.mx/revistas/6/articulos/3/35.php

EDAN. (22 de 09 de 2019). Modelos discretos en Biología. Obtenido de Modelos discretos

en Biología: http://departamento.us.es/edan/php/asig/GRABIO/GBM/Tema2.pdf

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

Galaviz, J. (2017). Elogio de la pereza: la ciencia de la computación en una perspectiva

histórica / J. Galaviz Casas. ResearchGate.

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

Images des mathématiques. (s/f). Cnrs.fr. Recuperado el 29 de noviembre de 2022, de

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

Luis, P. (30 de 11 de 2020). Equilibrio en los ecosistemas. Obtenido de Equilibrio en los

ecosistemas: https://biologia

Martinez, S. (23 de 09 de 2016). EQUILIBRIO DINAMICO. Obtenido de EQUILIBRIO

DINAMICO: https://prezi.com/rulpdzj59d-
f/equilibriodinamico/?frame=2d3c916ccfbcfd4fd79f054cd8e4c6715cc2fc8

23
Pacheco, J. (2021, agosto 25). Estocástico. Economía360.

https://www.economia360.org/estocastico/

Rodríguez D. (2006). Modelos De Metapoblaciones Y De La Dinámica Espacio-Temporal

De Comunidades. Scielo.
http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0378-8442006000700015

Rojas & Araya, H. S. (2019). Medidas de conservación ex situ: Un enfoque metapoblacional

a partir del modelo clásico de Levins. Scielo.
https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0717-
65382019000100046

Relación entre los Procesos de Ramificación y los Procesos de Lévy. (s/f). Cimat.mx.

Recuperado el 29 de noviembre de 2022, de

https://www.cimat.mx/~jcpardo/tesis.pdf

Viggiani, M. (s. f.). La sucesión de Fibonacci. Universidad Nacional de Tucumán.

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