Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/308699792
CITATION READS
1 5,095
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Iván de Jesús May-Cen on 28 September 2016.
34
ABSTRACT — La coexistencia de dos o más Sin perder generalidad, puede definirse
especies en su hábitat juega un papel muy población como un conjunto de organismos de la
relevante para el equilibrio ecológico. Se misma especie que habita en una misma área, en
presentarán diversos modelos matemáticos para un tiempo determinado y que están posibilitados
la interacción entre dos o más especies, así como para intercambiar información genética entre sí
las predicciones que se pueden obtener a partir mediante la reproducción. También poseen
de estos modelos. Estos esquemas consisten en el atributos estadísticos como densidad, natalidad,
modelo de Malthus, logístico y de mortalidad, distribución y dispersión. En el
Lotka-Volterra, a partir de los cuales se presente trabajo, con la finalidad de no ser
fundamentan diversos sistemas de ecuaciones repetitivos, emplearemos los conceptos de
diferenciales ordinarias que modelan una población y especie de manera indistinta,
interacción del tipo depredador-presa. Se entendiéndolas con el mismo significado.
presentarán predicciones, gráficas y numéricas,
obtenidas al resolver los sistemas de ecuaciones
mediante el software MatLab TM. Finalmente se Los atributos genéticos, cuando interactúan con
presenta una sugerencia para aplicar los modelos las componentes ambientales, posibilitan en las
expuestos como una alternativa de solución al especies el desarrollo de nuevas características
problema de las enfermedades transmitidas por como adaptabilidad, capacidad de reproducción,
mosquitos. entre otras. De esta manera, las poblaciones
presentan un comportamiento dinámico,
caracterizadas por cambios constantes en sus
Palabras clave: Modelo matemático, modelo atributos, que a futuro influyen en el tamaño de
de Malthus, modelo logístico, modelo de Lotka- la especie.
Volterra, modelo depredador-presa.
35
II. METODOLOGÍA
En este apartado, se describirá el concepto de modelo matemático para posteriormente introducir los
modelos que se emplearán en este trabajo. Los modelos que se presentarán constituyen los cimientos
para comprender no solo los métodos matemáticos que se requieren para resolverlos, sino también para
poner en contexto las suposiciones inherentes a cada esquema. Además, es imprescindible entender el
significado de un modelo matemático como un acercamiento a la descripción de un fenómeno de interés.
A. Modelo matemático
Con frecuencia se desea describir el comportamiento de algún sistema o fenómeno de la vida real en
términos matemáticos; dicho sistema puede ser físico, sociológico o ecológico, por mencionar algunos.
La descripción matemática de un sistema o fenómeno se llama modelo matemático [5, 8, 9] y se forma con
ciertos objetivos en mente.
La formulación de un modelo matemático de un sistema se inicia [5, 8, 9]: Identificando a las variables
causantes del cambio del sistema. Inicialmente pueden no incorporarse todas las variables en el modelo.
Especificamos el nivel de resolución del modelo.
A continuación:
Establecemos hipótesis razonables acerca del Como parte primordial de las hipótesis, deben
sistema que tratamos de describir. asumirse ciertas restricciones que definen parte
del modelo que se pretende manejar. Por ejemplo,
asumir un espacio y alimentos ilimitados en el que
Dado que las hipótesis acerca de un sistema una especie se desarrolla sin que otros organismos
implican con frecuencia la razón o tasa de cambio interfieran en el tamaño de la población,
de una o más de las variables, el enunciado suponiendo que esta crezca de manera
matemático de todas esas hipótesis es una o más proporcional, esta suposición define un modelo
ecuaciones donde intervienen derivadas. exponencial [6], también llamado modelo de
Malthus.
36
B. Modelo de Malthus
Uno de los primeros modelos matemáticos aplicados al crecimiento poblacional es el que en el año de
1798 el economista inglés Thomas Malthus desarrolló. La idea básica del modelo es la suposición de que
la velocidad a la cual crece la población es proporcional al tamaño de la población. Si P(t) representa el
número de habitantes en la población en el tiempo t, la suposición del modelo de Malthus [6] se
formula como:
dP
kP
dt
dónde k es la constante de proporcionalidad. A pesar que el modelo falla al tomar en cuenta muchos
factores como la emigración e inmigración por ejemplo, el modelo es adecuado para predecir
poblaciones en periodos de tiempo corto. Para las simulaciones que se presentarán se asumen las
poblaciones en miles y el tiempo en días.
P (t ) P0 e kt
P0
dónde: representa la población inicial en el tiempo t = 0.
Esto significa que, si en un tiempo inicial t0 se tiene una población de mosquitos P0, asumiendo el
modelo de Malthus, la población de insectos crecerá de forma exponencial sin ningún control. En la Fig.
1 podemos observar la gráfica de una función solución al modelo de Malthus.
37
Las soluciones a la ecuación logística predicen
con bastante exactitud las pautas de crecimiento
de ciertos tipos de bacterias, protozoarios, pulgas
de agua y moscas de la fruta, en un espacio
limitado.
dP
Fig. 1. Gráfica de la solución al modelo de Malthus. Podemos ob-
0.1P 0.001P 2 , P(0) 3
dt
servar que la población crece sin control conforme transcurre el
tiempo.
38
Fig. 2. Gráfica de la solución al modelo logístico. Observamos la existencia de un límite para la población.
39
D. Modelo de Lotka-Volterra 3. Al no existir encuentros entre las especies, los
En cada ecosistema no vive sólo una especie de depredadores tienden a extinguirse.
población. La diversidad de las especies da pie a 4. Cada especie sigue un crecimiento logístico.
la competencia [12, 13] por los recursos del Por ejemplo para determinar la solución al
medio ambiente. Existe cierta jerarquía a causa modelo:
de la cadena alimenticia, esta induce los
conceptos de presas y depredadores, en el que dx
estos últimos se alimentan de los primeros para x 0.5 xy
dt
poder sobrevivir [1].
dy
0.75 y 0.25 xy
dt
Las ecuaciones de Lotka-Volterra [3,14], también x0 2
conocidas como ecuaciones predador-presa [2], y0 3
son un par de ecuaciones diferenciales de primer
orden no lineales que se usan para el modelado
de dos poblaciones que interactúan, una presa y A través de MatLab TM podemos hacer una
un depredador. Las ecuaciones fueron función para resolverla:
propuestas de forma independiente por Alfred J. Function dP = fun_lotkavolterra(t,P)
Lotka en 1925 y Vito Volterra en 1926.
dP = zeros(2,1); %vector columna de
Tales ecuaciones se definen como: 2x1
dx dP(1) = P(1)-0.5*P(1)*P(2);
ax bxy dP(2) = -0.75*P(2)+0.25*P(1)*P(2);
dt
End
dy
cy dxy
dt [T,Y] = ode15s(@fun_lotkavolterra,[0
dónde: 30],[2 3]);
%Al no introducir options se
x = Cantidad de presas al tiempo t.
utilizan los valores
y = Cantidad de depredadores al tiempo t. %por default 1e-3, 1e-6
Del modelo de Lotka-Volterra notamos que: %Graficamos
figure(1)
plot(T,Y(:,1),'-o', T, Y(:,2), '-')
1. El término xy modela el número de encuentros xlabel('Tiempo t')
entre el depredador y la presa. ylabel('Población')
2. La competencia o la interacción title('Solución a un modelo
entre las especies está Lotka-Volterra')
dada por xy. legend
('Presas','Depredador')
42
V. REFERENCIAS
[1] Levin, S. A., Hallam, T. G., & Gross, L. J. (Eds.). Ap- [16] Shi, R., Tang, S., & Feng, W. Two generalized preda-
plied mathematical ecology (Vol. 18). Springer Science & tor-prey models for integrated pest management with
Business Media. (2012). stage structure and disease in the prey population. In Ab-
stract and Applied Analysis (Vol. 2013). Hindawi Pub-
[2] Hoppensteadt, F. Predator-prey model. Scholarpedia,
lishing Corporation. (2013).
1(10), 1563. (2006).
[17] Tang, Y., & Xiao, D. Periodic Solutions for a Predator
[3] Ávila E.J. Coexistencia para un sistema con dos espe-
–Prey Model with Periodic Harvesting Rate. Internation-
cies en competencia. Miscelánea Matemática, Sociedad
al Journal of Bifurcation and Chaos, 24(07), 1450096.
Matemática Mexicana, (30), 17-25. (2000).
(2014).
[4] Hannon, B., & Ruth, M. Predator-Prey Models. In Dy-
[18] Li, L., & Jin, Z. Pattern dynamics of a spatial preda-
namic Modeling (pp. 204-211). Springer New York.
tor–prey model with noise. Nonlinear dynamics, 67(3),
(2001).
1737-1744. (2012).
[5] D. Zill, M. R. Cullen, Ecuaciones diferenciales con
[19] Dobramysl, U., & Täuber, U. C. Environmental ver-
problemas de valores en la frontera, Thomson Learning,
sus demographic variability in two-species predator-prey
Quinta edición, México, (2002).
models. Physical review letters, 110(4), 048105. (2013).
[6] Bejarano, C. A. Modelos de simulación para el estudio
[20] Estrella-González, A. G., García-Almeida, G. E., &
del crecimiento poblacional exponencial. Épsilon, (4), 69-
Avila-Vales, E. J. Estabilidad Local de Sistemas de Ecua-
81. (2005).
ciones Diferenciales Ordinarias con Retardo y Aplicacio-
[7] Ibarra, J. T. U., & Carrillo, J. A. R. El modelo logístico: nes. Abstraction and Application Magazine, 8. (2014).
Una alternativa para el estudio del crecimiento poblacio-
[21] González, A. G. E., Almeida, G. E. G., & Vales, E. J.
nal de organismos. REDVET. Revista Electrónica de Ve-
(2010). Estabilidad local de ecuaciones diferenciales ordi-
terinaria, 11(3). (2010).
narias con retardo y aplicaciones. Miscelánea Matemáti-
[8] G. F. Simmons, Ecuaciones diferenciales con aplica- ca, Sociedad Matemática Mexicana, (51), 73-92. (2010).
ciones y notas históricas, Mc Graw Hill, Segunda edición,
[22] Dias, W. O., Wanner, E. F., & Cardoso, R. T. A mul-
España, (1999).
tiobjective optimization approach for combating aedes
[9] D. Lowen, D. Lovelock, Ecuaciones diferenciales a aegypti using chemical and biological alternated step-size
través de gráficas, modelos y datos, John Wiley & Sons, control. Mathematical biosciences, 269, 37-47. (2015).
Inc., México, (1999).
[23] López, L. E., Muñoz-Loaiza, A., Olivar-Tost, G., &
[10] Chapra, S. C., & Canale, R. P. Numerical methods for Betancourt-Bethencourt, J. A mathematical model for
engineers (Vol. 2). McGraw-Hill. (2012). controlling the spread of dengue. Revista de Salud Públi-
ca, 14(3), 512-523. (2012).
[11] Wouwer, A. V., Saucez, P., & Vilas, C. Simulation of
Ode/Pde Models with MATLAB®, OCTAVE and SCIL- [24] Christiansen-Jucht, C., Erguler, K., Shek, C. Y., Basá-
AB: Scientific and Engineering Applications. Springer. ñez, M. G., & Parham, P. E. Modelling Anopheles gambi-
(2014). ae Population Dynamics with Temperature-and Age-
Dependent Survival. International Journal of Environ-
[12] Zhao, J., & Wang, M. A free boundary problem of a mental Research and Public Health, 12(6), 5975-6005.
predator–prey model with higher dimension and hetero- (2015).
geneous environment. Nonlinear Analysis: Real World
Applications, 16, 250-263. (2014). [25] Reiner, R. C., Perkins, T. A., Barker, C. M., Niu, T.,
Chaves, L. F., Ellis, A. M., ... & Buckee, C. A systematic
[13] Carreño, R. C., Cámara, M. A. G., Vega, P. B., García, review of mathematical models of mosquito-borne patho-
T. C., & Andújar, A. S. Modelos matemáticos de depreda- gen transmission: 1970–2010. Journal of The Royal So-
dor-presa en cultivos hortícolas en invernadero en el Sud- ciety Interface, 10(81), (2013).
este de la Península Ibérica. Boletín de sanidad vegetal.
Plagas, 26(4), 665-672. (2000).
[14] Jiang, D., Ji, C., Li, X., & OʼRegan, D. Analysis of
autonomous Lotka–Volterra competition systems with
random perturbation. Journal of Mathematical Analysis
and Applications, 390(2), 582-595. (2012).
[15] Rodríguez, J. R., & Guzmán, J. Susceptibilidad al
lambdacialotrina y patrones de esterasas en poblaciones
naturales de Aedes aegypti de los distritos de Laredo (La
Libertad) y Sullana (Piura). REVISTA REBIOL, 33(2), 58-
66. (2014).
4432
View publication stats