Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EN
INGENIERÍA AMBIENTAL
CON APLICACIONES
1
Contenido
1 Introducción 1
3 Transiciones de Fase 27
3.1. Caracterización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Modelo Ising . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3. Simulación Montecarlo . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5 Descomposición Espinodal 83
5.1. Ecuación de Cahn-Hilliard . . . . . . . . . . . . . . . . . . . . . . . . 83
ii
Contenido
9 Resiliencia 167
9.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
9.2. Cambio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
9.3. Ciclos Adaptativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
Bibliografı́a 175
iii
Prefacio
A theory is the more impressive the greater the simplicity of its premises
is, the more different kind of things it relates, and the more extended
is its area of applicability. Therefore the deep impression which classical
thermodynamics made upon me. It is the only physical theory of universal
content concerning which I am convinced that, within the framework of
applicability of its concepts it will never be overthrown.
This book is intended primarily for research students. Readers who come
to it seeking crystallized Truth will go away irritated. I suspect that the
most satisfied readers will be those who come with revisionist intentions,
seeking the frayed ends of new puzzles and seeking outright errors that
might lead to novel perspectives.
Una selva tropical es un primer ejemplo de un sistema complejo. Tiene una casi infinita
variedad de especies, las interacciones entre ellas van desde generales (un ejército de
hormigas consume todo lo que encuentra a su paso), hasta muy especializadas (la
polilla con lengua de 30 cm única capaz de fertilizar la orquı́dea cometa estudiada por
Darwin). La adaptación es rápida y permanente. Toda esta diversidad está soportada
por suelos pobres, cuyos nutrientes se lixivian por las abundantes lluvias. Pero la
temperatura y la lluvia son benignas para la vida, quizás diseñadas y producidas por
la vida (Holland 2014; Lovelock 1995). Entre las caracterı́sticas de esta complejidad
está la emergencia de propiedades nuevas, que no están presentes en las partes. Otros
sistemas con complejidades parecidas son el resto de ecosistemas, el sistema climático,
el océano, un lago, el cuerpo humano, la mente humana, los mercados, la opinión
pública, las dinámicas sociales.
Aunque se ha avanzado en el conocimiento a escala atómica de los fenómenos naturales
y la comprensión de la vida a escala molecular se expande a pasos agigantados, se
v
PREFACIO
entiende relativamente poco de los cambios abruptos en los sistemas complejos. Esta
relativa dificultad está acompañada por el ritmo acelerado del crecimiento poblacional
y material. Como consecuencia estamos sometiendo todos estos sistemas a pruebas de
carga sin precedentes, en varios casos produciendo fallas y colapsos, todo acompañado
de precariedad en el conocimiento.
Las interacciones entre las partes son el origen de la complejidad. En fı́sica el modelo
más exitoso para estudiar las interacciones es el estudio de las transiciones de fase
en mecánica estadı́stica. Aunque a primera vista parece intimidante, la apuesta es
que estas transiciones se pueden explicar claramente y que como modelo sirven para
el estudio de otros sistemas complejos en los cuales las interacciones dan lugar a
transiciones abruptas. Para cumplir con este propósito son necesarias herramientas
no triviales como los grupos de renormalización.
Lo más fácil está resuelto. Muchas mentes brillantes que nos antecedieron nos dejaron
ese legado. Pero también de ellas se reciben las preguntas abiertas. No podemos
esperar que los métodos tradicionales las van a resolver. Por eso hay que estar abiertos
a los métodos innovadores.
Los requisitos para este texto son cálculo, álgebra lineal, teorı́a de probabilidades y
termodinámica, al nivel de los cursos estándares de pregrado de la mayorı́a de las
universidades modernas. Aunque el tratamiento matemático no es formal, hay un
esfuerzo por el rigor.
No hay pretensiones de originalidad. Se usa material, ejemplos, figuras y ejercicios de
diferentes fuentes. En cada caso se hace el esfuerzo por el crédito debido. De Mesa
(2018) se toma material para algunas secciones con poca o ninguna modificación, con
el ánimo de tener un texto auto contenido.
vi
Capı́tulo 1
Introducción
El interés es estudiar los fenómenos crı́ticos, desde una perspectiva aplicada a los
sistemas socio-ambientales, conscientes de la necesidad de usar conceptos y métodos
avanzados. Los desafı́os son inmensos.
Una dificultad común es relacionar las propiedades de un sistema observado a una
cierta escala con aquellas a una escala mayor o menor. En general, se tratan las escalas
menores tomando promedios y las mayores con un valor constante. Esto no siempre
es válido, en particular cuando varias escalas juegan un papel. De hecho este es el
tema de este libro, el estudio de sistemas que no tienen una escala caracterı́stica, sino
que muchas escalas juegan simultáneamente un papel no despreciable, la llamada in-
varianza de escala. Estos conceptos son propios de la fı́sica moderna e incluyen temas
como renormalización y universalidad, que han demostrado ser importantes para tra-
tar sistemas complejos. Entendemos por sistemas complejos aquellos en los cuales la
inter–acción de las componentes es fundamental y no es aplicable el método lineal de
descomponer un problema en componentes más pequeñas que luego se superponen.
Se inicia con termodinámica y mecánica estadı́stica, además de la importancia intrı́nse-
ca de estos temas, son fundamentales para entender las transiciones de fase, que se
toman como paradigma de las transiciones crı́ticas. El enfoque se basa en el con-
cepto de máxima entropı́a, que en pocas palabras significa que se observa lo más
probable (Jaynes 1957; Jaynes 1978; Jaynes 2003; Ellis 2012). La Mecánica Estadı́sti-
ca busca entender y predecir propiedades macroscópicas a partir de distribuciones
probabilı́sticas que tienen en cuenta las complejas interacciones entre las partı́culas
microscópicas que conforman la substancia. Boltzmann re-interpretó la entropı́a en
términos estadı́sticos de tres maneras fundamentales:
a) Aleatoriedad : la entropı́a es una medida de la aleatoriedad de un sistema.
b) Logarı́tmica: si la entropı́a de un determinado macro estado es S, entonces
S ∝ log W , con W la probabilidad termodinámica (número de micro estados)
compatibles con tal macro estado.
1
1. Introducción
2
Capı́tulo 2
Fundamentos de Termodinámica y
Mecánica Estadı́stica
Presión
El diferencial de trabajo dW que ejerce un pistón sobre un gas por la presión de
compresión p debida a un desplazamiento dx es
3
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
con una velocidad v y rebota elásticamente con una velocidad de igual magnitud y
sentido contrario. El segundo factor es el número de colisiones por unidad de tiempo,
pues vx tA es el volumen ocupado por las moléculas que se van a chocar con el pistón
en el tiempo t y n es el número de moléculas por unidad de volumen. Esto se puede
expresar como
p ≈ 2nmvx2 = nmhvx2 i.
El 2 no aparece en la segunda igualdad porque el promedio del cuadrado de la velo-
cidad incluye tanto las positivas como las negativas y sólo hay que considerar las que
van hacia el pistón. Ahora, el promedio de la velocidad al cuadrado es
hvx2 i = hvy2 i = hvz2 i = hv 2 i/3,
donde v es la magnitud de la velocidad, por lo tanto
p = 23 nhmv 2 /2i.
Temperatura
Un concepto clave es el equilibro. Considere dos recipientes, con gases diferentes, se-
parados por un pistón movible. Al cabo de un tiempo se tendrá igualdad de presiones,
es decir
n1 hm1 v12 /2i = n2 hm2 v22 /2i.
Pero además habrá equilibrio de la energı́a cinética debida a las vibraciones (lo que
vamos a continuación a denominar como temperatura). Debido al gran número de
moléculas del gas y a principios de simetrı́a es razonable esperar que la dirección de
las colisiones se distribuya uniformemente en la esfera. Para el caso de dos partı́culas,
con velocidad relativa al centro de masa w esto se puede expresar como
hw · vcm i = 0,
que significa que el promedio del producto escalar es cero porque no hay una dirección
preferida. En este caso esto se puede desarrollar como
h(v1 − v2 ) · (m1 v1 + m2 v2 )i = hm1 v12 /2 − m2 v22 /2i + (m2 − m1 )hv1 · v2 i
= 0.
4
2.1. Cinética de Gases
5
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
2.2. Entropı́a
Entropı́a de Boltzman
La entropı́a de Boltzman SB es una variable macroscópica extensiva, definida en
términos del número de microestados M mediante,
SB = k ln M, (2.1)
SB = k ln M.
Expansión de gases
La tendencia de un gas a ocupar el máximo volumen disponible se puede explicar
considerando un modelo elemental de ocupación de m sitios por n partı́culas. Se
considera que no es posible ocupaciones múltiples, más de una partı́cula en un solo
sitio. El número de arreglos distinguibles es
m!
M (n, m) = ,
n!(m − n)!
que para el número de partı́culas n fijo crece muy rápidamente con m, el número de
sitios. Con un número grande de partı́culas dado, M (n, m) se puede interpretar como
el número de micro estados asociados al macro estado volumen ocupado por el gas
(proporcional a m). Por tanto la tendencia de los gases a ocupar el máximo volumen
disponible se explica de acuerdo al principio de máxima entropı́a porque a mayor
volumen hay mayor número de micro estados. Como el número de micro estados M
depende del volumen aparece una fuerza que vamos a asociar a la presión que tiende
a maximizar el número de microestados, a aumentar el volumen.
Un par de ejemplos numéricos para ilustrar el concepto. Suponga que el número de
partı́culas está fijo en n = 5 y hay tres posibles configuraciones de número de sitios,
6
2.2. Entropı́a
Mezcla
La tendencia a la mezcla también se puede ilustrar con un modelo elemental de
ocupación. Sean dos especies y para simplificar suponga que hay igual número de
partı́culas de cada especie, n1 = n2 = n. Sea el número posibles sitios m = 2n y
divida mentalmente el sistema en dos subsistemas X y Y cada uno con n posibles
sitios. Igualmente, se asume que no es posible la ocupación múltiple de un sitio. Los
posibles macro estados se pueden caracterizar por r el número de partı́culas de la
especie 1 en el subsistema X. Claramente en este caso en el subsistema Y hay n − r
partı́culas de la especie 1. Note que con esta información se puede determinar también
el número de partı́culas de la especie 2 en cada subsistema, [n − r, r]. El número de
micro estados asociado al macro estado r es
n! n!
M (r) = .
r!(n − r)! (n − r)!r!
El primer factor corresponde al número posibles manera de ocupar los n sitios del
subsistema X por las r partı́culas de la especie 1 y las n − r de la especie 2. El
siguiente factor es el correspondiente para el subsistema Y . Es fácil ver que entre
todos los macro estados el que tiene mayor número de micro estados es r = n/2,
es decir la tendencia a la mezcla uniforme, a que ambos subsistemas tengan igual
número de partı́culas de cada especie. La tendencia a la mezcla se puede explicar por
el principio de máxima entropı́a.
Como el número de micro estados M depende de la segregación de las partı́culas
entre las diferentes especies, la tendencia a maximizar el número de micro estados
da origen a una fuerza que veremos viene del potencial quı́mico. A medida que la
segregación decrece, es decir las partı́culas están bien mezcladas, el número de micro
estados aumenta.
Flujo de calor
Un modelo muy simple para flujo de calor es considerar dos subsistemas 1 y 2 con
n1 y n2 partı́culas cada uno. Cada una de las partı́culas puede estar en dos posibles
niveles de energı́a, el nivel base 0 = 0 y un nivel excitado 1 = 1, usando unidades
arbitrarias de energı́a.
En general el número de niveles es mayor y siguiendo la mecánica cuántica se de-
termina el valor de la energı́a de cada nivel i . El macro estado de cada uno de los
subsistema se define por el número de partı́culas y su energı́a total u. Para el caso
general, si mk denota el número de partı́culas en el nivel de energı́a k y se tienen s
7
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
posibles niveles,
P cada uno con energı́a k , con k = 0, 1, . . . , s, la energı́a del subsis-
tema es u = k mk k . En el modelo simplificado con solo dos niveles u = m1 . Es
claro que en este caso dado un número de partı́culas n, la energı́a puede tomar todos
los posibles valores entre 0 y n. Para el primer valor todas las partı́culas están en el
estado base y para el último todas están excitadas.
Aplicando el método combinatorio para el modelo simplificado, el número de micro
estados asociado al macro estado (n, u) es
n!
M (n, u) = ,
(n − u)!u!
que corresponde al número de maneras en que de las n partı́culas, n − u ocupan el
nivel 0 = 0 de energı́a y las restantes u ocupan el nivel 1 = 1.
Si los dos subsistemas no pueden intercambiar calor, siguiendo el principio de multi-
plicidad, el número de micro estados es
n1 ! n2 !
M0 (n1 , u1 , n2 , u2 ) = .
(n1 − u1 )!u1 ! (n2 − u2 )!u2 !
Ahora consideremos el caso en el que sin intercambiar partı́culas los dos subsistemas
pueden intercambiar energı́a entre si, pero no con el entorno. Es decir u1 + u2 = uc
es una constante. Entonces, el número de micro estados es
n1 ! n2 !
M (n1 , u, n2 , uc − u) = .
(n1 − u)!u! (n2 − (uc − u))!(uc − u)!
8
2.2. Entropı́a
donde fexc = u/n y fbase = 1 − u/n son las frecuencias asociadas al estado excitado
y al base respectivamente.
Por lo tanto, si dos subsistemas 1 y 2 se ponen en contacto térmico, el macro estado
con mayor número de micro estados corresponde a la igualación de temperaturas
1 f1−base f2−base 1
= k ln = k ln = .
T1 f1−exc f2−exc T2
Entropı́a de Gibbs
En el lenguaje de probabilidades la entropı́a de Gibbs se expresa como
t
X
SG = −k Pr[Bi ] ln Pr[Bi ], (2.2)
i=1
N!
M= ,
n1 !n2 ! . . . nt !
t
1 1 X
SB = k ln M ∼ −k pi ln pi = SG .
N N i=1
9
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
Ars Conjectandi
Una posible interpretación de la entropı́a es en términos de información. Lo que sigue
es una breve introducción de esta interpretación que para algunos no es diferente de
la entropı́a de la termodinámica o la mecánica estadı́stica.
Considere un evento E que puede ocurrir como resultado de un experimento aleatorio
con probabilidad p. ¿Qué tan sorprendidos estaremos de enterarnos que E ocurrió?
Es razonable suponer que la sorpresa depende sólo de p y que será mayor mientras
menor sea p. Sea I(p) la información que se obtiene si nos enteramos que E ocurrió.
También podemos interpretar I(p) como la sorpresa contenida en el evento o la in-
certidumbre que existe si el experimento no ha arrojado resultados todavı́a. Las tres
interpretaciones son equivalentes.
Los siguientes cuatro axiomas definen la forma funcional de I:
1. I(1) = 0, la ocurrencia de un evento cierto no sorprende, enterarnos de su
ocurrencia no produce información, en otras palabras, no hay incertidumbre
asociada a un evento cierto.
2. I(p) es una función estrictamente decreciente de p. En sı́mbolos, si p < q en-
tonces I(p) > I(q). A menor probabilidad mayor sorpresa, información o incer-
tidumbre.
3. La información derivada de la ocurrencia de dos eventos independientes es la
suma de las informaciones individuales. Si Pr[E1 ] = p1 , Pr[E2 ] = p2 y E1 es
independiente de E2 entonces
I(p1 p2 ) = I(p1 ) + I(p2 ).
10
2.3. Principio Máxima Entropı́a
11
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
de donde al igualar a cero las derivadas con respecto a pi y α, la solución p∗1 , p∗2 , . . . , p∗t , α∗
debe cumplir
t
X
− ln p∗i − 1 − α∗ = 0 para i = 1, 2, . . . , t, y pi = 1.
i=1
Exponenciales
Cuando hay restricciones, el principio de máxima entropı́a predice distribución expo-
nencial. Es decir la solución a
X t
1
máx S = máx − pi ln pi ,
k i=1
Pt
sujeto a la condición de normalización i=1 pi = 1, y a r restricciones de momentos,
t
X
xk,i pi = hxk,i i = µk , (2.3)
i=1
donde las r constantes µk son datos conocidos del problema para k = 1, . . . , r. Estos
momentos provienen de un conocimiento importante del sistema, por ejemplo conser-
vación de energı́a, momento angular, etc. Más adelante se presenta el caso en el cual
cada estado del sistema corresponde a la velocidad de las partı́culas y la restricción
corresponde a imponer la energı́a cinética. En este caso k = 1 por lo que sólo se usa
el subı́ndice i para representar el estado del sistema, la velocidad vi de una partı́cula
genérica de masa m. En este caso xi = 12 mvi2 y la distribución de probabilidades que
se encuentra es la llamada distribución de Maxwell.
El problema general se resuelve usando los multiplicadores de Lagrange,
X t Xt X r X t
máx − pi ln pi − (α0 − 1) pi − 1 − αk xk,i pi − µk .
i=1 i=1 k=1 i=1
12
2.3. Principio Máxima Entropı́a
Por cálculo, la solución p∗1 , p∗2 , . . . , p∗t , α0∗ , . . . , αr∗ cumple, para i = 1, 2, . . . , t, con
r
X
− ln p∗i − 1 − (α0∗ − 1) − αk∗ xk,i = 0.
k=1
Lo que se simplifica a
n r o
X P ∗
pi = exp − α0∗ − αk∗ xk,i = Z −1 e− k αk xk,i . (2.4)
k=1
Las r + 1 ecuaciones (2.6) son un sistema para calcular los multiplicadores pues cada
µk es conocido. La interpretación de los multiplicadores de Lagrange es importante.
Además,
r
1 ∗
X
Smax = α0 + αk∗ µk . (2.7)
k
k=1
Otras relaciones que pueden ser útiles de este formulismo son por ejemplo el cambio
en el multiplicador α0 . De la primera ecuación (2.6) se obtiene
1
δα0 = δ ln Z = δZ.
Z
Ahora, de la definición de la función de partición, ecuación 2.5 se tiene
XX n X o
δZ = −(δαk xk,i + αk δxk,i ) exp − αk xk,i ,
i k k
13
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
Con esta expresión se puede calcular el cambio en Smax de la ecuación (2.7) notando
que hay cancelaciones importantes,
r
1 X
δSmax = αk δhxk,i i − hδxk,i i ,
k
k=1
2.4. Termodinámica
Clasificación
Los sistemas Termodinámicos se clasifican de acuerdo a sus fronteras
a) Sistema Abierto: Puede intercambiar energı́a, volumen y materia con el entorno.
La Tierra, los organismos vivientes son ejemplos tı́picos.
b) Sistema Cerrado: Puede intercambiar energı́a, pero no materia. La frontera
puede ser fija, como por ejemplo en un bombillo incandescente; o puede ser
móvil como en un pistón o un globo.
c) Sistema Aislado: No puede intercambiar energı́a, ni materia. Para estos sistemas
la frontera es fija. Esto es una idealización que difı́cilmente se presenta en la
realidad.
d ) Membrana Semipermeable: es una frontera que deja pasar un tipo de partı́culas
y otras no. La diálisis se realiza con este tipo de membranas, la mayorı́a de
membranas en biologı́a son de este tipo. La discriminación se logra por tamaño.
e) Frontera Adiabática: Una frontera que no deja pasar calor.
f ) Fase: Una parte homogénea de un sistema separable mecánicamente del resto.
La homogeneidad se refiere a que las variables temperatura T , presión p y
concentración c deben ser uniformes o depender continuamente de la posición.
14
2.4. Termodinámica
Extensivas e Intensivas
En termodinámica es fundamental la diferencia entre variables extensivas e intensivas.
En el primer caso si el sistema se descompone en subsistemas A y B la propiedad
de todo el sistema m = mA + mB es igual a la suma de la propiedad de las partes.
Ejemplos de variables extensivas son el volumen, la energı́a, el número de moléculas
de una determinada especie. Las variables intensivas son independientes del tamaño
del sistema, por ejemplo la temperatura, o la densidad.
Formalismo
Para varios grados de libertad la forma genérica de la ecuación para la Entropı́a en
termodinámica es
S = S(U, V, N). (2.12)
Donde U es la energı́a interna, V el volumen y N = [N1 , . . . , NM ] un vector cuyas
componentes indican el número de moléculas para cada una de las posibles M especies
que definen la composición del sistema.
Por razones históricas esta ecuación se expresó en términos de la energı́a interna como
O en forma equivalente
M
!
∂U ∂U X ∂U
dU = dS + dV + dNj .
∂S V,N ∂V S,N j=1
∂Nj
U,V,Ni6=j
Alternativamente, se tiene
M
1 p X µj
dS = dU + dV − dNj . (2.16)
T T j=1
T
15
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
Hay que tener cuidado al usar la regla de la cadena, pues las variables tienen relaciones
entre si no siempre evidentes. Por ejemplo la regla de la cadena indicarı́a que
∂S ∂S ∂U p
= =− ,
∂V ∂U ∂V T
lo cual no es correcto. Si se substituye dU = T dS − p dV en la expresión dS =
(1/T ) dU + (∂S/∂V ) dV . Se toma temporalmente dNj = 0, que no juega ningún
papel en este asunto. Por tanto,
1 ∂S
dS = [T dS − p dV ] + dV
T ∂V U
p ∂S
= dS − dV + dV,
T ∂V U
y por tanto
∂S p
= ,
∂V U T
que es lo correcto.
1a y 2a Ley
La termodinámica empezó con un análisis del ingeniero Sadi Carnot (1796-1832) sobre
la eficiencia de los motores. Era la época de los motores de vapor, su pregunta fue
cómo construir el motor más eficiente. La primera ley, la ley de conservación de la
energı́a no se conocı́a. Pero su análisis cuidadoso permitió la formulación de la segunda
ley, mediante la consideración de un motor ideal, un motor reversible. Este es uno de
los pocos casos en los cuales la ingenierı́a ha hecho una contribución fundamental a
la fı́sica.
La conservación de energı́a, la primera ley de la termodinámica es
dU = δq + δW.
dU = T dS − p dV.
16
2.4. Termodinámica
Figura 2.1: Motor ideal reversible. Lı́neas continuas cambio isotérmico, lı́neas puntea-
das cambio adiabático
De la experiencia cotidiana se sabe que si se hace trabajo y hay fricción, parte del
trabajo se “pierde”. Bueno, realmente no se pierde, se transforma en calor. Suponga
que es posible hacer trabajo a temperatura constante, independientemente de si hay
intercambio de calor con el ambiente. La pregunta es si es posible reversar un proceso
como ese. Es decir si es posible convertir calor en trabajo a igual temperatura, porque
si en un sentido se hace trabajo y se transfiere calor al ambiente; reversando el proceso
se convierte calor en trabajo. La segunda ley de la termodinámica dice que no, que
no es posible. Esta es la forma como Carnot formuló la ley. Especı́ficamente, Carnot
asumió que no es posible convertir calor en trabajo a temperatura constante sin otros
cambios en el sistema o en su entorno.
Una consecuencia de una hipotética negación de esta consideración de Carnot, tal que
fuera posible convertir calor en trabajo sin otros cambios, serı́a que el calor puede
fluir de un cuerpo frı́o a uno caliente. Porque si se pudiera obtener trabajo del calor de
algo que no cambia temperatura, por ejemplo el mar, ese trabajo se puede convertir
en calor por fricción sobre algo que ya tiene una temperatura mayor. Se podrı́a por lo
tanto extraer calor de un cuerpo más frió y llevarlo a uno caliente. Esto explica por
que algunas veces la segunda ley también se enuncia diciendo que no es posible que
el calor, por si mismo, pueda fluir de un cuerpo frı́o a uno caliente.
Para comprender esto es útil el bien conocido ciclo de Carnot de un motor ideal
reversible (Figura 2.1). Iniciando del punto A, el cilindro del motor está en contacto
con un baño a una temperatura T1 y se procede lentamente a un expansión isotérmica
como se ilustra en la lı́nea continua AB. A medida que el volumen aumenta, la presión
disminuye. También sabemos que a medida que el gas se expande a temperatura
constante debe haber un flujo de calor desde el entorno hacia el cilindro, digamos Q1 .
De no haber tal flujo la expansión va acompañada de un enfriamiento. Suponga que
el fluido que llena el cilindro es un gas ideal, la relación entre la presión y el volumen
17
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
es
pV = Nm RT1 .
W = Q1 − Q2 .
Suponga que hay otros motores reversibles, eventualmente algunos más eficientes que
el del ejemplo que acabamos de presentar. Sin embargo, se puede demostrar que
no es posible. Sean T1 y T2 las temperaturas de ambos baños, que son fijas. Por
contradicción se asume que el trabajo en uno de los motores es W y el del otro es
W 0 > W . Usando la reversibilidad es posible dejar todo como estaba y quedar con un
trabajo extra W 0 − W , lo que de acuerdo a la segunda ley es imposible. Por lo tanto
todos los motores reversibles producen el mismo trabajo W , toman calor Q1 del baño
caliente T1 y entregan calor Q2 al baño frı́o T2 .
Se puede calcular el calor Q1 que se recibe del entorno en la rama isotérmica AB,
mediante Z B
VB
Q1 = p dV = Nm RT1 ln .
A VA
De manera equivalente,
VC
Q2 = Nm RT2 ln .
VD
18
2.4. Termodinámica
T1 VAγ−1 = T2 VDγ−1 ,
por lo tanto,
Q1 Q2
= .
T1 T2
Q2
SD − SC = − ,
T2
Q2 Q1
= .
T2 T1
Este importante modelo de un motor ideal sólo se aplica para ciclos reversibles.
Como consecuencia, otra manera de expresar la segunda ley es que en cualquier pro-
ceso irreversible la entropı́a aumenta. Dicho de otra manera, la entropı́a del universo
es creciente.
19
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
nkT
p=
V
Flujo de Calor
La temperatura permite predecir el flujo de calor. El intercambio de calor busca ma-
ximizar la entropı́a. En el estado de equilibrio las temperaturas son iguales. Considere
dos sub sistemas A y B con energı́a UA y UB y temperatura TA y TB respectivamente.
Los dos subsistemas se ponen en contacto térmico entre si, pero aislados del entorno.
La energı́a total, U = UA + UB =, es constante. Con está restricción, el cambio en
entropı́a es
∂SA ∂SB
dS = d(SA + SB ) = dUA + dUB = 0.
∂UA V,N ∂UB V,N
Por lo tanto, tomando dUA = − dUB y la definición de temperatura se obtiene
1 1
= .
TA TB
En palabras, si inicialmente no hay equilibrio el calor fluye de tal manera que la
entropı́a crezca, dS = (1/TA − 1/TB ) dUA > 0, es decir del subsistema caliente al frı́o.
En el equilibrio las temperaturas se igualan (Figura 2.2).
20
2.4. Termodinámica
Cambio de Volumen
La diferencia de presiones produce cambio de volumen y temperatura. Se pueden pre-
decir los cambios considerando la entropı́a. Considere un cilindro aislado del entorno,
partido en dos por un pistón movible, Sean A y B los sub sistemas con energı́as UA
y UB y temperaturas TA y TB . Se ponen en contacto térmico, pero están aislados del
entorno. Claramente U = UA + UB = constante y V = VA + VB = constante. Usando
la ecuación de la entropı́a la condición de equilibrio es
pA pB 1 1
dS = − dVA + − dUA = 0.
TA TB TA TA
Claramente,
1 1
= y pA = pB .
TA TB
21
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
dUS
dSS − ≥ 0 ⇒ dUS − T dSS ≤ 0.
T
Por esta razón, para estos casos es conveniente definir la Energı́a Libre de Helmholtz
como
F = U − T S. (2.18)
Para un sistema en el cual T, V, N son constantes el estado de equilibrio corresponde
al mı́nimo de F , pues
dF = dU − T dS − S dT = dU − T dS.
válida en condiciones generales, es decir, no sólo para un sistema rodeado por un baño
con T, V, N constantes. Note que en este último caso produce dF = 0 como debe ser.
Entalpı́a
Para sistemas con V y N fijos se han definido tres funciones fundamentales, con un
principio extremal asociado. La función de entropı́a S = S(U, V, N) es máxima cuando
U se controla en la frontera. La función de energı́a U = U (S, V, N) es mı́nima cuando
S se controla en la frontera. Y la función de energı́a libre de Helmholtz F es mı́nima
22
2.6. Energı́a Libre de Gibbs
23
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
donde
t
X
Z= e−Ej /kT (2.22)
j=1
Justificación
La siguiente es una justificación de la Ecuación (2.21). Para un micro estado j, se
quiere calcular la probabilidad pj , dada la energı́a Ej . Se supone (T, V, N) constantes.
Luego la condición de equilibrio es la energı́a libre dF = dU − T dS = 0. Se procede
a calcular dS,
t t
S X X
=− pj ln pj ⇒ dS = −k (1 + ln pj ) dpj ,
k j=1 j=1
y dU ,
t
X t
X
U = hEi = pj Ej ⇒ dU = dhEi = (Ej dpj + pj dEj ).
j=1 j=1
P
La primera leyP es dU = δQ + δW . Si V es constante dU = dhEi = δq, luego Ej dpj
es el calor y pj dEj el trabajo.
Luego la distribución en el equilibrio cumple
X
dF = dhEi − T dS = 0 sujeta a pj = 1.
lo que da ln p∗j = −Ej /kT −α/kT −1. De donde se llega a la Distribución de Boltzmann
t
X
pj = Z −1 e−Ej /kT , con Z = e−Ej /kT
j=1
Aplicación
En la atmósfera, debido al potencial gravitatorio la energı́a depende de la altura z,
E(z) = mgz.
24
2.7. Distribución de Boltzmann
Distribución Maxwell-Boltzman
Una partı́cula en un recipiente, a volumen constante, con velocidad v = (vx , 0, 0) y
masa m, tiene energı́a cinética E(vx ) = 12 mvx2 , luego de acuerdo a la distribución de
Boltzmann se tiene
1/2
1 2
p(vx ) = e−mvx /2kT .
2πmkT
En general las componentes son independientes, luego
3/2
m 2 2 2
p(vx , vy , vz ) = e−m(vX +vy +vz )/2kT ,
2πkT
que es una distribución normal tridimensional para las velocidades. En particular la
media es h 12 mv 2 i = 32 kT y la varianza kT /m.
Función de Partición
En muchos casos el estado base tiene E1 = 0. Si T → ∞ entonces Pr[Ej ] → 1/T . En
el otro extremo si T → 0 entonces Pr[Ej ] → 0 para j 6= 1 mientras que Pr[E1 ] = 1.
También es posible enfocarse en niveles de energı́a El que tienen multiplicidad M (El ),
en tal caso Pr[El ] = Z −1 M (El )e−El /kT .
La función de partición de un sistema de N partı́culas distinguibles e independientes
se escribe como
Z = zN ,
donde z es la función de partición de cada partı́cula.
La función de partición de un sistema de N partı́culas indistinguibles e independientes
se escribe como
zN
Z= ,
N!
Claramente
t
X t
X
U = hEi = Ej Pr[Ej ] = Z −1 Ej e−βEj ,
j=1 j=1
25
2. Fundamentos de Termodinámica y Mecánica Estadı́stica
el potencial quı́mico,
∂ ln Z
µj = −kT , (2.26)
∂Nj
la presión
∂ ln Z
p = kT , (2.27)
∂V
y la varianza de la energı́a,
∂ 2 ln Z
h(E − hEi)2 i = hE 2 i − hEi2 = . (2.28)
∂β 2
2.8. Magnetismo
Para un sistema magnético la primera ley de la termodinámica es
dU = T dS − M dH, (2.29)
la susceptibilidad isotérmica
∂M
χT = . (2.32)
∂H T
El calor especı́fico a H o M constantes también se puede expresar en términos de la
entropı́a (X = H, M )
∂S
CX = T .
∂T X
26
Capı́tulo 3
Transiciones de Fase
3.1. Caracterización
Una transición de fase se caracteriza por una singularidad en un potencial termo-
dinámico, como por ejemplo la energı́a libre o una de sus derivadas. Lo que se obser-
va es un cambio abrupto en alguna de las propiedades de una substancia. Ejemplos
tı́picos son los cambios de estado de la materia. En tales casos hay fronteras bien
definidas entre un estado y otro y si se cruza una de estas fronteras hay un cambio
abrupto de la densidad y liberación de calor latente.
Si hay una discontinuidad finita en uno o más de las derivadas de primer orden de
tal potencial termodinámico la transición de fase se denomina de primer orden. Para
un sistema magnético, la energı́a libre F, ver definición en Ec. (2.18), es el potencial
27
3. Transiciones de Fase
Introducción
Un primer acercamiento a las transiciones de fase es mediante la descripción de como
cambian las diferentes funciones termodinámicas a medida que cambian las variables
que producen la transición. En lo que sigue se describen las Figuras 3.1 a 3.10 para el
28
3.1. Caracterización
Figura 3.2: Diagrama de fase ferromagneto simple. Hay una lı́nea de transiciones de
primer orden a lo largo de H = 0 que termina en un punto crı́tico en T = Tc . Tomada
de Yeomans 1992
29
3. Transiciones de Fase
30
3.1. Caracterización
31
3. Transiciones de Fase
32
3.1. Caracterización
Figura 3.7: Transiciones de fase gas-lı́quido-sólido. Todas las transiciones son de pri-
mer orden (calor latente) excepto en el punto crı́tico C. En T = 100 ◦ C la densidad
del agua lı́quida es 958 kg m−3 , y la del vapor de agua es 0,59 kg m−3 . Un factor de
1600. Tomada de Solé (2011)
33
3. Transiciones de Fase
en la curva gas–lı́quido, Figura 3.8, que se contrasta con la Figura 3.1. En la Figura
3.9 se presenta la variación del calor especı́fico, CV = ∂U
∂T con la temperatura para
V
el argón a lo largo de la curva de densidad constante e igual a la densidad crı́tica. Se
puede observar que para T = Tc el calor especı́fico diverge. Esta divergencia es una
señal clara de la transición crı́tica.
Figura 3.9: Calor especı́fico a volumen constante para argón a lo largo de la curva de
densidad constante e igual a la densidad crı́tica. Tomada de Yeomans 1992
Exponentes Anómalos
Se ha dicho que un punto crı́tico se caracteriza por la divergencia del calor especı́fico
en el caso de los fluidos y de la susceptibilidad en el caso de los ferromagnetos. Resulta
que es fundamental para la teorı́a de los fenómenos crı́ticos entender cuidadosamente
cómo ocurren estas divergencias y el comportamiento singular de las demás funciones
termodinámicas cerca al punto crı́tico. Para esto se define un conjunto de exponentes
denominados exponentes crı́ticos. Una caracterı́stica notable de estos exponentes es
su universalidad. Más adelante se argumenta que estos exponentes son anómalos, en
el sentido de que no se deducen del análisis dimensional.
Considere una medida adimensional de la desviación de la temperatura con respecto
a la temperatura crı́tica,
t = (T − Tc )/Tc , (3.2)
34
3.1. Caracterización
asumiendo que tal lı́mite existe. Una manera de expresar la Ec. 3.3 es
f (t) ∼ |t|λ , (3.4)
donde el sı́mbolo ∼ significa que el cociente de los términos a su derecha e izquierda
tiende a una constante. Es decir el término de la derecha en la Ec. 3.4 es el término
de primer orden el la expresión asintótica de f .
Por ejemplo, si se observa la figura 3.1 es razonable escribir que cerca al punto crı́tico
la magnetización para H = 0 se aproxima a una parábola y por tanto,
M ∼ (−t)1/2 , (3.5)
es decir si el exponente crı́tico de la magnetización lo denominamos b, con una buena
aproximación es b = 1/2. La susceptibilidad para campo cero diverge en el punto
crı́tico (figura 3.6), al igual que el calor especifico, por lo que es razonable expresar
ambas variables mediante
χT ∼ |t|−γ ; CH ∼ |t|−α , (3.6)
con tanto α como γ positivos.
Universalidad
Resulta que se ha observado que los exponentes crı́ticos son los mismos para dife-
rentes sistemas en los que se presenta una transición de fase. Esto ha dado origen al
35
3. Transiciones de Fase
término de Universalidad. La figura 3.11 ilustra esto para ocho fluidos diferentes, para
los cuales los datos experimentales se ajustan bien si se asume b = 1/3. Una prueba
Renormalización
Se ha hecho énfasis en la divergencia en el punto crı́tico. Una de las consecuencias de
la presencia de este infinito es que todas las escalas de longitud son importantes. Esto
no es usual en fı́sica, la mayorı́a de las veces es posible concentrar una teorı́a en un
rango de escalas estrecho e ignorar lo que sucede por fuera de él. La hidráulica puede
ignorar el movimiento molecular. En una primera mirada la invariancia de escala cerca
a la criticalidad parece una dificultad, pero también puede ser una oportunidad.
Una clave es la teorı́a de los grupos de renormalización. En las Figuras 3.12, 3.13 y
3.14 se ilustra el método mediante simulaciones Monte Carlo para el modelo Ising que
36
3.1. Caracterización
37
3. Transiciones de Fase
38
3.1. Caracterización
39
3. Transiciones de Fase
40
3.2. Modelo Ising
41
3. Transiciones de Fase
en la que
X
sV (i) = sj (3.10)
j∈hi,ji
42
3.2. Modelo Ising
La función de partición es
X X X
Z= e−βH{sk } = ··· e−βH{sk } . (3.11)
{sk } s1 =±1 sN =±1
En el caso unidimensional los vecinos cercanos de un sitio son dos, el sitio a su derecha
y a su izquierda. En las fronteras de la reticula hay sólo un sitio vecino cercano, excepto
si se asume una condición de frontera periódica, es decir si se enrolla la retı́cula y el
sitio N queda a izquierda del sitio 1 y a la derecha del sitio N − 1. Para hacer claridad
se escribe en detalle la función de partición para el caso unidimensional con N = 3,
sin enrollar. El Hamiltoniano para este caso es
y la función de partición es
Magnetización y Susceptibilidad
∂F ∂ln Z kT ∂Z
M =− = kT = ,
∂H T ∂H T Z ∂H T
P P
eβ(H si +J si sj )
P
recordando que la función de partición es Z = {sk } , su derivada
con respecto a H es
∂Z X P P
= β(Σsi )k eβ(H si +J si sj )
,
∂H T {sk }
X
M= (Σsi )k Pr{sk } = hΣsi i = N hsi i.
{sk }
43
3. Transiciones de Fase
{sk }
por lo tanto
Punto de Curie
Un material es un paramagneto únicamente a temperaturas superiores a su tem-
peratura de Curie. Los paramagnetos no son magnéticos en ausencia de un campo
externo. Si se aplica un campo externo los espines pueden temporalmente alinearse.
Las interacciones dipolo a dipolo entre átomos vecinos son pequeñas en comparación
con el efecto de campos externos. Considere un modelo de un paramagneto en el cual
cada una de las N partı́culas independientes, distinguibles, tiene dipolo magnético de
magnitud µ. Este momento magnético del dipolo mide la (magnetización) alineación
que resulta de aplicar un campo. Si se aplica un campo magnético B > 0 a un átomo
la energı́a de este baja en −µB, si su momento es paralelo al campo. Si es antiparalelo
la energı́a sube a µB. Usando la convención que el nivel base es cero, la diferencia de
energı́as es 2µB, que corresponde al nivel excitado.
Para este sistema la función de partición por partı́cula es
z = 1 + e−βE1 ,
recuerde que β = 1/kT , luego la probabilidad del estado base es p0 = 1/z y la del
estado excitado p1 = (1/z)e−βE1 . La energı́a promedio es
∂ ln z 1 ∂z E1 e−E1 /kT
hEi = − =− = .
∂β z ∂β 1 + e−E1 /kT
44
3.2. Modelo Ising
Figura 3.16: Calor Especı́fico para sistema con dos niveles de energı́a. Tomada de Dill
y Bromberg (2003)
Figura 3.17: Izquierda: Por debajo de la temperatura de Curie, los espines vecinos en
un ferromagneto están ordenados en ausencia de un campo externo. Derecha: Por en-
cima de la temperatura de Curie, los espines están desorganizados en un paramagneto
a menos que haya un campo externo. Adaptada de wikipedia
El calor especı́fico es
La entropı́a es,
S E1 e−βE1
= + k ln(1 + e−βE1 ).
N T (1 + e−βE1 )
Y la energı́a libre
F
= − ln z = − ln(1 + e−βE1 ).
N kT
El promedio de la magnetización es
µB
hM i = hµsi i = µp0 − µp1 = µ tanh
kT
45
3. Transiciones de Fase
hM i = µ tanh h. (3.13)
µ2 β
hχi = .
cosh2 h
Y la energı́a libre
F
= − ln z = − ln(2 cosh h). (3.14)
N kT
46
3.2. Modelo Ising
P
donde Hef (i) = H + J j∈hi,ji hsj i. Aplicando el resultado anterior (Ec. 3.12)
F ≤ Φ = F0 + hH − H0 i0 (3.17)
47
3. Transiciones de Fase
igualmente
hSi0 = tanh βH0 . (3.21)
También se necesita el calculo
P P P P
{k} −J hiji si sj + H0 i si exp[βH0 i si ]
hH − H0 i0 = P P
{k} exp[βH0 i si ]
X X
=−J hsi i0 hsj i0 + H0 hsi i0 .
hiji i
JvN
Φ = −N kT ln(2 cosh βH0 ) − tanh2 βH0 + N H0 tanh βH0 . (3.23)
2
Ahora, si se minimiza Φ con respecto a H0 el resultado es
Por lo tanto, la energı́a libre del campo medio se encuentra de substituir este resultado
en la Ec. (3.18)
48
3.2. Modelo Ising
Figura 3.19: Esquema para ilustrar el cálculo de las raı́ces de hSi0 = tanh βJvhSi0 ,
Ec. (3.25), para diferentes valores de la temperatura (β = 1/kT ). La lı́nea roja es
la recta y1 = hSi0 , las curvas corresponden a y2 (T ) = tanh βJvhSi0 para diferentes
valores de T . En azul para Tc = Jv/k, en el origen y1 es tangente a y2 y el único
intercepto es el origen. Si T > Tc , lı́nea verde, en el origen la pendiente de y2 es menor
que la de y1 y el único intercepto es el origen. Mientras que cuando T < Tc , lı́nea
morada, en el origen la pendiente de y2 es mayor que la de y1 y hay además otros dos
interceptos
49
3. Transiciones de Fase
Teorı́a de Landau
La teorı́a de Landau se basa en hipótesis simples, sin embargo no sólo predice la
existencia de transiciones de fase, sino además reproduce los exponentes crı́ticos y
muestra la dependencia de la simetrı́a de los parámetros de orden. Landau asume que
la energı́a libre puede expandirse en serie de potencias del parámetro de orden m que
incluye aquellos términos compatibles con la simetrı́a del sistema.
Por ejemplo, para un ferromagneto simple con campo externo cero y parámetro de
orden m la energı́a libre se aproxima bien mediante
F = F0 + a2 m2 + a4 m4 , (3.29)
porque únicamente los términos pares son invariantes bajo la inversión de los signos
de la magnetización. No es necesario incluir términos mayores al de orden 4, por-
que como se verá, siendo a4 positivo, los términos que siguen no pueden alterar el
comportamiento crı́tico.
En la Figura 3.20 se presenta la energı́a libre como función de m para valores decre-
cientes de a2 . Si a2 es positivo, el mı́nimo de la energı́a libre ocurre para m = 0, lo
que corresponde al estado paramagnético. Para a2 < 0, el mı́nimo de la energı́a libre
ocurre para valores finitos no nulos del parámetro de orden m, lo que corresponde a
la fase ferromagnética. Aparecen dos estados estables con magnetización −m0 y +m0
que coexisten, como consecuencia de la simetrı́a de F. El punto crı́tico corresponde
a a2 = 0, donde la magnetización espontánea aparece, lo que corresponde a la tem-
peratura crı́tica. Por lo tanto, usando la convención para adimensionalizar de la Ec.
(3.2), el parámetro a2 se escribe
a2 = a˜2 t.
El hecho de que la magnetización debe ser acotada se refleja en a4 > 0. A pesar de la
primera impresión, no hay sorpresa en que un comportamiento singular se explique de
una expansión regular. La razón es que el valor de la magnetización que hace mı́nima
la energı́a libre es él mismo una función singular de la temperatura y el campo.
Según esta teorı́a de Landau la transición es continua, a medida que el parámetro
de ajuste t aumenta la magnetización se hace positiva continuamente, pero con una
derivada discontinua. Por lo tanto es pertinente mirar a los exponentes. El más simple
es β. La magnetización de equilibrio corresponde al mı́nimo de la energı́a libre
dF
= 2a˜2 tm + 4a4 m3 = 0,
dm
de donde se obtiene que, para t < 0,
m ∼ (−t)1/2 .
En la fuente principal de estas notas, Yeomans (1992, p. 57) se pueden consultar los
demás exponentes.
50
3.2. Modelo Ising
Pérdida de Simetrı́a
Como se dijo, la pérdida de simetrı́a es una de las caracterı́sticas más sorprendentes de
la magnetización espontánea. En 2 o más dimensiones, sin campo externo aplicado,
el modelo de Ising a una temperatura finita presenta en el lı́mite termodinámico
una transición de fase entre un estado paramagnético y uno ferromagnético. Para
temperaturas bajas, T < Tc , hay una magnetización promedio por sitio diferente
de cero. Esto es sorprendente porque el Hamiltoniano (Ec. 3.8) es invariante ante la
transformación de invertir todos los espines, si → −si , para el caso H = 0. Esta es una
simetrı́a importante del modelo de Ising. Como además hay invariancia traslacional
se tiene que la magnetización promedio por sitio es hM i = µhsi i. Por tanto un valor
diferente de zero para hM i significa una pérdida espontánea de la simetrı́a. Para
describir matemáticamente esta pérdida hay que ser cuidadosos con los lı́mites.
Considere temperatura cero. Luego hay dos estados degenerados con mı́nima energı́a,
uno con todos los espines positivos, si = +1, y el otro con todos negativos, si = −1.
P Si
se aplica un pequeño campo externo, es decir se le agrega un término δH = − i si
a la energı́a. Esto separa estos dos estados que ahora tienen energı́a H± = −JN v/2 ∓
N . El lı́mite termodinámico de la energı́a libre por sitio es
−kT ln Z
F(T ) = lı́m lı́m .
→0 N →∞ N2
51
3. Transiciones de Fase
Z−
= e−2N β ,
Z+
que va a cero cuando N va a infinito. Es decir sólo el estado con todos los espines
hacia arriba, si = +1 contribuye a la función de partición. La clave es que
Aplicaciones
El término gas en retı́cula (en Inglés Lattice gas) tiene su origen en el modelo de Lee
y Yang (1952) que representan un gas mediante los números de ocupación de una
retı́cula. Considere que la retı́cula tiene V sitios (V representa el volumen). Hay una
colección de N partı́culas, con N << V . Las partı́culas se colocan el los nodos de la
retı́cula con la regla de que no puede haber más de una en cada sitio. La otra regla es
que sólo interactúan las partı́culas que ocupan sitios vecinos próximos. El potencial
de interacción entre dos sitios vecinos i y j se expresa como
∞ si r = 0,
V (r) = −0 si r = a, (3.30)
0
en otros casos
es posible hacer corresponder este modelo de gas en retı́cula con el modelo Ising del
ferromagneto tomando el espı́n si = 1 si el sitio está ocupado y si = −1 si no está
ocupado. Matemáticamente se escribe
s1 = 2ni − 1. (3.31)
En consecuencia es posible aplicar lo que se conozca del modelo Ising al modelo del
gas en retı́cula. Por ejemplo 0 = 4J. Este tipo de modelos se ha generalizado a
los fluidos en general y hay toda un área de conocimiento denominada autómatas
celulares que se aplican a muchos campos, entre ellos a la solución de las ecuaciones
de Navier-Stokes (Wolfram 1983; Wolfram 1986a; Wolfram 1986b; Wolfram 2002;
Pomeau y Frisch 1986).
52
3.2. Modelo Ising
53
3. Transiciones de Fase
Una explicación intuitiva de por qué el método funciona es que la secuencia de va-
lores que conforman la muestra es tal que a medida que más valores se generan la
distribución se acerca a la distribución deseada. Los valores de la muestra se produ-
cen iterativamente, con la distribución del siguiente dependiendo del actual. En cada
iteración el algoritmo selecciona un candidato al próximo valor de la muestra y con
la probabilidad indicada este candidato se acepta y se procede a la nueva iteración o
se rechaza y el valor actual se re-usa para la próxima iteración.
En la Figura 3.22 se presenta en términos generales el procedimiento de simulación.
Algunos comentarios sobre asuntos prácticos son necesarios.
54
3.3. Simulación Montecarlo
2. Cambie temporal
un espı́n,
calcule probabilidad r
genere aleatorio u
3. ¿Acepta el cambio
No (r > u)?
Si
4. Acepta
cambio de espı́n
5. Calcula
variables An
Incrementa contador
6. ¿Fin iteraciones?
No
Si
7. Calcula
promedios.
Termina
Inicialización
Definir el número de sitios, N , inicializar los espines, mantener registro de los vecinos.
También deben incorporarse los parámetros del problema: la temperatura, T, el cam-
po magnético, H y la constante de acoplamiento, J. Una manera de simplificar los
cálculos posteriores será usar la segunda expresión del Hamiltoniano en la Ec. (3.9),
para lo cual se requiere calcular para cada sitio sV (i) usando la Ec. (3.10).
La inicialización de los espines puede ser aleatoria para valores de la temperatura
altos, en los cuales el comportamiento es semejante al de un paramagneto. Para
valor definitivamente bajos, es conveniente escoger al azar (con igual probabilidad)
un primer valor (+1 ó −1) y luego el resto con una distribución con una mayor
probabilidad de repetir tal valor.
También se requiere inicializar en cero las variables en las que se va a calcular los
promedios o los totales, normalmente la magnetización M , la función de partición
Z, que se usarán luego para calcular la energı́a libre y la susceptibilidad. Se calcula
H = H{s0 }, la energı́a correspondiente a la configuración inicial de los espines {s0 }
usando la Ec. 3.8 o la Ec. 3.9, y la magnetización correspondiente a la configuración
inicial de los espines
N
X
M0 = si .
i=1
Criterio de aceptación
Se calcula
r = exp(−∆H/kT ), (3.35)
56
3.4. Ejercicios
Cambios
En el caso de aceptación del cambio del espı́n en el sitio c se procede a hacer:
sc ⇐ −sc ,
sV (j) ⇐ sV (j) + 2sc , para todo j vecino a c,
H ⇐ H + ∆H,
M0 ⇐ M0 + 2sc
Actualización
Se incrementa el contador de iteraciones it ⇐ it + 1. Si ya terminó el calentamiento,
(it > mc ), se actualizan las variables de acumulación,
M ⇐ M + M0 ,
Z ⇐ Z + exp(−βH)
Iteraciones
Si el número de iteraciones no se ha terminado se regresa al punto 3.3.
Cálculos finales
Se procede al cálculo de los promedios, por ejemplo
M ⇐ M/(m − mc ).
3.4. Ejercicios
57
3. Transiciones de Fase
58
Capı́tulo 4
4.1. Introducción
El concepto criticalidad auto organizada (CAO) se ha propuesto para sistemas con
comportamiento macroscópico que exhibe invariancia de escala tanto en el espacio
como el tiempo, comportamiento que es tı́pico de una transición de fase, pero que en
lugar de un punto crı́tico al que se llega mediante ajuste externo del parámetro de
orden, los sistemas autorganizados llegan a la condición crı́tica de manera espontánea.
Fue propuesto originalmente por Bak, Tang y Wiesenfeld (1987) y para algunos es
considerado uno de los mecanismos que generan la complejidad que nos rodea (Bak
1996).
Los fenómenos crı́ticos se caracterizan por divergencia de la longitud de correlación,
lo que produce ausencia de una escala caracterı́stica y por tanto fluctuaciones a todas
las escalas. Como consecuencia se tienen las leyes de escalamiento, leyes de poten-
cia, que corresponden a la cuantificación mediante los exponentes (anómalos) de la
invariancia de escala. Mientras que tı́picamente, la criticalidad ocurre para un valor
particular del parámetro de control que es ajustado externamente, los fenómenos des-
critos mediante CAO, que se mantienen lejos del equilibrio mediante un suministro
continuo de materia y/o energı́a, evolucionan a la criticalidad de manera espontánea,
sin regulación externa.
El concepto ha sido aplicado en campos muy diversos incluyendo geofı́sica, cosmo-
logı́a, evolución y ecologı́a, economı́a, gravedad cuántica, sociologı́a, fı́sica solar, fı́sica
de plasma, neurobiologı́a y otros campos. De estos campos hay alguna evidencia
empı́rica y propuestas de modelos que reproducen el escalamiento en un rango de
escalas. La teorı́a no es tan desarrollada como algunos proclaman y además subsisten
inquietudes importantes tanto con respecto al análisis de datos, sean experimentales
o resultados de simulaciones, como frente a la formulación teórica. Sobre el primer
punto se hará una breve mención y se señalaran trabajos en los que se profundiza
59
4. Criticalidad Auto Organizada
el tema. Se presentan los fundamentos de los modelos y las observaciones para los
casos de incendios forestales, sismicidad, deslizamientos y evolución. Se termina con
algunas preguntas teóricas.
Se dice que los fenómenos CAO se observan en sistemas no lineales en desequilibrio y
con muchos grados de libertad. Aunque se reclama que muchos ejemplos corresponden
al concepto original, aún no hay acuerdo sobre las condiciones necesarias y suficien-
tes para que un sistema exhiba criticalidad autorganizada. Algunas caracterı́sticas
generales de los sistemas CAO incluyen el forzamiento por un mecanismo lento, la
existencia de umbrales que una vez superados desencadenan dinámicas rápidas y la
existencia de interacciones importantes entre sus componentes.
Los sistemas CAO han sido caracterizados por la presencia recurrente de cambios
bruscos de gran magnitud, acompañados de muchos más acontecimientos menores.
Pero una componente integral de su dinámica está constituida por reacciones en
cadena de todos los tamaños. Más aún, el mecanismo que conduce a sucesos de poca
entidad es el mismo que el que desencadena los grandes eventos. A pesar de todos los
cambios, el estado crı́tico resiste leves alteraciones de las reglas del sistema. Además,
los sistemas de esta naturaleza jamás alcanzan un estado estacionario estable, sino
que evolucionan de un estado metaestable al siguiente.
El enfoque de un fı́sico es diferente al de un ingeniero que quiere incluir tantos detalles
en sus modelos como sean necesarios para obtener un cálculo confiable. La agenda del
fı́sico es entender los principios fundamentales del asunto bajo investigación. De hecho,
trata de evitar los detalles especı́ficos. Antes de preguntarse qué hay que agregar a una
descripción para hacer los cálculos más precisos, se pregunta qué se puede suprimir
del modelo actual sin perder la esencia de las caracterı́sticas cualitativas. Esta actitud
es fundamental cuando no existe una comprensión satisfactoria de los fenómenos. La
actitud del ingeniero se justifica cuando ya se alcanzó un entendimiento adecuado y
se busca mejorar la precisión. En el campo de aplicación de los fenómenos crı́ticos
todavı́a estamos en la etapa de comprender, no en la de la precisión.
4.2. Escalamiento
Esta sección se basa en Jensen (1998, p. 7), Hergarten (2002, p. 25-64) y en el vo-
lumen sobre Fractales y Caos en las secciones (Mesa 2018, S. 9.11, 3.1) de donde se
reproducen partes.
Como se ha visto, los ejemplos de fenómenos crı́ticos tienen la caracterı́stica común
de la divergencia de la longitud de correlación, la ausencia de escalas caracterı́sticas,
la presencia de fluctuaciones de todos los tamaños y la respuesta anómala (a todas las
escalas en amplitud, extensión espacial y duración) a cualquier perturbación incluso
las más pequeñas. Estas caracterı́sticas se reflejan en varias leyes de escalamiento que
expresan cuantitativamente la invariancia de escala.
El escalamiento puede provenir de la divergencia de la suma del correlograma, o de
no-estacionariedad o de distribuciones estables. En contraste con los fenómenos que
muestran evidencia de escalamiento, una clase muy general de procesos estocásticos
con varianza finita no lo tiene según lo explica el teorema funcional del lı́mite central
60
4.2. Escalamiento
Semejanza
El tema de la semejanza en fı́sica es inmenso, se considera importante un resumen
(Gupta y Mesa 2014). En Barenblatt (1996) y Barenblatt (2003) se puede profundizar.
El análisis dimensional se basa en la idea simple de que las leyes de la naturaleza
son independientes del sistema de unidades que se escoja para las mediciones. Como
consecuencia, estas leyes son invariantes ante cambios de escala. Matemáticamente
esto se expresa mediante funciones homogéneas lo que implica leyes potenciales.
Una función f es homogénea de grado n si al cambiar la escala de cada uno de sus k
argumentos por un factor λ se cambia la escala de la función por el factor λn . Esto
es, f es homogénea si f (λx1 , λx2 , . . . , λxk ) = λn f (x1 , x2 , . . . , xk ). Según el teorema
de Euler, si una función f es homogénea de grado n entonces
∂f ∂f ∂f
x1 + x2 + · · · + xk = nf (x1 , x2 , . . . , xk ).
∂x1 ∂x2 ∂xk
61
4. Criticalidad Auto Organizada
62
4.2. Escalamiento
Fenómeno de Hurst
Sea xt una serie de tiempo que representa la variable de interés en el intervalo (t −
∆t, t). Sean n la longitud del registro, ∆t = 1, y para centrar las observaciones se
resta una cantidad igual a la media de la muestra x̄. Por lo tanto, la serie acumulada
en el momento t es
St = St−1 + (xt − x).
Suponga además que S0 = 0. Defina el rango de St como,
Hurst (1951) encontró que para muchas series de tiempo observadas el rango reesca-
lado Rn∗ = Rn /σn crece con la longitud de registro n a una potencia H mayor que
0,5, por lo general cerca de 0,7, donde σn es la desviación estándar de la muestra. En
contraste, según el teorema funcional del lı́mite central (TFLC) de la teorı́a de pro-
babilidades, para una clase muy general de procesos estocásticos con varianza finita
(Bhattacharya, Gupta y Waymire 1983),
∞
0,5
X
E[Rn∗ ] ∼ ( 12 πθn) , con θ = ρk . (4.2)
k=−∞
Mediante el sı́mbolo ∼ se indica que la relación de los dos lados converge a 1 cuando
n → ∞. La secuencia ρk , k = 0, 1, . . . denota los coeficientes de correlación de rezago k,
y θ es la integral de la función de correlación, que también se conoce como la ‘escala
de fluctuación del proceso’ en turbulencia (Taylor 1922). La diferencia observada
empı́ricamente entre los valores de H y 0,5 se conoce como el “fenómeno de Hurst”,
una de las primeras observaciones de escalamiento.
63
4. Criticalidad Auto Organizada
Debido al TFLC, para la existencia del fenómeno de Hurst es necesario violar al menos
una de las dos hipótesis del teorema, a saber, la estacionariedad o la existencia de
escala de fluctuación θ finita. Un proceso estacionario con θ < ∞ es conocido como un
“proceso de la memoria corta”. La existencia de θ depende de la tasa de convergencia
de ρk a cero. Por ejemplo, si ρk decae a un ritmo lento, digamos como una ley de
potencia ρk = k −d L(k) con 0 ≤ d < 1 y L(·) una función que varı́a lentamente en
infinito, θ no existe, diverge. Recuerde que una función L varı́a lentamente en infinito
si L(ax)/L(x) → 1 cuando x → ∞ para todo a > 0. Para apreciar lo significativo de
la escala de fluctuación note que
t−1
X
Var[St ] = Var[x1 − x̄] t + 2 (t − k)ρk .
k=1
Luego cuando θ < ∞ la varianza de las sumas parciales crece linealmente con t y
el comportamiento del proceso xt − x̄ no difiere fundamentalmente de una sucesión
de variables aleatorias independientes. Por ejemplo hay lugar a una ley de grandes
números porque Var[St /t] → 0 cuando t → ∞, lo que implica que la variable aleatoria
St /t converge a una √ constante, E[x1 − x̄] = 0. Igualmente, hay lugar al teorema del
lı́mite central, St / t converge a una variable aleatoria con distribución normal con
media cero y varianza Var[x1 − x̄]θ. Además, el TFLC aporta más resultados, por
ejemplo sobre los máximos, mı́nimos y el rango.
Por otro lado, si θ = ∞ se dice que tales procesos estocásticos tienen “dependencia
de largo alcance” o “memoria infinita”. Es importante señalar aquı́ que la tasa de
decaimiento de ρk a cero juega un papel similar en la teorı́a de los sistemas dinámicos
deterministas. También recordar que estas definiciones se basan en propiedades de
segundo orden (correlaciones). Aunque se puede usar toda la estructura de la de-
pendencia del procesos para hacer definiciones más estrictas, pero las nociones más
débiles son suficientes para nuestros propósitos (Samorodnitsky 2007). El caso varian-
za infinita se tratará más adelante.
Los conceptos de semejanza y auto-semejanza son muy importantes para muchas ra-
mas de la ciencia y la ingenierı́a. Para un proceso auto-semejante Z(t), t ≥ 0, si se
cambia la escala de tiempo, el proceso resultante tiene la misma estructura proba-
bilı́stica en una versión a escala del original. En concreto, para a > 0 existe una
constante b positiva tal que
d
Z(at) = bZ(t). (4.3)
64
4.2. Escalamiento
65
4. Criticalidad Auto Organizada
66
4.2. Escalamiento
67
4. Criticalidad Auto Organizada
alargadas, que se escogen para minimizar la fuga de frecuencias que proviene del mues-
treo discreto. De esta manera se produce un conjunto de estimados aproximadamente
independientes que se promedian para reducir la varianza muestral.
Para procesos no estacionarios, la función de correlación no está bien definida, porque
depende no sólo de la separación (rezago) sino también del tiempo mismo. Algo
semejante ocurre con la transformada de Fourier. Sin embargo, hay una generalización
de estas ideas, el llamado espectro de Wigner-Ville que permite obtener una relación
potencial limite entre los exponentes, semejante a la que se usa para los procesos
estacionarios (ecuación 4.4) (Heneghan y McDarby 2000). en este caso la relación es
H = (β − 1)/2. (4.12)
Percolación
Lo que sigue se apoya en lo fundamental es Stauffer y Aharony (1992). Suponga una
retı́cula bidimensional suficientemente grande para que las fronteras no sean impor-
tantes. Cada sitio (centro de un pixel) puede estar o no ocupado por un árbol. Una
constelación es un conjunto de sitios vecinos ocupados por árboles. Vecinos cercanos
se refiere a sitios con un lado de la retı́cula en común. Los sitios que están en esquinas
diferentes de la retı́cula no son vecinos cercanos, sino vecinos próximos a cercanos.
Todos los sitios de una constelación están conectados por una cadena de vecinos cer-
canos ocupados. La teorı́a de percolación trata sobre el número y las propiedades de
las constelaciones (también se usan las palabras racimo, nido y otras más en lugar de
constelación). Hay varias posibilidades para las retı́culas, por ejemplo triangulares,
rectangulares, hexagonales, cúbicas, cúbicas centradas en la cara, en el cuerpo, para
simplificar sólo se trata el caso rectangular.
La hipótesis más simple sobre la distribución de los árboles en la retı́cula es la inde-
pendencia, es decir, no hay tendencia a la atracción o a repulsión entre vecinos. Se
68
4.3. Incendios Forestales
69
4. Criticalidad Auto Organizada
como se mide con la vida del incendio tiende a infinito, como se puede comprobar si
se aumenta el tamaño de la malla, el promedio de la vida crece linealmente con el
tamaño de la malla.
70
4.4. Sismicidad
4.4. Sismicidad
Se presenta una breve descripción de la aplicación de las ideas de criticalidad auto
organizada a la sismicidad. Las fuentes principales son Burridge y Knopoff (1967),
Olami, H. Feder y Christensen (1992) y Bak, Christensen, Danon y Scanlon (2002).
Primero una explicación de los principales conceptos. Luego una breve descripción
de las observaciones y se concluye con la descripción de la aplicación de un modelo
CAO.
71
4. Criticalidad Auto Organizada
Principales Conceptos
Un terremoto (temblor o sismo o seı́smo) es la vibración de la superficie terrestre que
resulta de la liberación súbita de energı́a por la ruptura de una falla en la litosfera
terrestre que genera ondas sı́smicas que se propagan y pueden causar daños y ser
sentida a distancia considerable.
La teorı́a principal que explica los temblores es la llamada teorı́a del rebote elástico.
De acuerdo a esta hipótesis, un sismo ocurre cuando hay suficiente energı́a elástica
acumulada debido a la deformación de la corteza para producir una ruptura y la
consecuente liberación súbita de energı́a en forma de calor, ondas sı́smicas y despla-
zamiento de las superficies de falla. Es posible que exista movimiento continuo en
una falla sin liberación de energı́a sı́smica. Esto se presenta si no hay irregularidades
en la superficie de la falla que opongan resistencia al movimiento. La mayorı́a de las
fallas si oponen resistencia y la energı́a se acumula en forma de energı́a elástica de
deformación. Esta acumulación continúa hasta que los esfuerzos alcanzan a romper
la resistencia de una manera súbita. La ruptura libera la energı́a acumulada.
También hay sismos de origen volcánico. La inyección o retiro de magma producida
por un volcan resulta en cambios de presión en las rocas circundantes que pueden
producir rupturas y movimientos de tierra.
La intensidad es un número que describe la severidad de los efectos de un temblor
en un sitio dado, es decir depende tanto del sismo (magnitud y profundidad) como
de la distancia entre el epicentro y el punto de referencia. Una escala muy usada es
la llamada escala Mercalli modificada en la que la intensidad se escribe en números
romanos y que varı́a de I para sismos imperceptibles, hasta XII para terremotos muy
destructivos.
El momento sı́smico es una medida del tamaño de un terremoto basado en el área
de la ruptura de la falla, el promedio del desplazamiento y la fuerza que se requiere
para superar la fricción que mantenı́a las rocas antes del movimiento. El momento
sı́smico M0 se expresa como M0 = µAD donde µ es el módulo de cortante, que se
toma como 32 GPa en la corteza y 75 GPa en el manto. A es el área de la ruptura y
D el desplazamiento promedio.
La magnitud es un número que caracteriza el tamaño relativo de un terremoto y se
basa en mediciones de acelerogramas. Hay varias escalas, la más usada es la mag-
nitud local o de Richter ML . También se usa la magnitud basada en el área de la
fractura MS y la magnitud del momento sı́smico, MM = (2/3) log(M0 ) − 6, también
expresada como log M0 = cMM + d, con c = 3/2 y d ≈ 9,1. Esta última definición de
magnitud es la más satisfactoria aunque requiere información adicional a la contenida
en los sismogramas. Todas las escalas de magnitud dan valores semejantes para un
determinado temblor, excepto para los más fuertes, para los que se recomienda MM .
Cada unidad de magnitud representa un incremento de diez en la amplitud de la
onda sı́smica y aproximadamente un incremento de aproximadamente 30 veces en la
energı́a del sismo. Empiricamente se observa una relación lineal en espacio logarı́tmi-
co entre el área de la falla y el momento sı́smico, log A ∝ log M0 lo que indica que
el esfuerzo tiende a ser constante para los diferentes terremotos. Igualmente, se ha
reportado M0 ∝ A3/2 y la energı́a E = 1,44MM + 5,24.
72
4.4. Sismicidad
Sismicidad Observada
La evaluación del riesgo sı́smico de una región tiene como propósito aportar la infor-
mación necesaria para que los ingenieros puedan diseñar estructuras sismo resistentes.
Para esto se hacen estudios de sismicidad histórica, se estudian los catalogos de los
eventos observados y la tectónica que ubica las fallas geológicas en una región. De fun-
damental importancia es la evaluación de la frecuencia de ocurrencia de los temblores
y la distribución de su magnitud e intensidad. Esta última depende de la distancia a
las fuentes y del tipo de rocas y suelos por los que se propaga la onda sı́smica.
Una de las caracterı́sticas más básicas que se ha observado sobre la sismicidad de un
lugar es la llamada Ley de Gutenberg-Richter,
log10 (N ) = −bML + a,
con N el número de sismos por año con magnitud mayor que ML (Gutenberg y Richter
1944). Los terremotos de mayor magnitud son más infrecuentes y los más abundantes
son de menor magnitud. La existencia de esta relación lineal es notoria y universal. Es
decir se observa en diferentes regiones del planeta (ver Figura 4.2). La constante de
proporcionalidad b, se ha considerado universal, b = 0,9 ± 0,15 (Malamud y Turcotte
1999), y el intercepto a de alguna manera define la sismicidad de una región.
La existencia de esta relación requiere explicación. Algunos (Aki 1981; Rundle, Tur-
cotte, Shcherbakov, Klein y Sammis 2003) toman las relaciones empı́ricas y la ley
de Gutenberg-Richter como una indicación de la fractalidad de la distribución de los
sismos. Es fácil ver que luego de reemplazar las anteriores relaciones se obtiene la
relación de escala
N = βA−3b/2c .
De allı́ infieren por la definición de dimensión fractal que D = 2b, recordando que
b = 3/2. Es decir, la distribución de sismos es fractal y la ley de Gutenberg-Richter
es una manifestación de este carácter. Sin embargo, no se ha establecido una relación
entre el escalamiento en la frecuencia de sismos y la dimensión fractal inferida con la
estructura fractal de la red de fallas geológicas que también ha sido reportada para
un rango amplio de escalas (Turcotte 1997).
Sornette (2003, p. 76) presenta una discusión interesante sobre los lı́mite de la ley de
Gutenberg-Richter para magnitudes muy grandes. Las razones son la conservación de
energı́a y la geometrı́a. Varias propuestas para esto en términos de una segunda ley
potencial con un mayor valor de la pendiente b luego de cruzar un umbral de magnitud.
Otra posibilidad es el llamado ajuste (tapper en Inglés) exponencial apoyado en un
lı́mite suave o duro en la magnitud. No se entra en estos detalles, pero si es conveniente
recordar que hay lı́mites para la validez de la ley de Gutenberg-Richter.
Otra observación clara es la disminución con el tiempo del número de réplicas después
de un gran terremoto, f ∝ T −α . Esto se conoce como ley de Omori. La ocurrencia de
réplicas requiere explicación por parte de la teorı́a del rebote elástico. Se aduce que
hay regiones en las que la ocurrencia de un terremoto aumenta el esfuerzo, pero hay
sistemáticamente un rezago para la ocurrencia de la primera réplica. La corrosión y
la existencia de un esfuerzo crı́tico dependiente de la intensidad son los argumentos
usados.
73
a sequence of aftershocks an upper limit of the waiting time. For fixed cell size L
h time as T 2a , a ! 1. This and increasing cutoff S (or m), the range of the power-law
ld belief that aftershocks are regime increases. For fixed cutoff S and increasing cell
on mechanism than the main size L, the range of the power-law regime decreases [7].
In Fig. 4, the curves are replotted in terms of rescaled
mplex behavior is obviously4.of Criticalidad
coordinates. The x axis isAuto
chosen as xOrganizada
! TS 2b Ld f , and the
the statistics of earthquakes, y axis represents y ! T a PS,L"T#. The rescaling causes a
ctal structure displayed by the
ribution of epicenters, is also 5
ess and one might speculate 10 10
y these observations. 4
N(M>m) [earthquakes/year]
ng law for the waiting times 10
sing a hierarchical organiza- 3
nitude. There is a correlated 10
1
n of waiting times between 2
T 2a , a ! 1 and an uncorre- 10
waiting time interval for the 1
10
egimes for earthquakes larger
0.1
nds on the area and magnitude 0
10
vering the period 1984 –2000 10
−1
Modelo de Bloques
La interpretación CAO de la sismicidad considera que en una transición de fase de
primer orden las fuerzas tectónicas conducen el sistema de fallas a un estado de equi-
librio meta-estable. Como las interacciones elásticas son de largo alcance, el sistema
de fallas puede acercarse a una lı́nea espinoidal. De hecho, en el caso de repetición
en el tiempo de sismos a lo largo de una falla se puede considerar que el sistema
reside permanentemente en la vecindad de una lı́nea espinoidal, con fluctuaciones en
el tiempo alrededor de tal equilibrio.
74
4.5. Deslizamientos (pila de arena)
Figura 4.3: Esquema del modelo de bloques y placas tomado de Rundle, Turcotte,
Shcherbakov, Klein y Sammis (2003).
75
4. Criticalidad Auto Organizada
500 60000
30000 450 50000
nro granos presentes
nro granos presentes
tamaño constelación
400 40000
25000
350 30000
300 20000
20000
250 10000
Figura 4.4: Resultados de simulación del modelo de la pila de arena en una malla
cuadrada de 128 nodos. Izquierda, número de granos presentes en función del número
de granos agregados. Centro, detalle de la gráfica anterior para las últimas 10 000
iteraciones. Derecha, tamaño de la constelación de sitios involucrados en el desliza-
miento para las últimas 10 000 iteraciones, note que un sitio puede aparecer varias
veces en una constelación.
76
4.6. Evolución
4.6. Evolución
Bak y Sneppen (1993) presentan un modelo de la evolución que captura la carac-
terı́stica básica señalada por Gould y Eldredge (1977) que postula que ésta ocurre
en ráfagas intermitentes de actividad que separan largos perı́odos de estabilidad en
lugar de un desarrollo gradual como se desprende de la teorı́a de Darwin (1859). La
siguiente reseña se toma de Lesne y Laguës (2012).
El estudio de los fósiles ha permitido reconstruir la historia de las extinciones y
concluir que en lugar de ser un proceso continuo acumulativo, se concentra en eventos
de corta duración. En el contexto de los ecosistemas, criticalidad se refiere a la alta
interdependencia entre las especies, por ejemplo mediante relaciones de mutualismo
o de dominancia en la cadena trófica. Tal interdependencia puede explicar los eventos
de extinción de múltiples especies.
El modelo de Bak y Sneppen (1993) se diseñó para capturar tal intermitencia en las
extinciones. Aunque no busca describir exactamente la realidad, sugiere un mecanismo
plausible. La unidad considerada es la especie en lugar de los individuos. Una red
virtual representa las interacciones entre las especies. En tal red, la vecindad de
especies representa la interdependencia y no hace relación al espacio fı́sico. Para
simplificar la exposición inicialmente se toma una red con igual número de vecinos
y con frontera periódica, por ejemplo un cı́rculo, pero el modelo es general. A cada
especie i se le asigna un real fi entre 0 y 1 que representa el grado de aptitud de la
especie. Para una especie aislada su vida media es
τi = eb(fi −fref ) .
Una especie con grado de aptitud menor que el umbral fijo fref se estingue. La
interdependencia se representa mediante el mecanismo de que cambios en el grado
de aptitud de una especie tienen inicialmente repercusiones en el grado de aptitud
de las especies directamente relacionadas. Pero también de manera indirecta tiene
influencia global porque el efecto se propaga.
77
4. Criticalidad Auto Organizada
4.7. Discusión
Lo que sigue se basa en Jensen (1998). Considere una colección de electrones, o un
montón de granos de arena, un cubo de lı́quido, una red elástica de resortes, un ecosis-
tema, o la comunidad de agentes en el mercado de valores. Cada uno de estos sistemas
consta de muchos componentes que interactúan mediante algún tipo de intercambio
de fuerzas o información. Además de estas interacciones internas, el sistema puede ser
impulsado por alguna fuerza externa: un campo eléctrico o magnético, la gravedad
(en el caso de los granos de arena), cambios ambientales, y ası́ sucesivamente. El sis-
tema evolucionará en el tiempo bajo la influencia de las fuerzas externas y las fuerzas
internas de interacción, suponiendo que se puede descomponer el sistema en compo-
nentes internas y externas de una manera simple. ¿Qué pasa? ¿Hay algún mecanismo
simplificador que produzca un comportamiento tı́pico compartido por la amplia clase
de sistemas, o el comportamiento siempre dependen crucialmente de los detalles de
cada sistema?
El trabajo de Bak, Tang y Wiesenfeld (1987) contiene la hipótesis de que, de hecho,
los sistemas que consisten de muchas componentes que interactúan pueden exhibir de
manera general un comportamiento caracterı́stico. La afirmación seductora es que,
bajo condiciones muy generales, los sistemas dinámicos se organizan en un estado
complejo, pero con una estructura general. Los sistemas son complejos en el sentido
de que no existe un tamaño de evento caracterı́stico: no hay una escala temporal
o espacial que controle la evolución temporal de estos sistemas. A pesar de que la
respuesta dinámica de los sistemas es compleja, el aspecto simplificador es que las
propiedades estadı́sticas se describen por simples leyes de potencia. Además, algunos
de los exponentes pueden ser universales para sistemas que parecen ser diferentes
desde una perspectiva microscópica.
La afirmación de Bak, Tang y Wiesenfeld (1987) es que este comportamiento tı́pico
se desarrolla sin ninguna “afinación” externa del sistema. Además, los estados en los
que los sistemas se organizan tienen el mismo tipo de propiedades exhibidas por los
sistemas de equilibrio en un punto crı́tico. Por lo tanto, el nombre utilizado, criticali-
dad auto organizada (CAO). La esperanza era que ésta es la explicación dinámica de
por qué muchos sistemas en la naturaleza exhiben complejas estructuras espaciales
y temporales. CAO se convirtió en un candidato para la teorı́a de complejidad. Una
de las razones de la intensa atención recibida es que combina dos conceptos fascinan-
tes, auto-organización y comportamiento crı́tico, para explicar una tercera, no menos
fascinante y de moda, la noción de complejidad.
78
4.8. Ejercicios
4.8. Ejercicios
4.8.1 (Escalamiento). Consulte los algoritmos para estimar alguno de los parámetros
básicos de series de tiempo o campos espaciales que se han usado para caracterizar la
criticalidad auto organizada: Escala de fluctuación, exponente de Hurst, intermitencia,
leyes de potencia, exponentes de escalamiento. Aplı́quelo a una serie o campo espacial
observado. Discuta y analice los resultados.
79
4. Criticalidad Auto Organizada
80
4.8. Ejercicios
4.8.9 (Sismicidad).
4.8.10 (Pila de Arena).
4.8.11 (Evolución).
4.8.12 (Convección). Andrade, Schellnhuber y Claussen (1998)
4.8.13 (Convección).
4.8.14 (Modelo Craig y Mack (2013) ).
4.8.15 (Modelo Sornette y Ouillon (2012) ).
81
Capı́tulo 5
Descomposición Espinodal
83
5. Descomposición Espinodal
µ = ∂F/∂φ.
J = −D∇µ,
84
Capı́tulo 6
Las fuentes principales de este capı́tulo son Strogatz 1994 y Logan 2004, que se
recomiendan y usaremos en casi todas partes. La exposición procede de lo simple a
lo complejo. Simplemente, si no se entiende lo fácil, es inútil abordar lo difı́cil. Los
teoremas de existencia y unicidad son enunciados en general para flujos de dimensión
arbitraria finita.
85
6. Fundamentos Sistemas Dinámicos
-‐10
-‐1.2
campo vectorial. La velocidad está representada por flechas, que apuntan a la derecha
si ẋ > 0, y a la izquierda si ẋ < 0. Para algunos valores de x, la velocidad es máxima
y positiva, a medida que la partı́cula se desplaza a la derecha, la velocidad disminuye
y eventualmente es cero. Igual se puede analizar el caso de los valores de x para los
cuales la velocidad es negativa, o positiva pero inferior al máximo. En el caso ẋ = 0, la
velocidad es cero. Por tanto, si una partı́cula inicia en un valor de x para el cual ẋ = 0,
permanece allı́. Dichos punto se llaman puntos fijos. En la figura están representados
por puntos gruesos. Puede observarse que las flechas convergen a los puntos negros,
mientras que en los puntos blancos las flechas divergen. Una partı́cula muy cercana
a un punto blanco, se aleja de él, independientemente si está a su izquierda o a su
derecha. A estos puntos fijos los llamamos inestables. Mientras una partı́cula muy
cercana a un punto negro, tiene la tendencia a acercarse, por tal razón son llamados
puntos fijos estables. otra terminologı́a para los puntos fijos estables es atractor, o
sumidero. Para los inestables los términos son fuentes o repelentes.
x
3.5
π!3
2.5
2
1.5
1
0.5
0
t
0
1
2
3
4
86
6.1. Análisis Cualitativo
1.6
1.2
0.8
0.4
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐0.4
-‐0.8
-‐1.2
Figura 6.3: ẋ = x2 − 1
x0 = π/4, la velocidad es positiva, luego x crece con el tiempo. A medida que crece
la velocidad aumenta, hasta un valor para el cual la velocidad es máxima, que co-
rresponde a x = π/2. Por lo tanto entre esos dos puntos la curvatura es positiva. En
este último la curvatura se anula, la velocidad ni aumenta ni disminuye, aunque sigue
siendo positiva. Luego la partı́cula continúa moviéndose a la derecha, pero la veloci-
dad empieza a disminuir, la curvatura es entonces negativa. Eventualmente llega al
punto x = π, para el cual ẋ = 0.
El ejemplo ilustra el concepto del análisis cualitativo. Aunque en general no se obtiene
información cuantitativa precisa, si se puede obtener un análisis cualitativo útil. En
particular es bastante claro qué pasa cuando t → ∞.
Puntos Fijos
El análisis anterior se puede extender a cualquier ecuación de una dimensión ẋ = f (x).
Se grafica f (x) y se procede a trazar el campo vectorial. Por ejemplo en la Figura 6.3,
se representa el caso f (x) = x2 − 1. Los puntos fijos corresponden a las soluciones de
f (x∗ ) = 0, que en este caso son x∗ = ±1. A la izquierda de x = −1 la función f es
positiva, luego el flujo es hacia la derecha. En −1 < x < 1 se tiene f negativa y el
flujo es hacia la izquierda. A la derecha de x = 1 nuevamente la función es positiva y
el flujo es hacia la derecha. En la Figura 6.3 esto se representa con las flechas y los
puntos fijos con los puntos gruesos. La estabilidad se obtiene de analizar pequeñas
perturbaciones al rededor de los puntos de equilibrio.
Más adelante se desarrolla con rigor el concepto de estabilidad, por ahora se puede
decir que si el sistema está en la vecindad tiende a acercarse a un punto estable.
Mientras que, si es inestable se aleja. Por lo tanto en un sistema real los puntos
inestables no se observan frecuentemente.
Es posible que la gráfica de la función f (x) no sea tan simple, pero se pueden usar
varias técnicas para simplificar. Por ejemplo el caso ẋ = f (x) = x − cos x. Se invita al
lector a seguir este ejemplo con su propia gráfica. De forma independiente se repre-
sentan las gráfica y = cos x y y = x. Cuando la primera está por encima f (x) < 0, la
87
6. Fundamentos Sistemas Dinámicos
Crecimiento Demográfico
88
6.1. Análisis Cualitativo
N
Ṅ = rN (1 − ). (6.1)
K
Esta ecuación se planteó por primera vez en 1838 por Verhulst para describir el
crecimiento de la población humana. La solución es elemental, pero como el énfasis
de este enfoque no es en los métodos de solución de ecuaciones diferenciales sino en el
análisis de la dinámica directamente de la ecuación usaremos el enfoque geométrico.
En concordancia con el carácter aplicado, el análisis se limita a valores positivos de la
población. Nuestro método hasta ahora ha sido la representación gráfica de Ṅ contra
N , Figura 6.5. Los puntos fijos, aquellos para los cuales Ṅ = 0, son N = 0 y N = K.
Si la población inicial es alguno de estos dos valores, no cambiará para cualquier valor
del tiempo, lo que justifica el nombre de punto fijo. Entre los dos valores, la tasa de
crecimiento es positivo, lo que se representa con la flecha hacia la derecha. Para valores
mayores de N = K, la tasa es negativa, lo que se representa con la flecha hacia la
izquierda. Se aprecia de la figura que K es un punto fijo atractor, valores cercanos,
tanto mayores como menores tienden a acercarse a K. Por eso el cı́rculo lleno. Por el
contrario, el origen es un punto fijo repelente, los valores cercanos tienden a alejarse
de él. Incluso es posible definir la forma cualitativa de las soluciones, la forma de
la parábola indica que la tasa de crecimiento crece a la izquierda del máximo en
K/2, y decrece a la derecha. Con esta información podemos delinear un conjunto
de soluciones en la Figura 6.5. En particular, la solución tiene forma de S, también
llamada curva sigmoidea cuando N (0) < K/2.
El modelo logı́stico tiene sus limitaciones. La forma precisa de representar la variación
de la tasa de crecimiento no debe tomarse como una regla, sino como una manera
simple de representar observaciones. Como sucede a menudo con el éxito alcanzado en
las primeras aplicaciones, se sobre valoró y el modelo se pretendió presentar como un
modelo universal, aplicable a cualquier población (Pearl 1927). Una revisión crı́tica
de estos modelos se puede consultar en Krebs (1972). El modelo trabaja bien para
colonias de bacterias, levadura y otros organismos en los cuales hay un suministro
constante de alimentos, ausencia de predadores y un ambiente constante. Para otros
organismos más complejos, que involucran reproducción con huevos, desarrollo en
89
6. Fundamentos Sistemas Dinámicos
0
0
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
larvas, pupas y adultos y/o interacciones con el medio ambiente los resultados no son
tan buenos. Otros trabajos importantes en esta área son Pielou (1969), May y McLean
(2007) y Murray (2008).
Existencia y Unicidad
Hasta ahora no se ha considerado el tema de la existencia y unicidad. Desde el punto
de vista aplicado es común obviar esta preocupación, lo cual casi siempre es jus-
tificado, o mejor, se puede justificar a posteriori. Sin embargo, no faltan los casos
especiales. De ellos se puede aprender bastante tanto desde el punto de vista teóri-
co, como aplicado. Considere el caso con múltiples soluciones ẋ = 3x2/3 y condición
1 La nomenclatura se presenta en la p. fci-36, el lı́mite es cuando η tiende a cero.
90
6.1. Análisis Cualitativo
1.6
1.2
0.8
0.4
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐0.4
-‐0.8
-‐1.2
91
6. Fundamentos Sistemas Dinámicos
con tanto f como f 0 continuas en una vecindad abierta que contiene a x0 . Sea x1
una solución en [t0 , t1 ] con x1 (t0 ) = a, entonces existe una vecindad U de a y una
constante K tal que para b ∈ U existe una única solución x2 de la ecuación diferencial
en [t0 , t1 ] con x1 (t0 ) = b que satisface
Es decir si las dos soluciones inician cerca, permanecen cerca. Aunque se pueden
separar, la velocidad de separación no es más rápido que exponencial. En particular,
el flujo φt (x) es una función continua de x
También es importante el caso en el cual la ecuación diferencial depende de un paráme-
tro, digamos k. Desde el punto de vista aplicado también se espera que la solución
dependa continuamente del parámetro. Es posible aplicar el teorema anterior para ver
que tal expectativa se cumple si la ecuación depende continuamente del parámetro. El
truco es aumentar en uno el número de variables y de ecuaciones, la nueva variables
es el parámetro y la nueva ecuación es k̇ = 0.
Teorema 6.1.3. Dada un sistema de ecuaciones diferenciales que depende del paráme-
tro k, expresado mediante ẋ = f (x; k), con f continuamente diferenciable tanto en x
como en k, entonces el flujo φt (x; k) también es una función continua de k.
6.2. Bifurcaciones
Tal como se desprende de la sección anterior, la dinámica de los campos vectoriales
en una dimensión es bastante simple. Todas las soluciones o tienden a un punto fi-
jo o van a ±∞. Dado este comportamiento casi trivial, no parece justificado haber
iniciado considerando el caso unidimensional. Sin embargo se justifica, no sólo por
la facilidad para explicar la representación geométrica, los puntos fijos y la estabili-
dad; sino además por el análisis de las bifurcaciones que proviene del estudio de la
dependencia de parámetros, el carácter cualitativo de los flujos cambia a medida que
cambian los parámetros. Además, este comportamiento juega un papel importante
en el caso general de flujos de dimensión mayor. En varios campos de las ciencias las
bifurcaciones son modelos que explican transiciones e inestabilidades que resultan del
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
0
0
0
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐2
-‐2
-‐1
-‐1
0
0
1
1
2
-‐0.5
-‐0.4
-‐0.4
-‐0.4
-‐1
-‐0.8
-‐0.8
-‐0.8
92
6.2. Bifurcaciones
cambio de parámetros de control. En esta sección se presentan los casos tı́picos me-
diante ejemplos. En la sección siguiente se profundiza sobre la explicación matemática
de estos cambios de comportamiento en función de los parámetros y se justifica la
clasificación. Veremos que las bifurcaciones se presentan únicamente cuando se crean,
se destruyen, colisionan o cambia la estabilidad de los puntos crı́ticos.
Bifurcación de Ensilladura
La bifurcación de ensilladura o de punto de silla es el mecanismo básico por el cual se
crean y destruyen puntos fijos. A medida que un parámetro cambia dos puntos fijos
se acercan, chocan y se aniquilan mutuamente. El ejemplo tı́pico es ẋ = x2 + r, donde
r es un parámetro que puede ser positivo, negativo√ o cero, ver Figura 6.8.
√ Cuando r
es negativo, hay dos puntos fijos, uno estable, − −r, y otro inestable, −r. Cuando
r es cero, sólo el origen es punto fijo. El método geométrico nos indica que es semi
estable, atrae puntos cercanos a la izquierda de él, pero repele puntos cercanos a
su derecha. Cuando r > 0 no hay puntos fijos, el flujo tiende a ∞. La Figura 6.8
representa la dependencia de los puntos fijos en función del parámetro r. Como el
comportamiento del flujo cambia drásticamente en el punto r = 0 se dice que este
sistema tiene una bifurcación para este valor particular del parámetro.
Cuando miremos el caso con dimensión mayor a uno, la razón del nombre será más
evidente. Conviene advertir que algunos usan otras terminologı́as para este caso, bien
sea bifurcación de doblado, o bifurcación de punto de quiebre. Incluso se ha usado el
nombre de bifurcación caı́da del cielo, porque si se mira el diagrama iniciando para
valores grandes y positivos de r, no hay puntos fijos, a medida que se disminuye
el parámetro se llega a un punto, el punto de bifurcación, en el cual súbitamente
aparece primero un punto fijo semi estable y luego dos puntos fijos, que salen de la
nada, caı́dos del cielo. Mirada en esta dirección el uso de la palabra bifurcación tiene
más sentido. Un punto fijo se convierte en dos a medida que cambia el parámetro,
aparecen dos ramas.
El siguiente ejemplo aporta en la interpretación de la bifurcación de ensilladura. Sea
ẋ = r − x − e−x , ver Figura 6.9. De manera directa no es posible encontrar los
puntos fijos, pero la representación geométrica del numeral anterior sugiere proceder
a graficar la recta y = r − x y la curva y = e−x que son más familiares. Como f (x) es
la diferencia entre las dos, tenemos que cuando la recta esté por encima de la curva la
derivada es positiva, x crece, el vector velocidad apunta a la derecha; cuando la curva
está por encima de la recta la velocidad apunta a la izquierda. Cuando se cortan la
velocidad es cero y se tiene un punto fijo. Para un valor grande del parámetro r, se
tienen dos intersecciones tal y como se ilustra a la parte (a) de la figura, la de la
izquierda corresponde a un punto fijo inestable y la de la derecha a uno estable. Si el
parámetro r es todavı́a mayor los puntos fijos se separan, pero no se encuentra ningún
comportamiento diferente. Por el contrario, medida que se tomen valores menores de
r, los puntos fijos se acercan, eventualmente se unen en uno sólo (parte b de la figura)
y posteriormente no habrá ninguno (c). El valor crı́tico, corresponde a un punto de
bifurcación, que podemos encontrar al notar que en este caso no sólo tenemos igualdad
de la curva y la recta, r − x = e−x , sino que además la recta es tangente a la curva,
93
6. Fundamentos Sistemas Dinámicos
es decir las derivadas son iguales, −1 = −e−x . Por lo tanto en el punto de bifurcación
x = 0 y el valor crı́tico de r es rc = 1. En este caso el diagrama de bifurcación es
semejante al de la Figura 6.8 rotado respecto a ambos ejes.
Este último ejemplo ilustra bien el caso general de las bifurcaciones de punto de silla.
En particular la razón por la cual el primer ejemplo parabólico es genérico de este tipo
de bifurcaciones. Si se expande en serie de Taylor al rededor del punto de bifurcación
la función ẋ = f (x) = r − x − [1 − x + x2 /2 + o(x2 )] que tiene la misma forma
parabólica del primer ejemplo cuando se retiene el término de orden mayor en x, y
se hace una traslación o cambio de escala. Esto es lo tı́pico. Un punto de tangencia
se ve como una parábola cuando se mira con un microscopio.
Bifurcación Tridente
El tercer tipo de bifurcación podrı́a llamarse también trifurcación, porque los puntos
fijos aparecen o desaparecen en pares, y se pasa de uno a tres puntos fijos o viceversa.
El diagrama de bifurcación correspondiente parece un tridente. Desde el punto de vista
fı́sico esto se asocia a una simetrı́a particular que matemáticamente corresponde a la
simetrı́a x ⇔ −x. Es decir, el sistema, su ecuación no cambian al hacer la substitución
correspondiente, o lo que es lo mismo, la orientación contraria del eje conduce a la
94
6.2. Bifurcaciones
0.5
0.5 0.5 2
-‐0.5
1
-‐0.5
-‐0.5
-‐1 0.5
-‐1
-‐1
0
-‐1.5 -‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐1.5
-‐1.5
r
-‐0.5
-‐2
-‐2
-‐2
-‐1
-‐2.5
-‐2.5
-‐2.5
-‐1.5
5
5
5
1.5
x
1
3
3
3
0.5
1 1 1
0
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
r
-‐1
-‐1
-‐1
-‐0.5
Tridente Supercrı́tica
La forma normal de la bifurcación tridente supercrı́tica es ẋ = rx−x3 . Es claro que la
substitución de x por −x deja invariante la ecuación. La Figura 6.11 ilustra el campo
vectorial para diferentes valores del parámetro r. El origen es el único punto fijo para
r ≤ 0, además se puede ver que en estos caso es un punto fijo estable. La bifurcación
ocurre en r = 0, a partir de este valor, para r > 0 aparecen dos nuevos puntos fijos,
simétricos y estables, y el origen, que continúa siendo punto fijo pierde su estabilidad.
La Figura 6.11 también ilustra el diagrama de bifurcación correspondiente.
En el punto de bifurcación, el término lineal se anula y por tanto las perturbaciones
no decaen exponencialmente, sino a una tasa algebraica mucho más lenta. De hecho,
en este caso la ecuación tiene solución explı́cita, x(t) = x(0)[2tx(0) + 1]−1/2 . Este
fenómeno se conoce como pérdida crı́tica de velocidad, o frenado crı́tico (critical
slowing down), una caracterı́stica tı́pica de las transiciones de fase de segundo orden.
Sobre este tema volveremos en varias ocasiones.
Un ejemplo de este tipo de bifurcación es el sistema ẋ = −x + β tanh x de acuerdo al
parámetro β. En mecánica estadı́stica aparecen ecuaciones similares, también en el
estudio de redes neuronales y magnetismo. Una explicación sobre la razón de que este
sistema pertenezca a esta categorı́a está en la expansión en series de la función tanh,
lo cual conduce, después de un cambio de escala, a los primeros términos de la forma
normal de la bifurcación tridente supercrı́tica indicada antes, con parámetro β − 1.
Otra manera de analizar este sistema es la consideración simultánea de las gráficas de
95
6. Fundamentos Sistemas Dinámicos
5
5
5
1.5
x
1
3
3
3
0.5
1 1 1
0
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
r
-‐1
-‐1
-‐1
-‐0.5
y = x y y = β tanh x. Los puntos de intersección son los puntos fijos del sistema. La
pendiente en el origen aumenta con β, las dos gráficas son tangentes cuando β = 1,
para valores β > 1 aparecen dos nuevos puntos fijos, simétricos y estables. Para trazar
el diagrama de bifurcación (Figura 6.12) en lugar de tratar de resolver la ecuación
trascendental x = β tanh x, se expresa β en términos de x, aunque en la gráfica x
juegue el papel de variable dependiente.
Tridente Subcrı́tico
La forma normal para este tipo de bifurcación es ẋ = rx + x3 . En comparación
con el anterior cambia el signo del término cúbico. Allá el término cúbico era una
especie de fuerza restauradora, que estabiliza el sistema. En este caso es un término
desestabilizador. La Figura 6.13 representa el campo vectorial para diferentes valores
del parámetro r y el correspondiente diagrama
√ de bifurcación. En este caso el tridente
está invertido, los puntos fijos x∗ = ± −r son inestables, y existen sólo debajo de la
bifurcación, de allı́ el término subcrı́tico. Más interesante es la estabilidad del origen,
estable para r < 0 e inestable para r > 0. De hecho, para este último caso el término
cúbico conduce a la explosión del sistema, que tiende a ±∞ en un tiempo finito.
En sistemas reales, tal explosión es opuesta por la influencia estabilizadora de otros
términos. Si nos mantenemos en el ámbito de los sistemas simétricos, el ejemplo es un
sistema ẋ = rx + x3 − x5 , cuyo diagrama de bifurcación se ilustra en la Figura 6.14.
para valores de x cercanos al origen el diagrama es semejante al anterior, el origen es
localmente estable para r < 0, y aparecen dos ramas inestables que se bifurcan hacia
atrás del origen cuando r = 0, lo nuevo que introduce el término de orden 5 es que
estas ramas inestables se doblan y regresan para un valor r = rs < 0, a partir del
cual son estables. Estas ramas estables existen para r > rs , y en el rango rs < r < 0
96
6.2. Bifurcaciones
x
x
1.1
1.1
0.6 0.6
0.1 0.1
0
0
0
0
r
r
-‐0.4
-‐0.4
-‐0.9 -‐0.9
-‐1.4 -‐1.4
Catástrofes
Como se mencionó, la simetrı́a juega un papel importante en las bifurcaciones de
tenedor, pero en los problemas reales la simetrı́a es únicamente aproximada. Para
poner un ejemplo, cualquier imperfección lleva a que haya diferencias entre el lado
derecho y el izquierdo de un sistema. En esta sección se mira a este tema mediante
el estudio del sistema
ẋ = h + rx − x3
97
6. Fundamentos Sistemas Dinámicos
3
3
h>|hc|
y=-‐h h=|hc|
1 1
h<|hc|
-‐1 -‐1
-‐3 -‐3
h
0.7
-‐1.3
3
Figura 6.16:
p r Diagrama de bifurcación del sistema ẋ = h+rx−x , que tiene dos ramas
2r
h = ± 3 3 que se cortan en una cúspide en el origen
98
6.2. Bifurcaciones
2
1.5
0.5
0.5
0.5
1
0.5
r
h
h
0
0
0
0
-‐2
-‐2
-‐1
-‐1
0
1
1
2
2
-‐20
-‐15
-‐10
-‐5
0
5
10
15
20
-‐1
0
0
-‐1
0
0
r
-‐0.5
-‐1
-‐0.5
-‐0.5
-‐0.5
-‐1.5
-‐2
-‐2.5
-‐1
-‐1
-‐1
-‐3
-‐3.5
99
6. Fundamentos Sistemas Dinámicos
Conceptos básicos
Teorema de la Función Implı́cita
Teorema 6.3.1 (Teorema de la Función Implı́cita). Sea f (µ, u) una función con-
tinuamente diferenciable en alguna región abierta U del plano µu que contiene a
(µ0 , u0 ). Si f (µ0 , u0 ) = 0 y fu (µ0 , u0 ) 6= 0, entonces existe un rectángulo S =
{(µ, u) ∈ U : |µ − µ0 | < a, |u − u0 | < b} tal que la ecuación f (µ, u) = 0 tiene
una única solución u = u(µ) en S, esta función es continuamente diferenciable en
|µ − µ0 | < a y su derivada es
du fµ (µ, u(µ))
=−
dµ fu (µ, u(µ))
Por tanto, de acuerdo al teorema de función implı́cita, por un punto regular pasa una
única curva, u = u(µ) o µ = µ(u).
100
6.3. Formalización de Bifurcaciones
f (P ) = 12 (fµµ (P0 )∆µ2 + 2fµu (P0 )∆µ∆u + fuu (P0 )∆u2 ) + o(∆µ2 + ∆u2 ).
lo que define una relación entre los diferenciales dµ y du a lo largo de cualquier curva
f (µ, u) = 0 por P0 . Esta relación se puede interpretar como una ecuación cuadrática
du
para dµ (dividiendo por dµ2 ).
2
Si el discriminante D = fµu (P0 ) − fuu (P0 )fµµ (P0 ) es positivo, hay dos raı́ces reales y
el punto singular P0 se denomina Punto Doble. En este caso la solución de la ecuación
cuadrática es s s
du fµu D dµ fµu D
=− ± 2
, o =− ± 2
, (6.2)
dµ fuu fuu du fµµ fµµ
Ejemplos
101
6. Fundamentos Sistemas Dinámicos
0.8
u
u
2
0.4
0
-‐2
-‐1
1
2
μ 1
-‐0.4
-‐0.8
0
-‐4
-‐3
-‐2
-‐1
0
1
2
3
4
μ
Existen puntos singulares de orden mayor para los cuales la función y las derivadas
parciales de orden 1 y 2 son todas cero.
Lema 6.3.2. Sea P0 un punto doble de f (µ, u) = 0, entonces o bien fµµ (P0 ) 6= 0 y
las dos tangentes están dadas por la segunda ecuación en (6.2), o fµµ (P0 ) = 0 y las
dos tangentes en P0 son dµ du
= 0 y dµ fuu
du = − 2fuµ . Para el caso fuu 6= 0 se tiene un
resultado simétrico.
Intercambio de Estabilidad
En un punto de quiebre puede intercambiarse la estabilidad.
Con respecto al cambio de estabilidad interesa investigar los puntos dobles y los
puntos de quiebre.
102
6.3. Formalización de Bifurcaciones
4
u
3
2 E
1
B
-‐5
0
0
D
5
10
A
μ
-‐1
C
-‐2
F
-‐3
-‐4
dµ2
µ = µ2 (u) con pendiente du = −fuu /2fuµ
Teorema 6.3.4 (Caso 1). Si P0 es un punto doble con fµµ 6= 0, entonces los paráme-
tros lineales α1 (u) y α2 (u) para determinar la estabilidad para las curvas µ = µ1 (µ)
y µ = µ2 (u), son respectivamente
dµ1 √
α1 (u) = − (u)[sgnfµµ (P0 ) D(u − u0 ) + o(|u − u0 |)]
du
dµ2 √
α2 (u) = (u)[sgnfµµ (P0 ) D(u − u0 ) + o(|u − u0 |)]
du
Teorema 6.3.5 (Caso 2). Si P0 es un punto doble con fµµ = 0, entonces los paráme-
tros lineales α1 (µ) y α2 (u) para determinar la estabilidad para las curvas u = u1 (µ)
y µ = µ2 (u), son respectivamente
√
α1 (µ) = sgnfuµ (P0 ) D(µ − µ0 ) + o(|µ − µ0 |)
103
6. Fundamentos Sistemas Dinámicos
2
2.4
u
u
2
μ2
=u2+μc
1.6
μ
=μ+(u)
1.6
1.2
0.8
1.2
0.4
u1=0
0
-‐2
-‐1
1
2
3
4
5
0.8
-‐0.4
μ
μ
=μ-‐(u)
-‐0.8
-‐1.2
0.4
-‐1.6
μ -‐2
0
-‐2.4
0
1
2
3
dµ2 √
α2 (u) = −sgnfuµ (P0 ) (u)[ D(u − u0 ) + o(|u − u0 |)]
du
104
6.4. Flujos en el cı́rculo
Note que esto impone restricciones en los tipos de funciones f que se pueden conside-
rar, por ejemplo θ̇ = θ no puede interpretarse como un campo vectorial en el cı́rculo
para −∞ < θ < ∞, pues hay lugar a un doble valor de la velocidad en θ = 0 y θ = 2π
que realmente son el mismo punto; el primer valor indica una velocidad 0 y el segundo
2π. El problema no se arregla con restringir el dominio, por ejemplo a −π < θ ≤ π,
pues aparecen discontinuidades en la velocidad. En la lı́nea no hay ningún problema
con este campo vectorial. El problema se resuelve si sólo se aceptan funciones con
perı́odo 2π, es decir para las cuales f (θ + 2π) = f (θ) para todo real θ. Además se
asumen otras propiedades de suavidad de la función f para garantizar existencia y
unicidad de la solución.
Oscilador Uniforme
El ejemplo más elemental es en el que el cambio de la fase es uniforme, θ̇ = ω, donde
ω es una constante. La solución es θ(t) = ωt + θ0 , que corresponde a un movimiento
uniforme al rededor del cı́rculo con una frecuencia angular ω y un perı́odo constante
T = 2π/ω. En este ejemplo no hay amplitud, para lo cual habrı́a que pasar a varias
dimensiones.
Una variante es considerar dos osciladores aislados θ1 y θ2 con frecuencias diferentes
ω1 y ω2 . Si empiezan igualados, la diferencia φ = θ1 −θ2 puede emplearse para estudiar
el tiempo hasta la próxima igualación. El perı́odo de φ es
2π 1
T = = 1 1 .
ω1 − ω2 T1 − T2
Oscilador No—uniforme
La ecuación
θ̇ = ω − a sen θ
se encuentra en varios campos de aplicación, en el fenómeno de enfasamiento en
electrónica, en biologı́a en el estudio de las oscilaciones de neuronas, en los ciclos
biológicos del sueño, en el comportamiento acompasado de las luciérnagas en algu-
nas regiones. También se encuentra en fı́sica de materia condensada en las llamadas
oscilaciones de Josephson y en el estudio de péndulos sobre amortiguados. Se va a
asumir que ω > 0 y que a ≥ 0. La Figura 6.22 ilustra el campo vectorial. Note que ω
corresponde a la media de la velocidad y a a su amplitud.
Si a = 0 el oscilador es uniforme. El parámetro a se puede interpretar como una
medida del grado de no-uniformidad. El flujo es más rápido en θ = −π/2 = 3π/2 y
más lento en θ = π/2. A medida que a se incrementa la no-uniformidad también se
acentúa. Cuando a es ligeramente menor que ω se crea un cuello de botella cerca a
θ = π/2, mientras que en el resto del cı́rculo el flujo es bastante más rápido. Cuando
a = ω el sistema deja de oscilar completamente y aparece un punto fijo semi estable en
θ = π/2 mediante una bifurcación de ensilladura. Cuando a > ω, el punto semi estable
se bifurca en dos puntos fijos, uno estable y otro inestable y todas las trayectorias
llevan al punto fijo estable.
105
6. Fundamentos Sistemas Dinámicos
La estabilidad de los puntos fijos se puede estudiar mediante el análisis lineal. Cla-
ramente los puntos fijospsatisfacen sen θ∗ = ω/a y el parámetro de estabilidad es
f 0 (θ∗ ) = −a cos θ∗ = ∓ 1 − (ω/a)2 . Por lo tanto el punto fijo estable es aquel con
cos θ∗ > 0, como se confirma en la Figura 6.22.
El perı́odo se puede encontrar analı́ticamente, mediante
Z 2π
dθ 2π
Z
T = dt = =√ .
0 ω − a sen θ ω − a2
2
La integral se resuelve con la substitución u = tan θ/2. Se puede mostrar que cuando
a → ω − se tiene r r
2 1
T 'π .
ω ω−a
Es decir T diverge como (ac − a)−1/2 , con ac = ω.
Para el caso de a = ω + , con > 0 pero muy pequeño, se siente un fantasma del
cuello de botella (ver Figura 6.24). Se puede derivar una ley de escala general para el
106
6.4. Flujos en el cı́rculo
tiempo requerido para pasar el cuello de botella. Lo que realmente interesa es lo que
ocurre cerca al mı́nimo de f , pues el tiempo que el sistema permanece allı́ es mucho
mayor que en el resto. Cerca al mı́nimo, toda función es bien aproximada por una
parábola (bifurcación de ensilladura), es decir ẋ = r + x2 , con 0 < r << 1. Lo que
conduce a
dx
Z
Tc ≈ ≈ r−1/2 .
r + x2
Sincronización de Luciérnagas
En la naturaleza hay más de un ejemplo de sincronización. Parece que la primera
observación sistemática se debe a Christian Huygens (1629-95) en una carta a su
padre del 26 de febrero de 1665 (Huygens 1888, Vol. 5, p. 243). Al cientı́fico holandés
le debemos entre muchas otras cosas el invento del reloj de péndulo. Precisamente
en el reporte indica que observó que dos de estos relojes colgados mediante ganchos
de una misma viga de madera entraban en sincronı́a: “Es muy interesante que los
movimientos de los dos péndulos en oscilación opuesta están tan de acuerdo que
nunca se atrasan en lo más mı́nimo el uno con respecto al otro y los sonidos de los
dos se oyen en simultánea. Además, si uno perturba este acuerdo, se restablece por
sı́ mismo en corto tiempo. Por mucho tiempo estuve sorprendido de este resultado
inesperado, pero después de examinar cuidadosamente finalmente encontré la causa,
que se debe al movimiento de la viga, aunque sea tan leve que casi no es perceptible”.
La Figura 6.25 reproduce la ilustración original del mismo Huygens.
Otro ejemplo muy citado es la rotación sincrónica frecuente en astronomı́a, que co-
rresponde al caso en el cual un cuerpo que orbita a otro tarda lo mismo en completar
un giro que lo que tarda en rotar sobre su eje, y por lo tanto siempre deja el mismo
hemisferio de cara al cuerpo al rededor del cual orbita, como ocurre con nuestra Luna.
La explicación está en la marea y por esto también se denomina enfasamiento por
marea. También es frecuente que la relación entre el perı́odo rotacional y el perı́odo
orbital aunque bien definidas sea diferente de 1 : 1. Un ejemplo bien conocido es la
rotación de Mercurio al rededor del Sol, que está en resonancia de marea en relación
3 : 2.
107
6. Fundamentos Sistemas Dinámicos
108
6.4. Flujos en el cı́rculo
109
6. Fundamentos Sistemas Dinámicos
Es interesante notar que el modelo predice que no toda posible combinación de fre-
cuencias conduce a enfasamiento, en términos de las variables originales, hay una re-
gión, denominada región de encarrilado que queda restringida a ω − A < Ω < ω + A,
tal como se ilustra en la Figura 6.27
6.5. Aplicaciones
Laser
Una aplicación interesante para ilustrar la bifurcación trans crı́tica es un modelo del
laser de estado sólido presentado por Haken (1983) y reseñado en Strogatz (1994).
La palabra laser es la abreviatura en Inglés de Light Amplification by Stimulated
Emission of Radiation, o amplificación de luz por la emisión estimulada de radiación.
Su descripción requiere fı́sica avanzada, en términos simples es un conjunto de átomos
activos, en una matriz de estado sólido que tiene en los extremos espejos que reflejan
parcialmente y que es excitada por una lámpara común. Los átomos excitados oscilan
independientemente unos de otros y emiten fotones. Si el bombeo es relativamente
débil, cada átomo emite luz con fase aleatoria, el resultado es una lámpara común,
con luz en todas las frecuencias. Pero si se incrementa la potencia del bombeo se
llega eventualmente a un umbral en el cual los átomos empiezan a emitir en fase y la
lámpara se convierte en un laser. En el modelo la variable de estado es el número de
fotones n(t). La ecuación dinámica es una ecuación de conservación, con dos términos,
uno positivo que representa la ganancia y otro negativo que representa la pérdida. La
pérdida corresponde al escape de fotones por los extremos del laser y es proporcional al
número de fotones, con una constante positiva k, cuyo inverso corresponde al tiempo
medio de permanencia de los fotones en el laser. La ganancia se modela como el
producto del número de fotones n, el número de átomos excitados N y una constante
positiva, G, llamada el coeficiente de ganancia. Es decir, ṅ = GnN −kn. La idea fı́sica
importante es la relación entre n y N . Luego de que un átomo excitado emite un fotón,
cae a un nivel de energı́a más bajo y deja de estar excitado. Es decir, N decrece por
la emisión de fotones. Si en la ausencia de la acción del laser, la lámpara mantiene el
número de átomos excitados en N0 , se puede asumir que N (t) = N0 − αn(t), donde
α es la tasa a la cual los átomos decaen a su estado base. En resumen el modelo es
ṅ = Gn(N0 − αn) − kn = (GN0 − k)n − (αG)n2 . Por tanto ocurre una bifurcación
trans crı́tica cuando el parámetro GN0 − k cambia de signo. Si N0 < k/G el único
110
6.5. Aplicaciones
punto fijo es el origen y es estable (por razones fı́sicas no caben valores negativos de
n). En el punto N0 = k/G ocurre la bifurcación, este valor se conoce como el umbral
del laser, porque de allı́ en adelante, para N0 > k/G el origen pierde la estabilidad
y aparece un nuevo punto fijo estable, n∗ = (GN0 − k)/αG > 0, que corresponde a
la acción espontánea del laser. Este modelo no tiene en cuenta varios detalles fı́sicos
importantes, como la dinámica de los átomos excitados, la posibilidad de emisiones
espontáneas y otras más (Strogatz 1994).
que es una ecuación diferencial de segundo orden. En este Capı́tulo no hemos desarro-
llado las herramientas para considerar este tipo de problemas, por lo que se hace una
aproximación para reducirlo a un problema de orden uno, despreciando el término
mrφ̈. Las condiciones para tal aproximación se discuten extensamente más adelante.
En estas condiciones, el problema de primer orden a analizar es
!
rω 2
bφ̇ = mg sen φ cos φ − 1 ,
g
que tiene por lo menos dos puntos fijos, φ∗1 = 0 en la posición más inferior, y φ∗2 = π en
la más superior. Esto concuerda con la intuición, pero pueden existir otros y además
hay que estudiar la estabilidad. Si rω 2 /g > 1, es decir si el aro gira suficientemente
rápido, hay otros dos puntos fijos que satisfacen φ∗3,4 = ± arc cos 1/γ, con γ = rω 2 /g.
Estos corresponden a las intersecciones de y = cos φ con y = 1/γ. Claramente la
111
6. Fundamentos Sistemas Dinámicos
112
6.5. Aplicaciones
1 dφ 1 d2 φ
φ̇ = , y φ̈ = 2 2
T dτ T dτ
que al reemplazarse en la Ecuación 6.3 producen
r dφ b dφ rω 2
2
=− − sen φ + sen φ cos φ.
gT dτ mgT dτ g
Los factores que resultan son adimensionales, en particular el asociado al término
independiente es el factor γ que ya habı́amos encontrado. Por tanto lo que queremos
2
b
es mgT ≈ O(1), y gTr 2 << 1, que corresponde a T = mg b
y = gr mg
b << 1. Lo que
se resume en
d2 φ dφ
2 =− − sen φ + γ sen φ cos φ.
dτ dτ
La aproximación que analizamos corresponde al caso en el cual los términos de la
derecha son de magnitud O(1) y el término de la izquierda es despreciable porque
→ 0, lo que equivale a b2 >> m2 gr. Que fı́sicamente se interpreta como que la
cuenta es sobre amortiguada o que la masa es despreciable, pero de una manera más
precisa, al compararla con la amortiguación.
Epidemia de Insectos
Los abetos en Canadá y la costa Este de los Estados Unidos son infestados por una
peste de gusanos que se alimentan de las yemas y hojas tiernas, y pueden matar
todos los árboles de una zona en cuestión de 4 años. La dinámica de esta infestación
tiene dos escalas de tiempo, una más rápida que corresponde a la vida de los gusanos,
que pueden multiplicar por cinco la densidad en el transcurso de un año, es decir
que tienen una escala de tiempo caracterı́stica del orden de meses. Por otro lado, los
árboles tienen una vida del orden de 100 a 120 años en ausencia de enfermedades
y tienen capacidad de reemplazar completamente su follaje en un perı́odo de 7 a 10
años. Inicialmente los parámetros del bosque se van a tomar como constantes, pero
luego se va a considerar su variación paramétrica, lo que permite entender el tema
de la infestación. El ejemplo es tomado de Strogatz (1994) que a su vez lo toma de
Ludwig, Jones y Holling (1978).
El modelo propuesto es
N
Ṅ = RN 1 − − p(N ).
K
Su justificación es simple, en ausencia de predadores la población de los gusanos de las
yemas del abeto se asume crece de acuerdo a la ecuación logı́stica, con la capacidad de
soporte proporcional a la cantidad de follaje, que se va a considerar es un parámetro
que varı́a lentamente. El término P (N ) es la tasa de mortalidad que se asume tiene
la forma representada en la Figura 6.29. La principal causa de muerte de los gusanos
es el ataque de predadores, en lo fundamental pájaros. Cuando hay pocos gusanos,
no hay casi predadores, los pájaros buscan la comida en otros lugares. Cuando la
113
6. Fundamentos Sistemas Dinámicos
BN 2
N
Ṅ = RN 1− − . (6.4)
K A2+ N2
En el contexto de este modelo se quiere entender mejor el significado de epidemia. De
alguna manera intuitiva el uso del término indica un aumento rápido de la población
de insectos de un nivel bajo (normal) a uno alto. Pero qué significa bajo, o normal
y alto en este contexto, se quiere que el modelo permita predecir estos valores y las
transiciones. Para tal fin es conveniente reescribir el modelo en forma adimensional.
Tanto K como A tienen unidades de población y cualquiera de las dos pudiera servir
para adimensionalizar N , se escoge A para que el término de la mortalidad no con-
tenga parámetros, que van a quedar en el término logı́stico. Sea x = N/A la nueva
variable dependiente, una población adimensional. Luego el modelo se convierte en
BA2 x2
Ax
Aẋ = RAx 1 − − 2 ,
K A + A2 x 2
114
6.5. Aplicaciones
Figura 6.30: Esquema para cálculo de los puntos fijos en el problema de los gusanos
x2
y abetos, sistema ẋ = rx(1 − xk ) − 1+x x
2 , mediante la intersección de y = 1+x2 con la
x
recta y = r(1 − k ), para varios casos de los parámetros r y k
x
Los otros puntos fijos se encuentran fácilmente mirando a la intersección de y = 1+x 2
x
con la recta y = r(1 − k ) (ver Figura 6.30). El análisis es directo porque la curva no
tiene parámetros, mientras que r y k son respectivamente los interceptos con el eje y
y el eje x de la recta. Se aprecia que cuando k es lo suficientemente pequeña hay una
única intersección independiente del valor de r (lado izquierdo de la Figura 6.30). Para
valores mayores de k, se pueden presentar una, dos o tres intersecciones, dependiendo
del valor de r (lado derecho de la Figura 6.30). Si se fija la intersección con el eje x, es
decir se fija el parámetro k, la variación de r corresponde a una rotación de la recta. Si
se inicia con un valor de r para el cual hay tres intersecciones (a < b < c) y se decrece
r se tiene una rotación anti horaria de la recta, que hace que las intersecciones b y c
se acerquen, hasta que eventualmente se presenta coalescencia (b = c, lı́nea punteada
de la figura), que corresponde a la tangencia. Si r continúa decreciendo hay sólo una
intersección. Esta bifurcación corresponde a la de punto de ensilladura. De manera
semejante, si r se aumenta, también hay coalescencia y tangencia, a y b se acercan y
eventualmente a = b.
La estabilidad para el caso de tres puntos fijos adicionales a x = 0 se deduce por los
métodos indicados. Una manera rápida es considerar que el origen es inestable y que
el signo de la derivada en los puntos fijos alterna de signo. Por lo tanto x = a y x = c
serán estables, mientras que x = b es inestable (ver Figura 6.31). La interpretación
es que en el caso de tres puntos fijos adicionales se tienen dos poblaciones de gusanos
estables, una baja, que denominan de refugio y otra alta que llaman de infestación o
epidemia. Si los parámetros están fijos, cuál de esto dos estados se alcanza depende
del estado inicial. Habrá infestación si x(0) > b, y el sistema llega al estado de refugio
si x(0) < b. El valor de b corresponde a un umbral que separa los dos regı́menes
estables.
Una epidemia también puede resultar de cambios ambientales que se reflejen en cam-
bios en los parámetros que produzcan una bifurcación. La Figura 6.32 ilustra tanto el
diagrama de bifurcación con cúspide, como la correspondiente superficie catastrófica.
Para el cálculo de estos diagramas se establece además de la condición de intersección
115
6. Fundamentos Sistemas Dinámicos
Figura 6.31: Estabilidad de los puntos fijos del problema de los gusanos y abetos
6.6. Ejercicios
116
6.6. Ejercicios
6.6.3. En cada caso, si existe, encuentre una ecuación ẋ = f (x) tal que todo real sea
un punto fijo; tal que todo entero sea punto fijo y no tenga otros puntos fijos; tal que
tenga precisamente tres puntos fijos todos estables; tal que no tenga puntos fijos; tal
que tenga precisamente 20 puntos fijos.
6.6.4. Resuelva analı́ticamente la ecuación logı́stica por separación de variables y
fracciones parciales; y/o mediante la substitución w = 1/N .
6.6.5. Las soluciones de una ecuación diferencial ẋ = f (x) en una dimensión no
pueden ser periódicas. Suponga que T es el perı́odo y encuentre una contradicción
considerando Z T
dx
f (x) dt
0 dt
6.6.6. Sea xf un punto crı́tico de la ecuación diferencial ẋ = f (x), es decir, f (xf ) = 0.
Demuestre que para cualquier condición inicial x0 6= xf el tiempo para llegar a xf
es infinito, es decir ı́nf t>0 {x(t) = xf , ẋ = f (x), x(0) = x0 } = ∞. Pista suponga lo
contrario y llegue a una contradicción considerando en sistema que resulta de invertir
la dirección del tiempo.
6.6.7. En el ejemplo de la cuenta amortiguada se aproximó una ecuación de segundo
orden por una ecuación de primer orden. Aunque el argumento es correcto, el tema
de las condiciones iniciales requiere explicación. Las ecuaciones de segundo orden
tienen dos condiciones iniciales independientes, en este caso el ángulo inicial φ(0) y
la velocidad angular inicial Ω(0) = φ̇. Mientras que la aproximación usada tiene sólo
una condición inicial. En el Capı́tulo siguiente se estudiarán los sistemas de segundo
orden, con detalle, pero por ahora es posible considerar un sistema de dos ecuaciones
φ0 = Ω y Ω0 = (f (φ) − Ω)/, en la cual hemos escrito f (φ) = sen φ(γ cos φ − 1).
El concepto de campo vectorial acá corresponde al plano φ, Ω como se ilustra en la
Figura 6.33. En cada punto el vector (φ0 , Ω0 ) se interpreta como la velocidad y el
concepto de flujo adquiere más sentido. En la Figura 6.33 la curva C corresponde a
los puntos para los cuales Ω = f (φ). La aproximación de primero orden corresponde
a los puntos que se mueven a lo largo de la curva C. Interpretar lo que ocurre para
los puntos iniciales que están por fuera de la curva.
6.6.8. Las ecuaciones diferenciales de primer orden en una dimensión son elementales,
su comportamiento asintótico es simple, todas las soluciones tienden a un punto fijo,
que eventualmente puede ser ±∞. No es posible la periodicidad y mucho menos
el caos. Sin embargo, hay comportamiento complejo en ecuaciones diferenciales de
primer orden de una sóla variable cuando se tienen rezagos. Es decir, la ecuación es
del tipo
ẋ = f (x(t), x(t − τ ))
para algún valor del rezago τ diferente de 0. Este rezago cambia la dimensionalidad
del problema y la vuelve efectivamente de dimensión infinita, el problema depende de
x en un intervalo de longitud τ . En particular las soluciones periódicas son posibles
incluso en el caso de una variable. Secciones fci-8.1 y 8.3 se presentan aplicaciones de
ecuaciones con rezagos. Verifique que la ecuación
π
ẋ = − x(t − τ )
2τ
117
6. Fundamentos Sistemas Dinámicos
Ṅ = rN (t)[1 − N (t − τ )/K].
Los puntos fijos son N = 0 y N = K. Note que por el rezago no hay cambio en
los puntos fijos. Una expansión lineal al rededor de N = 0 muestra que este punto
es inestable. Para hacer una expansión lineal al rededor de N = K se procede a
adimensionalizar mediante N ∗ = N/K, t∗ = rt, τ ∗ = rτ . Si se hace la substitución,
se toma x = N ∗ y se retiene sólo términos lineales se llega a
ẋ = −x(t − τ ).
ẋ = ax(t) + bx(t − τ ),
con a, b constantes y t > 0. Muestre que el punto fijo y ∗ (t) = 0 es estable si a < −|b|.
118
Capı́tulo 7
119
7. Flujos en Dos Dimensiones
que se puede escribir como un sistema de dos ecuaciones de primer orden, usando la
definición de velocidad y expresando la aceleración como la derivada de la velocidad,
ẋ = v (7.2)
k 2
v̇ = −m x = −ω x.
ẋ = ax
ẏ = −y.
120
7.1. Sistemas Lineales
Figura 7.1: Esquemas del campo vectorial y diagrama de fase de un oscilador armónico
simple en dos dimensiones
Figura 7.2: Esquemas del diagrama de fase de dos ecuaciones desacopladas, ẋ = ax,
ẏ = −y para diferentes valores del parámetro a
121
7. Flujos en Dos Dimensiones
tiende al origen, pero basta un pequeño error para que la trayectoria tienda a infinito.
El origen se denomina en estos casos un punto de ensilladura. El eje y es la variedad
estable y el eje x la variedad inestable. En la siguiente sección se explica mejor esta
terminologı́a.
Antes de proceder con el caso lineal en n dimensiones vale la pena expresar en forma
general el procedimiento que se empleó para escribir la ecuación de segundo orden
(Ec. 7.1) como un sistema de dos ecuaciones de primer orden (Ec. 7.2). Sea una
ecuación diferencial ordinaria de orden n
dn y
= y (n) = f (y (n−1) , y (n−2) , . . . , y (2) , y (1) , y), (7.3)
dtn
donde las derivada de orden k se expresan como f (k) , el punto y doble punto superior
se usa para las derivadas de orden 1 y 2. Mediante la nomenclatura z0 = y, z1 =
y (1) = ż0 , z2 = y (2) = ż1 , . . . , zn−1 = y (n−1) = żn−2 , y y (n) = żn−1 la Ec. 7.3 se
puede escribir como un sistema de primer orden en n variables
ż0 = z1
ż1 = z2
..
.
żn−2 = zn−1
żn−1 = f (zn−1 , zn−2 , . . . , z1 , z0 )
x = x(t) = eλ1 t v1 .
ẋ = λ1 eλ1 t v1
= eλ1 t λ1 v1
= eλ1 t Av1
= Aeλ1 t v1
= Ax.
122
7.1. Sistemas Lineales
eA = exp (A) = I + A + 1
2! A
2
+ 1
3! A
3
+ ··· .
La exponencial de una matriz diagonal es la matriz diagonal formada con los ex-
ponenciales de los elementos en la diagonal original. En general, si existe una ma-
triz invertible P, tal que A = PDP−1 , con D no necesariamente diagonal se tiene
exp (A) = P exp(D)P−1 .
Hay otros resultados del algebra lineal que son útiles en este contexto (Hirsch, Smale
y Devaney 2004, p.75-130), entre ellos (ver también los ejercicios al final del capı́tulo):
a) Si AB = BA entonces exp(A + B) = exp(A) exp(B)
b) exp(−A) = exp(A)−1
c) exp(AT ) = exp(A)T
d) exp(A∗ ) = exp(A)∗
e) Si A es simétrica, entonces exp(A) también
f) Si A es antisimétrica entonces exp(A) es ortogonal
g) Si A es autoadjunta o Hermitiana, entonces exp(A) también
h) Si A es antiadjunta entonces exp(A) es unitaria
i) Si λ es un autovalor de la matriz A y v es su correspondiente vector propio,
entonces v también es un autovector de exp(A) con valor propio asociado exp(λ)
1
j ) Si N es nilpotente de grado k, entonces exp(N) = I + N + · · · + (k−1)! Nk−1
0 β cos β sen β
k ) Si A = entonces exp(A) = , como se puede
−β 0 − sen β cos β
verificar pues los valores propios de A son ±ıβ, la matriz cuyas columnas son
123
7. Flujos en Dos Dimensiones
√1
1 1
los correspondientes vectores propios es P = , con inversa igual a
2 ı −ı
su transpuesta conjugada, P−1 = P∗ " #
eλt teλt
λ 1
l ) Si A = entonces exp(tA) = , como se puede verificar
0 λ 0 eλt
0 1
pues A = λI + N, con N = nilpotente de grado 2
0 0
Teorema 7.1.1.
d
exp(tA) = A exp(tA) = exp(tA)A
dt
Prueba.
d exp((t + h)A) − exp(tA)
exp(tA) = lı́m
dt h→0 h
exp(tA) exp(hA) − exp(tA)
= lı́m
h→0 h
exp(hA) − I
= exp(tA) lı́m = exp(tA)A.
h→0 h
El último lı́mite se obtiene directamente de emplear la definición de la exponencial
de una matriz mediante series.
Teorema 7.1.2. El problema de valores iniciales (Ec. 7.4)
ẋ = A(x), x(0) = x0 ,
x(t) = etA x0
Genericidad
Un resultado muy importante (Hirsch, Smale y Devaney 2004, p. 101), se refiere a
que entre todas las matrices con coeficientes reales de orden n × n, el conjunto de
las que tienen n valores propios diferentes ocupa un papel fundamental, pues este
conjunto es abierto y denso. Es decir, la gran mayorı́a de matrices o tiene n valores
propios diferentes, o se puede aproximar arbitrariamente mediante sucesiones de estas
matrices con n valores propios diferentes.
Otra clase de matrices con un papel protagónico está conformada por las matrices
cuyos autovalores tiene parte real no nula:
124
7.1. Sistemas Lineales
Clasificación en 2D
El origen es el único punto fijo aislado en los sistemas lineales. Como puede deducirse
de la formula de la solución en términos de la exponencial de la matriz, Su estabilidad
depende de los valores propios. En particular si la parte real es negativa, positiva o
cero. En caso de valores propios complejos se tienen espirales si la parte real es
diferente de cero y trayectorias cerradas si la parte real es cero.
En dos dimensiones, una formula simple para los autovalores es
p
λ1,2 = 21 (τ ± τ 2 − 4∆),
125
7. Flujos en Dos Dimensiones
Figura 7.5: Esquemas del diagrama de fase para un nodo, λ1 < λ2 < 0.
126
7.1. Sistemas Lineales
Figura 7.7: Esquema del diagrama de fase, nulclinas y algunas trayectorias para dos
espirales, izquierda un sumidero ẋ = −y, ẏ = 2x − y, y derecha una fuente ẋ =
x − y, ẏ = 2x.
127
7. Flujos en Dos Dimensiones
Figura 7.8: Esquemas del diagrama de fase, nulclinas y algunas trayectorias para
diferentes casos: a la izquierda un nodo sumidero ẋ = −x, ẏ = x − 2y, en el medio un
nodo fuente ẋ = 2x + y, ẏ = y y a la derecha un punto de silla ẋ = −x + y, ẏ = x + 2y,
en este caso también se muestran las divisorias.
Diagramas de Fase
La forma general de un sistema dinámico en dos dimensiones es
x˙1 = f1 (x1 , x2 )
x˙2 = f2 (x1 , x2 ),
128
7.2. Espacio de Fase, 2D
Figura 7.10: Esquema para ilustrar la interpretación del diagrama de fase como un
campo vectorial del cual se puede deducir la trayectoria a partir de la velocidad y la
posición
Como se indicó en el Capı́tulo 6, los puntos fijos son de especial importancia. Corres-
ponden a las raı́ces del sistema de ecuaciones que se obtienen de igualar a cero el lado
derecho de la Ecuación (7.5). Por tanto, la derivada se anula en estos puntos, de allı́
su nombre, no cambian. Si la condición inicial corresponde a un punto fijo, la solu-
ción permanece contante. La pregunta sobre si estos puntos fijos atraen condiciones
iniciales vecinas, o las repelen, corresponden al análisis de estabilidad.
Son también de particular interés las órbitas cerradas, que corresponden a compor-
tamiento periódico. En el caso lineal ya se vieron los centros, en el caso general juega
un papel fundamental los llamados ciclos lı́mite, trayectorias cerradas no lineales que
se estudian en la Sección fci-6.4. La Figura 7.9 ilustra algunos de estos casos.
Un concepto importante que facilita el estudio del espacio de fase es el de nulclinas.
Que corresponden al lugar geométrico de los puntos para los cuales se anula alguna
de las componentes del vector con componentes las derivadas respecto al tiempo. En
el plano, son las curvas donde bien sea ẋ = 0, o ẏ = 0. En las nulclinas el flujo es
puramente vertical (ẋ = 0), o puramente horizontal (ẏ = 0). En la Figura 7.11 se
ilustran las nulclinas del sistema ẋ = x + e−y , ẏ = −y. El flujo es vertical en la
curva ẋ = x + e−y = 0, y horizontal en ẏ = −y = 0. Cada nulclina parte el plano en
dos regiones, en una la correspondiente derivada será positiva y en la otra negativa.
Al considerar simultáneamente ambas nulclinas el plano se parte en cuatro regiones
según el signo de las dos derivadas. Esta información por si sola aporta un ingrediente
básico para la construcción del campo vectorial o diagrama de fase. Para completar
el diagrama probablemente sea necesario recurrir a cálculos más detallados, como se
ilustra en la Figura 7.12.
Existencia y Unicidad
El teorema de existencia y unicidad que se habı́a enunciado en el caso unidimensional
es también válido para n dimensiones y tiene consecuencias importantes.
129
7. Flujos en Dos Dimensiones
130
7.2. Espacio de Fase, 2D
Linealización
El análisis de estabilidad lineal también se extiende al caso de varias dimensiones,
solo hay que hacer más precisa la condición de aplicabilidad.
Sea x∗ un punto fijo del sistema (7.5) y z(t) = x(t) − x∗ la perturbación al rededor
de tal punto fijo. Estas perturbaciones crecen o decaen según la ecuación ż = ẋ =
f (x∗ + z). Que se puede estudiar usando serie de Taylor,
f (x∗ + z) = f (x∗ ) + J(f , x∗ )z + O(z2 ),
donde J(f , x∗ ) es la matriz Jacobiana de f , evaluada en x∗ . Es decir que tiene por
componentes ∂fi /∂xj evaluadas en x∗ . Si J(f , x∗ ) es hiperbólica la solución de la
131
7. Flujos en Dos Dimensiones
−1 + 3x2
0
J(f , x∗ ) = .
0 −2
En el origen el sistema lineal indica un nodo estable, que como es hiperbólico también
lo es para el sistema nolineal. Los otros dos puntos fijos son puntos de silla, también
hiperbólicos que por tanto su carácter se mantiene para el sistema no lineal.
132
7.2. Espacio de Fase, 2D
133
7. Flujos en Dos Dimensiones
Ejemplos
Péndulo
Probablemente el primer sistema nolineal que se encuentra en un curso de fı́sica
elemental es el péndulo, con ecuación
p θ̈ + sen θ = 0 que es la forma adimensional de
dθ2 /dτ 2 +(g/L) sen θ, con ω = g/L, t = ωτ . En este caso no se tiene amortiguación,
ni forzamiento externo. También es probable que en los tratamientos elementales se
haya hecho la aproximación sen θ ∼ θ. Aquı́ interesa el sistema nolineal.
En forma de sistema de dos ecuaciones se tiene θ̇ = v y v̇ = − sen θ. Donde v es la
velocidad angular adimensional. Los puntos fijos son (kπ, 0), con k cualquier entero. El
jacobiano en el origen (k = 0) es ((0, 1), (−1, 0)) y por tanto es un centro lineal. Ahora,
el sistema es conservativo y reversible. La función de energı́a es E(θ, v)) = 12 v 2 −cos θ,
que tiene un mı́nimo en el origen y por tanto el origen es un centro nolineal. La
transformación t → −t, v → −v deja el sistema invariante y por tanto es reversible.
El punto fijo (π, 0) es un punto de silla. La Figura 7.16 muestra el diagrama de fase.
Espacio de fase cilı́ndrico
La periodicidad de los ángulos hace natural enrollar el diagrama de fase en un cilin-
dro, como se ilustra en la Figura 7.17. Aunque el teorema garantiza que el sistema
lineal cerca al origen y el sistema no lineal son conjugados y por tanto los centros se
mantienen, la perturbación no lineal debida a una amortiguación, por pequeña que
sea, destruye el centro y produce una espiral, como se ilustra en la Figura 7.18.
134
7.2. Espacio de Fase, 2D
135
Capı́tulo 8
Aplicaciones de Transiciones
Crı́ticas
Efecto Allee
La ecuación Logı́stica, Ṅ = rN (1 − N/k), se puede modificar para incorporar efectos
que en algunas circunstancias son importantes. Por ejemplo el llamado efecto Allee
que corresponde a una correlación positiva entre densidad poblacional y el nivel de
adaptación de los individuos. En un estanque de peces por ejemplo, la tasa de creci-
miento es mayor cuando la población es mayor. Esto se puede representar mediante
la ecuación
Ṅ = rN (1 − N/K)(N/a − 1),
que corresponde a multiplicar la ecuación logı́stica por el factor (N/a − 1). Si a > 0
se tiene un fuerte efecto Allee, para a ≈ 0 el efecto es débil. Como es lógico, no existe
el efecto Allee cuando el último factor no existe, es decir se tiene el modelo logı́stico
tradicional.
El efecto Allee es más notorio para valores cercanos a cero población. En algunos
casos puede ser que la tasa de crecimiento sea negativa y eventualmente se llegue a
extinción. Si existe tal nivel crı́tico de población se tiene un efecto Allee fuerte. Los
mecanismos para explicar este efecto pueden ser la falta de parejas. Pero hay otras
posibles causas del efecto, la cooperación en defensa, o en la búsqueda de alimentación
también se reflejan en efecto Allee. La riqueza genética y la capacidad de modificación
del ambiente son otros posible mecanismos que producen correlación positiva entre
población y tasa unitaria de crecimiento.
137
8. Aplicaciones de Transiciones Crı́ticas
Figura 8.1: Efecto Allee. Fuerte a la izquierda, débil en el centro y sin efecto a la
derecha.
Función de Monod
Una función muy usada en quı́mica y biologı́a es la llamada función de Monod (Figura
8.2)
S
µ = µmax .
KS + S
kf k
−−
E+S)−* c
− ES −−→ E + P,
kr
138
8.1. Algunos Modelos
d[E] d[ES]
+ = 0 luego [E] + [ES] = cte = [E]0
dt dt
Se asume que en el equilibrio
kf [E][S] = kr [ES]
por lo tanto
kf ([E]0 − [ES])[S] = kr [ES]
de donde
[S]
[ES] = [E]0
kd + [S]
con kd = kr /kf . Luego, tomado µmax = kc [E]0 , la máxima velocidad de la reacción
sigue una función de Monod
d[P ] [S]
= µmax .
dt kd + [S]
Función de Hill
Otra función usada con frecuencia es la llamada función de Hill, que corresponde a
una función de Monod con la variable elevada a una potencia n que puede aumentar
o disminuir la curvatura (Figura 8.3),
Sn
µ = µmax .
KSn + Sn
139
8. Aplicaciones de Transiciones Crı́ticas
De manera semejante a como de hizo con la función de Monod se puede definir una
función inversa de Hill,
KSn
µin = µmax − µ = µmax .
KSn + Sn
140
8.2. Competencia
8.2. Competencia
El sistema tiene 4 puntos fijos: P1 = (0, 0), p2 = (0, 2), P3 = (3, 0), P4 = (1, 1), El
Jacobiano es
3 − 2x − 2y −2x
J=
−y 2 − x − 2y
141
8. Aplicaciones de Transiciones Crı́ticas
Generalización
n
X
x˙k = xk (ak + bk,j xj ), para k = 1, . . . , n
j=1
Presa-Predador
Población de la presa x, del predador y
ẋ = x(3 − 2y)
ẏ = y(−1 + x)
Puntos fijos: (0, 0), (1, 3/2)
3 − 2y −2x
J=
y −1 + x
Presa-Predador Modificado
Competencia intraespecı́fica
ẋ = x(3 − x − 2y)
ẏ = y(−1 + x − y)
Puntos fijos: (0, 0), (3, 0), (5/3, 2/3)
3 − 2x − 2y −2x
J=
y −1 + x − 2y
Luego (0, 0) y (3, 0) son puntos de silla y (5/3, 2/3) una espiral atractiva
142
8.2. Competencia
143
8. Aplicaciones de Transiciones Crı́ticas
144
8.3. Control Genético
ẋ = −ax + y
x2
ẏ = − by,
1 + x2
donde tanto x como y son proporcionales a las concentraciones de los dos subpro-
ductos, ambos parámetros √ a y b son positivos. Los puntos fijos de este sistema son
x∗1 = (0, 0) y x∗2,3 = (1 ± 1 − 4a2 b2 )/2ab, si 2ab < 1. Los dos puntos x∗2,3 van a
chocar cuando la raı́z es cero, es decir ac = 1/2b y por tanto en la bifurcación el
valor crı́tico de la variable x es x∗c = 1. La Figura 8.9 presenta el esquema del campo
vectorial a partir del análisis de las nulclinas.
Para estudiar la estabilidad de los puntos fijos la matriz Jacobiana es
" #
−a 1
J= 2x .
(1+x2 )2 −b
La traza es τ = −(a + b) < 0, luego los puntos fijos son o sillas o sumideros según el
determinante. En el origen ∆ = ab > 0, por lo tanto es estable siempre. Para los otros
dos puntos fijos ∆ = ab(x2 − 1)/(x2 + 1), luego el del medio es una silla y el mayor
es estable. La Figura 8.10 presenta el esquema del diagrama de fase. Dependiendo de
145
8. Aplicaciones de Transiciones Crı́ticas
la condición inicial, el gen está inactivo, el sistema es atraı́do por el origen, o el gen
es activo. es atraı́do por el punto x∗3 .
8.4. Sobre-Pesca
El sistema económico mundial depende del suministro continuo de recursos naturales.
En este trabajo se aborda la sostenibilidad de largo plazo. El caso de los recursos no
renovables no parece interesante para este tipo de preguntas, independiente de su
importancia práctica, pues ante el crecimiento hace rato no es válida la hipótesis de
depósitos infinitos para la gran mayorı́a de ellos. Los recursos renovables sı́ plantean
asuntos urgentes de interés práctico y académico. El enfoque sigue la herramienta de
los modelos simplificados, en el espı́ritu de Einstein, “Simple but not simpler”. Es
decir que describan una aspecto importante de la realidad, aunque no necesariamente
toda la complejidad de la realidad, lo suficientemente simples para que los podamos
entender. Se toma el problema de la pesca con el modelo logı́stico de crecimiento
de la población y varias representationes simples de la motivación económica del
esfuerzo pesquero. La conclusión es clara, a los bienes comunes no se aplica el principio
de optimalidad propio de bienes privados en la actual economı́a de mercado. La
intervención estatal en este campo es también problemática. Los trabajos de Gordon
(1954), Hardin (1968), Mesa (2007) y Clark (2013). son la base de esta reflexión.
146
8.4. Sobre-Pesca
Población de Peces
Los biólogos justifican el modelo logı́stico porque el modelo exponencial (tasa de cre-
cimiento constante) no es aplicable cuando hay recursos limitados lo que conduce a
una posible sobre-población y por tanto a una tasa de crecimiento que no será cons-
tante. Para valores bajos de la población se puede aceptar una tasa aproximadamente
constante, pero a medida que la población crece, la tasa tiende a disminuir. Eventual-
mente, la tasa se hace nula y posteriormente negativa. El valor de la población para
el cual la tasa se hace 0 se conoce como capacidad de carga, o capacidad de sopor-
te, K. Una manera de modelar estas ideas es asumir una variación lineal de la tasa
de crecimiento per cápita, Ṅ /N , con N . Esto se conoce como la ecuación logı́stica,
6.1. En general, las soluciones para diferentes condiciones iniciales tienen forma de S,
también llamada curva sigmoidea.
Recursos Naturales
El sistema económico mundial depende del suministro continuo de recursos naturales.
Esto es evidente, algo menos obvio es la posibilidad de la explotación sostenible de los
recursos naturales en el largo plazo. El caso de los combustibles fósiles, por definición
no–renovables, ha llevado a la polémica de su eventual agotamiento. Por otro lado, no
es claro si otros recursos, aparentemente menos agotables, tienen lı́mites; por ejemplo,
la producción agrı́cola. Otros recursos naturales que hasta ahora han sido considerados
sin lı́mite, están bajo estrés. Probablemente nuestra capacidad de responder a estos
interrogantes es limitada, con mayor razón si queremos respuestas cuantitativas. Por
tal motivo es ilustrativo considerar modelos simplificados, en el espı́ritu de la famosa
frase de Einstein, “Simple but not simpler”. Es decir modelos que describan una
aspecto importante de la realidad, aunque no necesariamente toda la complejidad de
la realidad, lo suficientemente simples para que los podamos entender. En este caso
vamos a considerar que el crecimiento neto natural de la población de peces, o la bio-
masa del recurso pesquero, en un lugar determinado, eventualmente el Globo entero,
(teniendo en cuenta la reproducción y las muertes naturales, incluyendo las debidas
a otros predadores diferentes a los hombres) está representada por nuestro modelo
logı́stico r0 N (1 − N/K), que vamos a denotar como C(N ). Pero esta vez también se
va a tener en cuenta la tasa de pesca, que vamos a representar por P . En general
tanto C como P dependen del tiempo, C a través de N que depende del tiempo y
P por razones socioeconómicas que a primera vista parecen más complejas que la
dinámica poblacional. Sin embargo es posible obtener conclusiones útiles, aunque no
se conozca la función de pesca P . La introducción de la tasa de pesca modifica el
modelo de la población de peces a la siguiente ecuación
147
8. Aplicaciones de Transiciones Crı́ticas
Es fácil ver que si se pesca a la tasa constante P (t) = M T SP y N (0) = K/2 la po-
blación permanece constante, el punto K/2 es un punto fijo de la ecuación diferencial
(8.5). Esto luce muy prometedor para el ideal de una explotación sostenible. Pero
hay que tener en cuenta que requiere por una parte el conocimiento de la función C,
lo que podrı́a resolverse de manera aproximada con estudios, pero también requiere
que N (0) ≥ K/2. Si N (0) < K/2 la pesca a la tasa M T SP lleva a la extinción. La
derivada Ṅ es negativa para todos los valores de N excepto para K/2, luego el punto
fijo es semiestable y por lo tanto este concepto no es tan útil como parecerı́a.
Una crı́tica al modelo representado en le Ecuación 8.5 es predice población negativa
cuando P (t) = constante > M T SP .
Sistema Económico
Por otro lado hay un obstáculo mayor al considerar el sistema económico. Una so-
lución real basada en el concepto de la Máxima Tasa Sostenible de Pesca, M T SP
requiere un Estado capaz de tener el conocimiento perfecto del recurso, de emitir la
reglamentación correspondiente y la capacidad de hacerla cumplir. Es claro que esta-
mos muy lejos de tal ideal. Hoy las decisiones se toman por individuos, por motivos
económicos, con un Estado que pretende controlar. Una idea que ha tenido mucha
influencia, tal vez demasiada, es la famosa “mano invisible” de la economı́a. Aquello
de que si cada uno procura su interés particular se lleva a un sistema que “funciona”.
Hay muchas crı́ticas a esta idea, con el presente ejemplo se ilustra la incapacidad de
que la búsqueda del lucro particular pueda llevar a un óptimo global para el caso de
la explotación de los recursos naturales debido a la llamada tragedia de los bienes
comunes (Hardin 1968).
Ası́ que se requiere una teorı́a para explicar y ojalá prevenir la sobre-explotación de
los recursos naturales. Gordon (1954) desarrolló una teorı́a, que a pesar de lo simple,
explica muy bien lo que históricamente se ha observado. Lo primero que hizo fue
proponer una expresión estándar para la tasa de pesca,
148
8.5. Inteligencia Colectiva
Conclusiones
¿Por qué la economı́a de los recursos naturales conduce a este comportamiento inver-
so? La pregunta no es sólo académica. La teorı́a de Gordon (1954) no sólo contiene
esta anomalı́a económica para los recursos naturales sino que precisamente este com-
portamiento inverso proporciona una perfecta explicación a la sobre-explotación de
los peces, los bosques tropicales, la biodiversidad, el aire, el agua, el medio ambiente
mismo. Gordon (1954) dice que la razón del comportamiento inverso es que en su
modelo nadie es propietario de los peces, son propiedad comunal, y por tanto nadie
tiene ningún incentivo para proteger el recurso. Aunque el modelo de Gordon (1954)
es simple, sus predicciones y conclusiones son muy fuertes.
La humanidad requiere avanzar en el entendimiento y la capacidad de orientar es-
tas interacciones complejas entre el sistema natural y el sistema social para que las
consecuencias correspondan a lo que queremos para las futuras generaciones.
149
8. Aplicaciones de Transiciones Crı́ticas
Si se suman las Ecs (8.12) y (8.13) se tiene que los puntos fijos cumplen
x + y = a/b. (8.14)
150
8.5. Inteligencia Colectiva
Para caracterizar mejor los puntos fijos de cada una de las ecuaciones (8.12) y (8.13)
se despeja (x + k)2 + (y + k)2 y se igualan entre sı́ ambas expresiones para obtener
151
8. Aplicaciones de Transiciones Crı́ticas
Para a < acr el único punto de equilibrio es estable, simétrico, es decir hay igual
número de hormigas por ambos caminos. Mientras que para a > acr el punto de
equilibrio simétrico, aunque permanece, pierde la estabilidad, se convierte en un punto
de silla, y aparecen dos nuevos puntos de equilibrio, estables, en cada uno de ellos
predomina uno de los dos caminos sobre el otro, depende de la condición inicial, no
porque alguno de ellos tenga ventaja.
Lo que demuestra el ejemplo es que hay un mecanismo de refuerzo que conduce a
que los caminos más visitados sean más probables de ser visitados nuevamente, ese
mecanismo es la segregación de feromona
Los lagos pandos, o someros, son cuerpos de agua con profundidad media no mayor a
3 m. La superficie puede variar entre una hectárea y decenas de km2 . Una consecuencia
152
8.6. Dinámica de Lagos Pandos
153
8. Aplicaciones de Transiciones Crı́ticas
Modelo Zooplancton-Fitoplancton
El modelo (Scheffer y Rinaldi 2000) es un modelo de presa predador. Sea A la po-
blación de fitoplancton (algas) y Z la del zooplancton. Las unidades usadas son de
concentración, ambas en mgl−1 . Las algas crecen de acuerdo a un modelo logı́stico y
su mortalidad se representa como una función de Monod, mientras que la ecuación
para la población de zooplancton tiene una tasa de crecimiento que se deriva de la
tasa de mortalidad de las algas y a su vez una tasa lineal de mortalidad. En efecto,
las ecuaciones son
A A
Ȧ = rA 1 − − gZ (8.19)
K A+h
A
Ż = agZ − mZ.
A+h
Modelo Turbiedad-Vegetación
En este caso las variables que se consideran más importantes son la turbiedad, que
está relacionada con el fitoplancton y se representa por E, y la vegetación de fondo
que se representa por V . En ambos casos se asume que su población obedece a un
154
8.6. Dinámica de Lagos Pandos
modelo logı́stico
E
Ė = rE E 1 − (8.20)
KE
V
V̇ = rV V 1 − ,
KV
donde la capacidad de soporte para la turbiedad se toma como una función inversa de
Monod en V , y la capacidad de soporte para la vegetación como una función inversa
de Hill en E, dadas por
hV
KE = E0 (8.21)
hV + V
hp
KV = p E p .
hE + E
Esta es la hipótesis fundamental del modelo, la capacidad de soporte del fitoplancton
decrece con la vegetación y la capacidad de soporte de la vegetación decrece con la
turbiedad. El exponente p controla la curvatura de esta función y para valores grandes
la forma sigmoidea. En Scheffer (2009, pág. c. 7) se presenta la argumentación y la
evidencia empı́rica para justificar estas hipótesis. En particular en su Figura 7.3 se
presenta un esquema que representa varias cadenas de retroalimentación. Por ejemplo
a mayor vegetación hay mayor protección contra las olas y el sedimento tiende a ser
más estable lo que no sólo por el efecto directo de este en la turbiedad sino también
en la re-circulación de nutrientes tiende a disminuir la turbiedad. La cadena se puede
seguir via el efecto de la vegetación en los nutrientes y de estos en el fitoplancton,
o de la vegetación en las algas mediante sustancias alelofáticas que pueden exudarse
de raı́ces u hojas y que evitan el crecimiento de otras especies en su vecindad. Las
plantas macrófitas también pueden servir de refugio al zooplancton, lo que a su vez
significa menor fitoplancton.
Se procede al análisis del modelo. Del sistema de ecuaciones 8.20 se ve que hay dos
nulclinas para cada una de las ecuaciones, dos triviales (E = 0 y V = 0) y las otras
dos E = KE y V = KV (Ec. 8.21). Se toman los parámetros rE = rV = 0,6, E0 = 2,
hV = 0,4, hE = 1 y P = 6. La Figura 8.13 ilustra las dos nulclinas. Para estos
valores de los parámetros hay lugar a tres puntos fijos, dos estables y un punto de
silla en el medio. Los dos puntos fijos estables corresponden a los dos posibles estados
alternativos, lago claro con baja turbiedad y alta cobertura vegetal en el fondo y lago
turbio sin vegetación y alta población de fitoplancton.
Se invita al lector a considerar variaciones en los parámetros, en un rango relativa-
mente estrecho se mantienen los tres puntos fijos y la interpretación no cambia. Es
posible desplazar una de las curvas a la derecha o izquierda hasta que en lugar de
tres puntos fijos haya dos, o sólo uno. La tangencia corresponde a dos puntos fijos.
Los desplazamientos corresponden a cambios en los parámetros hV o hE .
El parámetro p se puede asociar a la profundidad del lago, a medida que mayor es la
profundidad, menor p y por tanto menor la curvatura de la nulclina, más estirada la
S invertida y menor posibilidad de tres puntos fijos, ver Scheffer (2009, f. 7.5).
155
8. Aplicaciones de Transiciones Crı́ticas
156
8.6. Dinámica de Lagos Pandos
n 1
Ḟ = rf F − lf F, (8.22)
n + hf 1 + af F
n 1
Ṡ = rs S − ls S.
n + hs 1 + as S + bF + W
La limitante por nutrientes se modela como una función de Monod del contenido
total del nitrógeno inorgánico disuelto en la columna, n. Esta función se satura. La
concentración de nitrógeno se asume es una función decreciente de la cantidad total
de biomasa en las plantas
N
n= ,
1 + qs S + qf F
157
8. Aplicaciones de Transiciones Crı́ticas
Figura 8.14: Histéresis entre vegetación flotante y de fondo en el sistema (Ec. 8.22) en
función de la carga de nutrientes N. Adaptada de Scheffer, Szabo, Gragnani, Van Nes,
Rinaldi, Kautsky, Norberg, Roijackers y Franken (2003).
158
8.7. Corales
8.7. Corales
Los arrecifes coralinos son ecosistemas de enorme importancia por los grandes servi-
cios ambientales que aportan, como nicho para el desarrollo de peces, primera barrera
de protección costera contra tormentas y mareas, atractivo turı́stico, hogar de la vi-
da salvaje y captador de CO2. Aunque están presentes en 101 paı́ses alrededor del
mundo, ocupan menos del 1 % de la superficie y últimamente están sometidos a cons-
tante deterioro en particular por el calentamiento global, debido al llamado blanqueo.
Tanto que se han disparado las alarmas por su inminente colapso.
Se estima que los arrecifes de coral albergan un tercio de todas las especies marinas
conocidas, es de lejos el ecosistema más biodiverso del océano, gracias a sus intrin-
cados paisajes promueve la adaptación y la creación de complejas interdependencias
entre las diversas especies que lo habitan. También son una fuente importante de
médicamente activos.
Los corales son animales invertebrados que forman colonias conformadas por diminu-
tos pólipos, que viven en simbiosis con algas fotosintéticas, y que secretan carbonato
de calcio para formar una coraza dura, construyendo ası́ los arrecifes de coral, las
enormes estructuras de roca caliza que albergan grandes cantidades de especies de
plantas y animales.
Los corales requieren luz solar para subsistir, pues la mayor parte de su energı́a pro-
viene de la relación mutualista con el alga unicelular fotosintética Zooxanthella, que
habita en sus tejidos y de la cual obtiene nutrientes y energı́a a cambio de brindarle
protección. Por depender de la fotosı́ntesis se desarrollan en aguas claras y con profun-
didades menores a los 60 metros, y son muy vulnerables a los cambios de temperatura,
acidez, y contaminantes.
La vulnerabilidad al calentamiento global, que se hace evidente con el blanqueo de
los corales, se debe a la alta sensibilidad térmica de las algas Zooxanthella. Ante altas
temperaturas del agua el coral expulsa las algas lo que implica la pérdida de color y
de allı́ su nombre. Aunque un coral blanco no necesariamente está muerto, y se han
documentado casos de corales que logran sobrevivir un evento, si es claro que están
sometidos a mayor estrés y eventualmente a la mortalidad. Lo que ha implicado re-
ducciones en la riqueza de especies, la reducción taxonómica y pérdida de habitat para
millones de organismos. Estas condiciones de mayor temperatura y menor cantidad
de algas fotosintéticas viviendo en su tejido, pueden ocasionar un cambio de fase, de
una dominada por los corales, a una fase de expansión y dominación de macro y micro
algas. Hay competencia directa por la energı́a y nutrientes disponibles, y al estar los
corales debilitados, cobran fuerza sobre estos cubriéndolos casi que en su totalidad,
y tornando un arrecife saludable en un espacio inhóspito. Las ilustraciones con foto-
grafı́as de estos estados alternativos son notables (ver por ejemplo Hastings (2013)).
Sin embargo, Buddemeier y Fautin (1993) atribuyen el blanqueo a una estrategia
adaptiva, que suspende el crecimiento hasta que las algas protozoarias retornen.
159
8. Aplicaciones de Transiciones Crı́ticas
Modelo
Se quiere analizar las variaciones en la fracción del área cubierta por corales (C),
macro algas (M ) y pasto marino (T ). Se considera la competencia entre estas especies,
en particular se considera que el coral puede crecer sobre el pasto marino, mientras
que las macro algas pueden crecer tanto sobre el coral como sobre el pasto marino.
El pasto marino puede crecer en los lugares en los que las macroalgas sean retiradas
por el pastoreo llevado a cabo por los herbı́voros o en donde los corales han muerto
de forma natural (Hastings 2013). Las macro algas son las mayores competidores de
los corales por luz, espacio y nutrientes. Las tasas de crecimiento asociadas a esta
competencia se asumen proporcionales al producto de las fracciones de las especies
involucradas. Se tiene en cuenta además una tasa natural de mortalidad de los corales
y una función de saturación de las macro algas. El modelo se puede expresar con dos
160
8.8. Epidemias
variables porque M + C + T = 1,
gM
Ṁ = aM C − + γM T
M +T
Ċ = rT C − dC − aM C.
Los parámetros del modelo son las tasas de pastoreo (g = 0,0015), de mortalidad
de los corales (d = 0,001), de crecimiento de las macroalgas encima de los corales
(a = 0,01), de crecimiento de las macroalgas encima del pasto marino (γ = 0,002), y
tasa de sedimentación y crecimiento de los corales encima del pasto marino (r = 0,01).
Es claro que estos parámetros no son constantes, pueden cambiar de un sitio a otro o
en función de otras condiciones ambientales, por lo que es importante hacer análisis
de sensibilidad, los diagramas de bifurcación.
Figura 8.15: Histéresis entre corales (izquierda), macro algas (centro) y pasto marino
(derecha) en función del parámetro de pastoreo
En la Figura 8.15 se muestran los puntos fijos para las 3 variables en función del
parámetro g, la tasa de pastoreo. Las figuras se obtienen de calcular los puntos fijos,
del sistema, teniendo cuidado de considerar los casos triviales. Se invita al lector a
repetir el análisis y a estudiar la estabilidad de los puntos fijos. También se invita a
analizar la consistencia de estos resultados con la formulación del modelo.
8.8. Epidemias
Introducción
Hay en la historia varias epidemias famosas, en la peste negra del siglo XIV en Eu-
ropa se estima que murió un tercio de la población para la época que se estima en
85 millones. En Atenas en 430-428 a.c., Tucı́dides presenta un detalle minucioso de
una epidemia que diezmó los soldados y que por lo bien documentada ha servido para
varios estudios recientes. El contagio persona a persona no era claro, las enfermeda-
des se atribuı́an a vapores, maldiciones, etc. Todavı́a en la actualidad, en Indonesia
la epidemia de dengue se atribuye al humo asociado a los incendios forestales, ambos
fenómenos se incrementan con El Niño, en realidad transmitido por el mosquito Aedes
Aegypti. Para otras teorı́as conspiratorias, epidemias como la del SIDA son invencio-
161
8. Aplicaciones de Transiciones Crı́ticas
nes de oscuros intereses. Claramente no todas las enfermedades son infecciosas, las
hay de origen ambiental o genético y cada una requiere su estudio especı́fico.
El control con antibióticos, vacunas, el registro y reporte epidemiológico y algunas
medidas ambientales han sido las principales herramientas en la lucha contra las
epidemias. Han aparecido complicaciones nuevas por la mutación de patógenos, el
desarrollo de resistencia a los antibióticos y la aparición o re-emergencia de nuevas
enfermedades. También la movilidad ha crecido exponencialmente, aumentando el
riesgo de contagio y borrando la frontera entre poblaciones.
Sin embargo la salud pública ha avanzado suficiente en modelos cuantitativos de
las enfermedades infecciosas. Se procede a describir lo esencial de algunos de ellos,
basados en Murray (2002, p. 316).
Hay cuatro tipos de micro organismo que causan enfermedades en humanos: virus,
bacterias, parásitos y hongos; además algunos de los patógenos son transmitidos por
vectores, como es el caso de los mosquitos. La dinámica poblacional, incluso en su
versión más simple, permite conclusiones importantes y orientar la acción de salubri-
dad. En aplicaciones reales se hace un llamado por la validación de los modelos, la
estimación de los parámetros y la verificación.
El primer modelos dinámico de una epidemia del que se tiene conocimiento es de
Bernoulli en 1760 relacionado a la varicela y que además considera la primera idea
de una vacuna.
Modelos SIR
Se considera constante la población, un pequeño grupo de individuos infectados entra
en contacto con la población y se quiere estudiar la propagación de la enfermedad
en función del tiempo. Claramente este problema depende de muchas caracterı́sti-
cas particulares, entre ellas el mecanismo especı́fico de contagio para la enfermedad
particular. A este nivel de modelo simplificado se considera sólo lo más básico.
Las hipótesis básicas son que la enfermedad luego de la recuperación confiere inmu-
nidad, lo cual en general incluye la posible muerte. Es decir en el modelo los muertos
se contabilizan como inmunes. En estas circunstancias la población, N , se divide en
tres clases, los susceptibles, S, que son las personas sanas pero que pueden adquirir la
enfermedad. Los infectados, I, que tienen la enfermedad y la pueden transmitir. Por
último esta la clase de los removidos, R, que incluye a los recuperados o recobrados
y también a quienes se aı́slan en cuarentena hasta la recuperación y como se dijo
los muertos. En algunas enfermedades (Ébola) los muertos son la principal fuente de
contagio, para que este modelo funciones los muertos siguen siendo parte de la clase
I y sólo pasan a la clase R cuando son enterrados.
Bajo estas hipótesis la dinámica se puede representar mediante el diagrama
S −→ I −→ R.
En términos matemáticos se asume que el incremento en el número de infectados
por contagio es proporcional al producto SI, con factor de proporcionalidad r > 0,
denominado tasa de infección. La tasa a la cual los infectados se recuperan es propor-
cional al número de infectados I con factor de proporcionalidad a > 0, denominada
162
8.8. Epidemias
ahora, como Ṡ ≤ 0 se tiene que S(t) ≤ S0 y por tanto si S0 < ρ = a/r, la infección
declina, pues en este caso
I˙ = I(rS − a) ≤ 0,
para t ≥ 0, luego I0 > I(t) → 0 cuando t → ∞. Es decir no hay epidemia en este
caso.
Por otro lado, si S0 > ρ = a/r se tiene que I˙ > 0 inicialmente, por lo tanto I(t) crece
y hay epidemia. El término epidemia significa que I(t) > I0 para algún t > 0.
Por lo tanto se tiene un umbral, si S0 > Scr = ρ = a/r hay epidemia y en el caso
contrario, S0 < Scr no hay. El parámetro crı́tico ρ se denomina tasa relativa de
remoción, y su inverso r/a tasa relativa de contacto de la infección.
Otra manera de caracterizar el umbral es con la tasa de reproducción de la enferme-
dad,
rS0
R0 = ,
a
que se interpreta como el número de infectados secundarios producidos por cada
infectado primario durante el perı́odo de infección medio. Claramente si R0 > 1 hay
epidemia. La Figura 8.16 muestra el diagrama de fase para diferentes condiciones
iniciales. Como R(0) = 0 se tiene que S + I = N . Se ilustra también el parámetro
crı́tico Scr = ρ.
Note que el máximo de I(t) ocurre cuando S = ρ, donde I˙ = 0. Al integrar dI/ dS =
−1 + ρ/S se ve que las trayectorias cumplen
I + S − ρ ln S = I0 + S0 − ρ ln S0 .
163
8. Aplicaciones de Transiciones Crı́ticas
la solución de esta ecuación trascendente permite calcular S(∞) y por tanto R(∞) =
N − S(∞). Claramente el contagio decae por falta de infectados y no por falta de
susceptibles. Otra consecuencia importante es
Itot = I0 + S0 − S(∞).
Otros Modelos
De manera muy breve se mencionan otros modelos aplicables a otras epidemias o bajo
otras circunstancias. Lo primero es considerar cambios en la población total debidos
a nacimientos y muertes. Otro modificación simple es cuando la enfermedad no causa
inmunidad, esto da origen al modelo SIS con diagrama
S −→ I −→ S.
S −→ I −→ R −→ S.
S −→ E −→ I −→ S.
S −→ E −→ I −→ R.
164
8.9. Ejercicios
Figura 8.16: Diagrama de fase I vs. S del modelo SIR para varias condiciones iniciales
sobre la recta S + I = N . La lı́nea vertical punteada señala el parámetro crı́tico
Scr = ρ.
8.9. Ejercicios
165
8. Aplicaciones de Transiciones Crı́ticas
Con todos los parámetros positivos. Discuta las bases del modelo. Determine un nivel
crı́tico nc que lleva a erradicar la peste. ¿Cómo serı́a el modelos si sólo se hace una
liberación?
8.9.4. Se ha encontrado que dependiendo de la temperatura del nido en el cual se
empollan los huevos se define el sexo de las crı́as. Simplificando, nidos en ciénagas
húmedas producen sólo hembras, en ciénagas secas la relación es 50 % y si el nido es
en terrenos secos se producen sólo hembras porque la temperatura es mayor. Consulte
un modelo para la distribución de sexos entre los tres tipos de zonas.
8.9.5 (Modelo Keynesiano para una economı́a nacional). Siguiendo la teorı́a Keyne-
siana sea I ≥ 0 el ingreso anual nacional, C ≥ 0 el consumo nacional, y G ≥ 0 el gasto
anual del gobierno. Los parámetros α y β están en el rango 1 < α < ∞, y 1 ≤ β < ∞.
Las ecuaciones del modelo son,
dI
= I˙ = I − αC, (8.23)
dt
dC
= Ċ = β(I − C − G). (8.24)
dt
Para cada uno de los tres caso siguientes encuentre los puntos fijos y estudie su
estabilidad. Ilustre en un diagrama de fase el campo vectorial y varias trayectorias.
Interprete el modelo y los resultados. Considere sólo soluciones en el primer cuadrante.
G = G0 + kI,
166
Capı́tulo 9
Resiliencia
9.1. Definición
Resiliencia se define como la capacidad de un sistema de absorber perturbaciones sin
perder su estructura y funciones básicas (Walker y Salt 2006).
La respuesta de cualquier sistema a perturbaciones depende del contexto, sus cone-
xiones a diferentes escalas y su estado presente. Un ejemplo que se usa para ilustrar
la idea es el de un mesero en un barco. Suponga que está en un barco en puerto de
aguas tranquilas y quiere llevar de un extremo al otro un recipiente lleno de agua has-
ta el borde sin hacer regueros. Ahora imagine la misma tarea en un mar embravecido.
Desde la revolución del paleolı́tico y la invención de la agricultura y la ganaderı́a, el
problema del manejo ambiental se ha concebido como un asunto de optimización. Pa-
recido al caso de aguas tranquilas. Se ha asumido que es posible manejar las diferentes
componentes de los ecosistemas de manera aislada, encontrar un balance entre oferta
y demanda para cada componente y que el resto de atributos del sistema permanece
fundamentalmente constante en el tiempo.
Pero los Ecosistemas son extremadamente dinámicos y se aplica mejor la analogı́a
del mar embravecido. Aparecen sorpresas permanentemente tales como tormentas,
epidemias o sequı́as. Lo que es óptimo en una circunstancia no lo es en otra, la
estructura y función del sistema cambia constantemente.
167
9. Resiliencia
9.2. Cambio
Adoptar el cambio
El marco mental de la optimización apunta a un estado particular óptimo y a mante-
ner el sistema en tal estado. Para lograr tal resultado la gestión se apoya en modelos
que asumen, entre otros supuestos no reconocidos, que el cambio será incremental,
lineal y simple. Normalmente se ignoran las implicaciones de lo que ocurre a otras
escalas mayores y se desconoce los efectos sobre escalas menores. Se cree que estos
no pueden retroalimentar. Los modelos están construidos sobre los comportamien-
tos promedio, no tienen en cuenta de manera adecuada los eventos extremos y la no
linealidad (retroalimentaciones).
Las cosas cambian. Ignorar o resistir el cambio incrementa la vulnerabilidad y hace
perder oportunidades emergentes, limita las opciones. A veces el cambio es lento,
otras veces es abrupto. No somos buenos para reaccionar ante los cambios lentos, no
los percibimos o creemos que son inevitables. Los cambios abruptos nos sorprenden,
nos toman desprevenidos y sin preparación, aunque sı́ provocan reacción, a menudo
es tardı́a e inadecuada. El cambio no es ni bueno ni malo en sı́ mismo. Puede traer
consecuencias tanto favorables como desfavorables.
La definición de adoptar según la RAE es : “(1) Recibir como hijo, con los requisitos
y solemnidades que establecen las leyes, al que no lo es naturalmente. (2) Recibir,
haciéndolos propios, pareceres, métodos, doctrinas, ideologı́as, modas, etc., que han
168
9.3. Ciclos Adaptativos
sido creados por otras personas o comunidades. (3) Tomar resoluciones o acuerdos con
previo examen o deliberación. (4) Adquirir, recibir una configuración determinada”
Adaptarse al cambio
La definición de adaptar según la RAE es: “(1) Acomodar, ajustar algo a otra cosa.
(2) Hacer que un objeto o mecanismo desempeñe funciones distintas de aquellas para
las que fue construido. (3) Modificar una obra cientı́fica, literaria, musical, etc., para
que pueda difundirse entre público distinto de aquel al cual iba destinada o darle
una forma diferente de la original. (4) Dicho de una persona: Acomodarse, avenirse a
diversas circunstancias, condiciones, etc. (5) Dicho de un ser vivo: Acomodarse a las
condiciones de su entorno.”
Ciclos de la vida
Los sistemas siguen los ciclos de los seres vivos. Se nace crece, desarrolla, reproduce y
se muere También tienen ciclos las familias, las empresas, las sociedades, los ecosiste-
mas. Los ciclos ocurren a diferentes escalas espaciales y temporales. Dependiendo de la
fase del ciclo, los procesos ocurren de manera diferente, a veces gradual, a veces abrup-
tamente. A veces hay sorpresas, hay ocasiones para la innovación. Después de mucho
observar los ecosistemas y las sociedades, Gunderson y Holling (2002) encontraron
un paradigma de los ciclos con 4 fases: crecimiento rápido, conservación, liberación
y reorganización. En cada fase cambian las conexiones internas, la flexibilidad y la
resiliencia.
169
front loop or forward loop) is characterized by the accumulation of capi-
tal, by stability and conservation, a mode that is essential for system (and
therefore human) well-being to increase. The back loop is characterized
9. Resiliencia
9 The First
FIGURE Figura 9.1:Version of the
Ciclo de Adaptive Cycle
Adaptación (Walker y Salt 2006)
The first versions of the adaptive cycle pictured it as a figure 8 in two dimensions with
the axes being connectedness and potential. Potential reflects accumulated growth and
storage (biomass that is increasingly inactive like heartwood in trees or leaf litter). The
use of the simpler loop, as shown in figure 10, has been adopted because it better
Ciclos económicos
reflects the passage from release to reorganization in some systems. However, because
Aunque se theha
adaptive cycle in theelshape
popularizado of the number
concepto de los8 ciclos
(as shown here la
desde in figure 9) waseltheverdadero
ecologı́a,
original version it has iconic value, and it is often seen as a symbol of studies on
origen es en la economı́a Schumpeter (1950) describió el capitalismo como una “tor-
resilience and adaptive cycles. (From Gunderson and Holling, 2002.)
menta perenne de destrucción creativa”. Con esas palabras se denominan las crisis
periódicas que rompen la estabilidad pero liberan recursos para la innovación y la
reorganización.
Ciclo Adaptación
Fase r, Crecimiento rápido
Especies o personas explotan las nuevas oportunidades. La denominación r viene de la
tasa máxima de crecimiento en la ecuación logı́stica. Las especies o actores (“actores
r”, o “estrategas r”) hacen uso de todos los recursos disponibles para explotar. Las
componentes del sistema están débilmente interconectadas en esta fase y el sistema
está débilmente regulado. Los “actores r” más exitosos son capaces de prosperar bajo
170
82 Resilience Thinking
9.3. Ciclos Adaptativos
10 A Simple
FIGURE 9.2:
Figura Representation
Ciclo de of the Adaptive
Adaptación Simplificado Cycle y Salt 2006)
(Walker
The rapid growth and conservation phases are referred to as the fore loop with relatively
predictable dynamics and in which there is a slow accumulation of capital and potential
through stability and conservation. The release and reorganization phases are referred to
as the back loop, characterized by uncertainty, novelty, and experimentation and during
condiciones ambientales
which there is a lossvariables
(leakage) ofyalltienden a operar
forms of capital. en horizontes
The back deoftiempo
loop is the time greatest muy
cortos (malezas, especies pioneras, innovadores, startups).
potential for the initiation of either destructive or creative change in the system.
Fase K, by uncertainty,
Fase novelty, and experimentation. The back loop is the time
de Conservación
of greatest potential for the initiation of either destructive or creative
La transición a la in
change fase ocurre incrementalmente.
K system.
the It is the time whenEn esta fase
human la energı́a y los mate-
actions—intentional
riales se acumula gradualmente. Las conexiones entre las componentes se incrementan,
and thoughtful, or spontaneous and reckless—can have the biggest impact.
algunos de los actores cambian, pero al final de esta fase es cada vez más difı́cil que
entren nuevos It is important
actores. La to reemphasize
ventaja that thecambia
competitiva adaptivedecycle is not an absolute;
oportunistas (se adaptan
it is not a fixedexterna
bien a la variabilidad cycle, andy amany variations existainespecialistas
la incertidumbre) human and natural sys-
que reducen el
impacto detems (see figure 11).
la variabilidad A rapid growth
mediante phase usually
las relaciones que seproceeds
refuerzan into a conser-
mutuamente. A
estos actoresvationlosphase but it can
denominan also go directly
“actores into a release
o estrategas K”, vivenphase. A conservation
más largo y son más
conservadores y eficientes en el uso de los recursos, actúan a amplias
phase usually moves at some point into a release phase but it can (through escalas y son
fuertemente competitivos. El sı́mbolo K viene de la capacidad de
small perturbations) move back toward a growth phase. Clever managers soporte en la ecua-
ción logı́stica. En negocios esta fase es de economı́as de escala, mayores
(of ecosystems or of organizations) often engineer this in order to prevent eficiencias,
mayor productividad, menores costos unitarios, grandes ganancias en horizontes tem-
a large collapse in the late conservation phase. That is, they avoid a release
porales más largos. A medida que las interconexiones se refuerzan, los estados del
phase at the scale of concern (the whole forest or the organization) by
sistema son más regulados. Nuevos jugadores son excluidos. El futuro aparenta ser
predecible generating
y determinado.releaseEnandlosreorganization
ecosistemas phases at lower
el capital scales thereby
se acumula pre- poco
en formas
accesibles venting
(troncos, themateria
development
orgánica late K phase
of amuerta). at the
En los scale ofeconómicos
sistemas concern. el capital
se acumula en edificios, maquinaria y capital humano. La tasa de crecimiento decrece,
el sistema es más rı́gido, la resiliencia decrece. Se disminuye la redundancia a favor de
la eficiencia. Aumenta la vulnerabilidad, el sistema es más estable y predecible pero
sobre un rango más estrecho de condiciones.
171
9. Resiliencia
172
9.3. Ciclos Adaptativos
Understanding Complex Systems 395
e cycle, as in Figure 4, is the Some obvious examples: individual farmers who wish to clear trees
from their lands, or drain excess irrigation water into rivers, may be con-
ng one property or another. and the least known. It is the beginning of a process
into a drought there might be strong community demand for the gov-
ernment to provide drought assistance to farmers. However, if a nation
ject to expose the resilience of reorganization that provides the potential for
is in economic depression then drought assistance is unlikely.
The recovery path of a forest patch that has been devastated by a fire
subsequent growth, resource accumulation, and
or cyclone depends on the availability of seeds of the many species in the
surrounding mature forest. That is, it depends on the “memory” of the sys-
he figure shows that as the storage. At this stage, ecological resilience is high, as
tem at the scale of the whole forest. The recovery pattern of communities
of people that have been subject to a devastating shock (environmental,
175
Bibliografı́a
Buck, J. (1988). ((Synchronous Rhythmic Flashing of Fireflies. II.)) English. En: The
Quarterly Review of Biology 63.3, págs. 265-289.
Buck, J. y E. Buck (1976). ((Synchronous fireflies.)) En: Scientific American 234.5,
págs. 74-85.
Buddemeier, R. W. y D. G. Fautin (1993). ((Coral bleaching as an adaptive mecha-
nism)). En: Bioscience, págs. 320-326.
Burridge, R. y L. Knopoff (1967). ((Model and theoretical seismicity)). En: Bulletin of
the seismological society of america 57.3, págs. 341-371.
Christensen, K., S. A. Di Collobiano, M. Hall y H. J. Jensen (2002). ((Tangled na-
ture: a model of evolutionary ecology)). En: Journal of theoretical Biology 216.1,
págs. 73-84.
Clark, C. W. (2013). ((Mathematics and Resource Management)). En: MAM, Mathe-
matics Awareness Month–April 2013, Mathematics of Sustainability.
Craig, G. y J. Mack (2013). ((A coarsening model for self-organization of tropical con-
vection)). En: Journal of Geophysical Research: Atmospheres 118.16, págs. 8761-8769.
Curie, P. (1895). ((Propriétés magnétiques des corps a diverses températures)). En:
Journal de Physique 4, págs. 197-263.
Darwin, C. (1859). The origin of species by means of natural selection. Murray.
Dill, K. A. y S. Bromberg (2003). Molecular driving forces: statistical thermodynamics
in chemistry and biology. Taylor & Francis.
Einstein, A. (1949). Autobiographical notes. Ed. por P. A. Schilpp. Vol. 7. Open Court
Publishing Company.
Ellis, R. S. (2012). Entropy, large deviations, and statistical mechanics. Vol. 271.
Springer Science & Business Media.
Ermentrout, B. (1991). ((An adaptive model for synchrony in the firefly pteroptyx
malaccae)). En: Journal of Mathematical Biology 29.6, págs. 571-585.
Feller, W. F. (1968). An introduction to probability theory and its applications Vol. 1.
Third. Wiley, New York.
Feynman, R. P., R. B. Leighton y M. L. Sands (1963). The Feynman lectures on
Physics: Mainly mechanics, radiation, and heat. Vol. 1. Addison Wesley.
Fieguth, P. (2017). An Introduction to Complex Systems, Society, Ecology, and Non-
linear Dynamics. Springer International Publishing Switzerland, pág. 351.
Franzke, C., T. Graves, N. W. Watkins, R. B. Gramacy y C. Hughes (2011). ((Ro-
bustness of Estimators of Long-Range Dependence and Self-Similarity under non-
Gaussianity)). En: Arxiv preprint arXiv:1101.5018.
Frette, V., K. Christensen, A. Malthe-Sorenssen, J. Feder y col. (1996). ((Avalanche
dynamics in a pile of rice)). En: Nature 379.6560, pág. 49.
Frigg, R. (2003). ((Self-organised criticality—what it is and what it isn’t)). En: Studies
In History and Philosophy of Science Part A 34.3, págs. 613-632.
Gallavotti, G. (1999). Statistical mechanics: A short treatise. Springer.
Gibbings, J. C. (2011). Dimensional analysis. Springer.
Gneiting, T. y M. Schlather (2004). ((Stochastic Models That Separate Fractal Dimen-
sion and the Hurst Effect)). En: SIAM Review, Society for Industrial and Applied
Mathematics 46.2, págs. 269-282.
Gordon, H. S. (1954). ((The Economic Theory of a Common-Property Resource: The
Fishery)). English. En: Journal of Political Economy 62.2, págs. 124-142.
176
Bibliografı́a
177
Bibliografı́a
178
Bibliografı́a
179
Bibliografı́a
180
Bibliografı́a
181
Índice alfabético
183
Índice alfabético
184
Índice alfabético
185