Memoir Fci Amb

FENÓMENOS CRÍTICOS
EN
INGENIERÍA AMBIENTAL
CON APLICACIONES
Óscar José Mesa Sánchez
Figure 1: Árbol Fractal

UN AL
Universidad Nacional de Colombia
Medellı́n, 2019
1
Contenido
1 Introducción 1
2 Fundamentos de Termodinámica y Mecánica Estadı́stica 3

2.1. Cinética de Gases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Entropı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3. Principio Máxima Entropı́a . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4. Termodinámica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5. Energı́a Libre de Helmholtz . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6. Energı́a Libre de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7. Distribución de Boltzmann . . . . . . . . . . . . . . . . . . . . . . . . 23
2.8. Magnetismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Transiciones de Fase 27
3.1. Caracterización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Modelo Ising . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3. Simulación Montecarlo . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4 Criticalidad Auto Organizada 59

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2. Escalamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3. Incendios Forestales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4. Sismicidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.5. Deslizamientos (pila de arena) . . . . . . . . . . . . . . . . . . . . . . 75
4.6. Evolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.7. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5 Descomposición Espinodal 83
5.1. Ecuación de Cahn-Hilliard . . . . . . . . . . . . . . . . . . . . . . . . 83
ii
Contenido
5.2. Semejanza Dinámica . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6 Fundamentos Sistemas Dinámicos 85

6.1. Análisis Cualitativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.2. Bifurcaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.3. Formalización de Bifurcaciones . . . . . . . . . . . . . . . . . . . . . . 100
6.4. Flujos en el cı́rculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.5. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7 Flujos en Dos Dimensiones 119

7.1. Sistemas Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7.2. Espacio de Fase, 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
8 Aplicaciones de Transiciones Crı́ticas 137

8.1. Algunos Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
8.2. Competencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
8.3. Control Genético . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
8.4. Sobre-Pesca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8.5. Inteligencia Colectiva . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
8.6. Dinámica de Lagos Pandos . . . . . . . . . . . . . . . . . . . . . . . . 152
8.7. Corales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.8. Epidemias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
8.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
9 Resiliencia 167
9.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
9.2. Cambio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
9.3. Ciclos Adaptativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
Bibliografı́a 175
Índice alfabético 183
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.
Einstein (1949, pág. 33)
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.
Winfree (1980, pág. 1)
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
c) Estados de equilibrio: Los estados observados en la naturaleza, los estados de

equilibrio, son aquellos con máxima probabilidad termodinámica de ocurrencia
y por tanto máxima entropı́a. Por lo tanto son los más aleatorios que cumplen
con las restricciones que el sistema debe satisfacer. La existencia de más de un
estado de equilibro corresponde a la coexistencia de fases y es posible que se
presenten transiciones de fase.
Se discute con algún detalle el modelo de Ising de las transiciones de fase en ferro
magnetos. Es el modelo más simple que nos permite entender la complejidad que
resulta de las inter-acciones. Con el mayor rigor posible se busca una narrativa cohe-
rente que se pueda aplicar en otras circunstancias. En el punto crı́tico en el que ocurre
la transición de fase se presenta la divergencia de la longitud de correlación, lo que
produce escalamiento y universalidad. Precisamente de esta universalidad y la abun-
dancia de asuntos en los que el escalamiento es una caracterı́stica esencial viene la
motivación para profundizar en el modelo fı́sico. En el fondo de la criticalidad están
las interacciones, el comportamiento colectivo.
Un ejemplo clásico, conocido por más de 100 años es la opalescencia de un fluido
cerca al punto crı́tico producto de las fluctuaciones entre fases bien diferentes, vapor
y lı́quido. Aunque en términos relativos la comprensión de estos fenómenos es reciente,
se sabe que sirve de modelo para otros fenómenos en diversos campos, entre ellos los
sistemas ambientales.
Para que haya cambios drásticos se requieren singularidades. En matemáticas, una
función suave f : R → R se dice que tiene un punto crı́tico x∗ si f 0 (x∗ ) = 0. Los
puntos singulares de un campo vectorial son los puntos donde el campo es cero. Un
sistema dinámico de ecuaciones diferenciales da origen a un campo vectorial, cuyas
tangentes representan las derivadas temporales en cada punto. Los puntos singulares
del campo vectorial corresponden a los puntos crı́ticos de la solución. Se procede
a presentar los fundamentos de los sistemas dinámicos con el propósito de estudiar
los puntos crı́ticos de los sistemas, la posibilidad de multiplicidad, su estabilidad, la
dependencia de los parámetros y eventualmente comportamiento complejo.
Esta herramienta nos permite mirar sistemas ambientales importantes: sistemas de
población, lagos pandos, corales, epidemias, y en Mesa (2018) el sistema climático,
glaciaciones, la circulación termohalina del océano, ENSO, hidrologı́a, Gaia.
Por último se presenta una reflexión sistémica sobre el cambio, como preverlo, mane-
jarlo, controlarlo, eventualmente producirlo (Walker y Salt 2006).
Algunas referencias generales son Jaynes (1978), Haken (1983), Yeomans (1992), Bak
(1996), Jensen (1998), Hergarten (2002), Sornette (2003), Jost (2006), Tsallis (2009),
Scheffer (2009), Fieguth (2017) y Muñoz (2018).
2
Capı́tulo 2
Fundamentos de Termodinámica y
Mecánica Estadı́stica
Para unificar notación se presenta un resumen de los fundamentos de termodinámica

y mecánica estadı́stica, hay muchos libros en los cuales este material se presenta con
la debida justificación y detalle (Dill y Bromberg 2003; Yeomans 1992).
2.1. Cinética de Gases

Con base a principios elementales es posible cubrir mucho material. Lo que sigue, a
modo de telegrama, se basa en Feynman, Leighton y Sands (1963, 39-1ss).
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
dW = F (− dx) = −pA dx = −p dV,
donde el área transversal del pistón es A, y el cambio de volumen es dV = Adx.

La fuerza F = d(mv)/ d t, viene del intercambio de momentum entre el gas y el
pistón debido a las colisiones de muchas partı́culas. Esto se puede expresar como el
intercambio promedio de momentum por el choque de una partı́cula, multiplicado por
el número de colisiones por segundo.
Sea t el tiempo, N el número de moléculas, n = N/V el número de moléculas por
unidad de volumen, vx , vy , vz componentes de la velocidad y m la masa molecu-
lar. Por lo tanto la fuerza es F = pA ≈ 2mvx × (vx tA)n/t. El primer factor es el
intercambio de momentum de una molécula de masa m que se dirige hacia el pistón
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.
Multiplicando por el volumen y recordando la definición de la energı́a cinética, que

para un gas monoatómico es la energı́a interna total U , se tiene
pV = 32 N hmv 2 /2i = 32 U = (γ − 1)U,
con γ = 5/3 para un gas monoatómico.
En una compresión adiabática: dW = dU = −pdV, pero dU = (pdV + V dp)/(γ − 1),
luego de (pdV + V dp)/(γ − 1) = −pdV y se obtiene
pV γ = C,
con C una constante.
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
Pero por la misma razón el promedio del producto escalar de v1 y v2 también se

anula, es decir hv1 · v2 i = 0, lo que implica que el promedio de la energı́a cinética de
las dos partı́culas debe ser igual, es decir
hm1 v12 /2i = hm2 v22 /2i.
Esta conclusión es válida para moléculas de masa diferente, constituyentes de la mez-

cla en un gas en equilibrio. Por lo tanto las más pesadas se mueven más lento que
las más livianas. Se puede avanzar el argumento para aplicarlo a dos gases separados
por un pistón móvil. Después del equilibrio, los centros de masa de ambos tendrán
la misma energı́a cinética media. Una manera de argumentar, es notar que la energı́a
cinética media del pistón en la dirección longitudinal una vez hay equilibrio debe ser
igual a hm1 v12 /2i la energı́a promedio del centro de masa del gas a la derecha, A su
vez debe ser igual a hm1 v12 /2i la energı́a promedio del centro de masa del gas a la
izquierda. Luego ambos deben ser iguales.
Por lo tanto, cuando se tienen dos gases, a la misma temperatura, la energı́a cinética
media de ambos es igual. Es decir, la energı́a cinética media es función de la tem-
peratura T, la manera más fácil es tomar la temperatura proporcional al promedio
de la energı́a cinética. Luego se encontró que la constante de proporcionalidad es
k = 1,38 × 10−23 JK−1 , la constante de Boltzmann. Realmente k convierte unidades
entre energı́a y temperatura, por motivos históricos T se mide en K, cuando deberı́a
de tener las mismas unidades que la energı́a. Es importante recordar que la energı́a
cinética media asociada a una dirección particular es (1/2)kT , como hay tres direc-
ciones independientes,
3 2
2 kT = hmv /2i.
Ley de Gases Ideales

Si incorporamos el concepto de temperatura en la expresión ya derivada para la
presión se tiene
pV = N kT = Nm RT,
con N el número total de átomos. Como los números son tan grandes se define una
constante universal de gases R = N0 k, con N0 es el número de Avogadro, que es el
número de átomos en una mol, y por tanto Nm es el número de moles.
Una conclusión no trivial de lo anterior es que las leyes de Newton implican que
volúmenes iguales de gases diferentes, a igual presión p e igual temperatura T , tienen
el mismo número de moléculas.
Todo lo dicho hasta ahora es válido para moléculas mono atómicas. Esto está implı́cito
cuando se trato el tema del centro de masa. También se ignoró la posibilidad de que
existan otras fuerzas, por ejemplo un resorte amarrado al pistón. Sobre lo último se
puede mostrar que los argumentos son los mismo y no hay cambios a las conclusiones.
Se invita a demostrar que si la molécula tiene r átomos el promedio de su energı́a
cinética es 3rkT /2, donde 3kT /2 corresponde al centro de masa de la molécula, y el
resto, 3(r − 1)kT /2 corresponde a energı́a interna de rotación y vibración.
5
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)
donde k es la constante de Boltzmann que ya habı́amos encontrado. La maximización

de la entropı́a corresponde a la idea intuitiva de maximizar el número de microestados
correspondiente a un macroestado determinado. Se observa lo más probable.
Una justificación inicial de la definición de entropı́a es considerar un sistema conforma-
do por dos subsistemas 1 y 2, cada uno con multiplicidades M1 y M2 . La multiplicidad
del sistema total es
M = M1 × M2 .
Por otro lado, la termodinámica requiere que la entropı́a sea una variable extensiva,
lo que implica que
SB = SB1 + SB2 .
La función logaritmo cumple con ambas condiciones y es posible demostrar que es la
única función que cumple, por lo tanto
SB = k ln M.
La constante k corresponde a un cambio de unidades.
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
m1 = 5, m2 = 7 y m3 = 10. Claramente la configuración 3 es más probable pues

M (5, 5) = 1, M (5, 7) = 21 y M (5, 10) = 252. Para números grandes la diferencia es
más dramática. Por ejemplo si el número de partı́culas está fijo en n = 500 y hay tres
posibles configuraciones de número de sitios, m1 = 500, m2 = 700 y m3 = 1000. La
configuración 3 ocurre casi que con certeza (probabilidad uno) pues M (500, 500) = 1,
M (500, 700) = 2,52 × 10180 y M (500, 1000) = 2,70 × 10299 .
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
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)!
Donde u es la energı́a en el subsistema 1 y uc − u es la energı́a en el subsistema 2.

¿Cuál de los posibles valores del macro estado u se observa? El principio de máxima
entropı́a predice que aquel con mayor número de micro estados correspondientes.
Vamos a suponer inicialmente que ambos subsistemas tienen el mismo tamaño, es
decir n1 = n2 = n. La consecuencia del principio de máxima entropı́a en este caso es
que la energı́a fluye del subsistema con mayor energı́a al de menor y hay tendencia a
igualar la energı́a. Es decir
M (n, uc /2, n, uc /2) ≥ M (n, u, n, uc − u),
para todo u 6= uc /2. Esto se verifica fácilmente.
Ahora, si los dos subsistemas son diferentes (número de partı́culas diferentes), la
tendencia no es a que la energı́a fluya de mayor a menor, sino al equilibrio de tempe-
ratura. Todavı́a no se tiene una definición útil de temperatura, pero es fácil ver que
el macro estado con mayor número de micro estados corresponde al caso
u uc − u
= .
n1 n2
Más adelante se verá que la temperatura en este caso, para cada subsistema de n
partı́culas y energı́a u, está dada por

1 fbase
= k ln ,
T fexc
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
donde Pr[Bi ] = ni /n es la probabilidad de un determinado macro estado Bi . Se

pasa de la entropı́a
√ de Boltzman a la de Gibbs usando la aproximación de Stirling,
n! ∼ nn e−n 2πn (Stirling 1730; Feller 1968, p. 52).
Equivalencia entre ambas definiciones

Para justificar esta idea considere el más simple modelo de multiplicidad e indepen-
dencia que corresponde al caso en que el número de posibles micro estados M es igual
al número de posibles resultados de N lanzamientos de un dado de t lados. Es decir
N!
M= ,
n1 !n2 ! . . . nt !
donde ni es el número de veces en las cuales el dado cae en el resultado i. Sea

pi = ni /N la probabilidad de que el dado caiga en el resultado i, calculada con el
principio elemental de número de casos favorables sobre número de casos posibles.
Usando la aproximación de Stirling se tiene
√
(N/e)N 2πN
M∼ √ √ √
(n1 /e)n1 2πn1 (n2 /e)n2 2πn2 . . . (nt /e)nt 2πnt
√ √
N N 2πN 2πN
= n1 √ √ √ = n1 √ √ √ .
n1 2πn1 nn2 2 2πn2 . . . nnt t 2πnt p1 2πn1 pn2 2 2πn2 . . . pnt t 2πnt
Al sacar logaritmo y dividir por N se obtiene que para N → ∞
t
1 1 X
SB = k ln M ∼ −k pi ln pi = SG .
N N i=1
Dada la equivalencia se usará la entropı́a de Gibbs y se suprime el subı́ndice.
9
2.3. Principio Máxima Entropı́a

La maximización de la entropı́a predice el estado de equilibrio. Por ejemplo en un gas
la entropı́a es función del volumen V , máx S(V ) predice expansión; cuando el número
de partı́culas de cada especie contenidas en el vector N puede cambiar, máx S(N)
predice la mezcla; si la energı́a interna U cambia, máx S(U ) predice el flujo de calor. En
Sistemas mecánicos, el estado de equilibrio corresponde al estado de mı́nima energı́a
potencial. En probabilidad, la maximización de la multiplicidad predice la máxima
probabilidad de ocurrencia. Las fuentes de esta sección son Dill y Bromberg (2003),
Haken (1983), Jaynes (1957), Jaynes (1978), Jaynes (2003) y Kleidon y Lorenz (2004).
Operativamente el principio de máxima entropı́a se aplica usando los principios bási-
cos del cálculo diferencial. Una función suave (tiene derivadas continuas) de varias
variables es máxima cuando sus derivadas parciales son cero. Recuerde que esta con-
dición es necesaria pero no suficiente. Es decir, es posible que la derivada sea cero en
un punto pero la función no sea máxima en ese punto. Puede ser un mı́nimo, o un
punto de inflexión. La presencia de restricciones se resuelve usando la técnica de los
multiplicadores de Lagrange. La función a maximizar es la entropı́a y las variables o
incognitas son las probabilidades de los macro estados. Se trabaja con el caso de un
número finito de posibles macro estados t.
Una pequeña dificultad de nomenclatura por uso de p para denotar presión y también
probabilidad. En esta sección pk denota la probabilidad de un macro estado k.
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
Recuerde que si dos eventos son independientes la probabilidad de que ambos

ocurran (la intersección) es el producto de las probabilidades individuales. En
otras palabras la ocurrencia de uno de los eventos no afecta la probabilidad del
otro, es decir la probabilidad condicional es igual a la probabilidad marginal.
Es decir, si Pr[E2 ] 6= 0 se tiene
Pr[E1 E2 ]
Pr[E1 |E2 ] = = Pr[E1 ],
Pr[E2 ]
y de manera simétrica Pr[E2 |E1 ] = Pr[E2 ], lo que se expresa de manera com-
pacta como Pr[E1 E2 ] = Pr[E1 ] Pr[E2 ].
4. El último axioma es algo técnico, pero expresa la expectativa razonable de que a
pequeños cambios en p correspondan pequeños cambios en I(p). Esto se expresa
diciendo que I(p) es una función continua de p.
Con estos cuatro axiomas es posible demostrar
Teorema 2.3.1. I es proporcional al logaritmo de p,
I(p) = −C log p.
La convención en teorı́a de la información es tomar C = 1 y trabajar con el logaritmo

base 2, lo que corresponde a usar el bit (digito binario) como unidad de información.
Dada una variable aleatoria X, con t posibles valores x1 , x2 , . . . xt con respectivas
probabilidades p1 , p2 , . . . pt , el valor esperado de la información que se recibe si se
observa la ocurrencia de X es
t
X
S(X) = − pi log pi .
i=1
Una manera de interpretar lo anterior es recordar que − log pi es la información que

se obtiene si el evento X = xi ocurre, lo que tiene probabilidad pi , por tanto su valor
esperado es el promedio ponderado por la probabilidad.
Note que de manera deliberada se usó el mismo sı́mbolo S que para la entropı́a.
Además la forma matemática de la ecuación también es la misma. El mensaje es que
en esta interpretación la entropı́a es el valor esperado (el promedio) de la información
que se obtiene de observar la variable aleatoria X. De manera equivalente, la entropı́a
es el valor esperado de la sorpresa al observar la variables aleatoria X. También, es
el valor esperado de la incertidumbre contenida en la variable aleatoria X cuando no
la hemos observado.
No sobra advertir que para algunos está interpretación de la entropı́a no es aceptable.
Sin embargo es consistente con la entropı́a de Gibbs, que se vio es equivalente a la
entropı́a de Boltzman.
Cuando no hay restricciones diferentes a la normalización de las probabilidades, el
principio de máxima entropı́a predice distribución de probabilidades uniforme.
t t
S n X o X
máx (p1 , p2 , . . . , pt ) = máx − pi ln pi , sujeto a pi = 1,
k i=1 i=1
11
lo que usando α como multiplicador de Lagrange equivale a

Xt t
X
máx L(p1 , p2 , . . . , pt , α) = máx − pi ln pi − α pi − 1 ,
i=1 i=1
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
Es decir, pi = 1/t para todo i.

En conclusión, en ausencia de restricciones la distribución que maximiza la entropı́a es
la uniforme. Lo que Bernoulli llamó el principio de Ars Conjectandi, que hoy podemos
traducir como el Arte de Conjeturar. Es decir, de acuerdo al diccionario, el arte de
formar juicio de algo por indicios u observaciones. En palabras, si no hay razón u
observación que indique lo contrario, entre varios posibles resultados, lo mejor es
asignar igual probabilidad.
En la interpretación de incertidumbre, la maximización de la entropı́a equivale a
estimar probabilidades de manera insesgada, sin recargarse hacia ningún posible re-
sultado, maximizando la incertidumbre.
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
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
Para encontrar los multiplicadores se procede a

t t n r o
X ∗ X X ∗
pi = 1 = e−α0 exp − αk∗ xk,i = Ze−α0 ,
i=1 i=1 k=1
donde se definió la función de partición

X n X o
Z= exp − αk∗ xk,i , (2.5)
i k
que cumple un papel fundamental, por ejemplo

∂ ln Z
α0∗ = ln Z, y µk = hxk,i i = − , para k = 1, 2, . . . , r. (2.6)
∂αk∗
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
reemplazando y usando la expresión para las probabilidades, ecuación (2.4), se obtiene

X X X
δα0 = − δαk pi xk,i + αk pi δxk,i
k i i
X
=− δαk hxk,i i + αk hδxk,i i . (2.8)
k
13
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
que se acostumbra escribir como

r
1 X
δSmax = αk∗ δQk . (2.9)
k
k=1
donde Qk es un calor generalizado

δQk = δhxk,i i − hδxk,i i. (2.10)
Otra expresión importante es para la varianza de xk,i ,

∂ 2 ln Z
hx2k,i i − hxk,i i2 = . (2.11)
∂αk2
En algunas aplicaciones xk,i depende de otra cantidad, digamos a y se quiere calcular

el cambio en hxk,i i debido al cambio en a,
∂xk,i X ∂xk,i 1 X ∂xk,i − Pk α∗k xk,i
= pi = e
∂a i
∂a Z i ∂a
1 1 ∂Z
=− .
Z αk ∂a
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
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
U = U (S, V, N). (2.13)
Continuando con el formalismo, los cambios pequeños se expresan como

M
!
∂S ∂S X ∂S
dS = dU + dV + dNj .
∂U V,N ∂V U,N j=1
∂Nj
U,V,Ni6=j
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
Las derivadas parciales corresponden a las definiciones de temperatura T , presión p,

y potencial quı́mico µj
!
∂U ∂U ∂U
T = , p=− , µj = . (2.14)
∂S V,N ∂V S,N ∂Nj
S,V,Ni6=j
Usando estas definiciones en la forma diferencial de la ecuación de energı́a se tiene

M
X
dU = T dS − p dV + µj dNj . (2.15)
j=1
Alternativamente, se tiene
M
1 p X µj
dS = dU + dV − dNj . (2.16)
T T j=1
T
15
Y en concordancia con las definiciones anteriores se tiene

!
1 ∂S p ∂S µj ∂S
= , = , =− .
T ∂U V,N T ∂V U,N T ∂Nj
U,V,Ni6=j
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.
Para un sistema cerrado la ecuación diferencial fundamental de la energı́a es
dU = T dS − p dV.
El cambio en el trabajo para un proceso lento es δW = −p dV . Combinando se obtiene

la llamada definición termodinámica de la entropı́a
δq
dS = . (2.17)
T
16
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
es
pV = Nm RT1 .
En el punto B se retira el cilindro del baño de calor a temperatura T1 y se aı́sla del

entorno para continuar en una expansión adiabática, es decir sin flujo de calor, ası́ se
llega hasta el punto C, donde la temperatura es T2 < T1 (lı́nea punteada BC). Para un
gas ideal sabemos que en un cambio adiabático de volumen, la presión y el volumen
están relacionadas por pV γ =constante. Ambas expansiones se hacen lentamente, sin
fricción, por lo que ambas son reversibles.
En el punto C se procede a rodear el cilindro de un segundo baño a temperatura T2
y lentamente se comprime hasta el punto D (lı́nea continua CD). Para esto no se usa
ningún proceso irreversible. Como el cilindro está en contacto con el baño frı́o y el
proceso es isotérmico, habrá un flujo de calor Q2 desde el cilindro hacia el baño. Se
procede a retirar el baño y se aı́sla el cilindro para continuar con una compresión
adiabática hasta regresar al punto inicial A (lı́nea punteada DA).
Nuevamente en todo el ciclo no se ha usado ningún proceso irreversible. El cilindro
recibió un flujo de calor Q1 del baño caliente y entrego al baño frı́o una cantidad Q2 .
Pero además en el ciclo el cilindro hizo un trabajo, que se puede cuantificar como el
área entre las curvas,
Z C Z A
W = p dV + p dV,
A C
de la primera ley también sabemos que
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
De la expansión adiabática en la rama BC se tiene
pV γ = pB VBγ = Nm RT1 VBγ−1 = Nm RT2 VCγ−1 ,
18
y de la compresión adiabática en la rama DA se tiene
T1 VAγ−1 = T2 VDγ−1 ,
por lo tanto,
Q1 Q2
= .
T1 T2
De esto se obtiene la eficiencia máxima teórica de un motor reversible

W Q1 − Q2 T1 − T2
η= = = .
Q1 Q1 T1
Usando la Ec. (2.17) se tiene la expresión del cambio de entropı́a en el proceso

isotérmico AB Z B
dQ Q1
SB − SA = = .
A T T1
En la fase caliente el cilindro aumenta la entropı́a pues recibe calor. De manera
semejante para el proceso CD
Q2
SD − SC = − ,
T2
el cilindro pierde calor y por tanto su entropı́a decrece. En consecuencia en el ciclo

completo no hay cambio en la entropı́a, pues SB = SC y SD = SA en las ramas
adiabáticas y por tanto isentrópicas. Es decir esto es otra manera de demostrar que
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.
Ley de gases ideales

Usando la definición de presión,

p ∂S
=
T ∂V U,N
y la expresión de Boltzmann para la entropı́a S(V ) con el modelo de ocupaciones y

sitios en una grilla se tiene

S m!
= ln M (m, n) = ln .
k n!(m − n)!
19
El volumen V está relacionado linealmente con el número de sitios m, por tanto

(∂m/∂V ) = m/V y por tanto

∂S ∂S ∂m ∂S m
= =
∂V N ∂m N ∂V ∂m N V
Usando la aproximación de Stirling
mm

S
= ln = m ln m − n ln n − (m − n) ln(m − n).
k nn (m − n)m−n
Lo que se puede simplificar usando m = n + (m − n) en el primer término,

S n m−n
= −n ln − (m − n) ln .
k m m
Tomando la derivada

∂S m−n n
= k 1 + ln m − ln(m − n) − = −k ln 1 −
∂m N m−n m
Como n/m 1 se puede tomar el primer término de la expansión ln(1 − x) ≈
−x − x2 /2 − x3 /3 − . . ., y ası́ obtener
!
m n n2
p = −kT − − − ...
V m 2m2
que es la ley de gases ideales
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
Figura 2.2: 1/T es la pendiente de la función S = S(U ). En equilibrio ambos subsis-

temas tienen la misma temperatura, no necesariamente la misma energı́a o entropı́a.
Tomada de Dill y Bromberg (2003)
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
En el equilibrio se igualan temperaturas y presiones.
21
2.5. Energı́a Libre de Helmholtz

Hay circunstancias en las cuales las condiciones del entorno imponen una variable
intensiva, T, p o µ. Por ejemplo el sistema está en contacto con un camisa o baño
térmico muy grande que mantiene la temperatura. La variable extensiva correspon-
diente, la energı́a U se intercambia con el entorno. A tales intercambios se les dice
fluctuaciones. Si la presión se controla el volumen fluctúa. Si el potencial quı́mico se
fija, el número de partı́culas fluctúa. A estos sistemas se les llama tubos de ensayo.
Sean SB , UB la entropı́a y energı́a del baño, y SS , US las correspondientes del tubo
que se mantiene a temperatura T , con volumen y número de partı́culas constantes.
Como el sistema baño más tubo es aislado, se cumple que dUB +dUS = 0 y la entropı́a
debe crecer dSB + dSS ≥ 0. Combinando con la ecuación fundamental para el baño
dSB = dUB /T se tiene dSB = − dUS /T y por tanto
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.
La segunda ecuación se debe a que T es constante.

La definición de la Energı́a libre F expresa un balance entre la energı́a interna U
y la entropı́a S, donde la temperatura T determina la posición del balance. A al-
tas temperaturas la entropı́a domina, y a bajas temperaturas la energı́a domina. La
energı́a libre es también el máximo trabajo “útil” que se puede obtener bajo T, V, N
constantes.
Si se substituye la ecuación fundamental para dU se obtiene
M
X
dF = −S dT − p dV + µj dNj , (2.19)
j=1
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
cuando T se controla en la frontera. Hay todavı́a otras dos funciones fundamentales.

La entalpı́a que se define en este numeral y la energı́a libre de Gibbs en el próximo.
La Entalpı́a, que es mı́nima en el equilibrio para un sistema en el cual S, p y N son
las variables independientes, se define como
H = H(S, p, N)) = U + pV.
La entalpı́a de un sistema es igual a su energı́a interna más el trabajo necesario

para hacer espacio para el sistema a presión constante. No es común usar la entalpı́a
como principio extremal porque la entropı́a no es una variable fácil de controlar. Sin
embargo, es útil porque se puede obtener de experimentos calorimétricos.
Si se calcula el diferencial de la definición y se reemplaza la expresión fundamental
de dU se obtiene
XM
dH = T dS + V dp + µj dNj .
j=1
2.6. Energı́a Libre de Gibbs

Controlar la temperatura y la presión es más fácil, la atmósfera los provee, por tanto
la siguiente función fundamental también es muy útil, la llamada Energı́a Libre de
Gibbs, que se define como
G = H − T S. (2.20)
Para un sistema en el cual T, p, N son constantes el estado de equilibrio corresponde

al mı́nimo de G, con
XM
dG = −S dT + V dp + µj dNj .
j=1
La lógica de la energı́a libre de Gibbs es similar a la de Helmholtz. Si un proceso ocurre

en un tubo de ensayo a presión y temperatura constante, la energı́a libre de Gibbs
es un mı́nimo. Las reacciones quı́micas, los cambios de fase, los procesos biológicos
y fı́sicos pueden ocurrir en tubos de ensayo. Un tubo de ensayo puede intercambiar
energı́a con el entorno por cambio de volumen y/o flujo de calor. El equilibrio se da
cuando la entropı́a del tubo más la del entorno es máxima. Como para el tubo mismo,
T, p, N son constantes, el equilibrio ocurre cuando la energı́a libre G es mı́nima.
2.7. Distribución de Boltzmann

El principio de maximización de la entropı́a permite calcular la probabilidad de un
determinado nivel de energı́a Ej , dado el promedio de la energı́a, mediante la llamada
Distribución de Boltzmann
Pr[E = Ej ] = Z −1 e−Ej /kT , (2.21)
23
donde
t
X
Z= e−Ej /kT (2.22)
j=1
es la función de partición, que como se verá tiene mucha información.
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.
Usando la técnica de multiplicadores de Lagrange

t
X
dF = [Ej + kT (1 + ln p∗j ) + α] dpj = 0,
j=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.
Por lo tanto para una atmósfera isotérmica se tiene
p(z) N (z)kT /V N (z)

= = = e−mgz/kT
p(0) N (0)kT /V N (0)
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
donde β = 1/kT facilita la escritura. Es fácil ver que

U ∂ ln Z ∂ ln Z
= ⇒ U =− . (2.23)
kT 2 ∂T ∂β
Igualmente usando la Función Partición se puede expresar la entropı́a

U ∂ ln Z
S = k ln Z + = k ln Z + kT . (2.24)
T ∂T
También se puede expresar la Energı́a Libre,
F = U − T S = −kT ln Z ⇒ Z = exp{−βF}, (2.25)
25
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)
donde M es la magnetización y H el campo magnético (no confundir con la entalpı́a

H). Acá se asume que el volumen y la composición son fijos, por lo tanto dV = 0 y
dNj = 0. En esta forma de escribir la energı́a no se incluye la energı́a almacenada en
el campo magnético.
En términos de la función de partición la magnetización es

∂F
M =− . (2.30)
∂H T
El calor especı́fico a H constante es

∂U
CH = , (2.31)
∂T H
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
La consecuencia más espectacular de la interacción entre partı́culas es la aparición

de nuevas fases de la materia cuyo comportamiento colectivo tiene muy poca seme-
janza con el de partı́culas aisladas. ¿Cómo se transforma el comportamiento de las
partı́culas? Formalmente, todas las propiedades macroscópicas se pueden deducir de
la función de energı́a libre de las partı́culas. Para que haya cambios drásticos se re-
quieren singularidades. Como la función de partición de un conjunto de partı́culas es
analı́tica, la singularidad requiere un número infinito de partı́culas, el llamado lı́mite
termodinámico. El estudio de las transiciones de fase es por tanto el estudio del ori-
gen de las singularidades de la función de energı́a libre o sus derivadas. La simulación
Monte Carlo del modelo Ising de un ferromagneto es una herramienta importante para
entender el balance entre las interacciones, el campo externo y la fluctuación térmica.
A pesar de que el modelo Ising es el más simple de los modelos de transición de fase
tiene todos los elementos para aplicarse a fluidos, aleaciones binarias, polı́meros y
variedad de situaciones ambientales y sociales.
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
termodinámico apropiado, con una discontinuidad en la magnetización

∂F
M =− . (3.1)
∂H T
Para un fluido, la energı́a libre de Gibbs G, definida en la Ec. (2.20), es el potencial

termodinámico relevante y hay discontinuidades en el volumen y en la entropı́a al
cruzar la curva de presión de vapor. Un salto en la función de entropı́a implica que
la transición de fase tiene asociado un calor latente.
Si las primeras derivadas son continuas pero las segundas son discontinuas o infinitas,
la transición de fase será de orden mayor, continua, o crı́tica. Este tipo de transición
corresponde a una susceptibilidad divergente, una longitud de correlación infinita y
un decaimiento de la correlación de acuerdo a una ley potencial. Siempre es útil
examinar con cuidado el comportamiento de los potenciales termodinámicos cerca a
un punto crı́tico. La idea es comparar con la forma tı́pica de las transiciones de primer
y segundo orden.
Figura 3.1: Dependencia de la magnetización M en la temperatura T para diferentes

valores del campo magnético H, que ilustra la transición de fase en un ferromagneto
simple. Para el campo cero H = 0, por debajo de la temperatura crı́tica hay una
magnetización espontánea ±M (T ). El parámetro de orden de esta transición de fase
es la magnetización y el parámetro ajustable es la temperatura. Tomada de Yeomans
1992
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
caso de un magneto y para los cambios de fase gas-lı́quido en un fluido. Es conveniente

analizar las figuras cuidadosamente y tener en cuenta el significado de las variables
consideradas.
La Figura 3.1 ilustra la dependencia de la magnetización M de la temperatura T para
diferentes valores del campo magnético H. Es notoria la magnetización espontánea
de un ferromagneto por debajo de la temperatura crı́tica, en ausencia de campo
magnético externo. La Figura 3.2 ilustra el diagrama de fase de un ferromagneto
simple. Sin campo externo aplicado, H = 0, y para temperaturas en el rango 0 ≤ T <
Tc hay una lı́nea de transiciones de fase de primer orden. Por ejemplo un cambio a lo
largo de la lı́nea punteada denotada con 1 significa un salto entre dos fases, una con
magnetización negativa para H < 0 y otra con magnetización positiva para H > 0. El
cambio en la energı́a libre F a lo largo de tal trayectoria se observa en la Figura 3.3 en
la curva denotada T < Tc . Se puede observar que aunque F es continua, para H = 0
su primera derivada no, la curva termina en un pico, las derivadas por la derecha y
por la izquierda son diferentes. La discontinuidad en la derivada al cruzar la lı́nea
de transiciones de fase, se puede observar en la magnetización que se representa en
la Figura 3.4 en la curva correspondiente al caso T < Tc . Efectivamente, tal como
lo expresa la Ec. (3.1) esta discontinuidad en la derivada corresponde al salto en la
magnetización M que ya habı́amos señalado en la Figura 3.3.
Como se indica en la leyenda de la Figura 3.1, el parámetro de orden para este
ejemplo es la magnetización. Para la transición lı́quido-gas el parámetro de orden es
la diferencia de densidades. Como su nombre lo indica, una parámetro de orden mide
el grado de orden a través de una frontera en una transición de fase. Normalmente
es cero en una de las fases, por encima del punto crı́tico, y no es cero en la otra.
La susceptibilidad del parámetro de orden normalmente diverge en el punto crı́tico.
El origen del parámetro de orden es la pérdida de simetrı́a. Cuando esto ocurre, se
requiere una variable nueva para describir el estado del sistema. Por ejemplo en la
fase ferromagnética es necesario cuantificar la magnetización, cuya dirección se escogió
espontáneamente cuando el sistema se enfrió por debajo del punto crı́tico.
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
En la Figura 3.2 se puede observar el punto crı́tico, T = Tc , H = 0. A lo largo de la

trayectoria punteada 2, con T = Tc , a medida que aumenta H desde valores negativos,
cruza por cero y pasa a valores positivos se presenta una transición de fase crı́tica, la
magnetización, que es igual a la primera derivada de la energı́a libre F es continua
en H = 0 como se ve en la Figura 3.3 en la curva denotada T = Tc , y se verifica en
la magnetización representada en la Figura 3.4 para el caso T = Tc . Pero en el punto
crı́tico la segunda derivada de la energı́a libre F es infinita, como se puede apreciar
en la Figura 3.5 en la curva correspondiente al caso T = Tc . La susceptibilidad χ es
la primera derivada de la magnetización M y por tanto la segunda derivada de la
energı́a libre F (ver Ec. 2.32).
Figura 3.3: Dependencia de la energı́a libre F en el campo magnético H para diferentes

valores de la temperatura T, en la transición de fase en un ferromagneto simple.
Tomada de Yeomans 1992
La trayectoria punteada 3, en la Figura 3.2 corresponde a un valor dado de T > Tc ,

aumento de H desde valores negativos, cruce por cero y paso a valores positivos. En tal
trayectoria se presenta una transición de fase de segundo orden, se pasa continuamente
de una fase a otra. La primera derivada de la energı́a libre F es continua en H =
0 como se ve en la Figura 3.3 en la curva denotada T > Tc , y se verifica en la
magnetización representada en la Figura 3.4 para el caso T > Tc . Además la segunda
derivada de la energı́a libre F es finita, como se puede apreciar en la Figura 3.5 en la
curva correspondiente al caso T > Tc . La susceptibilidad χ es la primera derivada de
la magnetización M y por tanto la segunda derivada de la energı́a libre F (ver Ec.
2.32).
El diagrama de fase en la Figura 3.2 es simétrico como consecuencia de la simetrı́a
ante el cambio de orientación del campo magnético. Esta caracterı́stica es importante
para estudiar en su versión más simple las transiciones de fase. En otros casos, por
ejemplo en la transición de lı́quido a gas, que es cualitativamente semejante no existe
esta simetrı́a, lo que hace un poco más complejo el estudio. La energı́a libre F en la
Figura 3.3 es convexa y simétrica con respecto a la recta H = 0. Esto concuerda con
la anterior observación. Por otro lado la energı́a libre tiene su máximo en H = 0 y
30
Figura 3.4: Dependencia de la magnetización M en el campo magnético H para

diferentes valores de la temperatura T, que ilustra la transición de fase en un ferro-
magneto simple. Para el campo cero H = 0, por debajo de la temperatura crı́tica hay
una magnetización espontánea ±M (T ). Tomada de Yeomans 1992
desarrolla una cúspide para valores de la temperatura menores a la crı́tica. Como se

indicó esto es caracterı́stico de la transición de fase de primer orden, como se ve más
claro en la magnetización, Figura 3.4.
Figura 3.5: Dependencia de la susceptibilidad χ en el campo magnético H para di-

ferentes valores de la temperatura T, en la transición de fase en un ferromagneto
simple. Tomada de Yeomans 1992
También interesa la dependencia de la magnetización M y la susceptibilidad χ de la

temperatura para un campo magnético constante. Esto se ilustra en las Figuras 3.1 y
3.6, para las tres trayectorias punteadas marcadas con los números 4, 5 y 6 en la Figura
3.2. Por la simetrı́a anotada no es posible cruzar la frontera de cambio de fase variando
sólo la temperatura, como si es posible para otros casos, como la transición de gas
31
a lı́quido. La trayectoria 5, que corresponde a H = 0, a medida que la temperatura

disminuye se cruza el punto crı́tico y sigue por la lı́nea de coincidencia de las dos fases
hasta la temperatura cero. Para las trayectorias 4 y 6 que se escogieron simétricas,
la primera positiva y la segunda negativa no hay transición de fase. Para valores del
campo magnético diferentes a cero, la magnetización aumenta suavemente a medida
que la temperatura disminuye hasta alcanzar el valor de saturación correspondiente
al caso en que todos los espines están alineados, según el signo del campo (Figura
3.1).
Figura 3.6: Dependencia de la susceptibilidad χ en la temperatura T para diferentes

valores del campo magnético H, en la transición de fase en un ferromagneto simple.
Regresando a la Figura 3.1, para el caso H = 0, si T > Tc la magnetización es

cero, el ruido térmico predomina, los espines no tienden a alinearse. En T = Tc
hay una bifurcación, si la temperatura sigue disminuyendo la interacción entre los
espines domina sobre el ruido térmico, los espines se alinean, la existencia de una
agrupación de espines orientados en un determinado sentido puede crecer, aparece
magnetización y eventualmente todos los espines se alinean. Cual de los dos sentidos
predomina es accidental, depende de condiciones iniciales infinitesimales. Las dos
ramas tienen igual energı́a libre, la termodinámica no permite seleccionar una sobre
la otra. La susceptibilidad es máxima para T = Tc y es simétrica para valores positivos
o negativos de H. Lo más importante es que diverge para H = 0 lo que corresponde
a la magnetización espontánea (Figura 3.6).
Para contrastar con otros sistemas más complejos se presenta en la Figura 3.7 el dia-
grama de fase para el agua. Para establecer una correspondencia con el ferromagneto
basta identificar el momento magnético H con el volumen V y la magnetización M con
la presión p. Por ejemplo comparar, con dNj = 0, la ecuación diferencial de la energı́a
para el fluido (Ec. 2.15), con la del ferromagneto (Ec. 2.29). Con tal correspondencia
conectar la termodinámica es simple. Note la falta de simetrı́a. Por ejemplo siguiendo
trayectorias con temperatura constante si es posible cruzar una frontera entre fases.
La asimetrı́a es más clara en la gráfica de la densidad como función de la temperatura
32
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)
Figura 3.8: El parámetro de orden es (ρl (T ) − ρg (T )). Tomada de Yeomans 1992
33
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
En la Figura 3.10 se representa para un fluido la superficie P − V − T que ilustra el

caso de una gas ideal, sin discontinuidades y un material real, con las correspondientes
fronteras entre fases y las discontinuidades de la superficie. Una transición crı́tica
puede entenderse con la imagen de un espacio en el que se separan dos ambientes
mediante un muro que no llega hasta el techo, es por lo tanto posible pasar de un
ambiente a otro de manera continua.
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
Figura 3.10: Superficie P − V − T para un gas ideal (arriba) y superficie discontinua

para un gas real (abajo). Tomada de Solé (2011)
entonces el exponente crı́tico asociado a una función genérica f (t) es

log |f (t)|
λ = lı́m , (3.3)
t→0 log |t|
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
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
Figura 3.11: La coincidencia de la relación densidad temperatura para ocho diferentes

fluidos representada en variables reducidas. El ajuste asume un exponente de b = 1/3.
adicional a la universalidad es comparar el exponente con el obtenido para transicio-

nes de fase en otros sistemas con diferentes interacciones pero con un parámetro de
orden escalar. Una posibilidad es la de los magnetos con anisotropı́a uniaxial. Expe-
rimentalmente se ha encontrado b = 0,335(5). Para la separación en mezclas binarias
b = 0,33(2). El modelo Ising es un modelo simple con un parámetro de orden escalar.
En tres dimensiones no hay todavı́a soluciones analı́ticas, pero numéricamente se ha
encontrado que para las retı́culas cúbica simple, centrada en el cuerpo y centrada en
la cara las temperaturas crı́ticas son kTc /J = 0,2216; 0,1574 y 0,1021 respectivamente
y donde k = 1,38 × 10−23 JK−1 es la constante de Boltzmann y J es la energı́a de
acoplamiento descrita abajo con relación a la Ec. 3.8. Sin embargo, en todos los casos
b es el mismo, aproximadamente 0,327. Esto ilustra la importancia de los exponen-
tes, la universalidad y la utilidad de los modelos simples que tengan en cuenta la
interacción, representen adecuadamente la dimensión del problema y la simetrı́a del
parámetro de orden. Estos elementos constituyen lo que se denomina una clase de
universalidad.
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
se va a describir en la Sección 3.2. La Figura 3.12 corresponde a una temperatura ma-

yor que la crı́tica, la 3.13 a la temperatura crı́tica y la 3.14 a una temperatura menor
a la crı́tica. Cada punto de la retı́cula se dibuja negro o blanco según el espı́n corres-
pondiente sea +1 o −1. En cada caso se muestra una secuencia de configuraciones
renormalizadas que se obtiene de reemplazar 9 sitios de la configuración anterior por
un sólo sitio, cuyo espı́n toma el valor de la mayorı́a de los 9 originales. Por tanto la
escala de longitud para cada retı́cula es cambiada por un factor 3, 32 , 33 y 34 en cada
caso. Se puede apreciar cualitativamente el cambio de la longitud de correlación. En
la Figura 3.12 la longitud de correlación decrece, cada cuadro es menos organizado, la
renormalización borra cualquier orden de rango corto que habı́a en el cuadro anterior
y finalmente los espines no están correlacionados. La renormalización corresponde a
un cambio de temperatura, para esta figura cada vez se incrementa y en el lı́mite co-
rresponde a temperatura infinita. Mientras más cerca, por encima, de la temperatura
crı́tica, se inicie, más iteraciones de renormalización son necesaria para llegar a tal
lı́mite. Para temperaturas por debajo de la temperatura crı́tica, Figura 3.14, hay un
flujo análogo al aplicar la renormalización, pero el lı́mite es hacia temperatura cero y
la correlación crece, el orden aumenta.
Únicamente para la temperatura crı́tica, Figura 3.13, hay fluctuaciones a todas las
escalas, el sistema permanece invariante bajo la renormalización. Esta propiedad pue-
de aprovecharse para identificar el punto crı́tico y describir el comportamiento de las
funciones termodinámicas en la vecindad del punto crı́tico (K. G. Wilson 1971b; K. G.
Wilson 1971a; K. G. Wilson 1979). Es decir, la teorı́a de grupos de renormalización
toma ventaja del escalamiento, en particular de la divergencia de la longitud de corre-
lación. Una manera de expresar esto en sı́mbolos es representar por ξλ a la longitud
de correlación medida en unidades del espaciamiento de los bloques (λa), y por ξ
cuando se mide en unidades de longitud a, se tiene
ξ1
ξ = λaξλ = aξ1 , por tanto ξλ = .
λ
Al aplicar la renormalización, la longitud de correlación se obtiene de la longitud
correlación en la anterior iteración mediante
ξ[Rn+1 ] = ξ[Rn ]/λ.
Por tanto en el lı́mite en el punto crı́tico,
ξ[R∞ ] = ξ[R∞ ]/λ,
lo que implica ó ξ = 0, punto fijo trivial, ó ξ = ∞, punto fijo crı́tico.
37
Figura 3.12: Simulación para T = 1,22Tc . Renormalizaciones con λ = 3 y regla de la

mayorı́a. Tomada de Yeomans 1992
38
Figura 3.13: Simulación para T = Tc . Renormalizaciones con λ = 3 y regla de la

39
Figura 3.14: Simulación para T = 0,99Tc . Renormalizaciones con λ = 3 y regla de la

40
3.2. Modelo Ising
3.2. Modelo Ising

Fundamentos
Sin fases el mundo serı́a monótono. Para que haya una transición entre dos fases,
éstas deben poder coexistir bajo iguales condiciones termodinámicas. Normalmente
el Hamiltoniano tiene más simetrı́a que una de las fases. Por lo tanto hay pérdida de
simetrı́a en las transiciones mediante algún tipo de orden emergente. En el modelo
que se va a presentar, la energı́a no cambia si todos los espines se invierten, pero una
caracterı́stica fundamental de los ferromagnetos es la magnetización espontánea, es
decir regiones predominantes del ferromagneto están alineadas en la misma dirección,
luego se pierde la simetrı́a. Explicar esto no es simple, más adelante se intenta usando
el modelo Ising y algo de matemática.
Además de las transiciones de fase de lı́quido a gas y demás cambios de estado estas
transiciones se habı́an observado en ferromagnetos y se consideró que el problema era
más fácil en este terreno. El caso sin interacción entre los espines habı́a sido resuelto
por Curie (1895) (Sección 3.2) y era claro que sin interacciones no era posible explicar
las observaciones. El modelo más simple que tiene en cuenta la interacción de spines
se conoce con el nombre de modelo Ising (Ising 1925), estudiante de Lenz (1920)
quien en su tesis de doctorado resolvió el problema formulado por su profesor en una
dimensión, y encontró que no habı́a lugar a transiciones de fase. Equivocadamente
generalizó que el modelos no puede explicar las transiciones en ninguna dimensión.
Algunos se refieren al modelo Ising como el modelo Lenz–Ising para hacer justicia a
la idea original.
Posteriormente Peierls (1936) demostró que en dos dimensiones hay transiciones de
fase usando expansiones asintóticas para temperatura cerca a cero y a infinito. Pos-
teriormente Kramers y Wannier (1941) encontraron la temperatura crı́tica a la cual
ocurre la transición de fase,
2J
Tc = √ . (3.7)
k ln(1 + 2)
Por debajo de Tc hay magnetización espontánea y por encima las fluctuaciones térmi-
cas hacen que los espines se desorganicen y la magnetización desaparece. La solución
completa y definitiva para el caso de dos dimensiones se debe a Onsager (1944). El
caso de tres dimensiones permanece abierto y para más dimensiones la teorı́a del
campo medio da buenos resultados.
Considere una retı́cula con N sitios, R = a(n1 , n2 , . . . , nd ), donde d es la dimensión
del espacio, a es la longitud de la retı́cula, y los ni son enteros. En cada sitio i hay
un espı́n si que toma el valor ±1. Sea {sk } una de las 2N posibles configuraciones
definida por la orientación de los espines en cada uno de los N sitios. El Hamiltoniano
(la energı́a) de tal configuración es
X X
H{sk } = −H si − J si sj (3.8)
i hi,ji
donde H, con unidades de energı́a, es el producto del campo magnético externo, B

(unidades de Teslas, T), por el momento magnético del espı́n, µ (unidades J/T). Es
41
Figura 3.15: A la izquierda: retı́cula rectangular (arriba) y hexagonal (abajo) en dos

dimensiones. Con lı́neas continuas se unen los sitios vecinos más próximos, con lı́neas
a trazos se muestra la retı́cula dual obtenida de bisecar los enlaces originales. Los
valores de v son 4 para las dos retı́culas rectangulares, 3 y 6 para la hexagonal y
triangular. Tomada de Newell y Montroll (1953). A la derecha una retı́cula cúbica
simple, con v = 6
decir se expresa H como H = µB para hacer explı́cito el producto, pero frecuen-

temente se usa el término campo magnético externo para el parámetro H, lo que
equivale a tomar µ = 1. Por ejemplo en la Ec. (3.1), si la derivada es con respecto a
este parámetro H, es necesario multiplicar por µ = ∂H/∂B, pues el campo magnético
es B. Obviamente, si µ = 1 no hay diferencia. La otra constante, J es la energı́a de
acoplamiento, si J > 0 la interacción tiende a alinear los spines, por ejemplo si dos
espines vecinos tienen igual orientación la energı́a es −J y si tienen orientación dife-
rente es J. La segunda suma es sobre todos los spines vecinos (hay v = 2d por cada
sitio interior en retı́culas rectangulares de dimensión d). Una manera equivalente de
expresar el Hamiltoniano es mediante
X
H{sk } = − si (H + 21 JsV (i) ), (3.9)
i
en la que
X
sV (i) = sj (3.10)
j∈hi,ji
es la suma de los espines vecinos al sitio i.
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
H(s1 , s2 , s3 ) = −H(s1 + s2 + s3 ) − J(s1 s2 + s2 s3 ),
y la función de partición es
Z =e−βH(1,1,1) + e−βH(1,1,−1) + e−βH(1,−1,1) + e−βH(1,−1,−1)

+ e−βH(−1,1,1) + e−βH(−1,1,−1) + e−βH(−1,−1,1) + e−βH(−1,−1,−1)
=eβ(3H+2J) + eβH + eβ(H−2J) + e−βH
+ eβH + e−β(H+2J) + e−βH + e−β(3H−2J)
Magnetización y Susceptibilidad
Conviene verificar el cálculo de M usando la Ec. (2.30)

∂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 }
y por tanto la magnetización es
X
M= (Σsi )k Pr{sk } = hΣsi i = N hsi i.
{sk }
43
De manera semejante se verifica el cálculo de la susceptibilidad χT en la Ec. (2.32),

 

∂M ∂ X P P
χT = = (Σsi )k Z −1 eβ(H si +J si sj ) 
∂H T ∂H
{sk }
T
X P P
2 −1 β(H si +J si sj )
= β (Σsi )k Z e
{sk }
 2
X P P
−βZ −2  (Σsi )k eβ(H si +J si sj ) 
{sk }
= β(h(Σsi ) i − hΣsi i2 ) = β Var[Σsi .]

2
por lo tanto
kT χT = h(Σsi − hΣsi i)2 i = h(Σsi − hΣsi i)(Σsj − hΣsj i)i.
La última expresión corresponde a la suma de la función de correlación, también

denominada longitud de correlación, que denotamos como Σi,j Γi,j donde
Γi,j = Γ(ri , rj ) = h(si − hsi i)(sj − hsj i)i = hsi sj i − hsi i2 ,
solo depende de la distancia para el caso homogéneo. En el punto crı́tico la suscepti-

bilidad diverge porque la longitud de correlación diverge.
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
∂U N ∂hEi ∂β N ∂hEi N E12 e−E1 /kT

CV = = =− 2 = .
∂T ∂β ∂T kT ∂β kT 2 (1 + e−E1 /kT )2
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
Cuando µB/kT 1 se aplica que tanh x ∼ x para obtener hM i = µ2 B/(kT ), en

contraste para B/kT → ∞ se tiene hM i = µ.
Figura 3.18: La magnetización promedio hM i en un paramagneto se satura con el

campo magnético aplicado B/T . Tomada de Dill y Bromberg (2003)
Lo anterior se puede escribir de una manera ligeramente diferente con h = βµB,

tomando J = 0 en la Ec. (3.8), lo que corresponde a ausencia de interacciones. Las
probabilidades son Pr[si = 1] = z −1 exp(h), y Pr[si = −1] = z −1 exp(−h), donde z =
exp(h) + exp(−h) = 2 cosh h. El valor adimensional h determina el comportamiento
del spin. Si T es grande o B es débil y por tanto h > 0 es pequeño, la probabilidad
de que el spin se alinee con B es sólo ligeramente mayor que la probabilidad de que
sea opuesto. Pero si h es grande es mucho más probable la alineación.
El promedio del spin es
hsi i = z −1 [exp(h) − exp(−h)] = tanh h. (3.12)
La magnetización de un espı́n es M = µsi , luego
hM i = µ tanh h. (3.13)
La susceptibilidad magnética es χ = ∂M/∂B a temperatura constante, luego
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
Teorı́a de Campo medio

Esta teorı́a de campo medio es una aproximación al problema original. La dificultad
para resolver la Ec. (3.8) viene de las interacciones. Tanto que sólo hay soluciones
explı́citas para los casos de 1 y 2 dimensiones. Una estrategia es recurrir a aproxima-
ciones.
Una manera simple de visualizar la teorı́a del campo medio es la asumir, para sim-
plificar, que la interacción que cada spin recibe de los vecinos corresponde al campo
promedio. Para esto la Ec. (3.8) se reemplaza con
 
X X X
H0 {sk } = − si H + J hsj i = − Hef (i)si , (3.15)
i j∈hi,ji i
P
donde Hef (i) = H + J j∈hi,ji hsj i. Aplicando el resultado anterior (Ec. 3.12)
hsi i = tanh βHef (i)
Si el sistema es invariante a traslaciones y se toma H = 0, esto se puede escribir como

hSi = tanh βJvhSi , (3.16)
donde v es el número de vecinos cercanos.

Una manera sistemática de desarrollar la aproximación del campo medio es mediante
la llamada desigualdad de Bogoliubov
F ≤ Φ = F0 + hH − H0 i0 (3.17)
donde F es le energı́a libre exacta del sistema, H es un Hamiltoniano de prueba que

depende de un parámetro H0 , F0 es la energı́a libre correspondiente a tal aproxima-
ción, y h·i0 denota el promedio con respecto al Hamiltoniano de prueba. La energı́a
libre del campo medio se define minimizando Φ con respecto al parámetro variacional
H0 .
Fcm = mı́n Φ. (3.18)
H0
Esto da la mejor aproximación posible. La selección usual es tomar H0 como el Ha-

miltoniano sin interacciones, lo que permite cálculos explı́citos.
Considere el modelo Ising con campo externo H = 0 en una retı́cula con N sitios y v
vecinos próximos por sitio. El Hamiltoniano de prueba es
X
H0 = −H0 si , (3.19)
i
donde H0 se denomina el campo medio. Este es el Hamiltoniano de un paramagneto

que se estudió en la Sección 3.2, por lo tanto, de acuerdo a la Ec. (3.14) con B = H0
y µ = 1 se tiene
F0 = −N kT ln(2 cosh βH0 ), (3.20)
47
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
La factorización en el término de las interacciones es posible porque H0 sólo contiene

sitios aislados, en términos probabilı́sticos los espines si y sj son independientes, luego
el valor esperado del producto es igual al producto de los valores esperados. Para un
sistema invariante ante traslaciones se tiene hsi i0 = hsj i0 = hSi0 y las sumas dan
hH − H0 i0 = −JvN hSi20 /2 + N H0 hSi0 , (3.22)
donde vN/2 es el número de enlaces en la retı́cula. Substituyendo las Ecs. (3.20) y

(3.22) en la definición de Φ en la Ec. (3.17) se obtiene
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
H0 = Jv tanh βH0 , (3.24)
lo que se puede expresar de manera equivalente como H0 = JvhSi0 usando de la Ec.

(3.21) para obtener por este camino de nuevo la Ec. (3.16),

hSi0 = tanh βJvhSi0 . (3.25)
Por lo tanto, la energı́a libre del campo medio se encuentra de substituir este resultado
en la Ec. (3.18)
Fcm = −N kT ln(2 cosh βJvhSi0 ) + N JvhSi20 /2. (3.26)
La magnetización de campo medio depende de la temperatura, para hacer explı́cito

esta dependencia hay que resolver la Ec. (3.25). Una manera es graficar la recta
y1 = hSi0 y la curva y2 = tanh βJvhSi0 para diferentes valores de T . Los puntos de
intersección corresponden a las soluciones. Es claro que para valores de T mayores que
un cierto valor que llamaremos Tc , y que se va a calcula en seguida, la única solución
es hSi0 = 0, es decir un paramagneto. Mientras que para T < Tc hay adicionalmente
otras dos soluciones simétricas que corresponden a la magnetización espontánea. De
acuerdo a la aproximación del campo medio la temperatura crı́tica Tc se obtiene de
igualar las pendientes de las curvas y1 y y2 , lo que corresponde a
kTc = Jv. (3.27)
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
Es decir, la temperatura crı́tica en esta aproximación sólo depende de v y de J, y es

independiente de la dimensión del espacio. Este resultado no es correcto, pues predice
transición de fase independiente de la dimensión y desde Ising se sabe que esto no
es ası́ para una dimensión. Sin embargo, para v grande la aproximación es adecuada.
La teorı́a de campo medio predice transición de fase continua de paramagneto a fe-
rromagneto a la temperatura crı́tica dada por Ec. (3.27). Aunque esta predicción es
errónea para una dimensión y la aproximación no es buena para 2 y 3 dimensiones,
si lo es para dimensiones mayores y además representa bien el comportamiento cua-
litativo. Una manera de verificar esto es mediante los exponentes anómalos. Usando
la definición de la desviación adimensional de la temperatura con respecto a la tem-
peratura crı́tica (Ec. 3.2) y la expresión para esta (Ec. 3.27), el promedio del espı́n
(Ec. 3.25) se puede expresar como

hSi0
hSi0 = tanh , (3.28)
1+t
49
que se puede aproximar en series de potencia para valores pequeños de t y de hSi0

para obtener
hSi0 ∼ (−t)1/2 .
De manera semejante se pueden obtener otros exponentes.
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
Figura 3.20: Variación de la energı́a libre F con la magnetización m para valores

decrecientes del parámetro a2 , (a) a2 > 0, (b) a2 = 0, (c) a2 < 0, (d) a2 << 0.
Adaptada de Yeomans 1992
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
El punto es que el cociente de las contribuciones a Z de los términos de la forma
51
Z± = e−βH± para los dos estados degenerados es
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
lı́m lı́m Z 6= lı́m lı́m Z.

→0 N →∞ N →∞ →0
El procedimiento de introducir un campo que rompa la simetrı́a y luego tomar el lı́mite

termodinámico y finalmente remover el campo es un procedimiento muy general para
explicar la pérdida de simetrı́a.
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
donde a es el espaciamiento entre sitios de la retı́cula. Los números de ocupación ni

para el sitio i son n= 1 si el sitio i está ocupado y n= 1 si el sitio está vacı́o. La energı́a
de interacción EG es función de los números de ocupación en toda la retı́cula y se
expresa como X
EG {n} = ni nj .
hi,ji
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
Figura 3.21: Esquema de las estructuras de moléculas de surfactantes a medida que

la concentración se incrementa. Tomada de Yeomans 1992
Una segunda aplicación es en el estudio de aleaciones binarias, es decir formadas por

dos tipos de átomos. Por ejemplo el bronce está organizado en una retı́cula cúbica
centrada en el cuerpo, conformada por átomos de zinc, Zn, y cobre, Cu. A temperatura
T = 0, la retı́cula es completamente ordenada y un átomo de Cu está rodeado por
átomos de Zn y viceversa. A temperaturas positivas, los átomos pueden intercambiar
lugares. Por encima de una temperatura crı́tica, Tc = 742 K, los átomos de Zn y
de Cu se mezclan completamente, de tal manera que la probabilidad de encontrar
un átomo de Zn en cualquier sitio de la retı́cula es 1/2, igual para el átomo de Cu.
Para modelar este tipo de aleaciones binarias, se toma una retı́cula de N sitios, y dos
clases de átomos con NA átomos del tipo A, y NB átomos del tipo B. Cada sitio tiene
precisamente un átomo, luego NA + NB = N . La ocupación de cada sitio es n1 = +1
si el sitio i está ocupado por un átomo del tipo A, o ni = −1 si está ocupado por un
átomo del tipo B. Es posible calcular las interacciones y aplicar el modelos Ising.
En soluciones de compuestos surfactantes se forman transiciones de fases a medida
que la concentración aumenta como se ilustra en la Figura 3.21. Estas moléculas
tienen una estructura polar, con un grupo en la cabeza que es muy soluble en agua y
una cola de hidrocarburos que es apenas soluble. Como consecuencia, estas moléculas
se organizan de tal manera que la cabeza está próxima a las moléculas de agua y la
cola lo más lejos o resguardada de ellas. Por ejemplo, si hay una superficie migran
hacia ella y se colocan cabeza abajo. Esto baja la tensión superficial y explica su uso
como jabones o detergentes. A medida que se aumenta la concentración se forman
micelas, que son grupos de moléculas organizadas en forma de esfera o cilindro de tal
manera que las cabezas forman un escudo para proteger las colas de las moléculas del
agua. Si se continua aumentando la concentración puede ocurrir otra transición a la
organización de las micelas en forma hexagonal o cúbica, con espacios llenos de agua.
También pueden haber transiciones a fases laminares.
53
3.3. Simulación Montecarlo

El conocimiento de la función de partición es en teorı́a suficiente para calcular todas
las variables de interés. Esta afirmación aunque válida adolece de dos problemas. El
primero es el del lı́mite termodinámico. Se sabe que no hay transiciones de fase sino
en el lı́mite, por lo tanto las aproximaciones finitas no necesariamente incluyen toda
la complejidad. La segunda objeción es práctica. La función de partición, Ec. (3.11),
tiene 2N términos lo que hace costoso, incluso prohibitivo, el cálculo para valores
moderados de N .
La estrategia normalmente usada es el muestreo. No es necesario usar todas las posi-
bles configuraciones para obtener una aproximación aceptable del promedio de alguna
variable, por ejemplo la energı́a o la magnetización, definida por
−βH
P
{S} Ae
hAi = P −βH
, (3.32)
{S} e
puede aproximarse mediante

n
1X
hAi ≈ Ai (3.33)
n i=1
tomando cuidado en escoger las n configuraciones {S}i usadas para el cálculo de
Ai de tal manera que estén cerca a equilibrio termodinámico. Afortunadamente la
mecánica estadı́stica predice que el sistema permanece la mayor parte del tiempo cer-
ca al equilibrio, y las variables observadas Ai = hAi + O(2−N/2 ). Para esto existe una
estrategia de muestreo conocida con el nombre de Simulación Montecarlo, especı́fica-
mente el algoritmo de Metropolis (Metropolis, A. W. Rosenbluth, M. N. Rosenbluth,
A. H. Teller y E. Teller 1953), que garantiza que el promedio muestral en la Ec.
(3.33) se acerque al valor esperado, el promedio ponderado por la probabilidad en
la Ec. (3.32). El método se apoya en la teorı́a de cadenas de Markov. El método se
aplica si se conoce una función proporcional a la distribución, en este caso e−βH . Para
esto se construye una cadena de Markov que tiene como distribución estacionaria la
distribución deseada garantizando una relación de balance para las probabilidades de
transición. En nuestro caso la probabilidad de transición necesaria es
(
1 si H{si } > H{sf },
Pr[{si } ⇒ {sf }] = Pr[{sf }|{si }] = (3.34)
e−β(H{sf }−H{si }) si H{si } ≤ H{sf }.
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
1. Inicialice los sitios,

Datos entrada los espines,
el contador
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
Figura 3.22: Diagrama para simulación Montecarlo. (Yeomans 1992) 55

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
También se requiere definir el número total de iteraciones, m; el número de iteraciones

que se usarán para calentar el sistema, mc y que no se tendrán en cuenta para el cálculo
de los promedios y totales e inicializar el contador de iteraciones, it .
Cambio temporal de Espı́n

Se puede usar una secuencia sistemática de cambio de los espines o seleccionar al azar
el espı́n a cambiar. Suponga que el espı́n seleccionado está denotado por el subı́ndice
c. El cambio en la energı́a que resultarı́a del eventual cambio de sc a −sc es
∆H = H{sf } − H{si } = 2sc (H + JsV (c) )
Criterio de aceptación
Se calcula
r = exp(−∆H/kT ), (3.35)
se procede a generar un número al azar, u con distribución uniforme entre 0 y 1. El

criterio de aceptación es r > u y el criterio de rechazo del cambio es r ≤ u.
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 ).
Se producen los informes correspondientes
3.4. Ejercicios
3.4.1 (Simulación). Defina una retı́cula en 2 o tres dimensiones para representar un

ferromagneto. Realice simulaciones aplicando el algoritmo Metropolis para al menos
5 valores de temperatura (2 por debajo, una igual y 2 por encima de la temperatu-
ra crı́tica) y al menos 5 valores del campo magnético (2 negativos, uno cero y dos
positivos). Calcule la energı́a libre, la magnetización y la susceptibilidad. Reproduz-
ca las Figuras 3.1, 3.3, 3.4, 3.5 y 3.6. Presente sintéticamente el procedimiento, los
resultados y el análisis correspondiente.
3.4.2 (Aplicación). El modelo Ising ha sido aplicado a variadas situaciones. Nos intere-
san en particular las aplicaciones a temas socio-ambientales. Selecciona una aplicación
y describa la correspondencia entre variables y comportamientos con el ferromagne-
to. Elabore sobre el tipo de preguntas que este tipo de herramientas puede ayudar a
responder.
3.4.3 (Detalles). Es obligatorio el debido crédito a las fuentes (referencias). No es
obligatorio la elaboración de un código de programación original, pero se recomienda,
57
en cualquier caso es necesario comprender su funcionamiento. Es posible usar cual-

quier lenguaje de programación, inclusive Excel. Lo más importante es el análisis de
resultados. Por ejemplo, el número de sitios en la retı́cula influye en los resultados.
La originalidad en la aplicación tiene mérito adicional.
58
Capı́tulo 4
Criticalidad Auto Organizada
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
(TFLC, Sección 8.6) de teorı́a de la probabilidades (Bhattacharya, Gupta y Waymire

1983).
Se procede primero a dar una interpretación fı́sica al escalamiento usando el concepto
de semejanza, apoyado en análisis dimensional. Esta sub-sección se reproduce de
(Mesa 2018, S. 3.1). A continuación se presenta el escalamiento en la función de auto-
correlación mediante el llamado fenómeno de Hurst. Se concluye con el tema de las
distribuciones estables, también conocidas como de cola pesada. En todos los casos
se procura no sólo presentar los procedimientos de cálculo o estimación sino además
la importancia del 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
En particular si k = 1 se desprende que f (x) = cxn .

El teorema Pi de Buckingham, o simplemente el teorema Π, es la conceptualización de
esta potente idea que permite simplificar la matemática, por ejemplo permite reducir
el número de argumentos necesarios de las funciones que expresan una ley fı́sica, o
cambiar una ecuación en derivadas parciales por una ecuación diferencial ordinaria.
El teorema dice (Barenblatt 2003, p. 25):
Teorema 4.2.1 (Π). Una relación fı́sica entre una cantidad dimensional dependiente
y varias variables independientes que la determinan se puede escribir como un produc-
to adimensional que contiene la variable dependiente en función de otros productos
adimensionales independientes. El número de estos productos independientes es igual
al número total de variables que la determinan menos el número de dimensiones
independientes contenido en estas variables.
Sea a la variable dimensional dependiente, y sean a1 , . . . , ak , b1 , . . . , bm las k + m = n

variables que la determinan, k de ellas con dimensiones independientes. Con esta
notación, a = f (a1 , . . . , ak , b1 , . . . , bm ) puede re-escribirse como Π = Φ(Π1 , . . . , Πm ),
con Π = aa−p −r
1 · · · ak , y los productos adimensionales Πi = bi a1
−pi
· · · a−r
k
i
para i =
1, . . . , m. De acuerdo a las definiciones, los exponentes pi , . . . , ri se pueden obtener
de la solución de un sistema elemental de ecuaciones lineales.
61
Un ejemplo clásico para ilustrar el teorema-Π es la fórmula para T , el perı́odo de

pequeñas oscilaciones de un péndulo de masa m y longitud ` bajo la acción de la
aceleración de la gravedad g. Los tres parámetros determinantes (m, `, g) tienen di-
mensiones independientes (M, L, LT −2 ). Por lo tanto el número de productos adi-
mensionales de las variables independientes es n − k = m = 3 − 3 = 0, lo que implica
que el producto, Π, que contiene el perı́odo es una constante. Lo que se puede escribir
como T g 1/2 `−1/2 = constante (Barenblatt 2003, p. 132). Esta constante no puede
obtenerse del análisis dimensional, requiere otro argumento teórico o experimental.
En este ejemplo la constante es 2π, la fórmula es
p
T = 2π `/g.
La mayorı́a de los ejemplos exitosos de aplicación del análisis dimensional comparten

una propiedad importante no siempre enfatizada, pero muy necesaria. Hay una ma-
nera clara de separar entre variables importantes y variables que no son significativas,
bien por muy grandes o muy pequeñas. Por ejemplo (Gibbings 2011, p. 119), es po-
sible derivar la tercera ley de Kepler usando sólo análisis dimensional. La variable de
interés es T , el perı́odo de rotación del planeta que depende de su masa m, la masa
del Sol M , las dimensiones de la órbita representadas por los semi-ejes de la elipse a
y b, y la constante universal de gravedad G. Esto da origen a tres productos, uno que
involucra al perı́odo y otros dos independientes, que pueden ser a/b, o en términos
de la excentricidad, e2 = 1 − (b/a)2 , y el otro la relación entre las masas, m/M . Es
decir,
GM T 2
= f (m/M, e).
a3
Aunque hasta acá hay un avance no despreciable, es posible ir mucho más allá si se
considera que los dos números adimensionales a la derecha son pequeños y por lo
tanto no deben jugar un papel significativo. Esta consideración importante desde el
punto de vista fı́sico, en términos matemáticos se traduce en que la función f tiende
a un lı́mite no trivial cuando sus dos argumentos tienden a cero. En este contexto,
no trivial significa que el lı́mite es un número diferente a cero o a infinito. Por otros
argumentos se sabe que en este caso el lı́mite es 4π 2 . En general se dice que un
problema es “auto semejante de primer orden” si existe el lı́mite de la función f y
este lı́mite no es trivial cuando alguno de los productos adimensionales va a cero (o
a infinito si se toma el recı́proco) (Barenblatt 2003, p. 84).
Pero hay muchos casos en los cuales un producto adimensional no se puede despreciar
a pesar de ser o muy grande o muy pequeño. Matemáticamente esto significa que ó el
lı́mite de f no existe o es trivial (cero o infinito). En estos casos se pierde la capacidad
de simplificación que da la auto semejanza de primer orden. No se pueden despreciar
las variables correspondientes, que aunque pequeñas siguen jugando un papel. Existe
una generalización del concepto de auto semejanza que se puede aplicar a algunos
de estos casos, aquellos para los cuales existe el lı́mite trivial. Consiste en suponer
que el lı́mite (a cero o a infinito) es potencial. Esto se conoce como “auto semejanza
asintótica de segunda clase”. En Barenblatt (1996, chap. 5) se desarrolla el concepto
a mayor profundidad. Para determinar los exponentes, que van a ser anómalos, es
decir no son los que indica el análisis dimensional, se requiere de otras herramientas,
62
4.2. Escalamiento
‘grupos de renormalización’ en mecánica estadı́stica por ejemplo. No es posible su

determinación mediante el análisis dimensional.
Un ejemplo simple es la determinación de la longitud de una curva fractal, en contraste
con la de una curva suave (Barenblatt 2003, p. 132). Sea Lη la longitud de la poligonal
de segmentos de longitud ξ que aproxima la curva continua, que va entre dos puntos
separados por la distancia η. Lη depende de los dos parámetros dimensionales η y ξ.
La aplicación del análisis dimensional da Lη = ηf (η/ξ). Para una curva suave, por
ejemplo un semi cı́rculo, a medida que ξ → 0 el argumento η/ξ → ∞ y la función f
va a un lı́mite, no trivial, en este caso π/2. Mientras que para una curva fractal, el
lı́mite de f cuando η/ξ → ∞ es infinito. De hecho, de la geometrı́a fractal se sabe que
f (η/ξ) ' (η/ξ)D−1 .
El exponente anómalo D > 1, la dimensión fractal, no se puede determinar del análi-

sis dimensional. Barenblatt (1996) presenta un método para proceder en estos casos
y numerosos ejemplos de turbulencia, relaciones alométricas en biologı́a, aguas sub-
terráneas, entre otros.
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,
Rn = máx St − mı́n St . (4.1)

{0≤t≤n} {0≤t≤n}
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
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)
Para un proceso estocástico auto semejante, estacionario, no trivial, existe un único

exponente positivo H tal que b = aH . Los procesos auto-semejantes no tienen escala
caracterı́stica, en el sentido de que las propiedades temporales tanto locales como
de gran escala son semejantes. La estructura geométrica de las trayectorias puede
ser caracterizada por la dimensión fractal. Pero si las propiedades locales y de gran
escala de un proceso estocástico son independientes, entonces no hay auto-semejanza
(Gneiting y Schlather 2004).
Para el caso de varianza finita, sea ρ(s) la correlación de rezago s de un proceso
estocástico estacionario continuo. El comportamiento asintótico de ρ(s) cuando s →
64
4.2. Escalamiento
∞ determina la presencia o ausencia de la dependencia de largo alcance. Si

1
lı́m ρ(s) ∼ , β ∈ (0, 1], entonces H = (1 + β)/2. (4.4)
s→∞ |s|1−β
La dependencia de largo alcance, o persistencia, corresponde al caso H ∈ ( 12 , 1). Si

H < 21 se tiene anti-persistencia, y las fluctuaciones de alta frecuencia dominan. En
el caso unidimensional, esto puede ser expresada en términos de la densidad espectral
Z ∞
P (f ) = e−2πif s ρ(s) ds. (4.5)
−∞
Para el caso de dependencia de largo alcance
P (f ) ∼ |f |−β cuando |f | → 0. (4.6)
Ahora, las propiedades locales dependen de ρ(s) cerca s = 0. Si
1 − ρ(s) ∼ |s|−κ cuando s → 0, para algún κ ∈ (0, 2], (4.7)
entonces la dimensión fractal de las trayectorias en un espacio m dimensional es

(Gneiting y Schlather 2004)
D = m + 1 − κ/2. (4.8)
Un ejemplo bien conocido de un proceso auto semejante con varianza finita es el

movimiento fraccional browniano (MFB) (BH (t), t ≥ 0), un proceso gaussiano con
media cero, inicia en cero en el tiempo cero BH (0) = 0, los incrementos cumplen
E[BH (t) − BH (s)]2 = σ 2 |t − s|2H , para constantes σ > 0 y H ∈ (0, 1] dadas. Este pro-
ceso tiene incrementos estacionarios. En el caso H = 1/2 es el movimiento browniano.
d
Claramente este proceso tiene la propiedad de auto-semejanza, BH (ct) = cH BH (t),
para cualquier c > 0, t ≥ 0. El ruido fraccional gaussiano (RFG) es un proceso de
tiempo discreto definido mediante los incrementos del MFB, Xn = BH (n)−BH (n−1),
para n = 1, 2, . . .. Este proceso es estacionario por la estacionariedad de los incremen-
tos de BH (t). Su covarianza es Cov(Xj+n , xj ) = 21 σ 2 [(n + 1)2H + |n − 1|2H − 2N 2H ].
Usando la propiedad de auto-semejanza se puede mostrar que para este proceso Rn∗
crece a la tasa nH (Samorodnitsky 2007).
El caso de varianza infinita necesita una consideración separada porque existe la
posibilidad de que la auto semejanza venga de distribuciones estables no Gaussianas.
En este caso, el exponente de escala puede tener contribuciones por la dependencia a
largo plazo y/o por el exponente de la distribución estable. Mandelbrot y Wallis (1968)
se refirió a la primera fuente como el efecto de José, y a la segunda como el efecto de
Noé usando referencias bı́blicas. Un proceso que exhibe discontinuidades marcadas,
debido a cambios abruptos puede tener varianza infinita. Ambas causas pueden ocurrir
simultáneamente en los sistemas naturales. Una representación adecuada de estas
propiedades es muy importante en las aplicaciones. Por ejemplo, la estimación de la
probabilidad de ocurrencia de eventos extremos es muy sensible a la existencia del
segundo momento.
65
El caso general de los procesos de auto-semejantes con varianza infinita es complejo

(Samorodnitsky 2007). Para dejar en claro los puntos principales se toma un modelo
tı́pico, el llamado movimiento estable fraccional lineal, que a la vez tiene dependencia
de memoria infinita y varianza infinita. Está construido siguiendo el modelo corres-
pondiente al caso MFB pero con incrementos estables no gaussianos. Recordemos
que una familia de variables aleatorias independientes, X1 , X2 , . . ., tiene una distri-
d
bución estable con exponente caracterı́stico α, si X1 + X2 + . . . + Xn = n1/α X1 , para
0 < α ≤ 2. En el caso simétrico, la función de distribución acumulativa complemen-
taria decae con una ley de potencia, P (X > x) ∼ x−α .
De manera análoga a la construcción del ruido fraccional gaussiano a partir del movi-
miento browniano, se procede a partir del movimiento estable fraccional lineal con la
construcción el llamado ruido estable fraccional lineal, mediante sus incrementos, que
son estacionarios con exponente de escalamiento auto semejante dado por (Franzke,
Graves, Watkins, Gramacy y Hughes 2011)
1 1
ϑ=H− + , 0 < ϑ < 1. (4.9)
2 α
Esta notación es diferente a la de Franzke, Graves, Watkins, Gramacy y Hughes (2011)
o Mandelbrot (2002). Acá, H − 12 representa la contribución al exponente de escala
proveniente de la persistencia de largo alcance, y 1/α representan la contribución
al escalamiento que viene de la distribución estable no gaussiana; su suma, ϑ, es
el exponente total de escalamiento. La distinción entre H y ϑ es importante. No
todas las series de tiempo observadas tienen fluctuaciones gaussianas y algunos de los
métodos estadı́sticos utilizados para analizar series temporales pueden ser insensibles
a las colas pesadas, detectando H y no ϑ o viceversa. Es útil poder estimar ambos.
Observe que el caso extremo α = 2 corresponde a la distribución gaussiana, y en este
caso ϑ = H, como debe ser.
Claramente, la varianza infinita es otra causa posible a discernir además de la no
estacionariedad y la dependencia a largo plazo. En este caso, incluso para un proceso
estacionario de memoria corta, la convergencia no es a un proceso gaussiano, el re-
sultado teórico se llama teorema del lı́mite no central (Samorodnitsky 2007, p. 202).
Sin embargo, como Mandelbrot y Taqqu (1979) mostraron, la varianza infinita por sı́
sola no puede explicar el fenómeno de Hurst como se sugirió en las primeras etapas
(Moran 1964). Esto se debe a la función de la normalización en el análisis estadı́stico
del rango re-escalado R/S.
La estimación de H o ϑ o de ambos a partir de registros muestrales es un tema de-
licado porque las longitudes de registro son generalmente limitadas. En las primeras
etapas la mayorı́a de los estimadores de H se tomaron en términos de la pendiente de
la regresión lineal de Rn∗ vs. n en el espacio logarı́tmico. Posteriormente se introdu-
jeron estimadores espectrales utilizando el peridograma. La lista fue posteriormente
enriquecida con el análisis de fluctuaciones, la onditas y otros métodos. De éstos, los
dos últimos estiman el exponente de escalamiento auto semejante ϑ, mientras que el
resto son métodos de estimación de H. Hay una larga lista de aplicaciones de este
tipo de estimadores a una amplia variedad de registros que no son revisados aquı́, ver
por ejemplo Beran (1994) y Franzke, Graves, Watkins, Gramacy y Hughes (2011).
66
4.2. Escalamiento
A continuación se presenta una breve descripción de los métodos de estimación del

exponente H. Dada una serie, xt , de longitud N , se divide el registro en Nn = N/n
segmentos disjuntos de tamaño n. El diagrama R/S es una gráfica en escala log-log
plot del rango ajustado re-escalado Rn∗ (equation 4.1) para cada segmento contra el
tamaño del segmento n. La pendiente de este diagrama se ha usado como un estimador
del exponente H de Hurst. Este procedimiento asume una estructura auto semejante.
Recientemente se han desarrollado otros métodos que se basan en la estimación de las
fluctuaciones al rededor de las tendencias para cada segmento. El punto de partida
de estos métodos es la cantidad St (ecuación 4.1), que en probabilidades se conoce
como la posición en una caminata aleatoria. La partı́cula se mueve un paso de longi-
tud xt − x desde su posición anterior en St−1 . Si los pasos se describen por variables
aleatorias independientes, el desplazamiento medio cuadrático crece proporcional a t,
pero la dependencia de largo plazo puede producir crecimiento superlineal. La esti-
mación de la tasa de crecimiento del desplazamiento cuadrático medio es la base del
método denominado Análisis de Fluctuaciones, FA por las siglas en Inglés (Koscielny-
Bunde, Kantelhardt, Braun, Bunde y Havlin 2006). Para cada segmento se estima la
fluctuación mediante F 2 (k, n) = (Skn − S(k−1)n )2 , y la fluctuación media como
s
1 X 2
F (n) = F (k, n). (4.10)
Nn
k
Nuevamente, la pendiente en el diagrama log-log de F (n) vs. n se usa como el estima-

dor del exponente de Hurst. Este es el llamado diagrama de Análisis de Fluctuación
(FA).
Sin embargo, tanto la estimación por los métodos R/S o FA pueden fallar debido a
la presencia de tendencias en el registro, lo que lleva a sobre estimar el exponente.
Ahora, los registros producto de procesos con correlación infinita pueden mostrar una
tendencia para desviaciones positivas o negativas por perı́odos largos que pueden pa-
recer tendencias. Por esta razón, el análisis FA se ha generalizado al llamado Análisis
de Fluctuación con tendencia removida (DFA). Para eliminar la tendencia, un poli-
nomio yn de orden p se ajusta a los datos en cada segmento k de longitud n mediante
mı́nimos cuadrados. La varianza de la curva residual se estima mediante:
n
1X
Fp2 (k, s) = (S(k−1)n+t − yn (t))2 . (4.11)
n t=1
De manera semejante a como se hizo en la ecuación (4.10) se estima la fluctuación

media de orden p, que se denota mediante Fp (n), y se procede a estimar la pendiente
del diagrama log-log de Fp (n) vs. n para estimar el exponente de Hurst, el llamado
DFAp . Normalmente, es suficiente con el ajuste de tendencia lineal y cuadrática.
Otro método común para la estimación del exponente de Hurst de una serie de tiempo
es mediante la densidad del espectro de potencias. Como lo indica la ecuación (4.5),
la pendiente −β del diagrama log-log de P (f ) vs. f , cuando f → 0, está relacionada
con el exponente de Hurst mediante H = (1 + β)/2. La densidad espectral se puede
estimar de diversas maneras. Es común usar los llamados ajustes (tappers) (Perci-
val y Walden 1993). El método de multi ajustes usa sucesiones discretas esferoidales
67
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)
Por lo tanto, para un movimiento FBM, un proceso no estacionario con incrementos

auto semejantes, el exponente del diagrama DFA, H + 1, está en el rango [1, 2], β, el
exponente del espectro, está en el rango [1, 3], y hay que aplicar la ecuación (4.12).
Mientras que para el caso estacionario FGN, el exponente del diagrama DFA, H, está
en el rango [0, 1], β en el rango [−1, 1], y se aplica la ecuación (4.4). Hay que recordar
que esto sólo es válido bajo la hipótesis de auto semejanza.
4.3. Incendios Forestales

Como se indicó en la Introducción, un fenómenos crı́tico corresponde a comporta-
miento macroscópico de escalamiento resultado del ajuste de un parámetro. En el
caso de los incendios forestales el modelo correspondiente es el de percolación, que
tiene un punto crı́tico claro. Se ha propuesto una modificación que lleva a la criticali-
dad auto-organizada como resultado del des equilibrio que resulta tanto del suminis-
tro permanente de nuevos árboles como de chispas que pueden incendiar el bosque.
Se presenta primero el modelo crı́tico de percolación y luego el modelo CAO. Este
ejemplo ilustra bien la relación entre criticalidad y criticalidad auto organizada.
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
dice que la ocupación es al azar, cada sitio se ocupa independientemente de la ocu-

pación de los demás sitios. Sea p la probabilidad de ocupación de un sitio cualquiera.
Si se tienen n sitios en la retı́cula, con n grande, por la ley de grandes números hay
np sitios ocupados y (1 − p)n sitios vacı́os.
Historicamente la teorı́a de percolación tiene su origen en trabajos durante la II
Guerra Mundial sobre coagulación de polı́meros, es decir a la formación de una red
enlaces quı́micos que atraviesa todo el sistema originando un gel. Un ejemplo de
la coagulación es la cocción de un huevo que inicialmente es lı́quido y con el calor
produce un gel.
La aplicación inicial de las ideas de percolación a los incendios forestales tiene como
objetivo la comprensión de los conceptos de percolación más que la de desarrollar
una herramienta para ayudar a combatir los incendios. En particular se busca hacer
claridad con un ejemplo simple sobre la existencia de un umbral de percolación, la
transición brusca que se presenta en tal umbral y el escalamiento.
La pregunta inicial es sobre el tiempo que demora un incendio en penetrar un bosque
o en su defecto en extinguirse. Suponga que algunos árboles se incendian y que el
fuego puede extenderse a los árboles vecinos. La condición más simple para modelar
la propagación es considerar que en el estado inicial los árboles de la primera fila (caso
rectangular plano, fila superior) de la retı́cula se incendian y que no hay incendios en
las demás filas. Se procede a determinar los vecinos cercanos a un árbol encendido,
de acuerdo a la regla, estos se encienden. Por lo tanto en el primer recorrido un
árbol recién encendido prende sus vecinos a derecha, izquierda, arriba y abajo, en
caso de que esos sitios estén ocupados. Cada recorrido por toda la retı́cula constituye
un paso de tiempo en la simulación. Se asume también que un árbol que ha estado
encendido una etapa de tiempo se quema por completo en esa etapa, se apaga y se
convierte en un árbol quemado, que en etapas siguientes ya no puede encender los
vecinos, ni ser encendido por ellos. En consecuencia los posibles estados de un sitio
son cuatro: vacı́o, ocupado por árbol verde, ocupado por árbol encendido y ocupado
por un árbol quemado. La vida de un incendio forestal se define como el promedio
del número de pasos necesario para que una de dos condiciones se cumpla: o que el
incendio penetre todo el bosque, o que el incendio se extinga. La primera condición
se da si llega hasta la fila inferior. Como la ocupación es aleatoria es necesario usar
el promedio en la definición de la vida del incendio. El promedio se calcula sobre
diversas simulaciones con diferentes realizaciones de la ocupación de los sitios, con
todos los otros datos constantes. En la literatura hay ligeras variantes en la definición
de la vida del incendio y del algoritmo, pero las conclusiones básicas son semejantes.
En la Figura 4.1 se presentan los resultados de un conjunto de simulaciones con
diferentes probabilidades de ocupación y diferente tamaño de la malla. Se ve que
existe una transición brusca para la vida del incendio para una probabilidad p ≈ 0,6.
Para valores bajos de la probabilidad de ocupación, p < 0,6, no hay constelaciones
de árboles que crucen la malla de abajo a arriba, el incendio no percola, la vida
del incendio es corta. Para valores altos, p > 0,6, es muy probable que exista una
constelación que percola, lo que claramente ocurre en el lı́mite, p → 1, para una vida
igual al tamaño de la malla. Pero lo verdaderamente importante es la divergencia
de la vida para p ≈ 0,6. Para este caso el tamaño de la constelación percolante, tal
69
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.
Figura 4.1: Izquierda: Promedio de la vida de un incendio forestal en función de

la probabilidad de ocupación para una malla de 200 × 200 y 20 repeticiones para
el cálculo del promedio. Derecha: Máximo del promedio de la vida del incendio en
función del tamño de la malla.
Criticalidad Auto Organizada de Incendios

Esta Sección se apoya en Turcotte (1999) y en Lesne y Laguës (2012, p. 349). La
superficie se discretiza en una retı́cula, para tomar el caso simple digamos cuadrada.
En un instante dado un pixel está vacı́o o con árbol. El crecimiento lento de nuevos
árboles se modela mediante el llenado al azar de un pixel vacı́o a una tasa a1 . Es
decir, el tiempo medio entre eventos de pixeles plantados es ∆t1 = 1/a1 . La densidad
promedio de árboles, el promedio de la fracción de pixeles ocupados, se representa por
p(t), que es función del tiempo. Si no hay incendios, p(t) crece debido al crecimiento
de nuevos árboles. Usando el modelo de percolación de la sección anterior se puede
caracterizar completamente la estadı́stica de los racimos y la percolación de incendios
en función del parámetro p(t). Por otro lado, con una tasa más baja a2 se escoge un
pixel al azar y se descarga una chispa. Es decir el tiempo medio entre dos chispas es
∆t2 = 1/a2 ∆t1 . Si la chispa ocurre en un pixel ocupado por un árbol, este se
incendia, y el fuego se propaga rápidamente a todos los vecinos ocupados por árboles
con la regla anterior y ası́ sucesivamente. Es decir, el racimo completo se incendia,
pasa a ser tierra desocupada, lo que ocurre en un paso de tiempo. El rango del incendio
se mide por el número de pixeles quemados, que es igual al tamaño del racimo donde
cayó la chispa.
Bajo este esquema habrán perı́odos largos de reforestación, durante la cual la densidad
p(t) crece, separados por incendios de duración corta, durante los cuales la densidad
cae abruptamente. Si p(t) es bajo al comienzo, por debajo de la densidad crı́tica pc ,
de haber un incendio la constelación será normalmente de tamaño menor s(p) y por
lo tanto p(t) se verá afectada poco por el incendio y el bosque se recupera pronto.
Por otro lado, si p(t) > pc un pixel elegido al azar tiene un a probabilidad positiva
70
4.4. Sismicidad
de pertenecer a una constelación infinita. Un incendio por tanto normalmente será

de tamaño considerable y la caı́da de p(t) será significativa. Si se deja evolucionar el
sistema se observa numéricamente que p(t) → pc , es decir el sistema se auto orga-
niza para que la densidad tienda a la crı́tica. Esto se puede cuantificar mediante la
distribución del tamaño de los incendios, A que sigue una ley de potencia
P (A) ∼ A−µ , con µ ≈ 1,3.
La distribución de las fluctuaciones en la densidad es invariante ante cambios de
escala, es una ley de potencia que refleja la ausencia de un tamaño caracterı́stico
(aparte de los introducidos por el tamaño de la malla usada en la simulación, que es
artificial e introduce un truncamiento en la ley de potencias.
Una variación del modelo es sólo permitir que en una etapa de tiempo se quemen
árboles vecinos cercanos a árboles prendidos. En este caso, la vida del incendio T es
otra medida de su escala, y se observa también ley de potencia para su distribución.
En este caso, se reporta que las simulaciones reproducen bien datos observados en
incendios reales en Australia y América (Turcotte 1999).
Para terminar, hay que resaltar dos caracterı́sticas de este modelo que se van a encon-
trar en otros ejemplos de CAO: la amplia separación de escalas temporales entre la
reforestación (larga) y los incendios (corta) y la estabilidad global del punto crı́tico,
es decir la dinámica conduce a la criticalidad.
CAO es fundamentalmente un fenómeno colectivo. Muchas interacciones simples no
lineales se organizan gradualmente hasta desarrollar correlaciones de rango largo (in-
finito). Tales interacciones pueden contemplar por ejemplo umbrales. El sistema evo-
luciona a un estado donde muchas regiones correlacionadas están cerca al umbral. Por
lo tanto el sistema es sensible a pequeñas perturbaciones que se pueden amplificar.
La consecuencia a una causa pequeña es un evento de magnitud inconmensurable.
El estado crı́tico es estable ante perturbaciones, es decir regresa al punto crı́tico de
manera espontánea sin que exista un parámetro externo de control.
Por ejemplo, si se cambia la tasa de inyección de material o energı́a (en nuestro
ejemplo la tasa de reforestación a1 ) que mantiene el sistema lejos del equilibrio ter-
modinámico, no se afecta el comportamiento observado del sistema, en la medida
que el cambio sea moderado. El mecanismo de la CAO ilustra que el mecanismo que
produce los eventos pequeños o las grandes catástrofes es el mismo, y que en conse-
cuencia son impredecibles. Una condición de la CAO es que los sistemas deben ser
abiertos y disipativos. Pero es clave que las tasas de inyección y disipación deben ser
muy diferentes.
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
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
panning 20±N–45±N latitude

e was analyzed [6]. The total 10
−2 0.01
5 6 7 8 9
kes in the catalog is 335 076. 0 1 2 3 4 5 6 7 8
N"M . m# with a magnitude Magnitude m = log10(S)
e Gutenberg-Richter law [1]
! 0.95 (see Fig. 1). FiguraFIG. 4.2:
1. The Leynumber de Gutenberg-Richter:
of earthquakes N"M . m# with a mag- log10 (N ) = −bML + a, con N el número
is was carried out as follows. nitude larger than m per year (open circles). The dashed line is
de
grid with cells of size L 3 L
sismos por año
the Gutenberg-Richter lawcon magnitud
log10 N"M . m# ~ 2bm, bmayor
! 0.95. que ML (Gutenberg y Richter 1944). A la
The deficit at small magnitude m # 2 is related to the prob-
waiting time T as the timeizquierda
lems withdatos de 335
detecting small 076sosismos
earthquakes, en California,
only earthquakes with con magnitud mayor que 2 se estima
ing of two successive earth- m $ 2 will be considered.
b = 0,95, adaptada de Bak, Christensen, Danon y Scanlon (2002). A la derecha 913
sismos
02$ 88(17)$178501(4)$20.00 con The
© 2002 magnitud mayor
American Physical Societyque 5 entre
1900 y 1990 en un rectángulo centrado en
178501-1
Colombia con extremos de latitud 10S−10N y longitud 70 − 80W. Se estima b = 0,84,
adaptada de Mesa (2002).
Hay alguna evidencia de que la frecuencia de sismos de magnitud intermedia aumen-

ta antes de la ocurrencia de un gran evento (Rundle, Turcotte, Shcherbakov, Klein
y Sammis 2003). Lo que se ha propuesto como un método de predicción.
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).
4.5. Deslizamientos (pila de arena)

El modelo de la pila de arena (Bak, Tang y Wiesenfeld 1988) es uno de los más popu-
lares ejemplos de CAO. Probablemente por que su descripción es elemental y porque
hacer experimentos mediante simulaciones en el computador es también simple. Este
éxito ha motivado experimentos en laboratorio con diferentes materiales (Kadanoff,
Nagel, Wu y Zhou 1989; Nagel 1992; Malthe-Sørenssen, J. Feder, Christensen, Fret-
te y Jøssang 1999) con resultados variables. Por ejemplo (Jaeger, C.-h. Liu y Nagel
1989) no encuentran auto semejanza en experimentos reales en pilas de arena, aun-
que sı́ parece que en algunos casos los experimentos en el laboratorio confirman las
simulaciones en el computador, por ejemplo en pilas de granos de arroz (Grumbacher,
McEwen, Halberson, Jacobs y Lindner 1993; Frette, Christensen, Malthe-Sorenssen,
J. Feder y col. 1996). Algunos deducen de estos medelos de juguete propiedades de
deslizamientos reales (Hergarten y Neugebauer 1998). Se presenta un breve resumen
del modelo con sus resultados básicos. El análisis de estos se deja como tarea, y la
discusión general sobre la aplicabilidad de estas ideas se deja para la discusión general
sobre CAO. De todas maneras es notable como un modelo tan simple da lugar a es-
calamiento, memoria infinita, ruido 1/f y leyes de potencia. Para una mirada teórica
de acuerdo al enfoque de la mecánica estadı́stica ver Kadanoff (1999).
El modelo de la dinámica de avalanchas o deslizamiento transcurre sobre una su-
perficie plana finita sobre la que se traza una grilla regularmente espaciada. En cada
punto de la grilla, de coordenadas i, j puede haber entre 0 y l granos de arena. hay dos
75
procesos que ocurren a escalas de tiempo diferentes. El primero es gradual y consiste

es agregar en cada etapa del tiempo un grano a uno de los sitios de la grilla escogi-
do al azar. El segundo ocurre esporádicamente, en caso de llegar al lı́mite superior
l se produce un deslizamiento, los granos en exceso de un umbral u se distribuyen
a los vecinos. Es común considerar el caso l = 4 y u = 0, es decir si un sitio con
coordenadas (i, j) llega a 4 granos, en el instante siguiente queda con 0 pues le ha
transferido 1 a cada uno de sus cuatro vecinos: (i−1, j), (i+1, j), (i, j −1) y (i, j +1).
Esto ocurre con la excepción de los sitios (i, j) que estén en alguna de las fronteras
de la superficie, en cuyo caso 1 o 2 granos salen del dominio, por los bordes o las
esquinas respectivamente. Note que la desestabilización de un sitio puede generar un
reacción en cadena si alguno de los vecinos se desestabiliza con el grano que recibe.
La condición inicial es al azar, es decir en cada punto de la grilla se pone un número
aleatorio de granos n(i, j) distribuido uniformemente entre los valores 0, 1, 2, 3. Las
caracterı́sticas macroscópicas de interés son N T (k), el número de granos totales sobre
la superficie en la etapa k y C(k), el tamaño de la constelación, o número de sitios
involucrados en la avalancha o deslizamiento que ocurre en la etapa k, que se toma
como 0 si no hay deslizamiento en esta etapa. Como en cada etapa se agrega un grano,
k es igual al número de granos suministrados.
550 +3.4e4
35000 70000
500 60000
30000 450 50000
nro granos presentes
nro granos presentes
tamaño constelación
400 40000
25000
350 30000
300 20000
20000
250 10000
150000 10000 20000 30000 40000 50000 200

40000 42000 44000 46000 48000 50000 0
40000 42000 44000 46000 48000 50000
nro granos suministrados nro granos suministrados nro granos suministrados
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.
Intuitivamente es claro que inicialmente hay un proceso de acumulación de los granos

suministrados y pocas avalanchas. Esto se refleja en un crecimiento N T (k) ∝ k. Luego
se llega a un equilibrio estadı́stico, ocurren deslizamientos con una frecuencia que en
el largo plazo entra en balance con el suministro de granos. En la parte izquierda de
la Figura 4.4 esto se observa claramente, la estabilización ocurre aproximadamente
cerca a k = 18 000 que es del orden del número de sitios en la grilla (1282 ). De allı́ en
adelante la figura muestra fluctuaciones al rededor de un valor del orden de 34 400.
Es decir un promedio de 2 granos por grilla. El panel central presenta una ampliación
para las últimas 10 000 etapas de la simulación. Puede verse que las fluctuaciones
son irregulares, aunque hay cambios pequeños, estos van acompañados de cambios
grandes, de hecho se afirma que estas fluctuaciones corresponden a ruido fraccional,
son auto semejantes y su distribución sigue una ley de potencias.
76
4.6. Evolución
Otra forma de caracterizar la irregularidad es mediante el tamaño de las constelaciones

de cada deslizamiento. El panel derecho de la Figura 4.4 presenta los resultados para
la parte final de la simulación. Se aprecia muchos deslizamientos de menor tamaño,
acompañados por algunos (pocos) muy grandes.
En los ejercicios se pide hacer un análisis de las métricas de este modelo para carac-
terizar su estructura de escalamiento, la longitud de correlación, la auto semejanza
y la intermitencia. El mecanismo de criticalidad autorganizada se ha explicado por
el caracter abierto del sistema y por la diferencia de escalas temporales entre los
dos procesos responsables de la dinámica. El sistema es abierto, en cada iteración
entran granos y en algunas salen. La diferencia de escalas fue descrita, el equilibrio
que resulta corresponde a una acumulación gradual seguida de eventuales descargas
de tamaños variables, algunas muy grandes, muchas pequeñas. La discusión sobre la
pertinencia de estos modelos para explicar los deslizamientos o avalanchas se deja
para la Sección 4.7.
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
El algoritmo evolutivo consiste en seleccionar la especie j con el menor grado de

aptitud y cambiárselo por un valor aleatorio rj . Los vecinos también se cambian,
se reemplaza fj±1 por (fj±1 + rj±1 )/2. Se genera una cascada de extinción y una
evolución espontánea del grado de aptitud a un valor crı́tico fc .
Una vez se alcanza un estado estacionario, se observa la alternancia de perı́odos de
calma con series de extinción. La estadı́stica de la vida media T sigue la relación
N (T ) ∼ 1/T . Tal equilibrio se denomina puntuado, o interrumpido para resaltar la
intermitencia observada en el registro fósil.
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
Se ha afirmado que fenómenos en campos muy diversos de la ciencia exhiben com-

portamiento CAO. Comenzó con pilas de arena, terremotos e incendios forestales.
Luego vinieron las fallas eléctricas, el movimiento de lı́neas de flujo magnético en
superconductores, gotas de agua en superficies, dinámica en campos magnéticos y el
crecimiento de interfaces. Pronto se sugirió que CAO también se aplica a la economı́a
y al medio ambiente y la evolución biológica. Pero no existe una definición clara y
generalmente aceptada de lo que CAO es. Tampoco existe una imagen muy clara de
las condiciones necesarias para que surja comportamiento CAO.
Conectado con esta falta de definición de CAO está la falta de un formalismo ma-
temático. El objetivo de la mecánica estadı́stica de equilibrio puede resumirse de
una manera muy precisa y sencilla. Es la rama de la fı́sica que tiene por objeto el
cálculo de la función de partición de un sistema fı́sico. Se define primero el Hamil-
toniano del sistema considerado, es decir, una función H{sk } de las configuraciones
{sk } que Determine la energı́a de una configuración dada, E = H{sk }. Tan pronto
como uno tiene definido el Hamiltoniano, todo lo que la mecánica estadı́stica nece-
sita hacer
Pt para describir el estado de equilibrio es calcular la función de partición
Z = k exp{−H{sk }/kT } que tiene toda la información necesaria para obtener
cualquier cantidad de interés.
Ningún formalismo general como este se ha establecido para los sistemas CAO, aunque
hay formalismos individuales para casos especı́ficos.
Hay escépticos como Frigg (2003) que discuten qué es y que no es CAO, y plantean que
es otro ejemplo de una teorı́a inflada, como la teorı́a de catástrofes, o la geometrı́a
fractal, y el caos, de las cuales se ha reclamado aplicación universal, pero no han
aportado mucho. En particular hasta ahora sólo reproducen el escalamiento y nada
más.
Otras referencias sobre CAO son Hergarten (2002) que tiene varios capitulos sobre
deslizamientos, sismicidad y redes. También están los trabajos de Jensen y Arcaute
(2010), Christensen, Di Collobiano, Hall y Jensen (2002). Laird y Jensen (2006) y
Hergarten (2002).
Yano, C. Liu y Moncrieff (2012) describe un modelo de convección que merece reseña.
Sobre convección hay otros trabajos que dicen ser CAO, aunque no lo demuestran
(Craig y Mack 2013). Respecto a análisis de datos de precipitación hay que mencionar
a Andrade, Schellnhuber y Claussen (1998). Sornette y Ouillon (2012) presenta una
discusión interesante sobre eventos extraordinarios. Además hay que mencionar que
existen propuestas de aplicación de la CAO al desarrollo de ciudades (Allen 2012).
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
4.8.2 (Percolación). En una malla de percolación p es la probabilidad de que cada sitio

esté ocupado. Se asume independencia entre los sitios. Para el caso unidimensional es
posible calcular las probabilidades de constelaciones de tamaño dado s, se requieren
s sitios contiguos ocupados y los dos extremos desocupados, es decir ps (1 − p)2 . Si se
ignoran los efectos de borde para el caso de una malla de tamaño L se puede afirmar
que hay en promedio Lps (1 − p)2 constelaciones de tamaño s, y por tanto si se divide
por L se obtiene ns = ps (1 − p)2 el número normalizado de constelaciones de tamaño
s. Argumente que ns es igual a la probabilidad de que un sitio sea el extremo derecho
de una constelación de tamaño s en una malla infinita. Igualmente argumente que
la probabilidad
P de que un sitio haga parte de uns constelación de tamaño s es sns .
Muestre que s ns s = p para p < pc . En el caso unidimensional pc = 1. La condición
corresponde a dejar de lado las constelaciones de tamaño infinito. Muestre que el
tamaño promedio de una constelación finita escogida al azar es (1 + p)/(1 − p).
4.8.3. Muñoz (2018) A celebrated and controversial hypothesis suggests that some
biological systems –parts, aspects, or groups of them– may extract important fun-
ctional benefits from operating at the edge of instability, halfway between order and
disorder, i.e. in the vicinity of the critical point of a phase transition. Criticality has
been argued to provide biological systems with an optimal balance between robust-
ness against perturbations and flexibility to adapt to changing conditions, as well
as to confer on them optimal computational capabilities, huge dynamical repertoi-
res, unparalleled sensitivity to stimuli, etc. Crit- icality, with its concomitant scale
invariance, can be conjectured to emerge in living systems as the result of adaptive
and evolutionary processes that, for reasons to be fully elucidated, select for it as a
template upon which further layers of complexity can rest. This hypothesis is very
suggestive as it proposes that criticality could constitute a general and common orga-
nizing strategy in biology stemming from the physics of phase transitions. However,
despite its thrilling implications, this is still in its embryonic state as a well-founded
theory and, as such, it has elicited some healthy skepticism. From the experimen-
tal side, the advent of high-throughput technologies has created new prospects in
the exploration of biological systems, and empirical evidence in favor of criticality
has proliferated, with examples ranging from endogenous brain activity and gene-
expression patterns, to flocks of birds and insect-colony foraging, to name but a few.
Some pieces of evidence are quite remarkable, while in some other cases empirical
data are limited, incomplete, or not fully convincing. More stringent experimental
set-ups and theoretical analyses are certainly needed to fully clarify the picture. In
any case, the time seems ripe for bridging the gap between this theoretical conjecture
and its empirical validation. Given the profound implications of shedding light on this
issue, we believe that it is both pertinent and timely to review the state of the art
and to discuss future strategies and perspectives.
4.8.4 (Campos petroleros).
4.8.5 (Flujo en medio fracturado).
4.8.6 (Incendios Forestales).
4.8.7 (Cont.).
4.8.8 (Percolación).
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
5.1. Ecuación de Cahn-Hilliard

Esta Sección sigue en lo fundamental a Ursell (2007). La descomposición espinodal es
un mecanismo para la separación rápida de las componentes de una mezcla de lı́quidos
o sólidos que originalmente ocupan una fase termodinámica hasta formar dos fases que
coexisten (Dill y Bromberg 2003, p. 509). En un sistema de partı́culas que interactúan
hay dos tendencias opuestas cuya competencia explica las transiciones de fase. Por
un lado está la entropı́a que tiende a maximizarse, el sistema trata de maximizar el
desorden, que es proporcional a la magnitud de las fluctuaciones, la temperatura T .
Simultáneamente, cada partı́cula trata de minimizar la energı́a de interacción con sus
vecinos. En el caso que se examina en esta sección hay una transición entre orden y
desorden dependiendo de una temperatura crı́tica. Por debajo de tal temperatura el
sistema se organiza para minimizar la energı́a de las interacciones. En la mayorı́a de
los casos las partı́culas ‘prefieren’ estar cerca de partı́culas semejantes.
La ecuación que describe estas interacciones se conoce como la ecuación de Cahn-
Hilliard. Suponga que se tiene un fluido compuesto de dos partı́culas diferentes, A
y B. Para simplificar se considera que el fluido ocupa un espacio de dimensión 2,
un plano, un toro o una esfera. Suponga también que el principal mecanismo de
transporte es la difusión, es decir la hidrodinámica no juega un papel importante. Se
define un parámetro de orden φ de tal manera que φ = 1 significa una fase conformada
totalmente por partı́culas A, mientras que φ = −1 significa una fase conformada
totalmente por partı́culas B, con una interpolación lineal entre esas dos fases extremas.
Se asume que las interacciones AA y BB son favorables, mientras que AB=BA son
desfavorables. Por lo tanto hay una cierta energı́a no favorable asociada al gradiente
del campo ∇φ. Como la dirección del gradiente no es importante, la energı́a se penaliza
por el factor |∇φ|2 para cumplir esta simetrı́a rotacional.
De acuerdo con la teorı́a de Landau (Sección 3.2) la energı́a libre se puede escribir
83
5. Descomposición Espinodal
como (ver Ec. 3.29)
V (φ, T ) = a2 (T )φ2 + a4 (T )φ4 = 14 (a − b2 φ2 )2 .

√
Las fases estables corresponden a ∂V /∂φ = 0, es decir φ∗ = ± a/b, con a > 0 y la
barrera de potencial en φb = 0. El parámetro que controla la transición de fase es a,
el valor crı́tico es a = 0, Hay dos fases estables si a > 0 y sólo una fase si a = 0.
La energı́a libre combina este potencial con la penalización las fronteras de fase
Z
F(φ) = (V + γ|∇φ|2 )dxdy,
donde γ es una constante. Ahora de acuerdo a la Ec. 2.26 el potencial quı́mico es
µ = ∂F/∂φ.
Ahora la ley de Fick establece que el flujo es proporcional al gradiente, es decir
J = −D∇µ,
con D la constante de difusión. Adicionalmente hay que considerar la ecuación de

continuidad
∂φ
+ ∇J = 0.
∂t
Lo que al substituir da
∂φ
= D∇2 µ.
∂t
Usando el potencial quı́mico µ se obtiene la ecuación de Cahn-Hilliard
∂φ
= D∇2 [b4 φ3 − ab2 φ − γ∇2 φ]. (5.1)
∂t
5.2. Semejanza Dinámica
84
Capı́tulo 6
Fundamentos Sistemas Dinámicos
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.
6.1. Análisis Cualitativo

Enfoque Geométrico
La interpretación geométrica de una ecuación diferencial, ẋ = f (x), como un campo
vectorial ayuda bastante en la comprensión. Si interpretamos a x como la posición
de una partı́cula, y a ẋ como su velocidad, la gráfica de ẋ vs. x representa un campo
vectorial, para cada valor de x se tiene un vector ẋ. Este vector se puede pensar como
una velocidad. Esto da origen a un flujo. Una partı́cula ubicada en la posición x tiene
velocidad ẋ. El carácter vectorial de ẋ viene de su magnitud y dirección, que en una
dimensión depende del signo. Para dimensiones mayores la interpretación vectorial es
más evidente.
Un ejemplo ayuda a explicar estas ideas. La ecuación no lineal ẋ = sen x, puede
resolverse fácilmente por separación de variables e integración para obtener t =
− ln | csc x + cot x| + C. Si en t = 0, x = x0 la constante C se puede determinar,
csc x0 +cot x0
C = ln | csc x0 + cot x0 | y por tanto la solución es t = ln csc x+cot x . Las pregun-
tas que nos interesan son del tipo: ¿suponga x0 = π/4, cuáles son las principales
caracterı́sticas cualitativas de x(t)? En particular, ¿qué pasa cuando t → ∞?
A pesar de tener la solución explı́cita, la respuesta a estas preguntas no es directa.
Se puede decir mucho más de la interpretación geométrica. La Figura 6.1 ilustra el
85
6. Fundamentos Sistemas Dinámicos
-‐10
-‐1.2
Figura 6.1: Campo vectorial para ẋ = sen x.
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
Figura 6.2: Solución de ẋ = sen x, para la condición inicial x0 = π/4
La Figura 6.2 ilustra la solución para la condición inicial mencionada en la pregunta

de arriba. Como puede verse mirando simultáneamente las Figura 6.1 y 6.2, para
86
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
Figura 6.4: Tasa de crecimiento y capacidad de soporte y modelo lineal
partı́cula imaginaria en el espacio de fase se desplaza a la izquierda. El punto de corte

de las dos gráficas corresponde al punto de equilibrio x∗ , y a la derecha de este punto
la segunda gráfica está por encima de la primera, por tanto f (x) > 0 y la partı́cula se
desplaza hacia la derecha. A partir de este análisis es fácil trazar la solución partien-
do de cualquier punto inicial. El punto de equilibrio x∗ es inestable. Soluciones que
empiecen en x0 < x∗ tienden a menos infinito. Soluciones que empiecen a en x0 > x∗
tienden a mas infinito. Si x0 = x∗ la solución es x(t) = x∗ para todo t. Pero por
la inestabilidad, la condición inicial tiene que ser exacta, no puede tener los errores
inherentes al mundo real.
Crecimiento Demográfico
Un modelo aplicado interesante en varias áreas del conocimiento se refiere a la dinámi-

ca poblacional. Para iniciar con lo más simple, sea N (t) la población de alguna especie
en el tiempo t. El modelo de crecimiento lineal asume una tasa de crecimiento pro-
porcional a la población, con constante de proporcionalidad r > 0. Es decir, Ṅ = rN .
El crecimiento proporcional a la población puede justificarse si no hay agotamiento
de recursos, ni competencia con otras especies. El modelo únicamente incorpora la
reproducción, a mayor población mayores descendientes. La constante r, representa
la tasa de crecimiento. Para el caso r < 0 realmente representa un decrecimiento. El
modelo se integra fácilmente a N (t) = N0 ert , es decir un crecimiento (decrecimiento)
exponencial.
Sin embargo, los biólogos o demógrafos señalan que tal modelo no es aplicable sino
bajo ciertas circunstancias, en particular la existencia de recursos limitados y/o una
posible sobre-población pueden conducir a que la tasa de crecimiento no sea constan-
te. 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, como lo
ilustra la Figura 6.4. Eventualmente, 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, K. Una manera de modelar estas ideas es asumir, como se ilustra en la Figura
6.4, una variación lineal de la tasa de crecimiento per cápita Ṅ /N con la población
88
Figura 6.5: Ecuación Logı́stica, Ṅ = rN (1 − N/K) y soluciones para diferentes con-

diciones iniciales
N . Esto se conoce como la ecuación logı́stica,
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
1.6 1.6 1.6
1.2 1.2 1.2
0.8 0.8 0.8
0.4 0.4 0.4
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
-‐0.4 -‐0.4 -‐0.4
-‐0.8 -‐0.8 -‐0.8
-‐1.2 -‐1.2 -‐1.2
Figura 6.6: Ejemplos gráficos de análisis de estabilidad. Estable: ẋ = −x3 . Inestable:

ẋ = x3 . Semiestable: ẋ = x2 .
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).
Análisis Lineal de Estabilidad

La aproximación de primer orden de la serie de Taylor de la función f permite ana-
lizar lo que sucede con perturbaciones al rededor de los puntos fijos. Esto se conoce
como análisis lineal de estabilidad porque la aproximación incorpora sólo los térmi-
nos lineales. Sea x∗ un punto fijo de ẋ = f (x), es decir f (x∗ ) = 0. Denotemos por
η(t) = x(t) − x∗ las perturbaciones respecto al punto fijo. Claramente, las perturba-
ciones crecen o decaen según el signo de η̇ = ẋ = f (x∗ + η). Si usamos la serie de
Taylor,
f (x∗ + η) = f (x∗ ) + ηf 0 (x∗ ) + O(η 2 ),
se1 ve que cuando f 0 (x∗ ) 6= 0, la solución de la ecuación lineal η̇ ≈ ηf 0 (x∗ ) define la
estabilidad del sistema original. Habrá crecimiento exponencial de las perturbaciones
si la constante f 0 (x∗ ) es positiva y decaimiento si f 0 (x∗ ) < 0. La aproximación es
suficiente si f 0 (x∗ ) 6= 0. En el caso f 0 (x∗ ) = 0 los términos no lineales no son des-
preciables, la aproximación no es suficiente y se requiere un análisis adicional. En la
Secciones fci-4.3 y 7.2 este resultado se formula en términos precisos, tanto para los
mapas como para las ecuaciones diferenciales. Note que 1/f 0 (x∗ ) es una escala de
tiempo caracterı́stica.
La Figura 6.6 ilustra algunos casos tı́picos de estabilidad que aparecen en el contexto
del estudio de las bifurcaciones.
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
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 6.7: Unicidad? La ecuación ẋ = x1/3 , con condición inicial x0 = 0, no tiene

solución única, dos posibles soluciones son x1 (t) = (2t/3)3/2 y x2 (t) = 0, y hay más.
inicial x0 = 0, representado en la Figura 6.7. Según nuestro método geométrico el ori-

gen es inestable. Además, según el criterio de estabilidad lineal, f 0 (0) = ∞, es decir
es muy inestable. El siguiente teorema precisa condiciones suficientes de existencia y
unicidad, que claramente no se cumplen en este ejemplo. Aunque el tı́tulo del capı́tulo
está restringido a una dimensión, se van a formular estos importantes teoremas para
el caso general de dimensión n.
Teorema 6.1.1. El problema de valores iniciales
ẋ = f (x), x(0) = x0
tiene una única solución en un intervalo abierto (−τ, τ ), si tanto f como f 0 son
continuas en una vecindad abierta que contiene a x0
El teorema no garantiza la existencia de solución para todo t. El ejemplo ẋ = 1 + x2 ,

con condición inicial x(0) = 0, cuya solución fácilmente se muestra que es x(t) =
tan(t), ilustra este caso. La solución sólo existe para −π/2 < t < π/2. En los extremos
de tal intervalo la solución tiende a ±∞, y por fuera de tal intervalo no hay solución.
Esto se conoce como explosión, el sistema alcanza valores infinitos en un tiempo finito.
Este teorema no es el más general, se pueden considerar casos en los que la función
f dependa también de la variable independiente t, o se pueden rebajar las exigencias
sobre f ; aunque no del todo. Por ejemplo la ecuación ẋ = 3x2/3 , con condición inicial
x(0) = 0 tiene infinitas soluciones: la integración ingenua da x1 (t) = t3 , que cumple
tanto la ecuación como la condición inicial. También es solución x2 (t) = 0. Pero el
número importante de soluciones está dado por xτ (t) = 0 si t ≤ τ y xτ (t) = (t − τ )3
si t > τ , para τ > 0. La dificultad viene de que 3x2/3 aunque continua en x = 0 no es
diferenciables en tal punto (en la Figura 6.7 hay un ejemplo semejante).
Desde el punto de vista fı́sico también es importante la dependencia continua de las
condiciones iniciales. El siguiente teorema lo garantiza.
Teorema 6.1.2. Dado el problema de valores iniciales
ẋ = f (x),
91
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
|x2 (t) − x1 (t)| ≤ K|b − a| exp(K(t − t0 )), para todo t ∈ [t0 , t1 ]
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
1.6 1.6 1.6 1.5
1.2 1.2 1.2

1
0.8 0.8 0.8

0.5
0.4 0.4 0.4
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
-‐1.2 -‐1.2 -‐1.2 -‐1.5
Figura 6.8: Bifurcación de punto de silla, ẋ = r + x2 , de izquierda a derecha r < 0,

r = 0, r > 0 y diagrama de bifurcación, el eje vertical representa los puntos fijos y
el eje horizontal el parámetro r, La lı́nea a trazos significa puntos fijos inestables, la
lı́nea continua puntos fijos estables.
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
1.8 1.8 1.8
1.3 1.3 1.3
0.8 0.8 0.8
0.3 0.3 0.3
-‐2 -‐1 -‐1 0 1 1 2 -‐2 -‐1 -‐1 0 1 1 2 -‐2 -‐1 -‐1 0 1 1 2
-‐0.2 -‐0.2 -‐0.2
Figura 6.9: Bifurcación ensilladura: ẋ = r − x − e−x . Izquierda r > 1, centro r = 1,

derecha r < 1.
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 Trans Crı́tica

En la bifurcación trans crı́tica no desaparece ningún punto fijo, pero hay cambio de
estabilidad a medida que cambia un parámetro. El ejemplo tı́pico es ẋ = rx − x2 ,
Figura 6.10. El lado derecho es igual a la ecuación logı́stica usada para estudiar el
crecimiento de poblaciones, pero acá se acepta también los valores negativos de x y/o
r. Un análisis elemental muestra que los puntos fijos están formados por dos ramas
en el diagrama de bifurcación. La primera es el eje x = 0 independiente del valor del
parámetro r. La segunda es x = r. La estabilidad se puede determinar del signo de
f 0 (x) = r − 2x usando el análisis lineal. En la primera rama f 0 (x) = r, por tanto
los puntos fijos son estables para r < 0 e inestables para r > 0. En la segunda rama
f 0 (x) = −x = −r, por tanto los puntos fijos son estables para x > 0 e inestables
para x < 0. La observación de la Figura 6.10 y el análisis geométrico confirman estas
conclusiones, que se ilustran en el diagrama de bifurcación.
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
-‐2 -‐2 -‐1 -‐1

0
0 1 1 2 2
x
1.5
0 0
-‐2 -‐2 -‐1 -‐1 0 1 1 2 2 -‐2 -‐2 -‐1 -‐1 0 1 1 2 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
-‐3 -‐3 -‐3 -‐2
Figura 6.10: Ejemplo de bifurcación trans crı́tica, caso ẋ = rx − x2 . De izquierda a

derecha r < 0, r = 0, r > 0 y diagrama de bifurcación.
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
-‐3 -‐3 -‐3

-‐1
-‐5 -‐5 -‐5 -‐1.5
Figura 6.11: Bifurcación tridente ẋ = rx − x3 . Izquierda a derecha r < 0, r = 0, r > 0

y diagrama de bifurcación.
misma ecuación debido a la simetrı́a izquierda-derecha o arriba-abajo o antes-después

del sistema fı́sico. Existen dos tipos de bifurcaciones tridente.
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
1.5 1.5 1.5 4.5

4 x
3.5
1 1 1 3
2.5
2
0.5 0.5 0.5 1.5
1
0.5
0 0 0 0
-‐2 -‐1 -‐1 0 1 1 2 -‐2 -‐1 -‐1 0 1 1 2 -‐2 -‐1 -‐1 0 1 1 2 0 1 1 2 2 3 3 4 4
-‐0.5 β
-‐1
-‐0.5 -‐0.5 -‐0.5 -‐1.5
-‐2
-‐2.5
-‐1 -‐1 -‐1 -‐3
-‐3.5
-‐4
-‐1.5 -‐1.5 -‐1.5 -‐4.5
Figura 6.12: Bifurcación tridente ẋ = −x+β tanh x. Izquierda a derecha β < 1, β = 1,

β > 1 y diagrama de bifurcación.
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
-‐3 -‐3 -‐3

-‐1
-‐5 -‐5 -‐5 -‐1.5
Figura 6.13: Bifurcación tridente subcrı́tica, ẋ = rx + x3 . Izquierda a derecha r < 0,

r = 0, r > 0 y diagrama de bifurcación.
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
Figura 6.14: Diagrama de bifurcación para ẋ = rx + x3 − x5 , a la derecha esquema

de la histéresis
coexisten con el origen, que también es estable. La condición inicial determina el

punto fijo final al cual se acerque el sistema para t → ∞. Por esto se usó el término
localmente estable, pues el origen es estable ante perturbaciones pequeñas, pero no
es globalmente estable.
Otra caracterı́stica interesante de este sistema es la posibilidad de histéresis, como se
ilustra en la Figura 6.14. Suponga que se inicia el sistema con x = 0 y gradualmente
se incrementa el valor del parámetro r, tal y como ilustran las flechas de la figura.
Cuando se llega al valor r = 0 el origen pierde estabilidad, la más mı́nima perturbación
hace que el sistema salte a una de las ramas de mayor amplitud. Con incrementos
posteriores, el punto fijo sigue a lo largo de tal rama. Ahora, si se procede a disminuir
el valor del parámetro r, el estado permanece sobre la rama de mayor amplitud,
incluso para valores negativos de r. Se requiere disminuir todavı́a más r por debajo
de rs para que el sistema salte nuevamente al origen. Dos caracterı́sticas importantes
de estos sistemas no lineales son los saltos y la falta de reversibilidad. Esto último es
lo que da origen al nombre de histéresis. Las bifurcaciones en r = rs corresponden a
bifurcaciones de ensilladura.
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
Si h = 0 se tiene el caso de la bifurcación supercrı́tica y hay simetrı́a perfecta entre x

y −x. La simetrı́a se rompe si h 6= 0. Hay un grado de dificultad nuevo en el análisis
porque se tienen dos parámetros independientes r y h. Para esto se piensa que uno
de ellos es fijo, digamos r, y se analiza el efecto de variar el otro. Aunque las raı́ces
de la ecuación cúbica se pueden expresar explı́citamente para encontrar los puntos
fijos del sistema, es más intuitivo un enfoque gráfico, se representan simultáneamente
y = rx − x3 y y = −h, las intersecciones corresponden a los puntos fijos, esto se ve
en la Figura 6.15. Cuando r ≤ 0 la cúbica es monotónicamente decreciente y por lo
97
3 3
h>|hc|
y=-‐h h=|hc|
1 1
h<|hc|
-‐2 -‐2 -‐1 -‐1 0 1 1 2 2 -‐2 -‐2 -‐1 -‐1 0 1 1 2 2
-‐1 -‐1
-‐3 -‐3
Figura 6.15: Puntos fijos del sistema ẋ = h + rx − x3 . La lı́nea continua representa a

y = rx − x3 y las léneas a trazos y = −h. A la izquierda se presenta el caso r ≤ 0 y
a la derecha r > 0 cuando hay pérdida de simetrı́a
tanto intercepta la lı́nea horizontal y = −h en exactamente un punto (Figura 6.15a).

El caso cuando r > 0 es más interesante, pues pueden haber uno, dos o tres puntos
de intersección, dependiendo del valor de h.
El caso crı́tico ocurre cuando la lı́nea horizontal es justamente tangente al mı́nimo
o máximo local de la cúbica. En esos casos se tiene una bifurcación de ensilladura.
d
En estos puntos de extremos locales se cumple ddx (rx − x3 ) = r − 3x2 = 0. Por
p
tanto xmáx,mı́n =p± r/3 y las bifurcaciones de ensilladura ocurren para h = ±hc ,
con hc = (2r/3) r/3. Para resumir toda esta información, se presentan las curvas
de bifurcación en un plano (r, h) en la Figura 6.16. Las dos ramas se encuentran
tangencialmente en el origen en una cúspide.
h
0.7
1 punto ﬁjo 3 puntos ﬁjos

-‐2 -‐2 -‐1 -‐1 0 1 1 2 2
r
-‐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
Es posible representar estos resultados usando los diagramas de bifurcación (X ∗ vs. r)

que se habı́an empleado antes. En la Figura 6.17 se presentan dos casos para valores
fijos de h. Cuando h = 0 se tiene el tridente clásico. Pero cuando h 6= 0 el tridente
se desconecta en dos ramas. La superior consiste totalmente de puntos fijos estables,
mientras que la inferior tiene un tramo inestable y otro estable. A medida que r se
incrementa desde valores negativos no hay más una transición brusca en r = 0. El
punto fijo se desliza suavemente a lo largo de la rama superior. La rama inferior es
98
6.2. Bifurcaciones
inaccesible, excepto si se le hace una perturbación de amplitud mayor al sistema.

1.5 4 1.5 1.5
x x3.5 x x
3
1 1 1
2.5
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
-‐1.5 -‐4 -‐1.5 -‐1.5
Figura 6.17: Sistema ẋ = h + rx − x3 . Diagrama de Bifurcación x∗ vs. r para h fijo.

Primero a la izquierda con h = 0, luego a la derecha con h 6= 0. Más a la derecha
diagrama de Bifurcación x∗ vs. h para r fijo, con r < 0 y por último con r > 0.
Alternativamente, se puede representar el diagrama de bifurcación (X ∗ vs. h) para

valores fijos de r (Figura 6.17). Cuando r ≤ 0 hay un único punto fijo para cada h.
Sin embargo, para r > 0 hay tres punto fijos cuando |h| < hc (r), exactamente uno
cuando |h| > hc (r), y dos para el caso de igualdad. En el caso triple, la rama del
medio es inestable y la superior y la inferior son estables.
Hay por último otra manera de representar esto usando una gráfica tridimensional
de x∗ como función de (r, h) (Figura 6.18). Todas las demás gráficas son o secciones
o proyecciones de esta. Esta superficie se conoce como la catástrofe en cúspide. La
superficie se dobla en si misma en ciertos lugares, en los casos trivaluados. El término
catástrofe viene de analizar lo que ocurre cuando los parámetros cambian a lo largo
de una lı́nea que cruce la superficie superior, llegue al pliegue y bruscamente cae a
la rama inferior. Este salto catastrófico puede tener consecuencias de este estilo en
aplicaciones prácticas. Por ejemplo en diseño de ingenierı́a, o en comportamiento de
la bolsa de valores, o de sociedades.
Figura 6.18: Diagrama de bifurcación tridimensional para el sistema ẋ = h + rx − x3

y superficie de Catástrofe, tomada de Strogatz (2014, f. 3.6.6)
99
6.3. Formalización de Bifurcaciones

El teorema de la función implı́cita es fundamental para entender las bifurcaciones.
Considere el sistema ẋ = f (x; r). En un punto fijo x = x0 , para un valor particular
del parámetro r = r0 , se tiene f (x0 , r0 ) = 0. Ahora, ¿cuándo es (x0 ; r0 ) un punto de
bifurcación? Una condición necesaria es que fx (x0 ; r0 ) = 0, porque de lo contrario
el teorema de la función implı́cita garantiza unicidad de la solución de la ecuación
f (x; r) = 0 para x en términos de r, en la vecindad del punto. Note la notación
la derivada con el subı́ndice, es decir gx (x, y, z) es la derivada con respecto a x de
la función de tres variables g, esta notación permite indicar el punto en el cual se
calcula la derivada. La unicidad garantiza que no se destruyen ni crean puntos fijos.
Por tal motivo iniciamos con el teorema de la función implı́cita, enunciado sin prueba
(consultar cualquier libro de cálculo). A continuación se definen los puntos regulares
y singulares y se considera la expansión al rededor de los puntos singulares, que son
los interesantes, desde el punto de vista de bifurcaciones.
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))
Claramente el teorema es simétrico, si fµ (µ0 , u0 ) 6= 0 entonces se puede despejar

µ = µ(u) y su derivada es
dµ fu (µ(u), u)
=−
du fµ (µ(u), u))
Puntos Regulares y Singulares
Definición 6.3.1. Si f tiene derivadas parciales continuas hasta orden 3 en la vecin-

dad de un punto P0 = (µ0 , u0 ), dicho punto es un Punto Regular del lugar f = 0, si
f (P0 ) = 0 y si una de las dos derivadas parciales no es cero, es decir si o fu (µ0 , u0 ) 6= 0,
o fµ (µ0 , u0 ) 6= 0.
Por tanto, de acuerdo al teorema de función implı́cita, por un punto regular pasa una
única curva, u = u(µ) o µ = µ(u).
Definición 6.3.2. Si P0 = (µ0 , u0 ) es un Punto Singular si no es regular, es decir si

f (P0 ) = fu (µ0 , u0 ) = fµ (µ0 , u0 ) = 0.
100
El comportamiento en un punto singular debe ser anómalo, no sólo por el nombre,

sino porque ambas fracciones en las expresiones de las derivadas son indeterminadas,
de la forma 0/0. Es necesario por tanto un estudio sistemático del comportamiento
de la función cerca a estos puntos. Para esto usamos el teorema de L’Hôpital y la
serie de Taylor, asumiendo que las derivadas parciales de segundo orden no se anulan
simultáneamente.
Expansión Alrededor de un Punto Singular

Sea un punto singular P0 = (µ0 , u0 ) y P = (µ, u) un punto cercano, con ∆µ =
µ − µ0 , ∆u = u − u0 . Entonces la expansión en serie de Taylor de f al rededor del
punto singular es
f (P ) = 12 (fµµ (P0 )∆µ2 + 2fµu (P0 )∆µ∆u + fuu (P0 )∆u2 ) + o(∆µ2 + ∆u2 ).
En el lı́mite, cuando ∆µ y ∆u tienden a cero,
fµµ (P0 ) dµ2 + 2fµu (P0 ) dµ du + fuu (P0 ) du2 = 0,
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
que corresponden a las pendientes de las tangentes de las curvas de bifurcación en el

punto doble. Se va a mostrar en el Lema 6.3.2 que cuando D > 0 sólo hay dos casos
posibles. Por otro lado, si D < 0, entonces no hay tangentes reales y P0 es un Punto
Aislado; y si D = 0, entonces al menos dos curvas que pasan por P0 tienen la misma
tangente.
Ejemplos
Ejemplo 6.3.1 (Lemniscata). Considere la lemniscata f (µ, u) = (µ2 + u2 )2 − 2(µ2 −

u2 ) = 0 que se ve en la parte izquierda de la Figura 6.19. Claramente en el origen
f = fµ = fu = 0, además D > 0. Por lo tanto el origen es un punto doble por el que
pasan dos ramas con diferentes tangentes. Todos los demás puntos son regulares.
Ejemplo 6.3.2 (Cúspide). Considere la función f (µ, u) = u3 − µ2 = 0 que se ve en

la parte derecha de la Figura 6.19. Claramente en el origen f = fµ = fu = 0, además
D = 0. Por lo tanto por el origen pasan dos ramas con la misma tangente vertical.
Este punto se denomina una cúspide.
101
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
Figura 6.19: Lemniscata (izquierda) y cúspide (derecha)
Ejemplo 6.3.3 (Punto aislado). Considere el lugar f (µ, u) = u2 + µ2 = 0. El origen

es un punto aislado con D < 0.
Existen puntos singulares de orden mayor para los cuales la función y las derivadas
parciales de orden 1 y 2 son todas cero.
Tangentes en Puntos Dobles
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.
Demostración. Por definición D > 0. Si fµµ (P0 ) 6= 0 el resultado se obtiene de la

aplicación de la serie de Taylor ya presentada. Si fµµ (P0 ) = 0, entonces fuµ (P0 ) 6= 0
pues D > 0. En este caso el polinomio cuadrático es du(fuu du + 2fuµ dµ) = 0, de
donde se obtiene el resultado.
Intercambio de Estabilidad
En un punto de quiebre puede intercambiarse la estabilidad.
Definición 6.3.3 (Punto de Quiebre). Un punto regular P0 es un punto de quiebre

(turning point) con respecto al parámetro µ si fµ 6= 0 y dµ
du cambia de signo en P0
Con respecto al cambio de estabilidad interesa investigar los puntos dobles y los
puntos de quiebre.
Ejemplo 6.3.4 (Punto de quiebre). La función f (µ, u) = (1 + u2 − µ)(µ2 − 9u2 ) tiene

como puntos de equilibrio las tres curvas µ1 = 1 + u2 , µ2 = 3u, y µ3 = −3u. Todos
los puntos son regulares, excepto el origen (A en la Figura 6.20), las intersecciones
B, E, entre las curvas µ1 y µ2 ; y C, F entre las curvas µ1 y µ3 . Estos cuatro puntos
son puntos dobles. Además, D = (1, 0), el vértice de la parábola µ1 , es un punto de
quiebre.
102
4
u
3
2 E
1
B
-‐5
0
0
D 5 10
A μ
-‐1 C
-‐2
F
-‐3
-‐4
Figura 6.20: Ejemplo punto de quiebre
Teorema 6.3.3 (Cambio de Estabilidad en Punto de Quiebre). Sea P0 = (u0 , µ0 ) un

punto de quiebre regular del lugar f (u, µ) = 0, entonces los puntos fijos del sistema
dinámico u̇ = du
dt = f (u, µ) son estables en un lado de P0 e inestables en el otro.
Demostración. Claramente u0 es un punto fijo. Según el análisis lineal, la estabilidad

depende del signo de α0 = fu (u, µ(u)). De acuerdo a la expresión para la tangente
de un punto regular se tiene α0 = fu (u, µ(u)) = −fµ (u, µ(u)) dµ
du . Por hipótesis fµ no
pasa por cero en P0 , luego α0 cambia de signo al cruzar el punto de quiebre, debido
al cambio de signo de dµdu
Cambio de Estabilidad en Puntos Dobles

Según el Lema, hay dos casos posibles de puntos dobles
Caso 1: hay dos curvas con tangente diferente de 0, µ = µ1 (u) y µ = µ2 (u). Las
tangente vienen dadas según expresión (6.2)
Caso 2: una de las curvas u = u1 (µ) tiene pendiente du
dµ = 0 en P0 , y la otra es
1
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
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
Figura 6.21: Izquierda: Ejemplo intercambio de estabilidad en punto doble. Suponga

que fµµ < 0. Derecha: Ejemplo 6.3.5, puntos dobles.
dµ2 √
α2 (u) = −sgnfuµ (P0 ) (u)[ D(u − u0 ) + o(|u − u0 |)]
du
La interpretación es la siguiente, en el Caso 1, cuando |u − u0 | es pequeño, α1 y α2

tienen el mismo signo si dµ1 / du y dµ2 / du tienen signos opuestos. Y tienen signos
diferentes si las tangentes tienen el mismo signo. Luego las pendientes en el punto
doble determinan el cambio de estabilidad. Como ilustración ver lado izquierdo de la
Figura 6.21.
Ejemplo 6.3.5. u̇ = f (u, µ) = (µ − µc )u − u3 . Los puntos fijos están en u1 (µ) = 0

y µ2 (u) = u2 + µc . El punto Pc = (0, µc ) es un punto doble. De hecho, fu = µ −
µc − 3u2 , fuu = −6u, fµ = u, fµµ = 0, y fuµ = 1. En Pc se tiene f = fu = fµ =
fuu = fµµ = 0, pero fuµ 6= 0 y D = 1. De acuerdo al Lema, las dos tangentes
son du1 / dµ = 0 y dµ2 / du = −fuu /(2fuµ ) = 0. Los parámetros de estabilidad son
2
α1 (µ) = µ − µc + o(|µ − µc |) y α2 (u) = − d(u du
+µc )
[u + o(|u|)]. El lado derecho de la
Figura 6.21 ilustra el diagrama de estabilidad.
6.4. Flujos en el cı́rculo

Hasta ahora en este capı́tulo las ecuaciones que se han considerado son en la lı́nea
real, en esta sección se van a considerar ecuaciones unidimensionales en el cı́rculo,
algunas veces también llamadas ecuaciones de fase (ver Secciones fci-4.4 y 6.6 para
enfoques complementarios),
θ̇ = f (θ),
que corresponden a un campo vectorial en el cı́rculo. Es decir, θ es un punto en el
cı́rculo, y θ̇ es el vector velocidad en ese punto. Aparentemente no hay nada nuevo,
pero el hecho de que el cı́rculo sea cerrado da origen a periodicidad, un fenómeno muy
importante. Realmente en una dimensión sólo es posible el comportamiento periódico
si el espacio es periódico.
Matemáticamente el carácter cerrado del cı́rculo se puede representar de dos maneras,
una tomando operaciones reales módulo 2π. También es posible trabajar en el cı́rculo
unitario del plano complejo (r = 1).
104
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
Figura 6.22: Diagrama de fase y angular para el oscilador no-uniforme
Figura 6.23: Perı́odo de un oscilador no-uniforme
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
Figura 6.24: Cuello de botella en el oscilador no-uniforme
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
Figura 6.25: Reproducción de la ilustración original de Huygens acerca de la sincro-

nización de dos relojes de péndulo
Otras observaciones interesantes sobre fenómenos no—lineales de sincronización en

tubos en órganos fueron hechas por Lord Rayleigh (1842–1919) en su “Teorı́a del
Sonido” (Rayleigh 1945). Sin embargo, la explicación de este fenómeno requiere temas
avanzados, y sólo se dio con los trabajos de Appleton y Van der Pol (1921). El caso
de las luciérnagas es un primer ejemplo interesante, pero volveremos sobre el tema
varias veces.
En algunas regiones, en particular en el Sureste de Asia, miles de luciérnagas macho
se ubican en los árboles al atardecer y encienden y apagan sus luces al unı́sono,
mientras las hembras vuelan por encima para escoger su pareja, probablemente a la
que más alumbre. Los macho no inician sincronizados, pero por la influencia de unos
sobre los otros la sincronı́a se desarrolla y refuerza. Cuando uno ve la oscilación de
los otros acelera o frena tratando de entrar en sincronı́a en el próximo ciclo. Se ha
estudiado experimentalmente, con osciladores mecánicos de frecuencia controlada y
se ha establecido que las luciérnagas son capaces de sincronizarse cuando la frecuencia
es cercana a su frecuencia natural, que es aproximadamente 0,9 ciclos por segundo.
En este caso se dice que la luciérnaga se encarriló a la frecuencia del estı́mulo. Si
la diferencia es mayor, o muy rápido o muy lenta, la luciérnaga trata pero no logra
encarrilar su oscilación. En estos casos resulta algo parecido a un latido, pero la
diferencia entre las fases no se incrementa uniformemente, sino que crece primero
lentamente mientras la luciérnaga trata de acoplarse al estı́mulo, y luego crece más
rápido hasta la próxima oscilación. Esto se conoce como deriva de fase. En J. Buck
y E. Buck (1976), J. Buck (1988), Mirollo y Strogatz (1990), Ermentrout (1991),
Strogatz (1994) y Strogatz (2000) se puede consultar mayores detalles.
Un modelo simple para describir el comportamiento de las luciérnagas es el siguiente.
En ausencia de estı́mulo la dinámica de encendido y apagado se describe por θ̇ = ω,
donde θ es la fase de la oscilación, el momento de encendido corresponde a θ = 0, y ω
108
Figura 6.26: Campo vectorial del problema de sincronización de luciérnagas, φ̇ =

µ − sen φ, para diferentes valores del parámetro µ.
es la frecuencia natural. El estı́mulo periódico, correspondiente al resto de luciérnagas

se representa por Θ̇ = Ω. En presencia del estı́mulo la luciérnaga trata de acomodarse,
lo que se describe agregando un término sinusoidal, θ̇ = ω+A sen(Θ−θ). El parámetro
A > 0 mide la habilidad para modificar la frecuencia. Por ejemplo, si el estı́mulo está
adelantado 0 < Θ − θ < π, la luciérnaga trata de alcanzarlo, θ̇ > 0. Para estudiar la
sincronización es conveniente mirar la dinámica de la diferencia de fases φ = Θ − θ.
Por lo tanto, la ecuación que describe el sistema es
φ0 = Ω − ω − A sen φ.
Re-escalando el tiempo con τ = At y agrupando parámetros µ = (Ω − ω)/A se tiene
φ0 = µ − sen φ,
donde φ0 es la derivada de φ con respecto a τ . La Figura 6.26 ilustra el campo
vectorial para diferentes valores del parámetro µ, que se interpreta como una medida
de la diferencia de frecuencias relativa a la habilidad para modificar la frecuencia.
Para µ = 0 la luciérnaga está en fase, φ = 0 es un punto fijo estable. Para valores
pequeños de µ, las frecuencias están relativamente cercanas y se espera que sea posible
el enfasamiento. La Figura 6.26 confirma esta expectativa. Para valores más grandes
de µ el encarrilamiento ya no es posible.
El análisis de estabilidad confirma que para 0 < µ < 1 hay un punto fijo φ∗ > 0
estable, lo que significa que aunque el estı́mulo y la luciérnaga no están al unı́sono,
oscilan con la misma frecuencia instantánea y la diferencia de fases tiende a una
constante positiva, lo que se describe con el término de enfasamiento (phase looking
en Inglés). El estı́mulo está adelantado con respecto a la luciérnaga, pero está no logra
alcanzar, hace el esfuerzo, pero se mantiene una diferencia constante.
Si se continúa aumentando µ, el punto fijo estable eventualmente se junta con el
inestable a la derecha. La bifurcación de ensilladura ocurre para µ = 1. Para µ > 1
los dos puntos fijos han desaparecido y ya no hay enfasamiento. La diferencia de fases
crece indefinidamente, se tiene una deriva de fases. El crecimiento de la diferencia no
es uniforme, es menor debajo del mı́nimo de la función seno, en φ = π/2; y aumenta
debajo del máximo en φ = −π/2.
109
Figura 6.27: Rango de encarrilado para el problema de sincronización de luciérnagas
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).
Cuenta Sobre Amortiguada

Una cuenta es una pequeña bola perforada para ensartar en un alambre, collar, pulsera
o camándula y que puede usarse para contar, por ejemplo las carambolas en el juego
del billar. El ejemplo a considerar es un tı́pico problema de un curso básico de fı́sica.
En el modelo ideal, la cuenta tiene masa m, puede deslizarse en un aro rı́gido de
alambre de radio r que gira a una velocidad angular constante ω al rededor de la
vertical. Sobre la cuenta actúan la gravedad, la fuerza centrı́fuga y una fuerza de
fricción que se opone al movimiento, que la vamos a considerar proviene de una
amortiguación viscosa. Esta última fuerza puede aparecer en problemas reales cuando
hay movimiento al interior de algunos lı́quidos y es una fuerza de frenado proporcional
a la velocidad. Sea φ el ángulo entre el radio que pasa por la cuenta y la vertical hacia
abajo. Por convención el ángulo φ se restringe al rango −π ≤ φ ≤ π, para que cada
posición de la cuenta esté descrita por un único ángulo, es decir φ = π y φ = −π son
el mismo ángulo y representan la posición superior, la posición inferior es φ = 0.
El modelo de fuerzas es simple, la gravedad es vertical e igual a mg, la fuerza centrı́fuga
es horizontal e igual a mρω 2 , con ρ el radio de giro es decir la distancia horizontal entre
la cuenta y el eje de rotación. La amortiguación tangencial es bφ̇. Las constantes b y g
son positivas. La geometrı́a para calcular la componente tangencial de las fuerzas es
elemental. En particular, se puede ver que ρ = r sen φ, y que la aceleración tangencial
es rφ̈. Lo que resulta en
mrφ̈ = −bφ̇ − mg sen φ + mrω 2 sen φ cos φ, (6.3)
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
Figura 6.28: Diagrama de bifurcación para el problema de la cuenta. Aparece un

tridente supercrı́tico además de la posición superior
existencia de estas soluciones adicionales depende de la condición indicada. El análisis

lineal de estabilidad de estos puntos es directo.
En la Figura 6.28 se resume el análisis de los puntos fijos y se puede apreciar que el
correspondiente diagrama de bifurcación corresponde a un tridente supercrı́tico. La
interpretación fı́sica es la siguiente: cuando γ < 1 la fuerza centrı́fuga es más débil que
la fuerza de gravedad y la cuenta se desliza hacia la posición más inferior, que por tanto
es un punto fijo estable. Cuando γ > 1, el aro está girando a una velocidad suficiente
para que cualquier perturbación con respecto al punto fijo inferior se amplifique por
efecto de la fuerza centrı́fuga. Ahora, esta fuerza es mayor a medida que la cuenta se
aleja de la vertical y eventualmente se equilibra con la gravedad en un nuevo punto
fijo, que corresponde a un ángulo igual a ± arc cos 1/γ. Cuál de los dos dependerá
de la perturbación inicial. La solución tiene menos simetrı́a que la ecuación y por tal
razón se dice que la solución corresponde a una pérdida de simetrı́a. Tanto la ecuación
original como la simplificada son simétricas con respecto a la substitución φ ↔ −φ,
pero ninguna de las dos soluciones φ∗3 = arc cos 1/γ ó φ∗4 = − arc cos 1/γ es simétrica.
Este ejemplo ilustra la afirmación que se hizo acerca de la aparición de la bifurcación
tipo tridente supercrı́tica en casos en los cuales hay simetrı́a en las ecuaciones.
Para completar este ejemplo es conveniente estudiar la justificación de la aproxima-
ción en que se incurrió al despreciar el término que contiene la derivada de segundo
orden en la Ecuación 6.3. La primera idea de considerar el lı́mite cuando m → 0 pare-
ce que pudiera funcionar, pero en tal caso también las fuerzas centrı́fuga y la gravedad
tienden a 0. Por lo tanto el análisis debe ser más cuidadoso. Un enfoque adecuado
es el análisis dimensional (Barenblatt 1996) que permite comparar los términos entre
sı́, para poder decidir más adecuadamente cuáles son grandes y cuáles pequeños en
comparación con la unidad, además permite reunir los parámetros en grupos adimen-
sionales. Para tal fin se procede a definir una escala temporal caracterı́stica, T , a
ser definida más adelante, lo que permite introducir un tiempo adimensional τ = Tt .
112
6.5. Aplicaciones
Usando la regla de la cadena las derivadas son
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
Figura 6.29: Tasa de mortalidad de los gusanos del abeto
población de gusanos alcanza un cierto valor A, se dispara la presencia de pájaros,

atraı́dos por la abundancia de comida, lo que lleva a que la tasa de mortalidad se
sature en un valor B, que corresponde a la tasa máxima de predación, los pájaros
comen gusanos tan rápido como pueden. Esto se puede representar matemáticamente
mediante p(N ) = BN 2 /(A2 + N 2 ), con A y B dos constantes conocidas y positivas.
En estas condiciones el modelo es
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
de donde se deduce que si se cambia la escala de tiempo mediante τ = Bt/A y se

re-escribe los parámetros r = RA/B como una tasa de crecimiento adimensional
y k = K/A la correspondiente capacidad de soporte adimensional la ecuación se
simplifica en
x x2
ẋ = rx(1 − ) − .
k 1 + x2
Lo primero es reconocer que el origen, x = 0, es un punto fijo independiente de los
valores de los parámetros (x es un factor común de los términos a la derecha de la
ecuación diferencial). Además el origen es inestable como se puede verificar calculando
el signo de la derivada, lo que se puede interpretar porque la predación es despreciable
y la población de abetos crece exponencialmente de acuerdo al modelo logı́stico para
valores muy pequeños de x.
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
Figura 6.31: Estabilidad de los puntos fijos del problema de los gusanos y abetos
Figura 6.32: Diagrama de bifurcación del problema de los gusanos y abetos
de la curva y la recta de la Figura 6.30, la condición de tangencia, que corresponde

a igualdad de las derivadas −r/k = (1 − x2 )/(1 + x2 )2 . La solución simultánea lleva
a la siguiente representación paramétrica con x > 1 jugando el papel de parámetro
r = 2x3 /(1 + x2 )2 y k = 2x3 /(x2 − 1).
6.6. Ejercicios
6.6.1. Consulte los métodos de solución numérica de sistemas de ecuaciones dife-

renciales, en particular el método de Euler y los métodos de Runge-Kutta. No sólo
interesa el procedimiento, también es importante estimar los errores de la aproxi-
mación. Seleccione un caso de interés y aplique dos esquemas de solución numérica.
Compare y estudie los errores de aproximación.
6.6.2. Discuta el problema inverso: Dada una función, encontrar una ecuación dife-
rencial cuya solución sea la función original, o dado un campo vectorial. Presente
ejemplos.
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
Figura 6.33: Paradoja de condiciones iniciales
tiene como solución

πt
x(t) = A cos , con τ = π/2.
2τ
Es instructivo aplicar el método usual empleado para las ecuaciones diferenciales
ordinarias buscando soluciones de la forma x(t) = c exp λt, con λ = µ + iω un número
complejo por determinar. Considere los posibles casos con λ real, imaginario puro o
parte real negativa. Interprete la condición τ = π/2.
6.6.9. Continuando con las ecuaciones rezagadas, el caso de la ecuación logı́stica es
importante desde el punto de vista aplicado. La ecuación logı́stica rezagada es
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 ).
donde por comodidad no se usan los ∗ para t y τ . Demuestre que la solución es

periódica, que para N el perı́odo es 4τ .
6.6.10. Desarrolle o consulte un procedimiento numérico semejante al método de
Euler para las ecuaciones con rezago.
6.6.11. Considere la siguiente ecuación diferencial lineal rezagada
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
Flujos en Dos Dimensiones
De forma gradual empiezan a aparecer los primeros elementos de situaciones más

complejas, por ejemplo, las oscilaciones y los ciclos lı́mite. Se inicia en la sección 7.1
con los sistemas lineales lo que permite presentar situaciones genéricas válidas para
cualquier número de dimensiones en un caso de fácil comprensión. Se procede luego
en la sección 6.2 al caso general no-lineal.
Temas más avanzados se pueden consultar en Mesa (2018, S. 6.3) que presenta los
elementos básicos de la teorı́a de ı́ndices. Se estudian luego los ciclos lı́mite (Mesa
2018, S. 6.4), una caracterı́stica netamente no-lineal. Se termina con el estudio de
bifurcaciones (Mesa 2018, S. 6.5). En capı́tulos posteriores de esa referencia se trata
el caos y se presentan varias aplicaciones.
Este capı́tulo es tomado principalmente de Strogatz 1994, Hirsch, Smale y Devaney
2004, Arnold (1973) y de Arnold (2012).
7.1. Sistemas Lineales

Introducción
La nomenclatura que se usará para el sistema acoplado de dos ecuaciones diferenciales
ordinarias es
ẋ = ax + by
ẏ = cx + dy.
En forma matricial
ẋ = Ax,

a b x
A= ,x=
c d y
119
7. Flujos en Dos Dimensiones
Un truco elemental permite expresar un sistema de orden mayor como un sistema de

ecuaciones. Lo ilustramos con el caso particular del oscilador armónico simple, muy
conocido en fı́sica elemental. Se obtiene de aplicar la segunda ley de Newton para una
partı́cula de masa m sometida a una fuerza elástica lineal con constante k,
mẍ = −kx, (7.1)
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.
En la Figura 7.1 se ilustra el campo vectorial y el espacio de fase correspondiente.

Note que el espacio de fase es el plano bidimensional, cualquier punto representa
una posición y una velocidad de la partı́cula, nuestro sistema se caracteriza por el
vector (x, v). En cada instante, t, el sistema de ecuaciones nos describe la evolución
del sistema, cómo va a ser el sistema en el tiempo futuro, t + dt, mediante el vector
(v, −ω 2 x) = (ẋ, v̇). El campo vectorial corresponde a la asignación de un vector a
cada punto, este vector tiene como componentes las derivadas con respecto al tiempo
de cada una de las coordenadas del espacio de fase. Si se usa la terminologı́a del
flujo, al vector derivada se le designa como un vector velocidad. El término acá tiene
un sentido más general que el de la velocidad de la partı́cula y se entiende como la
velocidad del sistema, el vector que indica la magnitud y dirección del cambio del
sistema en el espacio de fase. Cada punto es transportado por el flujo, de acuerdo al
vector velocidad indicado en el campo vectorial correspondiente.
En el cuadro de la derecha de la Figura 7.1 se presenta el esquema de varias tra-
yectorias asociadas a diferentes condiciones iniciales. Las trayectorias son cerradas,
al rededor del origen. El origen es un punto fijo. Estas trayectorias en el espacio de
fase corresponden a comportamientos bien reconocidos del oscilador simple. El origen
corresponde a un equilibrio estático. Las trayectorias cerradas a oscilaciones o movi-
mientos periódicos. La descripción del movimiento periódico es interesante, cuando
el resorte está más comprimido el desplazamiento es mı́nimo (más negativo), la ve-
locidad cero, corresponde al punto cuando el sistema cruza el eje x en el extremo
izquierdo de la trayectoria cerrada en el espacio de fase. En tal punto, la fuerza (ace-
leración) es máxima, lo que corresponde a que el campo vectorial es hacia arriba y
de máxima magnitud. A medida que gira, la partı́cula adquiere velocidad y se acerca
en posición al origen (cero fuerza elástica), pero la velocidad es máxima, por tanto lo
sobrepasa e inicia un ciclo de extensión. De igual manera se puede describir el resto
del movimiento.
Otro caso particular que permite analizar el comportamiento del sistema en función
de los posible valores de un único parámetro, a, corresponde a dos ecuaciones desaco-
pladas,
ẋ = ax
ẏ = −y.
120
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
La solución es directa, x = x0 eat y y = y0 e−t . La Figura 7.2 ilustra las trayectorias

en el espacio de fase para diversos valores del parámetro a.
Cuando a < 0 todas las trayectorias van al origen, la dirección por la que se acercan
depende de como es a en comparación con −1; tanto x como y van a cero, pero una de
las dos va más rápido, las trayectorias se vuelven tangentes a la dirección que decae
más despacio. Igualmente si se miran las trayectorias invertidas, cuando t → −∞,
se vuelven tangentes a la dirección que decrece más rápido. En este caso (a < 0), el
origen es estable.
Cuando a > 0 la variable x tiende a infinito, el origen es inestable, aunque sigue
siendo un punto fijo. De hecho, si la condición inicial está sobre el eje y, la trayectoria
121
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 )
Exponencial de una Matriz

Buena parte del material de esta sección es general para cualquier número de dimen-
siones (Hirsch, Smale y Devaney 2004). Como el sistema es lineal, el problema queda
totalmente definido por la matriz de coeficientes A y el vector de valores iniciales x0 ,
ẋ = Ax, x(0) = x0 (7.4)
Si λ1 es un autovalor de la matriz A y v1 es su correspondiente vector propio, es decir

det(Av1 − λ1 I) = 0 y Av1 = λ1 v1 , una solución (satisface la ecuación diferencial, no
necesariamente la condición inicial) del sistema ẋ = Ax es de la forma
x = x(t) = eλ1 t v1 .
Como se puede verificar directamente
ẋ = λ1 eλ1 t v1
= eλ1 t λ1 v1
= eλ1 t Av1
= Aeλ1 t v1
= Ax.
122
En los casos de autovalores complejos se usa la formula de Euler (exp(ıθ) = cos θ +

ı sen θ) para calcular el exponencial.
Si para el caso n-dimensional se tienen n valores propios diferentes, λ1 , λ2 , · · · , λn , los
correspondientes vectores propios, vk , k = 1, · · · , n son linealmente independientes y
por lo tanto se tienen n soluciones independientes.
Para los sistemas lineales, cualquier combinación lineal de las soluciones es solución,
ck eλk t vk es solución para coeficientes arbitrarios ck . Lo que permite
P
por tanto
pensar que la solución del sistema (7.4) es x(t) = eAt x(0), como se va a mostrar.
La exponencial de una matriz se define usando la expansión en series
eA = exp (A) = I + A + 1
2! A
2
+ 1
3! A
3
+ ··· .
Cuando los vectores propios son linealmente independientes, la matriz A es diagona-

lizable. Sea P una matriz cuyas columnas son los vectores propios de A. Entonces,
la matriz D = P−1 AP es diagonal, con precisamente los autovalores de A en la
diagonal. En este caso se tiene
2 3
eA = I + PDP−1 + 1
2! PDP−1 + 1
3! PDP−1 + ···
= PIP−1 + PDP−1 + 2! 1
PDP−1 PDP−1 + 1
3! PDP
−1
PDP−1 PDP−1 + ···
h i
1
= P I + D + 2! D2 + 3!
1
D3 + · · · P−1
= PeD P−1 .
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

√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 ,
con A una matriz constante de orden n × n, tiene como única solución
x(t) = etA x0
La prueba es una aplicación directa del anterior teorema. Es ilustrativo verificar el

caso en el cual la matriz tiene valores propios diferentes y por tanto es diagonalizable.
El vector columna con los coeficientes (coordenadas) para expresar x0 en términos de
la base formada por los vectores propios es P−1 x0 , y la matriz cuyas columnas son
las soluciones asociadas a cada valor propio es P exp(tD).
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
Figura 7.3: Esquema del diagrama de fase para la ecuación ẋ = x + y, ẏ = 4x − 2y.
Definición 7.1.1. Una Matriz A es Hiperbólica si ninguno de sus valores propios

tiene parte real cero. En este caso se dice que el sistema dinámico ẋ = A(x) es
Hiperbólico.
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∆),
donde τ = a + d es la traza y ∆ = ad − bc es el determinante de A. No hay formulas

semejantes para el cálculo de los valores propios en otras dimensiones.
Con esta fórmula se procede a la clasificación. El primer criterio se refiere a si los
valores propios son complejos, reales y diferentes, o reales y repetidos. Todo depende
del valor del discriminante, τ 2 − 4∆. En cada caso se puede decir más, dependiendo si
la parte real es positiva o negativa. La Figura 7.4 ilustra muy bien esta clasificación.
1. Si τ 2 − 4∆ < 0, los valores propios son complejos, la parte imaginaria diferente
de 0.
a) Si τ < 0, la parte real de los dos valores propios es negativa, por lo tanto
el origen es un sumidero en espiral, también se le dice espiral estable, es
decir el origen es estable (ver ejemplo en Figura 7.7).
125
Figura 7.4: Diagrama de clasificación de los diferentes comportamientos asintóticos

de las soluciones del sistema lineal de dos ecuaciones lineales diferenciales ordinarias
según √
los valores de los parámetros. Los valores propios de la matriz son λ1,2 =
1
2 (τ ± τ 2 − 4∆). El determinante ∆ y la traza τ se calculan mediante, ∆ = λ1 λ2 =
ad − bc, τ = λ1 + λ2 = a + d
Figura 7.5: Esquemas del diagrama de fase para un nodo, λ1 < λ2 < 0.
Figura 7.6: Esquemas del diagrama de fase para un nodo degenerado.
126
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.
b) Si τ > 0, la parte real de ambos valores propios es positiva, por tanto el

origen es una fuente en espiral, también se le dice espiral inestable, es decir
el origen es inestable (ver ejemplo en Figura 7.7).
c) Si τ = 0, la parte real de los dos valores propios es cero, ambos son ima-
ginarios puros y se tiene un centro. En este caso el origen es neutramente
estable (ver ejemplo en Figura 7.1).
2. Si τ 2 − 4∆ > 0, los valores propios son reales y diferentes.
a) Si ∆ < 0 se tiene un valor propio negativo y uno positivo, pues ∆ = λ1 λ2 ,
luego el origen es un punto de silla, en una dirección atrae y en la otra
repele (Figura 7.3 y Figura 7.8).
b) Si ∆ > 0 y τ < 0 ambos valores propios son negativos √ pues obviamente
τ 2 >√τ 2 − 4∆ > 0, lo que implica −τ = |τ | > τ 2 − 4∆ y por tanto
τ ± τ 2 − 4∆ < 0. Luego, el origen es un sumidero (real), también se
llama nodo estable ( Figura 7.8).
c) Si ∆ > 0 y τ > 0 entonces ambos valores propios son positivos, como se
puede ver √ de un análisis semejante al del caso anterior(τ 2 > τ 2 − 4∆, por
tanto τ > τ 2 − 4∆ > 0). El origen es entonces una fuente (real), también
se le dice un nodo inestable (ver ejemplo en Figura 7.8).
d ) Si ∆ = 0 y τ 6= 0 al menos un valor propio es cero, por tanto no hay puntos
fijos aislados (ver ejemplo en Figura 7.2). Todo el plano es punto fijo si
A=0
3. Si τ 2 − 4∆ = 0, los valores propios son reales y repetidos. En este caso, cuando
hay un sólo autovector linealmente independiente, el punto fijo se designa como
un nodo degenerado (ver Figura 7.6); si hay dos autovectores vectores lineal-
mente independientes, el punto fijo con valor propio repetido se denomina una
estrella (ver ejemplo en Figura 7.2).
127
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.
7.2. Espacio de Fase, 2D

Es fundamental la interpretación del espacio de fase como un campo vectorial en el
cual a cada punto (en este caso del plano) se le asigna un vector (con componentes las
respectivas derivadas temporales). Cada punto se puede pensar como una posición
inicial y el vector asociado a cada punto representa la velocidad. La solución del
sistema de ecuaciones con esa posición inicial da origen a una trayectoria. El vector
velocidad es tangente a la trayectoria. El interés es el sistema dinámico completo, por
lo tanto se mira la colección completa de posibles trayectorias (Figura 7.10).
Diagramas de Fase
La forma general de un sistema dinámico en dos dimensiones es
x˙1 = f1 (x1 , x2 )
x˙2 = f2 (x1 , x2 ),
Figura 7.9: Puntos fijos, trayectorias, órbitas, ciclos lı́mite
128
que en forma vectorial es

ẋ = f (x) (7.5)
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
Figura 7.11: Nulclinas para el sistema ẋ = x + e−y , ẏ = −y
Figura 7.12: Diagrama de fase para el sistema ẋ = x + e−y , ẏ = −y
130
Figura 7.13: Esquemas sobre imposibilidad de intersección de trayectorias y sobre

trayectorias al interior de una trayectoria cerrada
Teorema 7.2.1. El problema de valores iniciales

ẋ = f (x), x(0) = x0
tiene una única solución en un intervalo abierto (−τ, τ ), si tanto f como todas sus
derivadas parciales ∂fi /∂xj , i, j = 1, · · · , n son continuas en un conjunto abierto que
contiene a x0
La unicidad prohı́be la intersección de trayectorias diferentes, pues habrı́a múltiples

trayectorias iniciando de un mismo punto común (el punto de corte), como se ilustra
en el lado de la izquierdo de la Figura 7.13. Esto no excluye las trayectorias cerradas,
que son una sola trayectoria. Pero en el plano si hay consecuencias topológicas impor-
tantes. En el lado derecho de la Figura 7.13 se ilustra una trayectoria en el interior de
una trayectoria cerrada, que por lo tanto debe permanecer en interior por siempre.
Si hay algún punto fijo en el interior de la trayectoria cerrada, una trayectoria del
interior puede obviamente acercarse a él. Pero si no hay puntos fijos en el interior, la
trayectoria no puede divagar eternamente. El Teorema de Poincaré-Bendixson prueba
que eventualmente debe acercarse a una trayectoria cerrada.
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
Figura 7.14: Ejemplo hiperbólico en el cual la linealización predice adecuadamente la

estabilidad de los puntos fijos: ẋ = −x + x3 , ẏ = −2y
Figura 7.15: Caso en el cual no aplica el análisis lineal, un centro no hiperbólico se

perturba a una espiral ẋ = −y + ax(x2 + y 2 ), ẏ = x + ay(x2 + y 2 )
ecuación lineal ż = J(f , x∗ )z define la estabilidad de acuerdo al análisis lineal. Este

es el teorema de Hartman-Grobman, importante resultado del estudio de sistemas
dinámicos. Si no se cumple la condición, los términos no lineales no son despreciables
y se requiere un análisis posterior.
El sistema ẋ = −x + x3 , ẏ = −2y, ilustrado en la Figura 7.14 es hiperbólico en los
tres puntos fijos (−1, 0), (0, 0) y (1, 0), la matriz Jacobiana es
−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
La condición de que la matriz Jacobiana sea hiperbólica en el punto fijo es funda-

mental, como lo ilustra el análisis del siguiente sistema ẋ = −y + ax(x2 + y 2 ), ẏ =
x + ay(x2 + y 2 ). La aproximación lineal predice que el origen es un centro para todo
a. El sistema linealizado es ẋ = −y, ẏ = x. Pero en realidad el origen no es un centro
para el sistema no lineal, incluso con valores muy pequeños de a, como se puede ver
si se transforma el sistema a coordenadas polares, ṙ = ar3 , θ̇ = 1. La Figura 7.15
ilustra el diagrama de fase para tres casos del parámetro a.
La conclusión es que los centros son frágiles, la trayectoria cerrada exige que después
de un ciclo la trayectoria cierre exactamente, cualquier perturbación, por pequeña,
como puede ser una perturbación no—lineal, la transforma en una espiral.
Para formalizar, el concepto de sistema hiperbólico se extiende a los sistemas no
lineales mediante
Definición 7.2.1. Si la parte real de todos los autovalores de matriz Jacobiana en

un punto es diferente de cero, el sistema se denomina hiperbólico.
Teorema 7.2.2 (Hartman-Grobman). Un sistema hiperbólico es equivalente a su

parte lineal en la vecindad de un punto singular hiperbólico.
El teorema de Hartman-Grobman establece además que el diagrama de fase cerca a un

punto fijo hiperbólico es equivalente topológicamente al diagrama de fase del sistema
linealizado. En particular, la estabilidad de los puntos fijos se representa fielmente.
La equivalencia topológica en este contexto significa que hay un homomorfismo (una
función continua, con inversa continua) que relaciona un diagrama de fase local con
el otro, tal que las trayectorias se mapean en trayectorias y la dirección y el sentido
del tiempo se preservan. Además, el teorema establece una clase de estabilidad más
fundamental, la llamada estabilidad estructural. Los sistemas hiperbólicos no cambian
su estabilidad si el sistema mismo sufre perturbaciones, es decir, si el lado derecho
de la Ecuación (7.5) se cambia por g(x), con f cercano a g el flujo resultante es
estructuralmente estable.
Esto es particularmente importante, pues cualquier sistema real se aproxima median-
te un modelo, es decir, se dejan de lado aspectos de la realidad que se consideran
en algún sentido despreciables. Pero es necesario verificar si el carácter asintótico de
la solución no cambia debido a la aproximación. Un modelo para el cual esta con-
dición no se cumpla no es muy útil para estudiar la realidad. Para ilustrar con un
ejemplo, el modelo del movimiento de un móvil terrestre en la gran mayorı́a de casos
ignora la atracción de Saturno. El teorema de Hartman-Grobman establece que tales
aproximaciones son legı́timas.
Un diagrama de fase es estructuralmente estable si su topologı́a no cambia por pe-
queñas perturbaciones al campo vectorial. Por ejemplo, un punto de silla es estructu-
ralmente estable, pero un centro no. Una pequeña dosis de amortiguación transforma
un centro en una espiral.
133
Figura 7.16: Diagrama de fase para el péndulo
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
Figura 7.17: Espacio de fase cilı́ndrico para el péndulo
Figura 7.18: Amortiguación
135
Capı́tulo 8
Aplicaciones de Transiciones
Crı́ticas
8.1. Algunos Modelos
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
Figura 8.2: Función de Monod
La ecuación de Monod se puede entender desde la Cinética de reacciones, en particular

la llamada cinética Michaelis-Menten. Sea la siguiente reacción en equilibrio.
kf k
−−
E+S)−* c
− ES −−→ E + P,
kr
138
8.1. Algunos Modelos
es fácil ver que las correspondientes concentraciones deben cumplir

d[E]
= −kf [E][S] + kr [ES] + kc [ES] (8.1)
dt
d[S]
= −kf [E][S] + kr [ES] (8.2)
dt
d[ES]
= kf [E][S] − kr [ES] − kc [ES] (8.3)
dt
d[P ]
= kc [ES]. (8.4)
dt
De sumar (8.1) y (8.3) se obtiene
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]
En algunas ocasiones se usa la llamada función inversa de Monod, µinv , definida de

tal manera que µ + µinv = µmax , es decir
KS
µinv = µmax − µ = µmax ,
KS + S
que para S = 0 vale µmax , decrece a cero a medida que S → ∞, pasando por µmax /2
para S = KS .
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
Figura 8.3: Función de Hill para diferentes valores de n
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
Modelo Lotka-Volterra de Competencia
Corresponde a una ligera generalización del ejemplo de la curva logı́stica de crecimien-

to al introducir dos especies que compite. El modelo asume que cada especie crecerá
hasta su capacidad de soporte en ausencia de competencia (modelo logı́stico). Una de
las especies (conejos) tiene mayor tasa de crecimiento. Las dos especies compiten por
el mismo recurso, en este caso pastura. La competencia es proporcional al tamaño
de cada población, el efecto de la competencia puede ser diferente para las distintas
especies (los conejos sufren más).
Si x representa la población de conejos y y la de ovejas, un modelo para representar
lo anterior es
ẋ = 3x(1 − x/3) − 2xy

ẏ = 2y(1 − y/2) − xy
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
La substitución de x y y para cada uno de los puntos fijos en la matriz jacobiana y el

análisis de los correspondientes valores propios permite concluir que el origen (P1 ) es
inestable, tanto P2 como P3 , que corresponden a una sola de las especies presentes son
estables, y P4 es un punto de silla. Como la matriz jacobiana en todos estos puntos
es hiperbólica, la estabilidad del análisis lineal se aplica para el sistema nolineal. La
Figura 8.4 ilustra este análisis y además introduce el concepto de lı́nea divisoria y
cuenca para cada uno de los puntos fijos estables.
Figura 8.4: Diagrama de fase para el modelo Lotka-Volterra de Competencia
141
Generalización
n
X
x˙k = xk (ak + bk,j xj ), para k = 1, . . . , n
j=1
ak es la tasa de crecimiento (muerte si es negativa) de cada especie

bk,j mide la magnitud de la influencia de la población de la especie j sobre la
especie k. Por ejemplo si j preda a k entonces bk,j < 0 y bj,k > 0. Pero ambas
son negativas si compiten, y son positivas si hay simbiosis.
En el caso de presa-predador, la tasa de crecimiento del predador es negativa
en ausencia de la presa (la presa es un recurso de subsistencia indispensable).
Las auto-influencias bk,k son normalmente negativas reflejando la capacidad de
soporte.
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
Luego (0, 0) es un punto de silla y (1, 3/2) un centro
ẋ = x(3 − 2y), ẏ = y(−1 + x)
ẋ = x(3 − 2y), ẏ = 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
Figura 8.5: Diagrama de fase modelo Presa predador
Figura 8.6: Serie de tiempo modelo Presa predador
Un modelo con competencia intraespecı́fica es

ẋ = x(3 − x − 2y)
ẏ = y(−1 + x/4 − y),
que tiene puntos fijos: (0, 0), (3, 0). El Jacobiano es

3 − 2x − 2y −2x
J= .
y/4 −1 + x/4 − 2y
Luego (0, 0) es un punto de silla y (3, 0) un sumidero
143
Figura 8.7: Serie de tiempo modelo presa predador modificado
Control Biológico de Plagas

El uso de predadores naturales para controlar plagas se fundamenta en mantener
bajo control, es decir evitar el aumento significativo de la población de la plaga
mediante el incremento de la población del predador. Es decir se busca mantener
ambas poblaciones en niveles bajos aceptables. El propósito no es erradicar la peste,
únicamente mantener su población en niveles bajos, controlados (Murray 2002).
Aunque muchos modelos de situaciones reales son razonablemente robustos desde el
punto de vista de estabilidad, la sensibilidad puede ser alta. Por tal razón es impor-
tante cuidar el ajuste del modelo y los parámetros a las observaciones.
Hay muchos ejemplos satisfactorios de control biológico, en particular en cultivos de
larga duración como los frutales y otras explotaciones forestales, donde la interac-
ción presa-predador es continua. Sin embargo los cambios ecológicos producidos por
la cosecha de cultivos perennes han producido resultados menos satisfactorios. Los
mayores éxitos han sido en casos en los que el predador es un parásito. Esto último
puede ser importante en enfermedades humanas.
Además de los aspectos de construcción de modelos, esta área requiere especial cui-
dado con la estimación de parámetros y de las condiciones iniciales. En particular,
cuando las oscilaciones muestran where the oscillations muestran un brote inicial, una
recesión y una recuperación lenta. Los niveles durante la recesión pueden estar cerca
de los niveles de extinción.
144
8.3. Control Genético
Figura 8.8: Serie de tiempo modelo presa predador modificado
8.3. Control Genético

Un ejemplo de una bifurcación interesante es el control genético que puede resultar
en que un gen se exprese o permanezca inactivo dependiendo del estimulo de dos
proteı́nas que son sus subproductos. El modelo es
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
Figura 8.9: Control genético
Figura 8.10: control genético
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
Ṅ = C(N ) − P (t) = r0 N [1 − N/K] − P (t). (8.5)
Un concepto importante que se puede definir usando este modelo es el de la Máxima

Tasa Sostenible de Pesca, M T SP ,
M T SP = máx C(N ) = C(K/2) = rK/4. (8.6)

N
147
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,
P (t) = qN (t)E(t), (8.7)

donde E(t) es el “esfuerzo pesquero” en el tiempo t, representado por ejemplo por
el tamaño de la flota, o el número de redes. La constante q, un número menor que
la unidad, corresponde a la efectividad de la pesca. La ecuación (8.7) simplemente
expresa que la tasa de pesca es proporcional a la población de peces, N (t), al esfuerzo
pesquero, E(t), y a la efectividad de la pesca.
A continuación Gordon (1954) procede a calcular la ganancia G de los pescadores. Si
el precio de venta unitario de los peces es p y el costo por unidad de esfuerzo es c, el
flujo de ganancia para los pescadores es
G(t) = pP (t) − cE(t) = [pqN (t) − c]E(t). (8.8)
De la ecuación (8.8) se puede concluir que en ausencia de controles sobre la pesca, la
población de peces será reducida, diezmada hasta un nivel Nebe , que está dado por
c
Nebe = , (8.9)
pq
148
8.5. Inteligencia Colectiva
la razón de la nomenclatura es que Nebe es una población de equilibrio bio-económica.

Para entender el por qué se reduce la población hasta este nivel, note que si N (t) >
Nebe entonces G(t) > 0, por lo tanto es rentable aumentar el esfuerzo pesquero E(t),
lo que conduce a Ṅ < 0, por tanto la población disminuye hasta que N (t) ≤ Nebe ,
es decir hasta que G(t) sea menor o igual a cero y por lo tanto el esfuerzo por pesca
adicional cese.
Otra manera de ver esto es considerar el sistema
Ṅ = r0 N [1 − N/K] − qN E
Ė = (pqN − c)E,
donde la segunda ecuación contiene la dinámica del esfuerzo pesquero E, que se asume
proporcional a la ganancia, es decir crece si la ganancia es positiva y decrece si es
negativa. Claramente (Nebe , Eebe ) = cp−1 q −1 , r0 q −1 (1 − Nebe /K) es un punto fijo
estable, sumidero en espiral, para el rango de parámetros cp−1 q −1 < K.
Pero el análisis de la ecuación 8.9 indica que Nebe es proporcional al costo c, e inver-
samente proporcional al precio de venta p. Por lo tanto, menores costos, o mayores
precios de venta, implican un nivel mayor de explotación del recurso. Es decir más
sobre-pesca. Pero esto, aunque completamente lógico y elemental, es todo lo contrario
de lo que la teorı́a económica predice para la producción de otros bienes, por ejem-
plo los industriales. Para este tipo de bienes la capacidad productiva se incrementa
con menores costos o mayores precios de venta, lo contrario de lo que ocurre con la
explotación de los recursos naturales.
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.

Esta sección presenta un modelo simple para la inteligencia colectiva basado en
Solé (2011, p. 157). Los insectos sociales construyen estructuras complejas para ex-
plorar el ambiente en búsqueda de recursos, tomar decisiones que de alguna manera
nos recuerdan el funcionamiento del cerebro. Estas colonias realizan tareas sofistica-
das a pesar de que los individuos tienen capacidad limitada. La respuesta a cómo los
149
insectos sociales pueden realizar tareas complejas no es elemental. Una posibilidad es

la teorı́a de la criticalidad auto-organizada, que algunos expresan por las sigla SOC
(Self Organized Criticality). Aquı́ se considera sólo un primer modelo simple de este
tema que es bastante más amplio.
El experimento a considerar se refiere a la pérdida de simetrı́a. Se construye una
situación en la cual para acceder a una fuente de alimento las hormigas deben escoger
entre dos posibles puentes, ver Figura (8.11). Ambas rutas tienen igual longitud y
dificultad. Se sabe que las hormigas siguen la huella quı́mica que sus congéneres
dejaron. Mientras más feromonas se hayan depositado a lo largo de una ruta mayor
será la probabilidad de que la sigan. En el mundo real las rutas tienen longitudes y
dificultades diferentes y como resultado de tal inteligencia colectiva estos organismos
sociales resuelven complejos problemas de optimización. El experimento ilustrado
busca entender cómo realizan los problemas más complicados estudiando en caso más
simple (Nicolis y Deneubourg 1999).
Sean x y y las concentraciones de feromona en cada uno de los puentes. Estas concen-
traciones son de alguna manera función del número de hormigas que exploran cada
ruta. También se tiene en cuenta que hay evaporación.
dx (x + k)2
= ẋ = a1 − bx, (8.10)
dt (x + k)2 + (y + k)2
dy (y + k)2
= ẏ = a2 − by. (8.11)
dt (x + k)2 + (y + k)2
Los parámetros a1 , a2 son la cantidad de la feromona que resulta si todas hormigas del
nido van por cada ruta, b es la tasa de evaporación y k un umbral de concentración.
Todos lo parámetros son positivos. Se va a tomar el caso simétrico, a1 = a2 = a.
Para referencia posterior las ecuaciones de los puntos fijos del sistema (8.10), (8.11)
son
(x + k)2
a − bx = 0, (8.12)
(x + k)2 + (y + k)2
(y + k)2
a − by = 0. (8.13)
(x + k)2 + (y + k)2
Si se suman las Ecs (8.12) y (8.13) se tiene que los puntos fijos cumplen
x + y = a/b. (8.14)
Con algebra elemental se ve que la nulclina (8.12), asociada a ẋ = 0, es

r
a − bx
y = (x + k) − k, (8.15)
bx
y que la nulclina (8.13), asociada a ẏ = 0, es
s
a − by
x = (y + k) −k (8.16)
by
150
Figura 8.11: Pérdida de simetrı́a en colonias de hormigas. La imagen muestra cómo

las hormigas seleccionan uno de dos posibles puentes entre su nido y una fuente de
alimento. Al cabo de un tiempo toman una ruta preferencial. Tomado de Solé (2011,
p.158)
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
y(x + k)2 = x(y + k)2 . (8.17)
La substitución z = (x − y)/2 ayuda a simplificar un poco la escritura (en vista de

(8.14) se tiene x = a/(2b) + z y y = a/(2b) − z). Reemplazando estas expresiones en
(8.17) se tiene
2 2
a a a a
−z +k+z = +z +k−z .
2b 2b 2b 2b
que se simplifica a !
a2
− k2 z − z 3 = 0. (8.18)
4b2
Por lo tanto zp= 0 es siempre una raı́z. Además si a > 2bk = acr hay otras dos raı́ces
reales, z = ± a2 /(2b)2 − k 2 .
Se invita al lector a complementar el análisis anterior usando una herramienta de
solución (pplane) para los tres casos importantes (a < acr , a = acr y a > acr ). En
cada caso es importante determinar la estabilidad de los puntos fijos y dibujar el
diagrama de bifurcación correspondiente (asumir valores positivos arbitrarios para
los parámetros b y k).
151
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
8.6. Dinámica de Lagos Pandos

Scheffer (2009) presenta un buen resumen de las múltiples retro alimentaciones exis-
tentes en los lagos pandos. El autor es un especialista en el tema, autor de múltiples
trabajos, algunos serán reseñados, otros se pueden consultar en la bibliografı́a del
libro.
Entre los ejemplos más espectaculares de transiciones crı́ticas se destaca la histéresis
entre aguas claras y turbias debida al incremento de fitoplancton, a su vez resultado
del aumento de nutrientes en vertimientos que van al lago, proceso denominado eutro-
fización. El diagnóstico del problema sugiere controlar los vertimientos, pero aunque
se regrese a niveles propios del estado claro en el lago, la turbiedad continúa.
Son varios los procesos involucrados, probablemente la presencia o ausencia de vege-
tación de fondo hace la diferencia, como se puede deducir de la Figura 8.12.
Figura 8.12: Histéresis de turbidez en lagos pandos. La curva negra corresponde a

ausencia de vegetación, la gris a presencia de vegetación. Las lı́neas horizontales son
valores crı́ticos de turbidez para alta temperatura (trazos) y baja (punteada). Adap-
tada de Scheffer (2009, p. 28)
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
directa de la profundidad es la falta de estratificación térmica porque la luz puede

penetrar toda la columna. También es común que haya mezcla total por efecto del
viento, aunque esto depende obviamente del clima y de la presencia de vegetación.
Estos cuerpos de agua son vulnerables a la eutrofización por aumento de nutrientes
en vertimientos, debido a la amplia posibilidad de interacción entre los sedimentos y
el agua. Los nutrientes son ricos en fósforo y nitrógeno.
Los lagos pueden tener gran diversidad de biota, incluyendo macrófitas, numerosas
interacciones tróficas, fitoplancton, zooplancton, plantas sumergidas o flotantes, micro
invertebrados, peces, aves, etc.
Los estados alternativos que se mencionaron antes se denominan claro o transparente
y turbio. En el primero la luz penetra hasta el fondo, hay vegetación de fondo, hay
fitoplancton pero su población está controlada por zooplancton, en particular por
pulgas de agua o Dafnias, que a su vez pueden estar bajo control por peces. El estado
turbio se caracteriza por la falta de vegetación de fondo, domina el fitoplancton,
eventualmente se pueden desarrollar ciano-bacterias, el zooplancton normalmente está
sometido a altos niveles predatorios por peces, el sedimento es inestable.
Otra manifestación de las complejas interacciones en estos ecosistemas es la posibili-
dad, documentada y verificada en múltiples oportunidades, de revertir una transición
al estado claro mediante la remoción temporal de los peces, para disminuir la pre-
dación sobre el zooplancton lo que significa la posibilidad de que la población de
fitoplancton sea controlada y disminuya la turbidez. Otra opción que se ha empleado
es la disminución del nivel del lago.
En las zonas templadas la estacionalidad produce una dinámica temporal importan-
te, eventualmente ciclos y hasta caos. En invierno la vegetación sumergida tiende a
desaparecer, subsisten las semillas, las raı́ces y tubérculos. En primavera hay la posi-
bilidad de que se re-establezca el estado anterior claro, para empezar, el valor crı́tico
de turbidez para la temperatura baja es también más bajo. En primavera los peces
ponen grandes cantidades de huevos, y al cabo de una semanas habrá abundancia de
juveniles. Estos se refugian en zonas de profundidad baja donde no pueden ser ata-
cados por peces mayores, además la temperatura tiende a ser mayor, lo que favorece
su desarrollo. Eventualmente el alimento puede llegar a ser limitante. El crecimiento
en talla es importante, porque a partir de un determinado tamaño no son objeto de
presa. En algunos lagos el estado claro de la primavera da origen a una fase turbia,
por el colapso de la población de dafnias que son predadas por los peces.
Como se puede apreciar, la complejidad del tema es grande, son varias las variables
y las inter-acciones. De las diferentes posibilidades se van a presentar cuatro modelos
simples, que consideran uno, máximo dos eslabones de las posibles cadenas de retro-
alimentación.
La filosofı́a de la modelación no es diferente a la básica de los modelos en general en
ciencias e ingenierı́a. Se quiere capturar parte de la realidad, se simplifica el resto, lo
que no se considera importante para efectos de la pregunta de interés. El modelo se usa
con un propósito, siempre hay conciencia de sus limitaciones. Cuando éstas se tornan
importantes es el momento de abandonar el modelo y reemplazarlo por otro mejor.
El proceso de contrastar las predicciones del modelo con las observaciones es parte
153
fundamental de la construcción del conocimiento del sistema de interés. Además, no

sólo se quiere conocer, normalmente se quiere actuar, solucionar un problema, mitigar
una acción inconveniente, o adaptarse o revertir un cambio. En tal sentido, los modelos
son fundamentales para responder preguntas del estilo: qué pasa si, esenciales para el
diseño de cursos de acción y su permanente evaluación (Kuhn 1970b; Kuhn 1970a).
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
En la literatura se han usado los siguientes parámetros (Scheffer 2009, p. 340):

r = 0,5 d−1 es la tasa unitaria de crecimiento para las algas, K = 10 mgl−1 es
la capacidad de soporte para las algas. La máxima tasa de pastoreo del zooplanc-
ton es g = 0,4 gg−1 d−1 . El parámetro de media tasa en la ecuación de Monod es
h = 0,6 mgl−1 . El factor de eficiencia de conversión de comida en zooplancton es
a = 0,6, y la tasa lineal de mortalidad del zooplancton es m = 0,15 d−1 . El tiempo
está en dı́as, d.
Un análisis de estabilidad de este sistema muestra que tiene 3 puntos fijos. Dos tri-
viales, uno correspondiente al origen y el otro a Z = 0 y A = K. Es decir, ausencia de
vida en el primer caso y únicamente algas en un nivel de población igual a la capaci-
dad de soporte en el otro. En el cuadrante positivo, ambos puntos fijos triviales son
puntos de silla. Hay un tercer punto fijo no trivial al interior del primer cuadrante,
cuyo análisis de estabilidad se deja al lector. Corresponde a una fuente en espiral.
Al integrar esta información se llega a sospechar de la presencia de una trayectoria
cerrada no lineal que rodea la espiral inestable, es decir un ciclo lı́mite. Se invita al
lector a verificar esta sospecha. La interpretación corresponderı́a a un ciclo semejante
al del modelo Lotka-Volterra.
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
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
Figura 8.13: Nulclinas no triviales del modelo turbiedad-vegetación (Ec. 8.20). En

negro V = KV , la nulclina correspondiente a V̇ = 0. En gris E = KE , la nulclina
correspondiente a Ė = 0. KV y KV están dadas en Ec. 8.21. Adaptada de Scheffer
(2009)
Dominio de Vegetación Flotante

Aunque los modelos anteriores son genéricos, la eutroficación es un problema tı́pico
de lagos templados, mientras que en los lagos pandos tropicales la vegetación flotante
es una preocupación fundamental, un problema abierto no resuelto. Por debajo de la
vegetación el agua queda oscura y anóxica y muy difı́cilmente puede desarrollar otra
vida. Además del efecto negativo en la piscicultura y la calidad del agua. el efecto sobre
la navegación es dramático. Se van a presentar los rudimentos del modelo propuesto en
Scheffer, Szabo, Gragnani, Van Nes, Rinaldi, Kautsky, Norberg, Roijackers y Franken
(2003), que plantea la existencia de estados estables alternos y transición crı́tica.
La transición crı́tica se da cuando se pasa un umbral de nutrientes. La explicación
viene de analizar la competencia entre la vegetación flotante y la de fondo. Las plantas
flotantes dominan la competencia por luz, pero son dominadas en la competencia
por nutrientes. Mientras que las macrófitas de fondo son afectadas por la sombra,
pero son muy resilientes con respecto a nutrientes, que los toman directamente de
los sedimentos del fondo. Además también tienen capacidad de usar los nutrientes
disponibles en la columna de agua y de reducir la concentración de nitrógeno a valor
inferiores al lı́mite de detección.
Esta interacción da origen a dos estados estables alternativos, uno dominado por la
vegetación flotante que impide por sombra el desarrollo de vegetación de fondo. El
otros es dominado por la vegetación de fondo, con bajos niveles de nutrientes en la
columna de agua que impiden el desarrollo de vegetación flotante. esta bi-estabilidad
hace muy difı́cil la transición de un estado al otro.
Las variables del modelo son la densidad de plantas flotantes F y de plantas de fondo
S. Las tasas máximas de crecimiento de cada especie son respectivamente rf y rs .
156
Estas tasas máximas se reducen debido a limitaciones en luz o nutrientes. Adicio-

nalmente hay mortalidad natural, lineal con la población respectiva, con tasas lf y
ls .
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
donde la máxima concentración en ausencia de plantas es N , y los parámetros qf y qs

representan el impacto sobre el nitrógeno por unidad de masa de la planta respectiva.
La competencia intra-especı́fica por la luz para las plantas flotantes está representada
por un función inversa de Monod, con reducción a la mitad de la luz con F = 1/af .
Además de la competencia intra-especı́fica, las plantas de fondo sufren atenuación de
la luz, representada en el factor W y sombra por las plantas flotantes, representada en
el parámetro b. Se toma af = as = 0,01, b = 0,02, hf = 0,2 y hs = 0 para considerar
el caso en el cual las plantas de fondo no sufren restricción por nutrientes. Las tasas
de mortalidad se toman iguales, lf = ls = 0,05, mientras que las máximas tasas de
crecimiento son diez veces mayores, rf = rs = 0,5. La atenuación se toma en cero,
W = 0, pero la sombra es importante, b = 0, 02. Los factores en la expresión del
nitrógeno son qf = 0,005 y qs = 0,075. El valor de N es uno de los cuales se considera
tiene un efecto importante y se desea analizar con mayor detalle.
Los puntos fijos del sistema (Ec. 8.22) se pueden calcular mediante algebra elemental,
las incógnitas están el denominador. Se presentan dos casos, si no hay vegetación
de fondo, S = 0, de la primera ecuación igualada a cero se obtiene un polinomio
de segundo orden para F . Si S 6= 0 hay lugar a dos ecuaciones con dos incógnitas
que igual se resuelven por métodos elementales. Como se dijo, interesa obtener el
efecto de diferentes valores de N . En la Figura 8.14 se muestran los resultados. Para
valores cercanos a cero de N toda la vegetación es de fondo. A medida que crecen
los nutrientes disponibles se desarrolla un regimen mixto, con vegetación de fondo
y flotante. Si se continua incrementando N se llega a un punto crı́tico en el cual
desaparece la vegetación de fondo y sólo queda vegetación flotante. En la figura esto
se representa con una flecha que ilustra el salto. Si se disminuye el aporte de nutrientes,
no se regresa a la condición mixta sino hasta un valor muy inferior de N .
Scheffer, Szabo, Gragnani, Van Nes, Rinaldi, Kautsky, Norberg, Roijackers y Franken
(2003) reporta evidencia para soportar el modelo, entre ella experimentos de campo.
157
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).
Estabilización por Heterogeneidad Espacial

La estructura espacial puede afectar el potencial de un sistema. En lugar de considerar
en detalle la estructura espacial, se va a considerar un lago, en el cual hay una zona
con caracterı́sticas diferentes al resto. El modelo a considerar es la competencia entre
fitoplancton y zooplancton. El zooplancton está restringido a la zona especial, el
fitoplancton se desarrolla tanto en la zona como en el resto, y hay difusión entre
las zonas. El carácter especial de la zona puede venir de diferencias en profundidad,
presencia de vegetación que sirva de refugio al zooplancton contra la predación por
peces u otras razones (Scheffer y De Boer 1995).
Sean A1 , A2 la población de algas (fitoplancton) en cada uno de los compartimientos,
Z la población de zooplancton en el compartimiento 1. Con estas consideraciones las
ecuaciones del modelo son

A1 A1 d
Ȧ1 = rA1 1 − − gZ + (A2 − A1 )
K A+h f

A2 d
Ȧ2 = rA2 1 − − (A2 − A1 )
K 1−f

A
Ż = agZ − mZ.
A+h
En comparación con el modelo inicial (Ec. 8.19) se ve que la población de fitoplancton
en la zona 2 no está sometida al pastoreo por el zooplancton, y que las dos primeras
ecuaciones tienen un intercambio modelado por el parámetro d, mientras que f re-
presenta la fracción de área de la zona 1. Para los parámetros anteriores se toman los
mismos valores usados antes. Scheffer y De Boer (1995) proceden a estudiar el efecto
de los dos nuevos parámetros, f y d. En su figura 2 se muestra la curva de bifurcación
de Hopf que indica comportamiento estable para valores bajos de la fracción del área
de la zona de pastoreo f y para valores intermedios del parámetro de intercambio d.
158
8.7. Corales
Mientras que por fuera de tal región de parámetros el comportamiento es oscilatorio.

Se invita al lector a realizar el correspondiente análisis.
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
En las últimas décadas se ha observado una disminución significativa en la cobertura

y calidad de los arrecifes coralinos. Por un lado está el calentamiento global, pero el
problema se acentúa con los fenómenos climáticos extremos como El Niño. A su vez el
problema se agrava por otras perturbaciones humanas, que favorecen la eutrofización
por aumento de nitratos y fosfatos que causa enriquecimiento en las algas. Además,
están las altas tasas de sedimentación y sobrepesca, que disminuye los niveles de
pastoreo ofrecidos por las especies herbı́voras que viven en los arrecifes y mantienen
bajo control las macro algas.
Después de un evento de blanqueo debido a aumento de la temperatura, algunos
corales se pueden recuperar, son re-colonizados por Zooxanthella. Para otros lo que
se ha observado es un cambio de régimen, donde antes predominaban los corales se
desarrollan capas gruesas de macro algas. Una pregunta importante desde el punto
de vista de la conservación es qué hace la diferencia entre recuperación o cambio de
régimen.
Un trabajo reciente (Graham, Jennings, MacNeil, Mouillot y S. K. Wilson 2015) con-
sideró un gran evento de blanqueo en el Océano Índico debido a un evento climático.
Después de la pérdida de más del 90 % del coral vivo, 12 de 21 arrecifes documen-
tados se recuperaron a condiciones semejantes a las pre-existentes, mientras que los
9 restantes sufrieron un cambio de régimen a un estado dominado por macro algas.
La diversidad funcional de los peces asociados cambió sustancialmente durante el
blanqueo, pero retornó a las condiciones pre existentes en los corales recuperados
y continuó el deterioro en los arrecifes dominados por macro algas. En el estudio
identifican umbrales para un conjunto de factores que permiten predecir la respuesta
posterior al blanqueo. La recuperación fue favorecida cuando los arrecifes eran com-
plejos estructuralmente en aguas profundas, cuando las densidades de juveniles de
corales y de peces herbı́voros eran relativamente altas y cuando la carga de nutrientes
era relativamente baja.
A continuación se muestra un modelo simple de cambio de régimen, esta es un área
en la que esperamos posteriores desarrollos.
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
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
tasa de recuperación, su inverso es la duración media de la enfermedad. El perı́odo de

incubación de la enfermedad es lo suficientemente corto para despreciarlo, es decir un
susceptible que contrae la enfermedad es infeccioso de inmediato. Bajo estas hipótesis
el modelo es
Ṡ = −rSI,
I˙ = rSI − aI
Ṙ = aI.
Claramente el interés es en soluciones no negativas. Note que la constancia de la
población está construida en las ecuaciones porque Ṡ + I˙ + Ṙ = 0 lo que implica
S(t) + I(t) + R(t) = N . El problema matemático queda completamente definido si se
tienen las condiciones iniciales
S(0) = S0 > 0, I(0) = I0 > 0, R(0) = 0.
Una pregunta clave, dados todos los datos del problema: r, a, S0 y I0 = N − S0 , es
si la infección se va a propagar o no, y en caso afirmativo cómo, en particular cuándo
es el pico de la infección. Es claro que
(
˙ dI > 0 si S0 > ρ = a/r,
I(0) = = I0 (rS0 − a)
dt < 0 si S0 < ρ,
t=0
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
Ahora como I0 + S0 = N y I˙ = 0 para S = ρ se tiene

ρ
Imax = N − ρ + ρ ln .
S0
Por lo tanto para cualquier condición inicial S0 > ρ se tiene I creciendo desde I0
hasta Imax > I0 y hay epidemia. De la Figura se ve que si S0 < ρ no hay epidemia,
I decrece desde I0 . En general para todas las trayectorias I → 0 cuando t → ∞. El
cálculo
dS S
=−
dR ρ
permite integrar S = S0 exp(−R/ρ) y por tanto 0 < S(∞) ≤ N , de hecho como
I(∞) = 0 se tiene R(∞) = N − S(∞) y por tanto

R(∞) N − S(∞)
S(∞) = S0 exp − = S0 exp − .
ρ ρ
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.
A su vez este puede incorporar nacimientos y muertes.

El llamado modelo SIRS tiene en cuenta que los miembros de la clase R pierden la
inmunidad, el diagrama del modelo es
S −→ I −→ R −→ S.
También es posible que sea importante un perı́odo de latencia sin inmunidad, el

llamado modelo SEIS con diagrama
S −→ E −→ I −→ S.
A su vez este puede considerar inmunidad
S −→ E −→ I −→ R.
Otro aspecto importante es el patrón espacial, cuya modelación requiere ecuaciones

en derivadas parciales.
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
8.9.1 (Exclusión competitiva). Basado en Murray (2002, p. 115). En el siguiente mo-

delo de la competencia entre dos poblaciones N1 y N2 sólo la primera tiene capacidad
de carga.

N1 N2
Ṅ1 = r1 N1 1 − − b12 ,
K1 K1

N1
Ṅ2 = r2 N2 1 − b21 .
K2
Todos los parámetros son positivos. Escriba el modelo de forma adimensional, investi-
gue los puntos fijos y su estabilidad, haga un esquema de las trayectorias en el espacio
de fase. Muestre que independiente de los parámetros este modelo cumple el principio
de exclusión competitiva, es decir, que dos especies que compiten por el mismo recur-
so no pueden coexistir de manera estable, si el resto de factores ecológicos permanece
constante. Describa bajo cuales condiciones ecológicas N2 puede extinguirse.
8.9.2 (Competencia con Neanderthal). Consulte algún modelo propuesto para la com-
petencia entre humanos y neanderthales. Discuta si la diferencia de tasas de mortali-
dad puede explicar la tasa de extinción de entre 5000 y 10000 años estimada por los
paleontólogos. Proponga un modelo alternativo, por ejemplo considerando mestizaje.
165
8.9.3. El método de control de plagas mediante liberación de estériles se conoce por

sus siglas en Inglés (SIRM). Una estrategia es mantener una población constante n
de insectos estériles. Un modelo simple para la población de insectos fértiles N (t) es

aN
Ṅ = N − b − kN (N + n).
N +n
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 constante Clasifique el punto de equilibrio de acuerdo a los parámetros α y β.

En particular considere el caso lı́mite β = 1.
G lineal Considere que el gasto del gobierno es proporcional al ingreso nacional,
G = G0 + kI,
con k > 0. Discuta las condiciones para un equilibrio. El equilibrio deja de

existir para k mayor que un valor crı́tico, kc . Discuta el comportamiento de la
economı́a para k > kc .
G cuadrático Considere que el gasto del gobierno depende cuadráticamente del in-
greso nacional,
G = G0 + kI 2 ,
con k > 0. Discuta las condiciones para dos, uno, o ningún equilibrio en función
de G0 . Discuta las implicaciones para la economı́a en cada caso.
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.
Tres causas de la insostenibilidad
a) En algunas ocasiones no hay opción, la escasez, la pobreza o la sobrepoblación

obligan a la sobre–explotación de los recursos
b) En otras ocasiones la declinación de los recursos ocurre voluntariamente, por
codicia, por incentivos perversos
167
9. Resiliencia
c) En otras ocasiones la causa es la falta de entendimiento sobre cómo funcionan

los ecosistemas y la aplicación de modelos inadecuados de explotación.
Sobre la codicia la siguiente frase de Mahatma Gandhi es muy diciente: “La natura-
leza provee suficiente para las necesidades, pero no para la codicia, de todos. (The
world has enough for everyone’s need, but not enough for everyone’s greed)”. Algunos
sugieren que la codicia se explica por la evolución en un mundo sin limitaciones, el
éxito dependı́a de la maximización de los resultados. El comportamiento y la cultura
de los humanos está fuertemente determinada por las urgencias del pasado evolutivo
(competencia, territorialidad, poder), sin los cuales no estarı́amos como especie en el
lugar que estamos. Tales antecedentes tienen mucho sentido cuando éramos un grupo
pequeño en un mundo infinito. Pero en el mundo moderno tal comportamiento está
produciendo consecuencias negativas sobre nosotros mismos y privará a las futuras
generaciones de las oportunidades que hemos disfrutado.
Un motor a menudo importante del desarrollo no-sostenible es la aplicación de mo-
delos inapropiados por desconocimiento del funcionamiento de los sistemas socio–
ambientales. Hay varios casos de fracasos incluso en ausencia de codicia y con ingentes
esfuerzos por la sostenibilidad. El desconocimiento no es sólo por cantidad, también
es por calidad.
El enfoque de este capı́tulo es en la última causa, la falta de entendimiento sobre
la complejidad de los sistemas. La primera causa, la pobreza, sólo se puede resolver
cuando se hayan atacado las otras dos. Sobre la segunda, la codicia, la mejor esperanza
está también en la filosofı́a de la 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.”
Dos temas centrales

Un tema importante es el de los umbrales. Si un sistema cambia más allá de un cierto
valor se produce una transición, un cambio abrupto, un nuevo régimen. El otro tema
fundamental es el de los ciclos adaptativos. Los sistemas a menudo pasan por las
siguientes fases, aunque no siempre en ese orden: crecimiento rápido, conservación,
liberación y reorganización. Estos ciclos ocurren a diferentes escalas de tiempo y
espacio y de manera entrelazada, lo que es extremadamente importante.
Cómo cambian los sistemas

Algunas palabras usadas para describir el cambio son fases, ciclos, umbrales, diferen-
tes regı́menes, escalas, retroalimentación. Si no hay conciencia de un umbral es más
probable que se cruce y se caiga en un nuevo régimen no deseado. La resiliencia, que
se puede medir mediante la distancia a un umbral, es una caracterı́stica polifacéti-
ca de los sistemas socioambientales que cambian en el tiempo. ¿Cómo identificar y
promover la resiliencia? Es conveniente tener un modelo de cómo evolucionan los
sistemas.
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.
Cuatro fases del ciclo adaptativo

Comprender el significado de las conexiones internas de un sistema, su capacidad
para responder a las perturbaciones y los cambios entre una fase y otra son elemen-
tos importantes del pensamiento sobre la resiliencia. Esta comprensión es también
importante para la gestión de los recursos naturales y la definición de polı́ticas, pues
hay momentos de mayor potencial de ingerir y otros de mayor dificultad. Las medidas
que funcionan en una fase, no necesariamente funcionan en otra.
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
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
Fase Ω, Fase de Liberación

La transición de la fase K a la fase Ω puede ocurrir en un instante. Mientras más
larga la fase de conservación menor la perturbación necesaria para acabarla. Una
perturbación que excede la resiliencia del sistema rompe la red de interacciones auto–
sostenidas. Los recursos que estaban altamente ligados se liberan en la medida que
las interacciones y controles se rompen. Estos recursos quedan disponibles para una
fase de reorganización. La pérdida de estructura continúa a medida que el capital
natural, social, económico se escapa del sistema. En los ecosistemas la perturbación
puede ser un incendio, una tormenta, una sequı́a, una epidemia. En economı́a puede
ser un invento, una crisis del mercado.
Fase α, Fase de Reorganización

En la fase Ω reina la incertidumbre y el caos, todas las opciones están abiertas. Esto
lleva rápidamente a una fase de reorganización y rejuvenecimiento. La novedad puede
florecer, pequeños eventos de azar tienen la oportunidad de influir poderosamente
en el futuro. La invención, experimentación y re–acomodación están en el orden del
dı́a. En ecosistemas pueden aparecer especies pioneras de cualquier parte, invasoras,
semillas guardadas. En economı́a o sistemas sociales nuevos grupos pueden tomar el
poder. Puede repetirse el ciclo, o el sistema puede cambiar de identidad
172
Understanding Complex Systems 395
Soviet Union is a societal

rigidities that precipitate a
roximate agents of distur-
an be stakeholder revolts,
hrough the legal system, or
revolts.
oLis a period of rapid reor-
h novel recombinations can
riments that lead to inno-
rotation
ycle. The economist J. A. reveals
propriately called this phase resilience
Initially, the "front loop" of
o K, becomes progressively
develops. In contrast, the
ptive cycle, from fl to a, is
e and highly uncertain. At
ly accumulated mutations,
vaders, and capital can be-
ovel combinations, some of
portunity. Figura 9.3: La 5.
Figure Resiliencia es unaisdimensión
Resilience anotherdel ciclo adaptativo
dimension of the(Walker y Salt 2006) adaptive
e objectives are functioning, cycle. A third dimension, resilience, is added to the two-
first maximizes production dimensional box of Figure 4 to show how resilience ex-
In the Loop 91
second maximizes invention pands and contracts throughout the cycle. Resilience
two objectives cannot be shrinks as the cycle moves towards K, where the system
sly but only occur sequen- becomes more brittle.It expandsas the cycle shifts rapidly
n achieving one inexorably into a back loop to reorganizeaccumulatedresourcesfor
a new initiationof the cycle. The appearanceof a figure 8
pposite. The adaptive cycle in Figure4 is the consequence of viewing a three-dimen-
opposites: growth and sta- sional object in a two-dimensional plane. (Reprinted
change and variety on the from Gunderson and Holling 2001 with permission of
Island Press)FIGURE 13 Panarchy Refers to Hierarchies of Linked Adaptive Cycles
rd dimension, resilience, to Figura 9.4: Panarquı́a (Walker y Salt 2006)
appearance of a figure 8 in that scale, strongly depends on the states and dynamics of the sys-
tem at the scales above and below.
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-
ojection of a three-dimen- doxes of conservative nature vs creative nature;

strained by higher level regulations. Their ability to sell their produce
may be affected by changes in preferences at the scale of the market.
173
-dimensional plane. We can sustainability vs creative change.
And, in times of severe hardship (a drought) the help they may or may
not get from the scale of organization above (often some level of gov-
ional object from different The cx phase is the stage that is least examined
ernment), depends on the state the system happens to be in, at that
scale, at that time. For example, if a nation’s economy is strong going
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,
e cycle proceed, a system's is potential. But connectedness is low and internal

economic, or social) will depend on the memory of how to respond, embed-
ded at the higher scale of the society in which the community exists.
xpands and contracts. The regulation is weak. There is a wide stability region,
Bottom-up linkages can be equally important. At the scale of a forest
the individual patches, going through their own (faster) cycles, may
nally foster novelty and ex- with weak regulation around equilibria, low con-
periods in the back loop of nectivity among variables, and a substantial
Bibliografı́a
Aki, K. (1981). ((A probabilistic synthesis of precursory phenomena)). En: Earthquake

Prediction: An International Review. Ed. por D. W. Simpson y P. G. Richards.
American Geophysical Union, Washington, págs. 566-574.
Allen, P. M. (2012). Cities and regions as self-organizing systems: models of comple-
xity. Routledge.
Andrade, R., H. Schellnhuber y M. Claussen (1998). ((Analysis of rainfall records:
possible relation to self-organized criticality)). En: Physica A: Statistical Mechanics
and its Applications 254.3, págs. 557-568.
Appleton, E. V. y B. Van der Pol (1921). ((On the form of free triode vibrations)). En:
Philosophical Magazine Series 6 42.248, págs. 201-220.
Arnold, V. I. (1973). Ordinary Differential Equations. The MIT Press, Cambrige
Massachusetts.
Arnold, V. I. (2012). Geometrical methods in the theory of ordinary differential equa-
tions. Vol. 250. Springer Science & Business Media.
Bak, P., C. Tang y K. Wiesenfeld (1987). ((Self-organized criticality: An explanation
of the 1/f noise)). En: Physical review letters 59.4, pág. 381.
Bak, P. (1996). How Nature Works: the science of self-organized criticality. 1.a ed.
Springer Verlag.
Bak, P., K. Christensen, L. Danon y T. Scanlon (2002). ((Unified scaling law for
earthquakes)). En: Physical Review Letters 88.17, pág. 178501.
Bak, P. y K. Sneppen (1993). ((Punctuated equilibrium and criticality in a simple
model of evolution)). En: Physical review letters 71.24, pág. 4083.
Bak, P., C. Tang y K. Wiesenfeld (1988). ((Self-organized criticality)). En: Physical
review A 38.1, pág. 364.
Barenblatt, G. I. (1996). Scaling, self-similarity, and intermediate asymptotics. Cam-
bridge Univ Pr.
Barenblatt, G. I. (2003). Scaling. Vol. 34. Cambridge University Press.
Beran, J. (1994). Statistics for Long-Memory Processes. Chapman y Hall, New York.
Bhattacharya, R. N., V. K. Gupta y E. C. Waymire (1983). ((The Hurst Effect under
Trends)). En: Jour. Appl. Probability.
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
Gould, S. J. y N. Eldredge (1977). ((Punctuated equilibria: the tempo and mode of

evolution reconsidered)). En: Paleobiology 3.02, págs. 115-151.
Graham, N. A. J., S. Jennings, M. A. MacNeil, D. Mouillot y S. K. Wilson (feb. de
2015). ((Predicting climate-driven regime shifts versus rebound potential in coral
reefs)). En: Nature 518.7537, págs. 94-97.
Grumbacher, S. K., K. C. McEwen, D. A. Halberson, D. T. Jacobs y J. Lindner
(1993). ((Self-Organized Criticality. An Experiment with Sandpiles)). En: American
Journal of Physics 61.4, págs. 329-335.
Gunderson, L. H. y C. S. Holling (2002). Panarchy: Understanding Transformations
in Human and Natural Systems. Island Press.
Gupta, V. K. y O. J. Mesa (2014). ((Horton laws for hydraulic–geometric variables and
their scaling exponents in self-similar Tokunaga river networks)). En: Nonlinear
Processes in Geophysics 21.5, págs. 1007-1025.
Gutenberg, B. y C. F. Richter (1944). ((Frequency of earthquakes in California)). En:
Bulletin of the Seismological Society of America 34.4, págs. 185-188.
Haken, H. (1983). Synergetics, an Introduction: Nonequilibrium Phase Transitions
and Self-Organization in Physics, Chemistry, and Biology. Third. Springer-verlag
Berlin.
Hardin, G. (1968). ((The Tragedy of Commons)). En: Science 162, págs. 1243, 1248.
Hastings, A. (2013). ((Multiple Stable States and Regime Shifts in Ecological Sys-
tems)). En: Mathematics TODAY, págs. 37-39.
Heneghan, C. y G. McDarby (nov. de 2000). ((Establishing the relation between de-
trended fluctuation analysis and power spectral density analysis for stochastic
processes)). En: Phys. Rev. E 62.5, págs. 6103-6110.
Hergarten, S. (2002). Self organized criticality in earth systems. Springer.
Hergarten, S. y H. J. Neugebauer (1998). ((Self-organized criticality in a landslide
model)). En: Geophysical Research Letters 25.6, págs. 801-804.
Hirsch, M. W., S. Smale y R. L. Devaney (2004). Differential equations, dynamical
systems, and an introduction to chaos. Vol. 60. Academic Press.
Holland, J. H. (2014). Complexity: A Very Short Introduction. Oxford University
Press.
Hurst, H. E. (1951). ((Long Term Storage Capacity of Reservoirs)). En: Trans. ASCE
116, págs. 776-808.
Huygens, C. (1888). Oeuvres complètes. Vol. 5. M. Nijhoff.
Ising, E. (1925). ((A contribution to the theory of ferromagnetism)). En: Z. Phys 31.1,
págs. 253-258.
Jaeger, H., C.-h. Liu y S. R. Nagel (1989). ((Relaxation at the angle of repose)). En:
Physical Review Letters 62.1, pág. 40.
Jaynes, E. T. (1957). ((Information theory and statistical mechanics)). En: Physical
review 106.4, pág. 620.
Jaynes, E. T. (1978). ((Where do we stand on maximum entropy?)) En: The maxi-
mum entropy formalism. Ed. por T. M. Levine RD. MIT Press, Cambridge, MA,
págs. 15-118.
Jaynes, E. T. (2003). Probability theory: the logic of science. Cambridge university
press.
177
Bibliografı́a
Jensen, H. J. (1998). Self-organized criticality: emergent complex behavior in physical

and biological systems. Vol. 10. Cambridge university press.
Jensen, H. J. y E. Arcaute (2010). ((Complexity, collective effects, and modeling of
ecosystems: formation, function, and stability)). En: Annals of the New York Aca-
demy of Sciences 1195.s1, E19-E26.
Jost, J. (2006). Dynamical systems: examples of complex behaviour. Springer Science
& Business Media.
Kadanoff, L. P. (2000). Statistical Physics: statics, dynamics and renormalization.
World Scientific.
Kadanoff, L. P. (1999). ((Built upon sand: Theoretical ideas inspired by granular
flows)). En: Reviews of Modern Physics 71.1, pág. 435.
Kadanoff, L. P., S. R. Nagel, L. Wu y S.-m. Zhou (1989). ((Scaling and universality
in avalanches)). En: Physical Review A 39.12, pág. 6524.
Kleidon, A. y R. D. Lorenz (2004). Non-equilibrium thermodynamics and the produc-
tion of entropy: life, earth, and beyond. Springer Science & Business Media.
Koscielny-Bunde, E., J. W. Kantelhardt, P. Braun, A. Bunde y S. Havlin (2006).
((Long-term Persistence and Multifractality of River Runoff Records: Detrended
Fluctuation Studies)). En: Journal of Hydrology 322, págs. 120-137.
Kramers, H. A. y G. H. Wannier (1941). ((Statistics of the two-dimensional ferromag-
net. Part I and Part II)). En: Physical Review 60.3, págs. 252-262, 263-276.
Krebs, C. J. (1972). ((The experimental analysis of distribution and abundance)). En:
Ecology. New York: Harper and Row 1.1, pág. 1.
Kuhn, T. S. (1970a). Postscript-1969.
Kuhn, T. S. (1970b). The Structure of Scientific Revolutions. Chicago: University of
Chicago Press,
Laird, S. y H. J. Jensen (2006). ((The tangled nature model with inheritance and
constraint: evolutionary ecology restricted by a conserved resource)). En: ecological
complexity 3.3, págs. 253-262.
Lee, T.-D. y C.-N. Yang (1952). ((Statistical theory of equations of state and phase
transitions. II. Lattice gas and Ising model)). En: Physical Review 87.3, pág. 410.
Lenz, W. (1920). ((Beitrag zum Verständnis der magnetischen Erscheinungen in festen
Körpern)). En: Physikalische Zeitschrift 21, págs. 613-615.
Lesne, A. y M. Laguës (2012). Scale invariance: From phase transitions to turbulence.
Springer Science & Business Media.
Logan, J. D. (2004). Applied partial differential equations. Springer Verlag.
Lovelock, J. E. (1995). ((Geophysiology, the Science of Gaia)). En: Rev. of Geophys.
27, págs. 215-222.
Ludwig, D., D. D. Jones y C. S. Holling (1978). ((Qualitative analysis of insect out-
break systems: the spruce budworm and forest)). En: The Journal of Animal Eco-
logy 47.1, págs. 315-332.
Malamud, B. D. y D. L. Turcotte (1999). ((Self-organized criticality applied to natural
hazards)). En: Natural Hazards 20.2, págs. 93-116.
Malthe-Sørenssen, A., J. Feder, K. Christensen, V. Frette y T. Jøssang (1999). ((Sur-
face fluctuations and correlations in a pile of rice)). En: Physical review letters
83.4, pág. 764.
178
Bibliografı́a
Mandelbrot, B. B. (2002). Gaussian Self-Affinity and Fractals (Selecta Volume H).

Springer-Verlag.
Mandelbrot, B. B. y M. S. Taqqu (1979). ((Robust R/S analysis of long run serial
correlation)). En: Proc. 42nd Session ISI, págs. 69-99.
Mandelbrot, B. B. y J. R. Wallis (1968). ((Noah, Joseph, and Operational Hydrology)).
En: Water Res. Res. 4, págs. 909-918.
May, R. M. y A. R. McLean (2007). Theoretical Ecology: principles and applications.
Oxford University Press, USA.
Mesa, O. J. (2002). ((ENSO, rotación terrestre, volcanes y sismicidad.)) En: Dyna
69.136, págs. 41-61.
Mesa, O. J. (2007). ¿Adónde va a caer este Globo? Universidad Nacional de Colombia,
Facultad de Minas.
Mesa, O. J. (2018). Fractales y Caos en Ingenierı́a, con Aplicaciones. Universidad
Nacional de Colombia.
Metropolis, N., A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller y E. Teller (1953).
((Equation of state calculations by fast computing machines)). En: The Journal of
Chemical Physics 21.6. Cited By (since 1996):13047, págs. 1087-1092.
Mirollo, R. E. y S. H. Strogatz (1990). ((Synchronization of Pulse-Coupled Biological
Oscillators)). En: SIAM Journal on Applied Mathematics 50.6, págs. 1645-1662.
eprint: http://dx.doi.org/10.1137/0150098.
Moran, P. A. P. (1964). ((On the range of cumulative sums)). En: Annals of the Institute
of Statistical Mathematics 16.1, págs. 109-112.
Muñoz, M. A. (jul. de 2018). ((Colloquium: Criticality and dynamical scaling in living
systems)). En: Rev. Mod. Phys. 90 (3), pág. 031001.
Murray, J. D. (2002). Mathematical Biology: I. An Introduction. 3.a ed. Vol. 1. Sprin-
ger.
Murray, J. D. (2008). Mathematical Biology: Spatial models and biomedical applica-
tions. Vol. 2. Springer.
Nagel, S. R. (1992). ((Instabilities in a sandpile)). En: Reviews of Modern Physics 64.1,
pág. 321.
Newell, G. F. y E. W. Montroll (abr. de 1953). ((On the Theory of the Ising Model of
Ferromagnetism)). En: Rev. Mod. Phys. 25 (2), págs. 353-389.
Nicolis, S. C. y J. L. Deneubourg (1999). ((Emerging patterns and food recruitment in
ants: an analytical study)). En: Journal of Theoretical Biology 198.4, págs. 575-592.
Olami, Z., H. Feder y K. Christensen (1992). ((Self-organized criticality in a conti-
nuous, nonconservative cellular automaton modeling earthquakes)). En: Physical
Review Letters 68.8, pág. 1244.
Onsager, L. (1944). ((Crystal statistics. I. A two-dimensional model with an order-
disorder transition)). En: Physical Review 65.3-4, pág. 117.
Pearl, R. (1927). ((The growth of populations)). En: The Quarterly Review of Biology
2.4, págs. 532-548.
Peierls, R. (1936). ((On Ising’s model of ferromagnetism)). En: Mathematical Procee-
dings of the Cambridge Philosophical Society. Vol. 32(3). Cambridge Univ Press,
págs. 477-481.
Percival, D. y A. Walden (1993). Spectral analysis for physical applications: multitaper
and conventional univariate techniques. Cambridge Univ Pr.
179
Bibliografı́a
Pielou, E. C. (1969). An introduction to mathematical Ecology. Wiley-Interscience.

Pomeau, B. H. Y. y U. Frisch (1986). ((Lattice-gas automata for the Navier-Stokes
equation)). En: Phys. Rev. Lett 56.14, pág. 1505.
Rayleigh, L. (1945). Theory of Sound (1877). Macmillan, pág. 129.
Ruelle, D. y G. Gallavotti (1978). Thermodynamic formalism. Vol. 112. Addison-
Wesley Reading.
Rundle, J. B., D. L. Turcotte, R. Shcherbakov, W. Klein y C. Sammis (2003). ((Sta-
tistical physics approach to understanding the multiscale dynamics of earthquake
fault systems)). En: Reviews of Geophysics 41.4. 1019, n/a-n/a.
Samorodnitsky, G. (2007). ((Long Range Dependence)). En: Foundations and Trends
in Stochastic Systems 1, págs. 163-257.
Scheffer, M. (2009). Critical transitions in nature and society. Princeton Univ Pr.
Scheffer, M. y S. Rinaldi (2000). ((Minimal models of top-down control of phytoplank-
ton)). En: Freshwater Biology 45.2, págs. 265-283.
Scheffer, M. y R. J. De Boer (1995). ((Implications of spatial heterogeneity for the
paradox of enrichment)). En: Ecology, págs. 2270-2277.
Scheffer, M., S. Szabo, A. Gragnani, E. H. Van Nes, S. Rinaldi, N. Kautsky, J.
Norberg, R. M. Roijackers y R. J. Franken (2003). ((Floating plant dominance
as a stable state)). En: Proceedings of the national academy of sciences 100.7,
págs. 4040-4045.
Schumpeter, J. A. (1950). Capitalism, socialism, and democracy. Harper y Row.
Solé, R. V. (2011). Phase Transitions. Princeton University Press.
Sornette, D. (2003). Critical Phenomena in Natural Sciences. Berlin Heidelberg:
Springer Verlag.
Sornette, D. y G. Ouillon (2012). ((Dragon-kings: Mechanisms, statistical methods
and empirical evidence)). En: The European Physical Journal Special Topics 205.1,
págs. 1-26.
Stauffer, D. y A. Aharony (1992). Introduction to percolation theory. 2nd. Taylor &
Francis.
Stirling, J. (1730). ((The Differential Method: A Treatise of the Summation and Inter-
polation of Infinite Series)). En: Methodus Differentialis: sive Tractatus de Sum-
matione et Interpolatione Serierum Infinitarum. Gul. Bowyer, London, english
translation by Holliday, J. 1749.
Strogatz, S. H. (1994). Nonlinear Dynamics and Chaos: with applications to physics,
biology, chemistry and engineering. Perseus Book, Reading, Massachusetts.
Strogatz, S. H. (2000). ((From Kuramoto to Crawford: exploring the onset of synchro-
nization in populations of coupled oscillators)). En: Physica D: Nonlinear Pheno-
mena 143.1, págs. 1-20.
Strogatz, S. H. (2014). Nonlinear Dynamics and Chaos: With Applications to Physics,
Biology, Chemistry, and Engineering. Second. Studies in Nonlinearity. Westview
Press.
Taylor, G. I. (1922). ((Diffusion by Continuous Movements)). En: Proc. London Math.
Soc. S2–20, págs. 196-212.
Touchette, H. (2009). ((The large deviation approach to statistical mechanics)). En:
Physics Reports 478.1, págs. 1-69.
180
Bibliografı́a
Tsallis, C. (2009). Introduction to nonextensive statistical mechanics: approaching a

complex world. Springer Science & Business Media.
Turcotte, D. L. (1997). Fractals and chaos in geology and geophysics. Cambridge
university press.
Turcotte, D. L. (1999). ((Self-organized criticality)). En: Reports on progress in physics
62.10, pág. 1377.
Ursell, T. S. (oct. de 2007). Cahn-Hilliard Kinetics and Spinodal Decomposition in a
Diffuse System. Department of Applied Physics, California Institute of Technology
Pasadena, CA 91125.
Walker, B. y D. Salt (2006). Resilience Thinking: Sustaining Ecosystems and People
in a Changing World. Island Press.
Wilson, K. G. (1971a). ((Renormalization group and critical phenomena. I. Renor-
malization group and the Kadanoff scaling picture)). En: Physical Review B 4.9,
pág. 3174.
Wilson, K. G. (1971b). ((Renormalization group and strong interactions)). En: Physical
Review D 3.8, pág. 1818.
Wilson, K. G. (1979). ((Problems in Physics wi th Many Scales of Length)). En: Scient.
Am 241, págs. 140-157.
Winfree, A. T. (1980). The geometry of biological time. Vol. 8. Biomathematics. Sprin-
ger Science & Business Media.
Wolfram, S. (1983). ((Statistical mechanics of cellular automata)). En: Reviews of Mo-
dern Physics 55.3, pág. 601.
Wolfram, S. (1986a). ((Cellular automaton fluids 1: Basic theory)). En: Journal of
Statistical Physics 45.3-4, págs. 471-526.
Wolfram, S. (1986b). Theory and applications of cellular automata. World scientific.
Wolfram, S. (2002). A new kind of science. Vol. 5. Wolfram media Champaign.
Yano, J.-I., C. Liu y M. W. Moncrieff (2012). ((Self-organized criticality and homeos-
tasis in atmospheric convective organization)). En: Journal of the Atmospheric
Sciences 69.12, págs. 3449-3462.
Yeomans, J. M. (1992). Statistical mechanics of phase transitions. Oxford University
Press.
181
Índice alfabético
Aharony, Ammon, 68 Deneubourg, J. L., 144

Allen, Peter M, 76 Devaney, R. L., 113, 116–118
Andrade, RFS, 76, 77 Di Collobiano, S. A, 76
Appleton, E. V., 102 Dill, Ken A, 3, 10, 20, 45, 46, 75
Arcaute, Elsa, 76
Arnold, V. I., 113 ecuación logı́stica, 141
ecuación logı́stica, 83
Bak, P., 59, 75 ecuaciones con rezago, 111
Bak, Per, 59, 71, 72, 74 Einstein, v
Barenblatt, G. I., 61–63, 106 Einstein, A., v
Beran, J., 66 Eldredge, Niles, 74
Bhattacharya, R. N., 60, 63 Ellis, R. S., 1
Braun, P., 67 encarrilamiento, 103
Bromberg, Sarina, 3, 10, 20, 45, 46, 75 enfasamiento, 101
Buck, E., 102 epidemia, 107
Buck, J., 102 Ermentrout, B., 102
Buddemeier, Robert W, 153 espacio de fase, 122
Bunde, A., 67 espacio de fase cilı́ndrico, 128
Burridge, R, 71
estabilidad estructural, 127
Christensen, K, 72 exclusión competitiva, 159
Christensen, K., 71, 76 exponencial de una matriz, 116
Christensen, Kim, 71, 72
Clark, Colin W., 140 Fautin, Daphne G, 153
Claussen, Martin, 76, 77 Feder, H.J.S, 71
competencia, 135 Feder, J, 72
Craig, GC, 76, 77 Feder, Jens, 72
Curie, Pierre, 41 Feller, W. F., 9
Feynman, R. P., 3
Danon, Leon, 71, 72 Franken, Rob JM, 150–152
Darwin, Charles, 74 Franzke, C., 66
De Boer, Rob J, 152 Frette, V, 72
183
Frette, Vidar, 72 Kautsky, Nils, 150–152

Frigg, Roman, 76 Knopoff, Leon, 71
Frisch, U., 52 Koscielny-Bunde, E., 67
Kramers, Hendrik A, 41
genericidad, 118 Krebs, C. J., 83
Gibbings, J. C., 62 Kuhn, Thomas Samuel, 148
Gneiting, T., 64, 65
Gordon, H. S., 140, 142, 143 Laguës, Michel, 70, 74
Gould, Stephen Jay, 74 Laird, Simon, 76
Gragnani, Alessandra, 150–152 Lee, Tsung-Dao, 52
Graham, Nicholas A. J., 154 Leighton, R. B., 3
Gramacy, R. B., 66 Lenz, W., 41
Graves, T., 66 Lesne, Annick, 70, 74
Grumbacher, S. K., 72 Lindner, J., 72
Gunderson, L. H., 163 linealización, 125
Gupta, V. K., 60, 61, 63 Liu, Changhai, 76
Gutenberg, Beno, 72 Liu, Chu-heng, 72
Logan, J. D., 79
Haken, H., 10, 104 Lotka-Volterra, 135
Halberson, D. A., 72
Lovelock, J. E., v
Hall, M., 76
luciérnagas, 101
Hardin, Garrett, 140, 142
Ludwig, D., 107
Hastings, Alan, 153, 154
Havlin, S., 67 Mack, JM, 76, 77
Heneghan, C., 68 MacNeil, M. Aaron, 154
Hergarten, Stefan, 60, 72, 76 Malthe-Sorenssen, Anders, 72
hiperbólico, 126, 127 Malthe-Sørenssen, A, 72
Hirsch, M. W., 113, 116–118 Mandelbrot, B. B., 65, 66
Holland, John H., v May, R. M., 84
Holling, C. S., 107, 163 McDarby, G., 68
Hughes, C., 66 McLean, A. R., 84
Hurst, H. E., 63 McEwen, K. C., 72
Huygens, 101 Mesa, O. J., vi, 2, 60, 61, 113, 140
Huygens, C., 101 Metropolis, N., 54
Ising, Ernst, 41 Mirollo, R. E., 102
Moncrieff, Mitchell W, 76
Jacobs, D. T., 72 Montroll, Elliott W., 42
Jaeger, HM, 72 Moran, P. A. P., 66
Jaynes, E. T., 1, 10 Mouillot, David, 154
Jennings, Simon, 154 Murray, J. D., 84, 138, 156, 159
Jensen, Henrik Jeldtoft, 60, 75, 76
Jones, D. D., 107 Nagel, Sidney R, 72
Jøssang, T, 72 Neanderthal, 159
Neugebauer, Horst J, 72
Kadanoff, Leo P, 72 Newell, Gordon F., 42
Kantelhardt, J. W., 67 Nicolis, S. C., 144
184
Norberg, Jon, 150–152 Szabo, Sándor, 150–152

nulclinas, 123
Tang, C., 59, 75
Olami, Z., 71 Tang, Chao, 72
Onsager, Lars, 41 Taqqu, M. S., 66
oscilaciones de Josephson, 99 Taylor, G. I., 63
Ouillon, G., 76, 77 Teller, A. H., 54
Teller, E., 54
péndulo, 128 teorema de Hartman-Grobman, 126
péndulos sobre amortiguados, 99 teorema Hartman-Grobman, 127
Pearl, R., 83 Turcotte, Donald L, 70, 71
Peierls, Rudolf, 41
Percival, D.B., 67 Ursell, T. S., 75
phase looking, 103
Pielou, E. C., 84 Van der Pol, B., 102
Poincaré, 125 Van Nes, Egbert H, 150–152
Poincaré-Bendixson, 125
Pomeau, B Hasslacher Y, 52 Walden, A.T., 67
punto de quiebre, 96 Walker, B., 2, 161, 164, 165, 167
puntos fijos, 81 Wallis, J. R., 65
Wannier, Gregory H, 41
Rayleigh, L., 102 Watkins, N. W., 66
Richter, Charles F, 72 Waymire, E. C., 60, 63
Rinaldi, S., 148 Wiesenfeld, K., 59, 75
Rinaldi, Sergio, 150–152 Wiesenfeld, Kurt, 72
Roijackers, Rudi MM, 150–152 Wilson, Kenneth G, 37
Rosenbluth, A. W., 54 Wilson, Shaun K., 154
Rosenbluth, M. N., 54 Winfree, v
Winfree, Arthur T, v
Salt, D., 2, 161, 164, 165, 167 Wolfram, Stephen, 52
Samorodnitsky, G., 64–66 Wu, Lei, 72
Sands, M. L., 3
Scanlon, Tim, 71, 72 Yang, Chen-Ning, 52
Scheffer, M., 146, 148–150 Yano, Jun-Ichi, 76
Scheffer, Marten, 150–152 Yeomans, Julia M, 3, 28–34, 36, 38–40,
Schellnhuber, HJ, 76, 77 50, 51, 53, 55
Schlather, M., 64, 65
Schumpeter, J. A., 164 Zhou, Su-min, 72
sincronización, 101
Smale, S., 113, 116–118
Sneppen, Kim, 74
Solé, R. V., 33, 35, 143, 144
Sornette, D., 76, 77
Stauffer, Dietrich, 68
Stirling, J., 9
Strogatz, S. H., 79, 93, 102, 104, 105,
107, 113
185

Memoir Fci Amb

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Memoir Fci Amb

Cargado por

Copyright:

Formatos disponibles

FENÓMENOS CRÍTICOS

Óscar José Mesa Sánchez

Figure 1: Árbol Fractal

2 Fundamentos de Termodinámica y Mecánica Estadı́stica 3

4 Criticalidad Auto Organizada 59

5.2. Semejanza Dinámica . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

6 Fundamentos Sistemas Dinámicos 85

7 Flujos en Dos Dimensiones 119

8 Aplicaciones de Transiciones Crı́ticas 137

Índice alfabético 183

Einstein (1949, pág. 33)

Winfree (1980, pág. 1)

c) Estados de equilibrio: Los estados observados en la naturaleza, los estados de

Para unificar notación se presenta un resumen de los fundamentos de termodinámica

2.1. Cinética de Gases

dW = F (− dx) = −pA dx = −p dV,

donde el área transversal del pistón es A, y el cambio de volumen es dV = Adx.

Multiplicando por el volumen y recordando la definición de la energı́a cinética, que

Pero por la misma razón el promedio del producto escalar de v1 y v2 también se

hm1 v12 /2i = hm2 v22 /2i.

Esta conclusión es válida para moléculas de masa diferente, constituyentes de la mez-

Ley de Gases Ideales

donde k es la constante de Boltzmann que ya habı́amos encontrado. La maximización

La constante k corresponde a un cambio de unidades.

m1 = 5, m2 = 7 y m3 = 10. Claramente la configuración 3 es más probable pues

Donde u es la energı́a en el subsistema 1 y uc − u es la energı́a en el subsistema 2.

donde Pr[Bi ] = ni /n es la probabilidad de un determinado macro estado Bi . Se

Equivalencia entre ambas definiciones

donde ni es el número de veces en las cuales el dado cae en el resultado i. Sea

Al sacar logaritmo y dividir por N se obtiene que para N → ∞

Dada la equivalencia se usará la entropı́a de Gibbs y se suprime el subı́ndice.

2.3. Principio Máxima Entropı́a

Recuerde que si dos eventos son independientes la probabilidad de que ambos

La convención en teorı́a de la información es tomar C = 1 y trabajar con el logaritmo

Una manera de interpretar lo anterior es recordar que − log pi es la información que

lo que usando α como multiplicador de Lagrange equivale a

Es decir, pi = 1/t para todo i.

Para encontrar los multiplicadores se procede a

donde se definió la función de partición

que cumple un papel fundamental, por ejemplo

reemplazando y usando la expresión para las probabilidades, ecuación (2.4), se obtiene

que se acostumbra escribir como

donde Qk es un calor generalizado

Otra expresión importante es para la varianza de xk,i ,

En algunas aplicaciones xk,i depende de otra cantidad, digamos a y se quiere calcular

U = U (S, V, N). (2.13)

Continuando con el formalismo, los cambios pequeños se expresan como

Las derivadas parciales corresponden a las definiciones de temperatura T , presión p,

Usando estas definiciones en la forma diferencial de la ecuación de energı́a se tiene

Y en concordancia con las definiciones anteriores se tiene

Para un sistema cerrado la ecuación diferencial fundamental de la energı́a es

El cambio en el trabajo para un proceso lento es δW = −p dV . Combinando se obtiene

En el punto B se retira el cilindro del baño de calor a temperatura T1 y se aı́sla del

de la primera ley también sabemos que

De la expansión adiabática en la rama BC se tiene

pV γ = pB VBγ = Nm RT1 VBγ−1 = Nm RT2 VCγ−1 ,

y de la compresión adiabática en la rama DA se tiene

De esto se obtiene la eficiencia máxima teórica de un motor reversible

Usando la Ec. (2.17) se tiene la expresión del cambio de entropı́a en el proceso

el cilindro pierde calor y por tanto su entropı́a decrece. En consecuencia en el ciclo

Ley de gases ideales

y la expresión de Boltzmann para la entropı́a S(V ) con el modelo de ocupaciones y

El volumen V está relacionado linealmente con el número de sitios m, por tanto

Lo que se puede simplificar usando m = n + (m − n) en el primer término,

Cuando µB/kT 1 se aplica que tanh x ∼ x para obtener hM i = µ2 B/(kT ), en