Professional Documents
Culture Documents
Nitrgeno
J(1,2)
Q1
Fitoplancton
J(2,3)
Q2
J(2,1)
Almacenamiento de
nutrientes en suelo
Sol
J(3,3)
J(2,2)
Zooplancton
Q3
J(3,1)
Ciclo de fertilizacin
Planta verde
Venado
Hombre
Mxico 2009
Contenido
Pg.
Prlogo
Captulo 1
Aspectos bsicos. Trminos y conceptos
1.1.
Estructura de un sistema
..
1.2.
Qu es un modelo?
..
1.3.
Computadora y modelacin
..
1.4.
Sistemas Dinmicos
1.5.
..
1.6.
10
1.7.
Construyendo un modelo
11
12
13
1.8.
15
17
17
20
..
20
..
21
22
23
23
Captulo 2
Representacin grfica de energa y materia
25
26
2.2.
Pozo de calor
27
2.3.
27
2.4.
28
2.5.
29
2.6.
30
2.7.
Mdulo flujo-control
31
2.8.
Integracin (ejemplo)
..
32
ii
33
..
34
35
3.1.
Agregacin
36
3.2.
Tasas de flujo
36
3.3.
Tasas de cambio
43
3.4.
Ecuaciones predictivas
46
3.5.
50
3.6.
Tcnicas de solucin
58
3.7.
63
3.8.
Sensibilidad
65
3.9
66
Captulo 3
Captulo 4
Pasos prcticos para construir un modelo
..
69
4.1.
..
70
71
Pasos a seguir
4.1.1. Objetivos
4.2.
Estructura de subsistemas
..
73
4.3.
Construccin y validacin
..
74
4.4
75
iii
4.5.
76
4.6.
77
4.7.
Comentario final
..
77
79
5.1.
80
5.2.
..
81
81
82
82
La Bio-matemtica en Mxico
85
Bibliografa
89
Captulo 5
5.2.1 NetLogo
5.2.1.1
5.2.2 Octave
Captulo 6
iv
Prlogo
Captulo 1
1.1.
Estructura de un sistema
Aspectosbsicos
pequeos
componentes
son
de
las
herramientas
de
investigacin
que
1.2.
Qu es un modelo?
Aspectosbsicos
Aspectosbsicos
1.3.
Computadora y modelacin
Aspectosbsicos
1.4.
Sistemas Dinmicos
Un sistema dinmico es aquel donde las variables interactan para promover cambios
en el tiempo. Un aspecto comn a todos los sistemas dinmicos es que su conducta est
determinada a la vez por su estructura.
Los sistemas dinmicos enlazan el comportamiento de un sistema a su estructura
subyacente. Por lo que es importante analizar cmo o por qu la estructura de un
sistema fsico o biolgico conduce al comportamiento que dicho sistema muestra. Por
ejemplo, al definir la estructura de un ecosistema se puede utilizar el anlisis de
sistemas dinmicos para trazar su comportamiento sobre el tiempo.
El enfoque de sistemas dinmicos permite analizar como los cambios estructurales en
una parte del sistema pueden afectar la conducta del sistema como un todo.
Refirindose de nueva cuenta al ecosistema, se puede probar el impacto de una sequa
en el ecosistema o analizar el impacto de la eliminacin de una especie animal en
particular sobre el comportamiento del sistema entero.
Modelar la estructura de un sistema obliga a considerar detalles tpicamente mal
valorados, sobre-valorados o devaluados, en un modelo exclusivamente mental. En
concreto, la teora de Sistemas Dinmicos es un paradigma para la modelacin y estudio
de fenmenos que presentan cambios temporales y espaciales (Carretero, 2002).
Aspectosbsicos
1.5.
Aspectosbsicos
Estos mtodos tambin son tiles en el desarrollo de modelos tericos que constituyen
la base para muchos desarrollos en teora ecolgica. En algunos casos se han utilizado
en el desarrollo de programas de manejo de poblaciones. Desafortunadamente son poco
utilizados en el estudio de ecosistemas complejos. La principal razn es que slo son
tiles bajo ciertas condiciones o cuando se tienen pocas ecuaciones.
El enfoque analtico no es muy til en el estudio de ecosistemas complejos, ya que
requieren la solucin simultnea de docenas a cientos de ecuaciones, muchas de las
cuales pueden ser no lineales. Por lo que se debe recurrir a procedimientos
considerados bajo el ttulo de modelos numricos. Esto ltimo hace referencia al
proceso de colocar cualquier conjunto de ecuaciones en una computadora y explorar
consecuencias. Tcnicamente, el trmino numrico es antnimo de analtico.
En un modelo con este enfoque se deben generar las ecuaciones diferenciales
necesarias, garantizar que tengan solucin y en el mejor de los casos que las soluciones
sean nicas.
Aspectosbsicos
Actualmente, se visualiza un futuro donde ambas vertientes sean aliadas, para lograr
mejores resultados. Desafortunadamente no hay frmulas mgicas que permitan, al
modelador, definir de antemano el enfoque ms adecuado. Por lo que en cada paso es
necesario utilizar el mejor juicio, de acuerdo a las condiciones del problema a estudiar o
de las herramientas que mejor maneje.
1.6.
Los modelos son tiles a la ciencia en una variedad de formas, una de las ms
importantes es que ayudan a conceptualizar, organizar y comunicar fenmenos o
procesos complejos.
Los modelos pueden hacer considerablemente ms, como: entender a detalle un
proceso y hasta optimizarlo. Si se entiende bien el comportamiento de ciertas partes de
10
Aspectosbsicos
1.7.
Construyendo un modelo
Modelar generalmente empieza con una concepcin de cules son las partes
importantes del sistema y de cmo estas se interconectan. En esta etapa el desarrollo
del modelo depende fuertemente de la experiencia e intuicin del modelador, esto
significa que l asume que es importante en su sistema y que espera encontrar al
realizar la modelacin. Un conocimiento de cules son los componentes relevantes y sus
11
Aspectosbsicos
12
Aspectosbsicos
Aletaazul
13
Aspectosbsicos
Luz
Claridaddelagua
Contenido de clorofila de la
poblacindefitoplancton
Fotosntesis
14
Aspectosbsicos
Este diagrama muestra un modelo con un alto grado de agregacin, ya que diferentes
especies; profundidades de agua y microzonas estn aglutinadas en una sola variable de
estado. Si se cuenta con informacin que indica que la fotosntesis fue uniforme en los
metros superficiales del lago, pero que en las secciones ms profundas se present una
fotosntesis diferente, entonces se puede realizar un modelo menos agregado.
El nivel de agregacin de un modelo generalmente depende de la informacin
disponible. Entonces, el nivel de agregacin es un aspecto secundario, es ms
importante decidir cules son los componentes funcionales e interacciones que se deben
incluir en el modelo.
Una forma de determinar el mejor nivel de agregacin es dejar que el modelador utilice
su intuicin y vea si sus colegas o crticos pueden sugerir algo mejor. Otra opcin es
construir diferentes niveles de agregacin, en diferentes modelos del mismo sistema y
ver si las salidas de los modelos son diferentes con respecto a las preguntas que se
estn planteando.
En general, el nivel de agregacin depende de las preguntas que se quieran resolver y
de los recursos disponibles para contestarlas.
15
Aspectosbsicos
unidades:
Cal
( m 2 )( hr )
.. (1)
Jdb
k grande
k pequea
Qd
16
Aspectosbsicos
...
(2)
J
, lo que mide la cantidad del donador y la tasa de flujo, y permite
Q
1.8.
17
Aspectosbsicos
x(generalmentet)
3
y
Ks
18
Aspectosbsicos
Nombre
1. Lineal
Frmula simple
y = a + kx
Ejemplo
Fotosntesis
luz,
contra
bajas
intensidades de luz
2. Exponencial
y = aekx
Curvas
de
crecimiento
sin
restricciones
3. Logstica
y=
1
a + be kx
Curva
de
crecimiento
de
poblaciones
animales, frecuentes
en la naturaleza
4. Michaelis - Menten
y=k
Respuesta
x
x + Ks
de
crecimiento
factor
un
limitante
conforme el factor
se hace no limitante
Una vez que ya se tiene una ecuacin, que representa la relacin a modelar, es
necesario determinar los coeficientes que hagan que la curva se aproxime lo ms
posible a los datos del mundo real. Esto se hace mejor mediante mtodos empricos, por
observacin o experimentacin. Aunque tambin se pueden utilizar datos de la
literatura. Se tiene dos mtodos empricos a utilizar: aislamiento y correlacin.
19
Aspectosbsicos
20
Aspectosbsicos
Qt2 = Qt1 + J i
i =1
21
Aspectosbsicos
22
Aspectosbsicos
Los modelos que dan una nica salida, a un conjunto dado de entradas, se conocen
como determinsticos.
Si se le agrega al modelo cierta incertidumbre (por ejemplo, si se utilizan funciones
forzantes con algoritmos que producen nmeros aleatorios con una distribucin
estadstica) el modelo se dice que es estocstico y las salidas de un anlisis pueden ser
diferentes de uno a otro.
Por regla general, los modelos determinsticos son ms baratos y simples de construir.
Pero cuando se necesita explorar todos los posibles estados futuros de un sistema, se
requieren modelos estocsticos.
Levins en 1996 (Levins, R., 1966. The strategy of model building in population biology,
Amer, Sci., 54:421-431) caracteriza los modelos por su respectivo grado de precisin,
generalidad y realismo. Aspectos que se logran a expensas unos de los otros. Por
23
Aspectosbsicos
ejemplo, los modelos que se construyen de manera que sean representaciones muy
precisas de un cierto sistema tienden a perder su generalidad, lo que impide efectividad
para representar un amplio rango de sistemas similares. Los modelos que mimetizan
ciertas variables muy cercanamente se consideran precisos y aquellos que consideran
todas las variables y relaciones relevantes son realistas. Por otro lado, a las conclusiones
que no son particularmente sensibles a la estructura del modelo se les conoce como
robustas.
Finalmente, no hay frmulas mgicas para que indiquen cuales son las caractersticas
ms adecuadas para un estudio dado. Aunque es importante no confundir precisin
(cunta significancia figura) con adecuacin (la extensin en la cual una medicin o
simulacin refleja la realidad).
Se resalta la idea de que la construccin mecnica de un modelo es algo relativamente
fcil, particularmente cuando se compara con la complejidad de determinar los atributos
importantes y relaciones de un ecosistema.
24
Captulo 2
Muchos de los procesos naturales son muy complicados para expresarlos solamente con
palabras o comprenderlos a partir de una serie de ecuaciones diferenciales. Por lo que
es necesario, al analizar sistemas complejos,
25
Representacingrfica
El crculo se utiliza para representar una fuente de energa o materiales desde el exterior
del sistema que se est estudiando.
Por ejemplo, se presenta el sol como un crculo, describiendo una fuente de energa,
otras fuentes forzantes se representan en la figura 2.1.
Sol
Fuente
Agua
Aceite
+
0
X
Tiempo
Tiempo
Figura 2.2. Entrada en onda sinoidal y en forma cuadrada, donde el flujo est on u off
En el ejemplo anterior, la entrada de la luz del sol fuerza la fotosntesis del sistema. Otro
ejemplo puede ser la adicin a pulsos de materia orgnica a un ro, cuando caen las
hojas en el otoo.
26
Representacingrfica
2.2.
Pozo de calor
El smbolo pozo de calor representa energa que debe ser degradada en calor (JH) en
cualquier proceso real, de acuerdo a la segunda ley de la termodinmica.
Para construir un modelo de cualquier proceso que use energa, se requiere el mdulo
de pozo de energa o su equivalente para representar el almacenaje de energa o el
consumo de energa til. Uno de los usos ms comunes, de este smbolo, en la
modelacin ecolgica es representar el metabolismo de mantenimiento, es decir la
energa utilizada para mantener un organismo, contra la degradacin entrpica o
depreciacin.
2.3.
Jentrada
Jsalida
Q
Jalmacenamiento
JH
27
Representacingrfica
2.4.
Ejemplos de esto incluyen la energa utilizada por un depredador para capturar una
presa, o la energa del petrleo utilizada para crear un fertilizante que se aplica a la
agricultura. En este ltimo ejemplo se puede ver el fertilizante como los minerales
mismos o como la energa requerida para hacer y utilizar el fertilizante.
X2
X1
Compuerta
J=kX1X2
28
Representacingrfica
X2
X1
J=X1*X2
Multiplicacin
X2
X2
X1
kX
e 2
J=X1*ekX2
Exponencial
X2
X2
X1
X1
J=
X2
Divisin
X2
2.5.
representar
con
un
hexgono,
como
ejemplos
se
tienen
animales,
29
Representacingrfica
almacenar
energa
(3)
metabolismo
de
mantenimiento.
2.6.
carbono.
Los
consumidores,
las
plantas
verdes
movilizan
30
esta
Representacingrfica
2.7.
Mdulo flujo-control
X1
X2
J1
J3
J2
Control
Switch de control que se utiliza cuando los flujos tienen una sola
condicin de encendido o apagado. Ejemplos: migracin, votaciones o
reproduccin estacional.
Precio
J2
$
J1
31
Representacingrfica
2.8.
Integracin (ejemplo)
Sol
Energaparacapturarelvenado
Ciclodefertilizacin
Plantaverde
Venado
Hombre
En este ejemplo, a la planta verde se la come un venado. Las heces del venado actan
como fertilizante para las plantas y aceleran el crecimiento de la planta en un ciclo de
retroalimentacin a la compuerta de trabajo. Se puede agregar al hombre como un
depredador que se alimenta del venado, en ese caso se agrega la energa que el
depredador utiliza para cazar al venado.
Despus de construir el diagrama conceptual, se pueden insertar ms flujos y
almacenamientos, hasta representar el sistema lo ms adecuadamente posible.
Entonces, se pueden agregar las ecuaciones diferenciales o en diferencias para
representar cambios en las variables de estado como funcin de los flujos de entrada y
salida. El paso final es desarrollar un modelo computacional, a partir de estas
ecuaciones y correr experimentos computacionales (simulacin).
Estos diagramas son una representacin heredada de los primeros modeladores de
sistemas ecolgicos, bastante comunes en la literatura cientfica. Aunque estn siendo
desplazados por la representacin especfica de software como Stella o Madonna.
Aunque estos diagramas y modelos, no son mejores que la concepcin, supuestos y
32
Representacingrfica
nmeros que contienen. Si sirven para describir sistemas muy complejos y hacer
representaciones adecuadas de la naturaleza.
Stock
Flujo
Convertidor1
Conector
Elementos bsicos
Convertidor2
de diagramas
Stock: Es un smbolo genrico para cualquier cosa que acumula o consume recursos.
Flujo: Un flujo es la tasa de cambio de un stock.
Convertidor: Un convertidor se utiliza para tomar datos de entrada y manipularlos para
convertir esa entrada en alguna seal de salida.
33
Representacingrfica
34
Captulo 3
35
Elementosmatemticos
Uno de los primeros pasos en la modelacin es definir las variables que describen el
estado o condicin de un sistema ecolgico (variables de estado). Un modelo que tims
de
una
variable
de
estado
se
conoce
como
multidimensional.
Un
modelo
3.1.
Agregacin
3.2.
Tasas de flujo
36
Elementosmatemticos
En un sistema que tiene una sola variable Q1, la nica tasa de flujo es J(1,1).
J (1,1) = rQ1
. . . . . . . . . (1)
K Q1
Q
r ' = r
= r 1 1
K
K
. . . . . . . . (2)
37
Elementosmatemticos
K Q1
J (1,1) = r ' Q1 = rQ1
J(1,1)
. . . . . . (3)
J(2,2)
biomasa
presas
Q1
est
siendo
Depredador
J(1,2)
Presa
de
Para construir un modelo de este sistema, se deben desarrollar ecuaciones para cada
uno de las tasas de flujo, J(i,j). Las tasas, J(1,1) y J(2,2) son funciones de crecimiento
neto que se pueden describir por ecuaciones como la (1) y (3).
La tasa de depredacin, J(1,2), es una funcin de las densidades de presas y
depredadores. La ms simple de las descripciones supone que el nmero de presas
consumidas es una fraccin fija del nmero de presas encontradas. El nmero de presas
encontradas por un solo depredador es la tasa de bsqueda (en el rea o volumen
donde busca el depredador en una unidad de tiempo) multiplicada por la densidad de
presas en al rea.
El nmero total de presas consumidas es: el nmero de presas encontradas por cada
depredador multiplicado por la densidad de depredadores multiplicada por la fraccin de
presas encontradas que se consumen, esto es.
J (1,2) = S p Q1Q2
. . . . . (4)
= a Q1Q2
. . . . . (5)
38
Elementosmatemticos
Donde:
= fraccin encontrada de presas que son consumidas
'=
K
. . . . . (6)
K + Q1
KS p
K
=
Q1Q2 . . . . . (7)
K + Q1
K + Q1
39
Elementosmatemticos
J (1,2) =
aKQ1
Q2 . . . . . . . . (8)
K + Q1
Se debe notar que para grandes densidades de presas, el lado derecho de la ecuacin
(8) es aproximadamente igual a aKQ2 . (esto significa que
Q1
1 ).
K + Q1
Entonces, el
40
Elementosmatemticos
Donde G1, G2 y G3 describen los efectos de la concentracin de los nutrientes, Q1, y las
variables exgenas temperatura, W2, y radiacin solar, W3, sobre la absorcin de
nutrientes por la poblacin de fitoplancton Q2. El efecto de la concentracin de
nutrientes frecuentemente tienen la forma, G1 (Q1 ) = Q1 , donde est dado en la
ecuacin (6).
Una forma ms general de la relacin multiplicativa es.
N
J (i, j ) = M Gm ( X m ) . . . . . (10)
m =1
Gm ( X m ) =
Donde
Y = y1 , y 2 ,LLL , y N = Conjunto de valores base de las variables del modelo utilizadas
para comparacin.
J (i, j y1 , y 2 , LLL , y N ) = el valor de la tasa de flujo, J(i,j), dado que las variables del
41
Elementosmatemticos
J (i, j | x1 , x 2 , y 3 ,..., y n ) =
Se puede notar que en general los valores de Gm(x) no siempre son los mismos, si se
miden en diferentes valores base ( y1 , y 2 ,LLL, y N ) . Por esta razn, las mediciones
usualmente se basan en los valores, y, que maximizan el valor de J(i,j). Por ejemplo. Si
J(i,j) es una tasa de crecimiento, los valores base de las ys pueden representar los
valores ptimos de radiacin solar, temperatura, concentracin de nutrientes y as por el
estilo.
En la prctica, las variables usualmente tienen efectos de interdependencia que afectan
las tasas de flujo. Esto significa que la ecuacin (13) no se aplica a todos los valores de
X Y = xm y m
sea
42
Elementosmatemticos
3.3.
Tasas de cambio
Fi =
j =1
k =1
k i
ji J ( j, i) J (i, k )
. . . . (14)
Donde:
J ( j, k ) = tasa de flujo de Q j a Qk .
Es decir que el valor de F es igual a la suma de todo lo que entra a Q1 menos la suma
de todo lo que sale de Q1.
La importancia de las tasas de cambio, Fi, consiste en que son la base de las ecuaciones
diferenciales o de diferencias que describen y predicen el comportamiento de un sistema
ecolgico.
Es necesario incluir las constantes ji , en las tasas de cambio de la ecuacin (14), ya
que al transferir J (i, j ) unidades de la variable Q j no necesariamente resulta en el
mismo nmero de unidades de variable Qi . Por ejemplo, si la cantidad a transferir est
43
Elementosmatemticos
es la
F1 = J (1,1) . . . . . (15)
El trmino, J (1,1) puede tener una de las formas listadas en las ecuaciones (1) y (2), es
decir que para el crecimiento independiente de la densidad
F1 = rQ1 . . . . . (16)
. . . . . (17)
44
Elementosmatemticos
F1 = J (1,1) J (1,2)
. . . . . (18)
F2 = 12 J (1,2) + J (2,2)
. . . . . (19)
J (1,1) y J (2,2) tienen la forma correspondiente a la ecuacin (1). De tal forma que las
tasas de cambio de Q1 y Q2 de las ecuaciones (18) y (19) son.
45
Elementosmatemticos
3.4.
K Q1
F1 = r1Q1
a1Q1Q2
K
. . . . . (22)
F2 = r2 Q2 a 2 Q1Q2
. . . . . (23)
Ecuaciones predictivas
Las ecuaciones predictivas convierten las tasas de cambio, Fi, en ecuaciones que
predicen los valores de las variables de estado, Qi (t ) , a travs del tiempo. Si el tiempo
se divide en unidades discretas tales como das, generaciones o aos, el valor de la
variable de estado, Qi , al tiempo t + t , es el valor de la variable de estado, Qi , al
tiempo, t, ms la tasa de cambio Fi multiplicada por t, el nmero de unidades de
tiempo que han transcurrido. La representacin matemtica de esta relacin es.
Qi (t + t ) = Qi (t ) + Fi (t ) t . . . . . (24)
La ecuacin (24) se conoce como una ecuacin en diferencias. Usualmente, las unidades
de t se seleccionan de manera que t es igual a 1. En cuyo caso, la ecuacin de
diferencias queda como.
Qi (t + 1) = Qi (t ) + Fi (t ) . . . . . (25)
Sustituyendo la ecuacin (14), que expresa la tasa de cambio, Fi, como una funcin de
las tasas de flujo J (i, j ) , en la ecuacin (25), se obtiene.
46
Elementosmatemticos
j =1
k =1
k i
Qi (t + 1) = Qi (t ) + ji J ( j , i ) J (i, k )
. . . . . (26)
Las ecuaciones que tienen la forma de la ecuacin (26) predicen cambios en unidades
discretas de tiempo.
Las ecuaciones predictivas que describen la dinmica de un sistema de manera continua
a travs del tiempo se conocen como ecuaciones diferenciales. Este tipo de ecuaciones
se basan en la derivada de Qi (t ) , (la tasa instantnea de cambio de Qi (t ) ) y se
dQi (t )
o
Q
representa por el smbolo
. La derivada est definida por.
dt
dQi
Q (t + t ) Qi (t )
=L
= lim i
t 0
dt
t
. . . . . (27)
< L i
<
t
si - < t <
. . . . . (28)
Si existe un valor de L que cumpla con la ecuacin (28), entonces, la derivada existe y
se dice que Qi (t ) es diferenciable en el punto t.
Para relacionar la ecuacin (27) a las tasas de cambio, Fi, la ecuacin (24) se puede reescribir como.
Qi (t + t ) Qi (t )
= Fi (t )
t
. . . . . (29)
47
Elementosmatemticos
. . . . . (30)
. . . . (31)
k i
Los dos modelos ms utilizados para describir el crecimiento de una sola especie se
obtienen al sustituir las ecuaciones (16) y (17) en la ecuacin (31), para obtener.
dQ
= F = rQ
dt
. . . . . (32)
dQ
K Q
= F = rQ
dt
K
. . . . . (33)
. . . . . (34)
y
K Q(t )
Q(t + 1) = Q(t ) + rQ(t )
. . . . . (35)
K
48
Elementosmatemticos
dQi
, de cada variable de estado se
dt
dQ1
= F1 = r1Q1 a1Q1Q2
dt
. . . . . (36)
dQ2
= F2 = r2 Q2 + a 2 Q1Q2
dt
. . . . . (37)
donde:
49
Elementosmatemticos
3.5.
J(1,2)
Q1
J(3,3)
J(2,2)
Fitoplancton
J(2,3)
Zooplancton
Q2
Q3
J(2,1)
J(3,1)
El primer paso, para construir un modelo del ecosistema descrito en la figura anterior,
consiste en desarrollar ecuaciones para cada una de las tasas de flujo, J (i, j ) . An
cuando alguno de estos flujos sea cero. Por ejemplo, el zooplancton no absorbe
50
Elementosmatemticos
. . . . . (38)
o simplemente
J (2,3) = aQ2 Q3
. . . . . (39)
donde:
V = volumen,
Cg = tasa de filtracin,
a=
Cg
V
Se puede notar que la ecuacin (39) tiene la misma forma matemtica que la expresin
general de depredacin (ecuacin 5).
La tasa J (1,2) es la cantidad de nutrientes consumidos por la poblacin de fitoplancton
por unidad de tiempo: Esta tasa es directamente proporcional a la tasa de crecimiento
de la poblacin de fitoplancton, la cual depende de la temperatura, radiacin solar y la
51
Elementosmatemticos
a1 K 1Q1Q2
*M
K 1 + Q1
. . . . . (40)
donde:
GT(XT) y GS(XS) son funciones que describen los efectos de la temperatura, XT, y la
radiacin solar, XS, sobre el crecimiento del fitoplancton. Ellos toman valores estimados
de estas funciones de la literatura. La forma exacta de estas funciones GT y GS, se dan
en el cuadro 3.1.
En un ecosistema acutico, los nutrientes se retornan al agua por las excreciones y
muerte de fitoplancton y zooplancton. El flujo de este material, desde la poblacin de
fitoplancton se representa por.
J (2,1) = Q2 GTP ( X T )
. . . . . (41)
P
donde la funcin GT ( X T ) , describe el efecto de la temperatura XT, sobre J (2,1) y est
52
Elementosmatemticos
ecuacin del tipo de la ecuacin (8), es decir que la cantidad de fitoplancton asimilada
es igual a.
a 2 K 2 Q2 Q3
K 2 + Q2
. . . . . (42)
aQ2 Q3
a 2 K 2 Q2 Q3
a K
= a 2 2 Q2 Q3
K 2 + Q2
K 2 + Q2
. . . . . (43)
a K
J (3,1) = K 3 Q3 + 23 a 2 2 Q 2 Q3
K 2 + Q2
. . . . . (44)
Qi
(donde V = volumen) da la
V
53
Elementosmatemticos
J (i, i ) = qci q
Qi
V
. . . . . (45)
J (1,1) = qDi (V ) q
Q1
. . . . . (46)
V
Las ecuaciones para todas las tasas de flujo, J (i, k ) se resumen en el cuadro 3.3. De
estas ecuaciones, las tasas de cambio, Fi, se pueden calcular como la suma de todos los
flujos de entrada en el compartimiento de la variable de estado, i, menos los flujos de
salida.
Efectos de variables exgenas
Relacin funcional
GT ( XT ) =
I(Xs ) (1
Gs (Xs ) =
e
Is
I (XS ) = XS ekz
54
XT
30
I ( XS )
)
IS
Elementosmatemticos
Smbolo
Valor
Nitrgeno a Fitoplancton
12
5.88 g C/g N
Fitoplancton a Zooplancton
23
0.6 g C /g C
Zooplancton a Nitrgeno
31
0.28 g N/gC
Fitoplancton a Nitrgeno
21
0.17 g N /g C
K1
0.025 mg N/l-da
K2
3 mg C /l-da
Decaimiento de Zooplancton
K3
0.075/day
0.013/V litros/da-g C
3 da-1 C-1
ls
300 Iy/da
Factores de conversin
55
Elementosmatemticos
J (1,2) =
Q1
V
a1 K 1Q1Q2
GT ( X T )G S ( X S )
K 1 + Q1
J ( 2,1)= Q2 GTP ( X T )
J (2,2) = qc 2 q
Q2
V
J (2,3) = aQ2 Q3
a K
J (3,1) = K 3Q3 23 a 2 2 Q2 Q3
K 2 + Q2
J (3,3) = qc3 q
Q3
V
dQ1
= F1 = J (1,1) + 21 J (2,1) + 31 J (3,1) J (1,2)
dt
a K QQ
dQ1
Q
aK
= qD1(v) q 1 +21Q2GTP (XT ) +31K3Q3 +23a 2 2 Q2Q3 1 1 1 2 GT (XT )GS (XS )
dt
V
K1 + Q1
K2 + Q2
dQ2
= F2 = J (2,2) + 12 J (1,2) J (2,1) J (2,3)
dt
56
(47)
Elementosmatemticos
dQ2
Q
a K QQ
= qc2 q 2 +12 1 1 1 2 GT ( XT )GS ( X S ) Q2GTP ( XT ) aQ2Q3
dt
V
K1 + Q1
.....
(48)
adems
dQ3
= F3 = J (3,3) + 23 J (2,3) J (3,1)
dt
dQ3
Q
a2 K 2
= qc 3 q 3 + 23 aQ 2 Q3 K 3 Q3 + 23 a
dt
V
K
2 + Q2
Q 2 Q3
. . . . . (49)
II.
57
Elementosmatemticos
que incluyan no slo diferentes nutrientes, por ejemplo fsforo y slice, as como el
nitrgeno en sus diferentes formas de nutrientes, por ejemplo, nitrgeno orgnico,
amonio y nitratos.
3.6.
Tcnicas de solucin
dQ
= rQ ,
dt
tiene solucin cerrada:
Q (t ) = ce r (t t0 )
Q (t 0 ) = c
.....
(50)
Una lista de las soluciones cerradas ms comunes se presenta en el cuadro 3.4. Aunque
se debe aclarar que las soluciones cerradas o analticas estn asociadas a modelos muy
simples o que tienen una forma especial. Por la complejidad de los sistemas ecolgicos,
la mayora de los modelos que buscan ser realistas no tienen soluciones de forma
cerrada y se deben resolver numricamente.
58
Elementosmatemticos
Para resolver numricamente las ecuaciones de diferencias, los valores de las variables
de estado Qi(t) se calculan recursivamente; esto es, los valores de las variables a un
tiempo, t, se toman en cuenta para calcular los valores al tiempo t + 1, los cuales a su
vez se utilizan para calcular los valores al tiempo t + 2 y as sucesivamente. Este
proceso inicia con t = t0, para lo que se requiere el valor inicial Qi(t0). Por ejemplo, si se
considera un modelo de ecuaciones en diferencias de las poblaciones de presas y
depredadores cuyas tasas de cambio se definieron en las ecuaciones (20) Y (21).
Entonces, de la ecuacin (25).
. . . (51)
Q2 (t + 1) = Q2 (t ) + r2 Q2 (t ) a 2 Q1 (t )Q2 (t ) . . . (52)
Para resolver estas ecuaciones, se especifican los valores de los parmetros y se definen
los valores iniciales de las variables de estado. De manera que:
r = 0.5,
a1 = a2 = 0.001
r2 = -1.
. . . (53)
59
. . . (54)
Elementosmatemticos
Q1
1000
tiempo
Q1
Q2
Q2
400
1000.00
400.00
r1
0.5
1100.00
400.00
r2
-1
1210.00
440.00
0.001
1282.60
532.40
1241.04
682.86
1014.11
847.45
661.75
859.41
423.91
568.72
394.78
241.09
496.99
95.18
10
698.19
47.30
a1 = a2
Al hablar de individuos los decimales no hacen sentido, por lo que estos resultados se
aproximan al nmero entero ms cercano.
60
Elementosmatemticos
Nombre
Tasa de cambio
Crecimiento
Grfica
Ecuacin de
Solucin
Soluciones de
Grfica de
de Fi
prediccin
cerrada
equilibrio
Qi(t)
F1
exponencial
Q1
(ecuacin
diferencial)
Q1 (t ) = Q1 (0)e rt
dQ1
= rQ1
dt
F1 = rQ1
Crecimiento
Q1* = 0
(no estable)
Q1
0
diferencial)
Q1* = 0
Q1
F1 = rQ1
Q1 (t + 1) = (1 + r )Q1 (t )
Q1 (t ) = (1 + r )t Q1 (0)
F1
Crecimiento
logstico
K Q
F1 = rQ1
Q1 (t ) =
Q1
K
1 + ce rt
(no estable)
Q1* = 0
Q1
(no estable)
dQ1
K Q1
= rQ1
dt
K
c=
K
1
Q1 (0)
Q1* = K
(estable)
F1
exponencial
(ecuacin
Q1
61
Elementosmatemticos
F1 = r1Q1 + a1Q1Q2
F1
(Q , Q ) = (0,0)
No hay forma
dQ1
= r1Q1 a1Q1Q2
dt
*
1
cerrada
*
2
(no estable)
Q2
Lotka Volterra
+r1LnQ2 + a1Q2
Q1* , Q2*
dQ2
= r2Q2 + a2Q1Q2
dt
F2
F2 = r2 Q2 + a 2 Q1Q2
-r2LnQ1 + a2Q1
r r
= 2 , 1
a2 a1
constante
Q2
(no estable)
Q1
Q1
F1
0
F1 = I
Q1Q2
Q2
K1 + Q1
Q1
dQ1
Q1Q2
=I
dt
K1 + Q1
Q1*
KK
= 1 2
+ K2
No hay forma
cerrada
Michaelis
Menten
F1 =
Q1Q 2
K 1 + Q1
K 2 Q2
0
Q1
dQ2 Q1Q2
=
K2Q2
dt K1 + Q1
62
Q2
' K2 1
+
Q2* = I
K 2
'
F2
Elementosmatemticos
3.7.
dQ
en el intervalo t s t + t , se puede
dt
representar como.
Q (t + t ) = Q (t ) +
dQ (t )
d m Q (t ) (t ) m
t + ... +
+ (t m +1 )
m
dt
m!
dt
. . . . . (57)
dQ(t )
t + (t 2 )
dt
. . . . . (58)
Q(t + t ) = Q(t ) +
dQ(t )
t
dt
. . . . . (59)
Q(t + t ) = Q (t ) + F (Q, t )t
63
. . . . . (60)
Elementosmatemticos
Donde F(Q,t) es la tasa de cambio (como en la ecuacin 14). Se puede ver en una
2
comparacin con la ecuacin (58) que el error en esta aproximacin es (t ) , el cual
t T .
(T t 0 )
clculos. Si t es pequeo, este nmero puede ser muy grande. De
t
manera que aunque el error en cada paso del mtodo de Euler es pequeo, del orden
de (t)2, su acumulacin en muchos pasos puede tener un efecto significativo sobre lo
adecuado del resultado final.
Hay mtodos que tienen un error ms pequeo que (t2) en cada paso. Uno de estos
es el mtodo de Runge-Kutta que se basa en una aproximacin de diferencias de la
forma.
N
Q (t + t ) = Q (t ) + C i F (Q (t ) + a i t + bi ) + (t ) N +1
i =1
. . . . . (61)
donde Ci, ai, y bi se seleccionan de forma que la ecuacin (61) es igual a la expansin
de la serie de Taylor, ecuacin (57). Hay muchas formas de seleccionar los valores de
Ci, ai, y bi, de manera que satisfagan estos requerimientos. Por ejemplo, para N = 4,
una aproximacin de Runge Kutta es.
Q(t + t ) = Q(t ) +
1
(m1 + 2m2 + 2m3 + m4 )t
6
64
. . . . . (62)
Elementosmatemticos
donde :
m1 = F (Q (t ), t )
1
1
m2 = F (Q(t ) + m1t , t + t )
2
2
1
1
m3 = F (Q(t ) + m2 t , t + t )
2
2
m 4 = F (Q (t ) +
1
1
m 3 t , t + t )
2
2
3.8.
Sensibilidad
65
Elementosmatemticos
3.9
Los modelos donde las variables cambian a travs del tiempo se llaman dinmicos.
Cambiando dinmicamente los sistemas pueden eventualmente alcanzar un estado en el
cual los valores de las variables permanezcan estables. Un sistema en el cual todas las
variables de estado permanecen constantes a travs del tiempo se dice que est en un
estado estable o en equilibrio.
Sean Q* = (Q1* , L , Qn* ) los valores de equilibrio de las variables de estado, dado que los
valores de la variable de estado no cambian, las tasas de cambio se igualan a cero, esto
es.
Fi (Q * ) = 0 , i = 1, 2, L , n
66
. . . . . (63)
Elementosmatemticos
Esta ltima ecuacin se utiliza para calcular soluciones en el equilibrio. Por ejemplo, para
calcular las soluciones en el equilibrio de las ecuaciones logsticas (33) y (35), se
sustituye la ecuacin (2) en la (63) para obtener.
F1 (Q1* )
K Q1*
=0
rQ1*
K Q1*
=0
rQ1*
K
=>
. . . . . (64)
K = Q1*
. . . . . (65)
. . . . . (66)
. . . . . (67)
Q2* =
r1
a1
. . . . . (68)
Q1* =
r2
a2
. . . . . (69)
67
Elementosmatemticos
68
Captulo 4
Aunque hacer modelos tiene como eje central desarrollar las ecuaciones que describen
el proceso, tambin es un hecho que antes que nada el modelador se debe enfrentar a
pintar el conocimiento relevante del pool cientfico y organizarlo de manera adecuada
a los objetivos del modelo. Al grado que se pueda complementar el conocimiento ya
existente, o inventar nuevas estructuras que traten de responder a preguntas poco
usuales. El arte reside en saber qu no incluir y qu hacer con las partes necesarias.
Se debe enfatizar que modelar es ms que un arte, ya que las tcnicas son necesarias
pero no suficientes. El mejor de los matemticos no puede construir un buen modelo
hasta que l desarrolla al arte de trazar, desde la informacin que aporta el cientfico,
la esencia del sistema que se est modelando y representar esta esencia en una forma
parsimoniosa y tratable.
69
Pasosprcticos
4.1.
Pasos a seguir
70
Pasosprcticos
Objetivosdelmodelo
Pregunta(s)Objetivo
Especificaciones
Objetivosdelmodelo
Respuestas
4.1.1. Objetivos
Al revisar la literatura es difcil encontrar los objetivos para los cuales se desarroll un
modelo. Y tambin es comn que se critique que los modelos responden a preguntas y
necesidades para las cuales no fueron diseados inicialmente.
Por lo que es importante que al construir un modelo, para propsitos especficos, se
indiquen explcita y adecuadamente sus propsitos y objetivos, de tal forma que se
pueda someter a la crtica y se revise hasta donde cumple con sus especificaciones, de
manera que si no las cumple entonces el modelo no est completo o terminado. Este
primer paso puede proporcionar una estrategia de construccin del modelo, aunque
71
Pasosprcticos
antes de ir a este ejercicio se recomienda una amplia discusin de los propsitos, metas,
objetivos, actividades y conceptos asociados.
Para elaborar la lista de especificaciones, se deben considerar las preguntas del tipo:
cules sern los efectos de . . . . El primer paso es identificar los subsistemas del
ecosistema al cual se relacionan estas preguntas. A esto se le llama sistema objetivo.
No se deben incluir en el modelo mecanismos que no se entiendan, ni excluir aquellos
que son esenciales para los propsitos del modelo. Aspecto que requiere conocimiento
previo del sistema a estudiar o la colaboracin de un experto.
Dependiendo de la naturaleza del propsito, puede ser necesario incorporar mecanismos
trayndolos del nivel bajo ms cercano al sistema objetivo. Si el propsito requiere
solamente describir un comportamiento normal, entonces los niveles inferiores
generalmente no se requieren. Pero si se modifica algo que cambia el comportamiento
normal, entonces se requiere modelar los mecanismos que contienen la explicacin
causal de cmo el sistema trabaja e incluye estos mecanismos en el modelo.
Ambienteycontextoecolgico
Sistemaobjetivo
ambiente
apropiado.
En
algunos
Mecanismosde
comportamiento
Los elementos de las especificaciones que hacen explcitos los objetivos son:
1.
2.
72
casos
es
Pasosprcticos
3.
4.
5.
6.
7.
8.
9.
4.2.
Estructura de subsistemas
73
Pasosprcticos
Si el sistema a modelar se define por los objetivos del modelo, entonces los submodelos tambin se deben definir por objetivos y sub-objetivos implicados en cada submodelo, lo que conduce a una perspectiva interesante en la estrategia de modelacin.
Cada mdulo puede requerir herramientas diferentes para cumplir sus objetivos por
completo. Por ejemplo, alguno de los mdulos puede operar en un tiempo continuo,
mientras que otros operan en tiempos discretos. Una parte puede requerir un modelo de
flujo de energa, otra un modelo de poblacin estadstico. La descomposicin en partes
permite que cada parte se modele de la manera ms adecuada para cumplir los
objetivos. La integracin en un todo debe quedar definida en las reglas de composicin
y descomposicin.
4.3.
Construccin y validacin
Esto significa que la actividad cesa cuando el modelo alcanza los estndares de
validacin o cuando se admita que no hay forma de alcanzar dichos estndares. Cuando
el modelo pasa las pruebas de validacin, est listo para los propsitos para los cuales
se construy.
74
Pasosprcticos
E
s
p
a
c
i
o
A
m
b
i
e
n
t
a
l
Regindeprediccin
mientras
que
la
validacin
del
Reginde
comportamiento
prescrito
emprico.
Espaciodecomportamiento
4.4
Todos los sistemas generales tienen una relacin funcional que se interpreta como una
funcin entre dos conjuntos de variables. La conceptualizacin ms simple es el sistema
(S) como una funcin de entradas y salidas.
Entrada
Salida
75
Pasosprcticos
Entonces el modelo es cualquier regla que genera salidas a partir de entradas. En esta
representacin se dice que la estructura del modelo la proporciona la regla, que se
representa mediante una ecuacin, de la cual se deben encontrar sus parmetros.
Estudiar procesos en los que todas las salidas estn determinadas por completo, de
acuerdo a los valores de entrada, es de poco inters en la investigacin biolgica. Los
sistemas de mayor inters son los que estn determinados por el estado anterior o
secuenciales, en stos, las salidas son funcin de valores anteriores de entradas y
salidas, as como de las entradas actuales. Para realizar esto se deben identificar las
variables de estado que conceptualmente se puedan medir, as como sus valores
actuales. Aqu correr un modelo es simplemente generar salidas de acuerdo a las
reglas y sobre un intervalo especfico de tiempo, dados un conjunto particular de
4.5.
76
Pasosprcticos
4.7.
Comentario final
De manera simplista se puede decir que los pasos bsicos para crear y analizar modelos
cuantitativos.
1.
2.
3.
4.
5.
Formular el modelo
Analizar el modelo
Resolver el modelo (ecuaciones, valores iniciales, etc.)
Entender el modelo
Aceptar (o en algunos casos rechazar) el modelo
77
Pasosprcticos
78
Captulo 5
Actualmente hay una gran cantidad de paquetes de cmputo para desarrollar modelos
matemticos en cualquier rea del conocimiento, que si bien requieren de un buen nivel
de conocimiento del proceso a modelar, se pueden trabajar y obtener resultados
satisfactorios a corto plazo con relativamente pocos conocimientos matemticos.
A nivel comercial se puede considerar el software de programacin visual Stella, el cual
es muy sencillo en su manejo, cuenta con una interfaz grfica amigable y es bastante
potente en sus rutinas de clculo numrico. Si acaso el principal inconveniente seria el
precio, pero an as est entre los ms accesibles.
79
Herramientassoftware
5.1.
Una lista de software de este tipo y con el mismo enfoque se presenta a continuacin.
STELLA ITHINK (www.iseesystems.com). Sitio de Stella donde se presentan Demos, ejemplos, tutorales
en lnea y bibliografa. As como el acceso a una versin de prueba.
ModelMaker un software muy semejante Stella y Madonna. Presenta Demos, tutorales en lnea y
bibliografa. As como el acceso a una versin de prueba.
80
Herramientassoftware
5.2.
5.2.1. NetLogo
81
Herramientassoftware
5.2.1.1.
En NetLogo, un modelo se hace con cuatro tipos de elementos: Los Stock, Variables,
Flujos y Enlaces.
Un stock representa una coleccin de materia o un agregado. Por ejemplo, una Accin
puede representar una poblacin de ovejas o el agua en un lago.
Un Flujo lleva las cosas hacia dentro o hacia fuera de una accin. Los flujos se parecen
a las caeras con un grifo, porque el grifo controla cunto pasa de material a travs de
la caera.
Una Variable es un valor empleado en el diagrama. Puede ser una ecuacin que
depende de otras Variables, o puede ser un valor numrico.
Un Enlace conecta un valor de una parte del diagrama con algn otro. Un enlace
transmite el valor de una Variable o una Accin haca otra Accin o Flujo
5.2.2. Octave
82
Herramientassoftware
Es necesario aclarar que estos no son las nicas herramientas de este tipo con licencia
de uso libre, pero si puede ser una manera de empezar a trabajar con este tipo de
software.
83
Herramientassoftware
84
Captulo 6
La Bio-matemtica en Mxico
En Mxico se tienen trabajos serios para fortalecer el vnculo entre las Matemticas y la
Biologa. Entre los que se pueden mencionar:
85
LaBioMatemticaenMxico
2) Esteva y Falconi, 2002. Quienes compilan una serie de materiales que revisan los
fundamentos y los enfoques con los que se trabajan los sistemas dinmicos en
Mxico.
3) Snchez, Miramontes y Gutirrez, 2002. Coordinan la compilacin de una serie de
biografas de autores clsicos, cuya influencia a trascendido y tendido puentes de
trabajo interdisciplinarios y transdisciplinarios entre la biologa y las matemticas.
4) Miramontes, 2004. Habla de la relacin biologa estadstica, de la biologa
matemtica o biomatemtica, de la modelacin matemtica en biologa y
cuestiona la existencia de una biologa terica.
Tambin hay materiales on-line, resaltando un curso que incluye una serie de materiales
de consulta y ejercicios que de manera gradual y constante permite adquirir los
conocimientos bsicos de la modelacin:
Voinov, 1999, http://www.likbez.com/AV/Simmod.html
No hay que olvidar el sitio que se est desarrollando en la FES Zaragoza, con material
sobre estos temas y que se puede consultar en:
enlinea.zaragoza.unam.mx/biomat
Es una realidad que todas las universidades, a nivel mundial, que cuentan de manera
conjunta con un departamento de Matemtica y uno de Biologa, tienden a generar este
86
LaBioMatemticaenMxico
87
88
Bibliografa
1. Beltrami J.
89
Bibliografa
7. Charles A. S. Hall & John W. Day, Jr. (Editores), 1977, Ecosystem Modeling in
Theory and Practice: An introduction with Case Histories, John Wiley & Sons,
1977, USA, 684 pp.
8. ChiappaCarrara, X. y L. SanvicenteAorve, 1998, El papel de los modelos en el
proceso de la investigacin. Tpicos de Investigacin y Posgrado, 5(4): 204211.
9. Elaydi, S. N., 1996, An Introduction to Difference Equations, Springer Verlag,
USA, 427 pp.
10. Esteva L y Falconi M. (compiladores), 2002, Biologa matemtica. Un enfoque
desde los sistemas dinmicos, Ed. Las prensas de ciencias, UNAM, Mxico, 207 pp.
11. Franks, G. E. R., 1972, Modeling and Simulation in Chemical Engineering,
Wiley-Interscience, 411 pp.
12.
Fry, J.C.(editor), 1996, Biological Data Analysis, Oxford University Press, 418
pp.
13. Garca, G. L., 1997, Ciberntica Matemtica, Instituto Politcnico Nacional,
Mxico, 176 pp.
14. Garduo O. R. Y Carvajal R., 1985, Biologa y Pensamiento de Sistemas: una
aproximacin bibliogrfica, Consejo Nacional de Ciencia y Tecnologa (CONACYT),
Mxico, 121 pp.
15. Hall, A. S. Ch., and Day, W. J., 1977, Ecosystem Modeling in Theory and
Practice: An introduction with Case Histories, John Wiley and Sons, U.S.A., 684
pp.
90
Bibliografa
16. Hall, A. S. Ch., and Day, W. J., 1977(b), Systems and Models: Terms and Basic
Principles, pp. 6-36, en Hall, A. S. Ch., and Day, W. J., 1977, Ecosystem Modeling in
Theory and Practice: An introduction with Case Histories, John Wiley and Sons, U.S.A.,
684 pp.
17.
Book of Case Studies, Oxford University Press, Great Britain, 462 pp.
18. Jong, D. E., 2005, Dynamical Systems, Individual-Based Modeling, and
Self-Organization, Artificial Intelligence Laboratory, Vrije Universiteit Brussel,
ttp://arti.vub.ac.be
19. Leslie A. M., 1997, The First Step, Prepared for the MIT System Dynamics in
Education Project under the supervisin of Dr. Jay W. Forrester., 59 pp.
20. Levins, R., 1966. The strategy of model building in population biology,
Amer, Sci., 54:421-431
21. Matthias Ruth and James Lindholm, 2002, Dynamic Modeling for Marine
Conservation, Springer Verlag, New Cork, Inc, 449 pp.
22. Meryl E. Wastney, Blossom H. Patterson, Oscar A. Linares, Meter C. Greif, Ray C.
Boston, 1999, Investigatig Biological Systems Using Modeling, Academia Press,
U.S.A., 382 pp.
23. Miramontes V. P., 2004, La Biologa Matemtica, en Bautista R. R., Martnez E.
J.R y Miramonte P., 2004, Las Matemticas y su Entorno, Siglo XXI editores SA de CV,
Mxico, pgs. 47-65.
91
Bibliografa
Voinov,
A.,
1999,
Simulation
Modeling.
On-Line
Course,
http://www.likbez.com/AV/Simmod.html
27. Wiegert, G. R., 1996, Compartment Models, pp. 345-379, en Fry, J.C.(editor),
Biological Data Analysis, Oxford University Press.
28. Wiggins, S., 2003, Introduction to Applied Nonlinear Dynamical Systems
and Chaos, 2a. Ed., Springer Verlag, USA, 843 pp.
29.
92
1. Edicin
enlinea.zaragoza.unam.mx/biomat
J(3,1)
construyendo paso a paso la representacin matemtica
de un proceso biolgico;
Ciclo de fertilizacin
Planta verde
Venado
Hombre