1 - Modelación Matemática

UNIVERSIDAD DE JAÉN
DEPARTAMENTO DE MATEMÁTICAS
MODELOS MATEMÁTICOS
DISCRETOS EN LA EMPRESA
GRADO EN ESTADÍSTICA Y EMPRESA
TEORÍA DE MODELOS DISCRETOS
Juan Navas Ureña
Jaén, 19 de octubre de 2017

Índice general
1. Introducción a la modelización matemática 7

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Elaboración de modelos matemáticos . . . . . . . . . . . . . . . . . . 9
1.3. Clasificación de los modelos matemáticos. . . . . . . . . . . . . . . . . 15
1.4. El papel de los ordenadores . . . . . . . . . . . . . . . . . . . . . . . 16
1.5. Breve introducción histórica . . . . . . . . . . . . . . . . . . . . . . . 17
1.6. Algunas definiciones básicas. . . . . . . . . . . . . . . . . . . . . . . . 18
2. Diagonalización de matrices 23
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. Valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3. Diagonalización de matrices cuadradas. . . . . . . . . . . . . . . . . . 27
2.4. Cálculo de la potencia de una matriz diagonalizable . . . . . . . . . . 30
2.5. Métodos numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.1. Método de las potencias . . . . . . . . . . . . . . . . . . . . . 32
2.5.2. El método de las potencias con cambio de escala . . . . . . . . 34
2.5.3. Deflación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3. Modelos basados en ecuaciones y sistemas en diferencias 39

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1. Sucesión de Fibonacci . . . . . . . . . . . . . . . . . . . . . . 39
3.2. Ecuaciones lineales de primer orden . . . . . . . . . . . . . . . . . . . 46
3.3. Ecuaciones lineales de segundo orden . . . . . . . . . . . . . . . . . . 47
3.3.1. Resolución de la ecuación homogénea . . . . . . . . . . . . . . 49
3.3.2. Resolución de la ecuación completa . . . . . . . . . . . . . . . 54
3.4. Sistemas de ecuaciones en diferencias . . . . . . . . . . . . . . . . . . 58
3.5. Sistemas dinámicos discretos . . . . . . . . . . . . . . . . . . . . . . . 64
3.5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.5.2. Ejemplos de sistemas dinámicos . . . . . . . . . . . . . . . . . 65
3.5.3. Conceptos de dinámica discreta . . . . . . . . . . . . . . . . . 66
3.5.4. Modelos dinámicos discretos lineales. . . . . . . . . . . . . . . 69
3.5.5. Modelos dinámicos discretos no lineales . . . . . . . . . . . . . 74
3.5.6. Puntos de equilibrio y periódicos. . . . . . . . . . . . . . . . . 77
3.5.7. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3
ÍNDICE GENERAL
1
3.5.8. Sistemas caóticos . . . . . . . . . . . . . . . . . . . . . . . . . 79

3.5.9. Diagramas de bifurcación . . . . . . . . . . . . . . . . . . . . . 82
3.5.10. Modelos discretos con retardo . . . . . . . . . . . . . . . . . . 84
3.6. Ejemplo de sistema dinámico: la Geometrı́a Fractal . . . . . . . . 90
3.6.1. Antecendentes históricos . . . . . . . . . . . . . . . . . . . . . 93
3.6.2. La geometrı́a fractal. . . . . . . . . . . . . . . . . . . . . . . . 95
3.6.3. Autosemejanza . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.6.4. El conjunto de Mandelbrot . . . . . . . . . . . . . . . . . . . . 100
3.6.5. La dimensión fractal . . . . . . . . . . . . . . . . . . . . . . . 103
3.6.6. Tipos de fractales . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.6.7. El juego del Caos . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.6.8. Aplicaciones de la Geometrı́a Fractal. . . . . . . . . . . . . . . 111
4. Modelos discretos matriciales 119

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.2. Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.2.1. Matrices estocásticas . . . . . . . . . . . . . . . . . . . . . . . 120
4.2.2. Diagramas de estados . . . . . . . . . . . . . . . . . . . . . . . 121
4.2.3. Cadenas de Markov regulares . . . . . . . . . . . . . . . . . . 123
4.2.4. Propiedades de las matrices estocásticas . . . . . . . . . . . . 124
4.3. Modelo de Leslie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.3.1. Modelo discreto exponencial . . . . . . . . . . . . . . . . . . . 141
4.3.2. Modelo discreto matricial . . . . . . . . . . . . . . . . . . . . 143
4.3.3. Generalización del modelo matricial . . . . . . . . . . . . . . . 146
4.4. Tablas de vida y modelo de Leslie . . . . . . . . . . . . . . . . . . . . 158
4.4.1. De las tablas de vida al modelo matricial . . . . . . . . . . . . 162
4.5. Modelo de Lefkovitch . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
4.6. Modelos que dependen de la densidad . . . . . . . . . . . . . . . . . . 170
4.6.1. Caso práctico . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
2 ÍNDICE GENERAL
Presentación
El temario de Modelos Matemáticos en la Empresa se divide en dos bloques, el

primero dedicado al estudio de los modelos discretos, siendo las ecuaciones en di-
ferencias y los sistemas en diferencias las herramientas matemáticas básicas para
su estudio. El segundo bloque hace referencia al estudio de los modelos continuos
y ahora serán las ecuaciones diferenciales y los sistemas de ecuaciones diferenciales
quienes juegan un papel predominante, además realizaremos una aproximación a la
resolución numérica de las ecuaciones diferenciales y a los sistemas de ecuaciones
diferenciales.
Gran parte de los modelos que desarrollamos están enfoncados en estudiar el sistema
modelizado calculando sus cambios numéricos, describirlos, predecirlos y analizar sus
consecuencias económicas.
Iniciaremos el texto describiendo el campo de acción de los modelos matemáticos en
la investigación cientı́fica en Economı́a, con el objetivo de:
Comprender el alcance de la modelización matemática.
Conocer lo que significa simular un modelo.
Clasificar los distintos modelos matemáticos.
A continuación nos centraremos en el estudio de los modelos matemáticos discretos.

Empezaremos con los conceptos de valor y vector propio, para poder encontrar la
potencia de una matriz, y conocer los modelos matriciales clásicos: Markov, Leslie
y Lefkovitch.
Los objetivos a conseguir son:
Comprender el concepto de modelo discreto.
Saber encontrar la potencia de una matriz cuadrada.
Conocer los modelos de Leslie y Lefkovitch, ası́ como su comportamiento a

largo plazo.
3
4 ÍNDICE GENERAL
Aplicar los modelos anteriores a situaciones reales.

Por último, se introducirán los conceptos básicos de los sistemas dinámicos discretos
y su aplicación al campo de la Economı́a. En este caso, será necesario:
Conocer las ecuaciones en diferencias y sistemas en diferencias.
Calcular y clasificar los puntos de equilibrio de un modelo discreto.
Saber interpretar su diagrama de bifurcación.
Conocer el modelo de crecimiento discreto exponencial.
Comprender el modelo discreto logı́stico y sus diversas generalizaciones.
Saber trabajar con modelos no lineales.

La segunda parte de la materia está dedicada al estudio de los modelos continuos. Se
empezará con los modelos basados en ecuaciones diferenciales. Con ello se pretende
que los alumnos conozcan las propiedades matemáticas más elementales de este
concepto, su interpretación y aplicación a problemas económicos que dependen de
una sola variable.
Comprender el concepto de modelo continuo.
Saber resolver de forma explı́cita ecuaciones diferenciales sencillas.
Comprender el concepto de estabilidad de las soluciones.
Saber analizar cualitativamente ecuaciones diferenciales autónomas.
Conocer los distintos modelos continuos estudiados, especialmente el exponen-

cial y el logı́stico.
Posteriormente generalizaremos muchos de los conceptos anteriores para plantear,
resolver y comprender algunos modelos económicos con más de una variable.
Saber encontrar las soluciones de un sistema lineal de ecuaciones diferenciales.
Entender el análisis cualitativo de un sistema lineal de ecuaciones diferenciales.
Conocer el modelo Lotka - Volterra.
Saber analizar modelos en competetencia.

Y finalizaremos la segunda parte con una introducción a los métodos numéricos.
Se exponen los métodos usuales de discretización para la resolución aproximada de
problemas de valores iniciales de ecuaciones diferenciales y sistemas de ecuaciones
diferenciales.
Entender la necesidad de utilizar técnicas numéricas.
ÍNDICE GENERAL
5
Encontrar un valor aproximado de la solución de una ecuación diferencial por

medio de los métodos más usuales.
Utilizar un programa de ordenador para poder comparar los diferentes métodos

de aproximación.
6 ÍNDICE GENERAL
Tema 1
INTRODUCCIÓN A LA
MODELIZACIÓN MATEMÁTICA
1.1. Introducción
Una de las herramientas más interesantes que actualmente disponemos para analizar
y predecir el comportamiento de un sistema económico es la construcción y posterior
simulación de un modelo matemático. Son muchas las razones que justifican la edad
de oro que hoy en dı́a vive la modelización matemática, pero debemos de destacar,
en primer lugar, el mejor conocimiento de los procesos económicos, y en segundo
lugar, el espectacular avance de los ordenadores y el software matemático.
Puesto que este trabajo es una introducción al estudio de los Modelos Matemáticos
en la Empresa, es conveniente comenzar esta primera sección precisando lo que en-
tendemos por un modelo matemático.
Con frecuencia la palabra modelo tiene distintas interpretaciones, nosotros la apli-
caremos en el sentido dado por el profesor Sixto Rı́os, [53]:
“un modelo es un objeto, concepto o conjunto de relaciones, que se utiliza para

representar y estudiar de forma simple y comprensible una porción de la rea-
lidad empı́rica”.
Desde el punto de vista del determinismo, detrás de un fenḿeno económico siempre

hay un conjunto de ecuaciones que son capaces de determinar las consecuencias
del fenómeno a partir de sus causas. Es bastante usual que en un determinado
fenómeno económico seamos capaces no sólo de distinguir ciertos procesos sino que
además podamos encontrar las relaciones que existen entre ellos. En estos momentos
estaremos en condiciones de construir unas ecuaciones que lo describan y a las que
7
8 Tema 1 Introducción a la modelización matemática
llamaremos un modelo matemático del fenómeno económico.

Como es natural, de un mismo fenómeno económico podemos construir muchos
modelos matemáticos diferentes entre sı́, cuyo grado de eficacia dependerá del conoci-
miento que tengamos de los procesos que se investigan y de las posibilidades que
tengamos de experimentar.
Figura 1.1: Fases de la modelización.
Generalmente los métodos que se utilizan para estudiar un fenómeno económico son
la construcción de un modelo matemático o bien el uso del método cientı́fico, el cual
está basado en:
(a) La observación y en la descripción.
(b) El desarrollo de hipótesis o explicaciones.
(c) La comprobación por experimentación de dichas hipótesis.
(d) La aplicación de estos conocimientos en la resolución de problemas similares.
Supongamos un problema concreto, como por ejemplo, determinar la cantidad de

empresas que existirán dentro de un año conocida la situación actual, en un entorno
que presenta cierta estabilidad. Ante esta situación, podemos recurrir a observacio-
nes anteriores e intentar dar una estimación del dato pedido. Es decir, podemos hacer
uso de una herramienta estadı́stica y proponer un resultado más o menos acertado
según la complejidad de la técnica empleada. Pero si el problema que abordamos es
tal, que apenas disponemos de datos actuales o pasados, debemos de elaborar un
modelo que sea capaz de dar solución al problema planteado y además nos aporte
información, de tal manera que nuestra actuación en el futuro sea la más acertada.
Esta última situación es la que se presenta con más frecuencia cuando se estudia un
1.2 Elaboración de modelos matemáticos 9
fenómeno económico.
Es evidente, que una de las ventajas del uso de los modelos matemáticos es su bajo
costo, si lo comparamos con los modelos fı́sicos. Por ejemplo, es mucho más barato
y rápido elaborar un modelo matemático que describa la evolución del número de
empresas que empezar con un determinado número de ellas y esperar cierto tiempo
para poder experimentar con ellas.
1.2. Elaboración de modelos matemáticos

Los modelos y la realidad están relacionados a través de dos procesos: la abstra-
cción y la interpretación. El primero de ellos nos obliga a encontrar cuales son los
elementos más importantes del problema y cuales son los accesorios. Para saber si
un elemento es o no importante tendremos que ver su efecto relativo en la evolución
del sistema. En cuanto a la interpretación, debemos de entenderla como la manera
en que las componentes del modelo (parámetros, variables) y su comportamiento
pueden estar relacionadas con las componentes, caracterı́sticas y comportamiento
del sistema real que queremos modelar.
Por tanto, la primera de las fases necesaria para construir un modelo matemático es
la abstracción, para ello tenemos que establecer ciertas hipótesis, definir las variables
y desarrollar las matemáticas adecuadas para poder resolver el problema. La fase
siguiente es tratar de simplificar las herramientas matemáticas utilizadas. Los resul-
tados que se deducen del modelo matemático nos deberı́an llevar a poder efectuar
algunas predicciones sobre el mundo real. El paso siguiente serı́a recoger datos de
la situación de la que se ha extraı́do el modelo y compararlos con las predicciones.
Si no coinciden, los datos que ya poseemos nos pueden servir para modificar las
hipótesis. Si las predicciones coinciden con la realidad, entonces las hipótesis son
correctas y también lo son las variables definidas. En caso contrario, si se observan
discrepancias será necesario construir otro modelo más aproximado y fiable. Como
podemos ver, la creación de un modelo matemático es un proceso progresivo.
Figura 1.2: Conexión entre la realidad y su modelo.

A continuación expondremos más detenidamente los pasos que debemos seguir para
construir un modelo matemático.
(a) Se debe empezar formulando las siguientes preguntas:
¿Cuál es la información que realmente necesitamos?.

¿A qué se reduce ahora el problema?.
(b) Descripción cualitativa del modelo.
Se debe iniciar por el más simple que describa el comportamiento económi-

co del sistema.
Ver si los resultados que nos aporta el modelo dan respuesta a las pre-
guntas planteadas.
(c) Descripción cuantitativa del modelo.
Tenemos que definir las variables y ver la manera en que están relacio-
nadas.
Debemos definir los parámetros del modelo, y asegurarnos de que cual-
quier otro parámetro es redundante.
(d) Introducción de las ecuaciones del modelo.
Se escriben las ecuaciones, con la ayuda de un diagrama o de una tabla.
(e) Análisis de las ecuaciones.
Debemos comprobar que su análisis da respuesta a las cuestiones plan-

teadas.
Se encuentra la solución general.
(f) Volver a examinar las hipótesis.
Se intenta simplificar el modelo.

Si nuestro modelo no responde a las preguntas iniciales, debemos volver
a los pasos (c), (d) y (e).
(g) Relacionar los resultados encontrados con hechos conocidos.
¿Se ha contestado al aspecto económico?.

¿Están los resultados de acuerdo con la intuición?.
¿Confirman los datos o los experimentos dichos resultados?.
El diagrama de la Figura 1.2 representa las principales etapas que intervienen al

construir un modelo matemático de una situación real.
A continuación utilizaremos un ejemplo elemental, en concreto la evolución de un
cultivo de cierto tipo de células, para construir un modelo matemático.
Descripción del fenómeno real y objetivos del modelo. Para conocer
como evoluciona el cultivo realizamos diversos experimentos y observamos un
rápido crecimiento de la población. El tipo de preguntas que podemos hacer
son las siguientes: ¿cómo varı́a el número de células con el tiempo?, ¿qué tipo
de variables influyen en su desarrollo?.
Elección de variables. En la fase de experimentación se ha podido observar
que la célula crece, se divide en dos y cada una de ellas inicia de nuevo el proceso
de crecimiento. Se detecta además que el tiempo necesario para que crezca una
célula y se duplique es aproximadamente 20 minutos. Por tanto, el tiempo de
vida de una célula, podemos considerarlo como una variable que interviene en
el problema. Es evidente que existen muchas otras variables, las cuales pueden
ser clasificadas en variables de entrada, que son las que pueden influir en los
resultados, y variables de salida, que corresponden a los resultados. En nuestro
problema, seleccionamos como variable de salida el número de células existente
en el cultivo en el tiempo t. El tiempo t transcurrido desde el instante inicial
será la variable independiente.
Figura 1.3: Etapas necesarias para construir un modelo.
Relaciones cualitativas entre las variables. De los experimentos realizados

se desprende que bajo las mismas condiciones de partida, el número de células
del cultivo crece con el tiempo.
Recopilación de datos. En la Tabla 1.1 aparecen los datos recogidos en la
fase de experimentación. Observemos que los datos recopilados permiten ser
ajustados por los valores, 100, 2 × 100, 22 × 100, 23 × 100, 24 × 100, · · · , que
corresponden a un crecimiento exponencial. Este último paso es el verdadera-
mente importante en el proceso de modelado.
Modelo empı́rico de crecimiento. Como consecuencia de la etapa anterior,

se observa que el proceso de multiplicación de las células se puede describir
como “una duplicación de la población cada 20 minutos”. Tanto en esta fase co-
mo en las anteriores, juegan un papel fundamental los métodos de recopilación
y análisis de datos.
Instante Tiempo Núm. células

0 0 100
1 20 209
2 2× 20 415
3 3×20 790
4 4×20 1610
··· ··· ···
Tabla 1.1
Construcción del modelo matemático. Empezamos generalizando la situa-

ción anterior, en el sentido siguiente: sea N el número de células en el cultivo en
el instante inicial, y supongamos que la población se multiplica por α en T mi-
nutos. Bajo estas hipótesis tendremos en los instantes 0, 1×T, 2×T, 3×T, · · · ,
las poblaciones N, αN, α2 N, α3 N, · · · . En consecuencia, si y(t) representa al
número de células en el cultivo en el instante t, sabemos que:
y(0) = N , y(t) = α y(t − 1) .
Consecuencias del modelo. Del modelo construido podemos deducir algu-

nos resultados:
• Es inmediato comprobar que de las hipótesis anteriores se obtiene
y(t) = N αt .
• También es fácil encontrar el número de perı́odos T necesarios para pasar

de N células a N e.
e − ln N
ln N
t≈ .
ln α
Aplicación práctica. Encontrar el número de perı́odos de tiempo necesarios
para pasar de 400 células a 3210
ln 3210 − ln 400
≈ 3.
ln 2
Validación del modelo. Es el proceso de contrastar las predicciones propues-

tas por el modelo con los datos experimentales. Es evidente que si existen gran-
des diferencias entre estos valores debemos de rechazar el modelo propuesto.
Una buena herramienta de trabajo en esta fase son los tests de hipótesis.
Predicción. Una vez que por la etapa anterior nos hemos asegurado de la
validez del modelo, pasamos a la etapa de predicción. Por ejemplo, en la si-
tuación que estamos analizando, si queremos obtener 3.200 células a partir de
400 células, necesitamos que pasen 3 perı́odos que equivalen a 60 minutos.
Nuevo proceso de modelización. Si llegamos a la conclusión de que nuestro

modelo no es válido, entonces debemos retomar los datos experimentales y
proponer uno nuevo que sea más adecuado.
A pesar de la gran importancia que hoy en dı́a tienen los modelos matemáticos,
tenemos que tener en cuenta la siguiente observación. Por lo general, en los modelos
teóricos, se consideran sólo las relaciones cuantitativas entre las variables depen-
dientes e independientes del mismo, y entonces entran en juego las matemáticas.
Ahora bien, estos modelos describirán relaciones entre los organismos, pero nunca
pueden darnos el sentido económico del proceso. Por tanto, será imprescindible la
experimentación biológica.
Por último, un modelo matemático tiene que tener las siguientes cualidades:
Debe ser coherente, es decir, tiene que dar cuenta de todas las observaciones
anteriores y permitir prever el comportamiento futuro del fenómeno económico.
Tiene que permitir su generalización, dentro de ciertos lı́mites que conviene

determinar previamente.
Debe ser robusto, en el sentido de tener capacidad de responder a los cambios

de los valores de los parámetros.
Y por último, debe ser flexible, en el sentido de que pueda ser cambiado y
adaptado a nuevas situaciones.
Para ilustrar los comentarios realizados en torno a la construcción de modelos ma-

temáticos, vamos a exponer un modelo relativamente simple que puede verse en
la página 19 de lomeli el al, [46]. El modelo está relacionado con la influencia en
el mercado laboral del salario mı́nimo. En realidad, lo que se desea es estudiar la
influencia de la existencia de un salario mı́nimo (mı́nima cantidad que debe pagar
el empleador) sobre el número de trabajadores empleados y desempleados, con la
única intención de ver como se comportan (cualitativamente) las variables más im-
portantes del problema.
El primer paso en la construcción del modelo es el de abstracción, y para ello será ne-
cesario realizar importantes simplificaciones, y establecer hipótesis que se deduzcan
de la observación de la realidad. De esta manera, se detectan las siguientes varia-

bles: el salario (w), el salario mı́nimo (wmin ), el número total de trabajadores (L), el
número de trabajadores que estarı́an dispuestos a trabajar por un salario determi-
nado (oferta laboral), y el número de trabajadores que las empresas están dispuestas
a contratar a un salario dado (demanda laboral).
Las hipótesis que se establecen son:
El salario es la variable independiente; la oferta y la demanda serán las variables

dependientes.
El salario mı́nimo es una cantidad fijada por las autoridades monetarias.
Existe un equilibrio en el mercado de trabajo, aquel donde la oferta y la de-

manda de trabajo sean iguales.
La siguiente fase es la de encontrar las relaciones entre las variables definidas. De

esta manera, la oferta se representa por L = f (w) siendo esta función continua y
creciente. Por otro lado, la demanda vendrá representada por una función continua
pero decreciente L = g(w). Si el salario de equilibrio lo representamos por w∗ ,
entonces es evidente que se cumple que w∗ ≥ wmin .
Figura 1.4: Relación entre oferta y demanda.
A continuación deducimos del modelo teórico que el equilibrio en el mercado la-

boral se producirá en el punto donde se cortan las curvas de oferta y demanda
f (w) = g(w), siendo las cantidas obtenidas w∗ y L∗ , en estos puntos no existirá de-
sempleo voluntario. Si el salario mı́nimo es mayor que w∗ la oferta laboral aumen-
tará L1 > L∗ , mientras que la demanda laboral disminuirá L2 < L∗,siendo L1 − L2
el número de trabajadores desempleados involuntarios (véase la figura 1.4). De esta
cantidad, L∗ − L2 han perdido su empleo, mientras que L1 − L∗ son el número de
personas que estarán dispuestos a trabajar por el salario mı́nimo. La cantidad L2
1.3 Clasificación de los modelos matemáticos. 15
que conservan el empleo aumentarán su salario hasta wmin .

Finalmente queda la etapa de verificación y la extracción de conclusiones. El mo-
delo predice que al imponer un salario mı́nimo aumenta la retribución de algunos
trabajadores a costa de un aumento del desempleo, que será mayor o menor depen-
diendo de las pendientes de las curvas de oferta y demanda. Este estudio cualitativo
podrı́a completarse con un estudio cuantitativo si de los datos experimentales somos
capaces de deducir las funciones oferta y demanda.
1.3. Clasificación de los modelos matemáticos.

Según la filosofı́a con la que abordemos el mundo que nos rodea, ası́ será el tipo de
modelo matemático que podemos construir. En concreto podemos clasificarlos en:
Modelos deterministas: Son aquellos que a cada valor de la variable inde-

pendiente corresponde otro valor de la variable dependiente. Son especialmente
útiles en los sistemas que evolucionan con el tiempo, como son los sistemas
dinámicos. En ellos podemos conocer el estado del sistema transcurrido cierto
tiempo una vez que hemos dado valores a los distintos parámetros que apare-
cen en el modelo.
Los modelos continuos son útiles cuando tratamos de estudiar procesos en
los que se observa continuidad en el tiempo y en este caso lo adecuado es hacer
uso de las ecuaciones diferenciales. Sin embargo, al estudiar algunos mode-
los económicos, como son la dinámica de las poblaciones, puede apreciarse que
estamos ante un proceso discreto. Ahora, las ecuaciones en diferencias
nos ofrecen muchas posibilidades para deducir como cambian las propiedades
del sistema económico al variar los parámetros del modelo.
En concreto, las matemáticas utilizadas para la evaluación de los modelos de-
terministas son:
• Ecuaciones en diferencias.
• Teorı́a de bifurcaciones.
• Ecuaciones diferenciales (ordinarias y parciales).
• Análisis numérico.
Modelos probabilı́sticos: Si en un modelo determinista, como por ejemplo

el logı́stico y ′ (t) = ry(t)(1 − y(t)/k), el parámetro r varı́a aleatoriamente, lo
que hacemos es sustituir valores constantes por otros que cambian con cierta
probabilidad. En este caso estamos ante un modelo probabilı́stico. Por ejemplo:
• Procesos estocásticos.
Modelos mixtos:
• Ecuaciones diferenciales estocásticas.
Modelos discretos matriciales: Son los más frecuentes cuando el sistema

que estamos modelando está dividido en una serie de clases. En un momento
dado, el estado del sistema puede representarse por un vector. El paso de una
etapa a otra se realiza a través de una matriz conocida con el nombre de matriz
de transición.
• Cadenas de Markov.
• Modelos de Leslie.
• Modelos de Lefkovitch.
En particular, y de una manera muy general desde el punto de vista de la Biologı́a,

podemos clasificar los modelos matemáticos en los siguientes grupos:
Modelos en bioquı́mica.
Modelos de la evolución de una población.
Modelos en fisiologı́a (de animales, de plantas).
Modelos en la genética.
Modelos en la creación de patrones.
Modelos en la epidemiologı́a.
Modelos en las migraciones.
1.4. El papel de los ordenadores

Como tendremos ocasión de comprobar, gran parte del presente curso está dedi-
cado al estudio de los modelos matemáticos desde el punto de vista de los sistemas
dinámicos. Su estudio se inicia en el siglo XVII cuando Leibnitz y Newton descubren
el cálculo diferencial.
En muchas ocasiones estaremos más interesados en conocer el comportamiento a
largo plazo de un modelo que su solución exacta, y para ello es muy conveniente
hacer uso del ordenador. Hasta hace unos pocos años, cuando se populariza su uso, lo
habitual era simplificar convenientemente el problema para por lo menos disponer de
una solución aproximada. Actualmente existe un interés creciente en el estudio de los
sistemas dinámicos debido fundamentalmente al aumento en la rapidez de cálculo de
los ordenadores que nos permiten realizar múltiples simulaciones de cualquier mode-
lo matemático. Paralelamente a la evolución de los ordenadores se ha producido
un incremento notable en la cantidad y calidad de los programas que se utilizan.
La existencia de programas de cálculo (Derive, Maple, Mathematica, MatLab) o
1.5 Breve introducción histórica 17
de simulación (Vensim, Stella) aplicables a todos los campos de las matemáticas

actuales, está cambiando nuestra manera de enfrentarnos a nuestra investigación
ası́ como a nuestra actividad docente.
1.5. Breve introducción histórica

Para poder encontrar un primer ejemplo de un modelo matemático aplicado a la
vida real tenemos que retroceder 250 años. Entre los precursores se encuentra Rene
Descartes, matemático y filósofo, quien mantenı́a la hipótesis de que, utilizando las
Matemáticas como herramienta, se podı́a construir una teorı́a unificada de todas las
ciencias. Trabajó en campos muy diversos y en concreto en la Fisiologı́a, presentando
una explicación matemática para las funciones fisiológicas. Los modelos que proponı́a
eran muy poco rigurosos y desprovistos de fundamentación experimental y, por
tanto, con un gran número de errores. A este respecto, una frase que frecuentemente
se comenta es la siguiente:
“Los modelos son erróneos ... pero muchos de ellos son útiles ”
Entonces, ¿cómo pueden ser útiles si están equivocados? La respuesta a esta pre-
gunta puede ser que por la misma razón que en el pasado mapas erróneos, donde se
suponı́a que la tierra era plana y con distancias equivocadas, fueron muy útiles para
viajar.
A finales del siglo XIX Federico Engels se lamentaba de lo poco que estaban introdu-
cidas las Matemáticas en la vida real. Todo cambia a principios del siglo XX, cuando
Michaelis y Menten proponen un modelo bioquı́mico (que aún se utiliza hoy en dı́a),
para describir la catálisis enzimática. Dos años después, Lee presentó un modelo para
explicar los paradójicos efectos de las radiaciones sobre las células. Ahora, tenemos
que trasladarnos hasta mediados de siglo para encontrar otro ejemplo interesante.
Basándose en la propuesta de Galileo de establecer relaciones cuantitativas entre
magnitudes medibles, se intentaba encontrar un modelo que relacionase la intensi-
dad de un estı́mulo y la duración del mismo. El esfuerzo fue inútil, poniéndose de
manifiesto que para tener éxito en el modelado es importante atender no solamente
a la experimentación, sino también acertar en el tipo de relaciones cuantitativas a
estudiar. Además, a la hora de construir un modelo es fundamental saber separar la
información relevante que conocemos del problema de la que no lo es.
El contraste con esta última situación lo encontramos en el modelo de Hodking
y Huxley para la generación y transmisión del impulso nervioso. En este caso, se
proponı́an relaciones entre variables que fı́sicamente tenı́an sentido. Este modelo
construido en 1952 suele ponerse como ejemplo de modelo matemático aplicado a
la Biologı́a, de hecho, algunos autores piensan que juega un papel en la Neurologı́a
semejante a las ecuaciones de Maxwell en el estudio del Electromagnetismo, ya que
a través de él es posible explicar todas las propiedades experimentales conocidas
respecto a la generación y propagación del impulso nervioso. Al mismo tiempo, el
modelo sugerı́a que la dinámica de muchos procesos económicos debı́a ser no lineal.
A partir de este momento, empieza la edad de oro para la construcción y posterior
interpretación de modelos matemáticos aplicados a la Biologı́a. En los años 60 se pu-
blicaron un gran número de trabajos, especialmente los relacionados con el sistema
nervioso, muchos de ellos con escaso interés práctico. El siguiente paso importan-
te se da en la década de los 70 cuando se descubre que las soluciones de sistemas
dinámicos presentaban un comportamiento caótico. Un ejemplo lo encontramos en
el modelo logı́stico de R. May, que supuso toda una revolución comparable al impac-
to causado por el modelo de Hodgkin y Huxley. La teorı́a del caos inmediatamente
entusiasmó a biólogos, fı́sicos y matemáticos, dedicados al estudio de los modelos
matemáticos.
De toda formas, muchas situaciones muy distintas, como pueden ser la actividad ce-
rebral, el electrocardiograma, la dinámica de poblaciones, el desarrollo embrionario,
la evolución de las enfermedades, son escenarios muy difı́ciles de modelar a través
de modelos elementales. Sin embargo, podemos realizar las simplificaciones conve-
nientes que expliquen parcialmente el comportamiento del sistema o bien aplicar
unas nuevas herramientas matemáticas, como es el uso de la geometrı́a fractal, para
explicar la variabilidad de la frecuencia del corazón.
La Econometrı́a, con una aportación importante de la Estadı́stica, es la ciencia que
se ocupa de la construcción de los modelos económicos; se inició con el profesor de
la Universidad de Oslo Ragnar Frisch. Con la ayuda de otros colaboradores crearon
en 1930 la Sociedad de Econometrı́a de los Estados Unidos, desde donde se edita
desde 1932 la revista Econometrı́a.
1.6. Algunas definiciones básicas.

Desde un punto de vista matemático podemos categorizar un sistema como todo
aquello que cambia a partir de una variable. En este caso, la climatologı́a puede
cambiar a partir de una variable que denominamos tiempo. La Economı́a, por tanto
es un sistema que además podrı́amos dividir en nuevos subsistemas que dependen
unos de otros; el mercado de valores, el mercado de maquinaria agrı́cola, o el mercado
del aceite de oliva son subsistemas económicos que además guardan cierta relación
entre ellos, una “retroalimentación”.
En consecuencia, lo primero que debemos plantearnos a la hora de llevar a cabo este
estudio es definir lo que entendemos por sistema. En nuestro caso, un sistema es un
conjunto de entidades que actúan y se relacionan entre ellas generando comporta-
mientos y resultados. Es interesante hacer notar que en un sistema, más importante
que los elementos que lo componen son las relaciones que existen entre ellos. Por
ejemplo, en el sistema planetario, además de los planeta, lo más interesante es la
manera que éstos interactúan.
En opinión de Wittgenstein:
1.6 Algunas definiciones básicas. 19
“In mathematics we cannot talk of systems in general, but only within

systems. They are just what we cannot talk about.”
Un estado viene determinado por cada uno de los valores que puede tomar una
variable para cada uno de los valores del tiempo.
De una manera mas formal, un sistema dinámico está compuesto por la terna
(E, T, ϕ), siendo E el espacio de fase, T el conjunto del tiempo, y ϕ : T xE → E que
cumple:
(a) ϕ es una aplicación continua.
(b) ∀x ∈ E; ϕ(0, x) = x
(c) ∀x ∈ E; ∀t1 , t2 ∈ T ; ϕ(t1 , ϕ(t2 , x)) = ϕ(t1 + t2 , x)
Un sistema dinámico consta de un conjunto de estados que cambian con el tiempo,

de tal manera que es posible determinar un estado cualquiera a partir del conoci-
miento del estado en el momento anterior.
Cuando el conjunto T es el conjunto de los números naturales junto con el cero,
entonces el sistema se dice que es discreto. En el caso en el que T es el conjunto de
los números reales, entonces el sistema es continuo.
Para estudiar los sistemas que se encuentran a nuestro alrededor, tenemos una he-
rramienta muy interesante a la que llamamos modelo. En concreto, el estudio que
estamos desarrollando se centra en los modelos matemáticos.
El objetivo práctico de la modelización consiste en representar de manera matemáti-
ca fenómenos que ocurren en la naturaleza, en la Fı́sica, en la Economı́a, etc., con el
objetivo de comprenderlos mejor y analizar sus evoluciones que tendrán a lo largo
del tiempo.
Como se ha comentado de una manera formal, los modelos matemáticos pueden
ser discretos (representados por un conjunto de ecuaciones en diferencias) y con-
tinuos (representados por un conjunto de ecuaciones diferenciales). Los modelos
discretos son aquellos en los que las variables de estado cambian instantáneamente
en instantes separados de tiempo. Es decir, el tiempo toma valores naturales (o el
cero), como por ejemplo el número de individuos de una población en relación a una
unidad de tiempo. Por el contrario los modelos continuos son aquellos en los que las
variables de estado cambian de forma continua con el paso del tiempo. El tiempo
toma valores que son números reales. Un ejemplo de modelo continuo es la velocidad
a la que cae una piedra desde un acantilado.
El estudio de los modelos discretos es el más apropiado para estudio de sistemas co-
mo la economı́a en los cuales los resultados se presentan en periodos de tiempo. Por
ejemplo el valor de las acciones cada dı́a, el valor del PIB cada unidad de tiempo,
etc.
Los modelos matemáticos pueden clasificarse en dos grandes bloques lineales y no

lineales. Un sistema dinámico será lineal cuando los efectos son proporcionales a
las causas; por ejemplo el peso ya que si un objeto tiene el doble de masa que otro
su peso se duplicará. Cuando esto no ocurre, entonces el modelo es no lineal y su
modelización viene dado por una ecuación no lineal, en estos sistemas se producen
relaciones internas que hacen imposible descomponer el sistema en sus partes para
poder analizarlo de forma separada. En ambos casos se habla de un sistema de-
terminista, ya que a través de ellos se puede determinar su comportamiento. Los
modelos más interesantes son los no lineales, y ejemplos clásicos de estos sistemas
dinḿicos son los movimientos del precio de las acciones en la bolsa, las turbulencias,
etc.
Existe una manera de representar gráficamente a un sistema dinámico mediante su
espacio de fases. En el caso en el que el sistema se define por medio de n variables,
cada estado vendrá representado por un punto de n coordenadas en un espacio de
n dimensiones, que recibe el nombre de espacio de fase. Por este motivo, una vez
conocido las variables que definen el modelo, su número determinará la dimensión
del espacio de fase que se desea construir. En cada uno de sus ejes se representan
las distintas variables del modelo, y elegido un punto de partida (semilla) se dibuja
la solución del modelo con este valor inicial (órbita). De esta manera se dispone de
un comportamiento cualitativo del modelo a largo plazo.
En muchas ocasiones se ha estudiado la Economı́a como un sistema lineal de tal
forma que se puede predecir el valor de ciertas variables. Es interesante conocer cuál
será el valor de la acción x en el mercado de valores en el momento t o cuál el valor
del PIB per cápita en el aı́o “AA”. Por desgracia, los sistemas lineales tienen sus
limitaciones y no se ajustan a los sistemas y variables económicos como nos gustarı́a.
Los sistemas económicos contienen una gran cantidad de variables que pueden mo-
dificar el sistema. Un aı́o de escasa lluvia podrı́a implicar la obtención de una mala
cosecha, una mala cosecha el descenso de la demanda de maquinaria para labores
agropecuarias, la baja demanda de estas la quiebra de una empresa cuya actividad
fundamental se encuentra en dicho sector, la quiebra, la subida de la cotización en
bolsa de una empresa multinacional debido a la entrada en un nuevo nicho de mer-
cado sin competencia gracias a la bancarrota anterior.
De esta forma se puede ver como varios subsistemas económicos envı́an y reciben
información unos de otros produciéndose la llamada retroalimentación. Este pulular
de información da forma y modifica a los subsistemas, que envı́an a su vez informa-
ción al sistema económico, que es el encargado en esa dinámica de “feedback” de
modular dicha información a través de una serie de reglas o normas.
Adam Smith usó el famoso término “la mano invisible” en su tan recurrente obra,
“la riqueza de las naciones” en 1776. Acuı́ó dicha expresión para manifestar de for-
ma metafórica la capacidad del mercado para la autorregulación. En realidad, lo
que Adam Smith sugerı́a entonces, era precisamente, esa capacidad de retroalimen-
tación que se cumple en el sistema económico y que a veces puede provocar una gran
1.6 Algunas definiciones básicas. 21
complejidad a la hora de estudiar los fenómenos que acontecen en dicha ciencia.

Tema 2
DIAGONALIZACIÓN DE MATRICES
2.1. Introducción
El álgebra matricial proporciona herramientas elementales para simplificar y resolver
problemas donde intervienen un número elevado de datos. El siguiente ejemplo es un
caso particular de la teorı́a de grafos, donde utilizamos la multiplicación de matrices
para modelar el proceso de dispersión de una enfermedad contagiosa.
EJEMPLO 2.1
Supongamos que tres personas han contraı́do una enfermedad contagiosa y que
este primer grupo tiene contacto con cinco personas de un segundo grupo. Estos
contactos, llamados contactos directos, pueden representarse mediante una matriz
A3×5 = (aij ) con aij = 1 si la i-ésima persona del primer grupo ha estado en contacto
con la j-ésima persona del segundo grupo, y aij = 0 si no han estado en contacto.
 
1 0 1 1 0
A= 0 1 1 0 1 
1 0 0 1 0
Por ejemplo, el 1 que aparece en la fila 3 columna 4, significa que la tercera persona
del primer grupo (los infectados) ha estado en contacto con la cuarta persona del
segundo grupo.
Supongamos ahora que un tercer grupo de cuatro personas ha tenido diversos contac-
tos directos con individuos del segundo grupo. Esto también podemos representarlo
23
24 Tema 2 Diagonalización de matrices
mediante una matriz B5×4

 
0 0 1 0
 1 0 0 0 
 
B=
 0 0 0 1 

 0 0 1 0 
0 1 0 0
Los contactos indirectos o de segundo orden entre las personas del primer y tercer
grupo se representan mediante una matriz C3×4 que es el producto AB
 
0 0 2 1
C = AB =  1 1 0 1 
0 0 2 0
Se observa, que la tercera persona del último grupo tiene cuatro contactos indirectos,
mientras que la primera y la segunda sólo tienen uno.
Figura 2.1: Contactos directos e indirectos.
Con el estudio de este tema pretendemos conseguir un doble objetivo. En primer

lugar, recordar los conceptos más importantes relativos a la diagonalización de matri-
ces cuadradas, y posteriormente hacer una breve introducción al cálculo aproximado
de valores y vectores propios.
De todas las aplicaciones lineales tienen un interés especial aquellas que van del espa-
cio vectorial IRn en si mismo, que reciben el nombre de endomorfismos. Recordemos
que dada una matriz cuadrada A de orden n es posible construir una aplicación
lineal de IRn en IRn que tiene asociada a esta matriz A cuando se considera como
base del espacio vectorial IRn la canónica.
Por ejemplo, la matriz  
3 2 −2
A =  1 3 −1 
1 2 0
nos permite definir el endomorfismo f : IR3 −→ IR3 con
f (⃗x) = f (x1 , x2 , x3 ) = (3x1 + 2x2 − 2x3 , x1 + 3x2 − x3 , x1 + 2x2 ) . (2.1)

2.2 Valores y vectores propios 25
De esta manera, f (1, 2, 3) = (1, 4, 5) y f (1, 1, 1) = (3, 3, 3).

Recı́procamente, conocido el endomorfismo (2.1) es posible encontrar su matriz aso-
ciada respecto de la base canónica de IR3 ,
    
y1 3 2 −2 x1
 y2  =  1 3 −1   x2  ,
y3 1 2 0 x3
o de forma simbólica ⃗y = A⃗x.
Como puede comprenderse, serı́a conveniente representar el endomorfismo f por una
matriz que sea lo más simple posible, ya que de esta manera todos los cálculos que
realicemos con esta matriz se simplifican notablemente, y de todas ellas las más
interesantes son las diagonales.
Como en un endomorfismo el espacio vectorial de entrada y de salida coinciden,
todo cambio de base en el primero de ello implica el mismo cambio en el segundo.
De esta manera, si tenemos el endomorfismo
f : IRn −→ IRn : ⃗y = A⃗x ,
referido a la base canónica de IRn y realizamos el cambio de base ⃗y = C y⃗′ , ⃗x = C x⃗′ ,

entonces
C y⃗′ = AC x⃗′ ⇒ y⃗′ = C −1 AC x⃗′ = A′ x⃗′ .
Las matrices A y A′ = C −1 AC reciben el nombre de matrices semejantes.
Llegado a este punto, tiene sentido plantear la siguiente cuestión: dada una matriz
cuadrada A, ¿existirá una matriz A′ diagonal semejante a la matriz A? En caso
afirmativo, ¿cuál debe ser la base de IRn que debemos elegir para que la matriz A′
sea diagonal?.
La respuesta a estas cuestiones se conoce con el nombre del problema de la diagona-
lización de una matriz cuadrada y nos ocuparemos de ello en las próximas secciones.
2.2. Valores y vectores propios

En muchas ocasiones prácticas nos interesa conocer aquellos vectores no nulos que
a través del endomorfismo f : IRn → IR3 se transforman en otro proporcional a él.
Un vector ⃗x no nulo tal que f (⃗x) = λ⃗x diremos que es un vector propio asociado al
valor propio λ.
En nuestro ejemplo, el vector x⃗1 = (1, 1, 1) es un vector propio del endomorfismo
(2.1) asociado al valor propio λ = 3. Sin embargo, como el vector x⃗2 = (1, 4, 5) no
es proporcional al x⃗2 entonces (1, 2, 3) no será un vector propio de f .
DEFINICIÓN 2.2.1 Sea A una matrix cuadrada de orden n; el número (real o
complejo) λ es un valor propio (o autovalor) de A si existe un vector ⃗u no nulo tal
que A⃗u = λ⃗u. Al vector ⃗u anterior se le conoce con el nombre de vector propio (o
autovector) de A asociado al valor propio λ.
EJEMPLO 2.2
Aplicaremos la definición anterior para encontrar los valores y vectores propios de la matriz
A asociada al endomorfismo (2.1).
     
3 2 −2 x x (3 − λ)x + 2y − 2z = 0 
 1 3 −1   y  = λ  y  ⇒ x + (3 − λ)y − z = 0 (2.2)

1 2 0 z z x + 2y + (−λ)z = 0
Este sistema homogéneo debe tener solución distinta de la trivial (x, y, z) ̸= (0, 0, 0), por
tanto según el teorema de Rouché-Fröbenius el determinante de la matriz de los coeficientes
debe ser nulo

3−λ 2 −2

1 3 − λ −1 = 0 ⇒ λ3 − 6λ2 + 11λ − 6 = 0 .

1 2 −λ
Hacemos uso de la regla de Ruffini para resolver esta ecuación de tercer grado,
λ1 = 1 , λ2 = 2 , λ3 = 3 .
A continuación para cada uno de estos valores propios encontramos sus vectores propios
asociados. Si sustituimos λ1 = 1 en el sistema (2.2)
}
2x + 2y − 2z = 0
⇒ x = α, y = 0, z = α.
x + 2y − z = 0
Es decir, el conjunto de soluciones del sistema anterior forman el subespacio de IR3
S1 = {(α, 0, α) : α ̸= 0} ,
dicho subespacio tiene dimensión uno y está generado por el vector ⃗u1 = (1, 0, 1).
Del mismo modo, para λ2 = 2
}
x + 2y − 2z = 0
⇒ z =β, x = 0, y =β.
x+y−z = 0
Ahora, el subespacio de dimensión uno viene dado por
S2 = {(0, β, β) : β ̸= 0} ,
que está generado por el vector ⃗u2 = (0, 1, 1).

Finalmente, para λ3 = 3 es fácil comprobar que el subespacio de vectores propios asociado
es S3 = {(γ, γ, γ) : γ ̸= 0} , siendo el vector ⃗u3 = (1, 1, 1) una base de S3 .
2.3 Diagonalización de matrices cuadradas. 27
La generalización de este ejemplo nos proporcionará un método para encontrar los

valores y vectores propios de una matriz cuadrada. Si λ es un valor propio de la
matriz cuadrada A de orden n y ⃗u ̸= 0 un vector propio asociado, entonces
A⃗u = λ⃗u ⇒ (A − λI)⃗u = ⃗0 , (2.3)
donde I es la matriz identidad de orden n. La expresión (A − λI)⃗u = ⃗0 representa a

un sistema homogéneo de n ecuaciones y n incógnitas. Para que el sistema anterior
tenga solución ⃗u ̸= 0, el determinante de la matriz de los coeficientes debe de ser
cero. Es decir
|A − λ I| = 0 , (2.4)
con lo cual, está justificada la definición siguiente.
DEFINICIÓN 2.2.2 (Polinomio caracterı́stico) Llamaremos polinomio carac-

terı́stico de una matriz A ∈ Mn×n (IR) al polinomio de grado n en λ

a11 − λ a12 ··· a1n

a21 a22 − λ · · · a2n

PA (λ) = |A − λI| = .. .. .. .
. . .

an1 an2 · · · ann − λ
Las raı́ces reales del polinomio caracterı́stico serán los autovalores o valores propios
de la matriz A. Llamaremos orden de multiplicidad de un autovalor λ a la multipli-
cidad de la raı́z λ del polinomio caracterı́stico.
Resumiendo, una vez obtenidos los valores propios λi de la matriz A resolviendo
la ecuación caracterı́stica (2.4), sustituimos dicho valores en el sistema homogéneo
(2.3) y calculamos los subespacios de vectores propios asociados. Es fácil probar que
las soluciones del sistema homogéneo constituyen un subespacio vectorial Si de IRn
cuya dimensión será siempre mayor o igual a uno.
2.3. Diagonalización de matrices cuadradas.

Sea f : IRn −→ IRn un endomorfismo cuya matriz asociada es A ∈ Mn×n (IR) respec-
to de una cierta base B de IRn , generalmente la canónica. Si suponemos que la matriz
A es diagonalizable, entonces es posible encontrar otra base B ′ = {⃗u1 , ⃗u2 , · · · , ⃗un }
de IRn de tal forma que la matriz asociada a f respecto de esta nueva base B ′ sea
la matriz diagonal  
d1 0 · · · 0
 0 d2 · · · 0 
 
D =  .. .. ..  ,
 . . . 
0 0 · · · dn
semejante a la matriz inicial A, por tanto D = C −1 AC.
Es conocido que el vector ⃗u1 respecto de la base B ′ tiene por coordenadas (1, 0, 0, · · · , 0).
Si calculamos la imagen de este vector,
      
d1 0 · · · 0 1 d1 1
 0 d2 · · · 0   0   0   0 
      
f (⃗u1 ) = D⃗u1 =  .. .. ..   ..  =  ..  = d1  ..  = d1⃗u1 .
 . . .  .   .   . 
0 0 · · · dn 0 0 0
En general f (⃗ui ) = di⃗ui , i = 1, 2, · · · , n lo que nos indica que ⃗ui es un vector propio
asociado al valor propio di = λi , i = 1, 2, · · · , n.
Notemos que acabamos de probar que si el endomorfismo f es diagonalizable, enton-
ces es posible encontrar una base de IRn formada por los autovectores de f . Por otro
lado, si elegimos como base de IRn aquella que está formada por los autovectores de
f , entonces existirán n escalares λi , i = 1, 2, · · · , n tales que f (⃗ui ) = λi⃗ui . En este
caso, la matriz asociada al endomorfismo respecto de esta base es la matriz diagonal
 
λ1 · · · 0
 
D =  ... . . . ... 
0 ··· λn
En consecuencia, el problema de diagonalizar un endomorfismo f (también conocido

como el problema de diagonalizar su matriz asociada A), es equivalente al problema
de encontrar una base del espacio vectorial formada por los autovectores de f , y
ello implica a que la suma de las dimensiones de los subespacios de vectores propios
asociados Si coincida con la dimensión del espacio vectorial IRn .
LEMA 2.3.1 Autovectores asociados a autovalores distintos dos a dos son lineal-
mente independientes
Demostración. Supongamos dos autovalores diferentes λi ̸= λj y sean ⃗vi y ⃗vj sus

autovectores asociados. Es decir
f (⃗vi ) = λi⃗vi , f (⃗vj ) = λj ⃗vj .
Si estos dos vectores no son linealmente independientes, entonces ⃗vi = k⃗vj , lo que
implica que
f (⃗vi ) = f (k⃗vj ) ⇒ λi⃗vi = kλj ⃗vj = λj ⃗vi .
Pero al ser vectores no nulos, esta última igualdad implicarı́a que λi = λj , en contra
de lo supuesto.
Como consecuencia del lema, vectores no nulos pertenecientes a distintos subespacios
propios son linealmente independientes.
LEMA 2.3.2 La dimensión del subespacio propio asociado a un cierto valor propio
es como mucho igual al orden de multiplicidad del autovalor.
2.3 Diagonalización de matrices cuadradas. 29
Llamando αi a la multiplicidad del autovalor λi y Si al subespacio propio asociado

con λi , tendremos que
1 ≤ dim(Si ) ≤ αi .
Recordemos que la condición necesaria y suficiente obtenida para la existencia de
una matriz diagonal semejante a A era poder encontrar una base del espacio vectorial
formada enteramente por autovectores de f . Ahora bien, de los lemas anteriores se
deduce que tal condición es equivalente a que la unión de bases de los subespacios
propios sea base de todo el espacio vectorial IRn , para lo cual es necesario y suficiente
que la suma de las dimensiones de los subespacios propios sea n. Pero por el segundo
lema, y puesto que suponemos que todas las raı́ces del polinomio caracterı́stico de
A son reales, esto equivale a que la multiplicidad de todo autovalor sea igual a la
dimensión de su subespacio propio asociado.
Observemos que al ser dim(Si ) ≥ 1, entonces una condición suficiente para que una
matriz A sea diagonalizable es que tenga n valores propios diferentes.
A continuación enunciamos una propiedad que nos da una condición necesaria y
suficiente para que una matriz A sea diagonalizable. Su demostración escapa a los
objetivos que nos hemos planteados en la programación de la asignatura, pero puede
encontrarse en cualquiera de los libros de Algebra Lineal que estudian el tema de la
diagonalización de matrices.
TEOREMA 2.3.3 El endomorfismo f es diagonalizable si y solo si para todo
autovalor λi de f se tiene que αi = dim(Si ).
Para acabar con esta sección recordemos que si D es la matriz diagonal formada por
los autovalores de f y C es la matriz del cambio de base, cuyas columnas son los
vectores propios asociados a los valores propios de f , entonces D = C −1 A C.
EJEMPLO 2.3
Sea f : IR3 → IR3 un endomorfismo, cuya matriz respecto a una base B = {⃗v1 , ⃗v2 , ⃗v3 } es:
 
1 −1 −3
A= 2 4 3 
0 0 3
Calcularemos los valores propios o autovalores y los vectores propios o autovectores de f .

Estudiaremos si f es o no diagonalizable, y en caso afirmativo encontraremos una base
en la cual el endomorfismo tenga una expresión diagonal, ası́ como la matriz de paso que
relaciona a la matriz A con su diagonal semejante.
Comenzamos resolviendo la ecuación caracterı́stica, para poder encontrar los auto-

valores
1 − λ −1 −3

2 4−λ 3 = −(λ − 2)(λ − 3)2 = 0 ,

0 0 3−λ
cuyas soluciones son λ1 = 2 y λ2 = 3 como raı́z doble. Al no salir los tres autovalores
diferentes no podemos asegurar que la matriz A sea diagonalizable; tenemos que ver
si es posible encontrar una base del espacio vectorial R3 formada por autovectores
de f . Empezamos calculando el subespacio de autovectores asociado al autovalor
λ1 = 2,
     
−1 −1 −3 x 0 −x −y −3z = 0 
 2 2 3   y  =  0  ⇒ 2x +2y +3z = 0

0 0 1 z 0 z = 0
El sistema tiene por soluciones z = 0, x = −y, dando lugar al subespacio
S1 = L(λ1 = 2) = {(−t, t, 0) : t ∈ IR} =< (−1, 1, 0) > .
Para el segundo de los autovalores λ2 = 3,

    
−2 −1 −3 x 0
 2 1 3  y  =  0  ⇒ 2x + y + 3z = 0 ,
0 0 0 z 0
cuyo subespacio asociado es,
S2 = L(λ2 = 3) = {(α, −2α − 3β, β) : α, β ∈ IR} =< (1, −2, 0), (0, −3, 1) > .
Como conclusión, la matriz A es diagonalizable ya que es posible encontrar la base

buscada,
B := {(−1, 1, 0), (1, −2, 0), (0, −3, 1)} ,
siendo la matriz C de paso, que nos permite diagonalizar la matriz A, la siguiente:
 
−1 1 0
C =  1 −2 −3  .
0 0 1
En este caso, se comprueba que

 
2 0 0
C −1 A C = D =  0 3 0  .
0 0 3
2.4. Cálculo de la potencia de una matriz dia-

gonalizable
Supongamos que deseamos calcular la potencia n-ésima An , de una matriz A cua-
drada y diagonalizable. Puesto que D = C −1 A C, se tiene que A = C D C −1 , y
entonces
A2 = (CDC −1 ) (CDC −1 ) = CD2 C −1
A3 = (CD2 C −1 )(CDC −1 ) = CD3 C −1
A4 = (CD3 C −1 )(CDC −1 ) = CD4 C −1 .
2.4 Cálculo de la potencia de una matriz diagonalizable 31
Por inducción, puede demostrarse que
∀n ∈ IN , An = CDn C −1 .
Al ser D diagonal
 
λn1 0 · · · 0
 0 λn2 · · · 0 
 
Dn =  .. .. .. , ∀n ∈ IN,
 . . . 
0 0 ··· λnp
y, por tanto, el cálculo de CDn C −1 resulta ser sumamente sencillo.
EJEMPLO 2.4
Dada la matriz  
2 1 0
A =  0 1 −1  ,
0 2 4
para saber si es diagonalizable comenzamos resolviendo la ecuación caracterı́stica
|A − λI| = −(λ − 2)2 (λ − 3) = 0 ⇒ λ1 = 2; λ2 = 3 .
A continuación, calculamos las dimensiones de los subespacios engendrados por cada

autovalor:
dim(S1 ) = 3 − Rango(A − 2I) = 3 − 2 = 1
dim(S2 ) = 3 − Rango(A − 3I) = 3 − 2 = 1
La suma de las dimensiones es 2 y por tanto la matriz A no será diagonalizable.
EJEMPLO 2.5
Sea f : IR3 → IR3 un endomorfismo, cuya matriz respecto a una base B = {⃗v1 , ⃗v2 , ⃗v3 }
es:  
1 −1 0
A= 2 4 0 .
0 0 3
Utilizamos el ordenador para encontrar los valores y vectores propios de f . Empe-
zamos introduciendo la matriz
A:={{1,-1,0},{2,4,0},{0,0,3}}
A continuación calculamos los valores propios:
Eigenvalues[A]
{2, 3, 3}
Como no existen tres valores propios distintos, de entrada no podemos afirmar que
la matriz A sea diagonalizable. Para ello es necesario conocer los vectores propios
de f
Eigenvectors[A]
{{-1,1,0},{-1,2,0},{0,0,1}} .
Para ver si forman una base de IR3 calculamos su determinante
det[{{-1,1,0},{-1,2,0},{0,0,1}}]
-1
Como podemos ver los tres vectores son independientes y, por tanto, existe una base
de R3 formada por vectores propios de f . En consecuencia, la matriz A será diago-
nalizable.
2.5. Métodos numéricos

Como tendremos ocasión de ver a lo largo del presente proyecto, el cálculo de los
valores y vectores propios de una matriz cuadrada está presente en un número
elevado de diferentes aplicaciones. Parece lógico pensar que, para su cálculo, una
buena manera de actuar serı́a encontrar el polinomio caracterı́stico p(λ) = |A−λI|, y
posteriormente estimar las raı́ces de este polinomio. Sin embargo, en la mayorı́a de las
ocasiones sólo se necesita conocer un determinado valor propio, llamado dominante,
y existen procedimientos numéricos para hallar este valor. Nosotros utilizaremos el
método conocido con el nombre de las potencias, el cual se encuentra ı́ntimamente
ligado al estudio de la estabilidad de las clases de edades del modelo matricial de
Leslie.
DEFINICIÓN 2.5.1 Diremos que λ1 es el valor propio dominante de una matriz

A, si es mayor en valor absoluto que el resto de los valores propios de A. Un vector
propio asociado a este valor propio dominante recibe el nombre de vector propio
dominante de la matriz A.
Supongamos que los valores propios de la matriz A de orden cinco son:
λ1 = −4, λ2 = 4, λ3 = −6, λ4 = 4.25, λ5 = −3.13 ,
entonces el valor propio dominante es el λ3 = −6. Observemos que si, por ejemplo,
λ1 = 6, entonces no existe un valor propio que sea dominante.
2.5.1. Método de las potencias

A continuación describiremos un procedimiento para estimar el valor propio domi-
nante y su vector propio dominante asociado, conocido con los nombres de método
de las potencias o de las iteraciones. Está basado en el siguiente ejemplo.
EJEMPLO 2.6
2.5 Métodos numéricos 33
Sea la matriz, ( )
−2 2
A= ,
−12 8
y tomemos como vector inicial uno cualquiera ⃗x(0) = (−1, 2)T . Ahora, calculemos
⃗x(1) = A⃗x(0) = γ1 (1, 4.6666)T
⃗x(2) = A⃗x(1) = A2 ⃗x(0) = γ2 (1, 3.45455)T
⃗x(3) = A⃗x(2) = A3 ⃗x(0) = γ3 (1, 3.18519)T
⃗x(4) = A⃗x(3) = A4 ⃗x(0) = γ4 (1, 3.08474)T
··· ··· ··· ···
⃗x(10) = A10 ⃗x(0) = γ10 (1, 3.00122)T .
Como puede observarse, los diferentes valores de ⃗x(k) tiende a un múltiplo del vector
(1, 3)T cuando k es suficientemente grande. Éste será el vector propio dominante.
Pasemos a formalizar el razonamiento anterior. Supongamos que

|λ1 | > |λ2 | ≥ |λ3 | ≥ · · · ≥ |λn | ,
y además, la matriz A es diagonalizable. Entonces debe de existir una base de Rn
formada por vectores propios ⃗u1 , ⃗u2 , · · · ⃗un , donde ⃗ui es el vector propio asociado al
valor propio λi , i = 1, 2, · · · , n. Por definición de base, el vector inicial ⃗x(0) puede
escribirse:
⃗x(0) = c1⃗u1 + c2⃗u2 + · · · + c1⃗un ,
donde algún coeficiente ci tiene que ser no nulo, supongamos que c1 ̸= 0. Si calcula-
mos ⃗x(k) = Ak ⃗x(0), obtenemos
⃗x(k) = Ak (c1⃗u1 + c2⃗u2 + · · · + cn⃗un )
= c1 Ak ⃗u1 + c2 Ak ⃗u2 + · · · + cn Ak ⃗un
= c1 λk1 ⃗u1 + c2 λk2 ⃗u2 + · · · + cn λkn⃗un

( ( )k ( )k )
= λk1 c1⃗u1 + c2 λ1 ⃗u2 + · · · + cn λλn1 ⃗un .
λ2
Al ser λ1 el valor propio dominante, entonces | λλ1i | < 1, i = 2, 3, · · · , n, y en conse-

( )k
cuencia λλ1i tiende a cero para valores de k suficientemente grandes. Es decir,
⃗x(k) = Ak ⃗x(0) ≈ λk1 c1⃗u1 ,

el vector resultante es proporcional al vector propio dominante buscado. Una vez

conocida una estimación del vector propio dominante ⃗u1 , es posible encontrar su
valor propio dominante asociado. La fórmula se conoce con el nombre de cociente
de Rayleigh, y consiste en lo siguiente:
Si ⟨⃗a, ⃗b⟩ representa al producto escalar ordinario de los vectores ⃗a y ⃗b, es fácil com-
probar que
⟨⃗u1 , A⃗u1 ⟩ ⟨⃗u1 , λ1⃗u1 ⟩ λ1 ⟨⃗u1 , ⃗u1 ⟩
= = = λ1 .
⟨⃗u1 , ⃗u1 ⟩ ⟨⃗u1 , ⃗u1 ⟩ ⟨⃗u1 , ⃗u1 ⟩
Si aplicamos este resultado al Ejemplo 4
⟨⃗u1 , A⃗u1 ⟩ ⟨(1, 3)T , A(1, 3)T ⟩ ⟨(1, 3)T , (4, 12)T ⟩ 40
λ1 ≈ = = = = 4.
⟨⃗u1 , ⃗u1 ⟩ ⟨(1, 3)T , (1, 3)T ⟩ ⟨(1, 3)T , (1, 3)T ⟩ 10
Naturalmente, esta aproximación puede ser mejorada tomando en lugar del ⃗x(1) el
⃗x(10), pero recordemos que todo lo dicho es válido si λ1 es dominante.
La expresión ⃗x(k) = Ak ⃗x(0) ≈ λk1 c1⃗u1 , también nos permite encontrar un valor
aproximado de λ1 . En efecto,
⃗x(k) ≈ λk1 c1⃗u1 = λ1 λk−1 u1 = λ1⃗x(k − 1) ,

1 c1 ⃗
lo que obliga a la siguiente relación entre sus componentes:
⃗xj (k)
⃗xj (k) ≈ λ1⃗xj (k − 1), j = 1, 2, · · · , n ⇒ λ1 ≈ .
⃗xj (k − 1)
2.5.2. El método de las potencias con cambio de escala

En el Ejemplo 4 vimos que con cada iteración aumentaba el valor de las compo-
nentes del vector, y una manera de evitar este problema era aplicar cierta escala γi .
Básicamente este proceso se conoce con el nombre de método de las potencias con
cambio de escala. Aplicando este procedimiento siempre obtenemos un vector cuya
componente mayor en valor absoluto es uno.
EJEMPLO 2.7
Aplicaremos el método de las potencias con cambio de escala, para encontrar el valor
propio y el vector propio dominante de la matriz
( )
−3 2
A= .
1 −1
Empezamos tomando como vector inicial uno que nos permita simplificar las opera-
ciones, por ejemplo ⃗x(0) = (1, 1)T .
⃗x(1) = A⃗x(0) = (1, 0)T
⃗x(2) = A(1, 0)T = (−1, 1)T
⃗x(3) = A(−1, 1)T = 3(1, −0.666667)T
⃗x(4) = A(1, −0.6666667)T = −2.3333(1, −0.71428)T .
Una posible estimación del vector propio dominante puede ser ⃗u1 ≈ (1, −0.71428)T .
Por otro lado, por definición de vector y valor propio
( )( ) ( )
−1 2 1 λ1
A⃗u1 = λ1 ⃗u1 ⇒ = ,
1 −1 −0.71428 −0.71428λ1
y podemos estimar el valor de λ1 ≈ −2.42856
Una de las preguntas que está presente en todo el estudio que estamos desarrollando
es la siguiente: ¿cuántos pasos debemos usar en el método de las potencias para
obtener una buena estimación?. No existe una respuesta rotunda a esta pregunta,
pero el análisis del error relativo puede aportar una solución parcial al problema.
DEFINICIÓN 2.5.2 Si ã es una estimación de la cantidad a, entonces el error
relativo se define como:
a − ã

a .
El error en porcentaje en la estimación se define como

a − ã

a × 100 % .
Supongamos que inicialmente el error relativo que estamos dispuestos a tolerar en el
valor propio dominante es ϵ. Si λ̃1 (i) es la estimación de λ1 en la i-ésima iteración,
entonces el método se terminarı́a cuando se cumpla:

λ − λ̃ (i)
1 1
< ϵ.
λ1
No obstante, aplicar la fórmula anterior tiene el gran inconveniente de que el valor
exacto λ1 no es conocido. En este caso, suele sustituirse la expresión anterior por
esta otra:
λ̃ (i) − λ̃ (i − 1)
1 1
< ϵ,
λ̃1 (i)
donde la cantidad que aparece a la izquierda se la conoce con el nombre de error
relativo estimado, y si se multiplica por 100 %, se llama error en porcentaje estimado.
2.5.3. Deflación
A través del método de las potencias podemos estimar el valor propio dominante y
un vector propio asociado. Existen diferentes técnicas para conocer el resto de los
valores propios. De todas ellas nosotros utilizaremos la conocida con el nombre de
deflación. El método está basado en el siguiente teorema cuya demostración puede
verse en cualquier texto de métodos numéricos del Algebra Lineal.
TEOREMA 2.5.3 Sean λ1 , λ2 , · · · , λn , los valores propios de la matriz A. Supon-
gamos que λ1 es el valor propio dominante, ⃗u1 su vector propio asociado, y ⃗v un
vector tal que ⟨⃗u1 , ⃗v ⟩ = 1. Sea B la matriz definida como
B = A − λ1 ⃗u1 ⃗v T .
Entonces los valores propios de la matriz B son 0, λ2 , · · · , λn .
Se conoce con el nombre de deflación al proceso de encontrar el resto de los valores
propios a partir del valor propio dominante. Para ello se aplica el método de las
potencias con escala a la nueva matriz B.
EJEMPLO 2.8
Aplicaremos el método de las potencias con cambio de escala y la deflación para
encontrar todos los valores propios de la matriz
 
3 −0.5 1
A =  −2 5 −2  .
−1 1.5 1
Si tomamos como vector inicial ⃗x(0) = (1, 1, 1)T , entonces ⃗x(1) = A⃗x(0) = (3.5, 1, 1.5)T
que dividiendo por 1.5 nos queda x⃗′ (1) = (2.3333, 0.6666, 1)T . De forma similar
⃗x(2) = Ax⃗′ (1) = (7.6666, −3.3336, −0.3334)T , o bien
x⃗′ (2) = (−0.2527, 9.998, 1)T .
Los valores siguientes se encuentran representados en la tabla siguiente. También
aparecen los cocientes entre la primera de las componentes de una iteración y la
anterior γk .
Iteración ⃗x(k) x⃗′ (k) γk
0 (1, 1, 1)T (1, 1, 1)T -

1 (3.5, 1, 1.5)T (2.3333, 0.6666, 1)T 1.5
2 (7.6666, −3.3336, −0.3334)T (−0.2527, 9.9998, 1)T -0.3334
3 (−4.7571, 48.4954, 16.2497)T (−0.2927, 2.98439, 1)T 16.2497
4 (−1.3703, 13.5073, 5.76928)T (−0.2375, 2.34125, 1)T 5.76928
5 (−0.8831, 10.1812, 4.74938)T (−0.1859, 2.14369, 1)T 4.74938
6 (−0.62954, 9.09025, 4.40143)T (−0.143032, 2.06529, 1)T 4.4014
7 (−0.46174, 8.61251, 4.2409)T (−0.10887, 2.03079, 1)T 4.2409
8 (−0.342005, 8.37169, 4.15505)T (−0.08231, 2.01482, 1)T 4.15505
9 (−0.25434, 8.23872, 4.10454)T (−0.06196, 2.00722, 1)T 4.10454
Se observa que el valor propio dominante es λ1 ≈ 4 y su vector propio asociado

⃗u1 ≈ (0, 2, 1)T .
Para encontrar el resto de los valores y vectores propios aplicamos el método de
deflación, y para ello necesitamos un vector ⃗v tal que ⟨⃗u1 , ⃗v ⟩ = 1. Podemos tomar
⃗v = (1, 1, −1)T y calcular
 
3 −0.5 1
B = A − λ1 ⃗u1⃗v T =  −10 −3 6  ,
−5 −2.5 5
al ser la segunda y la tercera columna proporcionales, el determinante de la matriz B

es cero y eso obliga a que uno de sus valores propios sea cero, hecho que conocı́amos
por el Teorema 2.5.3. Ahora, aplicamos de nuevo el método de las potencias a la
matriz B con objeto de encontrar su vector propio dominante, que coincidirá con
otro de los valores propios de la matriz A.
Iteración ⃗x(k) x⃗′ (k) γk
0 (1, 1, 1)T (1, 1, 1)T -

1 (3.5, −7, −2.5)T (1, −2, −0.714286)T 3.5
2 (3.28571, −8.28572, −3.57143)T (1, −2.52174, −1.08696)T 3.28571
3 (3.17391, −8.95654, −4.13045)T (1, −2.82193, −1.31581)T 3.17391
4 (3.09515, −9.42907, −4.52422)T (1, −3.0454, −1.46171)T 3.09515
5 (3.0614, −9.63106, −4.69255)T (1, −3.14587, −1.53277)T 3.06149
Puede apreciarse que ⃗u2 ≈ (1, −3.3, −1.6)T y λ2 ≈ 3.

Para finalizar aplicamos de nuevo el mismo procedimiento para calcular el último
de los valores de A. Puede tomarse ⃗v = (1, 0, 0)T , ya que ⟨⃗u2 , ⃗v ⟩ = 1, y entonces
 
0 −0.5 1
C = B − λ2 ⃗u2⃗v T =  −0.1 −3 6  .
−0.2 −2.5 5
Realizando los cálculos convenientes se llega a que λ3 ≈ 2.

Tema 3
MODELOS BASADOS EN
ECUACIONES Y SISTEMAS EN
DIFERENCIAS
3.1. Introducción
En ocasiones, al construir un modelo matemático interesa elegir una variable que
tome valores discretos. Ası́ ocurre, por ejemplo, con el tiempo, ya que es común
realizar mediciones regulares a la hora de controlar un experimento. Estos datos
constituyen un conjunto finito, o infinito numerable, de valores de la variable in-
dependiente. Para este tipo de modelos determinı́sticos discretos, las herramientas
matemáticas más adecuadas para analizarlos son las ecuaciones en diferencias y los
sistemas en diferencias. El presente tema es una breve introducción a su estudio. Co-
menzaremos con los conceptos y definiciones básicas y nos centraremos en el estudio
de las ecuaciones en diferencias lineales de primer y segundo orden con coeficientes
constantes, ası́ como en los sistemas de ecuaciones diferenciales de primer orden con
coeficientes constantes.
A lo largo del capı́tulo llamaremos t a la variable independiente, y supondremos que
sólo toma los valores enteros t = 0, 1, 2, · · · . Generalmente, t representa el número
de generaciones (años, trimestres, meses, dı́as, · · · ) que han transcurrido desde un
momento inicial t = 0. Del mismo modo, {y0 , y1 , y2 , · · · } es una sucesión, donde yt
corresponde a un valor concreto de t.
3.1.1. Sucesión de Fibonacci

Leonardo Pisano es más conocido por su apellido Fibonacci. Nació en Pisa en el
año 1170 y murió en la misma ciudad en 1250. Aunque nació en Italia, fue educado
39
40 Tema 3 Modelos basados en ecuaciones y sistemas en diferencias
en el Norte de áfrica, donde su padre Guilielmo, era un representante diplomático

de la república de Pisa en la ciudad argelina de Bugı́a. Durante su estancia en es-
ta ciudad estudió con profesores árabes quienes le enseñaron el cálculo posicional
hindú que posteriormente introdujo en Europa sustituyendo al sistema de numera-
ción romano. En el año 1200 regresó a Pisa y escribió un número importante de
trabajos, actualizando algunos resultados matemáticos, ası́ como proporcionando
nuevos e interesante conceptos, entre ellos, como se ha comentado, nuestro actual
sistema de numeración posicional.
Figura: 3.1:Leonardo Fibonacci y Liber abbaci.
Hoy en dı́a todavı́a se conservan copias de algunos de sus libros, como por ejemplo,
Liber abbaci (1202), Practica geometriae (1220), Flos (1225), y Liber quadratorum.
Un problema que se encuentra en la tercera sección de su libro Liber abbaci llevó a
la introducción de los números de Fibonacci y a la sucesión que lleva su nombre, y
es la razón por la que aún hoy en dı́a es tan recordado.
Supongamos que un par de conejos recién nacidos, un macho y una

hembra se colocan en el campo. Los conejos son fértiles a la edad de un
mes, ası́ que al final del segundo mes una hembra puede producir otro par
de conejos. Supongamos que nuestros conejos nunca mueren, y que las
hembras siempre producen un nuevo par (un macho y una hembra) cada
mes, desde el segundo de los meses. La pregunta que Fibonacci se hizo
fue la siguiente, ¿cuántos pares de conejos tendremos en un año ¿
Si observamos atentamente del enunciado del problema deducimos que:
Al final del primer mes, hay un solo par.
Al final del segundo mes, la hembra produce un nuevo par, ası́ que ahora
tenemos dos parejas de conejos en el campo.
Al final del tercer mes, la hembra inicial produce un segundo par, haciendo
que en el campo tengamos tres pares de conejos.
3.1 Introducción 41
Al final del cuarto mes, la hembra original ha producido otro nuevo par y la
hembra nacida dos meses antes produce su primer par, con lo que tendremos
5 pares.
Y asi sucesivamente......
Figura: 3.2:Leonardo El problema de los conejos.
El número de pares de conejos en el campo al inicio de cada mes es:
1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144.,
una sucesión, que se inicia con 1 y 1 donde cada otro término es la suma de los dos
anteriores, y que recibe el nombre de la sucesión de Fibonacci.
Figura: 3.3:Cociente de términos consecutivos.

Si hacemos el cociente de dos números consecutivos de la sucesión obtenemos esta
otra:
1/1 = 1, 2/1 = 2, 3/2 = 1.5, 5/3 = 1.666, 8/5 = 1.6, 13/8 = 1.625, 21/13 = 1.61538,
Es fácil ver lo que sucede si dibujamos estos resultados en un gráfico (Figura 3.3),
el cociente tiende a un valor particular, el cual recibe el nombre de número áureo,
tiene un valor aproximado de 1.61804, y se representa por la letra griega ϕ (Phi).
Si la sucesión se inicia con otros dos números cualesquiera, {3, 7, 10, 17, 27, 71, · · · }
el cociente entre un término y el anterior en la sucesión tiende al número áureo ϕ.
También podemos hacer aparecer el número áureo a través de una cuestión estética,
que aparece en el libro La Divina proporción de Luca Pacioli. Si consideramos un
segmento y preguntamos cuál es la división más agradable en dos partes del mismo,
algunas personas pensarán que el punto medio es el más adecuado, otras en cambio
pensarán que la tercera o cuarta parte. La respuesta correcta no es ninguna de
ellas, ya que la división correcta es la conocida con el nombre de razón áurea o
divina proporción. Si el segmento es de longitud 1, entonces el segmento mayor tiene
longitud 0.618.... A un segmento dividido de esta forma decimos que está dividido
en la sección áurea. Pensemos que si u es la longitud del segmento, se tiene que
verificar:
u v
=
u+v u
si llamamos ϕ = u/v, entonces
u+v u 1
= ⇒ 1+ =ϕ ⇒ ϕ + 1 = ϕ2 ⇒ ϕ2 − ϕ − 1 = 0
u v ϕ
Simplificando, obtenemos la ecuación de segundo grado que tiene como raı́z el valor
√
1+ 5
ϕ= = 1.6180339887...
2
que como sabemos es el número áureo.
Figura 3.4: Plantas y sucesión de Fibonacci.
En muchas plantas, el número de pétalos es un número de la sucesión de Fibonacci.

La azucena y el iris tienen tres pétalos; las rosas salvajes 5; el delphiniums 8; algunas
caléndulas granuladas 13; la achicoria 21; mientras que algunas margaritas pueden
encontrarse con 34, 55 y hasta 89 pétalos. Algunas especies son muy precisas sobre
el número de pétalos que tienen, (por ejemplo el botón de oro), pero otras tienen
pétalos que están muy cerca de ellos, pero que su media es justo un número de
Fibonacci.
Se puede comprobar que algunas semillas se disponen según espirales, una de ellas
a la izquierda y otra a la derecha. Si contamos la espiral de la derecha al final del
dibujo, nos encontramos con que hay 34. ¿Cuántas existen hacia el otro lado? Puede
comprobarse que estos dos números son vecinos en la sucesión de Fibonacci.
La pregunta inmediata que nos planteamos es ¿por qué sucede esto? La respuesta
se encuentra detrás de un problema de optimización. Si deseamos apilar objetos de
la “mejor manera posible”, la respuesta será que dependerá de la forma que posean.
Figura 3.5: Formas de apilar objetos.
Si estos objetos son cuadrados, la respuesta correcta será la figura 3.5 de la izquierda.
Sin embargo, si estos objetos son redondos la mejor disposición es la conocida con el
nombre de hexagonal (figura 3.5 derecha). Por otro lado, muchas plantas que poseen
un tallo alto tienen adheridas las hojas según un esquema bastante interesante, En
efecto, se cumple la llamada ley de la Filotaxis (ciencia que estudia el ordenamiento
de los elementos de una planta), “para cada especie de plantas el ángulo que forman
dos hojas consecutivas, llamado ángulo de divergencia, es constante”.
Pero, ¿por qué la naturaleza no utiliza alguna de éstas disposiciones? La mayorı́a
de las semillas son redondas, entonces ¿por qué no se disponen en forma hexagonal
las semillas del girasol? La razón es que aunque la simetrı́a hexagonal es la mejor
manera de empaquetar semillas circulares, esto no responde a la pregunta de por
qué las hojas se distribuyen alrededor del tallo o como se empaquetan las semillas
del girasol (las cuales son circulares porque es la forma que encierra máxima área
con una determinada longitud), cuando están creciendo en tamaño .
La naturaleza utiliza el mismo patrón para colocar las semillas del girasol, los pétalos
alrededor del borde de una flor y las hojas alrededor del tallo. Además, sigue siendo
eficiente cuando la planta continúa creciendo. Los botánicos han demostrado que
las plantas crecen desde un grupo diminuto de células dispuestas en el extremo de
cualquier planta en crecimiento, llamado el meristemo. Hay un meristemo separado
al final de cada rama o varita y allı́ es donde se forman las nuevas células, que crecen
en tamaño, pero las nuevas células solo se forman en esos puntos de crecimiento.
Figura 3.6: Ángulo de giro.
Las nuevas células expanden el tallo y de esta manera se produce el crecimiento.

También estas células crecen en forma de espiral, como si el tallo girase un ángulo
y entonces aparece la nueva célula, vuelve a girar de nuevo y entonces se forma otra
nueva célula. Estas nuevas células dan lugar a una nueva rama, o tal vez a un nuevo
pétalo en una flor. Lo asombroso es que un simple ángulo fijo produce el
diseño óptimo no importa como de grande sea el crecimiento de la planta.
Una vez que una semilla está situada en el girasol, esta semilla es empujada en lı́nea
recta por otra nueva semilla, pero guarda el ángulo original en el girasol. No importa
como de grande sea el girasol, las semillas siempre se empaquetarán uniformemente.
Figura 3.7:Disposición semillas del girasol.

Todo esto fue intuido por muchos cientı́ficos en el último siglo, pero el principio
de que un ángulo fijo produce empaquetamientos uniformes sin importar el tamaño
de este crecimiento, se demostró en 1993 por los matemáticos franceses Douady y
Couder. La distribución de las hojas es la misma que el de las semillas y los petalos.
En todos ellos aparece el número 0.618034 por vuelta. Si hablamos de grados serán
0.61803 de 3600 , que suponen 222.230 . Pero como siempre tendemos a diferenciar el
ángulo mas pequeño, éste será 137.770 . Si hay ϕ = 1.618.. hojas por vueltas, entonces
tenemos la mejor manera de empaquetar, de esta manera, cada hoja recibirá la
máxima cantidad de luz, proporcionando la menor sombra a las otras. También da
la mejor área posible de exposición, para que cuando la lluvia caiga, baje a través
de las hojas y se deposite en las raı́ces.
Pero debemos dejar claro que no siempre las sucesión de Fibonacci se encuentra
en el número de pétalos de cualquier flor, o en el número de semillas de plantas
del tipo del girasol, aunque si están cercanos a algunos términos de la sucesión de
Fibonacci. De todos modos, en un trabajo publicado por Jean en 1992, de 12700
observaciones correspondientes a 650 especies de plantas diferentes, la sucesión de
Fibonacci está presente en un 90 % de todas aquellas donde sus elementos están
dispuestos en formas de espirales.
Observemos que si notamos a yn al valor del término que ocupa el lugar n de la
sucesión de Fibonacci, entonces podemos modelizarla mediante la siguiente ecuación:
y0 = y1 = 1, yn+2 = yn+1 + yn , n≥2
Se trata de una ecuación en diferencias homogénea de orden dos, lineal y de coefi-

cientes constantes que posteriormente podemos resolver.
DEFINICIÓN 3.1.1 Llamamos ecuación en diferencias a una expresión del tipo
F (yt+n , yt+n−1 , yt+n−2 , · · · , yt+1 , yt , t) = 0 .
Una solución de la misma, es toda sucesión yt que la cumpla.
El conjunto de todas las soluciones recibe el nombre de solución general. Esta

solución general presenta cierto número de parámetros, que pueden determinarse a
partir de las condiciones iniciales, dando lugar a las diferentes soluciones parti-
culares.
DEFINICIÓN 3.1.2 Llamamos orden de la ecuación, a la diferencia entre el ma-

yor y el menor de los ı́ndices que afectan a y.
La expresión −2yt+3 +3yt = t+1, es una ecuación en diferencias de orden t+3−t = 3,

o de tercer orden.
La ecuación en diferencias yt+1 − yt = 2, es de primer orden y tiene por solución
general a todas las progresiones aritméticas de razón 2, es decir
yt = y(t) = 2t + C,
siendo C una constante cualquiera. Una solución particular, es la progresión arit-

mética
{1, 3, 5, 7, · · · , 2t + 1, · · · } .
EJEMPLO 3.1
Vamos a construir el modelo que corresponde a la siguiente situación. Supongamos

que una población de insectos crece el triple, en cada perı́odo de tiempo que trans-
curre entre dos medidas, de lo que creció en el perı́odo inmediatamente anterior.
Si llamamos yt al número de individuos en el instante t; del enunciado del ejemplo
se deduce,
yt+2 − yt+1 = 3(yt+1 − yt ) , t = 0, 1, 2, 3, · · ·
simplificando obtenemos,
yt+2 − 4yt+1 + 3yt = 0 , (3.1)
que es una ecuación en diferencias de segundo orden. Si por ejemplo, conocemos el
número inicial de insectos, y0 = y(0) = 100, podemos sustituir y obtendrı́amos
y2 − 4y1 + 300 = 0 ,
lo cual nos indica que debemos saber otra medida, por ejemplo y1 , para poder
encontrar el resto de los valores. En las próximas secciones aprenderemos a resolver
este tipo de ecuaciones, y volveremos sobre (3.1).
3.2. Ecuaciones lineales de primer orden

DEFINICIÓN 3.2.1 Una ecuación en diferencias lineal de primer orden es aque-
lla que puede expresarse como
p1 (t)yt+1 + p2 (t)yt = q(t) , (3.2)
donde pi (t), i = 1, 2 y q(t) son funciones en la variable discreta t. Si la sucesión

q(t) es nula, entonces la ecuación lineal recibe el nombre de ecuación homogénea
asociada a (3.2). Cuando las funciones p1 (t) y p2 (t) son constantes, se dice que la
ecuación lineal (3.2) es de coeficientes constantes.
Este tipo de ecuaciones son muy interesantes en el estudio de dinámica de poblacio-

nes. Suelen aparecer escritas como
yt+1 = p(t)yt + q(t) ,
donde p(t)yt representa el crecimiento de la población en el tiempo t y q(t) el número

de individuos que en el tiempo t se incorporan a la población como consecuencia de
la inmigración.
3.3 Ecuaciones lineales de segundo orden 47
EJEMPLO 3.2
Supongamos que una determinada población de insectos con 100 individuos, duplica
su número en cada generación, y que además, 10 nuevos individuos se incorporan
en cada generación procedente de otro lugar. Vamos a construir una ecuación en
diferencias que modele a esta situación y posteriormente la resolveremos.
Del enunciado se deduce,
yt = 2yt−1 + 10, y0 = y(0) = 100 ,
lo que nos permite escribir,

y1 = 2 × 100 + 10
y2 = 2(2 × 100 + 10) + 10 = 2 × 2 × 100 + 2 × 10 + 10
y3 = 2 × 2 × 2 × 100 + 2 × 2 × 10 + 2 × 10 + 10
.. ..
. .
· · × 2} ×100 + 2| × ·{z
yt = 2| × ·{z · · × 2} ×10 + 2| × ·{z
· · × 2} ×10 + · · · + 2 × 10 + 10
(t) (t−1) (t−2)
= 2t × 100 + 2( t−1 × 10 + 2t−2 × 10 + · · · +

) 2 × 10 + 10
= 2t × 100 + 2t−1 + 2t−2 + · · · + 21 + 20 × 10
= 2t × 100 + (2t − 1) × 10 = 110 × 2t − 10 ,
donde en el último de los pasos hemos utilizado la fórmula que nos da la suma de t
términos de una progresión geométrica de razón 2. La solución es, por tanto,
yt = 110 × 2t − 10 .
3.3. Ecuaciones lineales de segundo orden

DEFINICIÓN 3.3.1 Una ecuación en diferencias lineal de segundo orden es aque-
lla que puede expresarse como
p1 (t)yt+2 + p2 (t)yt+1 + p3 (t)yt = q(t) , (3.3)
donde pi (t), i = 1, 2, 3 y q(t) son funciones en la variable discreta t.
Si la función q(t) = 0, entonces (3.3) es su ecuación lineal en diferencias homogénea

de segundo orden asociada. Además, si todas las funciones pi (t) son constantes,
entonces (3.3) es una ecuación en diferencias lineal de segundo orden con coeficientes
constantes, y será en la que nos centraremos.
Veamos en primer lugar un teorema de existencia y unicidad de solución para una
ecuación en diferencias lineal homogénea de orden n.
TEOREMA 3.3.2 Dada la siguiente ecuación lineal en diferencias homogénea de

orden n
yt+n + p1 (t)yt+n−1 + · · · + pn (t)yt = 0 ,
y dados n números reales k0 , k1 , · · · , kn−1 , existe una única solución, cumpliendo
y0 = y(0) = k0 , y1 = k1 , ··· yn−1 = kn−1 .
Demostración. Comenzamos definiendo la siguiente sucesión:
y0 = y(0) = k0 , y 1 = k1 , ··· yn−1 = kn−1 ,
y para los valores de t mayores que n − 1, procedemos de la siguiente manera
yn = −p1 (0)yn−1 − · · · − pn (0)y0 = −p1 (0)kn−1 − · · · − pn (0)k0 ,
yn+1 = −p1 (1)yn − · · · − pn (1)k1 .
De esta manera, yt queda definida por la ley de recurrencia anterior. Puede com-
probarse que yt es solución de la ecuación pedida y cumple las condiciones iniciales.
Además, es la única solución, ya que si wt es otra solución que cumple
w 0 = k0 , w 1 = k1 , ··· wn−1 = kn−1 ,
la ley de recurrencia que hemos encontrado anteriormente, determina el resto de los

valores de wt .
Consideremos la ecuación en diferencias lineal homogénea de segundo orden con
coeficientes constantes
a yt+2 + b yt+1 + c yt = 0 , (3.4)
cualquier combinación lineal de soluciones de (3.4) sigue siendo otra solución.
TEOREMA 3.3.3 Si yt1 , yt2 son dos soluciones de (3.4), entonces k1 yt1 +k2 yt2 , con
k1 y k2 constantes, sigue siendo solución de (3.4).
Demostración. Es inmediata, basta llevar k1 yt1 + k2 yt2 en (3.4).

Del mismo modo, también es evidente la demostración del siguiente resultado.
TEOREMA 3.3.4 Si ytc es una solución de
a yt+2 + b yt+1 + c yt = q(t) , (3.5)
e yth es solución de la ecuación homogénea asociada, entonces yt = yth +ytc es solución

de la ecuación completa (3.5).
A continuación veremos las condiciones bajo las cuales la combinación lineal de dos
soluciones particulares de la ecuación homogénea dan lugar a su solución general.
TEOREMA 3.3.5 Si yt1 , yt2 son dos soluciones de (3.4), entonces
y = k1 yt1 + k2 yt2 ,
con k1 y k2 constantes, es la solución general de (3.4) si

1 2
y0 y0
1 2 ̸= 0 .
y1 y1
Demostración. Consideremos el sistema de ecuaciones lineales siguiente

{
α1 y01 + α2 y02 = β1
α1 y11 + α2 y12 = β2 ,
cualesquiera que sean los valores de β1 y β2 , por hipótesis del teorema, el sistema es
compatible determinado. Pero por el Teorema 3.3.2 existe una única solución de la
ecuación homogénea que puede ser escrita como yt = k1 yt1 + k2 yt2 , pues basta tomar
β1 = y0 y β2 = y1 , y calcular α1 y α2 . Para finalizar asignamos los siguientes valores,
k1 = α1 y k2 = α2 .
A dos soluciones yt1 y yt2 cumpliendo las hipótesis del Teorema 3.3.2 le daremos
el nombre de sistema fundamental de soluciones. Siguiendo un razonamiento
similar al realizado en el Teorema 3.3.2, podemos demostrar el siguiente resultado.
TEOREMA 3.3.6 Si ytp es una solución particular de
a yt+2 + b yt+1 + c yt = q(t) , (3.6)
e yt1 , yt2 forman un sistema fundamental de soluciones, entonces
ytp + k1 yt1 + k2 yt2 ,
es la solución general de (3.6).
3.3.1. Resolución de la ecuación homogénea

El Teorema 3.3.6 nos dice que para resolver una ecuación en diferencias lineal de
segundo orden, tenemos que empezar encontrando la solución general de su ecuación
homogénea asociada, y para ello hemos de localizar dos soluciones particulares que
den lugar a un sistema fundamental. Supongamos por tanto, la ecuación homogénea
a yt+2 + b yt+1 + c yt = 0 ,
que admitirá la solución yt = λt si

( )
a λt+2 + b λt+1 + c λt = λt a λ2 + b λ + c = 0 ,
es decir,
a λ2 + b λ + c = 0. (3.7)
A esta ecuación se la conoce con el nombre de ecuación caracterı́stica de la ecua-

ción en diferencias.
A continuación, presentamos un procedimiento para resolver la ecuación en diferen-
cias homogénea, basado en el estudio de las raı́ces de (3.7).
Si la ecuación caracterı́stica tiene dos raı́ces reales diferentes λ1 , λ2 , en-

tonces
yt1 = λt1 , yt2 = λt2 ,
forman un sistema fundamental de soluciones .
Si la ecuación (3.7) tiene una raı́z real doble λ, entonces
yt1 = λt , yt2 = t λt ,
forman un sistema fundamental de soluciones .
Si la ecuación caracterı́stica tiene dos raı́ces complejas conjugadas
λ1 = α + i β , λ2 = α − i β ,
entonces
yt1 = λt1 , yt2 = λt2 ,
forman un sistema fundamental de soluciones. En este último caso, podemos
escribir la solución general de la ecuación homogénea de la siguiente manera,
yt = k1 λt1 + k2 λt2 ,
y expresando los números complejos en su forma módulo argumental, teniendo

en cuenta que poseen el mismo módulo y argumentos opuestos,
yt = k1 ρt (cos tθ + i sen tθ) + k2 ρt (cos tθ − i sen tθ) .
Al formar λt1 = ρt (cos tθ + i sen tθ) y λt2 = ρt (cos tθ − i sen tθ) un sistema
fundamental de soluciones, también lo será cualquier combinación lineal de
ellas, en particular
1
2
(λt1 + λt2 ) = ρt cos tθ
1
2i
(λt1 − λt2 ) = ρt sen tθ ,
la solución general será entonces
yt = k1 ρt cos tθ + k2 ρt sen tθ .
EJEMPLO 3.3
Resolver las siguientes ecuaciones en diferencias:
(a) yt+2 − 3yt+1 + 2yt = 0

(b) yt+2 + 2yt+1 + 2yt = 0
(c) yt+2 + 2yt+1 + yt = 0
(a) La ecuación caracterı́stica λ2 − 3λ + 2 = 0, tiene como raı́ces λ1 = 1 y λ2 = 2.

En consecuencia, 2t y 1, forman un sistema fundamental de soluciones, siendo
la solución general
yt = k1 + k2 2t .
(b) En el segundo de los casos, las raı́ces de la ecuación caracterı́stica λ2 +2λ+2 = 0

son λ1 = −1 + i y λ2 = −1 − i. Los módulos de estos números complejos son
√
2 y el argumento 3π/4, por consiguiente, la solución general es
( ) ( )
(√ )t 3π (√ )t 3π
y t = k1 2 cos t + k2 2 sen t , k 1 , k2 ∈ R .
4 4
(c) La ecuación λ2 + 2λ + 1 = 0 tiene a λ = −1 como raı́z doble. La solución

general de la ecuación propuesta es
yt = k1 (−1)t + k2 t (−1)t , k 1 , k2 ∈ R .
EJEMPLO 3.4
Resolución de la ecuación en diferencias que modeliza a la sucesión de

Fibonacci.
{1, 1, 2, 3, 5, 8, 13, · · · }
Puede expresarse por la ecuación en diferencias con condiciones iniciales siguiente:
yt+2 = yt+1 + yt ; y0 = 1 ; y1 = 1
o bien, mediante la ecuación homogenea:
yt+2 − yt+1 − yt = 0 ; y0 = 1 ; y1 = 1
La ecuación caracterstica λ2 − λ − 1 = 0 tiene como raı́ces

√ √
1+ 5 1− 5
λ1 = ; λ2 =
2 2
que aporta la solución general:
( √ )t ( √ )t
1+ 5 1− 5
yt = C 1 + C2
2 2
Para encontrar la solución particular resolvemos el sistema:



 y0 = 1 ⇒ C 1 + C 2 = 1


( √ ) ( √ )

 1 + 5 1 − 5
 y1 = 1 ⇒ C 1

2
+ C2
2
=1
cuya solución es: √ √

1+ 5 1− 5
C1 = √ ; C2 = − √
2 5 2 5
En consecuencia, la solución particular de la sucesión de Fibonacci viene dada por
la sucesión:
( √ )( √ )t ( √ )( √ )t
1+ 5 1+ 5 1− 5 1− 5
yt = √ − √
2 5 2 2 5 2
o bien ( 
√ )t+1 ( √ )t+1
1  1+ 5 1− 5 
yt = √ −
5 2 2
Se puede simular con Mathematica y comprobar que en efecto si t = 5, t = 10,

y t = 25 el ordenador nos devuelve los términos de la sucesión de Fibonacci que
ocupan esos lugares.
Figura 3.8:Simulación con Mathematica de la soluición.
Veamos ahora la relación existente entre la sucesión de Fibonacci y el número áureo

ϕ. En la introducción al tema comentamos que:
yt+1
ϕ = lı́m ,
t→∞ yt
en nuestro caso yt es la solución de Fibonacci encontrada anteriormente:

( 
√ )t+2 ( √ )t+2
1 1+ 5 1− 5
√  − 
5 2 2
( 
ϕ = lı́m
t→∞ √ )t+1 ( √ )t+1 ,
1  1+ 5 1− 5 
√ −
5 2 2
simplificando
( √ )( √ )t+1 ( √ )( √ )t+1
1+ 5
2
1+ 5
2 − 1− 5
2
1− 5
2
ϕ = lı́m ( √ )t+1 ( √ )t+1
t→∞ 1+ 5
2 − 1− 5
2
√ √ ( b )t+1
Si hacemos a = 1+2 5 y b = 1−2 5 . Entonces, b < a y b
a < 1. En consecuencia, a
tiende a cero cuando t tiende a infinito.
El lı́mite anterior puede escribirse como,
( )t+1 √
a at+1 − b bt+1 a − b ab 1+ 5
ϕ = lı́m
t→∞ at+1 − bt+1
= lı́m ( )
t→∞ 1 − b t+1
=a=
2
a
Por otro lado, Si tenemos un segmento AB de longitud unidad, seleccionamos un

punto C y llamamos x a la longitud del segmento AC, entonces, si:
AB AC 1 x
ϕ= = ⇒ = ⇒ x2 + x − 1 = 0
AC CB x 1−x
Resolviendo la ecuación de segundo grado,
√ √
−1 + 5 −1 − 5
x1 = ; x2 =
2 2
Es decir,
(√ ) √ √
1 1 2 2 5−1 2 5+2 5+1
ϕ= = √ =√ = (√ ) (√ )= =
x −1+ 5 5−1 5+1 5+1 5 − 1 2
2
Finalmente, y como curiosidad, el número ϕ se puede encontrar también en:

v √
u √
u √ √
t √ √
x = 1 + 1 + 1 + 1 + · · · ⇒ x = 1 + x ⇒ x2 = 1 + x ⇒ x2 − x − 1 = 0
cuyas soluciones son:

√ √
1+ 5 1− 5
x1 = =ϕ ; x2 =
2 2
O en este otro:
1 1
x=1+ 1 ⇒x=1+ ⇒ x2 = x + 1 ⇒ x2 − x − 1 = 0
1+ 1 x
1+ 1+..
al resolverlo obtenemos:
√ √
1+ 5 1− 5
x1 = =ϕ ; x2 =
2 2
3.3.2. Resolución de la ecuación completa

Para encontrar la solución general de la ecuación en diferencias lineal de segundo
orden
a yt+2 + b yt+1 + c yt = q(t) , a, b, c ∈ R , (3.8)
podemos hacer uso de dos métodos diferentes.
Método de variación de parámetros.
Es también conocido como método de coeficientes indeterminados. Se empieza
encontrando la solución general de la ecuación homogénea
yt = k1 yt1 + k2 yt2 , k1 , k2 ∈ R ,
y se supone que las constantes k1 y k2 dependen de t, es decir
yt = k1 (t)yt1 + k2 (t)yt2 . (3.9)
De esta expresión deducimos inmediatamente

1 2
yt+1 = k1 (t + 1)yt+1 + k2 (t + 1)yt+1 ,
1 2
que sumando y restando k1 (t) yt+1 + k2 (t) yt+1 , puede escribirse
1
yt+1 = k1 (t) yt+1 2
+ k2 (t) yt+1 + [k1 (t + 1) − k1 (t)] yt+1
1
+ [k2 (t + 1) − k2 (t)] yt+1

2
.
En la ecuación anterior hacemos
[k1 (t + 1) − k1 (t)] yt+1

1
+ [k2 (t + 1) − k2 (t)] yt+1
2
= 0, (3.10)
y nos queda la ecuación

1 2
yt+1 = k1 (t) yt+1 + k2 (t) yt+1 , (3.11)
que permite ser tratada utilizando el mismo procedimiento anterior

1
yt+2 = k1 (t) yt+2 2
+ k2 (t) yt+2 + [k1 (t + 1) − k1 (t)] yt+2
1
(3.12)
+ [k2 (t + 1) − 2
k2 (t)] yt+2 .
Llevando (3.9), (3.11) y (3.12) en (3.8),

1
ak1 (t) yt+2 2
+ ak2 (t) yt+2 + a [k1 (t + 1) − k1 (t)] yt+2
1
+a [k2 (t + 1) − k2 (t)] yt+2

2 1
+ bk1 (t) yt+1 2
+ bk2 (t) yt+1
+ck1 (t)yt1 + ck2 (t)yt2 = q(t) .
o bien,
[ 1 1
] [ 2 ]
k1 (t) ayt+2 + byt+1 + cyt1 + k2 (t) ayt+2 2
+ byt+1 + cyt2
+a [k1 (t + 1) − k1 (t)] yt+2

1
+ a [k2 (t + 1) − k2 (t)] yt+2
2
= q(t) .
Al ser yt1 y yt2 solución de la ecuación homogénea, la expresión anterior adopta la

forma
a [k1 (t + 1) − k1 (t)] yt+2
1
+ a [k2 (t + 1) − k2 (t)] yt+2
2
= q(t) . (3.13)
Las ecuaciones (3.10) y (3.13) dan lugar a un sistema lineal, siendo k1 (t+1)−k1 (t) y
k2 (t + 1) − k2 (t) las incógnitas. Al ser yt1 y yt2 un sistema fundamental de soluciones,
ocurre que 1
yt+1 y 2
t+1
̸= 0 .
a yt+2
1
a yt+2
2
Usando la Regla de Cramer, podemos resolver el sistema anterior
−q(t)
k1 (t + 1) − k1 (t) = 1
ayt+1 (λ2 − λ1 )
(3.14)
q(t)
k2 (t + 1) − k2 (t) = 2
ayt+1 (λ2 − λ1 )
y nos permite encontrar los valores de k1 (t) y k2 (t).
EJEMPLO 3.5
En un determinado ecosistema y supuesto que sobre una población no influyen fac-

tores que modifiquen su crecimiento, se observa que, partiendo de 100 individuos, se
llega el primer año a 110 y que, cada año se duplica el crecimiento del año anterior
y se añaden 10 individuos de fuera. Deseamos determinar la ecuación general de la
evolución de efectivos.
El problema a estudiar es el siguiente:
yt+2 − yt+1 = 2(yt+1 − yt ) + 10, y0 = 100, y1 = 110 .
Tenemos que resolver la ecuación en diferencias lineal de segundo grado
yt+2 − 3yt+1 + 2yt = 10 ,
con las condiciones iniciales y0 = 100 y y1 = 110. Para ello, empezamos encontrando
las raı́ces de la ecuación caracterı́stica
λ2 − 3λ + 2 = 0 ⇒ λ1 = 1, λ2 = 2 .
Es decir, la solución general de la ecuación homogénea es
yth = k1 + k2 2t .
Para poder resolver la ecuación completa utilizamos el método de variación de las

constantes. Teniendo en cuenta (3.14), deducimos
{
k1 (t + 1) − k1 (t) = −10
k2 (t + 1) − k2 (t) = 10/2t+1
De la primera ley de recurrencia obtenemos
k1 (1) = k1 (0) − 10
k1 (2) = k1 (1) − 10 = k1 (0) − 2 × 10
.. ..
. .
k1 (t) = k1 (0) − 10t
De manera similar, de la segunda de las ecuaciones
k2 (1) = k2 (0) + 10/2

k2 (2) = k2 (1) + 10/22 = k2 (0) + 10/2 + 10/22
.. ..
. .
k2 (t) = k2 (0) + 10/2 + 10/22 + 10/23 + · · · + 10/2t =
= k2 (0) + 10(1/2 + 1/22 + 1/23 + · · · + 1/2t
= k2 (0) + 10(1 − 1/2t ) .
En consecuencia, la solución general de la ecuación completa es

[ ]
yt = k1 (0) − 10 × t + k2 (0) + 10(1 − 1/2t ) 2t .
Las constantes k1 (0) y k2 (0) pueden encontrarse con y0 = 100 y y1 = 110,
100 = k1 (0) + k2 (0), 110 = k1 (0) − 10 + (k2 (0) + 5) 2 ,
que dan como solución k1 (0) = 90, k2 (0) = 10. La ecuación de los efectivos de la
población es:
yt = 80 − 10 t + 10 × 2t+1 , t = 0, 1, 2, · · ·
Segundo método.
Para encontrar la solución general de una ecuación lineal completa de segundo orden
nos fijaremos en el término independiente q(t), y según sea, procederemos de una
manera u otra. Los casos más usuales que suelen presentarse son:
Si q(t) = αt , entonces para encontrar la solución de la ecuación completa

probamos con la solución particular βαt (excepto si α es raı́z de la ecuación
caracterı́stica).
Si q(t) es un polinomio de grado n, entonces ensayamos con un polinomio

del mismo grado. Si el 1 es raı́z de la ecuación caracterı́stica, tomaremos un
polinomio de grado n+1, si además tiene grado de multiplicidad γ, probaremos
con un polinomio de grado n + γ.
Si q(t) es seno o coseno de αt, entonces tomaremos β sen αt + γ cos αt y deter-

minaremos los valores de las constantes β y γ.
EJEMPLO 3.6
Hallar la solución general de las ecuaciones en diferencias,
(a) 2yt+2 − yt = 2t
(b) yt+2 − 4yt+1 + 4yt = 3t2
(c) yt+2 − 4yt+1 + 4yt = 2t + 1.
(a) Empezamos resolviendo la ecuación caracterı́stica
1
2λ2 − 1 = 0 ⇒ λ = ±√ ,
2
que nos permite escribir la solución general de la ecuación homogénea

( )t ( )
1 1 t
yth = k1 √ + k2 − √ .
2 2
Ahora, para poder encontrar la solución de la ecuación completa, ensayamos

con la solución particular ytp = β2t . Sustituyendo en la ecuación inicial
2β2t+2 − β2t = 2t ⇒ 2β22 − β = 1 ⇒ β = 1/7 .
La solución general buscada es

( )t ( )t
1 1 1 t
y t = k1 √ + k2 −√ + 2 .
2 2 7
(b) Para el segundo de los casos, es inmediato comprobar que λ = 2 es una raı́z
doble de la ecuación caracterı́stica. En consecuencia, la solución general de la
ecuación homogénea es
yth = k1 2t + k2 t 2t .
Al ser el término independiente un polinomio de segundo grado y el 1 no es
raı́z del polinomio caracterı́stico, probamos con una solución particular del
tipo
ytp = at2 + bt + c ,
llevando este valor en la ecuación en diferencias propuesta, e identificando
coeficientes, se obtiene a = 3, b = 12 y c = 24.
La solución buscada es
yt = k1 2t + k2 t 2t + 3t2 + 12t + 24 .
(c) Al coincidir la ecuación homogénea con la del caso anterior, lo único que tene-
mos que hacer es encontrar una solución particular. Para ello, buscamos una
solución particular de
yt+2 − 4yt+1 + 4yt = 2t ,
y otra de
yt+2 − 4yt+1 + 4yt = 1 .
Para la primera de ellas, al ser λ = 2 una raı́z doble, ensayamos con la solución
yt1 = kt2 2t .
k(t + 2)2 2t+2 − 4k(t + 1)2 2t+1 + 4kt2 2t = 2t ,
que una vez resuelto da k = 1/8.

Para la segunda de las ecuaciones, el término independiente es una constante
(un polinomio de grado cero), y probamos como solución particular con otra
constante, yt2 = k.
k − 4k + 4k = 1 ⇒ k = 1 .
La solución de la ecuación propuesta es
yt = k1 2t + k2 t 2t + 81 t2 2t + 1 .
3.4. Sistemas de ecuaciones en diferencias

Hemos visto en las secciones anteriores que cuando se analizan fenómenos biológicos
dinámicos discretos, aparecen las ecuaciones en diferencias. Del mismo modo, cuando
en estos fenómenos el número de variables es mayor que uno, entonces nos aparecerán
los sistemas de ecuaciones en diferencias.
Como ya hemos tenido ocasión de comentar, el estudio que estamos realizando es
3.4 Sistemas de ecuaciones en diferencias 59
una breve introducción a las ecuaciones y a los sistemas en diferencias. Por este
motivo, solo abordaremos aquellos sistemas de ecuaciones en diferencias lineales y
de primer orden. Además, este tipo de sistemas son los que con más frecuencia se
presentan en las aplicaciones biológicas.
DEFINICIÓN 3.4.1 Un sistema en diferencias lineal con coeficientes constantes

de m ecuaciones y m variables, es una expresión que podemos escribir matricial-
mente de la siguiente manera:
      
1
yt+1 a11 a12 · · · ··· a1m yt1 f1 (t)
y 2   a21 a22 · · · ··· a2m   2  
 t+1     yt   f2 (t) 
 ..  =  .. .. .. .. ..   ..  +  .. 
 .   . . . . .  .   . 
m
yt+1 am1 am2 · · · · · · amm ytm fm (t)
De entre este tipo de sistemas, el caso más elemental (aunque para casos más gene-
rales, el procedimiento a seguir es similar) consiste en dos ecuaciones y dos variables
{ 1
yt+1 = a11 yt1 + a12 yt2 + f1 (t)
2
yt+1 = a21 yt1 + a22 yt2 + f2 (t)
La clave para resolver este tipo de sistemas, es intentar expresarlo como una ecuación
en diferencias lineal de segundo orden con coeficientes constantes. En efecto, de la
primera de las ecuaciones
1 1 2
yt+2 = a11 yt+1 + a12 yt+1 + f1 (t + 1) , (3.15)
sustituimos el valor de la segunda de las ecuaciones del sistema en (3.15)

1 1
( )
yt+2 = a11 yt+1 + a12 a21 yt1 + a22 yt2 + f2 (t) + f1 (t + 1) ,
en la que sólo aparece un término a12 a22 yt2 , en el que no intervenga la función yt1 .
Despejando de la primera de las ecuaciones del sistema
1
a12 yt2 = yt+1 − a11 yt1 − f1 (t) ,
sustituyendo
1
yt+2 1
= a11 yt+1 1
+ a12 a21 yt1 + a22 (yt+1 − a11 yt1 − f1 (t)) + a12 f2 (t) + f1 (t + 1) ,
y sacando factor común, se obtiene finalmente,

1
yt+2 1
= (a11 + a22 )yt+1 + (a12 a21 − a22 a11 )yt1 − a22 f1 (t) + a12 f2 (t) + f1 (t + 1) ,
que es una ecuación en diferencias lineal de segundo orden.

EJEMPLO 3.7
Sean x(t) e y(t) el número de individuos de dos poblaciones de animales en el mes t,

que conviven en un ecosistema en el que realizamos un control cada mes. Supongamos
que inicialmente tenemos x0 = 150 e y0 = 325, y que el desarrollo de la convivencia
está gobernado por el sistema de ecuaciones en diferencias,
{
xt+1 = 3xt − yt + 1
yt+1 = −xt + 2yt + 3
Para encontrar el valor de xt e yt procedemos de la manera siguiente: De la primera

de las ecuaciones
xt+2 = 3xt+1 − yt+1 + 1 ,
sustituimos la segunda de las ecuaciones en la expresión anterior
xt+2 = 3xt+1 − (−xt + 2yt + 3) + 1 = 3xt+1 + xt − 2yt − 2 ,
que sigue dependiendo de yt , pero podemos despejarlo de la primera de las ecuaciones

y sustituir este valor en la ecuación anterior
xt+2 = 3xt+1 + xt − 2(−xt+1 + 3xt + 1) − 2 = 5xt+1 − 5xt − 4 ,
que es una ecuación en diferencias lineal de segundo orden con coeficientes cons-
tantes, que puede ser escrita
xt+2 − 5xt+1 + 5xt = −4 . (3.16)
Es fácil ver que las raı́ces de la ecuación caracterı́stica de su ecuación homogénea

son: √
5± 5
λ= ,
2
dando lugar a la siguiente solución general de la ecuación homogénea
( √ )t ( √ )t
5+ 5 5− 5
x t = k1 + k2 .
2 2
Para encontrar una solución particular de la solución completa, al ser el término

independiente una constante, ensayamos con xt = a. Sustituyendo en (3.16)
a − 5a + 5a = −4 ⇒ a = −4 ,
la solución general de la ecuación completa será

( √ )t ( √ )t
5+ 5 5− 5
xt = k1 + k2 − 4.
2 2
Ahora, tendremos que sustituir en la primera de las ecuaciones del sistema
yt = −xt+1 + 3xt + 1
( √ )t+1 ( √ )t+1 ( √ )t
5+ 5 5− 5 5+ 5
= −k1 − k2 + 4 + 3k1
2 2 2
( √ )t
5− 5
+3k2 − 12 + 1 .
2
( √ ) ( √ )t ( √ ) ( √ )t
1− 5 5+ 5 1+ 5 5− 5
yt = k1 + k2 − 7.
2 2 2 2
Para encontrar los valores de k1 y k2 , imponemos las condiciones iniciales



 150 = k (1 + k√2 −) 4 ( √ )
1− 5 1+ 5

 325 = k1 + k2 − 7 ,
2 2
√
sistema
√ de ecuaciones lineales que tiene por solución k 1 = 77 − 45 5 y k2 = 77 +
5145 5. En consecuencia, la solución particular para estas condiciones iniciales es:
( √ )t ( √ )t
√ 5+ 5 √ 5− 5
xt = (77 − 45 5) + (77 − 51 5) −4
2 2
( √ )t ( √ )t
√ 5+ 5 √ 5− 5
yt = (151 − 61 5) + (166 − 64 5) −7
2 2
EJERCICIOS PROPUESTOS
EJERCICIO 1
1.- Sea la ecuación en diferencias:
yt+2 − yt+1 = 3(yt+1 − yt ) , t = 0, 1, 2, 3 · · · (3.17)
siendo yt el número de individuos de una población en el año t.
Interpretar demográficamente (3.17).

Comprobar que yt = 2 + 5(3t ) es una solución particular de (3.17).
Encontrar la población al cabo de 4 años, sabiendo que y0 = 2, y1 = 4.
2.- En un determinado ecosistema y supuesto que sobre una población no

influyen factores que modifiquen su crecimiento, se observa que, cada
año se duplica el crecimiento del año anterior y se añaden 10 individuos
de fuera. Plantear y resolver la ecuación en diferencias que modeliza la
situación planteada.
3.- Sea yt el número de individuos de una determinada especie de animales

en el tiempo t. Sabiendo que su evolución sigue una relación de la forma,
( )t
1 1
yt+2 − yt+1 = (yt+1 − yt ) + , t = 0, 1, 2, · · · ,
5 5
probar que la población se estabiliza a largo plazo.
4.- Supongamos que si no intervienen factores externos, el incremento del

número de conejos en un mes es la tres cuartas partes del incremento del
mes anterior. Inicialmente el número de conejos es de 10 y al finalizar
el primer mes es de 30, además cada mes se incorporan 25 conejos a la
población. Determinar la población de conejos al finalizar el segundo año
¿Cuál será su comportamiento a largo plazo?
5.- Responder razonadamente a las siguientes cuestiones:
Sea la ecuación en diferencias yt+2 − 2yt+1 + yt = 0, donde yt repre-

senta a la cantidad de individuos en el año t. Si el número inicial de
individuos es 2 y al cabo de un año es 5, ¿cuál será el valor de la
población al cabo de 10 años¿
Encontrar la solución general de la ecuación en diferencias
yt+2 − 2yt+1 + yt = 8
6.- Estamos interesados en un determinado tipo de aves que viven en una

laguna. La dinámica de la población está gobernada por la siguiente ecua-
ción en diferencias,
( )t
1
6xt+2 + xt+1 = xt + , t = 0, 1, 2, · · · (3.18)
5
siendo x0 = 2 y x1 = 5.
Encontrar la solución general de la ecuación en diferencias (3.18)

¿Aumentará esta población a largo plazo¿
7.- La evolución de dos especies que comparten un mismo territorio viene

dada por el sistema de ecuaciones en diferencias,
{
xt+1 = 2xt − 3yt
yt+1 = xt − 2yt
donde xt , yt representan al número de animales de la primera y segunda

especie en el año t ¿‘Cuál es el comportamiento a largo plazo de estas
poblaciones?
3.5. Sistemas dinámicos discretos
3.5.1. Introducción
La teorı́a de sistemas dinámicos es una rama de las Matemáticas que se ocupa del
estudio del movimiento, y proporciona un lenguaje común para la Matemática, la
Biologı́a, la Economı́a, la Fı́sica, la Historia y la Literatura.
En la teorı́a de los sistemas dinámicos, un sistema se define como una colección
de elementos que continuamente interactuan para formar un conjunto unificado. A
las relaciones internas y las conexiones entre los componentes de un sistema se les
llama la estructura del sistema. Un ejemplo de un sistema es un ecosistema. La
estructura de un ecosistema está definida por las relaciones entre la población ani-
mal, nacimientos y muertes, cantidad de comida, y otras variables especı́ficas para
un ecosistema particular.
El término dinámico hace referencia al cambio a lo largo del tiempo. Si algo es
dinámico, es porque se está modificando constantemente. Un sistema dinámico es
aquel en el cual las variables se modifican para producir cambios a lo largo del tiem-
po. La manera por la cual los elementos o las variables de un sistema cambian con el
tiempo se denomina comportamiento del sistema. En el ejemplo del ecosistema,
el comportamiento está descrito por la dinámica que se produce como consecuencia
de los nacimientos y las muertes de la población. El comportamiento está expuesto a
la influencia de comida adicional, los depredadores, y al medio ambiente, los cuales
son todos elementos del sistema.
Los sistemas dinámicos también pueden usarse para analizar, como pequeños cam-
bios en una parte del sistema, pueden afectar al comportamiento del sistema com-
pleto. Si nos referimos al ejemplo del ecosistema, podemos analizar el impacto de la
sequı́a en el ecosistema o analizar el impacto de la eliminación de una determinada
especie animal en el comportamiento del ecosistema completo.
En relación con los sistemas dinámicos discretos, fue H. Poincaré en 1899 el primero
en utilizarlos al intentar simplificar un modelo continuo, pero ha sido en la década
de los cincuenta donde han sido estudiados y aplicados en problemas muy diversos.
En 1976 R. May, analizando el comportamiento de las ecuaciones en diferencias en
el modelo que lleva su nombre, observó que aún para el caso determinista, el modelo
podı́a presentar comportamientos “muy complicados”. En 1963 el meteorólogo E.
Lorentz descubre el caos matemático en un sistema dinámico continuo, presentando
a la comunidad cientı́fica el atractor que lleva su nombre. Poco después, en 1973,
M. Heron estudia el caso discreto, descubriendo un tipo de atractor muy parecido
al de Lorentz. Dos años después, Feigenbaum presentó por primera vez el diagra-
ma de bifurcación correspondiente al modelo logı́stico. Actualmente la teorı́a de las
bifurcaciones es un campo donde se investiga intensamente.
3.5 Sistemas dinámicos discretos 65
3.5.2. Ejemplos de sistemas dinámicos

A continuación estudiaremos algunos ejemplos de sistemas dinámicos discretos:
1.- La ecuación de Malthus. Queremos estudiar la evolución de la población de
una determinada especie. Llamamos xk al número de individuos de la población
en el instante temporal k. Si suponemos que por cada individuo existente en
el perı́odo k habrá, por término medio, α individuos en el perı́odo k + 1, se
tendrá
xk+1 = αxk , k = 0, 1, · · · . (3.19)
Esta ecuación en diferencias lineal de primer orden, es la llamada ecuación
de Malthus, economista y pensador del siglo XIX, propuesta para estimar la
evolución de la población humana.
Si α > 1, es decir, si existe algún crecimiento vegetativo en la población, los
valores de xk crecen en progresión geométrica y se disparan de forma expo-
nencial, razón por la que esta ecuación desató una fuerte polémica entre los
contemporáneos de Malthus, suponiendo la primera llamada de atención sobre
el problema de la sobrepoblación del planeta.
2.- La parábola logı́stica de May. En 1976 el biólogo Robert May formuló otra
ecuación para estudiar el crecimiento de una población de insectos en un eco-
sistema aislado, diferente de la de Malthus. May tuvo en cuenta los efectos
de saturación del ecosistema. Cuando la población se acerca al máximo po-
sible que el medio ambiente puede sustentar, entonces el parámetro α debe
disminuir, lo que equivale a considerar este parámetro función del número de
individuos. Con ello se llega a una ecuación de la forma
xk+1 = α(xk )xk , k = 0, 1, 2, · · ·
Podemos tomar como unidad de medida el máximo posible de la población, de

manera que xk expresa la fracción de población existente en el perı́odo k con
respecto al nivel máximo de población. May formuló la hipótesis de que α(xk )
deberı́a decrecer linealmente cuando xk creciera, hasta hacerse nulo cuando xk
tomara el valor 1. Es decir que α(xk ) fuera de la forma µ(1 − xk ), llegando
ası́ a la ecuación de la parábola logı́stica de May
xk+1 = µ(1 − xk )xk , k = 0, 1, 2, · · · . (3.20)
Observemos que para valores pequeños de xk se tiene 1 − xk ≈ 1, con lo que la

ecuación (3.20) es equivalente a la ecuación de Malthus (3.19) con parámetro
µ.
3.- Modelo matricial. Supongamos que una especie de aves que vive muchos
años, resulta capaz de reproducirse a partir del segundo año de vida y que,
por término medio, cada pareja de aves en edad reproductora crı́a anualmente
una nidada de la que sobreviven dos crı́as, una de cada sexo. Se supone que
a partir del segundo año todas las aves han emparejado. Se suelta una pareja
de aves en una región sin depredadores. ¿Cuál es la ley de evolución para la
población de aves¿.
Ante un problema de esta naturaleza, el primer paso consiste en seleccionar
las variables. Debido a las diferentes condiciones de reproducción, conviene
considerar dos segmentos en la población de aves: las de un año y las de dos o
más. Tomamos como variable x1 (k) el número de parejas adultas en el perı́odo
k. Debido a que existe siempre el mismo número de machos que de hembras,
la población de aves de un año puede también contarse por el número x2 (k)
de parejas que pueden formarse entre ellas. Se tienen entonces las siguientes
relaciones: {
x1 (k + 1) = x1 (k) + x2 (k)
x2 (k + 1) = x1 (k)
que pueden escribirse en forma matricial como
( ) ( )( )
x1 (k + 1) 1 1 x1 (k)
=
x2 (k + 1) 1 0 x2 (k)
3.5.3. Conceptos de dinámica discreta

Un sistema dinámico discreto es simplemente, desde un punto de vista matemático,
una ecuación en diferencias de la forma
xk+1 = f (xk ) , k = 0, 1, 2, · · ·
donde f es una aplicación f : X → X definida en cierto conjunto X, que recibe

el nombre de espacio de fases o espacio de los estados. Salvo que digamos
lo contrario, siempre consideraremos funciones f suficientemente suaves, es decir,
con derivadas continuas de todos los órdenes necesarios. Ası́, por ejemplo, cuando se
quiere traducir un problema como los descritos en el apartado anterior al lenguaje de
los sistemas dinámicos, se empieza por determinar el espacio de fases del problema
que no es sino un conjunto cuyos elementos describen todos los posibles estados del
sistema que se trata de analizar.
En el modelo de Malthus se podrı́a considerar como espacio de los estados el

conjunto de los números reales no negativos (no son posibles poblaciones con un
número negativo de individuos). Cuando el espacio de fases de un sistema es R
o algún subconjunto de R se trata de un sistema dinámico unidimensional
En el ejemplo la parábola logı́stica de May, donde se estudia una única variable,

que es la fracción de población con respecto a la máxima población posible,
un espacio de fases adecuado es X = [0, 1]
En el caso de la población de aves, el estado del sistema se describe a través

de dos variables de estado x1 (k) e x2 (k) por lo que el espacio de los estados
adecuado es un conjunto X ⊂ R2 , el de todos los pares de números enteros

no negativos. En sistemas más complejos, se hacen necesarias más variables
para describir completamente el estado del sistema, por lo que IRm , o un sub-
conjunto de IRm , es un espacio de fases adecuado para muchos problemas. Por
ejemplo, en mecánica se requieren 10 variables para describir completamente
una partı́cula: tres para fijar su posición espacial, otras seis para conocer su
velocidad y aceleración y una más para determinar su masa.
Las variables que describen un sistema, se llaman variables de estado. Se agrupan
en un vector, que se conoce como vector de estado, y que almacena la información
completa acerca del estado del sistema. El espacio de fases es entonces el conjunto
de todos los posibles vectores de estado del sistema.
La ecuación de un sistema dinámico puede interpretarse de la siguiente forma: si el
sistema adopta en un instante k un estado descrito a través de un cierto elemento
xk ∈ X, entonces en el instante k + 1 el estado del sistema será xk+1 . La aplicación
f representa por consiguiente la ley de evolución del sistema dinámico que
transforma cada estado en el siguiente estado que el sistema adopta.
Si el sistema se encuentra en un estado inicial x0 , su evolución temporal corresponde
a la sucesión x0 , x1 , x2 , · · · , también llamada solución con condición inicial x0 .
Se obtiene recursivamente
x1 = f (x0 ), x2 = f (x1 ) = f 2 (x0 ),
y en general
xk = f k (x0 ) .
La expresión f k (x), es la solución general o flujo de los sistemas dinámicos
discretos. Permite conocer el estado del sistema en cualquier instante a partir de
su posición inicial. El conjunto de valores
{x, f (x), f 2 (x), f 3 (x), · · · , }
recibe el nombre de órbita de x, (se diferencia de la solución x, f (x), f 2 (x), · · · en

que ésta última es una sucesión ordenada cuyos términos son los elementos de la
órbita).
Es fácil realizar el siguiente experimento: marquemos un número en una calculadora,
por ejemplo 0.25, y pulsemos de forma reiterativa la tecla 10x , con lo cual obtendre-
mos la órbita correspondiente,
0.25
0.25, 100.25 , 1010 , ···
Si continuamos con este proceso la calculadora nos dará un mensaje de error. La

causa de este comportamiento es que la órbita tiende a infinito. Si repetimos el
proceso tomando como semilla cualquier número y como función el seno o el coseno,
observaremos que en este caso las órbitas son convergentes.
EJEMPLO 3.8
Puede comprobarse fácilmente que la ecuación de Malthus admite por solución gene-
ral la expresión
Φx (k) = αk x
El comportamiento de esta expresión es sencillo de comprender. Si x > 0 entonces


 0 si 0<α<1



lı́m αk x = x si α=1
k→∞ 




+∞ si α>1
Menos sencillo resulta el problema de encontrar una fórmula explı́cita para el proble-
ma de las aves. Se obtiene
( ) ( )k ( )
x1 (k) 1 1 x1 (0)
=
x2 (k) 1 0 x2 (0)
Si calculamos las sucesivas potencias de la matriz, nos aparece un hecho curioso como
es la aparición en estas matrices de los célebres números de Fibonacci 1, 1, 2, 3, 5, 8,....
Para el modelo de May la situación es más complicada, como tendremos ocasión de

comprobar cuando estudiemos los modelos discretos no lineales. Podemos encontrar
las primeras iteraciones de la solución general f k (x) y nos convenceremos de la
enorme complicación de los cálculos involucrados. Ello nos ayuda a comprender la
imposibilidad de obtener expresiones explı́citas para las soluciones generales de los
sistemas dinámicos no lineales (modelo de May), cuya conducta se pueda entender
de forma global, como sucede en el caso (lineal) de la ecuación de Malthus.
El campo de aplicaciones de los sistemas dinámicos discretos unidimensionales es

muy amplio, y en los últimos años continúan aumentando. A continuación mostra-
mos algunas de ellas.
En Matemáticas para la resolución numérica de ecuaciones. Recorde-
mos que el método del punto fijo nos permite encontrar la raı́z de una ecuación
f (x) = 0. El proceso se inicia reescribiendo la ecuación como g(x) = x, se toma
un valor x0 próximo a la solución buscada, y se reitera el proceso xk+1 = g(xk ).
Si la órbita correspondiente
{x0 , x1 = g(x0 ), x2 = g(x1 ) = g(g(x0 )), · · · , } ,
converge a cierto valor x∗ , entonces el método es convergente.
Recordemos que gráficamente el punto fijo g(x∗ ) = x∗ se encuentra como la
intersección de la función g(x) con la bisectriz del primer cuadrante.
Elaboración de modelos matemáticos. Por ejemplo, el modelo logı́stico

(del francés logis = alojamiento), que suele ser el punto de partida de los
sistemas dinámicos unidimensionales,
xk+1 = µxk (1 − xk ) , k = 0, 1, 2, · · · , (3.21)
se puede obtener de la manera siguiente: Supongamos que x0 es la población

relativa inicial, esto es, el cociente entre la población inicial y la población
máxima que puede soportar el habitat. Sea xk la población relativa al cabo de
k años El crecimiento relativo de la población en cada año será
xk+1 − xk
,
xk
que según las hipótesis de Verhulst (1845), es proporcional a 1 − xk . Es decir,

xk+1 − xk
= α(1 − xk ) ,
xk
despejando
xk+1 = xk + α(1 − xk )xk = xk (1 + α)(1 − xk ) .
Si llamamos µ = 1 + α, entonces obtenemos la expresión (3.21)
Resolución numérica de ecuaciones diferenciales. Sea la ecuación dife-

rencial
dx
x′ (t) = = f (x) ,
dt
que podemos expresarla como
x(t + dt) − x(t) = f (x)dt .
Si sustituimos dt por un valor numérico h, obtenemos
xk+1 − xk = hf (xk ) ⇒ xk+1 = xk + hf (xk ) ,
tomando h suficientemente pequeño, podemos entonces dibujar la solución que

pasa por un punto inicial dado.
3.5.4. Modelos dinámicos discretos lineales.

En general, obtener la expresión explı́cita de la solución general f k (x) es bastante
complicado. Con ayuda de un ordenador podemos conseguir numéricamente cuan-
tas iteraciones deseemos en esa expresión, pero esto no resulta en general de mucha
ayuda para entender la conducta global del sistema. Un instrumento que resulta en
muchas ocasiones adecuado en el caso de sistemas unidimensionales es el análisis
gráfico, a través del llamado diagrama de Cobweb.
Supongamos una árida isla cerca de la costa de un rico continente. Estamos interesa-
dos en una especie particular de pájaros que anidan en estas islas. Desgraciadamente
el habitat de la isla es muy desfavorable ya que si los pájaros estuvieran aislados su
población disminuirı́a un 20 % cada año. Esta situación podemos reflejarla utilizando
el modelo de Malthus (exponencial)
xk+1 = 0.80xk , k = 0, 1, 2, · · · ,
donde xk es la población de pájaros en el tiempo k. Hay una colonia de pájaros en
el continente y cada año 1000 pájaros emigran a nuestra isla. Entonces, el cambio
de población en la isla puede ser descrito por el modelo
xk+1 = 0.80xk + 1000 , k = 0, 1, 2, · · · .
Observemos que el modelo es lineal en el sentido de que la función f (x) = 0.80x +
1000 representa a una lı́nea recta.
Ahora descubriremos y probaremos un teorema sobre sistemas dinámicos lineales
discretos, que corresponden al tipo
xk+1 = mxk + b , k = 0, 1, 2, · · · ,
donde m y b son constantes. Recordemos que los sistemas dinámicos discretos están
descritos por una ecuación de la forma
xk+1 = f (xk ) , k = 0, 1, 2, · · · .
En el caso particular de sistemas dinámicos discretos lineales, la función f es del tipo
f (x) = mx + b, y estamos interesados en puntos de equilibrio del sistema dinámico
discreto. Aquellos puntos x tales que f (x) = x. Estos puntos se llaman de equilibrio
porque si un término es uno de estos puntos, cada sucesión de términos siguientes
permanece en el mismo punto. De esta manera decimos que el sistema se encuentra
en equilibrio. Es inmediato comprobar el siguiente resultado.
RESULTADO 3.5.1 Si m no vale 1 entonces hay un único punto de equilibrio
b
x∗ =
1−m
Los modelos dinámicos discretos pueden comportarse de manera sorprendente. Al-
gunas veces una sucesión obtenida del sistema dinámico lineal discreto tiende direc-
tamente al punto de equilibrio. En otras ocasiones saltan alrededor de él, con saltos
cada vez más pequeños hasta tender al punto de equilibrio. O por el contrario los
saltos son cada vez más grandes y no tienden al punto de equilibrio.
Nuestro objetivo es formular y probar un teorema que nos determine cuando ocu-
rre cada una de estas clases de comportamiento. Comenzamos la construcción del
diagrama de Cobweb dibujando las gráficas
f (x) = mx + b , g(x) = x
Dibujamos el punto x1 en el eje OX. A continuación marcamos el valor f (x1 ) = x2 y

obtenemos el punto (x1 , x2 ). El próximo paso es trazar una lı́nea horizontal desde el
punto (x1 , x2 ) hasta que corte a la recta g(x) = x en el punto (x2 , x2 ). Calculamos
x3 = f (x2 ) y repetimos sucesivamente este proceso.
1000
800
600
400
200
200 400 600 800 1000
Figura 3.9: Diagrama de Cobweb.

Observemos en la Figura 3.9 que en este caso “la red de araña” nos lleva al punto de
equilibrio. En la Figura 3.10 hemos representado en el eje de abscisas el tiempo y en
el eje de ordenadas el número de individuos. Puede verse que si el tiempo aumenta la
población tiende al punto de equilibrio. Se trata por tanto de un punto de equilibrio
estable.
800
700
600
500
400
300
5 10 15 20
Figura 3.10: Punto de equilibrio estable.
EJEMPLO 3.9
Vamos a calcular y dibujar x2 , x3 , · · · , para el modelo xk+1 = 0.80xk + 1000 y el
valor inicial x0 = 500.
El modelo anterior podemos escribirlo como
xk+1 = f (xk ) , k = 0, 1, 2, · · · ,
donde f (x) = 0.80x + 1000. Esta es una buena manera de representar a nuestro
modelo porque la función f (x) nos describe como la población, en cada año está de-
terminada por la población en el año anterior.
Los dos gráficos f (x) = 0.8x + 1000 y g(x) = x se cortan en el punto x∗ = 5000.
Este punto se llama punto de equilibrio ya que la población en los próximos años
será la misma que la población actual.
f (5000) = 0.8 × 5000 + 1000 = 5000
Podemos encontrar este valor también de manera algebraica
f (x) = x ⇒ x = 0.8x + 1000 ⇒ x = 5000
6000
5000
4000
3000
2000
1000
1000 2000 3000 4000 5000 6000
Figura 3.11: Estudio del punto de equilibrio.
La Figura 3.11 nos muestra como determinamos gráficamente el punto de equilibrio.
A continuación nos centraremos en la clasificación de los puntos de equilibrio o en el

análisis de la estabilidad. En el análisis de la evolución de poblaciones el problema
principal es:
Evaluar la estabilidad de la población usando modelos matemáticos.
Examinar los efectos de diferentes factores sobre la estabilidad de la población.
Hemos tenido ocasión de ver que en los sistemas dinámicos lineales discretos, el
punto de equilibrio
b
x∗ = ,
1−m
en algunas ocasiones es un punto de equilibrio atractivo, (aquel que a largo

plazo los términos xk tienden al x∗ cuando k tiende a ∞), y otras veces es un
punto de equilibrio repulsivo, (aquel donde xk tiende a mas o menos infinito).
A continuación presentamos un teorema que nos permitirá determinar cuando un
punto de equilibrio es atractivo o repulsivo.
TEOREMA 3.5.2 Sea el sistema dinámico lineal discreto
xk = f (xk−1 ) , f (x) = mx + b
con m ̸= 1. Sea x∗ = b/(1 − m) el punto de equilibrio,
si |m| < 1 entonces x∗ es atractivo, en el sentido de que para cualquier condi-

ción inicial x0
lı́m xk = x∗
k→∞
si |m| > 1, entonces x∗ es repelente, y al menos que x0 = x∗ se cumple
lı́m |xk | = ∞ .
k→∞
Demostración. Comenzamos calculando el valor de xk
x2 = mx1 + b
x3 = mx2 + b = m2 x1 + b(m + 1)
x4 = mx3 + b = m(m2 x1 + b(1 + m)) + b = m3 x1 + b(1 + m + m2 )
···
∑
k−2
xk = m x1 + b(1 + m + m + · · · + m ) = m x1 + b
k−1 2 k−2 k−1
mj .
j=0
Si suponemos que |m| < 1 entonces al hacer que k tienda a infinito
lı́m mk−1 x1 = 0 .
k→∞
Por otro lado,

∑
k−2 ∑
∞
1
k
lı́m m = mj = ,
k→∞
j=0 j=0
1−m
por ser la suma de los infinitos términos de una progresión geométrica de razón
|m| < 1. Por lo tanto,
b
lı́m xk = = x∗ .
k→∞ 1−m
∑
k−2
Por un razonamiento similar, si |m| > 1 se cumple que m k−1
x1 y mj no están
j=0
acotados cuando k → ∞.
3.5.5. Modelos dinámicos discretos no lineales

Para un sistema de la forma
xk+1 = f (xk ), k = 0, 1, 2, · · · , (3.22)
donde ahora la función f no es lineal, la situación es diferente a lo estudiado en

la sección anterior. Lo que debemos tener en cuenta, es que pueden existir muchos
puntos de equilibrio. En el caso lineal el tipo de punto de equilibrio nos lo daba el
parámetro m de la recta. En el caso no lineal el carácter de cada punto está deter-
minado por la pendiente de la curva f (x) en el punto x∗ , y sabemos que este valor
puede determinarse por la derivada de la función f en el punto x∗ .
TEOREMA 3.5.3 Consideremos el sistema dinámico (3.22) siendo x∗ un punto

de equilibrio f (x∗ ) = x∗ . Entonces
si |f ′ (x∗ )| < 1 el punto de equilibrio es atractivo, en el sentido de que si x0
está suficientemente cerca de x∗ entonces
lı́m xk = x∗ .
k→∞
Algunas veces a un equilibrio de esta caracterı́sticas se le dice equilibrio estable, ya

que si el sistema se mueve ligeramente del punto de equilibrio, al final retorna al
mismo.
EJEMPLO 3.10
Consideremos el sistema dinámico discreto no lineal de May
xk+1 = αxk (1 − xk ) , α > 0, k = 0, 1, 2 · · · .
1.- Encontrar los puntos de equilibrio y clasificarlos.

2.- Sea α = 2.5 y x0 = 0.1. Utilizando el diagrama de Cowbew. clasificar el punto
de equilibrio del sistema.
3.- Repetir el proceso para α = 3.3, 3.55
4.- Cuando α aumenta de 3 a 4 ¿observas algún cambio en el tipo de soluciones
obtenidas¿.
• Empezamos encontrando los puntos de equilibrio. En este caso la función f

no lineal que nos define el modelo es
f (x) = αx(1 − x) .
Por tanto, tendremos que resolver la ecuación f (x) = x, que tiene por solucio-
nes,
1
x∗ = 0, x∗ = 1 − .
α
Para clasificar estos puntos de equilibrio, tenemos que hacer uso del Teorema
3.5.3. La derivada de la función f (x) vale f ′ (x) = α − 2αx. Por tanto, el
primero de los puntos es asintóticamente estable si
|f ′ (0)| = |α| < 1 ⇒ 0 < α < 1.
En cuanto al segundo, será estable si
( )
′ 1
f 1 − = |2 − α| < 1 ⇒ 1 < α < 3.
α
• Si consideramos el modelo no lineal f (x) = 2.5x(1 − x) y como semilla o va-

lor inicial x0 = 0.8, podemos encontrar su órbita haciendo uso del software
Mathematicar .
Empezamos definiendo la función,
f[k ][x ] := k ∗ x ∗ (1 − x)
posteriormente, encontramos los puntos de equilibrio
NSolve[p[2.5][x] == x, x]
{{x→ 0, x→ 0.6 }} y finalmente la órbita
NestList[p[2.5], 0.8, 25]
{{ 0.8, 0.4, 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6 0.6
0.6 0.6 0.6 0.6 0.6 0.6 0.6 }}
En consecuencia, x∗ = 0.6 es un punto de equilibrio estable. Podemos com-
probarlo si dibujamos su diagrama de Cobweb.
iters = NestList[p[2.5], 0.8, 20]

gi = ListPlot[Partition[Flatten[Transpose[{iters,
iters}]], 2, 1], PlotJoined → True, DisplayFunction
→ Identity]
fg = Plot[{x, p[0.5][x]}, {x, 0, 1},
PlotStyle → {RGBColor[1, 0, 0], RGBColor[0, 0, 1]},
DisplayFunction → Identity]
Show[fg, gi, AspectRatio ->1, DisplayFunction →
DisplayFunction]
Obteniéndose como respuesta

0.8
1
0.7
0.8
0.6
0.6
0.4
0.5
0.2
0.2 0.4 0.6 0.8 1 5 10 15 20
Figura 3.12: Diagrama de Cobweb para f (x) = 2.5x(1 − x) y x0 = 0.8.

• Ahora, consideramos el diagrama de Cobweb para f (x) = 3.3 x (1 − x) y
x0 = 0.8. Los primeros 25 elementos de su órbita son:
{ 0.8, 0.52799, 0.82241, 0.48196, 0.82392, 0.47873, 0.82350, 0.47963, 0.82363,
0.47936, 0.82359, 0.47944, 0.82360, 0.47942, 0.82360, 0.47942, 0.82360, 0.47946,
0.82360, 0.47942, 0.82360, 0.47942, 0.82360, 0.47942, 0.82360, 0.47942 } .
Es decir, en este caso la población tiene un comportamiento periódico de orden
dos tendiendo a los valores x∗1 ≈ 0.4794270 y x∗2 ≈ 0.823603.
1 0.8
0.8
0.75
0.7
0.6
0.65
0.4
0.6
0.2 0.55
5 10 15 20
0.2 0.4 0.6 0.8 1
Figura 3.13: Diagrama de Cobweb para f (x) = 3.3 x (1 − x) y x0 = 0.8.

• Repitiendo los cálculos para f (x) = 3.5 x (1−x) y x0 = 0.8, se obtiene la órbita:
{{ 0.8, 0.559999, 0.8624, 0.41533, 0.84990, 0.44647, 0.86497, 0.40878, 0.84587,
0.45628, 0.86831, 0.40021, 0.84014, 0.47004, 0.87185 , 0.391, 0.83343, 0.48587,
0.87430, 0.38464, 0.82842 } } .
La población se comporta de manera periódica de orden 4.
0.8
0.8
0.7
0.6
0.6
0.4
0.5
0.2
0.2 0.4 0.6 0.8 1 5 10 15 20
Figura 3.14: Diagrama de Cobweb para f (x) = 3.5 x (1 − x) y x0 = 0.8.

• Por último, si consideramos f (x) = 4 x 81 − x) y x0 = 0, 8, ahora la población

se comporta caóticamente.
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.2 0.4 0.6 0.8 1 5 10 15 20 25 30
Figura 3.15: Diagrama de Cobweb para f (x) = 4 x (1 − x) y x0 = 0.8.
Tendremos ocasión de volver sobre este ejercicio cuando estudiemos los sistemas
caóticos.
3.5.6. Puntos de equilibrio y periódicos.

En esta sección trataremos de sistematizar y formalizar los resultados obtenidos en
las secciones anteriores, para estudiar los puntos de equilibrio y periódicos de un
sistema dinámico discreto unidimensional.
Dado un sistema dinámico
xk+1 = f (xk ), f :X →X,
se dice que x∗ ∈ X es un punto de equilibrio del sistema si f (x∗ ) = x∗ . Si x∗ es un
punto de equilibrio, la solución cuya condición inicial es x0 = x∗ cumple f k (x0 ) = x∗ .
Esto significa que los puntos de equilibrio son estados fijos: una vez el sistema entra
en ellos, permanece invariable en todos los instantes futuros.
Los puntos de equilibrio se clasifican según el comportamiento de las soluciones
con condiciones iniciales cercanas a ellos, en puntos de equilibrio atractivos,
repulsivos e indiferentes. En lo que sigue, consideraremos el siguiente sistema
dinámico unidimensional
xk+1 = f (xk ), f : X ⊂ IR −→ IR
Puntos de equilibrio atractivos. Sea x∗ un punto de equilibrio de xk+1 =
f (xk ). Se dice que x∗ es atractivo si |f ′ (x∗ )| < 1
Puntos de equilibrio repulsivos. Sea x∗ un punto de equilibrio de xk+1 =
f (xk ). Se dice que x∗ es repulsivo si |f ′ (x∗ )| > 1
Puntos de equilibrio indiferentes. Sea x∗ un punto de equilibrio de xk+1 =
f (xk ). Se dice que x∗ es indiferente si |f ′ (x∗ )| = 1
Puntos cı́clicos. Se dice que x∗ es un punto periódico o cı́clico del sistema

dinámico xk+1 = f (xk ), si existe un n tal que f n (x∗ ) = x∗ . Un punto es
periódico si su órbita se “cierra vuelve a comenzar por su valor inicial. El
2
mı́nimo entero k tal que f k (x∗ ) = x∗ , se llama orden del punto periódico.
En tal caso la órbita
{x∗ , f (x∗ ), f 2 (x∗ ), · · · , f k−1 (x∗ )}
recibe el nombre de perı́odo o ciclo de orden k.
3.5.7. Estabilidad
Un punto de equilibrio de un sistema dinámico representa un estado fijo del sistema.
Ahora bien, no todos los estados de equilibrio tienen la misma naturaleza.
Figura 3.16: Tipos de estabilidad.
Si se deja rodar una bola en el cuenco de una copa, terminará deteniéndose en el

centro de la misma. Si se desplaza la bola ligeramente de su posición de equilibrio,
retornará a ella. Este es un equilibrio robusto frente a perturbaciones, conocido como
equilibrio asintóticamente estable. Los puntos de equilibrio atractivos presen-
tan esta forma de equilibrio.
La forma de equilibrio opuesta es el equilibrio inestable, representado por una pe-
lota en el borde del tejado: basta una ligera perturbación para romper el equilibrio.
Los puntos de equilibrio repulsivos presentan este tipo de equilibrio. Finalmente
existe una forma intermedia de equilibrio, técnicamente conocido como equilibrio
estable. Este se halla representado por un péndulo sin rozamiento en posición de
reposo. Si se somete al péndulo a una pequeña perturbación, éste permanecerá os-

cilando indefinidamente en torno a la posición de equilibrio, sin alejarse mucho de
ella, pero sin retornar a ella de forma definitiva.
EJEMPLO 3.11
Comprobemos que el origen es un punto de equilibrio estable para el sistema dinámi-

co xk+1 = f (xk ) si f (x) = −x.
Es evidente que x∗ = 0 es solución de la ecuación f (x) = x, por lo tanto, es un
punto de equilibrio. Para comprobar que su equilibrio es estable, perturbamos este
valor tomando x0 = 0.5. La Figura 3.17 muestra que la órbita sólo toma los valores
−0.5 y 0.5.
0.4
1
0.2
0.5
5 10 15 20
-1 -0.5 0.5 1
-0.2
-0.5
-0.4
-1
Figura 3.17: Diagrama de Cobweb.
3.5.8. Sistemas caóticos

En el Ejemplo 3.10 hemos tenido ocasión de comprobar que sistemas o modelos
muy simples, pueden pasar de tener un comportamiento determinı́stico a un com-
portamiento caótico, modificando ligeramente los valores de un parámetro. En esta
sección formalizaremos este concepto.
La teorı́a del caos fue introducida en ecologı́a por May (974, 1976) y Oster (1976) en
el contexto de funciones reales de variable real está siendo estudiada con intensidad
en los últimos años y aparece en casi todos los modelos discretos no lineales.
Figura 3.18: Mariposa o atractor de Lorentz.

Lo primero que nos llama la atención es el hecho de que vivimos inmersos en el caos.
De manera usual, llamamos caos a todo aquello que no somos capaces de
sistematizar.
El primer investigador del caos fue un meteorólogo llamado Edward Lorentz. En
1960 utilizaba un modelo matemático para predecir el tiempo, que consistı́a en un
sistema de 12 ecuaciones no lineales. La simulación se realizaba con un ordenador,
que daba como respuesta un comportamiento probable de la atmósfera. En cierta
ocasión, quiso repetir de nuevo los cálculos anteriores, para ello volvió a introdu-
cir los números en el ordenador, pero para ahorrar papel y tiempo, solo utilizó 3
números decimales en vez de 6. Lo sorprendente fue que el resultado encontrado era
totalmente diferente a los obtenidos en la vez anterior. Del análisis de esta situación
surgió una nueva teorı́a que se conoce con el nombre de la teorı́a del caos.
Lo verdaderamente interesante era que diferencias muy pequeñas en las condiciones
iniciales tenı́an una gran influencia en la resolución final del problema. A este efecto
que tienen las pequeñas diferencias iniciales después se le dio el nombre de efecto
mariposa:
“El movimiento de una simple ala de mariposa hoy produce un diminuto

cambio en el estado de la atmósfera. Después de un cierto perı́odo de tiem-
po, el comportamiento de la atmósfera diverge del que deberı́a haber tenido.
Ası́ que, en un perı́odo de un mes, un tornado que habrı́a devastado la costa
de Indonesia no se forma.”
Como podemos comprender, este descubrimiento causó en Lorentz un gran impac-
to, ya que según esta nueva hipótesis, no serı́a posible predecir con exactitud el
comportamiento de cualquier sistema, pues todas las medidas se ven afectadas por
los errores de calibración de los instrumentos. Es imposible, por tanto, conocer las
condiciones iniciales exactas de la mayorı́a de los sistemas dinámicos. Afortunada-
mente, Lorentz se dio cuenta de que las soluciones del sistema que parecı́an tener un
comportamiento hecho totalmente al azar, después de verlas representadas en una

gráfica sucedı́a algo sorprendente. El resultado siempre ocupaba una determinada
región del espacio, y tenı́a forma de una espiral doble.
Figura 3.19: Atractor de Lorentz.
Antes de la aparición de esta nueva teorı́a, sólo habı́a dos tipos de comportamientos
conocidos para un sistema dinámico: un estado fijo, donde los variables nunca cam-
bian, y el comportamiento periódico, donde el sistema está en un “circuito cerrado”
y se repite infinitamente. Las soluciones del sistema de Lorentz son definitivamente
ordenadas (siguen una espiral). Nunca se paran en un punto, ni se repiten, ni son
periódicas. A su representación gráfica se la conoce con el nombre Atractor de Lo-
rentz1 . Estas gráficas deben cumplir otra condición: no puede cortarse a sı́ misma
ya que, si ası́ fuese, habrı́a dos curvas diferentes a partir de ese punto de corte, lo
cual significarı́a dos realidades simultáneas y diferentes.
Una curva de estas caracterı́sticas no puede estar contenida en un plano, y por su-
puesto su dimensión es fraccionaria. Este tipo de atractores reciben el nombre de
atractores extraños, ya que su representación gráfica es un fractal. Queremos
insistir en la idea fundamental que encierra el concepto de atractor, como es la
siguiente: mientras es casi imposible predecir exactamente el estado futuro de un
sistema, es posible, y aún más, muchas veces es fácil modelar el comportamiento
general del sistema.
A continuación, resumimos algunos de los rasgos caracterı́sticos de los sistemas caóti-
cos.
Son muy sensitivos a las condiciones iniciales. Un cambio muy pequeño en los
datos iniciales dan lugar a resultados totalmente diferentes.
1
El atractor es la región del espacio hacia la cual convergen las trayectorias posibles dentro de
un sistema.
Parecen un desorden, o hechos al azar, pero no lo son, hay reglas que determi-
nan su comportamiento. Los sistemas hechos al azar no son caóticos.
Supongamos una órbita periódica del sistema dinámico discreto xt+1 = f (xt ). Si
tomamos como semilla, o condición inicial x0 , podemos elegir otro punto inicial
muy próximo al anterior y0 = x0 + δ0 , siendo |δ0 | la distancia (pequeña) entre estos
dos puntos de partida. A continuación iteramos la función n veces obteniéndose los
valores xn y yn . Podemos definir δn = yn − xn , esto es, la separación de los dos
puntos iniciales después de n itereaciones. Si ocurre que |δn | ≃ |δ0 |enλ , entonces este
valor de λ se le conoce con el nombre de exponente de Lyapunov, y despejandolo
de la expresión anterior nos permite dar su definición,
( )
1 δn
λ = ln
n δ0
Puede probarse que el exponente de Lyapunov de una órbita puede calcularse como,
1∑
n−1
λ = lı́m ln|f ′ (xk )|
n→∞ n
k=0
si existe este lı́mite.

Observemos que el cálculo de λ nos sirve para detectar la presencia de caos, ya que si
este parámetro es positivo entonces estaremos ante su presencia, ya que esto indica
que el sistema es muy sensible a las condiciones iniciales.
3.5.9. Diagramas de bifurcación

Podemos preguntarnos si la teorı́a del caos puede ser utilizada para estudiar el
comportamiento de ciertos sistemas dinámicos biológicos. En efecto, la ecuación en
diferencias
xt+1 = µ xt (1 − xt ) , t = 0, 1, 2, · · ·
donde xt es la fracción de la población en el tiempo t, es una fórmula que hemos

tenido ocasión de trabajar repetidamente con ella. Se trata de la curva logı́stica,
utilizada para estudiar la evolución de poblaciones en ecologı́a.
Hemos visto en el Ejemplo 3.10 que al variar el valor del parámetro µ, el sistema
puede tender a un solo punto de equilibrio, a dos, a cuatro, · · · , o bien presentar un
comportamiento caótico.
Figura 3.20: Diagrama de bifurcación del modelo de May.

Su diagrama de bifurcación se obtiene dibujando en el eje de abscisas los valores del
parámetro µ y en el eje de ordenadas los valores a los que tiende el sistema. Por
ejemplo si µ = 2.5 entonces xt → 0.6, o bien, en el caso µ = 3.3 entonces xt →
0.823 y xt → 0.479. La Figura 3.20 representa la gráfica obtenida. Si seleccionamos
cualquiera de las zonas del diagrama de bifurcación de la Figura 10.12 y la ampliamos
obtenemos la Figura 3.21. Podemos comprobar una de las propiedades que definen
a un objeto fractal, como es la autosemejanza.
Figura 3.21: Autosemejanza del diagrama de bifurcación.

El diagrama de bifurcación tiene propiedades importantes. Entre ellas presentamos
la siguiente: sabemos que a medida que aumentamos el valor del µ el perı́odo se va
duplicando.
Tabla 3.1
La Tabla 3.1 muestra algunos de estos valores, y además los cocientes entre la
amplitud de un intervalo y el inmediatamente anterior, por ejemplo (3.5441 −
3.4495)/(3.4495 − 3). Lo llamativo de este hecho, es que los cocientes tienden al
número transcendente:
4.669201609110299067185532038204662016...
que se conoce con el nombre de constante de Feigembaun. Es un problema abierto
el estudiar la importancia que este número juega en la naturaleza. Se piensa que
puede tener un protagonismo similar al número e.
Las aplicaciones de la teorı́a del caos son múltiples y en campos muy diversos, en
Biologı́a, en Economı́a, en Medicina,... etc. Hasta ahora parecı́a que al estallar el caos
no serı́amos capaces de hacer nada, por ejemplo, si el avión empieza a moverse de
una manera extraña pensamos que la catástrofe es inevitable; o bien, si el corazón
empieza a latir rápidamente y sin ayuda inmediata puede ocurrir lo peor. En los
últimos años, en el campo de la Medicina, las investigaciones actuales, nos ofrecen
esperanzas de “domesticar” el caos. Edward Ott, Ceslo Grebogi (fı́sicos) y James A.
Yorke (matemático) han elaborado un algoritmo matemático que permite convertir
un determinado tipo de caos en un proceso periódico sencillo. La idea que encierra
el algoritmo, es que no es necesario comprender todo el movimiento caótico para
poderlo regular. Lo que tenemos que hacer es “mirar” continuamente a que dirección
tiende el proceso, y realizar perturbaciones pequeñas para volver a dirigirlo en el
camino deseado. Naturalmente aquı́ no se termina de vigilar el sistema, porque
después el caos aparecerá de nuevo. Por otro lado, el profesor A. Garfinkel de la
Universidad de California, ha conseguido transformar el movimiento caótico de un
corazón sacado a un conejo en un movimiento regular.
3.5.10. Modelos discretos con retardo

Hasta ahora en todos los modelos discretos estudiados hemos supuesto que cada
miembro de la especie en el tiempo k contribuye al crecimiento de la población para
el tiempo k + 1 de la siguiente manera:
xk+1 = f (xk ) , k = 0, 1, 2, · · · .
Esto ocurre, por ejemplo en la mayorı́a de poblaciones de insectos, pero no para
otros muchos animales, donde son fértiles en una época muy concreta del año. En
tales casos, para analizar la dinámica del modelo, hemos de incorporar el efecto
del retardo, que en cierta manera viene a jugar un papel parecido al estudio que
realizamos de la población por estructura de edades. Si el retardo (por ejemplo, la
madurez), es de un paso T , entonces nos aparece el siguiente modelo de ecuaciones
en diferencias
xk+1 = f (xk , xk−T ) , k = 0, 1, 2, · · · .
Por ejemplo, se sabe que para cierto tipo de población de ballenas, el retardo T es
del orden de varios años.
A continuación analizaremos un caso concreto con el objetivo de realizar un análisis

de la estabilidad del modelo.
EJEMPLO 3.12
Supongamos
xk+1 = f (xk , xk−1 ) = xk er(1−xk−1 ) ; r > 0, k = 1, 2, 3, · · · . (3.23)
Sus puntos de equilibrio se encuentra resolviendo la ecuación f (x) = x, siendo

f (x) = xer(1−x) . Las soluciones son x∗ = 0 y x∗ = 1.
Si estamos interesados en clasificar el estado de equilibrio no trivial, supongamos
que xk = 1 + vk con |vk | ≪ 1. Sustituimos en (3.23), utilizamos et ≈ 1 + t
1 + vk+1 = (1 + vk )e−rvk−1 ≈ (1 + vk )(1 − rvk−1 ) ,
y simplificando, obtenemos la siguiente ecuación en diferencias
vk+1 − vk + rvk−1 = 0 . (3.24)
Para resolverla, tenemos que encontrar las raı́ces de la ecuación caracterı́stica

 √

 λ1 = 12 + 2
1−4r
si r < 14
λ −λ+r =0 ⇒
2
 √
 λ = 1 − 1−4r si r < 1
2 2 2 4
Cuando r > 1/4 las raı́ces son dos números complejos conjugados: λ1 = ρeiθ y
λ2 = ρe−iθ , donde
√ √
ρ = 14 + 4r−14 = r
√ √
4r−1/2
θ = arctan 1/2 = arctan 4r − 1
La solución de (3.24) será:

vk = Aλk1 + Bλk2 ,
donde A y B son constantes arbitrarias.
1.- Si 0 < r < 1/4, entonces λ1 y λ2 son dos números reales comprendidos es-
trictamente entre cero y uno. En consecuencia, si k tiende a infinito λk1 y λk2
tienden a cero.
Conclusión: El punto de equilibrio x∗ = 1 será estable. Además, después de
una pequeña perturbación la solución tiende de forma monótona al punto de
equilibrio. Puede verse gráficamente en la Figura 3.22 (izquierda).
Figura 3.22: Soluciones de la ecuación en diferencias con retardo. Izquierda

r = 0.2, A = 0.1e1.26t ; derecha: r = 1.02, A = 0.1e1.26t .
2.- Si 1/4 < r, entonces λ1 y λ2 son dos números complejos conjugados, con
λ1 λ2 = |λ1 |2 = ρ2 = r. Además, si 1/4 < r < 1, entonces para que la solución
vk = Aλk1 + B λ̄k1 ,
sea un número real, debe suceder que B = Ā . Supongamos entonces que
A = α eiγ y B = α e−iγ , llevando estos valores en la solución
vk = Aλk1 + B λ̄k1 = α eiγ ρk eiθk + α e−iγ ρk e−iθk =
( )
αρk ei(γ+θk) + e−i(γ+θk) = 2αρk cos (γ + θk) ,
y por lo tanto,
√ cuando el parámetro r tiende a uno, entonces el ángulo θ tiende
hacia arctan 3 = π/3.
(b1) Cuando r sea mayor que uno, entonces |λ1 | > 1 y vk crece indefinidamente
al tender k hacia infinito. En consecuencia x∗ = 1 será un punto de equilibrio
inestable.
Figura 3.23: Soluciones de la ecuación en diferencias con retardo. Izquierda:

r = 1.1, A = 0.1e1.26t ; derecha: r = 1.4, A = 0.1e1.26t .
(b2) Para valores de r próximos a uno, el ángulo θ ≈ π/3, y

( π )
vk ≈ 2α cos γ + k ,
3
que es una función periódica de orden 6. En las Figuras 3.22 (derecha) y 3.23,
hemos representado las soluciones u(k) para tres valores de r mayores de uno.
En la Figura 10.14 (derecha) puede apreciarse que es periódica de periodo 6.
En la Figura 10.15 puede verse que se está cerca del caos.
EJERCICIO 2
1.- Sea xt el número de individuos de una determinada especie de animales

en el tiempo t. Se sabe que año tras año sobreviven la tercera parte de
los animales y además se incorporan 200 a la población.
Construir un modelo discreto lineal para la situación planteada.

Calcular los seis primeros términos de las órbitas correspondientes
a las semillas: x0 = 90 , x0 = 600 .
Construir los diagramas de Cobweb del apartado anterior, e inter-
pretar biológicamente los resultados obtenidos.
2.- Sea Nt la población de ardillas en el año t. Es conocido que la población en

un año cualquiera disminuye en un 40 % de la población del año anterior,
y que además siempre se incorporan 20 ardillas del exterior.
Construir el modelo discreto y dibujar su diagrama de cobweb para

los valores iniciales N0 = 10 y N0 = 80. Interpretar el resultado.
Encontrar la población de ardillas Nt para un año cualquiera, sa-
biendo que inicialmente hay 15 ardillas.
Relacionar los resultados obtenidos en los dos apartados anteriores.
3.- Si sobre una población no influyen factores que modifiquen el crecimiento,

se observa que,
yt+1 − yt = t , t = 0, 1, 2, 3 · · · ,
siendo yt el número de individuos en el tiempo t.
Explicar el significado “biológico”de la ecuación anterior

Resuelve la ecuación en diferencias anterior.
4.- La evolución de una población xt viene determinada por el siguiente mo-

delo discreto exponencial con inmigración y emigración,
xt+1 = (1 + r)xt − µ , t = 0, 1, 2, · · ·
siendo el parámetro positivo µ la diferencia entre el número de personas

que entran y las que salen, el parámetro r la tasa de crecimiento de la
población, y x0 el número inicial de individuos.
Estudiar el comportamiento a largo plazo del modelo según los dife-

rentes valores del parámetro r.
Comprueba el resultado anterior por medio del diagrama de Cob-
web, para r = 0.2 y µ = 10.
5.- Contestar de forma razonada a las siguientes cuestiones:

Un modelo discreto frecuentemente utilizado para estudiar la dinámi-
ca de una población de insectos es el modelo de Ricker, que viene
definido por la ecuación en diferencias:
( xk )
r 1−
xk+1 = xk e α , r, α ∈ IR+ , k = 0, 1, 2, 3, · · · .
Encontrar y clasificar los puntos de equilibrio no triviales.

En el modelo logı́stico discreto:
xk+1 = 2.5xk (1 − xk ) , k = 0, 1, 2, 3, · · · .
Encontrar los cinco primeros términos de la órbita correspondiente a
la semilla x0 = 0.8 y dibujar su diagrama de Cobweb correspondiente.
Analizar el resultado.
6.- La siguiente ecuación en diferencias describe la población de ardillas en

años sucesivos,
xt+1 = x3t − 3x2t − 3xt + a , t = 0, 1, 2, 3, ··· .
siendo a un parámetros positivo y xt el número de ardillas en el año t .
Encuentra el valor del parámetro a sabiendo que existe un punto de
equilibrio en x∗ = 2
Clasificar los puntos de equilibrios que tienen sentido biológico para
conocer el comportamiento a largo plazo de la población.
7.- Calcular y clasificar los puntos de equilibrio para el modelo discreto:

λ N (t) k
N (t + 1) = , k > 0, λ > 1, t = 0, 1, · · · ,
N (t)(λ − 1) + k
donde N (t) representa a la población en el perı́odo t.
8.- Responder a las siguientes cuestiones:
La ecuación:
xt+1 = λxt (1 + axt )−b , t = 0, 1, 2, · · ·
donde λ, a, b > 0 es utilizada frecuentemente como un modelo de
crecimiento de poblaciones que dependen de la densidad de dicha
población.
Encontrar los puntos de equilibrio del modelo anterior, y probar que
x∗ = 0 es un punto de equilibrio estable si λ < 1.
En el modelo logı́stico discreto:
xt+1 = 3xt (1 − xt ) , t = 0, 1, 2, 3, · · · .
Encontrar los cinco primeros términos de la órbita correspondiente a

la semilla x0 = 0.3 y dibujar el diagrama de Cobweb correspondiente.
9.- Muchas poblaciones de insectos se rigen por el siguiente modelo
λ 1−b
f (Nt ) = Nt+1 = N , α, b, λ > 0 , t = 0, 1, 2 · · · (3.25)
α t
donde λ representa a la tasa reproductiva (λ > 1) y Nt−b /α es la fracción

de la población que sobreviven desde la infancia a la edad adulta re-
productiva. Encontrar los puntos de equilibrio del modelo y clasificarlos.
10.- Encontrar y clasificar los puntos de equilibrio del siguiente modelo dis-
creto:
kxt
xt+1 = , k > a > 0,
a + xt
donde xt representa al número de individuos de una población en el tiem-
po t ¿‘Cuál será el comportamiento de la población a largo plazo, si
k = 30, a = 10 y x0 = 15 individuos?
11.- Sea Nt el número de individuos de una población en el tiempo t. Si la

evolución de Nt queda definida por la siguiente ecuación en diferencias
1( )
Nt+1 = f (Nt ) = −Nt3 + Nt2 + 4Nt − 1
3
Encontrar y clasificar los puntos de equilibrio del modelo para discutir la

evolución a largo plazo de la población según los distintos valores de N0 .
12.- La siguiente ecuación en diferencias:

α xt
xt+1 = , α,β > 0, xt ≥ 0 ,
1 + β xt
fue propuesta por Kaplan & Glais en 1995 y juega un papel muy importante
en análisis de modelos no lineales genéticos y en redes neuronales.
Encontrar y analizar los puntos de equilibrio

Sea α = β = 1. Dibujar de forma aproximada el diagrama en telaraña
(cobweb) tomando como semilla x0 = 4.
3.6. Ejemplo de sistema dinámico: la Geometrı́a

Fractal
“La geometrı́a Fractal cambiará a fondo su visión de las cosas. Seguir le-
yendo es peligroso. Se arriesga a perder definitivamente la imagen inofen-
siva que tiene de nubes, bosques, galaxias, hojas, plumas, flores, rocas,
montañas, tapices, y de muchas otras cosas. Jamás volverá a recuperar
las interpretaciones de todos estos objetos que hasta ahora le eran fami-
liares.”
Con estas rotundas palabras inicia el profesor Michael Barnsley su famoso libro
sobre fractales. En efecto, una vez que conocemos esta nueva geometrı́a es difı́cil
contemplar la naturaleza, y el mundo que nos rodea, con los mismos ojos. La geo-
metrı́a fractal, no sólo es interesante por la belleza de las imágenes que crea, sino que
en la actualidad es difı́cil encontrar una rama de conocimiento donde los fractales
no estén presentes.
El significado de la palabra Matemática es “lo que se aprende”, pero en el fondo de
su filosofı́a se encuentra la búsqueda de patrones. En un principio, nuestros antepasa-
dos observaban los fenómenos naturales, como los eclipses, con verdadero terror. No
podı́an entender cómo repentinamente el sol desaparecı́a del cielo y la más terrible
oscuridad se cernı́a sobre ellos. Tenı́an que buscar explicaciones y al no encontrarlas,
le atribuyeron a estos fenómenos naturales un carácter divino. Sin embargo, el po-
der del razonamiento de nuestra especie se impuso y algunos matemáticos griegos se
dieron cuenta que la naturaleza estaba regida por leyes que eran necesarias conocer.
La búsqueda de estos patrones ha sido lenta, larga y complicada. Se inició con Hi-
parco, continuó con el modelo heliocéntrico de Aristóteles y Ptolomeo, fue revisado
y mejorado por Copérnico y Galileo, posteriormente formalizado por Newton y mo-
dificado por Einstein. Lo importante es comprender que no es necesario recurrir a
los dioses para entender los fenómenos naturales. Nuestro universo, se rige por unas
leyes muy precisas y los cientı́ficos, los matemáticos entre ellos, se ocupan de descu-
brirlas.
En la larga búsqueda de estos patrones, los matemáticos griegos encontraron una
geometrı́a que representaba perfectamente al orden y lo regular . Apoyándose en
la herencia de las matemáticas egipcias y babilonias, los griegos construyeron los
cimientos de nuestras matemáticas actuales, con la invención de unas matemáticas
basadas en definiciones, axiomas, teoremas y demostraciones.
Desconocemos gran parte de la vida de Euclides, aunque la repercusión de su obra,
en especial Los Elementos, ha sido crucial para la humanidad. Con la invención de
la imprenta el libro de texto más reeditado ha sido la Biblia y a continuación Los
Elementos, con más de mil ediciones. Los Elementos son 13 libros donde se reco-
ge, estructura y organiza todo el saber conocido, especialmente en Geometrı́a y en
Teorı́a de Números.
3.6 Ejemplo de sistema dinámico: la Geometrı́a Fractal 91
Figura 3.24: Euclides, Galileo y Laplace

Los cuatros primeros axiomas son de enunciado muy simple que tienen que ver con
puntos y rectas, mientras que el quinto es largo y complicado, conocido como el
axioma de las paralelas. A pesar de la controversia que este último postulado ha
generado en la historia de las matemáticas, en el siglo XX se pudo demostrar que
no puede deducirse del resto de los axiomas.
Esta geometrı́a, que se conoce con el nombre de euclı́dea, es ideal para representar
a todos aquellos objetos construidos por el hombre. Está basada en puntos, rectas
y planos que pueden describirse y manipularse mediante ecuaciones. A propósito
de ello, a principios del XVII el gran cientı́fico Galileo comentaba en uno de sus
trabajos:
“La filosofı́a está escrita en ese gran libro que es el Universo, siempre
abierto ante nuestros ojos, pero imposible de leer salvo que uno apren-
da a comprender el idioma en que está escrito. Ese idioma es el de
la matemáticas, y sus caracteres son triángulos, cı́rculos y otras figuras
geométricas · · · ”
Uno de sus rasgos más significativo de la geometrı́a euclı́dea es que a estos objetos se
le puede asignar un número, conocido como su dimensión topológica, que sólo puede
tomar valores enteros. De esta manera, un punto no tiene tamaño, su dimensión es
cero, una recta tiene dimensión uno, un plano dimensión dos, y ası́ sucesivamente.
Otra caracterı́stica de los objetos que representa la geometrı́a euclı́dea es que cuando
se amplı́an tienden a perder la forma que tienen inicialmente. Si se aumenta sucesi-
vamente una parte de una circunferencia al final adopta la forma de una recta y no
de una circunferencia.
Sin embargo, Galileo no estaba en lo cierto. Existen otros objetos y situaciones que
no son regulares o que son caóticos, ¿qué pasa con ellos¿, ¿cómo pueden ser repre-
sentados y manipulados¿Empecemos fijándonos en los sistemas caóticos. El caos es
una apasionante teorı́a, surgida en los últimos años, que ocupa a un elevado número
de cientı́ficos, con la esperanza de simplificar fenómenos complejos. Hasta finales del
siglo XIX se creı́a que todo nuestro entorno estaba regido por leyes determinista.
Los cientı́ficos estaban convencidos de que nuestro mundo era predecible, estable
y se podı́a conocer completamente. De hecho Laplace se inventó un personaje, el

demonio de Laplace, con tal poder que si conociera todas las leyes de la naturaleza
y, en un instante dado, la velocidad y posición de todas las partı́culas de un sistema,
entonces serı́a capaz de predecir con exactitud el comportamiento pasado y futuro
del sistema. Pensemos en la amplitud de esta afirmación, puesto que este personaje
podrı́a conocer el más pequeño movimiento de una persona que viviera en el futuro.
Puro determinismo, todo estarı́a escrito y no quedarı́a lugar para la improvisación.
Frente a esta posición tan inquietante, se encuentran las teorı́as cientı́ficas del siglo
XX, en especial la mecánica cuántica, donde el principio de incertidumbre de Hei-
senberg afirma que es imposible determinar simultáneamente la posición y velocidad
de una partı́cula. Teniendo en cuenta la naturaleza de nuestro universo, ninguna
longitud menor de 1.6 ∗ 10−33 centı́metros, ninguna masa inferior a 2.2 ∗ 10−5 gra-
mos, ninguna duración menor de 5. ∗ 10−44 segundos puede existir. Por tanto, ¿cómo
puede pretender el demonio de Laplace predecir el futuro, cuando es imposible medir
exactamente la posición y velocidad de una sola partı́cula¿
En la naturaleza existen muy pocos fenómenos tales que, el resultado al aplicar-
les una acción es proporcional a la causa que lo ha originado. En estos casos, el
fenómeno se puede describir linealmente. Por desgracia, la mayorı́a de los fenóme-
nos son no-lineales, y su estudio se hace terriblemente complicado ya que no pueden
utilizarse las técnicas de resolución clásicas. De entrada suele ser imposible resolver
de forma exacta las ecuaciones que los describen, siendo necesario utilizar el ordena-
dor y hacer uso de métodos aproximados, pero la estabilidad de estas soluciones no
puede asegurarse. De hecho, pequeñas variaciones en los datos inı́ciales dan lugar a
soluciones muy diferentes del problema. Es lo que se conoce con el nombre de efecto
mariposa, y es una caracterı́stica básica de los sistemas caóticos.
¿Pero qué relación existe entre los fractales y el caos¿La respuesta está en que la
geometrı́a fractal es la herramienta ideal para describir y estudiar a los sistemas
dinámicos caóticos que se encuentran en la naturaleza.
Figura 3.25: Atractor de Lorentz

Un ejemplo tı́pico de sistema caótico es el clima. En 1963 Edward Lorenz presentó un

modelo climático, basado en la interrelación entre la temperatura, la presión y la
velocidad del viento, titulado “puede el aleteo de una mariposa en Brasil provocar
un tornado en Texas” que se convirtió en un artı́culo básico de la teorı́a del caos. El
objetivo básico del trabajo era mostrar que el comportamiento de este modelo del
clima era muy sensible a las condiciones inı́ciales, y además que la representación
gráfica de la soluciones del modelo era una figura tridimensional, llamada atractor
extraño, en forma de mariposa. Si se amplı́a alguna de las zonas de la mariposa de
Lorenz se obtiene otra figura que es muy similar a la inicial. Es decir, la figura tiene
estructura fractal.
En 1972 el matemático J. Yorke divulgó el trabajo de Lorenz, que habı́a pasado
desapercibido para la comunidad cientı́fica. Al mismo tiempo, el biólogo R. May
descubrió, que un modelo muy simple como es el logı́stico, que describe cómo evo-
luciona una población de animales, predice que la población a largo plazo puede
estabilizarse en un número, ó comportarse de manera periódica, o bien tener un
comportamiento caótico. Todo este rango de soluciones distintas se puede obtener
con tan sólo variar el valor de un parámetro. Es decir, modelos simples pueden tener
comportamientos muy complicados.
Insistimos en que en los sistemas caóticos un ligero cambio en las condiciones inı́cia-
les, a largo plazo, implica un comportamiento totalmente distinto del modelo. Pero
por lo visto anteriormente, es imposible medir con total precisión ninguna variable,
es decir, y según esta teorı́a, aunque mejore la capacidad de cálculo de los orde-
nadores, será imposible predecir a largo plazo el comportamiento del sistema, en
particular el meteorológico.
3.6.1. Antecendentes históricos

Como se ha comentado, los matemáticos podı́an abordar con ciertas garantı́as de
éxito todos aquellos problemas relacionados con ”lo regular ”lo lineal”. +Qué pasa
2
entonces con lo irregular¿

Los fractales se presentaron, a mediados del siglo XX, como una nueva herramienta
de trabajo con el objetivo de poder analizar y modelizar los objetos irregulares de
la naturaleza. En realidad existen aplicaciones y conceptos que son anteriores a esta
fecha y que aparecieron con otros objetivos y en contextos distintos. Richard Bentley
en el siglo XVII escribió:
“· · · no hemos de creer que las orillas del mar sean realmente defor-
mes por no tener la forma de un baluarte regular; que las montañas no
son exactamente como conos o pirámides, ni las estrellas están situadas
desmañadamente por no estar a una distancia uniforme · · · “
En 1875 el matemático Reymond llamó la atención a la comunidad cientı́fica de

una extraña función propuesta por Riemann que podı́a dibujarse sin levantar el
lápiz del papel (era continua) pero que estaba llena de irregularidades (no tiene
derivada en ninguno de sus puntos). Esto era algo que aborrecı́an el resto de sus
compañeros. Sin embargo, a pesar de lo extraño de esta función, lo sorprendente
es que su gráfica representa muy bien a fenómenos de la vida cotidiana, como por
ejemplo las cotizaciones en bolsa de las acciones de un banco español.
Figura 3.26: La función de Riemann.
Eran tiempos de crisis en los fundamentos de las matemáticas y rápidamente muchos

matemáticos, Cantor, Peano, Lebesgue, Hausdorff, Besicovitch, Koch, entre otros,
investigaron sobre este tipo de funciones. Sin embargo, para analizar estas estructu-
ras eran necesarias unas “nuevas matemáticas” puesto que no encajaban dentro de
la geometrı́a euclı́dea.
Aparecieron curvas como la de Hilbert que eran capaces “de llenar” todo un cua-
drado, o un cubo. Pero esto daba lugar a la siguiente paradoja: una curva, según
la geometrı́a euclı́dea, debı́a tener dimensión uno, pero al “llenar” todo el espacio
tendrı́a dimensión dos en el caso del cuadrado y tres en el del cubo.
Figura 3.27: La curva de Hilbert.
Estas nuevas extrañas estructuras fueron bautizadas por el gran matemático francés
Poincaré como “monstruos matemáticos”, curvas que estaban en contra de toda
intuición.
La comunidad matemática focalizó todo su esfuerzo en estudiar estas funciones llenas
de irregularidades, hasta tal punto que el famoso matemático Hermite dirigió una
carta a su buen amigo Stieljes diciendo, “ · · · abandono con espanto y horror esta
lamentable plaga de funciones sin derivada · · · ”. En este mismo sentido Poincaré co-
mentaba “ · · · cuando uno inventaba una nueva función, estaba en vista de alguna
meta conveniente; ahora se inventan intencionalmente para poner los defectos de los
razonamientos de nuestros padres”.
Hay que esperar hasta mediados del siglo XX con la aparición de Norbert Wiener
cuando, analizando el movimiento bowniano de las partı́culas, construye un modelo
matemático totalmente irregular. En este trabajo aparece por primera vez la palabra
caos. En la introducción del trabajo comenta:
“La geometrı́a de la naturaleza es caótica y está mal representada por el

orden perfecto de la geometrı́a euclı́dea o el cálculo diferencial de Newton
···”
Como hemos tenido oportunidad de ver, en el ambiente se respiraba la necesidad

de acometer urgentemente y de una manera más detallada el estudio de los objetos
irregulares. Esta labor la desarrolló, en torno al 1975, el matemático Benoit Mandel-
broit. Las siguientes palabras, en la lı́nea de las pronunciadas por Bentley y Wiener,
dieron origen al inicio de la geometrı́a fractal tal y como hoy en dı́a la entendemos:
“Las nubes no son esferas, las montañas no son conos, las costas no son
cı́rculos, como la corteza de un árbol no es plana ni un rayo viaja en
lı́nea recta, · · · La naturaleza no solamente exhibe un grado mayor sino
también un nivel diferente de complejidad ”
En la actualidad, matemáticos como Barnsley, Devanay, Hubbarc y Sullivan, es-

tudian los fractales tanto desde el punto de vista teórico como el aplicado. Desde
finales de los años 70 y con la ayuda de potentes ordenadores, los fractales han
estado presentes en la investigación matemática.
3.6.2. La geometrı́a fractal.

La palabra fractal la acuñó Mandelbrot, procede del adjetivo latino fractus, y puede
traducirse como fragmentado e irregular. Los fractales son objetos matemáticos que
se sitúan en el campo de la teorı́a geométrica de la medida cuya definición exacta
está por establecer.
Es muy difı́cil dar una definición exacta de un fractal, puesto que requiere de un
nivel muy elevado de abstracción. Por otro lado, el número de sus aplicaciones es tan
enorme y en materias tan distintas, que según sea la disciplina a estudiar ofrecerá una
definición u otra. Evidentemente la definición propuesta por un artista no será igual
a la de un matemático.
Existe un gran consenso en que bajo el nombre de fractales se incluyen aquellos
objetos matemáticos con los mismos rasgos, si bien la definición concreta no es
aplicable a todos ellos. Por este motivo, la mejor manera de poderlos describir es
señalando una serie de propiedades que tienen en común.
Tienen el mismo aspecto a cualquier escala de observación.
Tienen longitud infinita.
No son diferenciable. Esto es, están lleno de irregularidades.
Tienen dimensión no entera.

Para comprender mejor algunas de estas propiedades, vamos a centrarnos en un tipo
concreto de fractales, los llamados deterministicos o matemáticos, que se obtienen
a través de la iteración infinita de un proceso geométrico bien especificado.
El proceso geométrico suele ser de enunciado muy simple pero que al final da lugar
a una estructura compleja, obtenida mediante la repetición infinita del proceso. En
este tipo de fractales, es muy evidente la propiedad de autosemejanza, ya que una
pequeña sección del fractal puede ser vista como una réplica a menor escala de todo
el objeto.
Figura 3.28: El fractal de Cantor.

El conjunto de Cantor es un clásico fractal matemático que se obtiene de la siguiente
manera: se parte de un segmento unitario, se divide en tres partes y se elimina la
parte central. Cada uno de los dos nuevos segmentos de longitud un tercio se divide
en tres partes y se vuelve a quitar el segmento central, y ası́ sucesivamente.
Figura 3.29: El fractal de Cantor en 3D.

Después de infinitos pasos se obtiene un conjunto que recibe el nombre de polvo
de Cantor, debido a que la longitud de los segmentos en cada una de las sucesivas
etapas tiende a cero. De hecho el número de puntos del conjunto es infinito y sin
embargo su longitud total es cero.
Observemos que el mismo procedimiento, de iterar de forma infinita un proceso

geométrico concreto, puede aplicarse a un cubo en lugar de a un segmento. En la
figura puede apreciarse su aspecto después de 1, 2 y 3 iteraciones.
Una de las caracterı́sticas básicas de las matemáticas es la capacidad de aplicación
de los conceptos teóricos introducidos. El conjunto de Cantor se inventó estudiando
un problema muy complicado, resuelto hace pocos años, conocido con el nombre de
la hipótesis del continuo. De entrada da la impresión que poco tiene que ver este
conjunto con nuestra vida cotidiana, pero eso no es ası́.
En efecto, la información circula de ordenador a ordenador a través de las lı́neas
telefónicas, pero este tráfico se ve afectado por un ruido de fondo que se produce
en la transmisión. Hace unos años, los ingenieros informáticos se enfrentaban al
problema de eliminar o mitigar este ruido y no lograban encontrar un método para
ello, puesto que el ruido aparecı́a sin un patrón fijo, parecı́a producirse de una manera
aleatoria. Mandelbrot, tuvo noticias del problema y empezó dividiendo el tiempo en
perı́odos de dı́as, posteriormente en horas, y de esta manera encontró una hora que
no tenı́a errores. Posteriormente dividió la hora que contenı́a errores en perı́odos de
media hora y de nuevo apareció un intervalo con error y otro sin error. Es decir,
la secuencia de los errores seguı́a el mismo patrón que el conjunto de Cantor. Con
esta información, basada en este patrón de comportamiento, los ingenieros pudieron
construir filtros electrónicos que mejoraron la calidad de la transmisión. El conjunto
de Cantor también se utiliza como modelo matemático para analizar la estructura
de los anillos de Saturno, o el espectro de algunas moléculas orgánicas.
Otro fractal matemático importante es el conocido con el nombre de triangulo de
Sierpinski. Su método de construcción es muy sencillo puesto que se parte de un
triángulo, tal y como aparece en la figura,
Figura 3.30: Triángulo de Sierpinski
se unen los puntos medios de sus tres lados y se elimina el triángulo central. Tenemos
ahora tres triángulos y en cada uno de ellos se aplica el procedimiento descrito en el
triángulo inicial. Se reitera este proceso geométrico hasta el infinito, y el conjunto
teórico que se obtiene es el triángulo de Sierpinski.
Por supuesto que el mismo razonamiento puede aplicarse a un cuadrado, o a un
cubo, en lugar del triángulo. En este caso, el conjunto obtenido se llama la alfombra
de Sierpinski, y tiene la sorprendente particularidad de que el área (o el volumen en
el caso del cubo) de esta alfombra es cero. Es decir, una maravillosa alfombra que
nunca estarı́a sucia ya que no podrı́a acumular polvo, al carecer de área.
Figura 3.31: Alfombra de Sierpinski.

Al igual que hemos comentado en el fractal anterior, también este conjunto está pre-
sente en nuestra vida diaria. Se encuentra con frecuencia en los diseños más variados,
como por ejemplo, una alfombra, o bien en las antenas receptoras de nuestros teléfo-
nos móviles.
Figura 3.32: Aplicaciones del fractal de Sierpinski.

Para terminar con los ejemplos de fractales matemáticos presentamos al conocido
con el nombre de copo de nieve o curva de Koch. Se obtiene tomando un triángulo
equilátero, cada uno de sus lados se divide en tres partes, y se sustituye el segmento
central por dos segmentos de la misma longitud en forma de triángulo equilátero.
En la figura puede apreciarse las primeras iteraciones del proceso.
Figura 3.33: Curva de Koch.

En teorı́a, al ser el proceso infinito, el resultado que se obtiene es una figura tre-
mendamente compleja e irregular, que tiene área finita, siendo su perı́metro una
poligonal de longitud infinita. Una variante del copo de nieve de Koch se utiliza
como forma básica para diseñar el corte de un pulmón, o para mejorar la forma de
una costa.
Como hemos tenido oportunidad de ver en estos ejemplos de fractales, la potencia de
la geometrı́a fractal radica en la posibilidad de construir una estructura geométrica
muy complicada a través de un proceso muy simple. Por esta razón, es especialmente
útil para modelizar los fenómenos naturales donde la complejidad de su estructura
viene originada por la repetición de procesos muy sencillos. Como tendremos oca-
sión de comprobar, ésta es una de las caracterı́sticas más destacada de los fractales,
objetos de tremenda complejidad pero que sin embargo para su descripción y su

construcción requieren de muy poca información.
El ordenador, con su potencia de cálculo, ha sido el culpable del gran auge que
ha experimentado en los últimos años la geometrı́a fractal. Recordemos que la idea
básica de los fractales está en la iteración, la repetición infinita de un proceso simple,
y para esta tarea nada mejor que el ordenador, teniendo además la posibilidad de
representaciones gráficas cada vez más precisas.
Los fractales matemáticos que hemos introducido, los lineales, son demasiados per-
fectos para poder representar a los objetos de la naturaleza, como la hoja de un
árbol o el rayo. Por tal motivo se introducirán más adelante los fractales no lineales
entre los que se encuentran los obtenidos por un algoritmo de escape.
3.6.3. Autosemejanza
“ · · · un naturalista observa que una pulga tenı́a pequeñas pulgas en ella
y éstas a su vez otras más pequeñas que las mordı́an. Ası́ se procede hasta
el infinito.
De esta manera tan sencilla el escritor Jonathan Swift describe el concepto de au-
tosimilitud. La autosemejanza o autosimilitud es una de las caracterı́sticas de los
objetos fractales, por la cual una de estas imágenes puede ser descompuesta en tro-
zos más pequeños cada uno de los cuales es idéntico al objeto completo.
Existe una definición matemática más precisa que puede simplificarse diciendo que
la autosemejanza es una transformación que conserva la forma y las proporciones,
pero que puede variar en tamaño, posición y orientación. Lo importante es que ca-
da uno de los trozos se obtenga de la estructura completa a través de las mismas
transformaciones.
Figura 3.34: Autosemejanza del conjunto de Cantor.
Se puede realizar el siguiente experimento: se toma la curva de Koch y se sacan

cuatro fotocopias con un factor de reducción de 1/3, posteriormente se pegan y se
obtendrá la curva original. Para ello, lo importante es que cada una de estas cuatro
copias tenga el mismo factor de reducción.
No pensemos que el concepto de autosemejanza es una idea novedosa, en realidad
habı́a sido estudiada por muchos cientı́ficos en siglos anteriores, Leibniz entre ellos,
cuando propuso esta hermosa idea sobre la estructura del universo. Una gota de
agua contenı́a todo un universo, que a su vez contenı́a gotas de agua más pequeñas;
cada una de estas pequeñas gotas encerraba a su vez un universo que tenı́a en su
interior otras gotas de agua, todavı́a más pequeñas y ası́ sucesivamente.
En la naturaleza es fácil encontrarse con esta propiedad, por ejemplo la coliflor o el
brócoli la posee. Si tomamos un trozo podemos observar que ésta ramita es idéntica
a la coliflor completa. Esta misma experiencia podemos hacerla con la hoja de un
helecho, o en mucho más diferente como es el sistema vascular.
Figura 3.35: Autosemejanza en la naturaleza.

Pero tenemos que ser muy cuidadoso a la hora de hablar de fractales ya que serı́a un
error creer que todas las estructuras geométricas que tengan la propiedad de auto-
semejanza tienen que ser un fractal. Pensemos en una lı́nea recta o en un cuadrado,
es claro que tienen la propiedad de autosemejanza pero son figuras regulares y por
lo tanto no son fractales
3.6.4. El conjunto de Mandelbrot

El conjunto de Mandelbrot es un ejemplo perfecto de un sistema dinámico discreto
en el conjunto de los númeos complejos.
Aunque en la actualidad un gran número de personas se han acercado a la geometrı́a
fractal por la belleza de las imágenes que genera existen otras razones, tanto ma-
temáticas como su amplio campo de aplicación, que justifican el estudio y la atención
a este tipo de estructuras. Como ejemplo de belleza y complejidad se encuentra el
mundialmente famoso fractal de Mandelbrot.
Benoit Mandelbrot nació en Polonia en 1924, se le considera el padre de la geometrı́a
fractal y su aplicación a la elaboración de modelos que representan a los elemen-
tos de la naturaleza. A causa de la segunda guerra mundial emigró, en un primer
momento a Francia en 1936 para estudiar con su célebre tı́o, el matemático Szolem
Mandelbrot, y posteriormente a Estados Unidos al Instituto de Estudios Avanzados
de Princenton, siendo el último alumno de doctorado del famoso matemático John
von Neuman. En 1955 regresó a Francia, al Centro Nacional de Investigaciones Ma-
temáticas, donde permaneció muy poco tiempo ajeno al tipo de matemáticas que el
grupo Bourbaki elaboraba en ese momento. Afortunadamente recabó en New York
en la empresa IBM formando parte de su centro de investigación Watson Research
Center, donde encontró el ambiente y las herramientas adecuadas para poner en

prácticas sus numerosas ideas.
En 1945 su tı́o Szolem le entregó un manuscrito escrito por el matemático francés
Gaston Maurice Juliá donde se estudiaba desde un punto muy teórico la iteración de
funciones racionales. Mandelbrot se enfrentó al mismo problema pero desde un pun-
to de vista geométrico. Sus resultados dieron lugar al primer trabajo sobre fractales
que llevó por tı́tulo “Les objets fractals, forn hasard et dimensión” y fue completado
en 1982 con la aparición de su célebre libro “La geometrı́a fractal de la naturaleza”.
Figura 3.36: Benoit Mandelbrot.
Para construir el conjunto de Mandelbrot es necesario trabajar con pares de números

reales, llamados números complejos, cuya representación gráfica son los puntos del
plano, por ejemplo el punto (3, 2). Con estos números complejos se puede operar de
forma similar a como se hace con números reales, se pueden sumar, multiplicar,, etc.
Además de estos números es necesaria una fórmula, que no tiene que ser complicada,
en el caso que nos ocupa es z 2 + c, donde c es un número complejo fijo.
A partir de un valor inicial de z0 = 0 (llamado semilla) se eleva al cuadrado y
se le suma el número c obteniéndose el número z1 . Ahora repetimos el proceso
y obtenemos otro número complejo z2 , y ası́ sucesivamente. De esta forma se ha
conseguido una sucesión de números
{z0 , z1 , z2 , z3 , · · · , zn , · · · , }
que recibe el nombre de órbita. Si todos los elementos de este conjunto de puntos
permanecen a menos de dos unidades del origen de coordenadas, entonces el punto
c, pertenecerá al conjunto de Mandelbrot, si la distancia es mayor de dos unidades c
no formará parte del conjunto. Es decir, el conjunto de Mandelbrot es el conjunto de
puntos cuyas órbitas generadas por la fórmula anterior nunca escapan de un cı́rculo
centrado en el origen de radio dos.
La genial idea de Mandelbrot, que pudo hacer porque la tecnologı́a estaba a punto,
fue la de pintar en color negro los puntos del conjunto de Mandelbrot y en blanco
los que estaban fuera. Después de un largo tiempo de espera el resultado obtenido
es el que puede apreciarse en la figura.
Por supuesto que una vez conocido el proceso, éste puede ser mejorado. Cuando los
números no pertenezcan al conjunto de Mandelbrot (el exterior del fractal) entonces
se le asignará un algoritmo de color, consistente en asociar colores diferentes a cada
punto, de acuerdo a ”la rapidez”del incremento de la órbita. Por ejemplo, si la
sucesión se incrementa lentamente, entonces la semilla se puede pintar de color azul,
por el contrario si crece más rápidamente, tendrá un color amarillo, naranja o verde
en función de la velocidad de este crecimiento. Los primeros que utilizaron esta
técnica fueron Peiten y Ritchter.
A mediados de los años 80, A. Douady y J.H. Hubbard probaron que este conjunto
y su complementario son conexos. Es decir, de un solo trozo, aunque al ampliar la
frontera del conjunto de la sensación de lo contrario. Debido a que siempre hemos
estado acostumbrado a lo regular a las estructuras representadas por la geometrı́a
2
euclı́dea, al analizar la frontera de este fractal, percibimos que es un tipo de curva

que desafı́a nuestra capacidad de entendimiento, puesto que cuanto más cerca se
mire más se ramifica.
Figura 3.37: Autosemejanza del conjunto de Mandelbrot.

En la figura anterior puede apreciarse dos de las caracterı́sticas básicas de los fracta-
les. La primera es que la frontera del conjunto de Mandelbrot es una curva irregular
tremendamente complica, y la segunda que tiene la propiedad de autosemejanza, es
decir, existen miles de réplicas del fractal a menor escalas.
Es posible obtener otro tipo de fractales, ya que bastara con cambiar la fórmula
inicial con la salvedad de que ésta no puede ser lineal. Precisamente el hecho de no
linealidad implica la aparición del caos matemático y de la geometrı́a fractal.
Otra manera alternativa de modificar un fractal, como el de Mandelbrot, es alterar
los algoritmos de color para representar su exterior o interior. Existen en el merca-
do un número variado de programas informáticos con los que es posible construir
hermosas imágenes. De entre ellos, uno de los más apropiados, por su sencillez de
manejo y potencia de resultados, es Ultra Fractal. El programa tiene la ventaja de
que no solo se puede construir bonitos fractales, sino que es posible realizar espec-
taculares animaciones de los mismos, ası́ como fondos fractales con movimiento.
Precisamente la belleza de las imágenes obtenidas junto con la sencillez de su crea-
ción ha acercado al mundo de las Matemáticas a un gran número de personas. En
boca de Mandelbrot “ayudan a tender puentes en el abismo que separa las cuestiones
matemáticas de la gente de la calle”.
3.6.5. La dimensión fractal

Uno de los objetivos que ha perseguido la Geometrı́a desde sus inicios ha sido el de
encontrar patrones y formas, por un lado, y por el otro, buscar métodos para asignar
una medida a estas formas. Es conocido que no es posible medir la diagonal de un
cuadrado tomando como unidad el lado de dicho cuadrado. Este problema de me-
dida originó la aparición de los números irracionales. Del mismo modo, los intentos
por encontrar la longitud exacta de una circunferencia llevaron a los matemáticos al
descubrimiento del número ?, o el problema de encontrar el área encerrada por dos
curvas dio origen al cálculo diferencial e integral.
En la actualidad muchas personas creen que el cálculo de longitudes, áreas o volúme-
nes está totalmente resuelto, pero la realidad es que no es ası́. Es fácil comprobar,
buscando el dato en distintas publicaciones, que existe una gran divergencia entre la
longitud de la frontera entre dos paı́ses, o de un rı́o, aportada por una publicación u
otra. En enciclopedias españolas se dice que la longitud de la frontera entre España
y Portugal es de 985 kilómetros, mientras que en una enciclopedia portuguesa es de
1212 kilómetros. La razón de esta discrepancia se encuentra en que no es posible
dar un número exacto, puesto que al tratarse de una curva totalmente irregular, es
imposible medirla, lo que resulta contradictorio con el hecho de que la isla tiene un
área finita. Este era el argumento central del famoso artı́culo de Benoit Mandelbrot
titulado -cuánto mide la costa de Gran Bretaña?
Figura 3.38: Medida de una costa.

Para poder medir el perı́metro de la costa se toma, en primer lugar, una unidad de
longitud. En este caso, el perı́metro se estima a partir del número de veces que es
necesario llevar el segmento para cubrir toda la costa. Es evidente, que al disminuir
el tamaño del segmento unidad, la longitud de la costa aumenta. Los objetos irre-
gulares carecen de medida exacta, puesto que la longitud dependerá de la unidad de
medida elegida.
Al no poderse caracterizar la frontera de un fractal por una longitud, es necesario
centrarse en un concepto diferente como es el de dimensión, procedente del latı́n di-
mensio, que significa medida. La idea es buscar un parámetro que, en cierto modo,
mida el grado de irregularidad del fractal, y eso será la dimensión fractal.
Desgraciadamente no hay una única definición de dimensión. Existe una definición
intuitiva de la dimensión euclı́dea que coincide con el número de valores reales que
son necesarios para situar a un punto en el espacio donde nos encontremos traba-
jando. Una lı́nea tiene dimensión uno, puesto que sólo se necesita un número real
para localizar cualquier punto de la lı́nea. Pensemos, por ejemplo, que cuando desea-
mos dar nuestra situación en una autopista aportamos sólo un número, su punto
kilométrico, aunque esta carretera no sea una lı́nea recta.
Otra definición intuitiva de dimensión euclı́dea hace referencia al número de direc-
ciones perpendiculares diferentes que se pueden tomar. En nuestro mundo cotidiano
contamos con tres direcciones: izquierda-derecha, adelante-atrás, y arriba-abajo; por
este motivo decimos que el espacio en que nos movemos es tridimensional.
Pero la aparición de los “monstruos matemáticos”, aquellas curvas que llenaban to-
do el espacio, desafiaba la idea intuitiva del concepto de dimensión. Este tipo de
objetos fractales fueron estudiados dentro de una nueva rama de las matemáticas
creada por Poincaré que recibe el nombre de Topologı́a. Una curiosa ciencia que
trata sobre la manera en que los objetos pueden ser deformados como si pareciesen
de goma. Un cı́rculo puede estirarse y convertirse en un triángulo, o en el copo de
nieve de Knoch. Desde el punto de vista topológico no es posible distinguir una lı́nea
recta de la curva de Hilbert, o una hoja de papel plana de aquella que se encuentra
completamente arrugada.
Definir el concepto de dimensión de manera rigurosa fue una tarea larga y compli-
cada que desafió a los mejores matemáticos de finales del siglo XIX y principios del
XX, entre los que se encontraban, Poincaré, Lebesgue, Brouwer, Cantor, Menger,
Peano, y Hilbert. Era inevitable que tan intenso trabajo diese como resultado un
número numeroso de definiciones, todas ellas relacionadas pero distintas: dimensión
topológica, dimensión por conteo por cajas, dimensión de autosimilitud, dimensión
euclı́dea,..., etc.
Por los comentarios anteriores queda claro que estudiar a fondo el concepto de
dimensión no es una tarea fácil, pero para el propósito que nos ocupa podemos
simplificarlo de la siguiente manera. Si tomamos un segmento de longitud uno y lo
dividimos en cinco partes iguales, es evidente que obtendremos 5 segmentos cada
uno de ellos de longitud 1/5. De la misma manera, si partimos de un cuadrado de

lado unidad y dividimos sus lados en cinco partes iguales, obtenemos 25 cuadrados
de lado 1/5. Por último, si elegimos un cubo de lado unidad y dividimos los lados
en cinco partes iguales, aparecerán 125 cuadrados más pequeños de lados 1/5.
Para cada uno de los casos anteriores siempre se cumple que el producto del número
de partes por el tamaño de las partes elevado a uno (en el primer caso), dos (en
el segundo) y tres (para el tercero) siempre es la unidad. Es decir, se obtiene la
fórmula N (h).hD = 1, siendo h el tamaño de las partes, N (h) el número de partes
y D la dimensión. Lo comentado anteriormente puede verse de forma esquemática
en la siguiente figura.
Figura 3.39: Concepto de dimensón
La fórmula anterior se conoce con el nombre de ley de potencia, puesto que el número
de partes N (h) cambia como si fuese una potencia de 1/h. Con unos básicos cono-
cimientos matemáticos es posible despejar de esta expresión la dimensión, siendo su
valor
log(N (h))
D=−
h
. De esta manera, la dimensión fraccionaria o fractal del Conjunto de Cantor es
aproximadamente 0.63093, obtenido del cociente log(2)/log(3), y la dimensión de la
curva de Knoch log(2)/log(3) = 1.26186.
Tenemos que darnos cuenta de la importancia de estos resultados, ya que a través
de la dimensión fractal disponemos de un parámetro que caracteriza, de alguna ma-
nera, lo sinuoso e irregular de un objeto. Si el fractal es relativamente “suave” su
dimensión fractal estará próxima a su dimensión euclı́dea que es uno, por el con-
trario si “retuerce” hasta ocupar la forma de un cuadrado, su dimensión fractal
estará próxima a dos. La costa de Inglaterra tiene dimensión fractal 1.25, mientras
que la dimensión fractal de la costa de Australia es 1.13; en conclusión, la costa de
Inglaterra es mucho más sinuosa e irregular que la de Australia.

Una vez conocidos los conceptos de dimensión euclı́dea y dimensión fractal de un
objeto, tenemos una manera alternativa y algo más precisa de definir a un fractal,
ya que será aquél objeto donde su dimensión euclı́dea sea menor que su dimensión
fraccionaria.
Ahora bien, hasta ahora hemos estados refiriéndonos a un tipo de fractales muy con-
cretos como son los obtenidos a través de un algoritmo matemático, pero ¿qué pasa
con aquellos objetos de la naturaleza con estructura fractal? Es evidente que su
dimensión no se puede obtener a través de la fórmula que hemos deducido ante-
riormente, puesto que no estamos ante una curva que pueda medirse con escalas
diferentes y además no es autosemejante, aunque posee çiertas propiedades de esca-
la”son semejantes estadı́sticamente.
Los matemáticos Hausdorff y Besicovitch publicaron en 1919 un artı́culo donde se
generalizaba la fórmula para el cálculo de la dimensión fraccionaria para este tipo
de objetos. Su cálculo es extremadamente complejo, pero existe un algoritmo, con el
nombre de Box-Counting (método de conteo de cajas), implementado en la mayorı́a
de los programas informáticos que trabajan con imágenes, como por ejemplo Harfa
o ImageJ.[
1.5ex] El algoritmo de Box-Counting consiste en lo siguiente: a partir de la imagen
del objeto se obtiene una versión binaria de la misma, a cada punto brillante se le
asocia el valor 1 y un 0 al resto. Posteriormente se obtiene una imagen del contorno y
se superpone una malla de un tamaño dado. El proceso consiste en contar el número
de veces que la imagen corta al cuadrado de la malla. A continuación se hace dismi-
nuir el lado del cuadrado y se representa el logaritmo del número de intersecciones
en función del logaritmo de la inversa del lado. La dimensión del objeto coincide con
la pendiente de la recta de regresión definida por los puntos.
Hemos visto como la longitud de formas irregulares depende de la escala de medida.
Este hecho origina un verdadero problema a los biólogos, ya que los lagos que tienen
orillas muy irregulares tienen más área con aguas poco profundas y esto produce
comunidades más rica en vida animal. Hasta hoy, no ha sido posible caracterizar
las comunidades de un lago con parámetros que relacione la longitud de la orilla
con la superficie del agua.La aparición de la dimensión fractal ha llevado a muchos
cientı́ficos de campos muy diferentes a interesarse por el tema, con la intención de
aplicarla a estructuras muy complejas. Sin embargo, tenemos que comentar que hay
que ser cuidadoso con su uso, puesto que existen limitaciones en su aplicación. Exis-
ten objetos muy complejos que son una mezcla de diferentes fractales, cada uno de
los cuales tiene una dimensión distinta.
3.6.6. Tipos de fractales

Aunque existe una primera clasificación muy general de los fractales, llamados
lineales, como la curva de Koch, y no lineales, los que se generan a partir de una
fórmula no lineal como el conjunto de Mandelbrot. Sin embargo, podemos hacer una
clasificación un poco más detallada de los mismos.
Fractales construidos a partir de un algoritmo de escape. Un ejemplo clásico
de ellos es el fractal de Mandelbrot obtenido, como sabemos, de la manera siguiente:
para cada punto del plano (la semilla), se calcula una serie de valores (su órbita),
mediante la repetición de una fórmula hasta que se cumpla una determinada con-
dición, y en ese momento al punto inicial se le asigna un color relacionado con el
número de repeticiones.
Figura 3.40: Fractales y algoritmo de escape.
Para poder construir un fractal de este tipo es imprescindible realizar miles de

millones de operaciones, por lo cual requieren la ayuda de un ordenador. Uno de los
más famosos fractales correspondiente a este tipo es el conocido como conjunto de
Julia, en honor del matemático francés Gaston Maurice Julia. Nació el 3 de Febrero
de 1893 en Sidi Bel Abbés (Argelia) y falleció en Parı́s el 19 de Marzo de 1978. Con
solo 25 años publicó un manuscrito titulado “Mémoire sur l’iteration des fonctions
rationelles”, con el cual ha llegado a ser uno de los matemáticos más famosos de los
que se han dedicado al estudio de los fractales. Fue soldado en la Primera Guerra
Mundial, y cayó herido en un ataque en el frente francés, donde perdió parte de
su nariz, lo cual le obligó a llevarla tapada durante el resto de sus dı́as. Por sus
importantes investigaciones fue nombrado profesor titular en la Escuela Politécnica
de Parı́s. En el artı́culo que hemos citado dio una descripción precisa de los conjuntos,
que llevan su nombre, para los cuales la enésima iteración de un número complejo
permanece acotada, cuando el número de iteraciones tiende a infinito.
Figura 3.41: Fractales de Julia.

Por este trabajo recibió el gran premio de la Academia de las Ciencias. Durante
los años 20 disfrutó de gran fama, pero posteriormente su trabajo fue olvidado,
hasta que B. Mandelbrot lo puso de actualidad en 1970 con sus experimentos con
los ordenadores.
Otro tipo de fractales muy interesantes son los obtenidos por medio de un Sistema
de Funciones Iteradas (IFS). Es un método creado por M. Barnsley, basándose
en el principio de autosemejanza. En un fractal IFS siempre se puede encontrar una
parte de la figura que guarda una relación de semejanza con la figura completa.
Esa relación es a menudo muy difı́cil de apreciar, pero en el caso del helecho de la
figura siguiente es bastante clara: cualquier hoja es una réplica exacta de la figura
completa.
Figura 3.42: Sistema de Funciones Iteradas (IFS)
Existen fractales asociados con la teorı́a del caos que reciben el nombre de fracta-
les caóticos. Entre ellos, el más conocido es el atractor de Lorenz (izquierda) y el
diagrama de bifurcación (centro).
Figura 3.43: Fractales caóticos.
Merece la atención detenerse sobre un tipo particular de fractales obtenidos a través

de un método conocido con el nombre de L-System. El método fue creado por Lin-
demayer en 1968 y publicado en el Journal of Theoretical Biology, como un modelo
matemático para la construcción de un filamento celular de la bacteria Anabaena
Catenula.
Básicamente el algoritmo consiste en suponer un sistema celular con dos posibles
estados citológicos, A y B, y la regla de crecimiento: una célula en el estado A se
divide y da lugar a una en el estado A y otra célula en el estado B; que se representa

por AB. En el siguiente paso, una célula en el estado B se divide en una célula
en el estado B y otra en el estado A, es decir BA. En la tabla se ha representado
el resultado de la división para las cuatro primera fases, tomando como célula de
partida del tipo A.
Figura 3.44: L-sistemas y fractales.
Estos fractales se pueden generar utilizando como software FantasticFractal. En la

figura siguiente aparecen los parámetros con los que se genera la curva de Koch.
Figura 3.45: L-sistemas con FantasticFractal.
El signo + representa un giro de 60 grados en la dirección contraria a las agujas del

reloj, y el signo - un giro de 60 grados en la dirección de las agujas del reloj. Para
poder dibujar el fractal es necesario indicar la regla, que en nuestro caso viene dada
por, F=F-F++F-F.
Es decir, F estará definida como: se traza un segmento unitario, en su extremo gi-
ramos 60 grados en la dirección de las agujas del reloj y dibujamos un segundo
segmento; después giramos 120 grados en la dirección contraria a las agujas del re-
loj y dibujamos otro segmento finalmente giramos 60 grados en la dirección de las
agujas del reloj y trazamos el último de los segmentos.
Los L-systems son muy adecuados para modelar muchos sistemas biológicos, espe-
cialmente aquellos que presentan bifurcaciones o ramificaciones en su desarrollo. El
esquema básico para dibujar una bifurcación con un ángulo dado (por ejemplo 20
grados) es el siguiente: F=F[+F]F, donde los corchetes indican que al final se debe
retroceder a la posición donde empezaba la bifurcación. Naturalmente, se puede defi-
nir una regla más complicada y obtener un modelo mucho más realista. Por ejemplo,
para representar un árbol se ha elegido como Regla: F=F+F+[+F-F-]-[-F+F+F] y

un ángulo de 22 grados. En la figura siguiente pueden verse los resultados para un
número diferente de iteraciones.
Figura 3.46: Simulación de un árbol con L-sistemas.
En el programa de televisión Redes, el divulgador cientı́fico Eduardo Punset, entre-

vistó a Mandelbrot, donde comentó que se sentı́a muy impresionado por los cuadrados
del pintor japonés Katsushika Hokusai, puesto que sin ser consciente de ello, el pin-
tor habı́a sabido captar las propiedades básicas de los fractales. En las imágenes que
presentamos se aprecia como un rı́o se divide y subdivide hasta formar la catarata,
o bien como una ola está formada por muchas otras olas más pequeñas, propiedad
que conocemos con el nombre de autosemejanza.
Figura 3.47: Katsushika Hokusai y los fractales.
3.6.7. El juego del Caos

Todos hemos sufrió la desagradable experiencia de que al coger una bolsa de legum-
bres se caigan al suelo adoptando una forma caprichosa debido al azar. Si repetimos
la experiencia, las legumbres describirán un patrón final distinto. éste fue el punto
de partida de Michael Barnsley para la construcción de fractales sin hacer uso del
proceso de iteración. Partiendo del azar obtuvo una manera diferente de generar
patrones fractales, y a esta técnica la denominó el juego del caos.

Para ejecutar el juego es aconsejable utilizar un ordenador o en su defecto una ho-
ja de papel cuadriculada y un dado. Existen muchas variantes del mismo pero el
juego clásico consiste en generar el triangulo de Sierpinsky. Se colocan tres puntos
numerados del 1 al 3 formando un triángulo equilátero.
Figura 3.48: El juego del caos.
A continuación identificamos los lados 1 y 2 del dado con el punto 1, los lados 3
y 4 con el punto 2 y los lados 5 y 6 con el tercer punto. Ahora se elige un punto
cualquiera P de la hoja y lo desplazamos de la manera siguiente: lanzamos el dado
y movemos el punto P hasta la mitad de la distancia existente entre el punto P y
el vértice que indique el dado. Por ejemplo: si ha salido un 1 en el dado, entonces
situamos el punto P en la mitad de la distancia entre P y el vértice 1, si en el segundo
lanzamiento sale un 5, situamos el punto en la mitad de la última posición de P y
el vértice 3, y ası́ sucesivamente.
3.6.8. Aplicaciones de la Geometrı́a Fractal.

Para muchas personas el gran atractivo de los fractales reside en la belleza de las
imágenes que genera, de hecho mucha gente se acerca a esta rama de las matemáti-
cas atraı́das únicamente por lo impactante y plasticidad de los resultados gráficos
obtenidos. Sin embargo, y como tendremos oportunidad de ver en esta sección, lo
verdadero importante de la Geometrı́a Fractal es el amplio rango de aplicaciones en
campos muy diferentes.
Aunque la geometrı́a fractal fue concebida hace unos años, ha sido recientemente
cuando se han logrado los avances más notables. En un principio, Mandelbrot, los
utilizó en el ámbito de la Economı́a con la intención de analizar las fluctuaciones
bursátiles. Ahora bien tenemos que empezar preguntándonos; ¿qué significado tiene
decir que un objeto real, tal como una costa o la red capilar del sistema venoso,
es un fractal? Lo que queremos decir con ello, es que puede definirse un modelo
matemático que se aproxima bastante bien al objeto. Aunque al ser sólo una aproxi-
mación tiene que estar limitada a una franja de escalas limitada por ciertos valores
máximo y mı́nimo. Es evidente, entonces, que en el mundo real no existen fractales
perfectos, como tampoco existen esferas perfectas, cuando se pretende representar
a la tierra.
Como sabemos, los modelos no lineales son el origen del comportamiento caótico de
los sistemas dinámicos, y que la Geometrı́a Fractal es la herramienta adecuada para

estudiar el caos. Por este motivo empezaremos comentando algunas aplicaciones de
esta teorı́a.
Economı́a: en el estudio errático e imprevisible de la bolsa y del flujo del
dinero.
Amplificadores de sonido: se producen cortas descargas eléctricas dentro de los
circuitos, debido a la electricidad estática, lo que origina que el sonido tenga
perı́odos caóticos.
Rotación de la tierra: se ha descubierto, por medio de relojes atómicos, que
la tierra sufre alteraciones en su movimiento de rotación, no funciona con la
perfección de un reloj suizo. Como consecuencia de ello el paso de la tierra no
es totalmente regular y se producen fases intermitentes de caos.
Lavadoras: en 1993 la empresa Goldstar construyó una revolucionara lava-
dora, donde la el ritmo de rotación del tambor de lavado no era regular, sino
caótico. La eficacia del lavado superó con creces a las construidas por la com-
petencia.
El cuerpo humano: son abundantes los ejemplos donde el caos está presente
en nuestro cuerpo.
• Para que el sistema inmunológico tenga un funcionamiento eficaz es ne-
cesario que su comportamiento sea no lineal y caótico, para que tengan
la posibilidad de adaptarse a los cambios externos.
• Si un sistema, que rige nuestra salud, fuese totalmente determinista, al
producirse cualquier cambio en su evolución nuestro cuerpo enfermarı́a.
• Provocando el caos en determinas zonas del cerebro, mediante la genera-
ción de turbulencias eléctricas, se puede bloquear la aparición de ataques
epilépticos.
• En cuerpo humano es un sistema caótico. Constantemente estamos susti-
tuyendo nuestras células de tal manera que cada siete años se produce la
regeneración de todas las células de nuestro cuerpo. La razón de que con-
servemos nuestra forma es debido a que el cuerpo humano es un atractor,
y por tanto, a largo plazo tiende a mantener la misma estructura.
• El ritmo cardiaco es caótico, de hecho cuanto más regular sea el ritmo
más enfermo estará una persona. En 1983, R. Ideker, estudiando los ciclos
biológicos, comprobó que la actividad eléctrica, que es la hace contraer
los músculos del corazón, presenta perı́odos de orden dos, cuatro, ocho,
dieciséis, y ası́ hasta llegar a ser caótico. De hecho éste es el estado del
corazón cuando sufre un ataque de fibrilación, por tal motivo se somete al
enfermo a un shock eléctrico que hace volver al ritmo periódico y regular.
Sorprendentemente, las pequeñas alteraciones de la cadencia del corazón
es sı́ntoma de buena salud.
• Por último, una aplicación curiosa de la dinámica caótica está relacionada

con el movimiento de los ojos. A partir de la masa del ojo, la viscosidad
del humor vı́treo, y otros parámetros es posible construir un modelo
matemático no lineal del movimiento de los ojos. Cuando a una persona
sana mira la oscilación de un péndulo, sus ojos siguen continuamente el
movimiento. Por el contrario, cuando un esquizofrénico realiza el mismo
experimento sus ojos se mueven de forma caótica.
Figura 3.49: Ramificaciones en la naturaleza y fractales.
También los fractales tienen un amplio número de aplicaciones. De hecho, es difı́cil

encontrar en la actualidad una disciplina cientı́fica donde no hayan sido aplicados.
Las fronteras entre diferentes medios fı́sicos o biológicos dan lugar a bue-
nos ejemplos de sistemas que se pueden modelizar mediante fractales. Un ejemplo
clásico, que responde a ciertos modelos de curvas fractales, es el de las costas, pero
también los son los bordes de una nube, la superficie montañosa, la orilla de un
rı́o o la frontera entre dos paı́ses diferentes. La evolución y construcción a lo largo
de la historia de una frontera entre dos naciones sigue un proceso muy parecido a
como se construye un fractal lineal, como la curva de Koch. Lo mismo le ocurre a
la formación de la lı́nea de costa puesto que el contacto entre el agua del mar y la
tierra modifica constantemente su perfil. No obstante, la construcción de la curva
de Koch es un proceso matemático, mientras que en la formación de una lı́nea de
costa están presentes procesos aleatorios. A pesar de ello, la dimensión fractal es
de 1.26128 para la curva de koch y 1.3 el valor aproximado para la costa de Gran
Bretaña, ó, 1.5 para la costa de Noruega (mucho más irregular).
Tenemos que hacer una llamada de atención sobre el hecho de que no todos los
objetos de la naturaleza tienen estructura fractal. En la naturaleza aparecen es-
pontáneamente figuras regulares como cı́rculos, esferas o rectas. Por ejemplo, las
formas de algunas hojas, las gotas de lluvia, etc., pero en estas ocasiones la forma
adoptada es consecuencia de un problema de optimización. Es conocido que una
esfera presenta, a igual volumen, una superficie mı́nima. Por esta razón, y como
resultado de optimizar la tensión superficial, una gota de agua adopta la forma de
una esfera.
Ramificaciones. Desde el punto de vista matemático, se entiende por árbol a un
conjunto de puntos (vértices) unidos entre sı́ por arcos (ramas). Bajo este epı́grafe
ubicaremos no sólo a los árboles con sus ramas, sino que extenderemos el concepto
para incluir otros objetos de la naturaleza que adoptan esta forma, o el sistema
arterial y bronquial de un mamı́fero.
El proceso mediante el cual una rama principal se divide y subdivide sucesivamente
es el culpable de que el objeto tenga estructura fractal. La clave se encuentra en
la propiedad de autosemejanza por la cual se añade la misma estructura a escala
cada vez más pequeña. Pensemos, por ejemplo, en la red de afluentes de una cuenca
hidrográfica, donde el agua de lluvia tiene que ser desaguada, o en el sistema arte-
rial, donde la sangre tiene que llegar a todos los tejidos del cuerpo ocupando sólo
un 5 % del volumen total. Estos procesos pueden modelarse por un tipo de curva
(dimensión uno) que ocupa una superficie (dimensión dos), es decir, un fractal.
Figura 3.50: Ramificaciones en el cuerpo humano y fractales.

Texturas y paisajes fractales. La geometrı́a fractal es la herramienta perfecta
para la creación de paisajes imaginarios utilizados en cine y juegos de ordenador.
También es posible elaborar texturas diferentes mediante la creación de un espacio
tridimensional coloreado que rodea a un objeto digital utilizando una fórmula ma-
temática iterativa.
El análisis de la textura de una imagen es un campo de investigación abierto y de
continua expansión, especialmente en medicina como herramienta de diagnóstico, o
en imágenes de reconocimiento, como el estudio de las fracturas del terreno.
De manera resumida, la forma de construir un paisaje fractal es la siguiente: se
parte de un cuadrado y se unen los puntos medios de los lados para obtener otros
cuatro cuadrados más pequeños. Antes de la siguiente iteración, se le aplica una
transformación a los vértices, de tal forma que se eleven o desciendan una cantidad
aleatoria.
Figura 3.51: Construcción de paisajes fractales I

Una vez conocido el proceso geométrico, el ordenador repite (itera) el mismo esquema
un número elevado de veces.
Figura 3.52: Construcción de paisajes fractales II

Por último, se aplica el color, la textura, y un programa de animación se encarga
del resto de la pelı́cula.
Figura 3.53: Construcción de paisajes fractales III

Mediante una técnica parecida la productora Lucasfilms recreó los efectos especiales
de la pelı́cula “Star Trek 2 ”, la saga de “La guerra de las galaxias”, o el mar en la
pelı́cula “Titanic”.
Compresión de imágenes digitales. Cuando realizamos la clasificación de los
fractales, vimos que algunos de ellos podı́an generarse a través de un Sistema de
Funciones Iteradas (IFS). Esto es, un conjunto de funciones que repetidas suce-
sivamente generan al objeto fractal. Uno de los grandes problemas en el uso de la
información digital es el de su manipulación, sobre todo cuando el volumen de trans-
misión es grande. Por ejemplo, si se desea enviar por Internet una imagen de alta
resolución es posible que tengamos problema de capacidad de memoria. Entonces,
+cómo podemos resolver esta cuestión? Existen muchas técnicas diferentes relacio-
nadas con la compresión de imágenes, pero una de ellas está basada en la geometrı́a
fractal. En efecto, por medio de un Sistema de Funciones Iteradas podemos eliminar
una gran parte de la información a transmitir puesto que sólo se necesita la función
generadora del objeto fractal, en lugar de todos los pixeles de la imagen.
Figura 3.54: Comprensión de imágenes digitales.

De esta manera, si por ejemplo, deseamos remitir la figura de árbol de la izquierda,

bastará con enviar la imagen geométrica de la derecha junto con su función genera-
dora. A este método de tratar digitalmente una imagen, con el objetivo de reducir
el tamaño de su archivo, se le conoce con el nombre de proceso de transformación
fractal. Fue inventado en 1987 por Barnsley y la cuestión clave está en saber si a
una imagen cualquiera se le puede aplicar dicha técnica. La respuesta es afirmativa
y se conoce con el nombre de teorema del collage, a partir de una imagen es posible
encontrar la fórmula que la genera.
Medicina. Es en este campo donde se han logrado grandes progreso con el uso de la
geometrı́a fractal. El número de aplicaciones es inmenso como puede comprobarse si
se realiza una búsqueda en la base de datos más prestigiosa de publicaciones médicas
PubMed.
Sin querer ser exhaustivo se han aplicado los fractales en los siguientes campos de
la medicina:
La distribución del flujo sanguı́neo pulmonar.
La estructura alveolar de los pulmones.
Las superficies de las proteı́nas.
Los patrones de formas en las mamografı́as.
Al estudio del cáncer de mamas y al de próstata.
Al análisis de fracturas de huesos.
La regeneración de tejidos.
Al estudio de enfermedades degenerativas del cerebro.
Comentaremos de una manera más detallada algunas de estas aplicaciones.En 2003

un grupo de cientı́ficos del Harvard Medical School y el Massachusetts Institute of
Tecnology presentaron un método para obtener un órgano vivo de un paciente a
partir de sus mismas células, y de esta manera minimizar el problema del rechazo.
El objetivo del trabajo reside en construir un esqueleto, semejante al sistema arte-
rial, que permite a los nutrientes llegar a todas las partes del tejido. El esqueleto se
obtuvo a partir de patrones de crecimiento fractal y se introdujeron en unos chips de
silicio. Los resultados fueron esperanzadores puesto que fue posible mantener células
de hı́gado vivas durante dos semanas, debido a que habı́a sido posible construir una
estructura irregular muy resistente a las roturas.
Durante los últimos años un grupo de investigación interdisciplinar, liderado por
el profesor Francisco J. Esteban del Departamento de Biologı́a Experimental de la
Universidad de Jaén, ha trabajado intensamente en la aplicación de la dimensión
fractal de imágenes de Resonancia Magnética para la detección precoz de algunas
enfermedades neurodegenerativas. El proyecto tiene el nombre de Fractalmed y se

ha centrado, en un primer momento, en la Esclerosis Múltiple.
La Esclerosis Múltiple es una enfermedad autoinmune, inflamatoria y neurodegene-
rativa que afecta principalmente a la Sustancia Blanca del Sistema Nervioso Central
(cerebro y médula espinal). Es, después de la epilepsia, la enfermedad neurológica
más frecuente entre los jóvenes, afectando aproximadamente a 1 de cada 1000 per-
sonas, en particular a las mujeres.
Se desconocen las causas que la producen aunque se cree que hay diversos mecanis-
mos autoinmunes involucrados. La manera de actuación es la siguiente. El organismo
lanza un ataque defensivo contra sus propios tejidos, y se origina una inflamación
en áreas de la Sustancia Blanca del Sistema Nervioso Central, en regiones que se
distribuyen aleatoriamente. A continuación se produce la destrucción de la mielina,
que es una lámina envolvente de las fibras nerviosas que facilita la transmisión de
los mensajes entre cerebro, la médula espinal y el resto del cuerpo. Desgraciada-
mente, cuando hay daño de la mielina, la transmisión neurológica de los mensajes
ocurre más lentamente o queda bloqueada, lo que lleva a una movilidad reducida e
invalidez, en los casos más severos, de la persona.
Figura 3.55: Fractales y Esclerosis Múltiple.
El gran problema para su tratamiento es que sólo puede ser diagnosticada con fia-
bilidad mediante una autopsia post-mortem o una biopsia, aunque existen criterios
no invasivos para diagnosticarla con aceptable certeza Sin embargo, su detección
precoz es muy importante puesto que se puede empezar el tratamiento más rápida-
mente, con el consiguiente aumento de la calidad de vida, y retraso en la aparición
de nuevos brotes. No hay ningún sı́ntoma tı́pico de la Esclerosis Múltiple que ayude
en el diagnóstico inicial. Es frecuente que el primer brote pase desapercibido sin que
la persona consulte con su médico.
Hasta ahora se habı́a descrito un único método capaz de detectar cambios en la
sustancia blanca aparentemente normal, la tasa de transferencia de magnetización,
el cual, además de ser costoso y difı́cil de realizar en la gran mayorı́a de los centros
hospitalarios, presenta resultados contradictorios en cuanto a su sensibilidad.
Se ha demostrado que, aunque están teniendo lugar procesos que contribuyen al
desarrollo de la enfermedad a nivel de la sustancia blanca cerebral, dicha sustancia
blanca se observa en las imágenes de Resonancia Magnética Nuclear como aparen-

temente normal. En la mayorı́a de los casos el diagnóstico de la degeneración de
la sustancia blanca depende de la experiencia del médico en la observación de las
imágenes, debido a la carencia de medidas objetivas. Pero muchas de las alteracio-
nes son muy sutiles y difı́ciles de apreciar. Los miembros del proyecto Fractalmed
han demostrado que la aplicación de la dimensión fractal a imágenes de resonancia
magnética del cerebro de enfermos de Esclerosis Múltiple es una herramienta muy
útil en el diagnóstico precoz de esta enfermedad degenerativa. Los pacientes en un
estado inicial de desarrollo, sin lesiones aparentes, mostraron un valor menor de la
dimensión fractal a nivel de sustancia blanca cuando se compararon con los controles
sanos.
La caracterización y cuantificación de la morfologı́a del cerebro mediante el análisis
de la dimensión fractal es un área de creciente interés desde hace unos años. La gran
mayorı́a de los trabajos se centran en el análisis de la dimensión fractal de imágenes
a nivel de dos dimensiones. Son muy pocas y puntuales las iniciativas de extender
los resultados para estructuras en tres dimensiones.
Recientemente el grupo de investigación ha ampliado el rango de aplicaciones del
método, siendo pioneros en la construcción de un programa informático para el
cálculo de la dimensión fractal en tres dimensiones y su aplicación otras enfermeda-
des neurodegenerativas con resultados muy positivos. A nivel tridimensional se ha
demostrado que existe un aumento significativo del valor de dimensión fractal de la
materia gris del cerebro aparentemente normal en enfermos de Esclerosis Múltiple
que sufren los primeros ataques de la enfermedad.
Tema 4
MODELOS DISCRETOS
MATRICIALES
4.1. Introducción
La dinámica de una población viene determinada por el número de nuevos nacimien-
tos y la probabilidad de morir que tienen los individuos que componen la población.
Por ello, es muy importante saber la estructura de edades de la población que es-
tamos estudiando. Es decir, cómo se reparten los individuos en las diferentes clases
de edad y lo que es más importante, conocer las probabilidades asociadas de su-
pervivencia, mortalidad y fecundidad. Generalmente esta información se refleja en
una tabla de vida, en la mayorı́a de los casos correspondiente a las hembras de la
población, ya que son las que contribuyen a la dinámica de la población en términos
de fecundidad.
El presente tema es una introducción al estudio de los modelos estructurados basa-
dos en el algebra matricial. Se inicia con un modelo probabilı́stico clásico como son
las cadenas de Markov y se centra fundamentalmente en el estudio de uno de los
modelos más conocidos como es el modelo de Leslie.
4.2. Cadenas de Markov

Los dos resultados que podemos obtener al realizar el experimento aleatorio de lan-
zar una moneda al aire los designaremos por E1 = salir cara y E2 = salir cruz. Si
repetimos t veces este experimento la probabilidad de que en uno de ellos obtenga-
mos E1 no depende de lo que haya salido en el experimento anterior; ambos sucesos
son independientes. Sin embargo, existen muchos otros fenómenos representados por
variables aleatorias dependientes. En 1907 Markov estudió estas situaciones en las
119
120 Tema 4 Modelos discretos matriciales
cuales la probabilidad de que ocurra un suceso depende del suceso inmediatamente

anterior, y son estas las que estudiaremos en esta sección.
Supongamos una secuencia de n pruebas o experimentos donde cada uno de ellos
tiene un conjunto de resultados posibles (que consideraremos finito) y que designa-
remos por las letras E1 , E2 , E3 , · · · Em , mutuamente exclusivos. Si al realizar una
prueba se obtiene el resultado Ei , entonces diremos que el sistema o el fenómeno
se encuentra en el estado Ei . Utilizaremos Eit para representar al estado Ei al ca-
bo de t pruebas. En consecuencia, P [Eit ] será la probabilidad de que después de
t experiencias el sistema se encuentre en el estado Ei . Por otro lado, llamaremos
Pijt a la probabilidad de que el sistema se encuentre en el estado Ei en la prueba t
condicionada a que en la prueba anterior t − 1 se encontrara en el estado Ej . Es
decir,
Pijt = P [Eit /Ejt−1 ]
DEFINICIÓN 4.2.1 Una sucesión de estados E1 , E2 , E3 , · · · Em , mutuamente

exclusivos constituyen una cadena de Markov cuando
Pijt = P [Eit /Ejt−1 ] = P [Eit /Ejt−1 .Ejt−2

t−2
.Ejt−3
t−3
. · · · Ej11 .Ej00 ] , ∀ i, j = 1, 2, · · · m .
Es decir, la probabilidad de que el objeto en el experimento t esté situado en el estado

Ei sólo depende del estado Ej del experimento anterior t − 1 y es independiente de
los otros experimentos anteriores. En cierto modo, es como si el sistema no tuviese
“memoria”.
Es evidente que la probabilidad Pijt depende de tres variables: los sucesos Ei ,Ej y el
“tiempo ”t. En general,
′
Pijt = P [Eit /Ejt−1 ] ̸= Pijt .
DEFINICIÓN 4.2.2 En el caso particular en el que la probabilidad Pijt sea in-

dependiente de la prueba t, diremos que la cadena de Markov es homogénea o
estacionaria, en cuyo caso escribiremos Pijt = Pij .
Desde ahora y a lo largo del curso siempre consideraremos cadenas homogéneas.

Al ser Pij una probabilidad se cumplirá:
∑
m
Pij ≥ 0 , Pij = 1 , i, j ∈ {1, 2, · · · , m} . (4.1)
i=1
4.2.1. Matrices estocásticas

Si ptj , j = 1, 2, · · · , m es la probabilidad de que el objeto esté situado en el experi-
mento t = 1, 2, · · · , n, en el estado Ej , entonces
1 Pj1 + p2 Pj2 + · · · + pm Pjm ,

ptj = pt−1 j = 1, 2, · · · , m .
t−1 t−1
(4.2)
4.2 Cadenas de Markov 121
⃗
Con los números ptj formamos un vector columna X(t), y con los Pjk una matriz
cuadrada A. Ahora, las identidades (4.2) podemos expresarlas
⃗
X(t) ⃗ − 1) ,
= A X(t t = 1, 2, · · · n . (4.3)
La cadena de Markov homogénea está representada por el sistema de ecuaciones
lineales en diferencias anteriores. Observemos que por las condiciones (4.1) la matriz
A cumplirá:
La suma de los elementos de cada una de sus columnas vale la unidad. Sin
embargo, no ocurre lo mismo con la suma de los elementos de sus filas
Todos sus elementos Pjk son mayores o iguales que cero y menores o iguales
que uno.
A una matriz de transición de este tipo se la conoce con el nombre de matriz
estocástica. Aquellas matrices estocásticas donde la suma de los elementos de cada
fila sea la unidad reciben el nombre de doblemente estocásticas.
4.2.2. Diagramas de estados

Podemos representar las diferentes relaciones entre los estados de una cadena por
medio de un diagrama formado por nodos y flechas orientadas con las probabilidades
de transición. A esta representación se la conoce con el nombre de diagrama de
transición o de estados.
Figura 4.1. Diagrama de estados.
En la Figura 4.1 se ha dibujado el diagrama correspondiente a la matriz estocástica:

 
1/2 0 1/3
A =  0 1 2/3 
1/2 0 0
EJEMPLO 4.1
Para beber agua un animal puede ir a un lago o a un rı́o. Se sabe que no va al lago dos
dı́as seguidos y que si toma agua en el rı́o la probabilidad de que el dı́a siguiente beba
agua en cada uno de los sitios es la misma.
Estamos ante una cadena de Markov homogénea con dos estados, E1 que representa
al hecho de que el animal beba agua en el lago y E2 que beba agua en el rı́o.
La matriz de transición es ( )
0 1/2
A= .
1 1/2
Observemos que se trata de una cadena particular, ya que el paso de un estado al

siguiente no depende de los anteriores, sino del primero de ellos.
EJEMPLO 4.2
Una tienda de animales que vende peces incluye una garantı́a por la que cualquier pez que
muera antes de cumplir tres meses se reemplaza de forma gratuita. Una vez que el pez se
ha reemplazado ya no queda cubierto por la garantı́a. Se sabe que:
1.- El 3 % de los peces mueren durante su primer mes.
2.- El 5 % de los peces que han cumplido un mes mueren durante el segundo.
3.- El 7 % de los peces que han cumplido dos meses mueren durante el tercer mes.
Podemos representar la situación anterior por medio de una cadena de Markov siendo
los estados, Ei := pez en el mes i = 1, 2, 3 de garantı́a, E4 := pez sin garantı́a por
haber sido repuesto, y E5 := pez sin garantı́a por tener más de 3 meses.
El diagrama de estados que representa a esta cadena aparece en la Figura 4.2.

4.2.3. Cadenas de Markov regulares

Recordemos que estamos considerando un número finito de experimentos, no obs-
tante podemos realizar un desarrollo similar considerando
⃗
X(t) ⃗ − 1) ,
= A X(t t = 1, 2, 3, · · · ,
ya que uno de los objetivos que perseguimos al modelar una determinada situación
real es el de poder conocer su comportamiento a largo plazo. Puesto que la matriz
de transición A nos resuelve el problema de encontrar la ley de probabilidad, el
lı́mite de esta ley cuando el tiempo tiende a infinito, nos proporciona un método
para estudiar el comportamiento a largo plazo de la cadena de Markov.
TEOREMA 4.2.3 Si An representa a la potencia n-ésima de la matriz de transi-

ción A, entonces P [Ein /Ej0 ] = An (i, j).
Demostración. Vamos a utilizar el método de inducción sobre la potencia n de

la matriz de transición. Sean i , j dos valores cualesquiera de {1, 2, · · · , m}, por
definición de los elementos de la matriz A tenemos
P [Ei1 /Ej0 ] = Pij = A(i, j) .
Supongamos ahora que el teorema sea cierto para el paso n − 1, es decir
P [Ein−1 /Ej0 ] = An−1 (i, j) . (4.4)
Haciendo uso de la ley de la probabilidad total,
∑
m
P [Ein /Ej0 ] = P [Ekn−1 /Ej0 ] P [Ein /Ekn−1 .Ej0 ] ,
k=1
Por la hipótesis (4.4) de inducción P [Ekn−1 /Ej0 ] = An−1 (k, j), y por la definición de
cadena de Markov P [Ein /Ekn−1 .Ej0 ] = P [Ein /Ekn−1 ] = Pik = A(i, k). Es decir,
∑
m
P [Ein /Ej0 ] = A(i, k) An−1 (k, j) ,
k=1
que corresponde al elemento de la fila i columna j del producto de las matrices

A An−1 = An .
DEFINICIÓN 4.2.4 Una cadena de Markov es regular si existe un número na-

tural n tal que la potencia n-ésima de su matriz de transición A tiene todos sus
elementos positivos.
Observemos que si la cadena es regular, entonces la matrices Am con m > n también

tendrán todos sus elementos positivos.
Figura 4.3. Ejemplos de cadenas de Markov.
Una manera alternativa de probar que una cadena es regular es:
Viendo si todos los estados son accesibles.
Comprobando que existan dos ciclos al menos uno de ellos impar.
Las cadenas (a) y (b) de la Figura 4.3 no son regulares, ya que en el primer caso
sólo contiene un ciclo, y en el segundo el estado E4 no es accesible. Sin embargo,
la cadena (c) si es regular pues todos los estados son accesibles y además existen
los ciclos E2 E1 E3 E2 (impar) y E1 E2 E1 (par). En este último caso (c), la potencia
n-ésima de su matriz de transición es
   
0 1 0 1/3 1/3 1/3
A =  1/2 0 1/2  , At →  1/3 1/3 1/3 
1/2 0 1/2 1/3 1/3 1/3
4.2.4. Propiedades de las matrices estocásticas

Las matrices estocásticas por la forma particular en el que han sido definidas cum-
plen cierto número de propiedades interesantes, de entre las cuales destacaremos por
el uso que haremos de ellas, las siguientes.
TEOREMA 4.2.5 Si A es una matriz de orden n estocástica, entonces tiene al

uno como valor propio.
Su demostración está basada en probar que el determinante |A − I| es nulo. Para

facilitar la notación consideraremos n = 4,

a11 − 1 a12 a13 a14

a21 a22 − 1 a23 a24
|A − I| = ,

a 31 a 32 a33 − 1 a34
a41 a42 a43 a44
sumamos a la primera de las filas el resto de ellas

4
∑ ∑4 ∑4 ∑4
aj1 − 1 aj2 − 1 aj3 − 1 aj4 − 1

j=1
j=1 j=1 j=1
a21 a22 − 1 a23 a24 .

a a a − 1 a
31 32 33 34
a41 a42 a43 a44
Pero al ser A una matriz estocástica
∑
4 ∑
4 ∑
4 ∑
4
aj1 = aj2 = aj3 = aj4 = 1 ,
j=1 j=1 j=1 j=1
y por tanto, todos los elementos de la primera fila del determinante anterior son
ceros, lo cual implica que este determinante es nulo, tal y como deseábamos probar.
TEOREMA 4.2.6 Si A es una matriz estocástica de orden n con todos sus ele-
mentos positivos (regular), entonces la sucesión de matrices An , n = 1, 2, · · · con-
verge hacia una matriz que tiene todas sus columnas iguales que coinciden con Π ⃗ tal
que:
∑
m
⃗ = 1.
Π(j)
j=1
La distribución Π⃗ es el autovector asociado al autovalor 1 de la matriz es-

⃗ = Π.
tocástica A. Esto es, AΠ ⃗
La demostración de esta propiedad queda fuera del alcance del objetivo del curso
pero puede consultarse en la página 264 del libro “Modelos matemáticos y procesos
dinámicos ”de Santiago Pérez-Cacho y otros.
Como aplicación inmediata del Teorema 4.2.6 anterior, observemos que en el Ejemplo
4.1 la matriz de transición A de la cadena de Markov regular tiene como valor propio
λ1 = 1 , λ2 = −0.5 y autovectores U ⃗ 1 = (1, 2) , U
⃗ 2 = (−1, 1). En consecuencia,
⃗ = (1/3, 2/3) y por tanto
Π
( )
1/3 1/3
A →
t
,
2/3 2/3
cuando t → ∞.
EJEMPLO 4.3
Sea la matriz de transición correspondiente a seis estados
 
1 1/2 0 0 0 0
 0 0 1/2 0 0 0 
 
 0 1/2 0 1/2 0 0 
A=  0 0 1/2 0 1/2
.

 0 
 0 0 0 1/2 0 0 
0 0 0 0 1/2 1
Supongamos que en el momento inicial el sistema se encuentra en el estado E4 .
Figura 4.4.
Veamos como podemos pasar del estado inicial E4 al resto de los estados. Sabemos
que
⃗
X(0) = (0, 0, 0, 1, 0, 0)T .
Como puede apreciarse en la Figura 4.4, al cabo de un paso la probabilidad será,
⃗
X(1) = (0, 0, 1/2, 0, 1/2, 0)T ,
⃗
o bien X(1) ⃗
= A X(0). Del mismo gráfico deducimos que,
⃗
X(2) = (0, 1/4, 0, 1/2, 0, 1/4)T
⃗
X(3) = (1/8, 0, 3/8, 0, 1/4, 1/4)T
⃗
X(4) = (1/8, 3/16, 0, 5/16, 0, 3/8) .
O de forma matricial:
⃗
X(2) ⃗
= A X(1) , ⃗
X(3) ⃗
= A X(2) , ⃗
X(4) ⃗
= A X(3) .
Con el programa Mathematicar podemos encontrar A200 ,
A := {{1., 1/2, 0, 0, 0, 0}, {0, 0, 0.5, 0, 0, 0}, {0, 1/2, 0, 1/2, 0, 0}, {0, 0, 1/2, 0, 1/2, 0},
{0, 0, 0, 1/2, 0, 0}, {0, 0, 0, 0, 1/2, 1}}
MatrixPower[A, 200]
{{1., 0.8, 0.6, 0.4, 0.2, 0.}, {0., 1.07909*10−19 , 0., 1.746 *10−19 , 0., 0.}, {0., 0.,
2.82509*10−19 , 0., 1.746* 10−19 , 0.}, {0., 1.746*10−19 , 0., 2.82509*10−19 , 0., 0.}, {0.,
0., 1.746*10−19 , 0., 1.07909*10−19 , 0.}, {0., 0.2, 0.4, 0.6, 0.8, 1.}}
Del apartado anterior deducimos que

    
1 0.8 0.6 0.4 0.2 0 0 0.4
 0 0 0 0 0 0  0   0 
    
 0 0 0 0 0 0  0   0 
lı́m A X(0) = 
n ⃗



=
 


n→∞  0 0 0 0 0 0  1   0 
 0 0 0 0 0 0  0   0 
0 0.2 0.4 0.6 0.8 1 0 0.6
Es decir, a largo plazo existe un 40 % de posibilidades de que partiendo

del estado E4 la cadena se encuentre en el estado E1 y un 60 % de que
esté en el E6 .
EJEMPLO 4.4
Supongamos que en un laboratorio se coloca un conjunto de ratones en una caja dividida

en tres compartimentos comunicados y todos con la misma facilidad de acceso, tal y como
se indica en la Figura 4.5. Los compartimentos permanecen cerrados y se abren cada
lunes. Sabiendo que semana tras semana todos los ratones cambian de ubicación y que los
ratones cuando salen eligen un compartimento al azar, veamos cuál será su distribución
de los ratones al cabo de “infinitas” semanas.
Figura 4.5.
Observemos que estamos ante una cadena de Markov cuyo diagrama de estados es
el siguiente:
A partir del diagrama es inmediato obtener la matriz de transición

 2 1

0 3 2
A= 2
3 0 1
2

1 1
3 3 0
Si Xi (t) representa al número de ratones en el compartimento i = 1, 2, 3 en la semana

⃗
t y X(0) = (X1 (0), X2 (0), X3 (0))T es la distribución inicial, deducimos del enunciado
que
 2 1
 X1 (1) = 3 X2 (0)+ 2 X3 (0)
2 1
X2 (1) = 3 X1 (0)+ 2 X3 (0)
 1 1
X3 (1) = 3 X1 (0)+ 3 X2 (0) .
Sistema de ecuaciones lineales que podemos expresarlo matricialmente
   2 1
 
X1 (1) 0 3 2 X1 (0)
 X2 (1)  =  2 0 1   X2 (0)  ,
3 2
1 1
X3 (1) 3 3 0 X3 (0)
es decir
⃗
X(1) ⃗
= AX(0) .
Razonando de la misma manera
⃗
X(2) ⃗
= AX(1) ⃗
= A2 X(0) .
En general
⃗
X(t) ⃗
= At X(0) , t = 1, 2, · · · .
En consecuencia, para obtener el número de ratones en cada uno de los comparti-

mentos en la semana t, tendremos que encontrar el valor de la matriz potencia At .
Una aproximación de este valor podemos obtenerla con el Mathematicar
A := {{0, 2/3, 0.5}, {2/3, 0, 0.5}, {1/3, 1/3, 0}}
MatrixPower[A, 100]
{{0.375, 0.375, 0.375}, {0.375, 0.375, 0.375}, {0.250, 0.250, 0.250}}.
Ahora, estamos interesados en deducir este valor de una manera diferente. Obser-
vemos que si la matriz A fuese diagonal, entonces At serı́a muy fácil de encontrar,
bastarı́a elevar a t los elementos de la diagonal. Por esta razón, en primer lugar
procederemos a diagonalizar la matriz simétrica A.
Los valores propios de la matriz A son los siguientes:

−λ 2 1
2 3 2
|A − λ I| = 0 ⇒ 3 −λ 1
2
= 0,

1
3 −λ
1
3
desarrollando obtenemos la ecuación caracterı́stica
9 λ3 − 7 λ − 2 = 0 ,
cuyas soluciones son λ1 = 1, λ2 = −2/3, λ3 = −1/3. Por tanto, la matriz A es
diagonalizable siendo los subespacios propios asociados a estos valor propio
S1 =< (3, 3, 2) > , S2 =< (−1, 1, 0) > , S3 =< (−1, −1, 2) > .
En consecuencia, la matriz de paso C es,
 
3 −1 −1
C= 3 1 −1  .
2 0 2
Para encontrar At , actuamos de la manera siguiente
D = C −1 AC ⇒ A = CDC −1 ⇒ At = CDt C −1 ,
que en nuestro caso
   −1
3 −1 −1 1 0 0 3 −1 −1
At =  3 1 −1   0 (−2/3)t 0  3 1 −1  .
2 0 2 0 0 (−1/3)t 2 0 2
Simplificando
 ( ( 2 )t ( 1 )t ) ( ( )t ( )t ) ( ( 1 )t) 
1
3 + 4 −3 + −3 1
3 − 4 − 23 + − 31 8 (1 − − 3 )
3
 8( ( )t ( )t )
8 ( ( )t ( )t ) ( 1 )t 
 
At =  18 3 − 4 − 23 + − 13 1
3 + 4 − 23 + − 31 8( 1 − − 3
3
.
 ( ( 1 )t )
8 ( ( 1 )t ) ( 1 )t ) 
1
4 1 − −3 1
4 1 − −3 1
4 1 + 3 −3
Finalmente hacemos que t → ∞, entonces
 
3/8 3/8 3/8
At →  3/8 3/8 3/8  ,
1/4 1/4 1/4
y en consecuencia después de infinitas semanas la distribución de los ratones tiende
hacia

Primero = 83 X1 (0) + 38 X2 (0) + 38 X3 (0) = 38 (X1 (0) + X2 (0) + X3 (0)) = 38 Total 




3 3 3 3 3
Segundo = 8 X1 (0) + 8 X2 (0) + 8 X3 (0) = 8 (X1 (0) + X2 (0) + X3 (0)) = 8 Total




1 1 1 1 1 
Tercero = 4 X1 (0) + 4 X2 (0) + 4 X3 (0) = 4 (X1 (0) + X2 (0) + X3 (0)) = 4 Total
Un camino alternativo para llegar a la conclusión anterior es utilizar el Teorema

4.2.6.
En efecto, la cadena de Markov es regular ya que todos los estados son accesibles
y existen dos ciclos E1 E2 E3 E1 y E1 E2 E1 al menos uno de ellos impar (además
A2 tiene todos sus elementos positivos) . Sabemos que el vector propio asociado al
autovalor λ = 1 es (3, 3, 2).
⃗ = (3/8, 3/8, 1/8) ,

Π
y en consecuencia si t → ∞,
 
3/8 3/8 3/8
At →  3/8 3/8 3/8 
1/4 1/4 1/4
EJEMPLO 4.5
Supongamos que al realizar estudios climáticos en una determinada zona de nuestra pro-
vincia obtenemos los siguientes datos. Si un dı́a es caluroso, entonces la probabilidad de
que el dı́a siguiente sea también caluroso es 0.65, y 0.35 la probabilidad de que haga frı́o.
Por otro lado, si un dı́a es frı́o, entonces 0.7 es la probabilidad de que el dı́a siguiente siga
siendo frı́o y 0.3 de que sea un dı́a caluroso.
Figura 4.6. Diagrama en árbol.
Si hoy hace frı́o, vamos a calcular la probabilidad de que pasado mañana haga frı́o.
Para encontrar la solución podemos utilizar el diagrama de la Figura 4.6. En él
observamos que la probabilidad pedida es:
0.7 ∗ 0.7 + 0.3 ∗ 0.35 = 0.595 .
Es decir, existe casi un 60 % de posibilidades de que si hoy hace frı́o pasado mañana
también lo siga haciendo. De forma similar, la probabilidad de que si hoy hace frı́o
pasado mañana sea un dı́a caluroso es
0.7 ∗ 0.3 + 0.3 ∗ 0.65 = 0.445

El ejemplo también puede resolverse utilizando las cadenas de Markov. Existen dos
estados E1 que representa al dı́a frı́o y E2 al dı́a caluroso, siendo la matriz estocástica
( )
0.70 0.35
A= .
0.30 0.65
⃗
Si hoy hace frı́o podemos representar esta situación por el vector X(0) = (1, 0)T .
⃗ ⃗ ⃗
El producto X(1) = AX(0) nos dará las probabilidades del próximo dı́a, y X(2) =
⃗
AX(1) 2 ⃗
= A X(0) las de pasado mañana
( )2 ( ) ( )
⃗ 0.70 0.35 1 0.7 ∗ 0.7 + 0.35 ∗ 0.3
X(2) = =
0.30 0.65 0 0.3 ∗ 0.7 + 0.65 + 0.3
Puede probarse fácilmente que La cadena de Markov es regular. Por tanto, para
realizar un estudio a largo plazo de los diferentes escenarios que pueden presentarse
debemos encontrar el valor de la matriz potencia An . Si utilizamos el programa
Mathematicar
Conclusión: independientemente de como sea el dı́a de hoy, a largo plazo existe un

53.84 % de posibilidades de que el dı́a sea frı́o y un 46.16 % de que sea caluroso.
Si hoy es un dı́a caluroso, ¿cuál es la probabilidad de que dentro de tres dı́as sea un
dı́a frı́o?.
EJEMPLO 4.6
Representemos por X1 (0) e X2 (0) a las poblaciones iniciales de conejos y zorros respecti-
vamente. Se sabe que el número de conejos en cualquier mes es la mitad de la población
de conejos del mes anterior y que el número de zorros en dicho mes es la suma de las
poblaciones de zorros mas la mitad de la de conejos en el mes anterior. Vamos a calcular
las poblaciones de zorros y conejos al cabo de “mucho”tiempo para estudiar la evolución
de las poblaciones a largo plazo.
Sean X1 (t) e X2 (t) las poblaciones de conejos y zorros al cabo de t meses. Del
enunciado del ejercicio se deduce
{
X1 (t + 1) = 0.5X1 (t)
, t = 0, 1, 2, · · ·
X2 (t + 1) = 0.5X1 (t) + X2 (t)
O bien en forma matricial,

( ) ( )( )
X1 (t + 1) 0.5 0 X1 (t)
= , t = 0, 1, 2, · · · .
X2 (t + 1) 0.5 1 X2 (t)
Si llamamos
( ) ( )
X1 (t) 0.5 0
⃗
X(t) = , A= , t = 0, 1, 2, · · · ,
X2 (t) 0.5 1
entonces
⃗
X(1) ⃗
= AX(0)
⃗ ⃗
X(2) = AX(1) ⃗
= A2 X(0)
.. ..
. .
⃗
X(t) ⃗ − 1) = At X(0)
= AX(t ⃗ .
Para completar el resto del ejercicio utilizamos el ordenador.
A := {{0.5, 0}, {0.5, 1}}

Eigenvalues[A]
{0.5, 1}
P := Transpose[Eigenvectors[[A]]
Q := P.DiagonalMatrix[(0.5)k , 1].Inverse[P]
MatrixForm[Limit[Q, k → Infinity]]
( )
0 0
1 1
• Como sabemos, inicialmente X1 (0) es la cantidad de conejos e X2 (0) el número

de zorros, entonces
( )( ) ( )
0 0 X1 (0) 0
= .
1 1 X2 (0) X1 (0) + X2 (0)
Conclusión: A largo plazo desaparecerán los conejos y la cantidad de zorros será la

suma inicial de zorros y conejos.
EJEMPLO 4.7
Supongamos que en una comunidad autónoma la población está dividida en cuatro clases,
E1 , E2 , E3 y E4 , ordenadas de mayor a menor de acuerdo con la riqueza. Una persona que
pertenece a una clase en un momento dado puede ascender, mantenerse o descender en el
siguiente con probabilidades dadas por la tabla:
E1 E2 E3 E4
E1 0.7 0.2 0.1 0
E2 0.2 0.4 0.1 0.3
E3 0.1 0.3 0.4 0.2
E4 0 0.1 0.4 0.5
siendo el elemento Pij la probabilidad de que un individuo que en un momento dado

pertenece a la clase j en el siguiente perı́odo pertenezca a la clase i.
Si en el año 2000 el 17 % de la población pertenece a la clase E1 , el 24 % a la E2 , el

30 % a la E3 y el 29 % a la E4 , podemos calcular la la distribución en el año 2001.
⃗ k la situación
Sea A a la matriz de transición de esta cadena de Markov y el vector X
correspondiente al año k, entonces
⃗ k+1 = AX
X ⃗k
    
0.7 0.2 0.1 0 0.17 0.197
 0.2 0.4 0.1 0.3   0.24   0.247 
⃗ 2001 = AX
X ⃗ 2000 =
 0.1
 = 
0.3 0.4 0.2   0.30   0.267 
0 0.1 0.4 0.5 0.29 0.289
Del mismo modo,
    
0.7 0.2 0.1 0 0.197 0.214
 0.2 0.4 0.1 0.3   0.247   0.251 
⃗ 2002 = AX
X ⃗ 2001 =
 0.1
 = 
0.3 0.4 0.2   0.267   0.258 
0 0.1 0.4 0.5 0.289 0.276
Por otro lado, la distribución en 1999 puede calcularse de la siguiente manera,
⃗ 2000 = AX
X ⃗ 1999 ⇒ ⃗ 1999 = A−1 X
X ⃗ 2000
EJEMPLO 4.8
Los trabajadores de un parque natural se clasifican en 3 categorı́as profesionales: cientı́ficos

X1 , personal auxiliar X2 y colaboradores X3 . En cada generación t representaremos a la
fuerza de trabajo del parque por el número de personas incluidas en las tres categorı́as
anteriores, es decir (X1 (t), X2 (t), X3 (t)). Supongamos que
1.- Cada trabajador activo sólo tiene un hijo que sigue trabajando en el parque.
2.- La mitad de los hijos de los cientı́ficos lo son también, la cuarta parta pasa a ser
personal auxiliar especializado y el resto es personal colaborador no especializado.
3.- Los hijos del personal auxiliar se reparten entre las 3 categorı́as según los porcentajes
30 %, 40 %, 30 %
4.- Para los hijos de los colaboradores las proporciones de reparto entre las categorı́as
son 50 %, 25 % y 25 %.
Empezaremos el ejemplo planteando en forma matricial un modelo que represente

la distribución de la fuerza de trabajo del parque de generación en generación. Para
⃗
ello, sea X(0) = (X1 (0), X2 (0), X3 (0))T el vector de distribución inicial y
⃗
X(t) = (X1 (t), X2 (t), X3 (t))T
el vector de distribución correspondiente a la generación de orden t. Del enunciado

se deduce,
    
X1 (1) 0.50 0.3 0.50 X1 (0)
X2 (1) = 0.25 0.4 0.25 X2 (0) , ⃗
X(1) ⃗
= AX(0) , · · · , X(t)
⃗ ⃗
= At X(0) .
X3 (1) 0.25 0.3 0.25 X3 (0)
Estamos ante una cadena de Markov donde el estado E1 representa a los cientı́ficos,
E2 al personal auxiliar, E3 al personal colaborador y la matriz de transición es A.
Es fácil ver que esta cadena es regular siendo el diagrama de estados el que aparece
dibujado en la Figura 4.7.
Para estudiar el comportamiento a largo plazo del modelo podemos calcular la matriz
potencia At cuando t → ∞. Un valor aproximado será
A:={{0.5,0.3,0.5},{0.25,0.4,0.25},{0.25,0.3,0.25}};
MatrixPower[A,500]
{{0.44176, 0.44176, 0.44176},{0.294118, 0.294118, 0.294118},
{0.264706, 0.264706 0.264706}}

Puesto que la cadena es regular, podemos utilizar el Teorema 4.2.6, para lo cual
necesitamos conocer los valores y vectores propios de la matriz A.
Eigenvalues[A]
{1., 0.15, −1.68812 10−17 }
Eigenvectors[A]
{{0.744438, 0.496292, 0.446663}, {0.784465, 0.496292, 0.446663},
{−0.707107, −3.18473 10−16 , 0.707107}}
La distribución estable vendrá dada por el vector propio asociado al valor propio 1
(0.744438, 0.496292, 0.446663)T ,
una vez normalizado (0.44, 0.29, 0.27)T .

Conclusión: La distribución de los trabajadores a largo plazo independientemente
de la distribución inicial es
• el 44 % serán cientı́ficos,
• el 29 % serán personal auxiliar,
• el 27 % serán personal colaborador.
EJEMPLO 4.9
Supongamos que disponemos de una casa, un granero, un gato y un ratón. Los animales
pueden estar los dos en la casa, los dos en el granero o uno en el granero y otro en la casa.
Realizamos de forma sucesiva la siguiente experiencia:
Lanzamos dos monedas al aire, si salen dos caras cambiamos al ratón del lugar donde se
encuentre. Si salen una cara y una cruz, es el gato el que se cambia. Por último, si salen
dos cruces, entonces cambiamos al gato y al ratón del sitio donde se encuentran.
Si tenemos en cuenta las diferentes opciones para la casa, inmediatamente que-
dará también determinada las opciones para el granero. Los diferentes estados son:
1.- E1 : la casa está vacı́a.

2.- E2 : en la casa sólo se encuentra el gato.
3.- E3 : en la casa sólo está el ratón.
4.- E4 : los dos animales están en la casa.
Observemos que podemos modelizar la situación anterior por medio de una cadena
de Markov ya que la probabilidad Pij de pasar del estado Ej al Ei sólo depende
del i y del j. Por otro lado, como 1/4 es la probabilidad de sacar dos caras o dos
cruces y 1/2 la probabilidad de que salga una cara y una cruz, entonces la matriz
de transición para esta cadena es:
 
0 1/2 1/4 1/4
 1/2 0 1/4 1/4 
 
 1/4 1/4 0 1/2 
1/4 1/4 1/2 0
Por ejemplo, la probabilidad P23 de pasar del estado E3 al E2 será pasar de la

situación de que el ratón está en la casa y el gato en el granero a la nueva situación
de que se permuten los dos animales, y esto obliga a que al lanzar las dos monedas
salgan dos caras, cuya probabilidad es 1/4. De manera similar, P43 es la probabilidad
de pasar del estado E3 (ratón el la casa) al estado E4 (los dos animales están en
la casa) y por ello es necesario que en una moneda salga una cara y en la otra una
cruz, cuya probabilidad es 1/2.
Para estudiar la evolución a largo plazo de esta cadena tenemos que ver en primer
lugar si es regular. Para ello al calcular
 
3/8 1/8 1/4 1/4
 1/8 3/8 1/4 1/4 
A2 = 
 1/4

1/4 3/8 1/8 
1/4 1/4 1/8 3/8
observamos que todos sus elementos son no nulos y en consecuencia la matriz A es

regular. Por tanto, podemos utilizar los Teoremas 4.2.5 y 4.2.6.
Eigenvalues[A]
{−1/2, −1/2, 0 , 1}
Eigenvectors[A]
{{0, 0, −1, 1}, {−1, 1, 0, 0}, {−1, −1, 1, 1}, {1, 1, 1, 1}}
La distribución estable vendrá dada por el vector propio asociado al valor propio 1
(1, 1, 1, 1)T ,
que una vez normalizado (0.25, 0.25, 0.25, 0.25)T .
Finalmente
 
0.25 0.25 0.25 0.25
 0.25 0.25 0.25 0.25 
At −→ 
 0.25
 cuando t → ∞.
0.25 0.25 0.25 
0.25 0.25 0.25 0.25
Si, por ejemplo, inicialmente la casa se encuentra vacı́a
⃗
X(0) = (1, 0, 0, 0)T ,
entonces
⃗
X(t) ⃗
= At X(0) = (0.25, .25, 0.25, 0.25)T ,
y es igual de probable que a largo plazo nos encontremos en cualquiera de los cuatro
estados posibles.
EJEMPLO 4.10
Supongamos que en un laboratorio se coloca un conjunto de ratones en una caja divi-

dida en tres compartimentos comunicados y todos con la misma facilidad de acceso,
tal y como se indica en la Figura 4.8. Los compartimentos permanecen cerrados y se
abren cada lunes. Sabiendo que de los ratones que habı́a en cada compartimento, la
mitad va a cada uno de los restantes, veamos como estarán distribuidos los ratones
al cabo de “infinitas”semanas.
Figura 4.8.
Si xi (t) representa al número de ratones en el compartimento i = 1, 2, 3 en la semana

t y ⃗x(0) = (x1 (0), x2 (0), x3 (0))T es la distribución inicial, deducimos del enunciado
que  1 1
 x1 (1) = 2 x2 (0)+ 2 x3 (0)
x2 (1) = 12 x1 (0)+ 1
2 x3 (0)
 1 1
x3 (1) = 2 x1 (0)+ 2 x2 (0) .
Sistema de ecuaciones lineales que puede ser expresado matricialmente de la siguiente
manera     
x1 (1) 0 12 21 x1 (0)
 x2 (1)  =  1 0 1   x2 (0)  ,
2 2
1 1
x3 (1) 2 2 0 x3 (0)
es decir
⃗x(1) = A⃗x(0) .
Razonando de la misma manera
⃗x(2) = A⃗x(1) = A2 ⃗x(0) .
En general
⃗x(t) = At ⃗x(0) , t = 1, 2, · · · .
En consecuencia, para obtener el número de ratones en cada uno de los comparti-

mentos en la semana t, tendremos que encontrar el valor de la matriz potencia At .
Una aproximación de este valor podemos obtenerla con el Mathematicar
A := {{0, 0.5, 0.5}, {0.5, 0, 0.5}, {0.5, 0.5, 0}}

MatrixPower[A, 30] = {0.333333, 0.333333, 0.333333}
MatrixPower[A, 50] = {0.333333, 0.333333, 0.333333}
MatrixPower[A, 400] = {0.333333, 0.333333, 0.333333}
Ahora, estamos interesados en deducir este valor de una manera diferente. Obser-
vemos que si la matriz A fuese diagonal, entonces At serı́a muy fácil de encontrar,
bastarı́a elevar a t los elementos de la diagonal. Por esta razón, en primer lugar
procederemos a diagonalizar la matriz simétrica A (recordemos que toda matriz
simétrica es diagonalizable) .
Los valores propios de la matriz A son los siguientes:

−λ 1 1
1 2 2
|A − λ I| = 0 ⇒ 2 −λ 1
2
= 0,

1
2 −λ
1
2
desarrollando obtenemos la ecuación caracterı́stica

3 1
−λ3 + λ + = 0 ⇒ −4λ3 + 3λ + 1 = 0 ,
4 4
cuyas soluciones son λ1 = 1, λ2 = − 12 , λ3 = − 12 . Los vectores propios asociados a
estos autovalores son:
S1 =< (1, 1, 1) >
S2 =< (−1, 0, 1), (−1, 1, 0) > .

La matriz de paso será:  
1 −1 −1
C= 1 0 1 .
1 1 0
Para encontrar la matriz At , actuamos de la manera siguiente
D = C −1 AC ⇒ A = CDC −1 ⇒ At = CDt C −1 ,
que en nuestro caso será
   −1
1 −1 −1 1 0 0 1 −1 −1
At =  1 0 1   0 (−1/2)t 0  1 0 1  ,
1 1 0 0 0 (−1/2) t 1 1 0
simplificando
 
−1 − 2(− 12 )t −1 + (− 12 )t −1 + (− 12 )t
1
At = −  −1 + (− 12 )t −1 − 2(− 12 )t −1 + (− 12 )t  .
3
−1 + (− 12 )t −1 + (− 12 )t −1 − 2(− 21 )t
Si hacemos que t → ∞, entonces
 1 1 1

3 3 3
At −→  1
3
1
3
1
3
,
1 1 1
3 3 3
y en consecuencia después de infinitas semanas la distribución de los ratones tiende

hacia    1 1 1  
x1 (t) 3 3 3 x1 (0)
 x2 (t)  =  1 1 1   x2 (0)  ,
3 3 3
1 1 1
x3 (t) 3 3 3 x3 (0)
es decir,
1 Total
x1 (t) = 3 x1 (0) + 13 x2 (0) + 13 x3 (0) = 31 (x1 (0) + x2 (0) + x3 (0)) =
3
1 Total
x2 (t) = 3 x1 (0) + 13 x2 (0) + 13 x3 (0) = 31 (x1 (0) + x2 (0) + x3 (0)) =
3
1 1 Total
x3 (t) = 3 x1 (0) + 13 x2 (0) + 13 x3 (0) = (x1 (0) + x2 (0) + x3 (0)) =
3 3
EJEMPLO 4.11
Se dispone de dos urnas A y B y de dos bolas, una blanca y otra roja, ası́ como de
dos monedas. Las bolas pueden estar las dos en A, las dos en B, o una en A y otra
en B. Se realiza sucesivamente el siguiente experimento: se lanzan las dos monedas
al aire y si salen dos caras, se cambia la bola roja de urna; si se obtiene una cara y
una cruz, es la bola roja la que se cambia. Finalmente, si salen dos cruces se cambian
las dos bolas, blanca y roja, de la urna en la que se encuentre cada una a la otra
urna.¿Estamos ante una cadena de Markov?,¿cuál es la matriz de transición?
Evidentemente se trata de una cadena de Markov con los siguientes estados:
• E1 : la urna A se encuentra vacı́a.

• E2 : la urna A contiene a la bola blanca.
• E3 : la urna A contiene a la bola roja.
• E4 : la urna A contiene a las dos bolas.
Observemos que analizando la situación de la urna A, indirectamente, se estudia la

urna B. Al ser las probabilidades de obtener dos caras, una cara y una cruz, y dos
cruces 1/4, 1/2, y 1/4 respectivamente, entonces la matriz de transición es:
 
0 1/2 1/4 1/4
 1/2 0 1/4 1/4 
A := 
 1/4 1/4 0 1/2 

1/4 1/4 1/2 0
Estamos ante una cadena de Markov regular ya que la matriz A2 tiene a todos sus
elementos no nulos. En consecuencia, la distribución a largo plazo viene dada por el
vector propio (normalizado) asociado al valor propio estrictamente dominante λ = 1,
cuyo valor es (0.25, 0.25, 0.25, 0.25).
Conclusión: A largo plazo, existe la misma probabilidad (25 %) de que la urna A
se encuentre vacı́a, que contenga a la bola blanca, que contenga a la bola roja, o que
contenga a las dos bolas.
4.3. Modelo de Leslie

Recordemos que al construir un modelo matemático lo que se intenta es determinar un
conjunto de ecuaciones que representen, lo mejor posible, a una situación real. Cuando la
variación de una población se realiza en función del tiempo, se obtiene un proceso (con-
tinuo o discreto) que recibe el nombre de dinámica de la población, siendo sus objetivos
principales el estudiar los cambios numéricos que sufren las poblaciones, determinar sus
causas, predecir su comportamiento y analizar sus consecuencias ecológicas. En concreto,
en ecologı́a de poblaciones interesa encontrar métodos cuantitativos que permitan conocer
la evolución del número de individuos a lo largo del tiempo, con el objetivo de “ajustar”los
datos experimentales con los proporcionados por el modelo y además predecir la población
futura.
EJEMPLO 4.12
La tabla siguiente recoge la población humana entre los años 1800 y 1995 en miles de
millones de personas.
1800 1850 1870 1890 1910 1930 1950 1970 1975 1980 1985 1990 1995
0.91 1.13 1.30 1.49 1.70 2.02 2.51 3.62 3.97 4.41 4.84 5.29 5.75
A la vista de estos datos, podemos preguntarnos si es posible encontrar una fórmula

matemática (un modelo) que los represente “lo mejor posible ”, y además, nos pro-
porcione información sobre la evolución de la población del planeta en los próximos
años. La respuesta a estas preguntas constituyen el núcleo central del presente curso.
Hay un amplio rango de modelos matemáticos todos ellos con un nivel más elevado de
dificultad. En este curso estudiaremos los más elementales, no obstante, a pesar de su
sencillez proporcionan un amplio número de aplicaciones.
Si representamos por yt al tamaño de una población en el tiempo t, existen cuatro procesos
que afectan al cambio de su tamaño, como son los nacimientos (N), las inmigraciones (I),
las muertes (M) y las emigraciones (E). Si suponemos el intervalo de tiempo [t, t + 1],
entonces el cambio de la población puede expresarse por medio de la siguiente ecuación
en diferencias:
yt+1 = yt + N + I − M − E
Los modelos que estudian el crecimiento de poblaciones independientemente de la densidad
de dichas poblaciones corresponden a los casos más simples, siendo las hipótesis más
generales que se suelen establecer las siguientes:
Todos los individuos son iguales.
Los recursos disponibles son ilimitados.
El número de hembras coincide con el de machos.

4.3 Modelo de Leslie 141
4.3.1. Modelo discreto exponencial

Este modelo suele ser el adecuado para describir el crecimiento de poblaciones de mu-
chas plantas, insectos, mamı́feros y otros organismos que se reproducen en cada estación.
Supongamos que una población crece a una tasa constante, es decir, la población de la
especie después de un perı́odo de tiempo (una hora, una semana, un mes, un año, ..., etc.)
es un múltiplo constante de la población en el perı́odo anterior. Por ejemplo, podemos
suponer que cada generación es distinta, cada organismo produce r hijos y después muere,
entonces el crecimiento de la población en el intervalo [t, t + 1] se describe por la ecuación
en diferencias:
yt+1 = ryt , t = 0, 1, 2, · · · (4.5)
siendo r la tasa de crecimiento. Si nos fijamos en una población de bacterias, donde en un
tiempo dado un organismo se divide en dos, entonces r = 2.
Si y0 es la población inicial de (4.5) deducimos,
y1 = ry0 , y2 = ry1 (t) = r2 y0 , ··· yt = r t y0 .
De este modelo yt = y0 rt se vé que la población aumenta indefinidamente si r > 1 y

disminuye hasta su extinción si r < 1. Cuando r = 1 la población permanece en un valor
constante y0 .
Observemos que la ecuación anterior también puede representar a una situación diferente,
por ejemplo yt = y0 rt es la fórmula utilizada por los bancos cuando depositamos cierta
cantidad de dinero durante un tiempo. En este caso, y0 es la cantidad depositada, r la
tasa de interés anual y t el tiempo que hemos dejado el dinero.
EJEMPLO 4.13
Recuperemos el Ejemplo 4.12 relacionado con la población humana entre los años 1800 y
1995.
En primer lugar, estamos interesados en calcular la tasa de crecimiento r del modelo

discreto exponencial. Para ello realizamos los cocientes yt+1 /yt en cada uno de los
intervalos de tiempo [t, t + 1]. Los datos obtenidos se encuentran en esta tabla:
1.3/0.91=1.24176 1.15044 1.14615 1.14094 1.29412 1.24257
1.44223 1.09669 1.11083 1.09751 1.09298 5.75/5.29=1.08696
Como podemos apreciar la tasa de crecimiento varı́a de un perı́odo de tiempo a otro,

por esta razón consideramos como dato representativo en el perı́odo [1800, 1995]
la media aritmética, cuyo valor es 1.17861. En consecuencia, el modelo discreto
exponencial viene dado por yt = 0.91 ∗ 1.17861t
En la Figura 4.9 podemos apreciar como el modelo se ajusta muy bien a los datos
reales en la primera fase, es decir en el perı́odo [1800, 1950], sin embargo existe
una gran discrepancia en [1950, 1995]. Es necesario, por tanto, mejorar el modelo
teniendo en cuenta la densidad de la población, pues es evidente que a medida que
la población aumenta, disminuyen los recursos disponibles.
2 4 6 8 10 12
Figura 4.9. Rojo: Datos reales. Azul: yt = 0.91 ∗ 1.17861t
Una manera diferente de encontrar el valor de la tasa de crecimiento r es tomar

logaritmos neperianos en la expresión yt = y0 rt , es decir ln yt = ln y0 + t ln r y
ajustar el logaritmo neperiano de los datos a una recta a través del método de los
mı́nimos cuadrados. El procedimiento puede facilitarse haciendo uso del ordenador
y utilizando un número muy variado de software, de entre los cuales elegiremos, por
su sencillez, Statgraphicsr
ln[yt ] -0.0943107 0.122218 0.262364 0.398776 0.530628 0.703098

– 0.920283 1.28647 1.37877 1.48387 1.57691 1.66582
Una vez ejecutado el programa se obtiene
Log[yt ] = log[y0 ] + Log[r] ∗ t = −0.0771347 + 0.169038 t ,
o bien,
y0 = e−0.0771347 = 0.925765 , r = e0.169038 = 1.18417 ,
y el modelo exponencial será ahora yt = 0.925765 ∗ 1.18417t
2 4 6 8 10 12
Figura 4.10. Rojo: Datos reales. Verde: yt = 0.925765 ∗ 1.18417t .

El modelo discreto exponencial es muy simplista, ya que estamos suponiendo que todos los
individuos de la población son iguales, pero es evidente que tanto la tasa de natalidad como
la de mortalidad dependen de la edad del individuo. Una manera de poder resolver este
inconveniente es dividir la población en clases de edades, y de esta manera asignar tasas
de fertilidad y natalidad a los individuos dependiendo de la clase a la que pertenezcan.
4.3.2. Modelo discreto matricial

Estudiemos un modelo de crecimiento de la población para una especie de pájaros, donde
el número de machos sea igual al de hembras. Además, sean X1 (t − 1) la población de
hembras jóvenes en el año t − 1 y X2 (t − 1) el número de hembras adultas en el mismo
año. Suponemos que cierta proporción α de los pájaros jóvenes sobrevivirán para llegar a
adultos en la primavera del año siguiente t. Cada hembra que sobrevive produce huevos
en la primavera, los incuba y producen, en promedio γ pájaros hembras jóvenes en la
siguiente primavera. Los adultos también mueren siendo β la proporción de adultos que
sobreviven de una primavera a la siguiente.
Por las hipótesis que hemos establecidos podemos plantear el siguiente sistema de ecua-
ciones que relacionan a la población de hembras jóvenes y adultas en los años t y t + 1,
{
X1 (t) = γX2 (t − 1)
,
X2 (t) = αX1 (t − 1)+ βX2 (t − 1)
que podemos representar matricialmente,
( ) ( )( )
X1 (t) 0 γ X1 (t − 1)
= ,
X2 (t) α β X2 (t − 1)
o bien de manera simbólica,
⃗
X(t) ⃗ − 1)
= A X(t ⇒ ⃗
X(t) ⃗
= At X(0) .
Observemos el parecido de las dos expresiones encontradas para los dos modelos estudiados
⃗
yt = rt y0 , en el modelo discreto exponencial, y X(t) ⃗
= At X(0), en el modelo discreto
matricial. No obstante, tenemos que hacer notar que ahora si podemos distinguir entre la
tasa de supervivencia de pájaros jóvenes y adultos.
EJEMPLO 4.14
Supongamos que en el modelo discreto matricial anterior, cada hembra adulta produce
por término medio cuatro hembras (lo cual indica al menos ocho huevos), la cuarta parte
de las hembras jóvenes sobreviven para llegar a adultas y las tres cuartas partes de las
hembras adultas sobreviven.
A la vista de estos datos, la matriz que representa al modelo es
( )
0 4
A=
0.25 0.75
Puede observarse que α, β ∈ [0, 1] y además α < β ya que no es tan probable que
sobrevivan más los pájaros jóvenes que los adultos.
Supongamos que inicialmente tengamos 5 hembras adultas y 1 hembra joven.

( )( ) ( )
⃗ 0 4 1 20
X(1) = = ,
0.25 0.75 5 4
el total de hembras de la población después de un año es 24 y la razón de hembras

jóvenes a adultas es 5 a 1. En el segundo año, (si aproximamos los números decimales)
( )( ) ( )2 ( ) ( )
⃗ 1 3 20 0 4 1 16
X(2) = = = .
0.1875 1.5625 4 0.25 0.75 5 8
En la Tabla 4.1 hemos escrito las razones X1 (t)/X2 (t) y Tt /Tt−1 del total de hembras
en los años sucesivos.
t X1 (t) X2 (t) Tt X1 (t)/X2 (t) Tt /Tt−1

0 1 5 6 0.2 -
1 20 4 24 5 4
2 16 8 24 2 1
3 32 10 42 3.2 1.75
4 40 15 55 2.66 1.309
5 62 22 84 2.81 1.527
10 379 137 516 2.76 1.441
11 547 197 744 2.77 1.441
12 790 285 1075 2.77 1.444
19 10286 3711 13997 2.77 1.444
20 14844 5355 20199 2.77 1.443
Tabla 4.1.
Notemos como la razón X1 (t)/X2 (t) se acerca a la constante 2.771 mientras que la
población total parece aumentar a una tasa constante del 44 % anual. Además, en
la Figura 4.11 se han representado las diferentes proporciones de hembras jóvenes
(en rojo) y de hembras adultas en función del tiempo, y se puede apreciar como a
partir de un determinado momento estas proporciones permanecen constantes.
0.8
0.7
0.6
0.5
0.4
0.3
5 10 15 20
Figura 4.11. Rojo: proporción jóvenes. Azul: Proporción adultas

¿Cuál es la razón teórica para que se cumplan las observaciones del ejemplo
anterior? Veamos que la respuesta a esta pregunta puede generalizarse y está muy rela-
cionada con el método de las potencias utilizado para estimar el valor propio dominante
de una matriz cuadrada.
Supongamos que U ⃗ 1, U
⃗ 2 sean los vectores propios asociados a los valores propios λ1 , λ2 de
la matriz A que representa al modelo discreto matricial. Entonces al formar estos vecto-
⃗
res una base del plano vectorial, podemos escribir X(0) = c1 U⃗ 1 + c2 U
⃗ 2 con unos valores
determinados de c1 y c2 . En consecuencia,
⃗
X(t) ⃗ − 1) = At X(0)
= A X(t ⃗ ⃗ 1 + c2 U
= At (c1 U ⃗ 2) ,
pero por definición de valor y vector propio, A U ⃗ i , · · · , At U

⃗ i = λi U ⃗ i = λt U
⃗
i i con i = 1, 2.
Llevando estos valores en la expresión anterior
⃗
X(t) ⃗ 1 + c2 At U
= c1 At U ⃗ 2 = c1 λt U
⃗ t⃗
1 1 + c2 λ2 U2 .
Por otro lado, la ecuación caracterı́stica de A es
|A − λ I| = λ2 − βλ − γα = 0 ,
cuyas soluciones son √

β± β 2 + 4γα
λ= .
2
Sabemos, por hipótesis que γ > 0; 0 < α < 1; 0 < β < 1. Entonces, 4αγ > 0 y
β 2 + 4γα > 0. Existirán, por tanto, dos valores propios reales y diferentes y además si un
valor propio es positivo, el otro será negativo. Es decir, |λ1 | > |λ2 |, con lo que |λ2 /λ1 | < 1.
Ahora, podemos tener en cuenta este hecho en
( ( )t )
⃗ ⃗ 1 + c2 λt2 U
⃗ 2 = λt1 ⃗ 1 + c2 λ2 ⃗2
X(t) = c1 λt1 U c1 U U .
λ1
Cuando el valor de t aumenta la expresión (λ2 /λ1 )t tiende a cero, luego

⃗
X(t) ≈ c1 λt1 U
⃗1
A largo plazo, la distribución de las edades se estabiliza y es proporcional

⃗ 1.
al vector U
Cada grupo de edad cambiará por un factor λ1 cada año. Ası́, a la larga, la ecuación
⃗
X(t) ⃗
= At X(0) actúa igual que la ecuación yt = rt y0 . En un corto plazo (es decir, antes
de alcanzar la estabilidad) los números oscilan. La magnitud de esta oscilación depende
de la magnitud de λ2 /λ1 (que es negativa, con lo se explica la oscilación).
Los valores y vectores propios de A determinan el comportamiento de las

generaciones futuras.
Para la matriz A con la que trabajamos en el ejemplo, obtenemos como valores propios:
λ1 ≈ 1.4436 ; λ2 ≈ −0.693 .
Como λ1 ≈ 1.44, esto explica el 44 de aumento en la población de la última columna de

la tabla.
U⃗ 1 = (0.94066, 0.339344)T ; ⃗ 2 = (−0.985322, 0.170707)T .
U
⃗ 1 cumple 0.94066/0.33934 ≈ 2.772 , que es la quinta columna de la
Observemos que U
tabla.
Sabemos que si λ1 > 1 , entonces la población aumentará cuando
√
(β + β 2 + 4αγ)/2 > 1 ⇒ β 2 + 4αγ < (2 − β)2 = 4 − 4β + β 2 ,
es decir si
1−β
γ> .
α
Como en nuestro caso β = 0.75, α = 0.25, resulta que γ > 0.25
0.25 = 1, con lo que la población
aumentará, cosa que ya sabı́amos (lo hace a un ritmo del 44 %).
Consideraciones finales:
1.- Para que podamos aplicar el modelo discreto matricial, es necesario que el medio am-
biente sea estable, es decir que los cambios ecológicos que se registren no modifiquen
las tasas de natalidad y mortalidad de los individuos de la población.
2.- En las hipótesis del modelo no hemos tenido en cuenta un factor muy importante
como es la densidad de la población. Es evidente que las las tasas de natalidad y
supervivencia varı́an con el tamaño de la población, ya que en caso contrario la
población crecerı́a de forma ilimitada y dominarı́a al resto de las especies.
4.3.3. Generalización del modelo matricial

(a) Descripción del modelo
Los primeros investigadores que aplicaron el algebra matricial al estudio del crecimiento
de poblaciones fueron Bernardelli y Lewis (1942). Para ello, dividieron a la población en
clases de edades y construyeron un modelo basado en un conjunto de ecuaciones en dife-
rencias, una para cada clase de edad. Mas tarde, Leslie (1945, 1948) construyó la teorı́a y
desde entonces a las matrices que aparecen en este tipo de modelos se las conoce con el
nombre de matrices de Leslie. Entre las muchas personas que trabajaron en este campo,
podemos citar, por la importancia de sus contribuciones a Goodman (1968), Keyfitz (1968)
y Pielon (1969).
Patrick Holt Leslie (1900 - 1974) acabó sus estudios de Fisiologı́a en Oxford en 1921, des-
pués de padecer diversos problemas médicos, los cuales condicionaron el resto de su vida.
En 1935 empezó a trabajar en el Departamento de Población Animal de la Universidad de
Oxford, bajo la dirección del profesor Charles Elton, y diez años después aparecieron pu-
blicados sus primeros trabajos en dinámica de poblaciones relacionados con la clasificación
por edades. Posteriormente, en 1948 investigó el problema de introducir en los modelos
matriciales el crecimiento logı́stico de poblaciones, ası́ como las relaciones del tipo presa -
depredador. Por último, en 1959 propuso nuevos modelos matriciales para tener en cuenta
el efecto de retardo en el tiempo en la evolución de las poblaciones.
Una clasificación muy general de los modelos matriciales aplicados al estudio de la evolu-
ción de las poblaciones en función de la matriz A de proyección, puede verse en la siguiente
figura:
Figura 4.12. Clasificación de los modelos matriciales.

Como ya hemos indicado, el modelo de crecimiento constante es muy elemental, ya que
es frecuente que el número de descendientes, ası́ como el número de hembras que sobre-
vivan, dependan de la edad. Por ejemplo, en una población humana la mujer adulta con
un promedio de edad de 47 años tendrá menos hijos que la mujer con un promedio de 27
años. Para evitar estos inconvenientes, es necesario disponer de un modelo que permita el
agrupamiento por edades con diferentes tasas de natalidad y de supervivencia. Es por ello,
que el objetivo que nos planteamos en esta sección es el de generalizar el modelo discreto
matricial que hemos analizado en la sección anterior.
Es interesante comentar que, a pesar de su sencillez, éste es es el modelo que con más
frecuencia utilizan los demógrafos en sus estudios de predicción del crecimiento de pobla-
ciones.
En primer lugar, tenemos que insistir en el hecho de que sólo se tiene en cuenta la población
de hembras de la población, es por ello que la primera hipótesis del modelo es suponer que
el número de hembras sea igual al número de machos. Cuando la población que tenemos
que estudiar es tal que esta hipótesis no se cumple, entonces esta circunstancia supone
una gran restricción sobre el modelo, pero por lo general, esta circunstancia no suele darse
en la mayorı́a de los casos.
Por tanto, el modelo de Leslie describe el crecimiento de la parte femenina de
una población clasificando a las hembras por edades en intervalos de igual
número de años.
Supongamos que la edad máxima alcanzada por una hembra de una población, por término
medio, sea E años y que esta población la dividimos en n clases de edades, donde para sim-
plificar la notación consideraremos n = 4. Cada clase, es evidente que tendrá E/n = E/4
años de duración. Por lo tanto, podemos construir la tabla,
CLASE EDAD
1 [0,E/4)
2 [E/4,E/2)
3 [E/2,3E/4)
4 [3E/4,E]
Supongamos que en el momento inicial (t = 0) conocemos el número de hembras que

hay en cada uno de los intervalos. Llamemos Xi (0) , i = 1, 2, 3, 4, al número de hembras
existentes en la clase i en el momento inicial. Con estos números podemos construir el
vector
⃗
X(0) = (X1 (0), X2 (0), X3 (0), X4 (0))T ,
conocido con el nombre de vector de la distribución inicial de las edades. Es evidente que,
por causas biológicas, a medida que transcurra el tiempo se modificará este vector inicial.
Nuestra tarea será la de construir un modelo matricial para ver como se produce la evolu-
⃗
ción del vector X(0) con el paso del tiempo. Para ello, realizamos distintas observaciones
de la población en tiempos discretos t0 , t1 , · · · , tk , · · · .
La segunda hipótesis que exigiremos al modelo será la de obligar a que todas las hembras
que están en la clase (i + 1) en el tiempo tk+1 , se encontraban en la clase (i) en el tiempo
anterior tk (suponiendo que no existen muertes ni nacimientos). Como podemos fácilmen-
te entender, esta restricción obliga a que la duración entre dos tiempos consecutivos de
observación sea igual a la duración de los intervalos de edad; esto es:
E 2E kE
t0 = 0; t1 = , t2 = ; · · · ; tk = ; ···
4 4 4
Los procesos de nacimiento y muerte entre dos tiempos consecutivos de observación se
pueden describir mediante los siguientes parámetros demográficos:
Al promedio del número de hijas que tiene una hembra durante el tiempo que
permanece en la clase de orden i, lo llamaremos ai con i = 1, 2, 3, 4
La fracción de las hembras que están en la clase i y se espera que sobrevivan

y pasen a la clase de orden i + 1 la llamaremos bi con i = 1, 2, 3.
Es evidente, según las definiciones dadas que
1.- ai ≥ 0, i = 1, 2, 3, 4 .
2.- 0 < bi ≤ 1 con i = 1, 2, 3.
El caso bi = 0, no puede ocurrir ya que esto supondrı́a que ninguna hembra vivirı́a mas
allá de la clase i. También supondremos que hay al menos un ai > 0 lo que garantiza que
habrá nacimientos. A la clase donde ai > 0 la llamaremos clase fértil.
⃗
Si X(k) = (X1 (k), X2 (k), X3 (k), X4 (k))T representa al vector de distribución de las eda-
des en el tiempo tk , entonces el número de hembras de la primera clase en el tiempo tk
vendrá dado, únicamente por las nacidas entre los tiempos tk−1 y tk . Podemos escribir,
X1 (k) = a1 X1 (k − 1) + a2 X2 (k − 1) + a3 X3 (k − 1) + a4 X4 (k − 1) . (4.6)
Por otro lado, el número de hembras en la clase de orden i + 1 con i = 1, 2, 3 en el tiempo

tk es igual al número de hembras de la clase de orden i en el tiempo tk−1 que todavı́a
están vivas en el tiempo tk .
Xi+1 (k) = bi Xi (k − 1), i = 1, 2, 3 . (4.7)
Expresando matricialmente (4.6) y (4.7) tenemos,

    
X1 (k) a1 a2 a3 a4 X1 (k − 1)
 X2 (k)   b1 0 0 0   X2 (k − 1) 
 =  
 X3 (k)   0 b2 0 0   X3 (k − 1) 
X4 (k) 0, 0, b3 0 X4 (k − 1)
O de una forma vectorial,

⃗
X(k) ⃗ − 1)
= LX(k (4.8)
donde, de manera totalmente general, a la matriz
 
a1 a2 · · · an−1 an
 b1 0 ··· 0 0 
 
 b2 · · · 0 
L= 0 0 ,
 .. .. .. .. .. 
 . . . . . 
0, 0, · · · bn−1 0
se la conoce con el nombre de matriz de Leslie.

De (4.8) es fácil ver que
⃗
X(k) ⃗
= Lk X(0) .
⃗
De este modo, conocida la distribución inicial X(0) y la matriz L, se puede determinar la
distribución de las hembras en cualquier tiempo.
EJEMPLO 4.15
Supongamos que las hembras de una población animal viven por término medio 25 años
y que esta población se divide en cinco clases de edades iguales con intervalos de 5 años.
Supongamos que la matriz de crecimiento de Leslie viene dada por
 
0 2 1 3 1
 1 0 0 0 0 
 2 1 
L=  0 3 02 0 0  .

 0 0 
3 0 0
3
0 0 0 4 0
Si inicialmente hay 10 hembras en la primera clase, 20 en la segunda, 5 en la tercera, 10

en la cuarta, y 8 en la última clase, podemos estudiar la evolución de la población para
los próximos años.
En efecto, el vector inicial es,

⃗
X(0) = (10, 20, 5, 10, 8)T .
Calculando
    
0 2 1 3 1 10 83
 1 0 0 0 0  20   5 
 2    
⃗
X(1) ⃗
= LX(0) =
 0
1
3 0 0 0 
 5 =
  20/3 .

 0 0 2
0 0  10   10/3 
3
3
0 0 0 4 0 8 15/2
Del mismo modo,

⃗
X(2) ⃗
= LX(1) ⃗
= L2 X(0) = (205/6, 83/2, 5/3, 40/9, 5/2)T
⃗
X(3) ⃗
= LX(2) ⃗
= L3 X(0) = (201/2, 205/12, 83/6, 10/9, 10/3)T
⃗
X(4) ⃗
= LX(3) ⃗
= L4 X(0) = (164/3, 201/4, 205/36, 83/9, 5/6)T
Por tanto, después de 20 años (4 perı́odos), aproximadamente habrá 55 hembras en

la primera clase, 50 de [5, 10); 6 de [10, 15), 9 de [15, 20) y 1 entre 20 y 25 años.
(b) Comportamiento en el lı́mite del modelo

Para conocer la dinámica del crecimiento del modelo
⃗
X(k) ⃗ − 1) = Lk X(0)
= LX(k ⃗ , k = 0, 1, 2, · · · ,
debemos recurrir al estudio de los valores y vectores propios de la matriz L de Leslie.

Recordemos que los valor propio son las raı́ces de la ecuación caracterı́stica:

a1 − λ a 2 a3 a4

b1 −λ 0 0
p(λ) = |L − λI| = =0
0 b2 −λ 0
0 0 0 −λ
Desarrollamos este determinante aplicando la definición, o por elementos de una fila o

columna,
p(λ) = (a1 − λ)(−λ)3 − a2 b1 (−λ)2 + a3 b1 b2 (−λ) − a4 b1 b2 b3 = 0 ,
simplificando
p(λ) = λ4 − a1 λ3 − a2 b1 λ2 − a3 b1 b2 λ − a4 b1 b2 b3 = 0 . (4.9)
A la vista de la expresión anterior, se justifica la introducción de una nueva función,
a1 a2 b1 a3 b1 b2 a4 b1 b2 b3
q(λ) = + 2 + + . (4.10)
λ λ λ3 λ4
Ahora, resolver la ecuación p(λ) = 0 es equivalente a resolver la equivalente q(λ) = 1. Un
rápido estudio de la función q(λ) nos permite deducir las siguientes propiedades:
Decrece monótonamente para los valores de λ > 0, ya que si
0 < λ1 < λ2 ⇒ q(λ2 ) < q(λ1 ) .
Tiene una ası́ntota vertical en λ = 0.
El valor q(λ) tiende a cero, cuando λ → ∞.
Estas propiedades nos permiten esbozar una gráfica de la función q(λ), la cual puede verse
en la Figura 4.13.
Figura 4.13. Representación gráfica de q(λ)
Observemos que existe un único valor λ1 positivo, tal que q(λ1 ) = 1. Esto es, la matriz
de Leslie, L tiene un único valor propio λ1 positivo para el cual q(λ) = 1. Además, al ser
q ′ (λ1 ) ̸= 0 la raı́z será simple, o bien, su grado de multiplicidad es 1.
El paso siguiente será el de calcular el autovector propio asociado al valor propio λ1 . Por
definición, λ1 es aquel valor no nulo que cumple, LU⃗1 = λ1 U⃗1 , siendo U⃗1 el vector propio
asociado. Si X⃗ = (X1 , X2 , X3 , X4 )T , entonces
    
a1 − λ a 2 a3 a4 X1 0
 b1 −λ 0 0   X2   0 
(L − λ1 I) X
⃗ =0 ⇒   = 
 0 b2 −λ 0   X3   0 
0 0 0 −λ X4 0
Como el sistema lineal homogéneo anterior es compatible indeterminado, suprimimos la

primera de las ecuaciones y llamamos X1 = α. El resto de las incógnitas valen
 b1 b1

 X2 = X1 = α




λ1 λ1
 

b1 X1 − λ1 X2 = 0  
 b2 b2 b1
b2 X2 − λ1 X3 = 0 ⇒ X3 = X2 = α
 
 λ 1 λ21
b3 X3 − λ1 X3 4 = 0 




 b b3 b2 b1

 X4 = 3 X3 = α
λ1 λ31
La solución general del sistema homogéneo es el subespacio unidimensional de IR4 ,

{( )T }
b1 b2 b1 b3 b2 b1
S= α, α, 2 α, α : α ̸= 0 ,
λ1 λ1 λ31
que puede ser generado por el vector

( )
b1 b2 b1 b3 b2 b1 T
1, , ,
λ1 λ1 2 λ1 3
Generalizando el resultado anterior, concluimos diciendo que el vector propio asociado al

valor propio dominante λ1 , para una matriz de Leslie de orden n es:
( )
b1 b1 b2 b1 b2 b3 b1 b2 b3 · · · bn−1 T
⃗1 =
U 1, , , , ··· , .
λ1 λ1 2 λ1 3 λ1 n−1
Insistimos en el hecho de que al tratarse de un valor propio λ1 único el subespacio S de

vectores propios asociados será de dimensión uno, y en consecuencia, cualquier otro vector
propio asociado a λ1 será un múltiplo de U⃗ 1 . Estos resultados, podemos resumirlos en la
siguiente propiedad,
TEOREMA 4.3.1 Una matriz de Leslie L, tiene un único valor propio positivo λ1 . Este
⃗ 1 cuyas coordenadas son todas
valor propio es simple y tiene un vector propio asociado U
positivas
A continuación intentaremos justificar que el comportamiento a largo plazo de las edades

de la población quedará determinado por este valor propio λ1 y su vector propio U ⃗1
asociado.
TEOREMA 4.3.2 Si λ1 es el único valor propio positivo de una matriz de Leslie L y

si λi es cualquier otro valor propio (real o complejo) de L, entonces:
|λi | ≤ λ1
Para el estudio que estamos realizando se requiere que |λi | < λ1 para todos los valores
propios de L; en este caso, ya sabemos por el tema anterior, que λ1 será un valor propio
dominante de L.
EJEMPLO 4.16
Debemos observar que no todas las matrices de Leslie cumplen este requisito. En
1941 Harro Bernadelli publicó un trabajo en el Journal of the Burma Research Socie-
ty con el tı́tulo “Population Wawes”, donde observó un comportamiento periódico
en lugar de un comportamiento estable de la población. En concreto, propuso la
siguiente matriz:  
0 0 6
L =  21 0 0  .
0 13 0
En este caso, los valores propios son :

√ √
1 3 1 3
λ1 = 1, λ2 = − + i, λ3 = − − i,
2 2 2 2
con lo cual |λ1 | = |λ2 | = |λ3 | = 1 y por tanto, λ1 = 1 no es dominante. No
obstante, esta matriz cumple que L3 = I. Esto nos indicarı́a, que cualquiera que sea
la distribución inicial de las edades:
⃗
X(0) ⃗
= X(3) ⃗
= X(6) = · · · = X(3k)
⃗ = ···
El vector de la distribución de las edades oscila con perı́odo de tres unidades de
tiempo. Tales oscilaciones u ondulaciones de la población no podrı́a ocurrir si λ1
fuese dominante.
La siguiente propiedad caracteriza a los valores propios dominantes:

TEOREMA 4.3.3 Si dos entradas consecutivas ai , ai+1 de la primera fila de la matriz
de Leslie son diferentes de cero, el vector propio positivo de L es dominante.
Si tomamos los intervalos de clases lo suficientemente pequeños, entonces la propiedad
anterior se cumplirá siempre. Por este motivo, de ahora en adelante supondremos que se
dan las condiciones para que el valor propio positivo sea dominante.
Sabemos, por el tema dedicado a la diagonalización de matrices cuadradas, que si L es
diagonalizable, entonces existirá una matriz regular C tal que,
 
λ1 0 0 0
 0 λ2 0 0 
  −1
 0 0 λ3 0  = C LC .
0 0 0 λ4
La potencia k-ésima de la matriz de Leslie viene dada por,
 k 
λ1 0 0 0
 0 λk2 0 0  −1
Lk = C  
 0 0 λk3 0  C , k = 1, 2, · · ·
0 0 0 λk4
En consecuencia, para cualquier vector de distribución inicial de edades, se tiene:
 k 
λ1 0 0 0
 0 λk2 0 0  −1
⃗
X(k) ⃗
= Lk X(0) =C 
 0 0 λk3 0  C X(0), k = 1, 2, · · ·
⃗
0 0 0 λk4
Dividiendo los dos miembros por λk1 , obtenemos:

 
1 0 0 0
 λ2 k 
1 ⃗  0 ( λ1 ) 0 0  −1 ⃗
X(k) = C   C X(0) .
λk1  0 0 ( λλ31 )k 0 
λ4 k
0 0 0 ( λ1 )
Como λ1 es dominante, |λi /λ1 | < 1 para i = 2, 3, 4. Se deduce que
λi k
lı́m ( ) = 0, i = 2, 3, 4 .
k→∞ λ1
En consecuencia  
1 0 0 0
1 ⃗  0 0 0 0 
lı́m X(k) = C 
 0
 C −1 X(0)
⃗ .
k→∞ λk 1
0 0 0 
0 0 0 0
Puede probarse, que el lado derecho de la igualdad, correspondiente al producto de las
matrices, coincide con
1 ⃗ ⃗1 ,
lı́m k X(k) = dU (4.11)
k→∞ λ1
donde d > 0 es la componente del vector columna C −1 X(0)

⃗ y depende únicamente de la
⃗
distribución inicial X(0).
⃗
Esta última expresión (4.11) da para valores grandes de k la aproximación X(k) ⃗ 1,
= dλk1 U
⃗ − 1) = dλ U
o bien X(k k−1 ⃗ 1 . Si comparamos estas dos expresiones, observamos que para k
1
suficientemente grande
⃗
X(k) ⃗ 1 ≃ λ1 X(k
⃗ 1 = λ1 dλk−1 U
= dλk1 U ⃗ − 1) .
1
Como conclusión, para valores grandes de tiempo:
Cada vector de la distribución de las edades es un múltiplo escalar de

la distribución inmediatamente anterior, siendo esta constante el valor
propio positivo dominante de la matriz de Leslie.
La proporción de hembras en cada una de las clases será constante.
EJEMPLO 4.17
Supongamos que ahora la matriz de Leslie sea

 
0 4 3
L =  12 0 0 
0 14 0
Resolviendo la ecuación caracterı́stica :

3
|L − λI| = 0 ⇒ λ3 − 2λ − = 0.
8
El valor propio positivo es el λ1 = 3/2. Su vector propio asociado es
( ) ( )
⃗1 = b1 b1 b2 T 1 1 T
U 1, , 2 = 1, , .
λ1 λ1 3 18
En consecuencia, para k suficientemente grande,
3⃗
⃗
X(k) ≃ X(k − 1) .
2
Por tanto, para cada perı́odo de tiempo (5 años) aumentará en aproximadamente un

50 % el número de hembras en cada una de las tres clases; como aumentará también
el número de hembras en la población,
( )
⃗ 3 k 1 1 T
x(k) ≈ d( ) 1, , .
2 3 18
Las hembras estarán distribuidas de acuerdo con la relación 1 : 1/3 : 1/18; lo cual
corresponde a una distribución del 72 % de hembras en la primera clase 24 % en la
segunda y 4 % en la tercera.
Si consideramos de nuevo la ecuación
⃗
X(k) ⃗1
= dλk1 U
que da el vector de distribución de la población por edades, para valores grandes de tiempo.
Se presentan tres casos que dependen del valor propio positivo λ1 .
La población finalmente crece si λ1 > 1.
La población finalmente decrece si λ1 < 1.
La población finalmente se estabiliza si λ1 = 1.
Este último caso es de especial interés ya que determina una población de crecimiento
cero.
Para cualquier distribución inicial de las edades, la población tiende a una distribución
⃗ 1 . Teniendo en cuenta que L U
en el limite que es algún múltiplo del vector propio U ⃗1 =
⃗1 = U
λ1 U ⃗ 1 , puede comprobarse que,
λ1 = 1 ⇐⇒ a1 + a2 b1 + a3 b1 b2 + · · · + an b1 b2 · · · bn−1 = 1
La expresión R = a1 +a2 b1 +· · ·+an b1 b2 · · · bn−1 se conoce con el nombre de tasa neta de

reproducción de la población, y su interpretación demográfica es la de ser el promedio
de crı́as que tiene una hembra durante su esperanza de vida.
Por lo tanto, una población es de crecimiento nulo si y solo si su tasa neta de reproducción
es igual a uno.
EJEMPLO 4.18
Supongamos que una población de animales hembras está dividida en dos clases de
edades. En cada perı́odo el 50 % de la primera pasa a la segunda. El número medio
de crı́as hembras de las de la primera clase es de 1 y de las de la segunda es 1.5.
Para construir el modelo de Leslie recordemos que conocemos por supervivencia el
porcentaje de hembras que sobreviven en un periodo de tiempo o más y por fertilidad
el número de hembras que por término medio tiene en un perı́odo de tiempo cada
una de las hembras de la población.
⃗
La expresión matricial del modelo de Leslie X(k) ⃗ − 1) es:
= LX(k
( ) ( )( )
X1 (k) 1 1.5 X1 (k − 1)
= .
X2 (k) 0.5 0 X2 (k − 1)
Con los datos que tenemos,

( ) ( )( )
⃗ 100 1 1.5 100
X(1) = = .
50 0.5 0 0
Del mismo modo,

( ) ( )( )
⃗ 175 1 1.5 100
X(2) = = ,
50 0.5 0 50
y ası́ sucesivamente.
Para estudiar su comportamiento en el lı́mite es necesario en primer lugar resolver
la ecuación caracterı́stica,
|L − λI| = 0 ⇒ λ1 = 1.5 ; λ2 = −0.5 .
El vector propio correspondiente al valor propio positivo (que por el teorema estu-
diado será dominante) es,
( ) ( )
⃗1 = b1 T 1 T
U 1, = 1, .
λ1 3
Por tanto,
3⃗
⃗
X(k) ≃ X(k − 1) ,
2
lo cual indica, que para valores de k grandes, en cada perı́odo de tiempo aumentará el
número de hembras en un 50 % en cada una de las clases. Como además,
( )
⃗ = d( 3 )k 1 T
x(k) 1, .
2 3
En consecuencia, las hembras estarán distribuidas de acuerdo a la proporción 3 : 1.

EJEMPLO 4.19
La siguiente tabla corresponde a la distribución en tres intervalos de edad de la población

femenina de EEUU de hasta 44 años en 1940 y 1955 (expresada en miles). Calcular la
población en los años 1970 y 1985.
EDAD N. MUJ. 1940 N. HIJAS 1940-55 N. MUJ.1955

0 - 14 14459 4651 16428
15 - 29 15264 10403 14258
30 - 44 11346 1374 14837
De la tabla anterior, se deducen los coeficientes

4651 14258
a1 = = 0.3217 b1 = = 0.9861
14459 14459
10403 14837
a2 = = 0.68153 b2 = = 0.97202
15264 15264
1374
a3 = = 0.12101
11346
con los que construimos la matriz de Leslie correspondiente
 
0.3217 0.6815 0.1210
L = 0.9861 0 0 .
0 0.9720 0
Con ayuda del ordenador encontramos los valores propios de esta matriz,
λ1 = 1.05941, λ2 = −0.53186, λ3 = −0.205852 .
Al ser λ1 = 1.05941 > 1 el valor propio estrictamente dominante, nos indica que la
población crece cada 15 años a un ritmo del 6 % (aproximadamente).
Si nos fijamos en el vector propio ⃗v1 asociado al valor propio λ1 ,
⃗v1 = (0.620683, 0.577732, 0.530074) ,
podemos conocer cual será la distribución de las hembras por edades:
0.620683x + 0.577732x + 0.530074x = 100 ⇒ x = 57.86
Los porcentajes serán
Clase de 0 a 14 años 57.87 × 0.620683 = 0.3591 (35.91 %)

Clase de 14 a 29 años 57.87 × 0.577732 = 0.3340 (33.40 %)
Clase de 30 a 44 años 57.87 × 0.0.530074 = 0.3069 (30.69 %)
4.4. Tablas de vida y modelo de Leslie

El modelo de crecimiento discreto exponencial,
yt = y0 r t , t = 0, 1, 2, · · · ,
que hemos estudiados en la sección anterior, o en su versión continua
y(t) = y(0) ert , t = 0, 1, 2, · · · , (4.12)
es adecuado, por ejemplo, para describir la evolución de una población de bacterias o de

protozoos, en su primera fase de crecimiento. Sin embargo, la mayorı́a de las plantas y
animales no siguen estos modelos tan elementales, ya que, como hemos tenido ocasión de
comentar en la sección anterior, los nacimientos y las muertes dependen de la edad del
individuo.
El objetivo básico de esta sección, es el de aprender a calcular la tasa de reproducción r
para poblaciones donde la natalidad y la mortalidad dependen de la edad del organismo.
Además construiremos un modelo matricial de Leslie a partir de los datos presentados en
una tabla de vida. Para que los resultados que obtendremos sean fiables, debemos insistir
en el hecho de que nos encontramos en un medioambiente aislado que cuenta con recursos
ilimitados, y que existe cierta estabilidad en los parámetros que definen al modelo.
Es conocido que una tabla de vida es una tabla estadı́stica, donde se recogen el número
de individuos en cada una de las edades, sus probabilidades de supervivencia y sus tasas
de fecundidad. Una primera dificultad con la que solemos encontrarnos al interpretar una
tabla de vida es la del número tan elevado de notaciones diferentes que se utilizan para
representar a un mismo concepto. Por este motivo, comenzaremos concretando la notación
que usaremos.
Representaremos por x a la edad de un individuo, generalmente en años, aunque

como puede entenderse esta unidad puede cambiarse.
De esta manera, un individuo tiene la edad 0 si se encuentra entre 0 y 12 meses. Usaremos

la constante k para referirnos a la edad final de la tabla de vida, que, en la mayor parte de
los casos, será aquella en la que han muerto todos los individuos. De forma equivalente,
como ya ha quedado dicho, podemos representar también la edad de un individuo por su
clase de edad, de este modo, decir que una persona se encuentra en la clase i, es tanto
como decir que su edad se encuentra entre i − 1 y i. Por lo tanto, si el rango de las edades
de la población va de 0 a k, el rango de las clases de edades va de 1 hasta k. Nosotros
analizaremos el modelo y la tabla de vida usando la notación de las edades y dejaremos
las clases de edades, como ya veremos, para describir y analizar el modelo matricial.
Para que nuestro estudio sea coherente con la sección anterior, seguimos suponiendo que el
número de hembras y machos son iguales y que estudiamos la evolución de una población
de hembras.
Definimos la fertilidad como el número medio de hembras que han nacido al finalizar
la primavera de una hembra con una edad x determinada, y la representaremos por
b(x).
4.4 Tablas de vida y modelo de Leslie 159
Por ejemplo b(5) = 3 significa que una hembra de 5 años tiene por término medio, al
finalizar la primavera, 3 hembras recién nacidas. La fertilidad será por tanto un número
positivo, que al expresar valores medios puede ser cero (el individuo de edad x no es fértil),
o bien un número decimal.
La Tabla 4.2 nos da una hipotética tabla de vida para un organismo que vive 4 años.
x S(x) b(x) l(x) = S(x)/S(0) g(x) = l(x + 1)/l(x)

0 500 0 1.0 0.80
1 400 2 0.8 0.50
2 200 3 0.4 0.25
3 50 1 0.1 0.00
4 0 0 0.0 -
Tabla 4.2.
A continuación definiremos la tasa de supervivencia,
Representaremos por S(x) al número de individuos que han sobrevivido al comenzar

cada nuevo año.
En la tabla anterior, comenzamos con 500 individuos, los cuales todos han fallecido al
iniciarse el quinto año.
Representaremos por l(x) a la probabilidad de que un individuo sobreviva desde el

nacimiento hasta comienzos de la edad x.
Por la definición anterior, es evidente que
S(x)
l(x) = .
S(0)
La representación gráfica de l(x) en función de x nos da una gráfica que se conoce con el
nombre de curva de supervivencia. Es bastante corriente utilizar la escala logarı́tmica, en
el eje de abscisas colocamos la edad del individuo x y en el de ordenadas ln(l(x)). Estas
curvas corresponden a algunos de los tipos que aparecen a la izquierda de la Figura 4.14.
La curva azul es tı́pica de poblaciones en las cuales la mayor mortalidad ocurre en

las edades mayores. Por ejemplo, en poblaciones humanas pertenecientes a paı́ses
subdesarrollados.
La curva en color verde se da cuando la mortalidad no depende de la edad. Por

ejemplo, en muchas especies de pájaros grandes y peces.
Por último, la curva roja es caracterı́stica de poblaciones con un alto número de

mortalidad infantil. Por ejemplo, en las plantas y en algunas especies animales que
necesitan de una gran descendencia para que la especie sobreviva.
Figura 4.14. Tipos de curvas de supervivencia.
Observemos en la Tabla 4.5 que l(1) = 0.8, es decir, el 80 % de la población inicial sobrevive
hasta llegar a la edad 1. Nuestra población corresponde al tipo I, como puede observarse
en la Figura 4.14 (derecha).
La probabilidad de supervivencia g(x), se define como la probabilidad de que un

individuo de edad x sobreviva a la edad x + 1, y viene dada por
l(x + 1)
g(x) = .
l(x)
EJEMPLO 4.20
Supongamos que para x = 0 tenemos 100 peces en un acuario. Contamos la población una
vez al dı́a y obtenemos los siguientes datos:
x 0 1 2 3 4 5 6 7 8 9 10 11
Núm 100 85 72 61 52 44 37 31 26 22 19 16
x 12 13 14 15 16 17 18 19 20 21 22 23
Núm 14 12 10 8 7 6 5 4 3 3 2 2
Vamos a construir y comentar la curva de vida correspondiente a esta población.
De la tabla anterior obtenemos los diferentes valores de l(x) = S(x)/100, los cuales
se encuentran reflejados en la siguiente tabla:
x 0 1 2 3 4 5 6 7 8 9
l(x) 1 0.85 0.72 0.61 0.52 0.44 0.37 0.31 0.26 0.22
x 10 11 12 13 14 15 16 17 18 19
l(x) 0.19 0.16 0.14 0.12 0.10 0.08 0.07 0.06 0.05 0.04
x 20 21 22 23 - - - - - -
l(x) 0.03 0.03 0.02 0.02 - - - - - -
Con ayuda del Mathematicar , representamos gráficamente estos datos,

Figura 4.15. Representación gráfica de (x, l(x))
La curva corresponde al tercero de los tipos estudiados en teorı́a. Es decir, estamos

ante una población con una elevada tasa de mortalidad infantil.
En nuestro ejemplo podemos ver en la Tabla 4.5 que la probabilidad de que un individuo
de edad 1 sobreviva y llegue a la edad 2 es de un 50 %.
Para poder estimar el valor r en (4.12) a partir de l(x) y b(x) es necesario encontrar, en
primer lugar, otros dos números como son la tasa neta de reproducción y el tiempo de
generación G.
Se define la tasa neta de reproducción R, como el número de individuos que por
término medio tiene una hembra durante toda su esperanza de vida. Es decir,
∑
k
R = l(0)b(0) + l(1)b(1) + · · · + l(k)b(k) = l(x)b(x) .
x=0
Si R > 1 la población crecerá exponencialmente, por el contrario si la tasa neta de repro-

ducción es menor que uno la población se extinguirá y finalmente si R = 1 entonces la
población permanecerá constante.
Se define el tiempo de generación, G, como la edad media de las hijas de todos los
individuos producidos.
El concepto fue dado en 1977 por Caughley, y a efectos prácticos vale:
∑
k
l(x)b(x)x
x=0
G= .
∑k
l(x)b(x)
x=0
Si suponemos que la población crece exponencialmente, sustituimos el tiempo G en (4.12).

De esta manera, NG = N0 erG , o bien, NG /N0 = erG . El número NG /N0 es aproximada-
mente la tasa neta de reproducción R.
ln R
R = erG ⇒ r≈ .
G
El valor de r encontrado es sólo una aproximación que se diferencia como máximo en un

10 % del valor real (Stearms 1992). Si deseamos saber el valor exacto de r debemos resolver
la ecuación
∑k
1= e−rx l(x)b(x) , (4.13)
x=0
que es una adaptación de la ecuación de Euler (1707-1783). Desgraciadamente resolver
(4.13) es bastante difı́cil. Lo que a efectos prácticos se hace es calcular un primer valor
aproximado r ≈ ln R/G y a continuación sustituir este valor en (4.13). En nuestro caso,
de la Tabla anterior obtenemos los valores
ln R
R = 2.9 , G = 1.48276 , r = = 0.718061 ,
G
que al sustituir en (4.13) con r = 0.718061 comprobamos que 1.07733 > 1. Es decir, el valor
encontrado para r es demasiado pequeño. Probamos con diferentes valores y finalmente
vemos que r = 0.776 está cerca del valor exacto de la ecuación de Euler.
4.4.1. De las tablas de vida al modelo matricial

Desde este momento nos referiremos a la clase de edad a la que pertenece el individuo,
en lugar de referirnos a su edad. Hemos visto la manera de calcular el valor de r, y en
consecuencia, podemos predecir el tamaño total de la población usando las ecuaciones del
crecimiento exponencial (4.12). Pero también serı́a interesante conocer como evoluciona el
número de individuos que hay en cada una de las clases. Supongamos que
⃗
X(t) = (X1 (t), X2 (t), · · · , Xk (t))T ,
donde Xi (t) indica el número de individuos en la clase i para el tiempo t.
Para confeccionar el modelo de Leslie, necesitamos conocer los parámetros de supervivencia
y de natalidad. Si tenemos en cuenta las definiciones anteriores, la probabilidad de que un
individuo que se encuentra en la clase i sobreviva y pase a la clase i + 1 vendrá dada por
l(i)
bi = , i = 1, 2, 3, · · · .
l(i − 1)
De manera similar, la natalidad de los individuos que se encuentran en la clase i puede
calcularse por
ai = b(i)bi , i = 1, 2, 3, · · · .
En consecuencia, la evolución de una población divida en 4 clases de edades, puede mo-
delizarse por la ecuación matricial en diferencias:


 X1 (t + 1) = a1 X1 (t) + a2 X2 (t) + a3 X3 (t) + a4 X4 (t)

X2 (t + 1) = b1 X1 (t)

 X (t + 1) = b2 X2 (t)
 3
X4 (t + 1) = b3 X3 (t)
O bien,
    
X1 (t + 1) a1 a2 a3 a4 X1 (t)
X2 (t + 1)  b1 0 0 0  X2 (t)
     ⇒ ⃗ + 1) = LX(t)
⃗
X3 (t + 1) =  0 b2 0 0  X3 (t) X(t .
X4 (t + 1) 0 0 b3 0 X4 (t)
La matriz L sabemos que es la matriz de Leslie que tiene como primera fila los valores de
la natalidad y su subdiagonal principal son las probabilidades de supervivencia, el resto
de los elementos de la matriz son ceros. En la sección anterior hemos demostrado que para
una población con parámetros de nacimientos y muertes constantes, independientemente
de los valores iniciales, cuando ha transcurrido un “número adecuado”de generaciones el
porcentaje de individuos en cada una de las clases permanece constante, aunque el tamaño
total de la población crece exponencialmente.
EJEMPLO 4.21
Supongamos la siguiente tabla de vida para una población de caracoles:
Edad en años S(x) b(x)
0 500 0
1 400 2.5
2 40 3
3 0 0
Construimos la siguiente tabla para calcular l(x), g(x), R0 , G y estimar el valor de r.
x S(x) b(x) l(x) = S(x)/S(0) g(x) = l(x + 1)/l(x) l(x)b(x) l(x)b(x)x

0 500 0 1 0.8 0 0
1 400 2.5 0.8 0.1 2 2
2 40 3 0.08 0.0 0.24 0.48
3 0 0 0.00 – 0 0
Con los valores anteriores calculamos

∑
3
R= l(x)b(x) = 2.24
x=0
∑
3
l(x)b(x)x
x=0 2.48
G= = = 1.107 años
∑3 2.24
l(x)b(x)
x=0
ln R
r= = 0.729 individuos/(individuos × año)
G
Para encontrar el valor exacto de la tasa de reproducción r utilizamos la ecuación
de Euler
∑3
1= e−rx l(x)b(x) ,
x=0
el valor r = 0.729 se encuentra por debajo del valor exacto. Probamos con diferentes
valores hasta llegar al r = 0.749.
Para construir el modelo de Leslie empezamos completando esta otra tabla, para
encontrar las tasas de natalidad ai , i = 1, 2, 3 y de supervivencia bi , i = 1, 2.
x l(x) b(x) i bi = l(i)/l(i − 1) ai = b(i)bi

0 1 0 - - -
1 0.8 2.5 1 0.8 2
2 0.08 3 2 0.10 0.30
3 0 0 3 0.00 -
Nuestro modelo matricial vendrá dado por:

    
X1 (t + 1) 2 0.3 0 X1 (t)
X2 (t + 1) = 0.8 0 0 X2 (t) ,
X3 (t + 1) 0 0.1 0 X3 (t)
⃗
Si suponemos que X(0) ⃗
= (50, 100, 20)T , entonces podemos encontrar X(1) ⃗
y X(2)
      
X1 (1) 2 0.3 0 50 130
⃗ = X2 (1) = 0.8 0 0 100 =  40 
x(1)
X3 (1) 0 0.1 0 20 10
   2    
X1 (2) 2 0.3 0 50 272
⃗
X(2) = X2 (2) = 0.8 0 0 100 = 104
X3 (2) 0 0.1 0 20 4
Podemos hacer una proyección de la población teniendo en cuenta los valores y

vectores propios de la matriz de Leslie. Como no existen dos valores consecutivos de
ai , entonces la matriz L posee un valor propio dominante. En efecto, si utilizamos
el programa Mathematicar ,
Eigenvalues[L]
{2.11355, -0.113553, 0 }
Eigenvectors[L]
{{ -0.93511, -0.35395, -0.01667 }, { 0.10594, -0.74621, 0.65713, }, { 0, 0, 1}}.
El valor propio dominante es λ1 = 2.11355, es decir, a la larga, la población crece a
un ritmo del 111 %. La estabilidad en los porcentajes en cada una de las clases viene
dada por el vector propio asociado al valor propio λ1 = 2.11355.
0.935114/(0.935114 + 0.35395 + 0.0167467) = 0.72 ⇒ 72 %
0.353950/(0.935114 + 0.35395 + 0.0167467) = 0.28 ⇒ 27 %
0.016746/(0.935114 + 0.35395 + 0.0167467) = 0.01 ⇒ 1%
Para terminar, podemos relacionar la tasa de reproducción r del modelo exponencial
con el valor propio dominante En efecto, sabemos que
Tn = T0 ern = T0 er(n−1) er = er Tn−1 .
Por otro lado, habı́amos demostrado que Tn ≈ λ1 Tn−1 . En consecuencia, er ≈ λ1 , o
bien r ≈ ln(λ1 ) = ln(2.11355) = 0.748368.
EJEMPLO 4.22
Supongamos la siguiente tabla de vida para una determinada población:

Edad en años x S(x) b(x)
0 500 0
1 400 2
2 200 3
3 50 1
4 0 0
Empezamos completando la tabla para calcular l(x), g(x), R0 , G y estimar el valor

de r.
x S(x) b(x) l(x) = S(x)/S(0) g(x) = l(x + 1)/l(x) l(x)b(x) l(x)b(x)x

0 500 0 1 0.8 0 0
1 400 2 0.8 0.5 1.6 1.6
2 200 3 0.4 0.25 1.2 2.4
3 50 1 0.1 0 0.1 0.3
4 0 0 0 - 0 0
Con los valores anteriores calculamos

∑
4
R0 = l(x)b(x) = 2.9
x=0
∑
4
l(x)b(x)x
x=0 4.3
G= = = 1.482 años
∑4 2.9
l(x)b(x)
x=0
ln R0
r= = 0.718 individuos/(individuos× año)
G
Supongamos que inicialmente la población de caracoles es de 200 en la primera clase,
0 en la segunda, 0 en la tercera, y 0 en la cuarta. Estamos interesados en construir
la matriz de Leslie para esta tabla de vida y proyectar la población “a largo plazo”.
Para ello elaboramos la tabla.
x i l(x) b(x) bi = l(i)/l(i − 1) ai = b(i)bi

0 - 1 0 - -
1 1 0.8 2 0.8 1.6
2 2 0.4 3 0.5 1.5
3 3 0.1 1 0.25 0.25
4 4 0 0 - 0
El modelo escrito en forma matricial, es el siguiente:

    
n1 (t + 1) 1.6 1.5 0.25 0 n1 (t)
n2 (t + 1) 0.8 0 0 0  
    n2 (t) ⇒ N ⃗ (t) , t = 0, 1, 2 · · · .
⃗ (t+1) = LN
n3 (t + 1) =  0 0.5 0 0   n3 (t)
n4 (t + 1) 0 0 0.25 0 n4 (t)
Sabemos que el vector de valores iniciales es

⃗ (0) = (200, 0, 0, 0)T ,
N
lo que nos permite proyectar la población para cualquier año. Por ejemplo, al cabo
de 5 años
⃗ (5) = LN
N ⃗ (4) = L5 N
⃗ (0) = (7613, 2804, 642, 75)T ,
o bien, al cabo de 25 años

⃗ (25) = LN
N ⃗ (0) = (4.20 × 1010 , 1.54 × 1010 , 3.56 × 109 , 4.09 × 108 )T .
⃗ (24) = L25 N
Esto supone que un 68 % de la población se encuentra en la primera clase, un 25 %

en la segunda, un 6 % en la tercera y un 1 % en la cuarta. Si ahora cambiamos el
vector inicial, por ejemplo:
⃗ (0) = (10, 10, 10, 10)T ,
N
y realizamos las mismas proyecciones

⃗ (5) = LN
N ⃗ (4) = L5 N
⃗ (0) = (67, 27, 4, 2)T ,
o bien, al cabo de 25 años

⃗ (25) = LN
N ⃗ (0) = (3.85 × 109 , 1.41 × 109 , 3.26 × 108 , 3.75 × 107 )T .
⃗ (24) = L25 N
Es decir, los porcentajes en cada una de las clases son 68 %, 25 %, 6 % y 1 %, idénti-

cos a los encontrados en el caso anterior.
El ejemplo nos muestra el efecto de los valores iniciales en el crecimiento de la pobla-
ción. Después de algunas fluctuaciones ambas poblaciones se comportan
de manera similar. Si representamos gráficamente las poblaciones para cada una
de las clases en diferentes años, utilizando una escala logarı́tmica en el eje de orde-
nadas, obtenemos lı́neas rectas, lo cual nos indica un crecimiento exponencial de la
población.
Calculamos los valores y vectores propios de la matriz de Leslie.
L:={ {1.6, 1.5, 0.25, 0 },{0.8, 0, 0, 0 },
{0,0.5,0, 0}, {0, 0,0.25,0 } }
Eigenvalues[L]
{2.17332, −0.47682, −0.096498, 0} ,
al ser el valor propio estrictamente dominante λ = 2.17332 > 1, la población crece
un 117 % cada año. Lo cual supone un crecimiento exponencial con una tasa r =
4.5 Modelo de Lefkovitch 167
ln 2.17332 = 0.77625. Observemos que el valor de r encontrado es el valor exacto,

mientras que el obtenido en la primera parte del ejemplo r = 0.718 era un valor
aproximado. Si N⃗ (0) = (200, 0, 0, 0)T la población total crece de manera exponencial
de acuerdo al siguiente modelo
P (t) = P (0)ert = 200e0.77625t , .
Para finalizar, representaremos gráficamente las poblaciones de hembras para cada

una de las clases en las primeras 10 generaciones. Si N ⃗ (0) entonces, en
⃗ (t) = Lt N
el eje de abscisas situaremos los diferentes valores de t = 0, · · · , 10, y en el eje de
ordenadas los ni (t), i = 1, 2, 3, 4, correspondientes en la escala logarı́tmica.
Figura 4.16. Evolución en cada clase de edad
La gráfica en rojo corresponde a la clase de menor edad, la verde a la segunda, la

azul a la tercera y la coloreada en negro representa a las hembras de mayor edad.
Como podemos apreciar, a “largo plazo”la población crece a un ritmo constante,
que coincide con la pendiente de las rectas (r = ln 2.17332 = 0.77625) y además los
porcentajes en cada una de las clases permanecen constantes (las cuatro rectas son
paralelas).
4.5. Modelo de Lefkovitch

A la hora de estudiar la evolución de muchos organismos, la variable edad, que hemos
tenido en cuenta en el modelo de Leslie, no es la más importante. Por ejemplo, en el caso
de los insectos, los individuos pasan por las etapas de ser huevos, larvas, crisálidas y por
fin adultos. La tasa de supervivencia (bi ), puede estar más influenciada por la etapas del
insecto que por su edad. De hecho, la supervivencia de un escarabajo no depende de que
tenga 3 o 6 meses, sino de que sea una larva o que se encuentre en la etapa adulta. El paso
de una etapa a otra es a menudo bastante flexible y depende de factores muy diversos
como la densidad de población, la cantidad de comida suplementaria, la temperatura, la
luminosidad, etc. Afortunadamente, podemos modificar la matriz de Leslie para tener en
cuenta estos factores.
En 1965 Lefkovich propuso un modelo matricial para estudiar la evolución de una población
que generalizaba al modelo propuesto por Leslie. La diferencia fundamental entre ambos
modelos reside en el hecho de que ahora se clasifica a los individuos de la población en
etapas, en lugar de clases de edades.

L. P. Lefkovich nació en Londres en el año 1929, donde se graduó en zoologı́a, entrando
a trabajar en 1954 en el Agricultural Research Council Pest Infestation Laboratory de
Londres. Fue el primero en estudiar los modelos matriciales clasificando previamente a los
individuos por etapas en lugar de por edades.
Figura 4.17. Comparación modelos de Leslie y Lefkovich.

La Figura 4.17 ilustra de manera esquemática a los dos modelos. Ahora pi representa la
probabilidad de que un individuo que se encuentra en la etapa i en el perı́odo n perma-
nezca en la misma etapa para el perı́odo siguiente n + 1. En consecuencia, utilizando el
razonamiento que venimos usando en los modelos discretos matriciales, es fácil comprobar
que el modelo viene dado por,
    
x1 (k + 1) p1 a 2 a 3 a 4 x1 (k)
x2 (k + 1)  b1 p2 0 0  x2 (k)
    
x3 (k + 1) =  0 b2 p3 0  x3 (k)
x4 (k + 1) 0 0 b 3 p4 x4 (k)
En contraste con la matriz de Leslie, ahora tenemos entradas positivas pi , en la diagonal
principal.
A continuación mostramos una tabla que nos permite escribir la matriz de transición pa-
ra un modelo simplificado que representa el ciclo de vida de un insecto, con tres etapas
(huevo, larva, adulto).
huevo larva adulto

huevo 0 0 Fah
larva Phl Pll 0
adulto 0 Pla Paa
Como ejemplo más complejo, consideraremos un modelo que analiza el crecimiento de

una colonia de corales. Hemos considerado tres clases de tamaños (pequeños, medianos y
grandes). La tabla siguiente permite encontrar la matriz de transición
4.5 Modelo de Lefkovitch 169
pequeño mediano grande

pequeño Ppp + Fpp Pmp + Fmp Pgp + Fgp
mediano Ppm Pmm Pgm
grande Ppg Pmg Pgg
Como antes, la diagonal principal representa la probabilidad de que una colonia perma-
nezca en la misma clase de tamaño. Los elementos de la subdiagonal principal representan
la probabilidad de que una colonia crezca y pase al tamaño siguiente. Sin embargo, aho-
ra existe la posibilidad de que parte de la colonia pueda fragmentarse (Pgm ) y pasar de
ser grande a ser mediana, o bien (Pmp ) pertenecer a las colonias pequeñas. Las colonias
pequeñas pueden agruparse y formar colonias medianas (Ppm ) o directamente colonias
grandes (Ppg ). Finalmente, observemos que la primera fila es la suma de dos términos, el
primero de ellos corresponde a la fecundidad, y el segundo a la transición de un estado
a otro. Puede probarse que para este tipo de modelos su comportamiento en el lı́mite es
exactamente igual al modelo de Leslie, es decir:
La población tiene un tipo de crecimiento exponencial, y presenta una distribución

estable de etapas.
EJEMPLO 4.23
La siguiente tabla muestra la matriz de transición para un modelo simplificado que

representa el ciclo de vida de un insecto, con tres etapas (huevo, larva, adulto).
huevo larva adulto

huevo 0.25 0 2
larva 0.75 0.5 0
adulto 0 0.5 1
A continuación vamos a realizar una proyección a largo plazo de la población sa-

biendo que inicialmente hay 10 huevos, 5 larvas y 7 adultos.
Podemos calcular la población después de 25 y 26 años, utilizando el programa
Mathematicar .
Si x0 = (10, 5, 7)T es el vector de los valores iniciales, y A la matriz de transición,
MatrixPower[A, 25].x0
MatrixPower[A, 26].x0
{547115.39, 390901.81, 355547.78}
{847874.41, 605787.45, 550998.68}
Es decir, tenemos un crecimiento con una tasa
847874.41 605787.45 550998.68
= = = 1.549718 ,
547115.39 390901.81 355547.78
que coincide con el valor propio dominante de la matriz A.

Eigenvectors[A]
{ 1.5497176, 0.10001411+0.744708 i, 0.10001411+0.744708 i }
A la larga, la población crece a un ritmo del 55 %.
La distribución entre etapas es
547115.39
= 0.42295
547115.39 + 390901.81 + 355547.78
390901.81
= 0.30218
547115.39 + 390901.81 + 355547.78
355547.78
= 0.27485
547115.39 + 390901.81 + 355547.78
La estabilidad en los porcentajes en cada una de las etapas viene dada por el vector
propio asociado al valor propio λ1 = 1.54971
Eigenvectors[A]
{{0.7192950, 0.5139203, 0.467440}, {0.7195268 − 5.5511151 10−17 i, −0.302013 −
0.5624783 i, −0.053913 + 0.26791885 i}, {0.7195268 + 5.5511151 10−17 i, −0.302013 +
0.5624783 i, −0.053913 − 0.26791885 i}
0.719295/(0.719295 + 0.5139203 + 0.467440) = 0.422952 ⇒ 42.3 %

0.513903/(0.719295 + 0.5139203 + 0.467440) = 0.302189 ⇒ 30 %
0.467440/(0.719295 + 0.5139203 + 0.467440) = 0.274859 ⇒ 27.7 %
Podemos comprobar el resultado encontrando los porcentajes, por ejemplo, en la

población al cabo de 25 años,
547115.39/(547115.39 + 390901.81 + 355547.78) = 0.422951

390901.81/(547115.39 + 390901.81 + 355547.78) = 0.302189
355547.78/(547115.39 + 390901.81 + 355547.78) = 0.274859
Estos modelos matriciales basados en el tamaño y no en la edad, suelen utilizarse para

estudiar la evolución de poblaciones de plantas, donde es más fácil medir su tamaño que
conocer su edad. Recordemos que en estos modelos, estamos suponiendo que las tasas
de supervivencia y reproducción son constantes y esto hace que en la práctica solamente
podamos usarlos para perı́odos cortos de tiempo, para los cuales estas hipótesis son ciertas.
4.6. Modelos que dependen de la densidad

En ciertas ocasiones, es posible que no todos los individuos de la población se reproduzcan
y mueran con la misma tasa. Recordemos que la hipótesis que venimos manteniendo en
este tema, es que era la edad la que produce la modificación de las tasas de supervivencia
y natalidad, lo cual daba lugar al modelo de Leslie, que es independiente de la densidad
de la población.
4.6 Modelos que dependen de la densidad 171
Es posible introducir esta nueva hipótesis en el estudio de los modelos matriciales. Por
ello, al construir un modelo debemos tener en cuenta las siguientes consideraciones:
¿Dependerá la tasa de natalidad, o la tasa de supervivencia, de la densidad de la

población?.
¿La densidad depende sólo de la población total o por el contrario el efecto está dis-
tribuido sobre varias clases de edades?
¿Son los efectos de la densidad instantáneos, o existe un tiempo de retardo?
4.6.1. Caso práctico

Como un ejemplo que ilustra los comentarios anteriores comentaremos el trabajo de Law
(1975), relacionado con un tipo de hierba llamada Poa annua. Para estudiar su crecimiento,
Law consideró cuatro clases de edad y además la etapa de semillas (Figura 4.18). La
duración de cada clase era aproximadamente de ocho semanas.
Figura 4.18. Ciclo de vida de Poa annua.
La matriz de transición para este ciclo de vida viene dada por

 
ps 0 B1 B2 B3
 gs 0 0 0 0
 
 0 p0 0 0 0
 
 0 0 p1 0 0
0 0 0 p2 0
siendo su estructura muy parecida a la matriz de Leslie. No obstante, la incorporación de

un banco de semillas (semillero) en el modelo hace que el primer elemento de la matriz
ps sea la probabilidad de que una semilla sobreviva pero no germine. Law encontró de
manera experimental los siguientes valores


 0.75 − 0.25e0.00005N si N < 27726
p0 (N ) =

0 si N > 27726
p1 (N ) = p2 (N ) = 0.75
ps = 0.2
gs (N ) = 0.05
B1 (N ) = B3 (N ) = 100e−0.0001N
B2 (N ) = 200e−0.0001N
siendo N la densidad de la población. La representación gráfica de dichas funciones es la

siguiente:
0.5 200
0.4
150
0.3
100
0.2
50
0.1
5000 10000 15000 20000 1000 2000 3000 4000 5000
Figura 4.19. Izquierda = p0 (N ). Derecha= B1 (N ) = B3 (N ) (rojo), B2 (N ) (azul).
Como puede apreciarse, entre dos intervalos de tiempo, el 20 % de las semillas del semillero
sobrevivı́an pero seguı́an dormidas, mientras que 5 %de ellas germinaban. La proporción
de individuos que sobreviven p0 es inicialmente 0.75 cuando la densidad de la población
es muy baja, pero a medida que ésta aumenta, dicha proporción va disminuyendo.
Puede comprobarse que la población crece y además se mantienen constantes las propor-
ciones de cada una de las clases .
EJERCICIO 3
1.- Supongamos un sistema con dos estados: un cazador dispara contra unos
animales. Existe el estado E1 de acierto, y el estado E2 de fallo. Se sabe
que si el cazador acierta, entonces en el segundo disparo tiene una proba-
bilidad de 3/4 de acertar. Si por el contrario en un disparo falla, entonces
la probabilidad de acertar en el siguiente es de 1/2.
Escribir la matriz estocástica A que representa a esta cadena de

Markov.
Dibujar el diagrama de estados de la cadena.
¿Es la cadena regular?.
Encontrar el valor de At y analizar el resultado.
2.- Se encierra a una rata en una caja dividida en compartimentos con puer-
tas que los comunican según se muestra en la figura. Cuando la rata sale
de un compartimento elige uno al azar.
Indicar si el proceso puede representarse por una cadena de Markov.

En caso afirmativo, calcular la matriz de transición A.
Estudiar si la cadena es regular.
Dibujar el diagrama de estados.
Estudiar la evolución a largo plazo del proceso.
3.- Las familias de un paı́s se clasifican según residan en áreas rurales, urba-
nas o suburbanas. Los estudios de movilidad demográfica estiman que, en
promedio, en el curso de un año, el 15 % de las familias urbanas cambian
de residencia y se trasladan a un área suburbana, y el 5 % a un área ru-

ral; mientras que el 6 % de las familias residentes en áreas suburbanas se
trasladan a áreas urbanas, y el 4 % a áreas rurales, y finalmente el 4 % de
las familias rurales emigran a las áreas urbanas y el 6 % a las suburbanas.
Calcular la probabilidad de que una familia que vive ahora en un

área urbana siga viviendo en un área urbana dentro de dos años?.¿Y
en una suburbana?
Supongamos que actualmente el 40 % de las familias del paı́s vi-
ven en áreas urbanas, el 35 % en suburbanas y el 25 % en rurales
¿Qué porcentaje de familias vivirán en áreas urbanas dentro de dos
años?,
¿Qué distribución de población es de prever en el futuro?
4.- En la herencia autosómica, supongamos que cada planta se fecunda con

una de su propio genotipo. Construir un modelo matricial y analizar su
comportamiento a largo plazo.
5.- El parque natural Sierra de Cazorla decide programar mensualmente sus

visitas guiadas siguiendo el siguiente método: Si en un mes se visitó el
pueblo, al mes siguiente se visitará, dos de cada tres veces el parador, y
una de cada tres veces el interior del parque. Si la visita fue al interior, al
mes siguiente será a cualquiera de los tres lugares con igual probabilidad.
Finalmente, si la visita fue al parador, al mes siguiente se visitará el para-
dor una de cada tres veces, y el pueblo de Cazorla dos de cada tres veces.
Después de seguir este esquema durante cinco años, ¿se habrá cumplido
con la programación del parque de visitar al menos un 25 % el parador
nacional de turismo?
⃗
6.- El siguiente modelo discreto matricial X(t+1) ⃗
= AX(t), siendo t = 0, 1, 2 · · ·
las distintas generaciones (perı́odos), representa a una población de ve-
nados hembras con
( ) ( )
0 1 ⃗ 100
A= , X(0) = .
0.6 0.8 200
Demostrar que a largo plazo la población crecerá por un factor apro-

ximado de 1.27
Supongamos que no deseamos que la población crezca. Podemos
controlar dicha población eliminando algunas hembras. Si α repre-
senta la proporción de hembras que sacrificamos en cada perı́odo,
explicar por qué ahora la matriz que representa al modelo es:
( )
0 1
A= .
0.6 0.8 − α
Explicar por qué no es deseable un α = 0.6

Experimentar con diferentes valores de α de manera tal que la po-

blación de hembras no crezca ni desaparezca.
7.- Supongamos un modelo de Leslie para describir la evolución de una po-

⃗ + 1) = LX(t),
blación divida en 7 clases de edades X(t ⃗ t = 0, 1, 2, · · · , con
   
0 0 0.19 0.44 0.80 0.50 0.45 521
 0.87 0 0 0 0 0 0   403 
   
 0 0.87 0 0 0 0 0   316 
   
L=  0 0 0.87 0 0 0 0 ,
⃗
X(0) =  253 

 0 0 0 0.87 0 0 0   
  200 
 0 0 0 0 0.87 0 0   143 
0 0 0 0 0 0.87 0 411
¿Cuál es la interpretación de los valores L1,j , j ≥ 2?

¿Cuál es la interpretación de los valores Li+1,i , 1 ≤ i ≤ 6?
Calcular el valor propio dominante de L, e interpretar el resultado.
Encontrar la tasa r de crecimiento de la población teniendo en cuen-
ta el resultado obtenido en el apartado anterior.
Calcular el vector propio asociado al valor propio dominante, e in-
terpretar el resultado.
8.- Una sala de cine decide programar las pelı́culas según el siguiente méto-
do: si una semana se proyectó una norteamericana, a la semana siguiente
se programará, dos de cada tres veces, una española, y una de cada tres
veces, una francesa. Si la pelı́cula programada fue francesa, dos de cada
tres veces será norteamericana y una de cada tres francesa. Finalmente,
si la pelı́cula programada fue española, la semana siguiente se progra-
mará española una de cada tres veces y norteamericana dos de cada tres
veces. Si inicialmente las cuotas de pantalla son el 50 % para el cine nor-
teamericano, el 35 % para el cine español, y el 15 % para el francés.
¿Estamos ante una cadena de Markov regular? Justifica la respuesta.

Comprueba que la matriz que representa al modelo tiene a λ = 1
como valor propio.
Analiza el comportamiento a largo plazo del modelo para contestar
a la siguiente cuestión. Después de seguir este esquema durante un
“largo plazo”, ¿se habrá cumplido con la cuota de pantalla que exige
programar al mes el 25 % de pelı́culas de producción nacional?
9.- Supongamos el modelo discreto matricial

 
0.5 0 0
X(t⃗+ 1) = AX(t)
⃗ , t = 0, 1, 2, · · · A =  0 0.25 0 
0.5 0.75 1
¿Son todos los estados accesibles?

⃗ = (10, 20, 0), ¿cuál será la distribución después de 30 años?

Si X(0)
10.- Una población de aves se encuentra repartida entre dos humedades A y

B. Se sabe que cada dı́a un 20 % de aves del A se traslada a B mientras
que un 30 % de aves de B lo hace a A.
Si inicialmente hay el mismo número de aves en cada humedad,

¿qué porcentaje de éstas se encuentran en cada uno de ellos después
de dos dı́as?
¿Qué porcentaje de ellas debe haber en cada humedad si se sabe
que este porcentaje se mantiene constante a través del tiempo?.
Comprueba el resultado
¿Cuál es el porcentaje de aves en cada humedad después de un
número elevado de dı́as?
11.- Se pretende realizar el estudio de la contaminación de cierta región en

la que se están produciendo vertidos industriales. Se han clasificado los
terrenos en los siguientes niveles de contaminación: (a) terrenos limpios,
(b) terrenos con nivel de contaminación medio, y (c) terrenos con nivel
de contaminación alto. Se comprueba que la evolución de la contamina-
ción de un año para otro se ajusta a los siguientes datos. Cada año se
contamina un 30 % de los terrenos limpios de la siguiente manera:
El 20 % con un nivel de contaminación medio

El 10 % con un nivel de contaminación alto.
Anualmente el 30 % de los terrenos con nivel de contaminación media

pasan a tener contaminación alta. Ante esta situación, la autoridades
emprenden un plan de recuperación de las zonas contaminadas. El plan
actúa directamente sobre los terrenos más contaminados consiguiendo,
por un lado, limpiar totalmente el 70 % de los terrenos con contamina-
ción alta, y por otro, reducir la contaminación de otro 10 % de zona de alta
contaminación que pasa a contaminación media. El territorio estudiado
tiene una extensión de 1000 hectáreas e inicialmente todas ellas estaban
limpias. Estudiar la tendencia pasado un número suficientemente gran-
de de años, ¿cuántas hectáreas de terreno estarán totalmente limpias?,
¿cuántas hectáreas de terreno estarán con una alta concentración de pro-
ductos contaminantes?
12.- Una población de ardillas está divida en tres clases de edades de dos años
de duración, a las que llamaremos jóvenes, medianas y adultas. La matriz
de Leslie viene definida de la siguiente manera: una hembra joven aporta
otra hembra y una mediana 24, además la cuarta parte de las jóvenes
sobreviven para llegar a medianas y el 50 % de las medianas se hacen
adultas.
Estudiar la evolución de la población a través de la tasa neta de

reproducción.
¿Tiene la matriz L un valor propio estrictamente dominante? Justi-

fica la respuesta.
Calcular el % de crecimiento o decrecimiento de la población.
⃗
Si X(0) = (40, 20, 30)T . ¿Cuál será la población cuatro años después?.
Si sabemos que a largo plazo la población de ardillas será de 7900.
¿Cómo estarán distribuidas en cada una de las clases?.
13.- Dado el modelo discreto matricial de Leslie,

( ) ( )( )
x1 (t + 1) 1/3 1 x1 (t)
=
x2 (t + 1) α 0 x2 (t)
Si la unidad de tiempo se considera un año, explicar el significado
de cada uno de los coeficientes de la matriz
Calcular los valores de α para los cuales la población a largo plazo
desaparece, permanece constante y aumente indefinidamente.
Hallar el valor de α para que la población crezca un 10 % anual
¿Tienden las clases de edad, en este caso, hacia unas proporciones
constantes? En caso afirmativo, encontrarlas.
14.- Sea la matriz  

0 0 2
A =  3/4 0 0 
0 1/2 0
14.a.- ¿Es A una matriz de Leslie? Justificar la respuesta e interpretar
biológicamente los elementos de la matriz.
14.b.- ¿Tiene la matriz A algún valor propio positivo estrictamente domi-
nante? Justificar la respuesta
14.c.- Sea el modelo matricial:
⃗x(t + 1) = A⃗x(t) , t = 0, 1, 2, , · · · .
Si ⃗x(0) = (100, 100, 100)T , ¿cuál será el valor aproximado de ⃗x(30)?
15.- Sea una población de hembras dividida en tres clases de edades de 5 años
de duración. Su evolución está determinada por un modelo de Leslie
siendo su matriz,  
1 a2 2
L =  1/2 0 0 
0 2/3 0
¿Desaparecerá esta población a largo plazo?
Encontrar el valor de a2 para que cada 5 años la población aumente
en un 50 %
Para el valor de a2 anteriormente encontrado. Si a largo plazo el
número de hembras es de 800, ¿cuántas de ellas serán jóvenes?
BIBLIOGRAFÍA BÁSICA
[1] ANTON, H., RORRES, C. Elementary Linear Algebra (applications ver-

sion). John Wiley and Sons, Inc. New York, 2000.
Es la última edición en inglés de [6]. El campo de aplicaciones que los autores pre-
sentan del Álgebra Lineal es muy completo y de plena actualidad. En relación a la
presente Memoria, en el libro podemos encontrar ampliamente desarrollado el capı́tulo
I, especialmente lo que hace referencia a las cadenas de Markov, al modelo de Leslie
y sus aplicaciones, al estudio de la explotación de una población de animales y a la
explotación racional y duradera de un bosque.
Los conceptos matemáticos se acompañan con numerosos ejemplos ilustrados genero-
samente con un nivel de calidad que no es frecuente en un texto de estas caracterı́sticas.
Se presta un gran interés en la forma de exponer los temas, de tal manera que puedan
ser comprendidos por una gran parte de los alumnos. De esta manera, se ha poten-
ciado la claridad de exposición de los conceptos, en detrimento de la profundidad.
Finalmente, en cada uno de los capı́tulos se incluyen numerosos ejercicios resueltos y
propuestos con diferentes grados de dificultad.
[2] BLANCHARD, P.; DEVANEY, R.L.; HALL, G.R. Ecuaciones Dife-

renciales. International Thomson Editores, S.A. de C.V., 1999.
Las ecuaciones diferenciales son el lenguaje en el que se expresan los principios ma-
temáticos que rigen muchos de los fenómenos biológicos. El enfoque clásico para su
estudio es el de ofrecer procedimientos analı́ticos para poderlas resolver. Sin embargo,
en muchas de ellas no pueden encontrarse las soluciones a través de estos métodos. Es-
te texto elige para su estudio otro punto de vista, ya que se centra en la formulación de
las ecuaciones diferenciales y en la interpretación de sus soluciones. Este camino, con-
sideramos que es el más interesante para los alumnos de Biologı́a, pues en la mayorı́a
de los casos, se está más interesado en analizar el comportamiento de un determinado
sistema biológico que en saber el valor exacto en un momento determinado. Siguiendo
esta lı́nea argumental, el libro aborda extensamente estos procedimientos geométricos
o cualitativos. Al mismo tiempo, debido a la popularización del uso de los ordenadores
y calculadoras programables, los autores presentan técnicas numéricas para conocer
el valor aproximado de las soluciones. Frecuentemente, en aquellas ocasiones donde
es posible aplicar los métodos clásicos de resolución, se encuentra la solución de la
ecuación diferencial y paralelamente se realiza su estudio cualitativo y numérico con
el objetivo de comparar los distintos métodos utilizados.
El libro puede utilizarse en gran parte de los capı́tulos III, IV, V y VI de la presente
Memoria. El nivel con el que está escrito no es demasiado elevado, sirviendo de ejem-
plo como el rigor y la claridad de exposición pueden ir conjuntamente en un texto de
matemáticas. A lo largo de su desarrollo se proponen diferentes prácticas a llevar a
179
180
cabo en el Laboratorio de Matemáticas y asimismo, aparecen pequeñas biográfias de

matemáticos actuales cuyas investigaciones están relacionadas con los temas que se
estudian.
[3] ZILL, D.G. Ecuaciones diferenciales con aplicaciones de modelado, 6a . Gru-

po Editorial Iberoamericana, México, 1998.
El texto es un manual esencial de ecuaciones diferenciales para los alumnos. Su objetivo
prioritario es la construcción de modelos matemáticos, utilizando como herramientas
las ecuaciones diferenciales, su resolución e interpretación. El autor presta especial
interés en los conceptos y hechos matemáticos básicos, para que de esta forma los
alumnos puedan diferenciar los aspectos fundamentales de los accesorios. A lo lar-
go del libro aparece una gran colección de ejercicios resueltos muy diferentes y con
distintos grados de dificultad, presentados de forma escalonada. Las aplicaciones a
diferentes campos cientı́ficos no sólo están presentes en cada uno de los capı́tulos, sino
que se dedican diversos capı́tulos independientes al estudio detallado de algunas de
estas aplicaciones.
En el contenido del libro se incluye, entre otros, el estudio de las ecuaciones dife-
renciales ordinarias, la ecuación diferencial lineal de orden superior, los sistemas de
ecuaciones diferenciales, y el estudio de la estabilidad y la teorı́a cualitativa.
[4] BURDEN, R.L.; FAIRES, J.D. Análisis Numérico, 2a ed. Grupo Editorial
Iberoamericano, S.A., 1996.
Es un libro interesante para introducirse en el Análisis Numérico, ya que es eminen-
temente práctico, prescindiendo en una gran parte de los casos de las demostraciones.
Cada tema se inicia con un ejemplo motivador del concepto a estudiar, posteriormen-
te se desarrolla el aspecto teórico completado con un número elevado de ejemplos y
finalmente, cuando es posible, se termina con los algoritmos adecuados para su im-
plantación en el ordenador.
Sus doce capı́tulos desarrollan gran parte del temario clásico de un curso de Análi-
sis Numérico. Es decir: Interpolación y Aproximación Polinomial. Diferenciación e
Integración Numérica. Problemas de Valor Inicial para Ecuaciones Diferenciales Or-
dinarias. Métodos Directos para la Solución de Sistemas Lineales. Técnicas Iterativas
en Álgebra de Matrices. Teorı́a de Aproximación. Aproximación de Valores Propios.
Soluciones Numéricas de Sistemas de Ecuaciones no Lineales. Problemas de Valores
en la Frontera para EDO. Soluciones Numéricas a Ecuaciones en Derivas Parciales.
Es el complemento adecuado para que los alumnos interesados puedan profundizar en
las cuestiones planteadas en clase, relacionadas con el cálculo aproximado de valores
y vectores propios, ası́ como con la resolución aproximada de ecuaciones y sistemas
de ecuaciones diferenciales ordinarias.
[5] HASTINGS, A. Population Biology (Concepts and Models). Springer -

Verlag, New York, Inc., 1997.
Es un libro básico dedicado a la construcción y posterior análisis de modelos ma-
temáticos aplicados a la Biologı́a. En palabras del profesor R.F. Costantino de la
Universidad de Rhode Islans, “... Alan Hastings ha conseguido en este libro integrar
181
de forma completa la Biologı́a, las Matemáticas y la Ecologı́a..El libro se encuentra

muy bien escrito, claro, conciso y con la interesante caracterı́stica de que los ejemplos
y modelos que se exponen están basados en problemas de la vida real, o en trabajos
actuales de investigación.
Básicamente el libro es una introducción a la ecologı́a de poblaciones, poniéndose
especial interés en la construcción de modelos matemáticos sencillos que estudian
el crecimiento y el comportamiento de distintas poblaciones. El autor acompaña los
conceptos con numerosos gráficos, los cuales pueden ser reproducidos con ayuda de
cualquier programa matemático de ordenador.
Tienen especial interés los capı́tulos dedicados al estudio dinámico de poblaciones,
dependiendo o no de la densidad de población, los modelos de competencia y depre-
dación, ası́ como el correspondiente a la evolución de una epidemia. El texto puede ser
una excelente introducción para cualquier alumno que esté interesado en problemas
relacionados con la Ecologı́a.
BIBLIOGRAFÍA COMPLEMENTARIA
MODELOS DISCRETOS
[6] ANTON, H. Álgebra Lineal, 3a ed. Limusa S.A., México, D.F., 1990.
[7] CANCELO, J.R., LÓPEZ J., GONZÁLEZ-CONDE C.; MONTERO, J.M.

Problemas de Álgebra Lineal para economistas, Tomos I y II. Editorial Tebar Flo-
res, Madrid, 1987.
[8] CASWELL, H. Matrix Population Models (construction, analysis, and interpreta-

tion), 2a ed. Sinauer Associates, Inc. Publishers, Sunderland, Massachusetts, 1995.
[9] DEVANEY R.L. An Introduction to Chaotic Dynamical Systems , 2a ed. Perseus

Books Publishing, L.L.C., 1989.
[10] DEVANEY R.L. First Course in Chaotic Dynamical Systems: Theory and Experi-
ment. Addison - Wesley, 1992.
[11] DEVANEY R.L. Chaos, Fractals, and Dynamics: Computer Experiments in Mat-
hematics. Addison - Wesley, 1990.
[12] GROSSMAN, S.I. Álgebra lineal con aplicaciones, 4a ed. McGraw Hill Interameri-
cana de México S.A., México, D.F., 1991.
[13] HOLMGREN, R.A. A first course in discrete dynamical systems, 2a ed. Springer -
Verlag, New York, Inc., 1996.
[14] ROMERA, M. Técnicas de los Sistemas Dinámicos Discretos. Consejo Superior de

Investigaciones Cientı́ficas, Madrid, 1997.
182
[15] TAKAHASHI, T. Ecuaciones en diferencias con aplicaciones. Grupo Editorial Ibe-

roamérica, S.A. de C.V., 1990.
[16] TULJAPURKAR, S.; CASWELL, H. Structured - population models in marine,

terrestrial, and freshwater systems. Chapman & Hall, London, 1996.
ECUACIONES DIFERENCIALES
[17] BERMUDEZ, L., POCIELLO, E., RUÍZ, M.E.; VAREA, J. Ecuaciones dife-
renciales y en diferencias finitas. Ediciones Media, Sant Cugat del Vallés, 1995.
[18] BOYCE-DI PRIMA Ecuaciones diferenciales y problemas con valores en la frontera.

Limusa.
[19] BRAUN, M. Ecuaciones diferenciales y sus aplicaciones. Grupo Editorial Iberoame-

ricano, 1990.
[20] GUZMAN, M. DE El rincón de la pizarra. Ensayos de visualización en Análisis

Matemático. Elementos básicos del Análisis. Ediciones Pirámides, S.A., Madrid, 1997.
[21] HIRSCH, M.W.; SMALE, S. Ecuaciones diferenciales. Sistemas dinámicos y Álge-

bra Lineal. Alianza Universidad, 1980.
[22] JIMÉNEZ, V. Ecuaciones diferenciales. Cómo aprenderlas, cómo enseñarlas. Servi-

cio de Publicaciones de la Universidad de Murcia, 2000.
[23] LOMEN D.; LOVELOCK, D. Ecuaciones Diferenciales a través de gráficas, mo-

delos y datos. Compañia Editorial Continental S.A. de C.V., México, 2000.
[24] QUESADA, J.J. Ecuaciones Diferenciales, Análisis Numérico y Métodos Matemáti-

cos. Santa Rita, Granada, 1996.
[25] QUESADA, J.M.; MOLINA, M.F.; SÁNCHEZ, F.T.; NAVAS, J. Problemas

resueltos de Matemáticas II. Ecuaciones diferenciales. Jaén, Jabalcuz, 2001.
[26] QUESADA, J.M.; MOLINA, M.F.; SÁNCHEZ, F.T. Matemáticas II para In-
genierı́a Técnica Industrial. Los autores, Jaén, 2000.
[27] ROMERO, J.L.; GARCÍA, C. Modelos y Sistemas Dinámicos. Servicio de Publi-

caciones, Universidad de Cádiz, 1998.
[28] SIMMONS, G.F. Ecuaciones Diferenciales: con Aplicaciones y Notas Históricas, 2a .

McGraw-Hill, Madrid, 2000.
[29] SPIEGEL, M.R. Ecuaciones diferenciales aplicadas. Prentice Hall Hispanoamerica-

na, 1997.
CÁLCULO NUMÉRICO
[30] ISAACSON, E.; KELLER, H.B. Analysis of numerical methods. John Wiley and
Sons, 1966.
183
[31] NIEVES, A.; DOMINGUEZ, F.C. Métodos numéricos aplicados a la ingenierı́a.

CECSA, México, 1995.
PAQUETES INFORMÁTICOS
[32] BLACHMAN, N. Mathematica: un enfoque práctico, 1a . Ariel, Barcelona, 1993.
[33] FORRESTER, J. Road Maps. A Guide to Learning System Dynamics. System

Dynamic in Education Projet. Sloan School of Management Massachusetts Institute
of Tecnology. Cambridge, Massachussetts, USA, 1999.
[34] RAMÍREZ V., ET AL. Matemáticas con Mathematica, vol. I,II y III. Proyecto
Sur de Ediciones, Granada, 1995.
[35] RAMÍREZ V., ET A Matemáticas con Mathematica. Cálculo Numérico. Proyecto

Sur de Ediciones, Granada, 1996.
MODELOS MATEMÁTICOS APLICADOS
[36] BEGON, M.; MORTIMER, M.; THOMPSON, D.J. Population Ecology. A uni-
fied study of animals and plants, 3a . Blackwell Science, 2000.
[37] CLEMENTS, R.R. Mathematical Modelling. A case study approach. Cambridge

University Press, 1989.
[38] GIORDANO, F.R.; WEIR, M.D.; FOX, W.P. A first course in Mathematical
Modelling, 2a ed. Brooks/Cole, Pacific, California, 1997.
[39] GOTELLI, N.J. A primer of ecology. Sinauer Associates, Inc. Publishers, Sunder-
land, Massachusetts, 1995.
[40] DE GUZMAN, M.; ET al. Estructuras fractales y sus aplicaciones. Labor. Serie
Matemáticas. Barcelona, 1993.
[41] DOUCET; SLOEP Mathematical Modeling in the Life Sciencies. Ellis Horwood,
1992.
[42] EDELSTEIN-KESHET L. Mathematical Models in Biology. Birkhäuser Mathe-

matics Series, McGraw Hill, 1988.
[43] HADELER, K.P. Matemáticas para Biólogos. Editorial Reverté, 1982.
[44] HANNON, B.; RUTH, M. Modeling dynamic biological systems. Springer - Verlag,
New York, Inc., 1997.
[45] LARSON R.; HOSTETLER, R.; EDWARDS, B. Cálculo y Geometrı́a analı́tica.

McGraw Hill, 1995.
[46] LOMELI, H.;RUMBOS, B. Métodos dinámicos en economı́a. Thomson, 2003.
[47] MAHAFFY, J.M. Modeling Mathematical. San Diego State University, USA, 2001.
184
[48] MARGALEF, R. Ecologı́a. Editorial Omega, 1995.
[49] MARTINEZ CALVO, C.; PÉREZ DE VARGAS, A. Métodos matemáticos en

Biologı́a. Editorial Centro de Estudios Ramón Areces, S. A., Madrid, 1993.
[50] MARTINEZ CALVO, C.; PÉREZ DE VARGAS, A. Problemas de Biomatemáti-

ca. Editorial Centro de Estudios Ramón Areces, S. A., Madrid, 1995.
[51] MURRAY, J.D. Mathematical Biology, 2a ed. Springer - Verlag, New York, 1993.
[52] RICKLEFS, R. Invitación a la Ecologı́a la Economia de la Naturaleza, 4a ed. Edi-

torial Médica Panamericana, Buenos Aires, Argentina, 1998.
[53] RIOS, S. Moldelización. Alianza Universidad, Madrid, 1995.
[54] RODRÍGUEZ, J. Ecologı́a. Pirámide, Madrid, 1999.
[55] VALDERRAMA BONNET, M. J. Modelos matemáticos en las ciencias experi-

mentales. Ediciones Pirámide, 1990.
[56] VANDERMEER, J. Elementary Mathematical Ecology. Krieger Publishing Com-

pany, Malabar, Florida, 1990.
PAQUETES DE CÁLCULO
MATHEMATICA. Mathematica Wolfram Research Inc. 201W. Springfield Av.

Champaing.
VENSIM. The Ventana Simulation Environment. Vensim Professional 32, version
3.0A. Copyright ⃝
c 1988-1997 Ventana Systems Inc.
STATGRAPHICS. Plus for Window version 3.1. Copyright ⃝
c 1994-1997 by Sta-
tistical Graphics Corporation.
POPULUS. Version 3.41X, 1994. Don Alstad. Department of Ecology, Evolution &
Behavior. University of Minnesota, 1987. Upper Buford Circle. St Paul, MN 55108-
6097.
RECURSOS EN LA RED
http://smub.st-and.ac.uk/jason matthiopoulos/page5.html
http://www.epa.gov/epahome/models.htm
http://www.uni-klu.ac.at/ gossimit/links/bookmksd.htm
http://cisat.isciii.es/supercourse/
185
http://perso.wanadoo.fr/l.d.v.dujardin/ct/eng index.html
http://hypertextbook.com/chaos/links.shtml
http://www3.uakron.edu/biology/mitchell/ecology/ecolinks.html
http://rulbii.leidenuniv.nl/wwwkim/popdyn.html
http://www.gypsymoth.ento.vt.edu/ sharov/PopEcol/popecol.html
http://www-rohan.sdsu.edu/ jmahaffy/courses/s00/math121/
http://everest.ento.vt.edu/ sharov/3d/3dinsect.html

1 - Modelación Matemática

Cargado por

Copyright:

Formatos disponibles

1 - Modelación Matemática

Cargado por

Información del documento

Título original

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

1 - Modelación Matemática

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE JAÉN

Juan Navas Ureña

Jaén, 19 de octubre de 2017

1. Introducción a la modelización matemática 7

3. Modelos basados en ecuaciones y sistemas en diferencias 39

3.5.8. Sistemas caóticos . . . . . . . . . . . . . . . . . . . . . . . . . 79

4. Modelos discretos matriciales 119

El temario de Modelos Matemáticos en la Empresa se divide en dos bloques, el

Comprender el alcance de la modelización matemática.

Conocer lo que significa simular un modelo.

Clasificar los distintos modelos matemáticos.

A continuación nos centraremos en el estudio de los modelos matemáticos discretos.

Comprender el concepto de modelo discreto.

Saber encontrar la potencia de una matriz cuadrada.

Conocer los modelos de Leslie y Lefkovitch, ası́ como su comportamiento a

Aplicar los modelos anteriores a situaciones reales.

Calcular y clasificar los puntos de equilibrio de un modelo discreto.

Saber interpretar su diagrama de bifurcación.

Conocer el modelo de crecimiento discreto exponencial.

Comprender el modelo discreto logı́stico y sus diversas generalizaciones.

Saber trabajar con modelos no lineales.

Saber resolver de forma explı́cita ecuaciones diferenciales sencillas.

Comprender el concepto de estabilidad de las soluciones.

Saber analizar cualitativamente ecuaciones diferenciales autónomas.

Conocer los distintos modelos continuos estudiados, especialmente el exponen-

Entender el análisis cualitativo de un sistema lineal de ecuaciones diferenciales.

Conocer el modelo Lotka - Volterra.

Saber analizar modelos en competetencia.

Encontrar un valor aproximado de la solución de una ecuación diferencial por

Utilizar un programa de ordenador para poder comparar los diferentes métodos

“un modelo es un objeto, concepto o conjunto de relaciones, que se utiliza para

Desde el punto de vista del determinismo, detrás de un fenḿeno económico siempre

llamaremos un modelo matemático del fenómeno económico.

Figura 1.1: Fases de la modelización.

(a) La observación y en la descripción.

(b) El desarrollo de hipótesis o explicaciones.

(c) La comprobación por experimentación de dichas hipótesis.

(d) La aplicación de estos conocimientos en la resolución de problemas similares.

Supongamos un problema concreto, como por ejemplo, determinar la cantidad de

1.2. Elaboración de modelos matemáticos

Figura 1.2: Conexión entre la realidad y su modelo.

(a) Se debe empezar formulando las siguientes preguntas:

¿Cuál es la información que realmente necesitamos?.

(b) Descripción cualitativa del modelo.

Se debe iniciar por el más simple que describa el comportamiento económi-

(c) Descripción cuantitativa del modelo.

(d) Introducción de las ecuaciones del modelo.

Se escriben las ecuaciones, con la ayuda de un diagrama o de una tabla.

(e) Análisis de las ecuaciones.

Debemos comprobar que su análisis da respuesta a las cuestiones plan-

(f) Volver a examinar las hipótesis.

Se intenta simplificar el modelo.

(g) Relacionar los resultados encontrados con hechos conocidos.

¿Se ha contestado al aspecto económico?.

El diagrama de la Figura 1.2 representa las principales etapas que intervienen al

Figura 1.3: Etapas necesarias para construir un modelo.

Relaciones cualitativas entre las variables. De los experimentos realizados

Modelo empı́rico de crecimiento. Como consecuencia de la etapa anterior,

Instante Tiempo Núm. células