El caos

Un modelo de poblacin
El efecto Mariposa
Los fractales en el caos
QUE ES EL CAOS?
Caos es la conducta aparentemente impredecible presente en un sistema
determinstico producto de una gran sensibilidad a las condiciones iniciales. El
caos se introduce en un sistema dinmico si dos puntos iniciales que estn
arbitrariamente cerca, divergen exponencialmente, y su comportamiento futuro se
hace impredecible.
Aqu tenemos que definir conceptos tales como sistema, sistema determinstico,
sistema dinmico.
Sistema: Es un conjunto de varias identidades fsicas o lgicas que se integran
entre si para realizar una tarea especifica. Sistema Determinstico: Es un sistema
sujeto a cambios causados por la influencia de fuerzas que que generalmente son
ajenas al sistema, consistiendo en un espacio de fase o etapas.
Sistema No-Lineal: Es aquel que exhibe una desviacin de toda correspondencia
funcional de proporcionalidad.
Las ideas de que sistemas simples-no-lineales se pueden comportar de una
manera imprevisible fueron anunciadas por el matemtico francs Henri Poincare,
hubo muchos matemticos pioneros en el campo del caos dinmico. La verdadera
importancia del caos no fue apreciada completamente hasta que aparecieron los
computadores, con los cuales se hicieron simulaciones numricas y se demostr
el caos para varios sistemas fsicos. La teora del caos no trata con eventos o
sistemas cuyo comportamiento es estocstico, trata con aquellos que tienen un
comportamiento complejo debido a que su modelacin esta basada en relaciones
no-lineales. Al hablar de modelacin nos referimos a modelacin matemtica,
aquella que a partir de un modelo matemtico describe el comportamiento de un
sistema. Como ejemplo podemos modelar la fuerza mediante la relacin F=ma.
Este modelo nos sirve para conocer el estado de alguna entidad a partir del
conocimiento de otras variables y sus relaciones. La fuerza se puede conocer a
partir del valor de la masa y aceleracin.

Existen modelos mas complejos los cuales incluyen derivadas, derivadas

parciales, funciones trascendentales. Einstein creo un modelo del espacio
utilizando 10 ecuaciones diferenciales simultaneas, que no pueden resolverse por
medio de calculo, sino que se tienen que emplear modernas computadoras para
resolverlas. Este modelo proporciona informacin de lo que pasa con estrellas,
hoyos negros, etc.
Otro ejemplo de modelo seria : T=P+.4H+6V+e, que modela la temperatura en
funcin de varias variables( presin atmosfrica, humedad relativa, velocidad del
viento,etc). Una caracterstica de este modelo es que es lineal, es decir las
variables no presentan ningn otro comportamiento y su exponente de cada una
de ellas es 1, no existen funciones trascendentes, ni derivadas, ni nada raro. Solo
nos dice que si sabemos el valor de todas las variables mas cierto error (e)
podemos obtener el valor de dicha temperatura.
Pero un modelo mas propio para la temperatura seria distinto. El modelo es:
Un modelo no lineal, Un modelo muy sensible a los valores de las variables
iniciales (condiciones iniciales), Un modelo determinstico.
Un modelo con comportamiento catico. Cuando se dice que el modelo es
sensible a las condiciones iniciales, quiere decir que si para un conjunto de valores
(valores iniciales) el resultado es X, con el mismo conjunto inicial variado digamos
por milsimas, el resultado sera Y, y X es distinto de Y. Esta caracterstica hace
imposible que se puedan obtener pronsticos certeros al paso del tiempo.Si
hacemos un modelo del pronostico del tiempo tomando en cuenta muchas
variables, se genera un modelo no-lineal, se hacen predicciones y nuestro modelo
es determinstico. Pero si de repente algo afecta el sistema y cambia las
condiciones iniciales el pronostico es totalmente distinto, se diria que una
mariposa puede afectar la velocidad del viento, luego cambia la temperatura, y se
forman huracanes, el pronostico es distinto por no considerar a la mariposa, esto
es un ejemplo se la sensibilidad a las condciones iniciales.
No existe la aleatoriedad en la teora del caos, no hay incertidumbre, siempre se
puede saber el resultado si se conoce la toda la informacin. Por ejemplo si se tira
una moneda, no existen las probabilidades de que caiga sol o aguila, sino que va
a caer sol o aguila, y eso se puede saber antes de la tirada, solo se tiene que
saber el modelo exacto que rige este comportamiento, y el valor de cada una de
las variables e ah el problema. Entonces saltamos de un problema a otro, que es
cual es ese modelo? y cuales son los valores de sus variables?. Si se pensara
que se puede encontrar este tipo de modelos se pude saber todo lo que pasa y
pasar, y el universo mismo se podria predecir con un modelo catico.
Devaney define una funcin F: V->V como catica si tiene una sensible
dependencia de las condiciones iniciales, si es topolgicamente transitiva, y si
puntos peridicos son densos. En otras palabras, es impredecible,
indescomponible y aun as contiene regularidad. Los sistemas caticos no son

aleatorios, ni desordenados, solo lo parecen. Detrs de su comportamiento

aparentemente aleatorio hay un sentido de orden y patrones.

EFECTO MARIPOSA DE LORENTZ

Lorenz estaba trabajando en 1961 con un modelo de ordenador para el tiempo

atmosfrico y quiso volver a realizar unas simulacin, pero en vez de comenzar de
nuevo desde el principio, comenz en una situacin intermeda, copiando los
nmeros de una impresin anterior, pero se encontr con unos resultados
completamente diferentes de la primera vez, debido a que el ordenador trabajaba
con seis cifras decimales, pero solo imprima tres, que son los decimales con que
introdujo Lorenz los valores para repetir el clculo.
Lorenz descubri de esta forma el fenmeno conocido tcnicamente como
dependencia sensitiva las condiciones iniciales, el nombre tcnico es conocido
medio en broma como efecto mariposa, ya que las pequeas diferencias que
introduce en el tiempo atmosfrico una mariposa que bate hoy sus alas en China
podra provocar un huracn en Nueva York el mes que viene. Como ya analizamos
este fenmeno, la dependencia sensitiva a las condiciones iniciales es
caracterstico de todos los sistemas caticos que hipotticamente seran sistemas
deterministas, pero su gran sensibilidad a las pequeas variaciaciones iniciales,
hacen que sean impredecibles.

MODELO DE POBLACIN
Un aspecto de la ciencia misma es tratar de predecir lo que pasa con un sistema.
Esto es apartir de datos obtenidos de este poder predecir su comportamiento
futuro, predecir lo que ocurrir si sabemos en que circunstancias nos encontramos
ahora. Se obtienen numeros de mediciones realizadas, se analizan los errores de
medicion. Un ejemplo sencillo es el caso del cometa Halley, un ingls predijo
apartir de sus observaciones como es la trayectoria de este cometa, asi como
tambin cuando pasaria por nuestro planeta, su resultado fue correcto, las dos
ultimas visitas fueron 1910 y 1986, el cometa deba de regresar cada 76 aos.
Debido a este hecho, trataremos un caso muy especial para ilustrar el fenmeno
del as llamado caos con un modelo de poblacin para insectos. Si conocemos el
nmero de insectos este ao, nos podemos preguntar cuntos insectos habr el
ao prximo, el siguiente, y as sucesivamente?

Con el estudio que se haga se quisiera poder encontrar una regla que nos dijera
que si este ao hay, por ejemplo, en un determinado lugar 10500 insectos, el
prximo ao habr 12 750. Si se puede descubrir esta regla, entonces aplicndola
de ao en ao se podr conocer la poblacin en cualquier ao futuro. Buscamos
una funcin o sea el modelo que prediga estas circunstancias.
Supongamos que la poblacin crece de manera proporcional a una constante C.Si
C=10% y la poblacin actual es 10000 insectos .En estas circunstancias el modelo
predice que la poblacin para el siguiente ao ser 0.1*10000+10000. El
porcentaje de crecimiento mas la poblacin.
Nos damos cuenta de que se puede encontrar la poblacin del ao siguiente
(11000 en nuestro ejemplo) haciendo la siguiente operacin: 1.1*10000=11000
Aqu, 10000 es la poblacin inicial. De la misma forma, la poblacin en el segundo
ao (12 100) se puede obtener a partir de esta misma operacin
12000=1.1*11000.Vemos entonces que la poblacin en cualquier ao se encuentra
multiplicando 1.1 por la poblacin del ao anterior. Si Y es la poblacin para el ao
siguiente y X es la poblacin actual entonces Y=C*X es el modelo general.
El valor numrico que tenga el factor C que aparece en esta expresin depender
de las condiciones en que ocurra el aumento de la poblacin. Se puede
representar la informacin contenida en esta expresin de manera grfica
utilizando los ejes cartesianos X,Y. En una grfica, la expresin queda
representada por una lnea recta. Mientras mayor sea el valor de C, mayor ser la
inclinacin de la recta. Debido a que la grfica de la ecuacin es una recta se dice
que la expresin es lineal.
Una consecuencia de la aplicacin de esta funcin es que, al transcurrir el tiempo,
la poblacin crecer de manera indefinida; llegar un momento en que ser tan
grande que el nmero de individuos de la especie no cabra en el planeta. Es claro
que un modelo como el que acabamos de presentar no puede describir de manera
correcta las variaciones reales de una poblacin. Si sta crece mucho, llegar un
momento en que los alimentos no alcancen para todos y, por tanto, la poblacin
empezar a descender. Este efecto debe considerarse, por lo que la funcin dada
por la expresin se deber modificar para que tome en cuenta que una poblacin
puede crecer, pero hasta cierto punto; ms all deber reducirse. Por otro lado, si
la poblacin es pequea, entonces tendr mucho alimento disponible y crecer.
Deben considerarse la muerte de los insectos. Y como primera aproximacin se
puede decir que el mayor numero de muerte se da por la competencia de de los
alimentos, por el territorio, etc, un mnimo conjunto de estos se muere de viejo.
Esto debe ser considerado en el modelo.
Lo anterior significa que la grfica deber ser reemplazada por otra en la que para
valores pequeos de x, o sea de la poblacin, la curva suba, mientras que para
valores muy grandes de x la curva disminuya. Esta grfica deber tener un punto
mximo, al ser as dejara de ser lineal.

Para considerar las muertes podemos pensar que la probabilidad de que muera
uno es proporcional a la poblacin de ese ao. El numero de muertes para toda la
poblacin ser proporcional a D*X^[2].
La forma de la nueva funcin matemtica de la curva es:
Y = C*X(1-X)=C*X-C*X^[2] (Nacimientos - Muertes, D=C)
Esta expresin implica que, dado el valor de la poblacin en el presente ao (valor
representado por X), se obtendr el valor Y de la poblacin del ao siguiente. Por
conveniencia se han tomado X y Y como la fraccin entre los valores cero y uno,
por tanto 0<=C <= y. El valor 0 representa la extincin de la poblacin y el valor 1
el mximo valor posible de la poblacin.
Por ejemplo, si C = 2.5 y el valor de X es 0.7, obtenemos sucesivamente que: CX
(1 -X) = 2.5 x 0.21 = 0.525
el valor de la poblacin y al ao siguiente es 0.525.
Si ahora se usa como valor inicial de la poblacin el valor que acabamos de
encontrar, o sea 0.525, siguiendo el procedimiento se obtiene que la poblacin al
tercer ao ser 0.6234. Siguiendo esta iteracin se encuentran sucesivamente los
siguientes valores de la poblacin en aos sucesivos. 0.5869, 0.6061, 0.5968,
0.6016, 0.5992,
0.6004, 0.5998, 0.6001, 0.6000, 0.6000, 0.6000, 0.6000, 0.6000, 0.6000,...
Estos resultados nos indican que a partir de cierto momento la poblacin llega a
un valor que ya no cambia con el tiempo. En nuestro caso, la poblacin llega al
valor 0.6000. En el caso que acabamos de tratar, se empez con la poblacin
inicial de X =0.7 y se termin con la de 0.6000. Si en lugar de haber empezado
con 0.7 se hubiera empezado con el valor inicial de X =0.25 (para el mismo valor
de C de 2.5), siguiendo el mismo procedimiento iterativo se obtendran los
siguientes valores: 0.4688, 0.6226, 0.5874, 0.6059, 0.5970, 0.6015, 0.5992,
0.6004, 0.5998, 0.6001, 0.6000, 0.6000, 0.6000, 0.6000,...
Se llega al mismo valor final de 0.6000! O sea, si se empieza con otra condicin
inicial se llega al mismo valor final. As se comience con el valor que sea, para
este caso de C=2.5, siempre se llegar al mismo valor final de 0.6.
Este resultado nos indica varias cosas acerca de la ecuacin (6). En primer lugar,
la poblacin no crece indefinidamente por ms iteraciones que se hagan. En
segundo lugar, despus de algunos aos se alcanza un valor que NO depende de
cul haya sido el valor de la poblacin inicial. Es decir, el valor 0.6 no depende de
la condicin inicial. Se logra as una poblacin estacionaria: la misma ao con ao.
Si se vuelve a repetir este procedimiento pero para otro valor de q en la ecuacin
(6) se obtendr otro valor final. Por ejemplo, si se usa para C=2.7, el valor final
que se obtiene es 0.6296. Para C=2.5 se obtiene como valor final 0.6 .Para q=2.7
se obtiene como valor final 0.6296. A medida que C aumenta de valor, el valor final
tambin aumenta su valor.

Vayamos ahora al otro extremo, el de un valor de C pequeo, por ejemplo 0.4. Si

se empieza con una poblacin de 0.3, entonces los valores de la poblacin que se
van obteniendo son los siguientes: 0.0840, 0.0308, 0.0119, 0.0047, 0.0019,
0.0007, 0.0003, 0.0001, 0.000, 0.000,...El valor final al que se llega es cero. La
poblacin se extingue!
Ahora nos vamos al extremo de valores grandes de C.
Por ejemplo, usemos para q el valor de 3.3 y el inicial de la poblacin de 0.6. As
se van obteniendo los siguientes valores: 0.7920, 0.5436, 0.8187, 0.4898, 0.8247,
0.4772, 0.8233, 0.4801, 0.8237, 0.4779, 0.8236, 0.4795, 0.8236, 0.4794 0.8236,
0.4794 0.8236, 0.4794,...
Ahora no se obtiene un solo valor final que se vaya repitiendo ao con ao, sino
que se va pasando del valor 0.8236 al de 0.4794 sucesivamente. Es decir; ahora
la poblacin en un ao tendr el valor de 0.4794 y al ao siguiente el de 0.8236; el
ao siguiente se repetir el valor de 0.4794 y luego, nuevamente el de 0.8236, y
as sucesivamente. Esto significa que ahora se tienen dos valores finales posibles
y que el valor de 0.4794 se alcanza no cada ao sino cada dos aos. Lo mismo
ocurre con el otro valor de 0.8236. Es decir, el ciclo ahora dobl su valor de un ao
a dos; es decir, aparece ahora una periodicidad de 2 aos. Ntese que los valores
0.8236 y 0.4794 no dependen del valor inicial que se escogi. Si en lugar de 0.6
se hubiera tomado otro valor, llegaramos a los mismos valores finales (0.8236 y
0.4794); esto siempre y cuando se mantenga el mismo valor de C o sea, 3.3. Se
dice que estamos en condiciones de periodo dos.
Para el valor de C = 3.5, con la condicin inicial de 0.6, se obtienen, despus de
varias iteraciones, no dos valores finales sino cuatro, que son 0.3028, 0.8260,
0.5001 y 0.8750. Ahora esto corresponde al perodo 4.
Si se sigue aumentando el valor de q, se obtienen ocho valores finales. Para C
=3.55 por ejemplo, stos son:
0.3548, 0.8127, 0.5405, 0.8817,0.3703, 0.8278, 0.5060, y 0.8874.Periodo 8.
Para C =3.651, ahora los valores finales sern 16.Al seguir aumentando C se
obtienen, sucesivamente,32, 64, 128,... valores finales.
Si ahora se escoge para C el valor de 3.6, resulta que por ms iteraciones que se
hagan no se llega a un valor final, en el sentido de que este valor (o valores) se
repita como en los casos mencionados arriba. Ahora se encuentra una sucesin
de nmeros que no se repiten y que tienen toda la apariencia de una sucesin
escogida al azar. Si se cambia la condicin inicial, pero se mantiene el valor de q
3.6, se obtiene otra sucesin con nmeros distintos de los anteriores y que
tampoco adquiere valores finales que se repiten constantemente.

Grfica de los valores finales que se obtienen con referencia a la poblacin como
funcin del parmetro C y que muestra dos tipos de regmenes: el peridico
(estable) y el catico.
Estos resultados pueden observarse haciendo una grfica. En el eje horizontal
mediremos los valores de C; en el eje vertical se medir(n) el(los) valor(es)
final(es) que se obtenga(n)para el correspondiente valor de C. Para C = 3.3, cuyos
valores finales = 0.8236 y 0.4794 le corresponden dos puntos.
Los valores de C para los cuales no se obtienen valores finales, se marcarn en la
grfica con una lnea completa, ya que todos los valores son posibles.
De la grfica se puede observar lo siguiente, a medida que va aumentando el valor
de C:

Para C menor o igual que 1, los valores son nulos; hay extincin de la
poblacin.
Para C entre 1 y 3 , solamente hay un solo valor final, el del estado
estacionario, que va aumentando a medida que C aumenta.
Al seguir aumentando C, empieza a aparecer una bifurcacin que da dos
valores finales. As C entre 3 y 3.45 tiene dos valores finales; estamos en la
regin del periodo 2.
Si C sigue aumentando, para el valor de 3.45 (aproximadamente) aparecen
otras dos bifurcaciones y ahora se tendrn cuatro valores finales. De hecho
entre 3.45 y 3.54 estaremos en la regin del periodo 4.
Al seguir aumentando C, aparecen nuevas bifurcaciones y nuevas lneas
curvas hasta que, finalmente, cuando C adquiere el valor de 3.5699 ya no
hay valores finales fijos y se tiene una regin con manchas que se llama
catica. En esta regin Y adquiere cualquier valor.

Podemos entonces afirmar que al ir aumentando q, se pasa por los siguientes

regmenes:
Extincin.

Un solo valor final,

Peridicos con periodicidades de 2, 4, 8, 16,
catico,
Peridicos con periodicidades de 3, 6,
...catico,

Estos resultados se obtuvieron con el estudio de la funcin. Sin embargo, hay

muchas otras funciones,
distintas de sta, pero cuyas grficas tienen la misma forma cualitativa mostrada.
Resulta que para todas estas
funciones distintas el comportamiento de los valores finales es el mismo que se
explic en este captulo. Este comportamiento es caracterstico de las funciones
no lineales.
LOS FRACTALES EN EL CAOS
Caos no es sinnimo de fractal, aunque a veces se hable de los temas
conjuntamente, o se ilustren trabajos de caos con imgenes fractales.La
geometra fractal es la geometra que describe los sistemas caticos que
encontramos en la naturaleza.
Los fractales son un lenguaje, una manera de describir una geometra. La
geometra fractal describe en algoritmos, cmo crear el fractal. Las computadoras
traducen estas instrucciones a los magnficos patrones que vemos como
imgenes fractales. Las palabras claves del caos son: irreducibilidades,
sensibilidad a las condiciones iniciales, en tanto que el grupo de ecuaciones
determinstico describe el fenmeno.
Las palabras claves de los fractales son: autoreferencia e invarianza en la escala.
Muchos fractales no son caticos como el Tringulo de Sierpinski, o las curvas de
Koch. Aun as, partiendo de bases distintas, los dos mbitos tienen mucho en
comn: muchos fenmenos caticos exhiben estructuras fractales (en los
atractores extraos por ejemplo... la estructura fractal tambin es obvia en
fenmenos caticos con sucesivas bifurcaciones como las ecuaciones logsticas o
de poblacin).

Se observar que la figuras se parecen, a su vez unas estan contenidas dentro de

las otras. Si se siguieran haciendo amplificaciones a escalas cada vez ms y ms
grandes, se obtendran figuras que se pareceran unas a otras.

Por tanto, la estructura geomtrica de las grficas de la figura es autosimilar, y por

lo tanto forman un fractal.

CONCLUSIN.
El estudio de Sistemas No-lineales en modelos matemticos, ha hecho posible
observar su naturaleza catica, impredecible y desordenada, pero tambin su
relacin con los fractales, es posible decir que si observamos en un sistema un
comportamiento fractal, puede ser que se comporta caoticamente.
Los fractales parecen ser la herramienta a utilizar para el estudio de sistemas
caticos.

Apartir de la propiedad de autosemejanza en ellos, o sea del detalle a toda escala,

podemos imaginarnos nuestro universo como entes de este tipo, entes complejos.
Nuestro universo esta constituido de objetos fractales y presenta tambin
estructuras similares y organizadas a grandes y pequeas escalas: cmulos de
galaxias, galaxias, estrellas, planetas, nubes, montaas, arboles.