Manual ModMat2024
Manual ModMat2024
Manual ModMat2024
(2023-2024)
1
Gonzalo Galiano Casas
2
Julián Velasco Valdés
Departamento de Matemáticas
Universidad de Oviedo
1.6. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Ejercicios de la Sección 1 . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2. Espacios Lp . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3. La transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . 40
Ejercicios de la Sección 3 . . . . . . . . . . . . . . . . . . . . . . . . . 51
1
2 ÍNDICE GENERAL
Ejercicios de la Sección 5 . . . . . . . . . . . . . . . . . . . . . . . . . 65
Ejercicios de la Sección 3 . . . . . . . . . . . . . . . . . . . . . . . . . 92
Bibliografía 152
Capítulo 1
En 1822, Joseph Fourier publicó la Teoría analítica del calor donde, entre otras
aportaciones de gran importancia, introdujo una nueva metodología de desarrollo
de una función en términos de series de senos y cosenos, aplicándola, en particular,
a la resolución de la ecuación en derivadas parciales del calor.
En esta expresión, la colección de funciones {ei2πkt }k∈Z y de números {ck }k∈Z juegan
el mismo papel que el que la base {ei }N N
i=1 del espacio vectorial R y las coordenadas
{xi }N N
i=1 juegan en la descomposición x = (x1 , . . . , xN ) de un vector de R .
El que algún coeficiente, ck , sea grande en comparación con los demás indica
que la función posee un alto contenido frecuencial en la frecuencia k, es decir, que
su componente de la forma1 ak cos(2πkt) + bk sin(2πkt) destaca entre las demás
componentes.
1
Con ak = ck + c−k y bk = i(ck − c−k ).
5
6 Transformadas de Fourier: Análisis de señales
−1
Teorema 1.1.1 La familia {ek }N
k=0 , con e k [n] = exp i2πkn/N , n = 0, . . . , N − 1,
define una base ortogonal del espacio de señales discretas de dimensión N .
1.1. Transformadas de Fourier discretas 9
Puesto que la DFT de una señal discreta finita es un vector complejo, a menudo
resulta útil considerar transformaciones de la misma que reflejen el contenido fre-
cuencial de la señal en términos de variables reales. La más utilizada es el espectro
de potencias, que está definido por el módulo al cuadrado de la DFT. Es decir
Por tanto, PS f [−k] = f̂ [−k]f̂ [−k] = f̂ [k]f̂ [k] = PS f [k], es decir, el espectro de poten-
cias de una señal real tiene simetría par.
Como hemos visto, la DFT se define sobre vectores arbitrarios f ∈ C, sin hacer
referencia a lo que los mismos puedan representar. En esta sección estableceremos
la relación que existe entre la DFT de un vector f ∈ C y la transformada de Fourier
de una señal f : R → C.
El tamaño del paso de tiempo del muestreo es, pues, τ = 1/fs , con lo que la señal
discreta la definimos por
f [n] = f (nτ ), para n = 0, 1, . . . , N − 1.
1.1. Transformadas de Fourier discretas 11
fs fs (N − 2) i
h
− , si N es par,
2 2 N
Dω = h (1.6)
− fs N − 1 , fs N − 1
i
si N es impar.
2 N 2 N
En Dω , consideramos una partición uniforme de N puntos con el tamaño del paso
de frecuencia dado por
|Dω | fs 1 1
∆ω = = = = .
N −1 N Nτ Teff
definidas para todo n ∈ Z, las cuales son una N −periodificación de las señales
originales. Definimos la convolución circular de f y h por
N
X −1
f ~ h[n] = f̃ [n − m]h̃[m],
m=0
Observemos finalmente que si f tiene valores reales, digamos f (t) = cos(2πω ∗ t),
∗ ∗
entonces podemos expresarla como f (t) = (ei2πω t + e−i2πω t )/2, de modo que
las frecuencias representadas por el muestreo serán ±ωa .
f̂ = Ff ,
como
···
1 1 1 1
2 N −1
1 ωN ωN ··· ωN
2(N −1)
2 2·2
F = 1
ωN ωN ··· ωN .
.. .. .. ..
. . . .
N −1 2(N −1) (N −1)2
1 ωN ωN ··· ωN
7
Es decir, m2 = kn Mod N .
1.1. Transformadas de Fourier discretas 15
M −1
1. El interior. Es el conjunto de tiempos m que satisfacen m − 2
≥ 0 y m+
M −1
2
≤ N − 1, de modo que la STFT discreta será
m+ M2−1 −i2πln
1 X
Sf [m, l] = √ f [n] exp ,
M N
n=m− M2−1
2. Los bordes. Son los conjuntos de tiempos m en los que o bien m < M2−1 o
bien m > N − 1 − M2−1 . Para estos tiempos la DFT resultante es de tamaño
estrictamente menor que M . Aunque el cálculo puede realizarse sin dificultad,
desde el punto de vista computacional resulta más eficiente modificar la señal
f para obtener DFT’s del mismo tamaño que en el interior.
Demostración. Ejercicio 8.
Supongamos que, en la situación del Ejemplo 1.1.1, queremos calcular Sf [0, l], es
decir
M −1
2 −i2πln
1 X
Sf [0, l] = √ f [n] exp .
M N
n=− M2−1
Puesto que f no está definida para n = − M2−1 , . . . , −1, debemos extenderla a este
rango de índices de algún modo significativo. En el marco de la DFT es habitual
considerar la extensión de la señal por periodicidad debido al carácter estacionario
de las señales estudiadas.
La señal. Sea f : [0, T ) → C una señal continua que muestreamos con una fre-
cuencia de muestreo fs para obtener la señal discreta f de tamaño N = [T × fs ],
dada por
f [n] = f (nτ ), para n = 0, 1, . . . , N − 1,
con τ = 1/fs .
Definimos, pues,
M − 1
w[m] = w m− τ , para m = 0, 1, . . . , M − 1.
2
Recordemos que w debe normalizarse para tener
M
X −1
w[m]2 τ = 1.
m=0
18 Transformadas de Fourier: Análisis de señales
para n = 0, . . . , N − 1 y k = 0, . . . , M − 1.
1.6. Aplicaciones
La9 idea de esta aplicación surge de la necesidad que existe en determinadas zonas
de España de elaborar censos de las poblaciones de lobos.
Es aquí donde surgen los problemas. Los ganaderos, después de muchos años de
ausencia de este depredador, han cambiado el manejo del ganado. Esto hace que el
ganado esté desprotegido y sea presa fácil para tan hábil depredador. Los ataques
del lobo al ganado doméstico crean grandes perdidas económicas a los ganaderos y
estos exigen el pago de indemnizaciones por las muertes de sus reses.
puede dar una cifra estimada de cuál es la población del lobo ibérico en España. Esta
cifra se consigue contando el número de manadas y multiplicándolo por un número
medio de individuos por manada estimado previamente. Para poder realizar estos
estudios, profesionales como biólogos y guardamontes necesitan herramientas que les
simplifiquen y hagan más eficiente su trabajo, para poder llegar a las conclusiones
más precisas posibles.
donde An0 es la amplitud de la frecuencia instantánea principal, ϕ0n0 (t), siendo ϕn0 (t)
la fase. Los términos similares definidos para j = 1, 2, . . . , J corresponden a los
armónicos de dichas componentes.
intensidad de la señal captada11 , por el viento, por el tráfico en una carretera lejana,
etc. También puede contener señales no deseadas que no sean propiamente ruidos,
como el cri-cri de los grillos, ladridos de perros, etc.
donde h(t) recoge todos los ruidos y señales no deseados, y el objetivo del análisis
de g(t) será determinar el número de lobos, N .
(tres dimensiones espaciales y una temporal) dotada en todo punto de una métrica
que nos permite calcular la distancia entre puntos. La idea central de la teoría es
que la métrica del espacio-tiempo viene determinada por la distribución de materia
y energía en el mismo, de acuerdo a un sistema de ecuaciones diferenciales conocidas
como ecuaciones de Einstein. La solución estática de las ecuaciones de Einstein para
un universo vacío es un espacio-tiempo plano que recibe el nombre de espacio de
Minkowski. En el límite en que las velocidades de los observadores son pequeñas
respecto a la velocidad de la luz, la coordenada temporal se desacopla de las coorde-
nadas espaciales, y la parte espacial de la métrica se reduce al espacio tridimensional
euclídeo en que se desarrolla nuestra experiencia cotidiana.
Cuando una onda gravitacional atraviesa una región del espacio-tiempo (por ejem-
plo, la Tierra), la métrica del espacio-tiempo en dicha región se ve perturbada. Pues-
to que la métrica permite calcular la distancia entre los puntos del espacio-tiempo,
una onda gravitacional se manifiesta físicamente como una (pequeña) alteración
transitoria de la distancia entre los puntos de la región en cuestión. La Figura 1.3
ilustra este fenómeno. El cambio en la distancia inducido por la onda gravitacional
es proporcional a la distancia original y a un parámetro h que indica la magnitud
típica de las componentes del tensor hµν . Este parámetro h es el que contiene el
carácter oscilatorio en el tiempo de la onda gravitacional (es decir, la información
sobre la amplitud y la fase de la onda).
Figura 1.3: Efecto sobre un disco de radio R sobre el plano XY de una onda gravi-
tacional propagándose en la dirección de eje Z. El trazo discontinuo indica la forma
original del disco (en ausencia de onda gravitacional). En trazo continuo se mues-
tra la forma del disco para dos fases opuestas (i.e. que difieren en π) de la onda
gravitacional
Los datos que se obtienen en LIGO contienen altos niveles de ruido, varios órde-
nes de magnitud por encima de la amplitud de la señal correspondiente a la onda
gravitacional. Por ello, antes de aplicar las técnicas relacionadas con la transforma-
da ventaneada de Fourier, es necesario un tratamiento previo de los datos en dos
etapas: blanqueamiento y filtrado.
1.1. Transformadas de Fourier discretas 25
fˆ(ω) fˆ(ω)
g(ω) = p =
S(f )(ω) |fˆ(ω)|
Figura 1.5: Izquierda: Espectrograma obtenido con nuestro programa. Derecha: es-
pectrograma publicado por LIGO
• Filtrado. Una vez blanqueados los datos, podemos aplicar un filtro frecuencial pa-
ra restringir el estudio al rango de frecuencias que nos interesa. Por un lado, LIGO
no está calibrado a frecuencias bajas, por lo que el ruido (en este caso de carácter
aleatorio, no sistemático) crece varios órdenes de magnitud por debajo de los 20 Hz.
Para evitar que los elevados niveles de ruido a estas frecuencias distorsionen los
resultados, se filtran las frecuencias inferiores a 30 Hz. Por otro lado, las prediccio-
nes teóricas no esperan eventos detectables para frecuencias superiores a 400 Hz,
de modo que las frecuencias por encima de 400 Hz se filtran también. Este paso
podría no resultar tan crítico como el anterior: a frecuencias altas no hay niveles de
ruido que vayan a distorsionar notablemente los resultados. Sin embargo, al filtrar
frecuencias superiores a 400 Hz logramos disminuir la influencia de la oscilación de
los espejos (recuérdese: 500 Hz), que daría lugar casi siempre a máximos de origen
no gravitacional en el espectrograma.
1.1. Transformadas de Fourier discretas 27
Ejercicios de la Sección 1
1. Probar la fórmula de Plancherel para señales finitas
N −1
2 1 X
kf k = |f̂ [k]|2 .
N k=0
b) Sea f una señal discreta finita de tamaño N (par) con valores reales. Probar
que la DFT de f queda determinada por N2 + 1 números complejos.
N
c) Obtener la fórmula de la DFT inversa usando únicamente esos 2
+ 1 valores
de f̂ , y demostrar que todos sus sumandos son números reales.
Aunque todos los conceptos y resultados que veremos son válidos para funciones
con valores complejos, la notación se simplifica tratando el caso real, es decir, de
funciones f : Ω ⊂ R → R, donde Ω es un conjunto abierto. Así que nos restringiremos
a este caso.
Una medida, µ, es una función que se aplica sobre conjuntos, es decir, una asig-
nación de un número µ(A) a cada conjunto A de una cierta clase. Dicha clase debe
tener cierta estructura (σ-álgebra) y la función µ debe satisfacer ciertas propiedades.
Concretamente:
a) ∅ ∈ M,
b) A ∈ M =⇒ Ac ∈ M,
S
c) Si {An }n∈N ⊂ M entonces n∈N An ∈ M.
2. µ : M → [0, ∞] es una medida si µ(∅)S= 0 y si para toda familia {An }n∈N de
∞ P∞
conjuntos disjuntos de M se tiene µ n=1 An = n=1 µ(An ).
Observemos que esta integral siempre existe, aunque puede ser infinita.
R R
5. Sean f, g medibles con f ≤ g c.t.p. en R. Entonces R f (x)dx ≤ R g(x)dx.
R R
6. Sea f una función medible. Entonces18 R f (x)dx ≤ R |f (x)|dx.
Observemos que la primera propiedad nos permite definir la integral de una función
medible en un conjunto de Borel:
Z Z
f (x)dx = f (x)IA (x)dx.
A R
2.2. Espacios Lp
Observación 1.2.1 Para que k · kL1 (Ω) sea una norma, debe satisfacerse kf kL1 (Ω) =
0 =⇒ f = 0. Sin embargo, aquí solo tenemos kf kL1 (Ω) = 0 =⇒ f = 0 c.t.p. en
Ω. Para evitar este inconveniente, los elementos de L1 (Ω) se definen como clases de
funciones bajo la relación de equivalencia f ≡ g si f = g c.t.p. en Ω.
Finalmente, el espacio de Banach L∞ (Ω) está formado por las funciones medibles
esencialmente acotadas, es decir,
L∞ (Ω) = {f : Ω → R : f es medible y ∃ C constante tal que |f (x)| ≤ C c.t.p. en Ω} ,
y su norma viene dada por kf kL∞ (Ω) = ı́nf{C : |f (x)| ≤ C c.t.p. en Ω}.
Los dos primeros resultados que enunciamos se refieren a la justificación del in-
tercambio en el orden en el que se efectúan un límite y una integración, es decir, a
establecer que
Z Z
lı́m fn (x)dx = f (x)dx cuando fn → f en un sentido a precisar.
n→∞ Ω Ω
20
Una sucesión, xn , de elementos de un espacio normado (X, k · k) es una sucesión de Cauchy
si para todo ε > 0 existe N ∈ N tal que para cualesquiera números naturales m, n > N se tiene
kxm − xn k < ε.
21
R
En el caso complejo, el producto escalar viene dado por hf, gi = Ω f (x)ḡ(x)dx.
1.2. Resultados fundamentales de Análisis Funcional 33
Teorema 1.2.4 (de la convergencia monótona) Sea {fn } una sucesión de fun-
ciones de L1 (Ω) tal que:
1. f1 ≤ f2 ≤ · · · ≤ fn ≤ fn+1 ≤ · · · c.t.p. en Ω,
R
2. supn Ω fn (x)dx < ∞.
Entonces fn (x) converge c.t.p. en Ω a un límite finito, que denotamos por f (x).
Además, f ∈ L1 (Ω) y kfn − f kL1 (Ω) → 0 cuando n → ∞.
Teorema 1.2.5 (de la convergencia dominada) Sea {fn } una sucesión de fun-
ciones de L1 (Ω) tal que:
El siguiente resultado nos proporciona condiciones bajo las cuales se puede inter-
cambiar el orden de integración en integrales definidas en espacios producto.
R
1. F (x, y) ∈ L1 (Ω2 ) para c.t.p. x ∈ Ω1 , y Ω2
F (x, y)dy ∈ L1 (Ω1 ),
R
2. F (x, y) ∈ L1 (Ω1 ) para c.t.p. y ∈ Ω2 , y Ω1
F (x, y)dx ∈ L1 (Ω2 ),
34 Transformadas de Fourier: Análisis de señales
y, además,
Z Z Z Z Z
F (x, y)dxdy = F (x, y)dy dx = F (x, y)dx dy.
Ω1 ×Ω2 Ω1 Ω2 Ω2 Ω1
Denotamos por C(Ω) al espacio vectorial formado por las funciones continuas de
Ω en R y por C0 (R) al conjunto de funciones f ∈ C(R) tales que lı́m|x|→∞ f (x) = 0.
C0 (R) es un espacio de Banach con la norma
kf kC0 (R) = máx |f (x)|.
x∈R
Teorema 1.2.8 (De aproximación) El espacio Cc∞ (Ω) es denso en Lp (Ω), para
1 ≤ p < ∞. Es decir, para toda f ∈ Lp (Ω) existe una sucesión, {fn } ⊂ Cc∞ (Ω) tal
que
lı́m kfn − f kLp (Ω) = 0.
n→∞
Para construir una de estas sucesiones regularizantes basta con encontrar una fun-
∞
R
ción ρ ∈ Cc (R) tal que sop(ρ) ⊂ (0, 1), RR ρ > 0 y ρ ≥ 0 en R, y entonces tomar el
reescalado ρn (x) = Cnρ(nx), con C −1 = R ρ. Tales funciones ρ existen. Por ejemplo
1
exp si |x| < 1,
ρ(x) = |x|2 − 1
0 si |x| ≥ 1.
Puesto que la función f que queremos aproximar solo está definida en Ω, para utilizar
el producto de convolución comenzamos por extender f a R mediante su extensión
por cero, f˜, definida por
(
f (x) si x ∈ Ω,
f˜(x) =
0 si x ∈ R\Ω.
Puesto que ρn ∈ Cc∞ (R), se tiene que fn ∈ Cc∞ (R) ya que tanto f˜ como ρ son de
soporte compacto y, además, la derivada m−ésima de fn ,
Z
(m)
fn (x) = f˜(y)ρ(m)
n (x − y)dy
R
Por tanto, si existe H ∈ L1 (R) tal que khn −HkL1 (R) → 0 cuando n → ∞, tendremos
que (iii) implica que H(x) = 0 en c.t.p. x ∈ R pero (iv) nos dice que kHkL1 (R) = 1,
lo cual es contradictorio.
1.2. Resultados fundamentales de Análisis Funcional 37
de modo que
Z
I(1/n) = ϕ(x)hn (x)dx.
R
obtenemos
1
lı́m I(1/n) = lı́m I(s) = lı́m ϕ(−s/2) + ϕ(s/2) = ϕ(0),
n→∞ s→0 2 s→0
debido a la continuidad de ϕ. Es decir, para cualquier función, ϕ, continua,
Z
lı́m ϕ(x)hn (x)dx = ϕ(0).
n→0 R
En esta definición,
La continuidad significa que existe una constante C > 0 tal que para toda
ϕ ∈ C(R) se tiene
Observación 1.2.3 La sucesión {hn } que hemos utilizado para obtener la delta de
Dirac no es la única que puede utilizarse. Consideremos, para empezar, una función
g ∈ L1 (R) tal que kgkL1 (R) = 1, y definamos la sucesión gn (x) = ng(nx), con n ∈ N.
Entonces kgn kL1 (R) = 1 y, usando el cambio de variable s = n(x − x0 ), obtenemos
Z Z s
gn (x − x0 )ϕ(x)dx = fn (s)ds, donde fn (s) = g(s)ϕ + x0 .
R R n
Queremos usar el teorema de la convergencia dominada para deducir que
Z
lı́m gn (x − x0 )ϕ(x)dx =< δx0 , ϕ >= ϕ(x0 ),
n→∞ R
23
R
Es común encontrar la notación R
ϕ(x)dδx0 (x) en vez de hδx0 , ϕi.
1.2. Resultados fundamentales de Análisis Funcional 39
existe ψ ∈ L1 (R) tal que |fn (s)| ≤ ψ(s) para todo n y para casi todo s ∈ R.
3. La transformada de Fourier
Más aún, como demostraremos en el Ejercicio 6, también se tiene que lı́m fˆ(ω) = 0,
|ω|→∞
de modo que la transformada de Fourier puede interpretarse como la aplicación
En la Tabla 1.2 mostramos algunas de sus propiedades elementales, que serán pro-
badas en el Ejercicio 1. Veamos un ejemplos de transformada de Fourier que es
especialmente relevante.
2 ω2
cuya solución es de la forma ĝ(ω) = ĝ(0)e−2π . Teniendo en cuenta que ĝ(0) =
2 2
g(t) = 1, deducimos que ĝ(ω) = e−2π ω .
R
R
1 (t−t0 )2 2 σ2 ω2
gt0 ,σ (t) = √ e− 2σ2 entonces F(gt0 ,σ )(ω) = e−i2πωt0 e−2π .
σ 2π
Para definir la transformada de Fourier hemos asumido que f ∈ L1 (R). Si, ade-
más, obtenemos que fˆ es también integrable, el siguiente teorema nos proporciona
una fórmula de reconstrucción para f mediante la transformada inversa de Fourier.
42 Transformadas de Fourier: Análisis de señales
Como veremos en lo que sigue, una técnica habitual en las demostraciones de resulta-
dos de la teoría de Fourier es el intercambio en el orden de integración, justificándolo
mediante el teorema de Fubini. Sin embargo, en este caso no podemos justificarlo
debido a que f (τ )ei2πω(t−τ ) no es integrable en R2 . En efecto, tenemos que
Z Z Z
−i2πωt
|f (t)e |dtdω = |f (t)|dtdω = kf kL1 (R) dω = ∞.
R2 R2 R
Observemos que el papel que juega la gaussiana es el de atenuar el valor del inte-
grando lejos de ω = 0, haciendo así que la función resultante sea integrable.
y, claramente,
de modo que
Z Z
|F (t, τ )|dtdτ = khkL1 (R) |f (τ )|dτ = khkL1 (R) kf kL1 (R) .
R2 R
44 Transformadas de Fourier: Análisis de señales
Comenzamos probando que los productos escalares y las normas de L2 (R) se con-
servan bajo la transformada de Fourier. Es decir, las transformadas son isometrías.
En particular,
Z Z
2
|f (t)| dt = |fˆ(ω)|2 dω. (Identidad de Plancherel) (1.17)
R R
Si f ∈ L2 (R) pero f ∈
/ L1 (R), la transformada de Fourier no puede calcularse
directamente mediante (1.12) porque f (t)ei2πωt no es, en general, integrable. Sin
embargo, podremos definirla mediante un procedimiento de aproximación basado
en la densidad de Cc∞ (R) en L2 (R) establecida en el Teorema 1.2.8 (teorema de
aproximación).
de modo que fˆn también es una sucesión de Cauchy en el espacio de Banach L2 (R),
y por tanto converge en este espacio a cierta función que denotamos por fˆ, y que
tomamos como definición de la transformada de Fourier de f . Es decir, se define fˆ
como
Ejemplo 1.3.3 La gaussiana compleja f (t) = exp − (a − ib)t2 tiene como trans-
formada de Fourier a otra gaussiana compleja (Ejercicio 4),
r
π π 2 (a + ib)ω 2
ˆ
f (ω) = exp − . (1.19)
a − ib a2 + b 2
|f (x)|2 |fˆ(ω)|2
µf (x) = dx y µ ˆ
f (ω) = dω
kf k2L2 (R) kf k2L2 (R)
Paso 1. Tenemos
Z Z
1
σx2 σω2 = 2
|xf (x)| dx |ω fˆ(ω)|2 dω.
kf k4L2 (R) R R
Como F(f 0 )(ω) = i2πω fˆ(ω) (Ejercicio 1), la fórmula de Plancherel para iω fˆ(ω) da
Z Z
1
2 2
σx σω = |xf (x)| dx |f 0 (x)|2 dx.
2
(1.25)
2πkf k4L2 (R) R R
Paso 2. Tenemos que (|f (x)|2 )0 = 2 Re(f (x)f 0 (x)) (Ejercicio 10) , con lo que
(x|f (x)|2 )0 = |f (x)|2 + 2x Re(f (x)f 0 (x)).
Integrando en R y usando la hipótesis (1.24) obtenemos
Z
2
kf kL2 (R) = −2 Re xf (x)f 0 (x)dx .
R
Para hacernos una idea de lo que implica esta fórmula, consideremos una sucesión
gn ∈ L1 (R) que aproxima a la delta de Dirac centrada en t0 y sea ϕ ∈ L1 (R)∩C0 (R).
Recordemos que, entonces, tenemos que ĝn , ϕ̂ ∈ L∞ (R) ∩ C0 (R). De acuerdo a la
fórmula de dualidad
Z Z
ĝn (ω)ϕ(ω)dω = gn (ω)ϕ̂(ω)dω.
R R
de modo que
Z Z
lı́m ĝn (ω)ϕ(ω)dω = e−i2πωt0 ϕ(ω)dω para toda ϕ ∈ L1 (R) ∩ C0 (R),
n→∞ R R
Un cálculo similar nos permite definir la convolución de una delta de Dirac con
una función y corroborar que la definición de δ̂t0 es acertada. Introduzcamos la
notación ϕt (s) = ϕ(t − s) y consideremos la convolución de gn con ϕ. Tenemos
Z Z
gn (t − τ )ϕ(τ )dτ = gn (s)ϕt (s)ds → hδt0 , ϕt i cuando n → ∞,
R R
Ejercicios de la Sección 3
1. Probar las siguientes propiedades básicas de la transformada de Fourier.
4. Sea f (t) = exp − (a − ib)t2 , con a > 0 y b ∈ R. Probar que
r
π π 2 (a + ib)ω 2
fˆ(ω) = exp − .
a − ib a2 + b 2
1
donde si = √ .
σi 2π
Se tiene que tanto f1 f2 como f1 ∗ f2 son gaussianas de la forma
2
(x−mp ) (x−mc )2
sp − 2 1 −
f1 (x)f2 (x) = √ e 2σp , f1 ∗ f2 (x) = √ e 2
2σc .
σp 2π σc 2π
1 x2
f (x) = √ e− 2σ2 , gn (x) = f ∗ · · · ∗ f .
σ 2π | {z }
n veces
√ √
Determinar la función g(x) = σ n gn (xσ n) para n ∈ N.
1.3. La transformada de Fourier 53
c
c) Calcular la transformada de Fourier de fc (t) = , con c ∈ R.
c2
+ t2
d ) Usar el teorema de convolución para calcular fa ∗ fb (t), donde a, b > 0.
12. Sean γ : [0, 1] → R2 una curva diferenciable cerrada parametrizada por lon-
gitud de arco, de modo que su longitud, P , y el área que encierra, A, vienen
dadas por
Z 1 Z 1
0
2
P = 2
kγ (t)k dt, A = γ1 (t)γ20 (t)dt.
0 0
2
Probar la desigualdad isoperimétrica P ≥ 4πA. Probar que la igualdad se
satisface si y sólo si la curva es una circunferencia.
Indicación: Considerar los desarrollos de γ1 y γ2 en series de Fourier para
calcular las integrales mediante las identidades de Parseval y Plancherel.
13. Sean X1 , . . . , Xn variables aleatorias independientes e idénticamente distribui-
das, con media cero, varianza σ 2 y función de densidad ρ. Es sabido que la
función de densidad de
X1 + · · · + Xn
Xn = es (ρ∗)n = ρ ∗ · · · ∗ ρ .
n | {z }
n veces
√
El teorema del límite central establece que n X n → N (0, σ 2 ) cuando n → ∞
que, en términos de las funciones de densidad puede expresarse como
√ √ 1 x2
σ n(ρ∗)n (σ nx) → √ e− 2 para todo x ∈ R.
2π
Aunque el teorema es válido bajo condiciones más generales, aquí asumiremos
que ρ ∈ C(R) (y, por supuesto, kρkL1 (R) = 1), y que
Z
ρ(x)|x|k dx ≤ M < ∞.
R
Surge entonces la cuestión de hasta qué punto están relacionadas la señal con-
tinua, en general desconocida, y la discretización de la que disponemos. De si la
discretización de f implica siempre una pérdida de información o de si, por el con-
trario, hay casos en los que se puede reconstruir exactamente la señal continua a
partir de sus muestras.
En esta sección abordaremos esta cuestión, que culmina con la respuesta dada
por el teorema de muestreo, demostrado independientemente por Whitakker (1914)
y Shannon (1949).
Bajo las hipótesis que asumiremos, el teorema puede ser demostrado con todo
rigor26 . Sin embargo, en algunas de las demostraciones que ofrecemos en esta sección
hemos preferido primar una descripción liberal27 de los argumentos que subyacen en
las demostraciones rigurosas con el fin de ganar intuición sobre las razones que las
sustentan.
P
1. n∈Z máxt∈T |f (t − nτ )| < ∞,
|fˆ(k/τ )| < ∞.
P
2. k∈Z
Entonces,
1X ˆ
f˜(t) = f (k/τ )ei2πkt/τ para todo t ∈ T,
τ k∈Z
31
Asumiéndola válida para deltas de Dirac
58 Transformadas de Fourier: Análisis de señales
para toda ϕ ∈ C(R), siempre que la suma sea finita. P Observemos que, con esta
interpretación, es equivalente escribir fd como fd = n∈Z f (nτ )δnτ .
Teorema 1.4.16 Sea f ∈ L1 (R) ∩ C0 (R). Entonces fˆd es τ1 -periódica y dada por
1 X ˆ n
fˆd (ω) = f ω− , ω ∈ R. (1.31)
τ n∈Z τ
Demostración.
P Podemos reescribir fd como fd = f p, donde p es el peine de Dirac
p = n δnτ . Usando el teorema de convolución, véase el Ejercicio 8 de la Sección 3,
deducimos que fˆd (ω) = fˆ ∗ p̂(ω). La fórmula de Poisson (1.30) asegura que
1X
p̂(ω) = δn ,
τ n∈Z τ
y como por (1.27) tenemos que fˆ ∗ δξ (ω) = fˆ(ω − ξ), se deduce el resultado.
El teorema anterior nos dice que fd es 1/τ -periódica, de modo que todo su con-
tenido frecuencial está contenido en cualquier intervalo de longitud 1/τ , como por
ejemplo (− 2τ1 , 2τ1 ]. Parece claro que para que f pueda ser reconstruida a partir de
su versión discreta, el contenido frecuencial de f debe cumplir la misma condición.
4.2.1. Aliasing
Ejemplo 1.4.1
La fórmula (1.31) nos dice que el espectro de fd es τ -periódico de modo que a fˆd (ωa ),
con ωa ∈ (−ωN , ωN ] no solo contribuye el posible contenido frecuencial que tenga f
en esta frecuencia, es decir, fˆ(ωa ), sino todo el contenido que pueda tener lugar en
las frecuencias ωk = ωa − k/τ , con k ∈ Z.
∗
Supongamos que la señal f (t) = ei2πω t ha sido muestreada con un muestreo de
paso τ , siendo |ω ∗ | > ωN . Entonces, el espectro de fd tendrá una contribución en
la frecuencia ωa ∈ (−ωN , ωN ], donde ωa viene determinada por ser ω ∗ = ωa − k/τ ,
para cierto k ∈ Z.
Observemos finalmente que si f tiene valores reales, digamos f (t) = cos(2πω ∗ t),
∗ ∗
entonces podemos expresarla como f (t) = (ei2πω t + e−i2πω t )/2, de modo que las
frecuencias representadas por el muestreo serán ±ωa , con ωa dada por (1.34).
La distancia se hace mínima cuando la segunda integral se anula, y por tanto, usando
(1.33), deducimos que
1
φ̂(ω) = χ(−ωN ,ωN ] (ω)fˆ(ω) = ĥτ (ω)fˆ(ω).
τ
Haciendo la transformada inversa obtenemos que φ = τ1 hτ ∗ f . Por tanto, el filtrado
de f mediante hτ elimina el aliasing al anular cualquier frecuencia mayor que ωN .
Además, puesto que φ̂ tiene su soporte incluido en ωN , ωN ], el Teorema 1.4.17 de
muestreo implica que φ puede recuperarse mediante las muestras φ(nτ ).
Por ello, la conversión de una señal analógica a una discreta debe constar de dos
pasos: un filtrado que limite su banda de frecuencias al intervalo (−ωN , ωN ], seguido
de un muestreo uniforme de paso τ .
62 Transformadas de Fourier: Análisis de señales
Sea w : R → R una función par no negativa con kwkL2 (R) = 1, a la que nos
referiremos como una ventana. Un ejemplo de ventana, muy utilizado en la práctica,
es el de la ventana gaussiana de media nula y varianza σ 2 > 0,
t2
w(t) = (πσ 2 )−1/4 exp − 2 . (1.35)
2σ
Asociado a una ventana, definimos el átomo de Fourier por modulación en frecuencia
y traslación en tiempo como
Los átomos de Fourier forman una familia de funciones que permiten localizar tem-
poralmente la transformada de Fourier.
Como w es par, w(t − τ ) está centrada en τ , y por ello la multiplicación por esta
ventana trasladada centra la tranformada de Fourier en t = τ . Además, si w tiene
un soporte pequeño, el centrado en t = τ es acompañado por una localización de la
señal entorno a dicho punto.
La varianza temporal es
Z Z Z
2 2 2 2 2
στ = (t − τ ) |wτ,ξ (t)| dt = (t − τ ) |w(t − τ )| dt = t2 |w(t)|2 dt. (1.36)
R R R
La varianza frecuencial es
Z
σξ2 = (ω − ξ)2 |ŵτ,ξ (ω)|2 dω.
R
Sea hτ (t) = w(t−τ ), de modo que wτ,ξ (t) = ei2πξt hτ (t). Usando las propiedades
de la transformada de Fourier demostradas en el Ejercicio 1 de la Sección 3
tenemos, por una parte, que ŵτ,ξ (ω) = ĥτ (ω−ξ), y por otra parte, que ĥτ (ω 0 ) =
0
e−i2πτ ω ŵ(ω 0 ). Por tanto,
de modo que
Z Z
σξ2 = 2
(ω − ξ) |ŵ(ω − ξ)| dω = 2
ω 2 |ŵ(ω)|2 dω. (1.37)
R R
donde wξ (s) = w(s)ei2πξs , y hemos usado que w es par. Definiendo fξ (τ ) = Sf (τ, ξ),
tenemos que (Ejercicio 1 de la Sección 3)
fˆξ (ω) = fˆ(ω + ξ)ŵξ (ω + ξ) = fˆ(ω + ξ)ŵ(ω). (1.38)
Usando la fórmula de Parseval (1.16) respecto la integración en τ y teniendo en
cuenta que la transformada de Fourier de w(t − τ ) con respecto a τ es e−i2πtω ŵ(ω),
obtenemos
Z Z Z Z
i2πξt
Sf (τ, ξ)w(t − τ )e i2πξt
dτ dξ = ˆ
fξ (ω)F w(t − τ ) dτ e dξ
R R Z Z R R
= fˆ(ω + ξ)|ŵ(ω)|2 ei2πt(ω+ξ) dω dξ = I1 .
R R
Ejemplo 1.5.1 Cuando escuchamos una señal del tipo f (t) = exp(i2πbt2 ) observa-
mos que posee una frecuencia que crece con el tiempo, es decir, el tono va haciéndose
más agudo. Considerando la ventana gaussiana dada por (1.35), podemos calcular
la STFT de f usando la transformada de Fourier de una función gaussiana, véase
(1.19). En particular, el espectrograma viene dado por (Ejercicio 5)
4πσ 2 1/2 4π 2 σ 2 (ξ − 2bτ )2
PS f (τ, ξ) = exp − . (1.39)
1 + 16π 2 b2 σ 4 1 + 16π 2 b2 σ 4
Es fácil ver que fijado τ , el espectrograma PS f (τ, ξ) es una gaussiana que alcanza
su máximo en ξ(τ ) = 2bτ .
Ejercicios de la Sección 5
1. Probar que si w : R → R satisface w(t) = w(−t) entonces ŵ es real y ŵ(ω) =
ŵ(−ω).
a) Consideremos el átomo de Fourier φτ,ξ (t) = w(t−τ )ei2πξt , donde kwkL2 (R) = 1.
Calcular PV φτ,ξ en términos de PV w.
b) El teorema de Moyal dice: Si f, g ∈ L2 (R) entonces
Z 2 Z Z
f (t)g(t)dt = PV f (τ, ξ)PV g(τ, ξ)dτ dξ. (1.41)
R R R
Modelos de reacción-difusión:
Evolución y equilibrio
1. Reacciones químicas locales, en las que las sustancias se transforman las unas
en las otras o son consumidas o creadas.
donde cada componente del vector u(t, x) representa la concentración de una sustan-
cia, A es un operador de difusión, y f da cuenta de las reacciones químicas locales,
y es por ello llamado el término de reacción.
Por simplicidad, en este capítulo nos centraremos en unos modelos para los que
no es necesario el conocimiento previo de otras disciplinas, como la química de las
reacciones, y que se deducen de un modo más o menos intuitivo: los modelos de
dinámica de poblaciones. Además, aunque bajo el título de modelos de reacción-
difusión, incluiremos otros modelos que no son estrictamente de este tipo, pero que
se deducen de forma similar a partir de leyes de conservación.
Sin embargo, siguiendo con este ejemplo, la ecuación f (u) = 0 puede tener múlti-
ples soluciones, por lo que debemos estudiar cuál de ellas será efectivamente el límite
de u(t, x) cuando t → ∞; o bajo qué condiciones el límite será uno u otro equilibrio.
Imaginemos que nos encontramos en una sala con las ventanas abiertas en la
que se encuentra un grupo de personas. Por ejemplo, un aula. Queremos establecer
una ley para calcular la concentración de CO2 en la sala teniendo en cuenta que: (i)
existe una corriente de aire que transporta el CO2 ; (ii) se aplica la ley de Fick, la cual
nos dice que, por razones de índole molecular, las sustancias tienden a desplazarse
de regiones de mayor concentración a regiones de menor concentración; y (iii) las
personas generan CO2 con su respiración.
Por (i), al estar las ventanas abiertas, se genera una corriente en la que fluye el
CO2 . Denotemos la velocidad de esa corriente (conocida) por va (t, x). Llamaremos
flujo de transporte de CO2 al vector qa (t, x) = va (t, x)u(t, x), cuyas dimensiones
son [qa ] = [L]−2 [M ][T ]−1 .
Finalmente, por (iii), las personas de la sala generarán cierta cantidad de CO2 por
unidad de tiempo, cantidad que dependerá del número de personas y de su actividad
física. Esta generación de CO2 puede depender también de la propia concentración
que ya exista en la sala (si hay una gran concentración, es de esperar que se reduzca
la actividad física y por tanto la respiración), por lo que supondremos que la tasa
de generación de CO2 puede representarse por la función f (t, x, u(t, x)), con [f ] =
[u][T ]−1 = [L]−3 [M ][T ]˘1 .
70 Modelos de reacción-difusión: Evolución y equilibrio
El siguiente resultado, demostrado por Gauss en 1826, establece una relación entre
la componente normal del flujo a través de la frontera y cierto operador diferencial,
la divergencia 1 , de dicho flujo en el interior.
Recordando ahora que q(t, x) = qa (t, x) + qd (t, x) con qa (t, x) = va (t, x)u(t, x) y
qd (t, x) = −k∇u(t, x) obtenemos
∂t u(t, x) + div va (t, x)u(t, x) − k∆u(t, x) = f (t, x, u(t, x)), (2.5)
para t > 0, x ∈ R3 .
Observación 2.1.1 Con el fin de mantener una notación ligera, a menudo escribire-
mos las funciones sin explicitar sus argumentos pero explicitando dónde se verifican.
Así, la ecuación general de conservación (2.4) la escribiremos como
Puesto que las causas de dicha evolución son diferentes para especies diferentes,
no es de esperar que podamos deducir un modelo general que las englobe a todas
ellas.
Como las herramientas que vamos a utilizar están basadas en el cálculo diferencial,
el contexto en el que definamos nuestras variables e incógnitas debe ser continuo.
Es decir, si u denota el número de individuos, que es un número natural, debemos
extender esta noción al conjunto de los números reales, donde podemos manejar la
noción de diferenciabilidad.
¿Cuáles son los factores que influyen en la variación global de la densidad de una
población? Genéricamente, si el hábitat está aislado y por tanto no hay migraciones a
través de su frontera, la variación vendrá determinada por el nacimiento y la muerte
de los individuos.
Para definir un modelo específico, por tanto, tendremos que asumir cierta forma
funcional para estos eventos naturales. Lo ideal es extraer esta información en cada
caso concreto, pero también pueden hacerse hipótesis generales que, aunque no pro-
porcionen una información cuantitativa relevante, sí nos den una idea cualitativa de
la evolución de la población.
o, lo que es lo mismo,
u(t + τ ) − u(t)
= ru(t),
τ
donde r = b−µ es la tasa de crecimiento neta per cápita de la población. Asumiendo
que u es diferenciable y tomando τ → 0, deducimos
u0 (t) = ru(t),
Vemos, pues, que este modelo, introducido por Malthus en 1798, da lugar a tres
posibles situaciones a largo plazo (cuando t → ∞):
Observemos que los dos primeros puntos, que recogen el caso en que las muertes
son más frecuentes que los nacimientos, o igual de frecuentes, son observables en los
experimentos y resultan ser predicciones razonables.
2.2. Modelos para una especie: Malthus y Verlhust 75
u0 (t) = −µu(t).
u(t)
= e−µt ,
u0
lo cual nos indica la proporción de vivos en [0, t) respecto la población inicial. Por
tanto, la proporción de muertos en [0, t), o probabilidad de morir en [0, t) es
( (
0 t < 0, 0 0 t < 0,
F (t) = con densidad f (t) = F (t) =
1 − e−µt t ≥ 0, µe−µt t ≥ 0.
de modo que 1/µ puede interpretarse como la esperanza de vida de los individuos
de la población.
2.1.1. Malthus
cuya solución es w(t) = εert . Por tanto, si r < 0 la distancia w(t) = u(t)−u∗ tenderá
a cero con el tiempo (estabilidad) mientras que si r > 0 dicha distancia no tenderá
a cero (inestabilidad).
Para estudiar el segundo equilibrio u∗2 , definimos w2 (t) = u(t) − u∗2 y u0 = u∗2 + ε.
Como u∗2 = K > 0 la perturbación ε puede ser positiva o negativa (siempre que u0
siga siendo positiva). Tenemos que
w2 (t) + K
w20 (t) = r(w2 (t) + K) 1 − , para t > 0, y w2 (0) = ε.
K
que podemos reescribir como
r
w20 (t) = − w2 (t)(w2 (t) + K). (2.8)
K
Usando que si w0 (t) = f (w(t)) con f (0) = 0 entonces signo(w(t)) = signo(w0 ), véase
la Observación 2.2.2, deducimos que
Si r > 0:
2.2. Modelos para una especie: Malthus y Verlhust 79
Si r < 0:
Claramente, si r < 0 entonces u∗1 resulta ser estable mientras que si r > 0 es inestable.
Similarmente, para u∗2 = K obtenemos
con lo que la situación es justo la contraria a la de u∗1 . Observemos que estos resul-
tados son los mismos que los obtenidos, en la sección anterior, a partir del análisis
de estabilidad no lineal.
80 Modelos de reacción-difusión: Evolución y equilibrio
u01 (t) = u1 (t)(α1 − β11 u1 (t)), u02 (t) = u2 (t)(α2 − β22 u2 (t)),
Modelo competitivo. Tomando β12 > 0 y β21 > 0, los términos inter-específicos
contribuyen a que la tasa de crecimiento de ambas poblaciones disminuya. Esto
representa la competencia inter-específica por los recursos.
Modelo mutualista o simbiótico. Tomando β12 < 0 y β21 < 0 los términos inter-
específicos contribuyen a que las tasas de crecimiento aumenten, representando
que ambas especies se ven beneficiadas por el crecimiento de la otra.
Los equilibrios del sistema (NL) vienen dados por las soluciones del sistema de
ecuaciones algebraico
f1 (s1 , s2 ) = 0, f2 (s1 , s2 ) = 0.
Sea u∗ = (u∗1 , u∗2 ) uno de tales puntos de equilibrio, y midamos la distancia entre
u∗ y u(t) mediante la función w(t) = u(t) − u∗ . Además, consideremos el problema
para un dato inicial que es una perturbación del equilibrio, es decir, u0 = u∗ + ε.
Entonces, w(t) satisface
w0 (t) = f (w(t) + u∗ ), para t > 0, w(0) = ε.
Introduciendo el polinomio de Taylor de f centrado en u∗ , obtenemos
w0 (t) = Df (u∗ )w(t) + o(kw(t)k2 ), para t > 0, w(0) = ε, (2.11)
donde Df (u∗ ) es la matriz jacobiana de f evaluada en u∗ ,
∂1 f1 (u∗1 , u∗2 ) ∂2 f1 (u∗1 , u∗2 )
∗
Df (u ) = .
∂1 f2 (u∗1 , u∗2 ) ∂2 f2 (u∗1 , u∗2 )
Despreciando los términos de orden superior en (2.11), deducimos el problema li-
nealizado (en torno a u∗ ) correspondiente a (NL)
w0 (t) = Df (u∗ )w(t), para t > 0, w(0) = ε.
La solución de este sistema de ecuaciones viene dada por
w(t) = exp tDf (u∗ ) w0 ,
(2.12)
donde la exponencial de una matriz, A, se define como
∞
X 1 n
exp(A) = A .
n=0
n!
2.3. Modelos de interacción entre especies 83
Si det(Df (u∗ )) < 0 entonces tr(Df (u∗ ))2 − 4 det(Df (u∗ )) > tr(Df (u∗ ))2 , con
lo que λ1 < 0 y λ2 > 0. Por tanto, u∗ no es linealmente estable.
Si det(Df (u∗ )) > 0 entonces tr(Df (u∗ ))2 − 4 det(Df (u∗ )) < tr(Df (u∗ ))2 , con
lo que
p
Re tr(Df (u∗ ))2 − 4 det(Df (u∗ )) < | tr(Df (u∗ ))|,
y, por tanto, los signos de Re(λ1 ) y Re(λ2 ) son iguales que el de tr(Df (u∗ )). Por
tanto, si tr(Df (u∗ )) < 0 entonces u∗ es linealmente estable, y si tr(Df (u∗ )) > 0
entonces u∗ es linealmente inestable.
84 Modelos de reacción-difusión: Evolución y equilibrio
Los casos en que det(Df (u∗ )) = 0 o en que det(Df (u∗ )) > 0 y tr(Df (u∗ )) = 0
requieren un tratamiento especial que no realizaremos aquí.
En resumen, tenemos:
Observación 2.3.1 Como hemos visto, los criterios enunciados sobre el determi-
nante y la traza de Df (u∗ )) se deducen del análisis del polinomio característico del
problema de autovalores Df (u∗ ))v = λv en el caso particular en que f está definido
sobre R2 . En el caso general de RN (sistema de N ecuaciones diferenciales), ha de
estudiarse el signo de la parte real de los autovalores por medios ad hoc. Puesto
que el polinomio característico correspondiente es de grado N , esta tarea no es en
absoluto trivial.
β12
α1 − α2 0
Df (u∗ ) = β22
,
β21
−α2 −α2
β22
de modo que
∗
β12 ∗
β12
det(Df (u )) = −α2 α1 − α2 , tr(Df (u )) = α1 − α2 1 + α2 ,
β22 β22
luego
det(Df (u∗ )) = u∗1 u∗2 det(B), tr(Df (u∗ )) = −β11 u∗1 − β22 u∗2 < 0.
2. Los infecciosos dejan de serlo con una tasa αI por unidad de tiempo.
u0 (t) = −αu(t).
Teniendo en cuenta la Obervación 2.2.1, vemos que 1/α resulta ser la esperanza de
la duración del periodo infectivo, es decir el tiempo promedio que transcurre desde
que un susceptible se infecta y pasa a ser infeccioso5 hasta que deja de ser infeccioso.
Puesto que S(t) + I(t) + R(t) = N es constante, siempre podemos determinar una
de las incógnitas a partir de las otras dos. Por fijar ideas, determinaremos R a partir
de S e I, de modo que basta con resolver el sistema
La principal cuestión que queremos resolver con este modelo es: suponiendo que
en t = 0 se introduce un pequeño número de infecciosos en una población susceptible,
¿se producirá una epidemia?
Observemos que S 0 (t) ≤ 0 para todo t y que I 0 (t) > 0 solo si S(t) > α/β. Así,
I(t) crecerá mientras se tenga S(t) > α/β, pero como S(t) es decreciente, en algún
momento I(t) pasará a ser también decreciente, tendiendo al equilibrio I = 0 cuando
t → ∞.
Si S0 < α/β tanto S(t) como I(t) son decrecientes para todo t, y el número
de infecciosos decrece a cero (no hay epidemia).
Sin embargo, podemos razonar del siguiente modo para analizar el sistema. Su-
mando las dos ecuaciones de (2.13)-(2.14) obtenemos
(S(t) + I(t))0 = −αI(t).
Como S(t) + I(t) está acotada inferiormente por cero y es decreciente, tiene un
límite finito cuando t → ∞. Al ser el límite finito, necesariamente se tiene que
(S(t) + I(t))0 → 0 para t → ∞. Por tanto, también se tiene I(t) → 0 cuando t → ∞.
Hemos determinado que de entre todos los equilibrios (S ∗ , 0), para todo S ∗ ≥ 0,
solo el equilibrio (S∞ , 0) es estable, y
Hemos obtenido la relación entre el tamaño de la epidemia, N − S∞ , y el
número de reproducción básico, R0 .
Observación 2.3.2 La tasa de nuevas infecciones, βSI, viene dada en términos del
parámetro β, siendo βN el número de contactos eficientes por unidad de tiempo. Es-
te término es similar a los términos cuadráticos de las ecuaciones de Lotka-Volterra
βij ui uj , de modo que los parámetros βij de dicho sistema pueden interpretarse como
el número de contactos eficientes por unidad de tiempo y por unidad de población
para que se produzca un aumento o disminucion de la población en cuestión, depen-
diendo del signo de los mismos. La causa de la disminución de la población debe
interpretarse de acuerdo con el modelo considerado. Por ejemplo, para el modelo de
depredador-presa, la causa es la muerte. Sin embargo, para el modelo competitivo,
la causa es la extracción de recursos y, por tanto, su escasez.
90 Modelos de reacción-difusión: Evolución y equilibrio
El modelo más simple que podemos definir en el caso en que los efectos demográ-
ficos deban tomarse en cuenta es el siguiente:
para el cual la población total sigue siendo constante, S(t) + I(t) + R(t) = N .
La hipótesis que realizamos en este modelo es que los nacimientos tienen lugar
únicamente en la clase de los susceptibles, mientras que la muerte sucede en todas las
clases y con una tasa igual a la de nacimientos. Es decir, consideramos que el proceso
infeccioso no es un factor que aumente la tasa de mortalidad de los individuos que
son infectados.
µ β
(S1∗ , I1∗ ) = (N, 0), (S2∗ , I2∗ ) = σ −1 , (N σ − 1) ,
donde σ = .
β α+µ
−µ − βI ∗ −βS ∗
J= .
βI ∗ βS ∗ − (α + µ)
• Estudio del equilibrio (S1∗ , I1∗ ) = (N, 0). La matriz jacobianas evaluada en este
punto de equilibrio es
−µ −βN
J1 = ,
0 βN − (α + µ)
por lo que
(
det(J1 ) = −µ(βN − (α + µ)),
tr(J1 ) = βN − α − 2µ,
con lo que (S1∗ , I1∗ ) es estable. Por otra parte, si N σ > 1 entonces det(J1 ) < 0,
de modo que este equilibrio no será estable. Finalmente, en el caso N σ = 1 el
determinante de la matriz jacobiana se anula, con lo que no podemos extraer ninguna
conclusión del sistema linealizado.
92 Modelos de reacción-difusión: Evolución y equilibrio
con lo que (S2∗ , I2∗ ) es estable. Finalmente, si N σ < 1 entonces det(J2 ) < 0, es decir,
(S2∗ , I2∗ ) no es estable.
Por tanto, R0 representa el número de individuos que tienen contacto eficiente con
un infectado durante su periodo infeccioso y durante su tiempo de vida.
2.3. Modelos de interacción entre especies 93
Ejercicios de la Sección 3
1. Clasificar los cuatro puntos de equilibrio del sistema de Lotka-Volterra aten-
diendo al tipo de interacción entre las especies: depredador-presa, competición
y mutualismo. Asumir que αi , βii son positivos, para i = 1, 2.
2. Demostrar que las soluciones (no negativas) de las ecuaciones de Lotka-Volterra
(2.9)-(2.10) de depredador-presa y de competencia están acotadas, es decir, que
existe C > 0 tal que ui (t) ≤ C para todo t > 0 y para i = 1, 2.
3. Demostrar que la ecuación (2.15), que podemos reescribir como f (x) = 0 con
f : (0, S0 ] → R definida por
S x
0
f (x) = ln − R0 1 − ,
x N
tiene una solución única positiva en (0, S0 ).
4. Lema de Gronwall (versión diferencial). Supongamos que la función di-
ferenciable f : [0, T ] → R satisface
f 0 (t) ≤ a + bf (t) para todo t ∈ [0, T ],
donde a, b ∈ R. Entonces f (t) ≤ ebt f (0) + ab (ebt − 1) para todo t ∈ [0, T ].
Indicación: Definir la función g(t) = e−bt f (t) y probar que g 0 (t) ≤ ae−bt .
Integrando esta desigualdad, deducir el resultado.
5. Supongamos que una fracción γ (por unidad de tiempo) de infectados es some-
tida a tratamiento, y que el tratamiento reduce la infectividad en una fracción
δ, de modo que solo δT tratados permanecen infectivos. Además, supongamos
que la tasa de salida de la clase de individuos que están en tratamiento es η.
Tenemos entonces
S 0 (t) = −βS(t) I(t) + δT (t)
S(0) = S0 > 0,
I 0 (t) = βS(t) I(t) + δT (t) − (α + γ)I(t)
I(0) = I0 > 0,
0
T (t) = γI(t) − ηT (t) T (0) = 0,
R(t) = N − S(t) − I(t) − T (t).
Probar que la relación entre el tamaño de la epidemia y el número de repro-
ducción básico es
S S∞ βN γδ
0
ln = R0 1 − , con R0 = 1+ .
S∞ N α+γ η
Indicación: Sumar las tres ecuaciones y deducir I∞ = T∞ = 0. Integrar Ren
(0,R ∞) la suma anterior y la tercera ecuación para obtener expresiones de I
y T . Dividir la primera ecuación por S, integrar y deducir el resultado usando
lo anterior.
94 Modelos de reacción-difusión: Evolución y equilibrio
Probar:
y 0 = y 1 − ν − θ + (θ − 1)y − r − (ν + ζ)q
y(0) = I0 /A0 > 0,
q 0 = (1 + q)(θy − (ν + ζ)q) q(0) = Q0 /A,
r0 = ζq − νr + r(θy − (ν + ζ)q) r(0) = R0 /A.
10. Supongamos que una población está dividida en dos grupos con sub-poblaciones
de tamaño N1 y N2 , para las cuales el número de contactos eficientes intra e
interpoblacional es distinto, en general. Un modelo para esta situación es el
siguiente
donde Si0 + Ii0 = Ni , con Ii0 > 0 para i = 1, 2 y βij y α son no negativos.
Para deducir los modelos con dependencia espacial podríamos utilizar la ley ge-
neral de conservación deducida en la Sección 1 dotando de un contenido adecuado al
flujo q que aparece en la misma. Sin embargo, comenzaremos por deducir estos nue-
vos modelos mediante una metodología diferente, basada en el movimiento aleatorio
con tasas de transición espacial prescritas, y más adelante, en la Observación 2.4.3,
los relacionaremos con el modelo dado por la ley general de conservación.
Observemos que no consideramos saltos de longitud mayor que h, y que las tasas de
transición deben satisfacer Ti− + Ti+ ≤ 1.
+ −
Ti−1 u(t, xi−1 ) + Ti+1 u(t, xi+1 ).
La diferencia entre los que están en xi en el instante t y los que migran a nodos
adyacentes en el instante t + τ , esto es,
−
+
u(t, xi+1 ) + 1 − (Ti− + Ti+ ) u(t, xi ),
u(t + τ, xi ) = Ti−1 u(t, xi−1 ) + Ti+1
o, lo que es lo mismo,
−
u(t + τ, xi ) − u(t, xi ) T + u(t, xi−1 ) + Ti+1 u(t, xi+1 ) − (Ti− + Ti+ )u(t, xi )
= i−1 . (2.16)
τ τ
Por otra parte, la especificación de las tasas de transición juega un papel fun-
damental en el tipo de modelo al que dará lugar la ecuación (2.16). Por ejemplo,
en el caso trivial en el que Ti− = Ti+ = 0, la parte derecha es cero y la dinámica
es estacionaria. Por supuesto, otras especificaciones de las tasas de transición darán
lugar a modelos más interesantes. Comenzaremos con el caso no trivial más sencillo,
en el que las tasas son constantes.
2.4. Modelos con dependencia espacial 99
Supongamos que las tasas de transición son uniformes en espacio, es decir, Ti−
y Ti+ son constantes. Pongamos, para aligerar la notación, p = Ti− , q = Ti+ , con
p + q ≤ 1. El numerador de la parte de la derecha de (2.16) puede reescribirse como
h2 h(p − q)
y
τ τ
los que deben ser finitos en el límite.
Para que estos dos límites sean finitos cuando h, τ → 0 tenemos tres posibilidades:
100 Modelos de reacción-difusión: Evolución y equilibrio
1. h/τ → 0 y p − q → ∞,
3. h/τ → ∞ y p − q → 0.
El primer caso queda descartado por la condición sobre las tasas de transición de
que p + q ≤ 1. El segundo caso implica que h2 /τ → 0, con lo que la difusión no
aparece en la ecuación límite, que queda como
b > 0 si Ti− > Ti+ , implicando que el término convectivo propicie un desplaza-
miento hacia la izquierda,
b < 0 si Ti− < Ti+ , implicando que el término convectivo propicie un desplaza-
miento hacia la derecha,
b = 0 si Ti− = Ti+ .
Supongamos que las tasas de transición en cada punto (t, xi ) vienen dadas por
Ti± = p(u(t, xi )), donde p : R → R es una no negativa, función diferenciable y no
decreciente.
Esto significa que las tasas de transición a derecha e izquierda son iguales, pero
dependen de la densidad de población que se tenga en cada nodo y en cada instante.
Como p es creciente, tendremos que una mayor densidad dará lugar a una mayor tasa
de transición. De este modo se modeliza la aversión a la superpoblación. También
se denomina presión poblacional o repulsión.
∂t u = ∂x P 0 (u)∂x u ,
∂t u = cm∂x um−1 ∂x u ,
∂t u = div P 0 (u)∇u ,
∂t u = d∆u + div(bu).
Veamos cómo realizar la extensión de los modelos anteriores al caso de dos espe-
cies.
2.4. Modelos con dependencia espacial 103
Supongamos que las tasas de transición a derecha e izquierda son iguales y uni-
±
formes en espacio, Tj,i = p para todo i (nodos espaciales) y para j = 1, 2 (las
especies). La solución de este caso se sigue trivialmente del de convección-difusión
lineal analizado en la sección anterior, obteniéndose el sistema de EDP
∂t u1 (t, x) = d1 ∂xx u1 (t, x), ∂t u2 (t, x) = d2 ∂xx u2 (t, x). (2.21)
Este caso lo llamamos diagonal debido a que, escribiéndolo en términos del vector
u = (u1 , u2 ), toma la forma
h d 0 ∂ u i
u1 1 x 1
∂t = ∂x o bien ∂t u = ∂x (d∂x u),
u2 0 d2 ∂x u2
donde hemos suprimido la especificación del punto (t, x) en el que se evalúan las
funciones, y hemos introducido la notación
d1 0
d= , ∂x u = (∂x u1 , ∂x u2 )T .
0 d2
Además, es lineal porque la matriz de difusión, d, es independiente de u.
Asumiremos siempre que ∂1 p1 > 0 y que ∂2 p2 > 0, lo cual significa que las tasas
de transición de cada especie son una función creciente respecto la densidad de
población de esa misma especie, modelizando así la aversión a ocupar los lugares en
los que exista superpoblación de su propia especie.
Por otra parte, si ∂2 p1 > 0, entonces la primera especie también sentirá aversión
por la superpoblación de la segunda especie. Mientras que si ∂2 p1 < 0 se tendrá el
efecto contrario, un efecto de atracción de la primera especie hacia los lugares de
alta densidad de la segunda especie.
Puede verse (se deja como ejercicio) que estas tasas de transición dan lugar al
siguiente sistema de EDP acoplado:
∂t u1 = ∂x d11 (u1 , u2 )∂x u1 + d12 (u1 , u2 )∂x u2 , (2.22)
∂t u2 = ∂x d21 (u1 , u2 )∂x u1 + d22 (u1 , u2 )∂x u2 , (2.23)
donde
o bien como ∂t u = ∂x (d(u)∂x u) , donde la matriz de difusión viene dada por d(u) =
dij (u1 , u2 ) , para i, j = 1, 2.
Los casos más sencillos de forma funcional de pj son los casos constante y lineal.
Si pj son funciones constantes, digamos pj (s1 , s2 ) = dj > 0, entonces recuperamos
el sistema con difusión lineal diagonal definido en (2.21).
que, en general, es un sistema de EDP no lineales con difusión cruzada. Este sistema
será analizado en detalle en la Sección 5.
2.4. Modelos con dependencia espacial 105
Observación 2.4.4 Estos modelos que hemos presentado para dos especies habi-
tando en R son fácilmente extendibles tanto a la consideración de n especies (n ∈ N)
como a la de que habiten en RN (N ∈ N).
Puesto que la EDP contiene una derivada de segundo orden, necesitamos dos
datos que nos fijen las constantes de integración. Estos datos suelen tomarse de la
frontera del dominio, puesto que a menudo es una parte fácilmente observable. Las
condiciones de frontera más usuales son
∂t u(t, x) = d∂xx u(t, x) + f (u(t, x)) para (t, x) ∈ (0, T ) × (a, b),
∂x u(t, a) = ∂x u(t, b) = 0 para t ∈ (0, T ),
u(0, x) = u0 (x) para x ∈ [a, b].
Tanto el dominio temporal como el espacial pueden ser no acotados, por ejemplo
T = ∞ y (a, b) = (−∞, ∞).
Aparte de las soluciones explícitas que calculamos para los modelos malthusiano
y logístico, o las del modelo con estructura de edad, no hemos realizado este trabajo
para ninguno de los demás modelos.
Paso 1. Partimos de una EDO o un sistema de EDO al que, a partir de ahora, nos
referiremos como el sistema dinámico y que explicitamos en el problema
∂t u(t, x) − ∂x (Au(t, x)) = f (u(t, x)) para (t, x) ∈ (0, ∞) × (a, b), (2.27)
Au(t, a) = Au(t, b) = 0 para t ∈ (0, ∞), (2.28)
u(0, x) = v0 para x ∈ [a, b]. (2.29)
6
Philosophical Transactions of the Royal Society of London. Series B, Biological Sciences, Vol.
237, No. 641. (Aug. 14, 1952), pp. 37-72.
7
Célula resultante de la unión de las células sexuales masculina y femenina, a partir de la cual
se desarrolla el embrión.
8
Sustancias que intervienen en el crecimiento o en la forma del embrión.
2.5. Inestabilidad de Turing: formación de patrones 109
Este problema puede tener múltiples soluciones, constantes o no. Pero, en los casos
particulares de A que estudiaremos, los equilibrios u∗ del sistema dinámico serán
siempre soluciones de este problema estacionario.
∂t u(t, x) − d∂xx u(t, x) = f (u(t, x)) para (t, x) ∈ (0, ∞) × (a, b),
∂x u(t, a) = ∂x u(t, b) = 0 para t ∈ (0, ∞),
u(0, x) = v0 para x ∈ [a, b].
Entre las posibles soluciones de este problema se encuentra el equilibrio estable del
sistema dinámico, u∗ = α/β, ya que satisface f (u∗ ) = 0 y, al ser constante, sus
derivadas son cero, con lo que satisface ∂xx u∗ = 0 y las condiciones de frontera.
Paso 3. De los pasos anteriores sabemos que el equilibrio estable para el sistema
dinámico, u∗ , es también un equilibrio del sistema con difusión. A continuación,
queremos determinar si dicho equilibrio es estable o no para el problema con difusión.
∂t u(t, x) − ∂x (Au(t, x)) = f (u(t, x)) para (t, x) ∈ (0, ∞) × (a, b),
Au(t, a) = Au(t, b) = 0 para t ∈ (0, ∞),
u(0, x) = u∗ + ε(x) para x ∈ [a, b],
∂t u(t, x) − d∂xx u(t, x) = f (u(t, x)) para (t, x) ∈ (0, ∞) × (a, b),
∂x u(t, a) = ∂x u(t, b) = 0 para t ∈ (0, ∞),
u(0, x) = u∗ + ε(x) para x ∈ [a, b],
converge a u∗ cuando t → ∞.
En general, y al igual que sucede con sistemas de EDO no lineales, no resulta sencillo
demostrar este comportamiento. Por ello se recurre a una noción de equilibrio que
es más sencilla de manejar y que, en ciertas ocasiones, es equivalente a la anterior
(como también ocurre con los sistemas de EDO). Se trata de la estabilidad lineal.
Observación 2.5.1 Hemos reemplazado el intervalo genérico (a, b) por (0, π). Esto
puede hacerse siempre mediante la introducción del cambio de variable y = π(x −
a)/(b − a) sin afectar a los equilibrios del sistema dinámico (aunque introduciendo
ciertas constantes de corrección, véase el Ejercicio 1). Trabajar en este intervalo
espacial facilitará los cálculos y simplificará la notación.
112 Modelos de reacción-difusión: Evolución y equilibrio
Paso 1. Imponer las condiciones de frontera sobre cada función wk,λ . Esto nos
proporcionará un conjunto numerable de valores para k, es decir k ≡ kn , para
n ∈ N.
Paso 2. Imponer que cada wkn ,λ satisfaga la EDP. Esto nos proporcionará una
relación entre λ y kn . Ponemos entonces λ ≡ λn , y escribimos wn en lugar de wkn ,λn ,
y a1n , a2n en lugar de a1kn , a2kn
y determinar a1n , a2n , si es posible, a partir del desarrollo de Fourier del dato inicial.
2.5. Inestabilidad de Turing: formación de patrones 113
∂t wk,λ (t, x) − P 0 (u∗ )∂xx wk,λ (t, x) = f 0 (u∗ )wk,λ (t, x),
es decir
a2k λeλt cos(kx) + P 0 (u∗ )k 2 a2k eλt cos(kx) = f 0 (u∗ )a2k eλt cos(kx).
Sea f : R2 → R2 una función diferenciable tal que para cierto u∗ = (u∗1 , u∗2 ) ∈ R2 ,
con u∗1 , u∗2 ≥ 0 se tiene f (u∗ ) = 0,
donde γ > 0 es una constante que introducimos por conveniencia, véase la Observa-
ción 2.5.2.
Sean cuales sean las formas de f y del término de difusión que consideremos, el
problema linealizado siempre lo podemos escribir de la forma
∂t w − d(u∗ )∂xx w = γDf (u∗ )w para (t, x) ∈ (0, T ) × (0, π), (2.32)
donde la matriz constante d(u∗ ) se denomina matriz de difusión del problema linea-
lizado, y w = (w1 , w2 ) satisface las condiciones de frontera e iniciales
Al igual que en el modelo con una especie, en este punto nos encontramos con
que la matriz de difusión d(u∗ ) debe satisfacer ciertas condiciones que aseguren la
existencia de soluciones del problema linealizado. Estas condiciones son
d11 (u∗ ) > 0, d22 (u∗ ) > 0 y d11 (u∗ )d22 (u∗ ) > |d12 (u∗ )d21 (u∗ )|. (2.35)
λ2 − tr(Ak )λ + det(Ak ) = 0,
donde los coeficientes cjk son constantes que se determinan a partir del desarrollo
de Fourier de los datos iniciales w0 .
Finalmente, la solución general del problema linealizado viene dada por la super-
posición de las soluciones particulares (2.40):
X
c1k w1k eλ1k t + c2k w2k eλ2k t cos(kx).
w(t, x) =
k∈N
Se deduce de esta expresión que los autovalores (λ1k , λ2k ) determinan el comporta-
miento de la solución del problema linealizado, w(t, x), cuando t → ∞. En efecto,
Bifurcación de Turing
Por tanto, buscaremos las condiciones bajo las cuales una variación de los pará-
metros de la matriz de difusión implique un cambio de signo, de negativo a positivo,
en la parte real de algún autovalor λjk , para algún j = 1, 2 y algún k ∈ N.
Puesto que
y, por las hipótesis (2.30) y (2.35), tenemos que tr(Df (u∗ )) < 0 y tr(d(u∗ )) > 0,
deducimos que tr(Ak ) < 0. Por tanto, el único modo de tener Re(λjk ) > 0 es que
det(Ak ) se haga negativo, véase la expresión de los autovalores (2.38)-(2.39).
donde q tomará diferentes formas en función del problema que estemos analizando.
A partir de ahora analizaremos h(k 2 ) como una función de variable real, es decir,
con k ∈ R, en vez de k ∈ N. Al final del análisis consideraremos la restricción de
nuestros resultados a k natural.
Observemos que h, como función de k 2 , es una parábola convexa ya que det(d(u∗ )) >
2
0. Por tanto, debe tener un punto de mínimo, al que denotaremos por km . Enton-
ces, para que pueda haber inestabilidad deben satisfacerse, al menos, las siguientes
condiciones:
2
km ∈ R y h(km ) < 0. (2.42)
2.5. Inestabilidad de Turing: formación de patrones 117
2
Claramente, km depende de los parámetros del problema (los coeficientes de reacción,
de difusión, etc.), de modo que en particular, al variar el parámetro de bifurcación
2
b, variará el punto de mínimo km .
Entonces, como h(k 2 ) es una parábola convexa, tendremos una situación parecida
a la siguiente: si b > bc entonces h(k 2 ) < 0 para k 2 ∈ (k12 , k22 ). Es decir, los números
de onda k ∈ (k1 , k2 ) corresponderán a modos cos(kx) inestables, ya que el autovalor
correspondiente, λkj será positivo y, por tanto, como w(t, x) está dado por
X
c1k w1k eλ1k t + c2k w2k eλ2k t cos(kx),
w(t, x) =
k∈N
Este sistema lo completamos con las condiciones auxiliares (lineales) que se deducen
de (2.45)-(2.46), y de considerar el dato inicial como una perturbación del equilibrio
∂x w1 (t, 0) = ∂x w2 (t, 0) = ∂x w1 (t, π) = ∂x w2 (t, π) = 0 para t ∈ (0, T ), (2.50)
w1 (0, x) = ε1 (x), w2 (0, x) = ε2 (x) para x ∈ (0, π).
En este caso particular de matriz de difusión, tenemos que h(k 2 ) = det(Ak ) viene
dada por
h(k 2 ) = d1 d2 k 4 + γqk 2 + γ 2 det(Df (u∗ )),
con
q = −(d2 ∂1 f1 (u∗ ) + d1 ∂2 f2 (u∗ )).
El punto de mínimo de h es
2 d2 ∂1 f1 (u∗ ) + d1 ∂2 f2 (u∗ )
km =γ . (2.51)
2d1 d2
La primera condición de (2.42), que km sea real, implica que debe satisfacerse la
siguiente condición necesaria de inestabilidad:
d2 ∂1 f1 (u∗ ) + d1 ∂2 f2 (u∗ ) ≥ 0. (2.52)
La condición (2.30) de que u∗ sea estable para el sistema dinámico implica que
∂1 f1 (u∗ ) + ∂2 f2 (u∗ ) < 0. Por tanto, teniendo en cuenta (2.52), deducimos que
∂1 f1 (u∗ ) y ∂2 f2 (u∗ ) deben ser no nulos y con signos diferentes.
2 γ2
h(km )=− p(r), (2.54)
4r
120 Modelos de reacción-difusión: Evolución y equilibrio
Los coeficientes de difusión críticos son aquellos dc1 , dc2 , que satisfacen dc2 /dc1 = rc ,
y el número de onda crítico correspondiente es kc = km (dc1 , dc2 ), con km dado por
(2.51).
Si d2 /d1 > rc = r1 (Caso 1) o d2 /d1 < rc = r2 (Caso 2) entonces h(k 2 ) tiene dos
raíces reales, que denotamos por k12 , k22 . Tenemos que h(k 2 ) < 0 para k 2 ∈ (k12 , k22 ),
de modo que (k1 , k2 ) es un intervalo candidato para contener números de onda, k,
que produzcan modos inestables.
Debido a que las condiciones de frontera imponen que los números de onda deben
ser números enteros, los modos inestables aparecerán solo si (k1 , k2 ) ∩ Z 6= ∅. Re-
cordando la Observación 2.5.2, sabemos que esto será cierto si γ es suficientemente
grande.
5.3.3. Ejemplos
1
p(r) = r2 − 42r + 81
9
y posee dos raíces reales positivas, siendo la mayor de ellas rc ≈ 376. Por tanto, u∗
es linealmente inestable para el sistema de EDP si d2 > rc d1 , es decir, si la segunda
sustancia se difunde mucho más rápidamente que la primera.
Para que estos términos sean lineales, los coeficientes Aij deben ser aproximados
por constantes, es decir, como11 Aij (u∗1 + w1 , u∗2 + w2 ) ≈ Aij (u∗1 , u∗2 ). Por tanto, la
linealización de (2.68)-(2.69) en torno a u∗ viene dada por
A11 (u∗1 , u∗2 ) A12 (u∗1 , u∗2 )
∂xx w1
.
A21 (u∗1 , u∗2 ) A22 (u∗1 , u∗2 ) ∂xx w2
10
Es decir, que existan soluciones.
11
Su desarrollo de Taylor de orden cero.
124 Modelos de reacción-difusión: Evolución y equilibrio
siendo
q =β11 u∗1 (2a22 u∗2 + d2 ) + β22 u∗2 (2a11 u∗1 + d1 ) + a12 u∗2 (β22 u∗2 − β21 u∗1 )
+ a21 u∗1 (β11 u∗1 − β12 u∗2 ).
El punto de mínimo de h es
2 γq
km =− . (2.71)
2 det(d(u∗ ))
La primera condición de (2.42), que km sea real, implica que q debe ser negativo.
Como los primeros dos términos de q son no negativos, el único mecanismo poten-
cialmente desestabilizador, es decir, que haga q < 0, proviene de la presencia de los
términos en los que interviene la difusión cruzada, a12 y a21 .
a12 u∗2 (β22 u∗2 − β21 u∗1 ) y a21 u∗1 (β11 u∗1 − β12 u∗2 ).
De modo que, de ser posible la bifurcación de Turing, esta debe ser causada por a12
o a21 (o ambas).
β22 u∗2 − β21 u∗1 < 0 o β11 u∗1 − β12 u∗2 < 0.
2.5. Inestabilidad de Turing: formación de patrones 125
donde s = β11 β22 + β12 β21 . Suponiendo que ambas sean negativas, deducimos
α2 2β21 β22 α2 s
< y > ,
α1 s α1 2β11 β12
lo cual implica que s2 < 4β11 β12 β21 β22 que, dada la definición de s, no es posible.
Por tanto, cuando a12 tiene un efecto desestabilizador entonces a21 promueve la
estabilidad, y viceversa. En lo que sigue elegimos el caso β22 u∗2 − β21 u∗1 < 0 sin
pérdida de generalidad, y tomamos como parámetro de bifurcación a
b := a12 .
Para comprobar si este valor mínimo puede anularse para algún b > 0, pongamos
b = m2 /m1 + ξ, con ξ > 0 a determinar (si existe). La exigencia de que ξ sea positivo
viene dada por la condición necesaria de que q sea negativo, ya que q = −m1 ξ. Como
la matriz d(u∗ ) depende de a12 ≡ b y b depende de ξ, escribiremos d = d(ξ).
2 det(Df (u∗ ))
h(km ) = −γ 2 φ(ξ), (2.75)
det(d(ξ))
donde
m21
φ(ξ) = ∗
ξ 2 − det(d(ξ)), (2.76)
4 det(Df (u ))
126 Modelos de reacción-difusión: Evolución y equilibrio
2
Finalmente, queda por comprobar que existen valores de b que hacen que h(km )
sea negativo. Esto se deduce fácilmente de (2.75) ya que, como φ(ξ) es una parábola
convexa con una raíz negativa y otra positiva, si ξ > ξ + entonces φ(ξ) > 0 de donde
2
se sigue que h(km ) < 0.
5.5. Conclusión
Ejercicios de la Sección 5
ii) Encontrar los valores más pequeños de γ y d para los que observare-
mos inestabilidad en el modo k = n.
a) Dar una interpretación de los distintos términos de las ecuaciones del tipo
la oferta crece porque..., el trabajo es atraído por...,etc.
b) Determinar el equilibrio u∗ de coexistencia del sistema dinámico y estu-
diar su estabilidad.
c) Obtener condiciones necesarias para que u∗ sea linealmente inestable para
el sistema con difusión.
d ) Tomando a como parámetro de bifurcación, obtener condiciones suficien-
tes para la inestabilidad lineal de u∗ . Indicación: puede ser útil introducir
un parámetro ξ tal que a = b + ξ.
130 Modelos de reacción-difusión: Evolución y equilibrio
a) Enunciar las condiciones bajo las cuales el sistema sin difusión tiene un
equilibrio de coexistencia u∗ estable y con componentes positivas.
b) Obtener una condición necesaria para que u∗ pueda ser inestable para el
sistema con difusión.
c) Tomemos a11 = a22 = δ > 1 y a12 = a21 = β11 = β22 = 1. Determinar
condiciones suficientes para α1 /α2 en función de β12 y β21 de modo que
u∗1 y u∗2 sean positivos. Comprobar entonces que si β12 +β21 > 4δ entonces
se cumple la condición suficiente para que u∗ sea inestable.
2 2 2 2
d ) Sean β12 = 4δ y β21 = 1/8δ, y denotemos por k− y k+ , con k− < k+ ,a
2
las raíces del polinomio h(k ) = det(Ak ), que son funciones de δ. Probar
que
4
lı́m+ k12 (δ) = , lı́m k22 (δ) = ∞.
δ→1 17 δ→1+
¿Qué nos dice este resultado sobre el máximo número posible de modos
de inestabilidad de la solución del sistema linealizado?
132 Modelos de reacción-difusión: Evolución y equilibrio
Para los términos de difusión tenemos que tanto cacos como policías tienen:
τ X C P
t= , x= , c= , p= ,
τ0 ` m0 m0
La edad es uno de los factores que distinguen de modo más significativo a los
individuos de una población dada. Características vitales tales como las tasas de
natalidad y de mortalidad, presentes en todos los modelos de poblaciones, difieren
marcadamente entre individuos de edades distantes.
En esta expresión,
q(t, a−∆a) es el número de individuos que entran en las edades (a−∆a, a+∆a),
−q(t, a + ∆a) es el número de los que salen de las edades (a − ∆a, a + ∆a),
R a+∆a
a−∆a
g(t, τ )dτ representa la variación demográfica de la población que se pro-
duce entre los individuos de edad contenida en (a − ∆a, a + ∆a).
∆a) son aquellos que tienen edad a − ∆a. De modo que q(t, a − ∆a) = u(t, a − ∆a).
Y deducimos que q(t, a) = u(t, a) para cualesquiera t y a.
Modelo de McKendrick
Así, se tiene que π(a)P − π(a + ∆a)P es el número de individuos que han muerto
en el intervalo [a, a + ∆a], es decir
π(a)P − π(a + ∆a)P = µ(a)π(a)P ∆a.
Suponiendo que π es diferenciable con continuidad obtenemos, en el límite ∆a → 0,
la ecuación diferencial π 0 (a) = −µ(a)π(a) cuya solución es
Z a
π(a) = exp − µ(s)ds ,
0
138 Modelos de reacción-difusión: Evolución y equilibrio
una vez asumido que la probabilidad de supervivencia hasta la edad cero es π(0) = 1.
Observemos que debido a la forma funcional de π, podemos expresar la probabilidad
de supervivencia hasta la edad a2 a partir de la probabilidad de haber sobrevivido
hasta la edad a1 ,
Z a2
π(a2 ) = π(a1 ) exp − µ(s)ds ,
a1
Veamos cómo utilizar los datos inicial y de frontera para determinar totalmente la
solución. Tenemos dos casos.
1. Caso 1: La región a0 > t0 comprende a los individuos que nacieron antes del
instante inicial t = 0, por lo que, en esta región, no habrá contribución de los
nacimientos, véase (2.78). El número de individuos vendrá determinado por
los que había en dicho instante inicial. Poniendo en (2.82) t0 = 0, a0 = a − t
y s = t obtenemos
Z t Z a
u(t, a) = u(0, a − t) exp − µ(a − t + σ)dσ = u0 (a − t) exp − µ(σ)dσ
0 a−t
π(a)
= u0 (a − t) , para t < a.
π(a − t)
obteniendo así la
140 Modelos de reacción-difusión: Evolución y equilibrio
Z t Z a+
π(a)
B(t) = β(a)π(a)B(t − a)da + β(a) u0 (a − t)da. (2.83)
0 t π(a − t)
T 0 (t) A0 (a)
=− − µ(a) = λ,
T (t) A(a)
donde λ debe ser constante para que se verifique una igualdad entre una función
que depende solamente de t y otra que depende solamente de a. Así, obtenemos
Z a+
β(a)e−λa π(a) = 1. (2.84)
0
Por tanto, para que pueda haber una solución de la forma de variables separa-
das, la ecuación característica debe tener solución . El siguiente teorema establece
condiciones suficientes para la existencia de una única solución λ ∈ R.
Teorema 2.6.23 Supongamos que β es una función acotada en [0, a+ ] y que existe
una constante β̂ > 0 tal que β(a) ≥ β̂ para a ∈ [a1 , a2 ], donde a1 , a2 ∈ (0, a+ ).
Entonces existe una única solución real de (2.84).
de modo que
Z a+
0
f (λ) = − β(a)ae−λa π(a)da.
0
Como β(a) ≥ β̂ > 0 para a ∈ [a1 , a2 ] con a1 > 0 y a2 < a+ , se sigue que
β(a)ae−λa π(a) > 0 para a ∈ [a1 , a2 ] y, por tanto, f es una función estrictamente
decreciente. Deducimos que si f (λ) − 1 cambia de signo en R entonces existe una
única solución de (2.84).
Por una parte, como β(a)π(a) es una función acotada, se sigue del teorema de la
convergencia dominada que lı́mλ→∞ f (λ) = 0. Por otra parte, como
Z a2
f (λ) > β̂ mı́n π(a) e−λa da,
a∈(a1 ,a2 ) a1
Finalmente, quedan por determinar las constantes T (0) y A(0). Dada la forma
de la solución candidata
∗ ∗
u(t, a) = T (t)A(a) = T (0)A(0)eλ t e−λ a π(a),
142 Modelos de reacción-difusión: Evolución y equilibrio
∗ ∗
u(t, a) = c0 eλ t e−λ a π(a). (2.86)
que define a los equilibrios U (a) de forma implícita. Claramente, la función constante
U1∗ = 0 es siempre un equilibrio. Introduciendo en la integral de la derecha de (2.87)
la definición de la función de la izquierda, obtenemos
Z a+
U (a) = π(a) β(a0 )U (a0 )da0
0
Z a+ Z a+
= π(a) β(a0 )π(a0 ) β(a1 )U (a1 )da1 da0
0 0
Z a+ Z a+
= π(a) β(a0 )π(a0 )da0 β(a1 )U (a1 )da1
0 0
Z a+ Z a+ Z a+
= π(a) β(a0 )π(a0 )da0 β(a1 )π(a1 )da1 β(a2 )U (a2 )da2 ,
0 0 0
donde R es el
Z a+
R= β(a)π(a)da.
0
Observando que la perturbación del dato inicial del modelo de McKendrick no afecta
al valor de R, deducimos que
Como la edad es una característica común a todos los individuos de una po-
blación, debemos de dotar de estructura de edad a todos los compartimentos que
consideremos en el modelo epidemiológico. Denotaremos por s(t, a), i(t, a) y r(t, a)
a la densidad de individuos susceptibles, infecciosos y recuperados, respectivamen-
te, en el instante t y con la edad a. La densidad total es, por tanto, u(t, a) =
s(t, a) + i(t, a) + r(t, a).
Hallar s, i, r : [0, T ] × [0, a+ ] → R tales que para (t, a) ∈ (0, T ) × (0, a+ ) se tiene
En estas ecuaciones, µ(a) y α(a) son, como en el modelo SIR de ODE, la tasa de
mortalidad natural (no provocada por la infección y a menudo tomada como µ = 0)
y la tasa de recuperación, respectivamente.
Hay dos casos particulares de fuerza de infección que son especialmente relevantes:
El núcleo de contacto, k(ā, a), que proporciona la tasa de transmisión entre los
infecciosos de edad ā y un susceptible de edad a, suele simplificarse para que tenga
la forma de variables separadas k(ā, a) = k1 (ā)k2 (a), donde k1 y k2 son funciones no
negativas.
Las condiciones de frontera más sencillas son aquellas en las que se asume que
todos los recién nacidos pertenecen a la clase de susceptibles. Entonces ponemos
Z a+
s(t, 0) = β(a)u(t, a)da, i(t, 0) = r(t, 0) = 0 con t ∈ [0, T ]. (2.92)
0
146 Modelos de reacción-difusión: Evolución y equilibrio
con a ∈ (0, a+ ) y
Z a+
∗
λ (a) = ρ(a)I(t) + k(ā, a)I(ā)dā.
0
debido a la hipótesis R = 1.
Para calcular I(a), multiplicamos la ecuación (2.96), que es una EDO lineal, por el
factor integrante
Z a
ϕ(a) = exp (µ(τ ) + α(τ ))dτ ,
0
e integramos en (0, a). Integrando por partes, el miembro de la izquierda queda como
Z a τ =a
Z a
0
ϕ(τ )I (τ )dτ = ϕ(τ )I(τ ) − ϕ0 (τ )I(τ )dτ
0 τ =0
Z a 0
= ϕ(a)I(a) − (µ(τ ) + α(τ ))ϕ(τ )I(τ )dτ,
0
con lo que
Z a Z τ Z τ
∗ ∗
I(a) = π(a) λ (τ ) exp − λ (s)ds − α(s)ds dτ. (2.99)
0 0 0
Esta forma no es aún explícita ya que λ∗ (a) = λ̂k2 (a), y el valor de λ̂ es desconocido.
Para determinarlo, reemplazamos esta expresión de I(a) en la definición de λ∗ (a)
dada en (2.97), obteniendo
Z ∞ Z a Z τ Z τ
λ̂ = λ̂ k1 (a)π(a) k2 (τ ) exp − λ̂k2 (s)ds − α(s)ds dτ da. (2.100)
0 0 0 0
Observemos que es necesario (y suficiente) que se satisfaga esta ecuación para que
exista un equilibrio. Tenemos dos casos:
Por tanto, la existencia de una única solución positiva de G(λ̂) = 1 depende del valor
de G(0), y por ello, definimos tal valor como el
Z ∞ Z a Z τ
R0 = k1 (a)π(a) k2 (τ ) − α(s)ds dτ da.
0 0 0
Concluimos que si R0 > 1 entonces existe un único λ̂∗ > 0 que proporciona la
solución de equilibrio endémico (S2∗ (a), I2∗ (a), R2∗ (a)) a través de las fórmulas (2.98)
y (2.99), con λ∗ (a) = λ̂∗ k2 (a), y por la identidad R2∗ (a) = π(a) − S2∗ (a) − I2∗ (a).
2.6. Modelos con estructura de edad 149
Debido a que los equilibrios del problema son funciones no constantes, el estudio
de la estabilidad lineal de los mismos se complica notablemente, y no lo detalla-
remos en estas notas. El resultado que se obtiene es, sin embargo, el esperado: un
intercambio de estabilidad cuando R0 atraviesa el uno. Se tiene
R0 < 1 =⇒ (S1∗ (a), I1∗ (a), R1∗ (a)) estable y (S2∗ (a), I2∗ (a), R2∗ (a)) inestable,
R0 > 1 =⇒ (S2∗ (a), I2∗ (a), R2∗ (a)) estable y (S1∗ (a), I1∗ (a), R1∗ (a)) inestable.
Ejercicios de la Sección 6
1. Consideremos el modelo de McKendrick con β y µ constantes, a+ = ∞ y con
u0 (a) arbitraria. Definamos
Z ∞
π(a)
ψ(t) = β(a) u0 (a − t)da.
t π(a − t)
R∞
a) Demostrar que ψ(t) = βe−µt 0 u0 (a)da.
b) Derivando la expresión (2.83), obtener una ecuación diferencial para B(t)
y resolverla.
c) Obtener la solución del problema de McKendrick asociada a B(t).
d ) Obtener la solución de variables separadas del problema y comprobar que
si u0 es de la forma u0 (a) = c0 e−βa entonces ambas soluciones coinciden.
para q ∈ (0, 1), y datos iniciales no negativos tales que s(0, a) + i(0, a) +
r(0, a) = c0 π(a), para cierta constante dada c0 > 0. Finalmente, asumamos las
condiciones habituales
Z ∞
β(a)π(a)da = 1 y lı́m λ(t, a) = λ̂k2 (a),
0 t→∞
Del Capítulo 1.
T. Hsu, Fourier series, Fourier transforms, and function spaces, American Mathe-
matical Society Textbooks, Vol. 59, 2020.
Del Capítulo 2.
152