Академический Документы
Профессиональный Документы
Культура Документы
Introducción
5
6 CHAPTER 1. INTRODUCCIÓN
N, αN, α2 N, . . .
Modelos discretos
Este es el modelo lineal más simple de primer orden, lineal se refiere a que
la ecuación en diferencias (2.1) es lineal y de primer orden ya que Nt+1 de-
pende solamente de Nt . Esta ecuación se conoce como ecuación de Malthus
y fue descrita por primera vez en 1798 por el matemático Thomas Malthus.
9
10 CHAPTER 2. MODELOS DISCRETOS
Nt+1 = R0 Nt , t = 0, 1, 2 . . . (2.2)
Nt+1 = S( Nt ) R0 Nt , t = 0, 1, 2 . . . (2.3)
S( N ) = 1 para todo N.
Nt = λt ,
14 CHAPTER 2. MODELOS DISCRETOS
λ2 − λ − 1 = 0,
de donde
√
λ1,2 = 1/2(1 ± 5),
ası́, puesto que es una ecuación lineal de orden dos, su solución general es
Nt = Aλ1t + Bλ2t ,
Nt+1 = αNt ,
2.5. MATRICES DE LESLI 15
Ct
Pt+1 = MPt , t ≥ 1,
P0 conocido,
P1 = MP0 ,
P2 = MP1 = MMP0 = M2 P0 ,
P3 = MP2 = MM2 P0 = M3 P0 ,
...
Pt = Mt P0 , t ≥ 1,
Nt = αt N0 .
Esta fórmula tiene poco interés práctico, ya que las potencias sucesivas de
una matriz Mt no son fáciles de calcular, numericamente hablando. Como
alternativa a esto más adelante se presenta un análisis de los valores y vec-
tores propios de la matriz M.
16 CHAPTER 2. MODELOS DISCRETOS
Pt+1 = MPt ,
2.6. COMPORTAMIENTO ASINTÓTICO DE LOS MODELOS 17
Pt+1 = MPt , t ≥ 2,
Considere una determinada especie, que está conformada por dos clases:
18 CHAPTER 2. MODELOS DISCRETOS
Jt+1 = 3At
At+1 = 0.40Jt + 0.50At ,
( J1 , A1 ) = (12, 2.8),
( J2 , A2 ) = (8.4, 6.2),
( J3 , A3 ) = (18.6, 6.4),
...
( J0 , A0 ) = c1 v1 + c2 v2 , c1 , c2 ∈ R,
2.7. EJERCICIOS 19
( J1 , A1 ) = M( J0 , A0 ) = M(c1 v1 + c2 v2 ),
= c1 Mv1 + c2 Mv2 ,
= c1 λ1 v1 + c2 λ2 v2 ,
( J2 , A2 ) = M( J1 , A1 ) = M(c1 λ1 v1 + c2 λ2 v2 ),
= c1 λ1 Mv1 + c2 λ2 Mv2 ,
= c1 λ21 v1 + c2 λ22 v2 ,
| λ2 | < | λ1 |
λ2
<1
λ
1
de donde t
λ2
→ 0, cuando t → ∞,
λ1
lo que implica para valores grandes de t que
( Jt , At ) = c1 λ1t v1 + c2 λ2t v2
t !
t λ2
= λ1 c1 v1 + v2 ≈ c1 λ1t v1 .
λ1
2.7 Ejercicios
3.1 Motivación
21
22 CHAPTER 3. MODELOS BASADOS EN EDO’S
problema.
Sea y(t) la cantidad de agua en la manta en el instante t, sabemos que la razón
de cambio, representada por su derivada, es proporcional a y(t). Entonces
y0 (t) = ky(t),
y 0 ( t ) = − y ( t ),
y 0 = p ( t ) q ( y ),
donde p(t), q(y) son funciones que dependen únicamente de una variable.
Empleando la notación y0 = dy/dt se pueden separar las variables que
dependen de y y las que dependen de t, si q(y) 6= 0 se puede obtener
1
dy = p(t)dt.
q(y)
Luego se integran ambos miembros de esta ecuación, el primero respecto
de y y en el segundo, respecto de t,
1
Z Z
dy = p(t)dt,
q(y)
la solución general está determinada por
Q(y) = P(t) + C,
y0 = yt.
y0 = yt,
1
Z Z
dy = tdt
y
1 2
ln|y| = t +C
2
t2
|y| = exp +C
2
2
t
y = ± exp(C ) exp
2
2
t
y = C exp
2
24 CHAPTER 3. MODELOS BASADOS EN EDO’S
aλ2 + bλ + c = 0.
y = c 1 e λ1 t + c 2 e λ2 t .
y = c1 eλ1 t + c2 teλ2 t .
λ1 = α + βi, λ2 = α − βi,
y(0) = c1 = −1.
tiene una única solución definida en el intervalo Ω para cualquier valor y0 , y00 ∈ R
26 CHAPTER 3. MODELOS BASADOS EN EDO’S
y = c1 e−t + c2 e−5t .
Usando la condición inicial para y0 tenemos que y0 (0) = −4c2 = 3 y, por tanto,
c2 = −3/4. Consecuentemente, la solución de la ecuación será:
y = 3/4e−t − 3/4e−5t .
ay00 + by0 + cy = g( x ),
y0 (t) = k, k es constante.
y(t) = kt + C, C∈R
La información disponible es
y0 = y(0) = C,
3.2.3 Ejercicios
y0 = − ay − y2
y (0) = y0
dp
= (b − d) p = rN, r : = ( b − d ).
dt
p(t) = N0 exp(rt).
Ejemplo
P = N0 exp(rT )
T = 50ln2 = 34.6 años .
Ejemplo 3.4.1. Suponga que se encuentró un cadáver a las 8h30, a esa hora su
temperatura fue de 30◦ C y la temperatura de la habitación donde fue encontrado
era de 22◦ C. Una hora más tarde la temperatura del cuerpo descendió a 28◦ C.
Determine la hora aproximada en que falleció esta persona. La temperatura de
ser un humano vivo es de aproximadamente 37◦ C. De la ley de enfriamiento de
Newton se sabe que
T (1) = 28 = 22 + 8 exp(−k ),
T (t) = 22 + 8 exp(−0.2877t),
37 = 22 + 8 exp(−0.2877t),
1 15
t= ln ≈ −2,
−k 8
se concluye que la muerte ocurrió aproximadamente dos horas antes de haber en-
contrado el cuerpo, aproximadamente a las 6 horas y treinta minutos de la mañana.
3.5. MODELO LOGÍSTICO 33
L0 (t) = k ( A − L(t)),
L 0 = k ( A − L ), L (0) = L0 .
L = A + ( L0 − A) exp(−kt).
p0 = αp − mp2 , p(0) = p0 .
α
p(t) = , C ∈ R,
m + C exp(−αt)
αp0
p(t) =
mp0 + (α − mp0 ) exp(−αt)
I 0 (t) = kI ( P − I ),
3.6 Ejercicios
2. En una granja hay 40.000 aves y una de estas aves se contagió con
la gripe aviar. Si suponemos que la rapidez de contagio es direc-
tamente proporcional al número de aves contagiadas multiplicado
por el número de no contagiadas, y la constante de proporcionali-
dad k = 4 × 10−5 , determinar en cuánto tiempo (en dı́as) el 75% de
los pollos de la granja quedarı́an infectados.
37
38 CHAPTER 4. MODELOS BASADOS EN SISTEMAS DE EDO’S
1 3 −1
4.1. SISTEMAS LINEALES HOMOGÉNEOS 39
Es decir,
c3 = c1 , c4 = c1 + c2 .
La solución general es
y1 = (c1 t + c2 )exp(3t)
y2 = (c1 t + c1 + c2 )exp(3t)
6 −6 4
La solución general es
y1 = c1 exp(4t) + c2 exp(−2t)
y2 = c1 exp(4t) + c2 exp(−2t) + c3 exp(−2t)
y3 = 2c1 exp(4t) + c3 exp(−2t)
x0 = −y + t (4.3)
y0 = x − t (4.4)
y00 + y = t − 1. (4.5)
y00 + y = 0.
Para obtener la solución particular de (4.5), derivando dos veces a esta ecuación se
sigue que
y(4) + y00 = 0,
las raı́ces de la ecuación caracterı́stica son λ1 = 0, λ2 = 0, λ3 = i, λ4 = −i, de
donde la solución es
t − 1 = y00p + y p
= 0 + A + Bt
42 CHAPTER 4. MODELOS BASADOS EN SISTEMAS DE EDO’S
Resta encontrar el valor de x (t), para esto procedemos de forma similar, del sistema
de EDOs eliminamos y y obtenemos
x 00 + x = 1 + t,
k 1 = c2 k 2 = c1
x 0 = 2x + 2
y0 = x + 3y + exp(t)
x = c1 exp(2t)
y = −c1 exp(2t) + c2 exp(3t)
x 0p − 2x p = +2
y0p − x p − 3y p = exp(t),
α0 (t) exp(2t) = 2
−α0 (t) exp(2t) + β0 (t) exp(3t) = exp(t),
ası́, podemos determinar el valor de los coeficientes α(t) y β(t)
1 2
α(t) = − exp(−2t), β(t) = − exp(−2t) − exp(−3t),
2 3
la solución particular del sistema es
! !
xp exp(2t)
= − exp(−2t)
yp − exp(2t)
!
1 2 0
+ − exp(−2t) − exp(−3t)
2 3 exp(3t)
!
−1
= 1 1
.
3 − 2 exp( t )
x = c1 exp(2t) − 1
1 1
y = −c1 exp(2t) + c2 exp(3t) + − exp(t)
3 2
44 CHAPTER 4. MODELOS BASADOS EN SISTEMAS DE EDO’S
Se dice que ( x̄, ȳ) es un punto de equilibrio sı́ y solo sı́ es solución del sis-
tema de EDO’s donde no hay cambio, es decir, x 0 (t) = 0, y0 (t) = 0 de
donde
x (t) = x̄, y(t) = ȳ
tales que
1. (
x 0 (t) = 1 − y(t)
y 0 ( t ) = x ( t )3 + y ( t )
2. (
x 0 (t) = (1 − y(t))( x (t) − 1)
y0 (t) = (1 + y(t))( x (t) + 1)
0 = 1 − y(t)
0 = x ( t )3 + y ( t )
0 = (1 − y(t))( x (t) − 1)
0 = (1 + y(t))( x (t) + 1)
2. Si λ1 = λ2 , entonces
Ejemplo 4.2.2. Demuestre que la solución del siguiente sistema es punto de silla
(
x 0 (t) = x + 5y
y0 (t) = 5x + y
Como sabemos los puntos ( x̄, ȳ) se calculan donde la función no varia es
decir x 0 (t) = y0 (t) = 0, con estos puntos se determina la matriz Jacobiana
∂f ∂f
!
∂x ( x̄, ȳ ) ∂y ( x̄, ȳ )
J ( x̄, ȳ) = ∂g ∂g
∂x ( x̄, ȳ ) ∂y ( x̄, ȳ )
4.2. CONDICIONES DE ESTABILIDAD Y PERIODICIDAD 47
Se sabe que existe una competición constante por la supervivencia entre las
diferentes especies que habitan un mismo entorno. Una especie sobrevive
alimentándose de otra, mientras que la especie presa desarrolla métodos
de evasión. Considere el siguiente ejemplo: una isla habitada por zor-
ros y conejos. Los zorros se alimentan de conejos y los conejos de alfalfa.
Suponga que la alfalfa es abundante y los conejos no tienen escasez de al-
imento. Ası́, los conejos son abundantes, los zorros no tienen problemas y
su población aumenta, luego la población de zorros es numerosa y necesi-
tan más conejos, y empieza un perı́odo de escasez de alimento por lo que
su población disminuye. En consecuencia, los conejos están relativamente
a salvo y se multiplican. Esto implica un nuevo aumento de la población
de zorros, y con el transcurso del tiempo, el ciclo se repite una y otra vez,
con crecimientos y decrecimientos alternos de las dos especies.
Los principales modelos que se han desarrollado para intentar repre-
sentar la dinámica presa-depredador están basados originariamente en el
trabajo de Nicholson y Bailey (1935), que utiliza ecuaciones en diferencias
para representar las interacciones de huésped-parásito con generaciones
discretas y el modelo de Lotka-Volterra que se basa en ecuaciones diferen-
ciales, este último es un modelo muy sencillo y se consideró un punto de
partida muy útil. Se ha demostrado que este modelo es bastante exacto
cuando predice los cambios en las poblaciones de especies que viven en
ecosistemas aislados.
Considere el siguiente sistema de ecuaciones diferenciales ordinarias
• Bacteria (2)
• Cancer (2)
• Bioreactor (2)
51
52 CHAPTER 5. MODELOS BASADOS EN CONTROL ÓPTIMO
• Aspectos de evaluación
5.1 Motivación
y k = y k −1 + φ ( y k −1 , u k ).
Ψ(y0 , . . . , yk , u1 , . . . , uk ) ∈ D,
minϕ(y1 , . . . , yk , u1 , . . . , uk )
sujeto a:
y k = y k −1 + φ ( y k −1 , u k )
yk ∈ Yk , uk ∈ Uk
Ψ(y0 , . . . , yk , u1 , . . . , uk ) ∈ D.
Ik : inventraio periodo k
Lk : fuerza laboral al final del periodo k
uk : fuerza laboral adquirida durante el periodo k,
K
min ∑ (ci u2i + c2 Ii )
i =1
sujeto a:
L k = L k −1 + u k
Ik = Ik−1 + pLk−1 − dk
0 ≤ Lk ≤ b/p
0 ≤ Ik
y ∈ Y, u ∈ U, Ψ(y, u) ∈ D.
∂H
(t, x, u∗ (t), λ) (v − u∗ (t)) ≤ 0, ∀t ∈ [0, T ], v ∈ U . (5.8)
∂u
El Hamiltoneano es
∂H
λ0 (t) = − = −1,
∂x
resolviendo la ecuación obtenemos
λ = −t + A
λ(1) = −1 + A = 0 ⇒ A = 1.
max H ( x, u, λ∗ ) (5.9)
u
H ( x, u, λ∗ ) = x + u + λ∗ (1 − u2 )
= x + u + (1 − t)(1 − u2 ),
∂H
= 0 = 1 − 2u(1 − t)
∂u
5.2. INTRODUCCIÓN AL CONTROL ÓPTIMO 59
de donde
1
u= ,
2(1 − t )
además la condición de segundo orden
∂2 H
= −2(1 − t) ≤ 0, t ∈ [0, 1]
∂u2
por tanto
1
u∗ =
2(1 − t )
es un máximo. Para hallar x ∗ en la ecuación de estado reemplazamos u∗ ,
x 0 ( t ) = 1 − u ∗ ( t )2
1
= 1−
4(1 − t )2
1
x (t) = t − +B
4(1 − t )
El Hamiltoneano asociado es
max H ( x, u, λ∗ ),
u
∂H 1
0= = x − 2u + λ ⇒ u = ( x + λ),
∂u 2
y la condición de segundo orden corrobora que es un máximo
∂2 H
= −2 < 0.
∂u2
Finalmente, el sistemas de ecuaciones que debemos resolver es
1
x 0 (t) = x + ( x + λ)
2
x (1) = 2
x λ
λ0 (t) =2x − λ − − .
2 2
Ejemplo 5.2.3. Determine x y u óptimos del siguiente problema de control óptimo
R1
minu 0 3x (t)2 + u(t)2 dt
sujeto a
x 0 ( t ) = x ( t ) + u ( t ),
x (0) = 1.
El Hamiltoneano asociado es
3 2 1 2
H (x) = x + u + xλ + uλ,
2 2
la condición óptima está determinada por
∂H
0= = u + λ,
∂u
de donde u∗ = −λ. Note que
∂2 H
= 1 > 0.
∂u2
5.2. INTRODUCCIÓN AL CONTROL ÓPTIMO 61
∂H
λ0 (t) = − = −3x − λ, λ(1) = 0.
∂x
Sustituyendo la caracterización del control en la ecuación de estado, obtenemos el
sistema !0 ! !
x 1 −1 x
=
λ −3 −1 λ
x (0) = 1, λ(1) = 0,
1
c1 = 3c2 exp(−4), c2 = .
3 exp(−4) + 1
3 exp(−4) 3
u∗ (t) = exp(2t) − exp(−2t)
3 exp(−4) + 1 3 exp(−4) + 1
3 exp(−4) 1
x ∗ (t) = exp(2t) + exp(−2t)
3 exp(−4) + 1 3 exp(−4) + 1
sujeto a:
x 0 (t) = g(t, x (t), u(t))
x ( t0 ) = x0 ,
λ ( t f ) = φ 0 ( x ∗ ( t f ),
Ejemplo 5.2.4.
Z T
max 5x ( T )3 + f (t, x (t), u(t))dt
u 0
sujeto a:
x 0 (t) = g(t, x (t), u(t))
x ( t0 ) = x0 ,
tenemos que φ(s) = 5s3 y φ0 (s) = 15s2 , ası́ la condición sobre la variable de
adjunta es
λ( T ) = 15x ∗ ( T )2 .