Matematyka dla biologów — Zaj ˛ecia nr 9.
Dariusz Wrzosek
5 grudnia 2018
Modelowanie rzeczywisto´sci
Słowo ”model” ma kluczowe znaczenie w nauce, ale u˙zywane jest w ró˙znych kontekstach. Modele konstruuje si ˛e po to, aby zrozumie´c procesy przyrodnicze i przewidywa´c ich przebieg (np. prognozowanie pogody, rozkładu wiekowego populacji, tempa wzrostu guza nowotworowego i.t.d.). Spotyka si ˛e trzy poj ˛ecia, których granice s ˛a nieostre :
model statystyczny–np. prosta (ogólnie krzywa) regresji jest modelem stat.
okre´slaj ˛acym zale˙zno´s´c mi ˛edzy dwoma cechami, niekoniecznie zwi ˛azanymi przyczynowo-skutkowo, podobny charakter ma linia trendu liniowego uzyskana metod ˛a najmniejszych kwadratów,
model symulacyjny (albo komputerowy)–np. algorytm, który tworzy w pami ˛eci komputera wirtualn ˛a populacj ˛e komórek według przyj ˛etych zasad rozwoju,
model matematyczny–np. równanie rekurencyjne okre´slaj ˛ace stan populacji w k -tym sezonie w zale˙zno´sci od stanu w sezonie k − 1, albo model okre´slaj ˛acy prawdopodobie ´nstwo wyst ˛apienia mutacji w danym fragmencie DNA w ustalonym przedziale czasu.
Modele matematyczne
Upływ czasu w modelu mo˙zna reprezentowa´c:
dyskretnieza pomoc ˛a zbioru liczb naturalnych odpowiadaj ˛acych wybranym chwilom czasu;
w sposóbci ˛agłyza pomoc ˛a zbioru liczb rzeczywistych.
Oba typy modeli spotykamy w ekologii, genetyce populacyjnej, kinetyce reakcji chemicznych, fizjologii.
Modele mog ˛a by´c
deterministyczne— okre´slaj ˛a (´sredni) stan jakiego´s układu w czasie, losowe(stochastyczne) — okre´slaj ˛a rozkłady prawdopodobie ´nstwa,
˙ze dany układ znajdzie si ˛e w danym stanie.
Dobrze sprecyzowany model stanowi przedmiot bada ´n matematycznych.
Dowodzi si ˛e twierdzenia charakteryzuj ˛ace własno´sci modelu.
W szczególno´sci trzeba stwierdzi´c, czy nie jest on wewn ˛etrznie sprzeczny(np. czy rozwi ˛azania u˙zytego równania w ogóle istniej ˛a itp.).
Weryfikacja modelu
Wa˙znym zagadnieniem jestweryfikacja modelu, czyli porównanie tego co on przewiduje z rzeczywisto´sci ˛a.
Jest to o wiele trudniejsze w przypadku modeli biologicznych ni˙z np.
w fizyce, ze wzgl ˛edu na nieporównywalnie wi ˛ekszy stopie ´n zło˙zono´sci układów biologicznych i ich naturaln ˛a zmienno´s´c.
Z tego powodu modeluj ˛ac procesy biologiczne nie nale˙zy liczy´c na to, ˙ze mo˙zna przewidzie´c przebieg zdarze ´n z dokładno´sci ˛a porównywaln ˛a z t ˛a, któr ˛a osi ˛aga si ˛e w fizyce lub technice.
W przypadku modeli biologicznych mo˙zna by´c zadowolonym nawet gdy model matematyczny przewiduje tylko cz ˛e´s´c cech układu rzeczywistego, np. pewne cechy jako´sciowe typu wzrost, spadek, okresowo´s´c, ale jest niedokładny pod wzgl ˛edem ilo´sciowym.
Nie ma idealnego modelu danego fragmentu rzeczywisto´sci.
Cz ˛esto istotnie ró˙zne modele opisuj ˛a ten sam fragment rzeczywisto´sci opieraj ˛ac si ˛e na ró˙znych zało˙zeniach.
Modele si ˛e poprawia lub nawet odrzuca.
Zasada falsyfikowalno´sci (Karl Popper (1902-1994))
Ka˙zdy model lub teoria naukowa w obr ˛ebie nauk przyrodniczych winny by´c tak sformułowane, aby cho ´cby teoretycznie mo˙zliwe było ich obalenie, czyli falsyfikacja.
Jest to bardzo wa˙zny postulat, ale w praktyce cz ˛esto trudno go spełni´c.
Modele populacyjne
Zajmiemy si ˛e najpierw podstawowymi modelami opisuj ˛acymi zmiany zag ˛eszcze ´n populacji.
Przezzag ˛eszczeniepopulacji rozumie si ˛e liczb ˛e osobników
wyst ˛epuj ˛acych na obszarze o jednostkowej powierzchni (np. 1 km2, 1 m2) lub w obszarze o jednostkowej obj ˛eto´sci (np. 1 m3, 1 litr).
Zag ˛eszczenie jest miar ˛a liczebno´sci populacji w danym momencie.
Zag ˛eszczenie jest dobrze charakteryzuje populacj ˛e, o ile rozmieszczenie osobników w przestrzeni jest wzgl ˛ednierównomierne.
Dzieje si ˛e tak wtedy, gdy ewentualny lokalny wzrost lub spadek liczebno´sci jest szybko wyrównywany na skutek przemieszczania si ˛e osobników.
Definicja
Przezstan populacjiw danej chwili rozumie´c b ˛edziemy jej zag ˛eszczenie w danej chwili.
Rozwa˙zmy najpierw modele zczasem dyskretnym
Interesuje nas stan populacji tylko w wyró˙znionych momentach (np.
co roku pod koniec sezonu l ˛egowego) t0,t1,t2, . . . ,tk. . .w równych odst ˛epach czasowych wyznaczonych przezkrok czasowy∆t, czyli dla dowolnego k 1,
tk +1−tk = ∆t
dla uproszczenia pomijamy struktur ˛e populacji, np. struktur ˛e wieku, płci etc.,
Oznaczaj ˛ac przez Nk stan populacji w momencie tk (np. w sezonie k ) i przez N0 stan pocz ˛atkowy, otrzymujemy zale˙zno´s´c postaci
Nk +1=Nk+F(Nk),
Funkcja F =F(N)opisuje przyrost populacji uwzgl ˛edniaj ˛ac takie czynniki jak: ´smiertelno´s´c, reprodukcj ˛e, imigracj ˛e i emigracj ˛e.Przyjmuj ˛ac zało˙zenie,
˙ze reprodukcja i ´smiertelno´s´c nie zmieniaj ˛a si ˛e z sezonu na sezon i nie zale˙z ˛a od zag ˛eszczenia populacji w danym sezonie otrzymamy w podstawowym modelu liniowym opisuj ˛acym zmiany liczebno´sci populacji mamy
F(N) = RN = (Rb− Rd)N, gdzie
Rb—współczynnik reprodukcjiokre´slony jako liczba potomków, które prze˙zyły sezon, wydanych przez jednego osobnika,
Rd—współczynnik ´smiertelno´sciokre´slaj ˛acy odsetek osobników, które nie prze˙zyły sezonu.
Porównajmy ten ogólny schemat z rozwa˙zanym na wcze´sniejszych zaj ˛eciach modelem wzrostu populacji ptaków
Nk+1= s(1 + r0)Nk = Nk+ sr0Nk− (1 − s)Nk, gdzie r0to liczba potomków per capita, a s prze˙zywalno´s´c.
Przez R oznaczymywspółczynnik wzrostu populacji per capita(czyli na jednego osobnika) b ˛ed ˛acy ró˙znic ˛a pomi ˛edzy Rb i ´smiertelno´sci ˛a Rd. Po przekształceniu widzimy, ˙ze współczynnik wzrostu populacji mo˙zna wyrazi´c za pomoc ˛a stanów populacji jako
R = Nk +1−Nk
Nk , dla ka˙zdego k 1.
Powy˙zszy model mo˙zna łatwo rozszerzy´c uwzgl ˛edniaj ˛ac stałe w czasie tempo imigracji, opisywane przez współczynnik Rioraz tempo emigracji ze współczynnikiem Re. Wtedy
R =Rb −Rd +Ri−Re.
Je´sli reprodukcja przebiega w sposób ci ˛agły, tzn. osobniki młode
przychodz ˛a na ´swiat przez cały rok, nale˙zy raczej przyj ˛a´c model z czasem ci ˛agłym. Prowadzi to do wykorzystaniarówna ´n ró˙zniczkowych.
Nie jest to jednak reguła, tak˙ze wtedy mo˙zna posłu˙zy´c si ˛e modelem z czasem dyskretnym, w którym współczynniki Rb i Rd s ˛a wielko´sciami u´srednionymi po całym kroku czasowym∆t.
Nie ma niestety prostej zale˙zno´sci mi ˛edzy modelami z czasem ci ˛agłym i modelami z czasem dyskretnym, a niekiedy ró˙znice w przewidywaniach otrzymanych za pomoc ˛a obu modeli na długich przedziałach czasu mog ˛a by´c znaczne.
Model z czasem ci ˛ agłym
Przez N(t)oznaczmy zag ˛eszczenie populacji w chwili t.
Ustalmy małe∆t >0. Przyrost populacjiper capita w czasie∆jest proporcjonalny do czasu∆t ze współczynnikiem proporcjonalno´sci r, czyli
N(t + ∆t) −N(t)
N(t) =r· ∆t. Teraz dzielimy stronami przez∆t
N(t+∆t)−N(t)
∆t
N(t) =r =====⇒∆t→0
dN(t) dt
N(t) =r =⇒ dN(t)
dt =r N(t) Przechodz ˛ac z∆t po lewej stronie otrzymujemy pochodn ˛a funkcji N(t) w chwili t i ostatecznie otrzymujemyrównanie ró˙zniczkowe.
Model z czasem ci ˛ agłym
Przez N(t)oznaczmy zag ˛eszczenie populacji w chwili t.
Ustalmy małe∆t >0. Przyrost populacjiper capita w czasie∆jest proporcjonalny do czasu∆t ze współczynnikiem proporcjonalno´sci r, czyli
N(t + ∆t) −N(t)
N(t) =r· ∆t. Teraz dzielimy stronami przez∆t
N(t+∆t)−N(t)
∆t
N(t) =r =====⇒∆t→0
dN(t) dt
N(t) =r =⇒ dN(t)
dt =r N(t) Przechodz ˛ac z∆t po lewej stronie otrzymujemy pochodn ˛a funkcji N(t) w chwili t i ostatecznie otrzymujemyrównanie ró˙zniczkowe.
Model z czasem ci ˛ agłym
Przez N(t)oznaczmy zag ˛eszczenie populacji w chwili t.
Ustalmy małe∆t >0. Przyrost populacjiper capita w czasie∆jest proporcjonalny do czasu∆t ze współczynnikiem proporcjonalno´sci r, czyli
N(t + ∆t) −N(t)
N(t) =r· ∆t. Teraz dzielimy stronami przez∆t
N(t+∆t)−N(t)
∆t
N(t) =r =====⇒∆t→0
dN(t) dt
N(t) =r =⇒ dN(t)
dt =r N(t) Przechodz ˛ac z∆t po lewej stronie otrzymujemy pochodn ˛a funkcji N(t) w chwili t i ostatecznie otrzymujemyrównanie ró˙zniczkowe.
Model z czasem ci ˛ agłym
Przez N(t)oznaczmy zag ˛eszczenie populacji w chwili t.
Ustalmy małe∆t >0. Przyrost populacjiper capita w czasie∆jest proporcjonalny do czasu∆t ze współczynnikiem proporcjonalno´sci r, czyli
N(t + ∆t) −N(t)
N(t) =r· ∆t. Teraz dzielimy stronami przez∆t
N(t+∆t)−N(t)
∆t
N(t) =r =====⇒∆t→0
dN(t) dt
N(t) =r =⇒ dN(t)
dt =r N(t) Przechodz ˛ac z∆t po lewej stronie otrzymujemy pochodn ˛a funkcji N(t) w chwili t i ostatecznie otrzymujemyrównanie ró˙zniczkowe.
Model z czasem ci ˛ agłym
Przez N(t)oznaczmy zag ˛eszczenie populacji w chwili t.
Ustalmy małe∆t >0. Przyrost populacjiper capita w czasie∆jest proporcjonalny do czasu∆t ze współczynnikiem proporcjonalno´sci r, czyli
N(t + ∆t) −N(t)
N(t) =r· ∆t. Teraz dzielimy stronami przez∆t
N(t+∆t)−N(t)
∆t
N(t) =r =====⇒∆t→0
dN(t) dt
N(t) =r =⇒ dN(t)
dt =r N(t) Przechodz ˛ac z∆t po lewej stronie otrzymujemy pochodn ˛a funkcji N(t) w chwili t i ostatecznie otrzymujemyrównanie ró˙zniczkowe.
Model z czasem ci ˛ agłym
Czyli przyrost populacji w chwili t jest opisywany przez równanie ró˙zniczkowe:
N˙(t) = dN(t)
dt =rN(t). (?)
Przyjmujemy te˙z, ˙ze zag ˛eszczenie populacji w jakiej´s ustalonej chwili t =t0 równe jest
N(t0) =N0. (??)
W ten sposób zadajemywarunek pocz ˛atkowydla równania ró˙zniczkowego (?).
W równaniu ró˙zniczkowym (?) z warunkiem pocz ˛atkowym (??) szukamy funkcji, która b ˛edzie okre´slona na odcinku zawieraj ˛acym t0, takiej ˙ze spełnia równanie (?) oraz jej warto´s´c w t0jest równa N0.
Równanie Malthusa
Równanie
N˙(t) = dN(t)
dt =rN(t), N(t0) =N0. (?) jest podstawowymliniowymrównaniem ró˙zniczkowym opisuj ˛acym zmiany zag ˛eszcze ´n populacji w czasie ci ˛agłym.
Równanie to zwane jest równaniem Malthusa (Thomas Malthus — angielski ekonomista — ˙zył na przełomie XVIII w. i XIX w. i prowadził badania z pogranicza ekonomii i socjologii).
Współczynnik r nazywany jestwspółczynnikiem wzrostu populacjilub współczynnikiem wewn ˛etrznego tempa wzrostu populacji.
Uwaga
Współczynniki wzrostu: R w modelu z czasem dyskretnym i r w modelu z czasem ci ˛agłym, cho´c pełni ˛a podobn ˛a rol ˛enie s ˛a sobie równe.
Współczynnik r mo˙ze by´c dodatni b ˛ad´z ujemny i podobnie jak
w przypadku modelu z czasem dyskretnym przedstawia si ˛e jako ró˙znica r =rb −rd
gdzie rb uwzgl ˛ednia jedynie liczb ˛e potomków przychodz ˛acych na ´swiat w jednostce czasu i pochodz ˛acych ´srednio od jednego osobnika, a rd liczb ˛e „zgonów” przypadaj ˛acych w jednostce czasu na jednego osobnika.
Współczynnik r wyra˙za si ˛e w jednostkach [1/czas].
Przykład
Je´sli zag ˛eszczenie wyra˙zamy w jednostkach [liczba osobników/(litr)], a czas w godzinach, to po lewej stronie równania mamy jednostki [liczba osobników/(godz.×litr]. St ˛ad wynika, ˙ze r wyra˙za si ˛e w jednostce [1/(godz.) ]
Rozwi ˛ azanie równania Malthusa
Dzielimy obie strony równania Malthusa przez N(t)i całkujemy od t0do T . Dostajemy wtedy
Z T t0
N˙(t) N(t)dt =
Z T t0
d
dt(ln N(t))dt = Z T
t0
rdt =r(T −t0) , czyli
ln N(t) −ln N0=r(T−t0) , i ostatecznie otrzymujemy rozwi ˛azanie
N(t) =N0er(T −t0) dla t ∈ .
Równania ró˙zniczkowe pojawiaj ˛a si ˛e we wszystkich naukach przyrodniczych.
W biologii modele oparte o równania ró˙zniczkowe pojawiaj ˛a si ˛e na wszystkich poziomach organizacji materii biologicznej od
subkomórkowego po ekologiczny.
Równanie ró˙zniczkowe przedstawia sposób w jaki stan danego procesu w danej chwili wpływa na tempo jego zmian (wyra˙zone za pomoc ˛a pochodnej).
Na przykład: w równaniu Malthusa tempo zmiany zag ˛eszczenia jest w ka˙zdej chwili wprost proporcjonalne do zag ˛eszczenia populacji. Im wi ˛eksza populacja tym, proporcjonalnie, wi ˛eksza (lub tym mniejsza) szybko´s´c zmian jej zag ˛eszcze ´n.
Jako´sciowe własno´sci rozwi ˛aza ´n równa ´n ró˙zniczkowych
Podstawowe własno´sci równa ´n ró˙zniczkowych
˙
x(t) =f(x(t)) , (?) Rozwi ˛azaniem równania (?) jest funkcja, która po wstawieniu za x spełnia to równanie. Najcz ˛e´sciej do równania ró˙zniczkowego doł ˛acza si ˛e warunek pocz ˛atkowy np. x(t0) =x0. Wtedy otrzymujemy tzw.
zagadnienie pocz ˛atkowe polegaj ˛ace na okre´sleniu takiej funkcji, która spełnia równanie ró˙zniczkowe i w chwili t =t0przyjmuje warto´s´c x0. Przewa˙znie nie umiemy znale´z´c wzoru (formuły) na rozwi ˛azanie równania (?), oczywi´scie poza specjalnymi klasami równa ´n takimi jak równania liniowe i niektóre równania nieliniowe .
Je´sli f nie zale˙zy jawnie od czasu, to rozwi ˛azanie (?) mo˙zemy
„przesuwa´c” w czasie. Je´sli x(t)jest rozwi ˛azaniem (?), to równie˙z x(t −t0), dla ka˙zdego t0. Dlatego zwykle, rozwa˙za si ˛e jedynie warunek pocz ˛atkowy w zerze, czyli x(0) =x0.
Równanie (?), gdy f nie zale˙zy jawnie od czasu, nazywamy równaniemautonomicznym.
Jako´sciowe własno´sci rozwi ˛aza ´n równa ´n ró˙zniczkowych
Jak okre´sli´c własno´sci rozwi ˛ azania bez znajdowania formuły rozwi ˛ azania?
W wi ˛ekszo´sci wypadków znalezienie ogólnego wzoru rozwi ˛azania równania
˙
x(t) =f(x(t)) , (?) nie jest mo˙zliwe (a je´sli nawet jest mo˙zliwe, to mo˙ze by´c bardzo trudne).
Stosunkowo prosto mo˙zemy okre´sli´c kiedy rozwi ˛azania takiego równania rosn ˛a, malej ˛a, zbli˙zaj ˛a si ˛e do pewnej liczby. Mo˙zna to zrobi´c bez
rozwi ˛azywania równania!
Definicja
Punktem stacjonarnymrównania (?) nazywamy taki punktx, ˙ze je´sli¯ x(0) = ¯x, to wówczas x(t) = ¯x dla wszystkich t 0. Zatem punkt stacjonarny spełnia równanie 0=f(¯x). Rzeczywi´scie, je´sli x(t) = ¯x dla wszystkich t ∈ , tox˙(t) =0=f(x(t)).
Jako´sciowe własno´sci rozwi ˛aza ´n równa ´n ró˙zniczkowych
Stabilno´s´c punktu stacjonarnego
Punkt stacjonarny równania ró˙zniczkowego (?) jest lokalnie
asymptotycznie stabilny je´sli istnieje takie otoczenie tego punktu, ˙ze rozwi ˛azanie startuj ˛ace z dowolnego punktu z tego otoczenia zbiega w granicy do tego stanu stacjonarnego.
Jako´sciowe własno´sci rozwi ˛aza ´n równa ´n ró˙zniczkowych
Okre´slanie własno´sci rozwi ˛ aza ´n
˙
x(t) =f(x(t)) (?)
Przyjmiemy odt ˛ad, ˙ze funkcja f jestró˙zniczkowalna. Jest twierdzenie, które głosi, ˙ze wtedy rozwi ˛azanie równania ró˙zniczkowego istnieje i jest zdeterminowane tzn. jednoznacznie wyznaczone przez warunek pocz ˛atkowy .
Funkcja x(t)ro´snie je´slix˙(t) >0, czyli wówczas gdy f(x(t)) >0.
Funkcja x(t)maleje je´slix˙(t) <0, czyli wówczas gdy f(x(t)) <0.
Rozwi ˛azania (?) s ˛a jednoznacznie wyznaczone tzn. wykresy
rozwi ˛aza ´n nie mog ˛a si ˛e przecina´c. To oznacza, ˙ze je´sli x(0) =x0le˙zy mi ˛edzy dwoma punktami stacjonarnymi¯x1,x¯2, to wówczas
rozwi ˛azanie x(t)pozostanie mi ˛edzy tymi punktami i b ˛edzie stale rosło (lub malało) zale˙znie od tego czy f(x0) >0 czy f(x0) <0.
Jako´sciowe własno´sci rozwi ˛aza ´n równa ´n ró˙zniczkowych
Jak okre´sli´c zachowanie rozwi ˛ aza ´n na podstawie wykresu funkcji f ?
Portret fazowy
x f(x)
˙ x =
¯x2 x¯1
¯ x3 +
−
+
− lokalnie
asymptotycznie stabilny niestabilny
Wykres rozwi ˛ aza ´n
x(t)t
¯ x1 x¯2
¯ x3
x(0) ∈ (0, ¯x1) =⇒x(t)ro´snie dox¯1 x(0) ∈ (¯x1, ¯x2) =⇒x(t)malejedo¯x1 x(0) ∈ (¯x2, ¯x3) =⇒x(t)ro´snie do¯x3 x(0) > ¯x =⇒x(t)malejedo¯x
Jako´sciowe własno´sci rozwi ˛aza ´n równa ´n ró˙zniczkowych
Jak analitycznie zbada´c stabilno´s´c punktów stacjonarnych?
Je˙zeli f0(¯x) <0, to wówczas punkt stacjonarny¯x jest lokalnie asymptotycznie stabilny;
Je˙zeli f0(¯x) >0, to wówczas punkt stacjonarny¯x jest niestabilny;
Je˙zeli f0(¯x) =0, to metoda nie rozstrzyga stabilno´sci punktu stacjonarnego.
Model logistyczny
Równanie logistyczne
Tak jak w przypadku modelu z czasem dyskretnym, liniowy model wzrostu (model Mathusa) nie uwzgl ˛ednia ogranicze ´n ´srodowiskowych
(np. ograniczonej ilo´sci pokarmu).
Uwzgl ˛ednienie czynników zag ˛eszczeniozale˙znych
Przyjmijmy, ˙ze współczynnik wzrostu populacji jest proporcjonalny do zasobów ´srodowiskowych, które malej ˛a wraz ze wzrostem liczebno´sci populacji, czyli zało˙zymy, ˙ze r = ˜r(N)jestfunkcj ˛a malej ˛ac ˛a.
Wówczas przyrost per capita wynosi N˙(t)
N(t) = ˜r(N(t)) =⇒ N˙(t) = ˜r(N(t))N(t) . Przyjmujemy˜r(N) =r(1−N/K)i otrzymujemy
równanie logistyczne (lub równanie Verhulsta)
N˙(t) =r N(t)
1−N(t) K
.
Model logistyczny
Wła´sciwo´sci równania logistycznego
Równanie logistyczne z czasem ci ˛ agłym (Verhulsta)
N˙(t) =r N(t)
1−N(t) K
.
Posta´c t ˛e zaproponował ok. 1840 roku Verhulst (Pierre F. Verhulst
(1804-1849)). Parametr K nosi nazw ˛epojemno´sci ´srodowiskai równy jest zag ˛eszczeniu populacji, przy którym tempo wzrostu populacji spada do zera. Jest to zarazem maksymalne zag ˛eszczenie populacji wyznaczone przez wielko´s´c zasobów siedliska.
Alternatywne wyprowadzeniepolega na uzupełnieniu równania Malthusa o składnik aN wyra˙zaj ˛acy wzrost ´smiertelno´sci proporcjonalny do
zag ˛eszczenia :
N˙(t) = (r−aN(t))N(t) =rN(t)(1−a rN) wtedy K = ar.
Model logistyczny
Własno´sci równania logistycznego
Równanie logistyczne z czasem ci ˛ agłym (Verhulsta)
N˙(t) =r N(t)
1−N(t) K
.
Gdy wielko´s´c N jest stosunkowo mała, to wyra˙zenie w nawiasie jest bliskie 1 i wtedy wzrost populacji jest porównywalny do wzrostu w równaniu Malthusa (parametr r pełni tu t ˛e sam ˛a rol ˛e co w równaniu Malthusa).
Gdy N jest bliskie K , to wyra˙zenie w nawiasie zbli˙za si ˛e do zera całkowicie redukuj ˛ac tempo wzrostu populacji.
N N˙
K
Je´sli N0∈ (0,K), to rozwi ˛azanie jest funkcj ˛a rosn ˛ac ˛a do K .
Je´sli N0>K , to rozwi ˛azanie jest funkcj ˛a malej ˛ac ˛a do K . Je´sli N0=0 lub N0=K , to funkcje stałe w czasie N(t) =0 dla t 0 oraz N(t) =K dla t 0 s ˛a rozwi ˛azaniami.
Model logistyczny
Własno´sci równania logistycznego
Mo˙zna znale´z´c wzór na rozwi ˛azanie równania logistycznego!
N(t) = 1
K−1+e−rt(N−10 −K−1) dla t ∈ . Dla wszystkich N0>0 mamy lim
t→+∞N(t) =K , zatem stan stacjonarny N¯ =K jestglobalnieasymptotycznie stabilny.
Funkcja N(t)wzrasta/maleje asymptotycznie do K (to znaczy zbli˙za si ˛e do K , gdy t → +∞, nigdy nie osi ˛agaj ˛ac tego stanu!).Warto wspomnie´c o jeszcze jednej ciekawej własno´sci.
Zró˙zniczkujmy równanie logistyczne wzgl ˛edem czasu.
N(t) = r ˙¨ N(t)
1 −N(t) K
− r
KN(t) ˙N(t) = r ˙N(t)
1 − 2
KN(t)
.
Druga pochodna rozwi ˛azania ¨N(t) zeruje si ˛e zawsze w takiej chwili t, ˙ze N(t) =K
2.
Model logistyczny
Krzywa logistyczna
Rozwi ˛azanie przyjmuj ˛ace warto´sci w przedziale(0,K)jest funkcj ˛a rosn ˛ac ˛a. Zatem druga pochodna zeruje si ˛e tylko gdy N0 ∈ (0,K2).
Ka˙zde rozwi ˛azanie startuj ˛ace z przedziału(0,K2)ro´snie w sposób wypukły a˙z do punktu przegi ˛ecia (N¨ =0), gdy zag ˛eszczenie osi ˛aga połow ˛e
pojemno´sci siedliska. Potem ro´snie coraz wolniej (jest funkcj ˛a wkl ˛esł ˛a).
Wykres tej funkcji ma charakterystyczny kształt przypominaj ˛acy rozci ˛agni ˛et ˛a liter ˛e S. T˛e krzyw ˛a nazywa si ˛ekrzyw ˛a logistyczn ˛a.
t
K 2
K
Model logistyczny
Krzywa logistyczna jest bardzo cz ˛esto wykorzystywana do modelowania efektu wysycenia, matematycznie uj ˛etego jako asymptotyczne zbli˙zanie si ˛e do granicy.
Rozwi ˛azania startuj ˛ace z przedziału(K2 ,K)s ˛a funkcjami wkl ˛esłymi (nie maj ˛a punktów przegi ˛ecia).
Rozwi ˛azanie z warunkiem pocz ˛atkowym N0 ∈ (K, +∞)mo˙ze odpowiada´c pojawieniu si ˛e (np. introdukcji) jakiego´s gatunku, np. na wyspie, w sytuacji gdy liczebno´s´c pocz ˛atkowa przekracza pojemno´s´c siedliska.
Wtedy zag ˛eszczenie populacji maleje w czasie zbiegaj ˛ac asymptotycznie do K .
Jakie by nie było pocz ˛atkowe zag ˛eszczenie populacji (na ogół trudne do precyzyjnego ustalenia), zbiega ono w czasie do jedynego zag ˛eszczenia K , co w praktyce oznacza, ˙ze pr ˛edzej czy pó´zniej zag ˛eszczenie populacji osi ˛agnie warto´sci dowolnie bliskie K .