Motivación

Configuración

Código

# =========== Configuraciónn

# Bibliotecas
library(tidyverse)     # Manipulación de datoss
library(hrbrthemes)    # Temas de ggplot2
library(plotly)        # Gráficos interactivoss
library(latex2exp)     # Latex en gráficoss

# Configuranto tema
theme_set(theme_modern_rc())

Ecuación diferencial logística

Expresión matemática

\[\frac{\partial x}{\partial t} = \alpha x_t \times (1 - x_t)\]

Parametrización en R

Función 1

Se construyen dos funciones para realizar las simulaciones: growth() e iterGrowth()
Se definen los siguientes parámetros para la función growth():
- rate ($\alpha$): tasa de crecimento o razón de cambio. Relación de la natalidad con la mortalidad.
- xt: tamaño de la población inicial (%). $0 \leq x_t \leq 1$
- Retorno: esta función devuelve el cálculo de la población mediante la ecuación anterior.
Se definen los siguientes parámetros para la función iterGrowth():
- rate ($\alpha$): tasa de crecimento o razón de cambio. Relación de la natalidad con la mortalidad
- xt: tamaño de la población inicial (%). $0 \leq x_t \leq 1$
- t: número de generaciones (tiempo generacional) para evaluar el crecimiento poblacional.
- xinit: es la misma xt, es decir, la población inicial. Aunque se repite es útil para registrar el tamaño inicial de la población, ya que xt cambia al realizar la iteración recursiva con while().
- Retorno: esta función devuelve el cálculo de la población hasta el tiempo t, haciendo uso de la función growth() y sus parámetros específicos.

Código

# =========== Función para simulación con ecuación logísticatica

# Crecimiento = (rate * xt) * (1 - xt)
growth <- function(rate, xt) {
  pob = (rate * xt) * (1 - xt)
  return(pob)
}

# Función recursiva para obtener la población para cada tiempo "t"t"
iterGrowth <- function(xt, rate, t, xinit) {
  res = NULL
  if (t == 0) {
    res = xt
    return(res)
  } else if (t == 1) {
    res = growth(rate = rate, xt = xt)
    return(res)
  } else{
    i = 1
    while (i <= (t)) {
      res[i + 1] = growth(rate = rate, xt = xt)
      xt = growth(rate = rate, xt = xt)
      i = i + 1
    }
    res[1] = xinit
    return(res)
  }
}

Función 2

Esta función facilita el proceso de conformar un tibble con los resultados de la simulación.

Código

dfGrowth <- function(xt, rate, t, xinit) {
  res = iterGrowth(xt,
                   rate,
                   t,
                   xinit) %>%
    enframe() %>%
    mutate(t = name - 1) %>%
    select(t, pob = value) %>%
    mutate(rate = as.factor(rate))
  return(res)
}

Simulaciones

Simulación 1

¿Qué pasa en 100 generaciones con una población cuya natalidad es 1.72 veces mayor que la mortalidad y su población actual es 62% del máximo teórico? ¿En qué valor se estabiliza el crecimiento de la población? ¿Se extingue la población?
- rate: 1.72
- xt: 0.62
- t: 100
- xinit: 0.62

Código

r <- 1.72
xt <- 0.62
t <- 100
xinit <- xt

iterGrowth(rate = r, xt = xt, t = t, xinit = xinit) %>% 
  enframe() %>% 
  mutate(t = name - 1) %>% 
  select(t, pob = value) %>% 
  ggplot(aes(x = t, y = pob)) +
  geom_line(color = "firebrick2") +
  labs(x = "Tasa",
       y = "Estabilidad poblacional",
       title = "Equilibrio poblacional",
       subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)'))

Simulación 2

¿Qué pasa en 100 generaciones con una población cuya natalidad es 0.72 veces menor que la mortalidad y su población actual es 62% del máximo teórico? ¿En qué valor se estabiliza el crecimiento de la población? ¿Se extingue la población?
- rate: 0.72
- xt: 0.62
- t: 100
- xinit: 0.62

Código

r <- 0.72
xt <- 0.62
t <- 100
xinit <- xt

iterGrowth(rate = r, xt = xt, t = t, xinit = xinit) %>% 
  enframe() %>% 
  mutate(t = name - 1) %>% 
  select(t, pob = value) %>% 
  ggplot(aes(x = t, y = pob)) +
  geom_line(color = "firebrick2") +
  labs(x = "Tasa",
       y = "Equilibrio poblacional",
       title = "Estabilidad poblacional",
       subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)'))

Simulación 3

¿Qué pasa en 100 generaciones con una población cuya natalidad es igual que la mortalidad y su población actual es 62% del máximo teórico? ¿En qué valor se estabiliza el crecimiento de la población? ¿Se extingue la población?
- rate: 0.72
- xt: 0.62
- t: 100
- xinit: 0.62

Código

r <- 1
xt <- 0.62
t <- 100
xinit <- xt

iterGrowth(rate = r, xt = xt, t = t, xinit = xinit) %>% 
  enframe() %>% 
  mutate(t = name - 1) %>% 
  select(t, pob = value) %>% 
  ggplot(aes(x = t, y = pob)) +
  geom_line(color = "firebrick2") +
  labs(x = "Tasa",
       y = "Equilibrio poblacional",
       title = "Estabilidad poblacional",
       subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)'))

3 simulaciones en 1

Podemos graficar las tres simulaciones anteriores en un sólo gráfico.

Código

# ============== Simulación 3 en 11

# Parámetros específicoco
r_sim1 <- 1.72
r_sim2 <- 0.72
r_sim3 <- 1

# Parámetros generaless
xt <- 0.62
t <- 100
xinit <- xt

# Uniendo datos de simulaciones
sim_1 <-
  iterGrowth(
    rate = r_sim1,
    xt = xt,
    t = t,
    xinit = xinit
  ) %>%
  enframe() %>%
  mutate(t = name - 1) %>%
  select(t, pob = value) %>% 
  mutate(rate = r_sim1)

sim_2 <-
  iterGrowth(
    rate = r_sim2,
    xt = xt,
    t = t,
    xinit = xinit
  ) %>%
  enframe() %>%
  mutate(t = name - 1) %>%
  select(t, pob = value) %>% 
  mutate(rate = r_sim2)

sim_3 <-
  iterGrowth(
    rate = r_sim3,
    xt = xt,
    t = t,
    xinit = xinit
  ) %>%
  enframe() %>%
  mutate(t = name - 1) %>%
  select(t, pob = value) %>% 
  mutate(rate = r_sim3)

sim_total <-
  bind_rows(sim_1, sim_2, sim_3)

sim_total %>% 
  mutate(rate = as.factor(rate)) %>% 
  ggplot(aes(x = t, y = pob, color = rate)) +
  geom_line() +
  scale_color_manual(values = c("#76b49f", "#ef3840", "#edea6f")) +
  labs(x = "Tasa",
       y = "Equilibrio poblacional",
       title = "Estabilidad poblacional",
       subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)'))

Simulación 4

En esta simulación se implementan diferentes tasas de crecimiento para ver el resultado en el equilibrio poblacional (en 100 generaciones) con una población cuyo tamaño actual es 62% del máximo teórico.

Código

# Parámetross
r <- seq(from = 0.1, to = 3.6, by = 0.1)
xt <- 0.62
t <- 100
xinit <- xt

# Gráficoo
r %>%
  map_df(.x = .,
         .f = ~ dfGrowth(
           rate = .,
           xt = xt,
           t = t,
           xinit = xinit
         )) %>%
  ggplot(aes(x = t, y = pob, color = rate)) +
  geom_line(alpha = 0.2) +
  scale_color_viridis_d() +
  labs(x = "Tasa",
       y = "Equilibrio poblacional",
       title = "Estabilidad poblacional",
       subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)'))

Simulación 5

En esta simulación tomo tasas de crecimiento entre 3.5 y 3.8 (justamente donde aparece el caos) para ver el resultado en el equilibrio poblacional (en 100 generaciones) con una población cuyo tamaño actual es 62% del máximo teórico. Nota: para facilitar la visualización de los patrones 😎 se presenta de forma interactiva con plotly.

Código

# Parámetross
r <- seq(from = 3.5, to = 3.8, length = 20)
xt <- 0.62
t <- 100
xinit <- xt

# Gráficoo
ggplotly(
  r %>%
  map_df(.x = .,
         .f = ~ dfGrowth(
           rate = .,
           xt = xt,
           t = t,
           xinit = xinit
         )) %>%
  ggplot(aes(x = t, y = pob, color = rate)) +
  geom_line(alpha = 0.2) +
  scale_color_viridis_d() +
  labs(x = "Tasa",
       y = "Equilibrio poblacional",
       title = "Estabilidad poblacional",
       subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)'))
)

Diagrama de bifurcación

Simulación completa

rate: 10 mil valores desde 0.1 a 3.8
xt: 0.62
t: 2 mil
xinit: 0.62
Notas:
- Estoy asumiendo que la estabilidad poblacional se logra en la mitad del tiempo, que para este ejemplo corresponde a mil.
- Como la simulación se demora más de 20 mintuos decidí guardar el archivo con los resultados e importarlos para construir los diagramas de bifurcación.

Código

# Parámetross
r <- seq(from = 0, to = 4, length = 1000)
xt <- 0.62
t <- 2000
xinit <- xt
estabPob <- t / 2

# Simulaciónn
set.seed(2022)
g <- r %>%
  map2_df(
    .x = .,
    .y = t,
    .f = ~ prueba(
      rate = .,
      xt = xt,
      t = sample.int(n = .y, size = 1),
      xinit = xinit
    ) %>% slice(sample.int(n = .y, size = 1))
  )

# Exportando resultados simulaciónn
write_csv(x = g, "data_simulation_rates.csv")

Opción 1

Código

result_simulation <- read_csv("data/data_simulation_rates.csv")

result_simulation %>% 
  ggplot(aes(x = rate, y = pob)) +
  geom_point(size = 0.1, color = "white")

Opción 2

Código

result_simulation %>% 
  ggplot(aes(x = rate, y = pob, color = pob)) +
  geom_point(size = 0.4) + 
  labs(x = "Tasa",
       y = "Estabilidad poblacional",
       title = "Diagrama de bifurcación"",
       subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)'),
       caption = TeX(r'(Lnea roja: $ \alpha \sim 3.57$)')) +
  geom_vline(xintercept = 3.57, color = "red", size = 0.4) +
  scale_color_viridis_c() +
  theme_modern_rc() +
  theme(legend.position = "none")

--- title: "Simulación matemática con R: Ecuación Logística" author: "Edimer (Sidereus)" date: "11-15-2022" description: "En este documento se ejemplifican simulaciones con *R* para la ecuación diferencial logística. 😁🐟🐒🐤🐖🐓☘️🐄😁" categories: - R - Simulación - Matemáticas image: "img1.png" lang: es css: estilo.css format: html: toc: true toc-title: "Tabla de contenido" smooth-scroll: true code-fold: true df-print: paged toc-location: left number-depth: 4 code-copy: true highlight-style: github code-tools: source: true code-link: true --- ```{r setup, include=FALSE} knitr::opts_chunk$set(echo = TRUE, warning = FALSE, message = FALSE, fig.align = "center") # Learn more about creating blogs with Distill at: # https://rstudio.github.io/distill/blog.html # Cargando función ``` # Motivación <center> <iframe width="600" height="450" src="https://www.youtube.com/embed/EOvLhZPevm0" frameborder="0" allowfullscreen></iframe> </center> # Configuración ```{r} # =========== Configuración # Bibliotecas library(tidyverse) # Manipulación de datos library(hrbrthemes) # Temas de ggplot2 library(plotly) # Gráficos interactivos library(latex2exp) # Latex en gráficos # Configuranto tema theme_set(theme_modern_rc()) ``` # Ecuación diferencial logística # Expresión matemática $$\frac{\partial x}{\partial t} = \alpha x_t \times (1 - x_t)$$ ## Parametrización en R ### Función 1 - Se construyen dos funciones para realizar las simulaciones: `growth()` e `iterGrowth()` - Se definen los siguientes parámetros para la función **`growth()`**: - `rate` ($\alpha$): tasa de crecimento o razón de cambio. Relación de la natalidad con la mortalidad. - `xt`: tamaño de la población inicial (%). $0 \leq x_t \leq 1$ - **Retorno:** esta función devuelve el cálculo de la población mediante la ecuación anterior. - Se definen los siguientes parámetros para la función **`iterGrowth()`**: - `rate` ($\alpha$): tasa de crecimento o razón de cambio. Relación de la natalidad con la mortalidad - `xt`: tamaño de la población inicial (%). $0 \leq x_t \leq 1$ - `t`: número de generaciones (tiempo generacional) para evaluar el crecimiento poblacional. - `xinit`: es la misma `xt`, es decir, la población inicial. Aunque se repite es útil para registrar el tamaño inicial de la población, ya que `xt` cambia al realizar la iteración recursiva con `while()`. - **Retorno:** esta función devuelve el cálculo de la población hasta el tiempo `t`, haciendo uso de la función `growth()` y sus parámetros específicos. ```{r} # =========== Función para simulación con ecuación logística # Crecimiento = (rate * xt) * (1 - xt) growth <- function(rate, xt) { pob = (rate * xt) * (1 - xt) return(pob) } # Función recursiva para obtener la población para cada tiempo "t" iterGrowth <- function(xt, rate, t, xinit) { res = NULL if (t == 0) { res = xt return(res) } else if (t == 1) { res = growth(rate = rate, xt = xt) return(res) } else{ i = 1 while (i <= (t)) { res[i + 1] = growth(rate = rate, xt = xt) xt = growth(rate = rate, xt = xt) i = i + 1 } res[1] = xinit return(res) } } ``` ### Función 2 - Esta función facilita el proceso de conformar un `tibble` con los resultados de la simulación. ```{r} dfGrowth <- function(xt, rate, t, xinit) { res = iterGrowth(xt, rate, t, xinit) %>% enframe() %>% mutate(t = name - 1) %>% select(t, pob = value) %>% mutate(rate = as.factor(rate)) return(res) } ``` # Simulaciones ## Simulación 1 - ¿Qué pasa en 100 generaciones con una población cuya natalidad es 1.72 veces mayor que la mortalidad y su población actual es 62% del máximo teórico? ¿En qué valor se estabiliza el crecimiento de la población? ¿Se extingue la población? - `rate`: 1.72 - `xt`: 0.62 - `t`: 100 - `xinit`: 0.62 ```{r} r <- 1.72 xt <- 0.62 t <- 100 xinit <- xt iterGrowth(rate = r, xt = xt, t = t, xinit = xinit) %>% enframe() %>% mutate(t = name - 1) %>% select(t, pob = value) %>% ggplot(aes(x = t, y = pob)) + geom_line(color = "firebrick2") + labs(x = "Tasa", y = "Estabilidad poblacional", title = "Equilibrio poblacional", subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)')) ``` ## Simulación 2 - ¿Qué pasa en 100 generaciones con una población cuya natalidad es 0.72 veces menor que la mortalidad y su población actual es 62% del máximo teórico? ¿En qué valor se estabiliza el crecimiento de la población? ¿Se extingue la población? - `rate`: 0.72 - `xt`: 0.62 - `t`: 100 - `xinit`: 0.62 ```{r} r <- 0.72 xt <- 0.62 t <- 100 xinit <- xt iterGrowth(rate = r, xt = xt, t = t, xinit = xinit) %>% enframe() %>% mutate(t = name - 1) %>% select(t, pob = value) %>% ggplot(aes(x = t, y = pob)) + geom_line(color = "firebrick2") + labs(x = "Tasa", y = "Equilibrio poblacional", title = "Estabilidad poblacional", subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)')) ``` ## Simulación 3 - ¿Qué pasa en 100 generaciones con una población cuya natalidad es igual que la mortalidad y su población actual es 62% del máximo teórico? ¿En qué valor se estabiliza el crecimiento de la población? ¿Se extingue la población? - `rate`: 0.72 - `xt`: 0.62 - `t`: 100 - `xinit`: 0.62 ```{r} r <- 1 xt <- 0.62 t <- 100 xinit <- xt iterGrowth(rate = r, xt = xt, t = t, xinit = xinit) %>% enframe() %>% mutate(t = name - 1) %>% select(t, pob = value) %>% ggplot(aes(x = t, y = pob)) + geom_line(color = "firebrick2") + labs(x = "Tasa", y = "Equilibrio poblacional", title = "Estabilidad poblacional", subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)')) ``` ## 3 simulaciones en 1 - Podemos graficar las tres simulaciones anteriores en un sólo gráfico. ```{r} # ============== Simulación 3 en 1 # Parámetros específico r_sim1 <- 1.72 r_sim2 <- 0.72 r_sim3 <- 1 # Parámetros generales xt <- 0.62 t <- 100 xinit <- xt # Uniendo datos de simulaciones sim_1 <- iterGrowth( rate = r_sim1, xt = xt, t = t, xinit = xinit ) %>% enframe() %>% mutate(t = name - 1) %>% select(t, pob = value) %>% mutate(rate = r_sim1) sim_2 <- iterGrowth( rate = r_sim2, xt = xt, t = t, xinit = xinit ) %>% enframe() %>% mutate(t = name - 1) %>% select(t, pob = value) %>% mutate(rate = r_sim2) sim_3 <- iterGrowth( rate = r_sim3, xt = xt, t = t, xinit = xinit ) %>% enframe() %>% mutate(t = name - 1) %>% select(t, pob = value) %>% mutate(rate = r_sim3) sim_total <- bind_rows(sim_1, sim_2, sim_3) sim_total %>% mutate(rate = as.factor(rate)) %>% ggplot(aes(x = t, y = pob, color = rate)) + geom_line() + scale_color_manual(values = c("#76b49f", "#ef3840", "#edea6f")) + labs(x = "Tasa", y = "Equilibrio poblacional", title = "Estabilidad poblacional", subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)')) ``` ## Simulación 4 - En esta simulación se implementan diferentes tasas de crecimiento para ver el resultado en el equilibrio poblacional (en 100 generaciones) con una población cuyo tamaño actual es 62% del máximo teórico. ```{r} # Parámetros r <- seq(from = 0.1, to = 3.6, by = 0.1) xt <- 0.62 t <- 100 xinit <- xt # Gráfico r %>% map_df(.x = ., .f = ~ dfGrowth( rate = ., xt = xt, t = t, xinit = xinit )) %>% ggplot(aes(x = t, y = pob, color = rate)) + geom_line(alpha = 0.2) + scale_color_viridis_d() + labs(x = "Tasa", y = "Equilibrio poblacional", title = "Estabilidad poblacional", subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)')) ``` ## Simulación 5 - En esta simulación tomo tasas de crecimiento entre 3.5 y 3.8 (justamente donde aparece el *caos*) para ver el resultado en el equilibrio poblacional (en 100 generaciones) con una población cuyo tamaño actual es 62% del máximo teórico. **Nota:** para facilitar la visualización de los patrones 😎 se presenta de forma interactiva con `plotly`. ```{r} # Parámetros r <- seq(from = 3.5, to = 3.8, length = 20) xt <- 0.62 t <- 100 xinit <- xt # Gráfico ggplotly( r %>% map_df(.x = ., .f = ~ dfGrowth( rate = ., xt = xt, t = t, xinit = xinit )) %>% ggplot(aes(x = t, y = pob, color = rate)) + geom_line(alpha = 0.2) + scale_color_viridis_d() + labs(x = "Tasa", y = "Equilibrio poblacional", title = "Estabilidad poblacional", subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)')) ) ``` # Diagrama de bifurcación ## Simulación completa - `rate`: 10 mil valores desde 0.1 a 3.8 - `xt`: 0.62 - `t`: 2 mil - `xinit`: 0.62 - **Notas:** - Estoy asumiendo que la estabilidad poblacional se logra en la mitad del tiempo, que para este ejemplo corresponde a mil. - Como la simulación se demora más de 20 mintuos decidí guardar el archivo con los resultados e importarlos para construir los diagramas de bifurcación. ```{r, eval=FALSE} # Parámetros r <- seq(from = 0, to = 4, length = 1000) xt <- 0.62 t <- 2000 xinit <- xt estabPob <- t / 2 # Simulación set.seed(2022) g <- r %>% map2_df( .x = ., .y = t, .f = ~ dfGrowth( rate = ., xt = xt, t = sample.int(n = .y, size = 1), xinit = xinit ) %>% slice(sample.int(n = .y, size = 1)) ) # Exportando resultados simulación write_csv(x = g, "data_simulation_rates.csv") ``` ## Opción 1 ```{r} result_simulation <- read_csv("data/data_simulation_rates.csv") result_simulation %>% ggplot(aes(x = rate, y = pob)) + geom_point(size = 0.1, color = "white") ``` ## Opción 2 ```{r, warning=FALSE, fig.width=9, fig.height=6} #| column: page result_simulation %>% ggplot(aes(x = rate, y = pob, color = pob)) + geom_point(size = 0.4) + labs(x = "Tasa", y = "Estabilidad poblacional", title = "Diagrama de bifurcación", subtitle = TeX(r'($x_{t+1}= (\alpha x_t) \times (1-x_t)$)'), caption = TeX(r'(Lnea roja: $ \alpha \sim 3.57$)')) + geom_vline(xintercept = 3.57, color = "red", size = 0.4) + scale_color_viridis_c() + theme_modern_rc() + theme(legend.position = "none") ```