UNIVERSIDAD DE CHILE

FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS

DEPARTAMENTO DE INGENIERA INDUSTRIAL
DEPARTAMENTO DE INGENIERA MATEMTICA

COEXISTENCIA Y CASCADAS DE BIFURCACIONES EN UNA FAMILIA DE

SISTEMAS DE PARTCULAS CATICOS

TESIS PARA OPTAR AL GRADO DE MAGSTER EN GESTIN DE OPERACIONES

MEMORIA PARA OPTAR AL TTULO DE INGENIERO CIVIL MATEMTICO.

LUIS MAXIMILIANO FREDES CARRASCO

PROFESOR GUA:
DANIEL REMENIK ZISIS

MIEMBROS DE LA COMISIN:
JOAQUN FONTBONA TORRES
FERNANDO ORDOEZ PIZARRO
MICHAEL SCHRAUDNER

Este trabajo ha sido parcialmente financiado por CONICYT.

SANTIAGO DE CHILE
MARZO 2015
 RESUMEN DE LA TESIS
PARA OPTAR AL GRADO DE
MAGSTER EN GESTIN DE OPERACIONES
RESUMEN DE LA MEMORIA
PARA OPTAR AL TTULO DE
INGENIERO CIVIL MATEMTICO
POR: LUIS FREDES CARRASCO
FECHA: 13/02/2015
PROF. GUA: DANIEL REMENIK ZISIS.

COEXISTENCIA Y CASCADAS DE BIFURCACIONES EN UNA FAMILIA

DE SISTEMAS DE PARTCULAS CATICOS

En el presente trabajo se estudian dos sistemas de partculas asumiendo ciertas hiptesis

que permiten el clculo explcito de algunas expresiones. El primer sistema en estudio surge
del modelo del votante (VM) y del modelo presentado por Durrett y Remenik en [11] (MM),
y tiene por regla de evolucin una fusin de las que poseen los sistemas anteriores. Dado
que los resultados obtenidos sobre este primer sistema son parecidos a los presentados en el
paper de Durrett y Remenik ([11]) sobre MM se prosigue, por simplicidad en los clculos,
estudiando ste ltimo y se obtiene: la determinacin de una forma analtica para el punto fijo
cuando existe, extensin para la muerte de componentes conexas de tamao finito, extensin
para regla de evolucin local y extensin a una cantidad finita de especies que comparten el
espacio.

El estudio realizado se estructura, para cada sistema, de la siguiente manera: primero

se analiza un candidato a lmite y se buscan las hiptesis necesarias para que ste lo sea
efectivamente, luego se extraen propiedades del lmite encontrado y se buscan condiciones
sobre las cuales ste, en su evolucin temporal, exhibe extincin, convergencia a un punto
fijo o caos. En el caso con dos especies, adems de las conductas mencionadas anteriormente,
se establecen condiciones sobre las cuales hay coexistencia. Adems, en el sistema con una
especie y muerte de componentes conexas de tamao finito se exhiben cascadas de bifurcacin
sobre el sistema lmite, hecho que no se presenta para la muerte de componentes conexas de
tamao infinito. La ocurrencia de las cascadas de bifurcacin no pudo ser demostrada, dada
la dificultad algebraica de las expresiones, pero se presentan argumentos que sugieren que
stas se verifican. Finalmente, con esta metodologa se permite describir completamente el
diagrama de fase para el sistema con una especie y parcialmente para el de dos especies,
conjeturando el comportamiento sobre algunas zonas.

i
Agradecimientos

Primero que todo me gustara agradecer a mi familia por todo el apoyo, cario y valores
que me han entregado. A mi padre y madre, por demostrarme que el trabajo dignifica y por
siempre darme las herramientas para estudiar, a mi hermana, por siempre ser un apoyo en
todo sentido, y a Dani, por poder contar contigo para cualquier cosa y por potenciarme en
todo sentido.

A los profesores Daniel Remenik, Joaqun Fontbona, Michael Schraudner y Fernando Or-
doez muchas gracias por todo el tiempo, apoyo y consejos que me han dado en este tiempo,
ha sido un verdadero agrado conocerlos.

No puedo dejar de agradecer a mis amigos; en particular, a Nicols Sanhueza y Rodolfo

Gutierrez, por la gua que me dieron para poder realizar esta tesis; a Avelio Sepulveda por
toda la atencin puesta en mis postulaciones al extranjero, y en general: a mis amigos de
infancia, universidad y colegio. Creo que la sangre no significa nada sin retroalimentacin,
por ende, a los que considero mi verdadera familia son ustedes.

Quiero agradecer a los profesores y funcionarios del DIM y MGO por la excelente labor
que realizan.

Finalmente, agradezco a CONICYT por el financiamiento otorgado para realizar este

trabajo.

ii
Tabla de Contenido

Introduccin 1

1. Preliminares 4
1.1. Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Sistemas de Partculas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Sistemas Dinmicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Proceso MM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5. Funcin W de Lambert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2. Modelo del Votante Modificado 13

2.1. Distribucin de |C0 | . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. Extensin de MVM en base a la distribucin de |C0 | . . . . . . . . . . . . . 27
2.2.1. Extincin de la tendencia moda . . . . . . . . . . . . . . . . . . . . . 32

3. Extensiones a MM 39
3.1. Punto Fijo de f (p) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2. Extensin para N > 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.1. Extincin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3. Extensin a NN (x) = B(i, rN ) . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4. Extensin con ms de un tipo de ocupacin . . . . . . . . . . . . . . . . . . 52
3.4.1. Propiedades del sistema h1 ,2 . . . . . . . . . . . . . . . . . . . . . . 65

4. Discusiones 72
4.1. Cascada de bifurcaciones en MM . . . . . . . . . . . . . . . . . . . . . . . . 72
4.1.1. Consecuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2. Coexistencia para dos especies . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.3. Comparacin con simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4. Resumen de los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

Conclusin 85

Anexo 91

Bibliografa 99

iii
ndice de figuras

1.1. Grfico de Cobweb asociado a 4(0.125 + (p 0.5)3 ) . . . . . . . . . . . . . . 8

1.2. Diagrama de Bifurcaciones de la familia logstica . . . . . . . . . . . . . . . . 9
1.3. Diagrama de Bifurcaciones MM para N 0 . . . . . . . . . . . . . . . . . 12

2.1. Diagrama de Bifurcaciones MVM para N 0. . . . . . . . . . . . . . . . 20

2.2. Grfico de Cobweb asociado a h, . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3. Diagrama de Bifurcaciones MVM para = 0.01. . . . . . . . . . . . . . . . 38

3.1. Grfico de Cobweb asociado a f . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.2. Grfico de Cobweb asociado a h, . . . . . . . . . . . . . . . . . . . . . . . . 43

4.1. Grfico explicativo de la demostracin de la proposicin 4.15 . . . . . . . . . 75

4.2. Renormalizacin de mximo menor que 1. . . . . . . . . . . . . . . . . . . . 75
4.3. Rf que excede 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.4. Grfico de una h,0.01 que posee renormalizacin con 1 como mximo. . . . . 77
4.5. Grfico de la renormalizacin asociada a fig. 4.4. . . . . . . . . . . . . . . . . 77
4.6. Grfico de una h,0.5 que posee renormalizacin con 1 como mximo. . . . . 78
4.7. Grfico de la renormalizacin asociada a fig. 4.6 . . . . . . . . . . . . . . . . 78
4.8. Grfico segunda iterada de la renormalizacin para = 0.01. . . . . . . . . . 79
4.9. Grfico tercera iterada de la renormalizacin para = 0.01. . . . . . . . . . 79
4.10. Grfico segunda iterada de la renormalizacin para = 0.5. . . . . . . . . . 80
4.11. Grfico tercera iterada de la renormalizacin para = 0.5. . . . . . . . . . . 80
4.12. Diagrama de Bifurcaciones MM para = 0.1. . . . . . . . . . . . . . . . . . 82
4.13. Diagrama de bifurcaciones. Dos especies con 1 = 4 log(2). . . . . . . . . . . 83
4.14. Diagrama de bifurcaciones 2. Dos especies con 1 = 4 log(2). . . . . . . . . . 84
4.15. Diagrama de bifurcaciones. Dos especies con 1 = 1.99 log(2). . . . . . . . . . 84
4.16. Diagrama de bifurcaciones 2. Dos especies con 1 = 1.99 log(2). . . . . . . . . 85
4.17. Diagrama de bifurcaciones. Dos especies con 1 = 1.2. . . . . . . . . . . . . . 85
4.18. Diagrama de bifurcaciones. Dos especies con 1 = 1.3. . . . . . . . . . . . . . 86
4.19. Diagrama de bifurcaciones de la primera especie con 1 = 5 log(2). . . . . . . 86
4.20. Diagrama de bifurcaciones de la segunda especie con 1 = 5 log(2). . . . . . . 87
4.21. Diagrama de bifurcaciones de la suma de las especies con 1 = 5 log(2). . . . 87
4.22. Diagrama de bifurcaciones del proceso con 10000 nodos. . . . . . . . . . . . . 88
4.23. Diagrama de bifurcaciones del proceso con una cantidad de nodos entre 20000
y 100000. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.24. Diagrama de bifurcaciones h,0.1 . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.25. Grfica resumen del comportamiento del sistema h, . . . . . . . . . . . . . . 89

iv
4.26. Segunda grfica resumen del comportamiento del sistema h, . . . . . . . . . 90
4.27. Grfica resumen del comportamiento del sistema h1 ,2 . . . . . . . . . . . . . 90

v
Introduccin

En la actualidad es de gran inters conocer ciertos comportamientos que ocurren en siste-

mas donde agentes interactan y para obtener propiedades de estos, utilizando la matemtica
como herramienta principal, se busca un modelo que logre rescatar estas interacciones; dentro
de estos se encuentran los sistemas de partculas. Los sistemas de partculas, algunas veces
llamados sistemas interactivos de partculas, nacen a finales de la dcada de los 60s, sus
primeros precursores fueron Frank Spitzer en Estados Unidos y Roland Lvovich Dobrushin
en Unin Sovitica, y se crean con el objetivo de describir y analizar la evolucin temporal
de modelos estocsticos asociados a la mecnica estadstica; entre otras cosas, se esperaba
que este tipo de sistemas llevara a un mejor entendimiento del fenmeno de transicin de
fase. Con el paso del tiempo qued claro que este tipo de modelamiento posee una estructura
matemtica que puede ser utilizada en otros contextos, por ejemplo, el seguimiento de las
densidades de especies que viven en el mismo hbitat en base a un recurso limitado en el
contexto del estudio de ecosistemas, o como lo son las preferencias personales en el caso de
los comportamientos sociales.

Dos modelos que vale la pena mencionar, ya que fueron utilizados para este trabajo, son el
modelo del votante y un sistema que modela la poblacin de un tipo de polillas introducido
por Durret y Remenik. El modelo del votante fue introducido por Clifford y Sudbury (1973)
con una interpretacin de invasin y por Holley y Liggett (1975) para votantes en una eleccin.
Este ltimo enfoque consiste en un grupo de gente que puede sostener dos posturas polticas
y cada agente espera un tiempo aleatorio que se distribuye como una variable exponencial
de parmetro fijo para elegir a un vecino y copiarle la tendencia poltica (como se explica en
[8]) .

El modelo introducido por Durrett y Remenik en [11] trata de modelar un tipo de po-
lillas (gypsy moth) con una generacin cada un ao y con la cualidad de que sus larvas se
incuban por aproximadamente 9 meses para en el tiempo restante terminar de crecer y se
reproducirse. El modelo consiste en una fase de crecimiento, que representa las larvas que
deja por descendencia cada polilla, y una de epidemia, en donde cada larva es atacada con
una probabilidad fija mientras que sta se incuba. Una vez que una larva es atacada, sta
contagia a las larvas vecinas, luego stas contagian a sus vecinas y as sucesivamente; consi-
guiendo finalmente acabar con el conglomerado de larvas donde ella es efectiva. En el paper
de Durrett y Remenik [11] el objeto en estudio se enfoca en el ataque de la infeccin cuando
la probabilidad de contagio tiende a cero, lo que propone que la infeccin en el lmite de la
evolucin slo ataca a grupos de sitios ocupados por larvas de tamao infinito.

1
 La motivacin de este trabajo surge de la fusin de las dos reglas de evolucin asociadas
a los sistemas de partculas mencionados anteriormente, en su forma a tiempo discreto, con
la intencin de explicar el comportamiento de las personas. El nuevo modelo consiste en una
fase de crecimiento y una de epidemia, al igual que el modelo de las polillas, pero con una
diferencia en la fase de crecimiento.

La fase de crecimiento del nuevo modelo tiene una interpretacin parecida a la del modelo
del votante, en sta se utilizan dos posturas polticas {0, 1} con una de ellas (1) moda dentro
de las preferencias; luego, en esta fase, cada individuo elige aleatoriamente a otro para copiar
su preferencia, pero si una persona que tiene la tendencia moda (1) elige a alguien que no
posee la preferencia moda (0) para copiarle, ste con cierta probabilidad retiene la postura
(1).

Para la etapa de epidemia, se puede pensar que es una etapa de crecimiento de la postura
poltica que no es moda, ya que sta ataca con cierta probabilidad a la tendencia moda
haciendo cambiar de parecer a conglomerados se puede pensar que la gente traspasa
su nueva postura a sus cercanos, haciendo que ellos cambien de parecer; al igual que el
modelo de las polillas, esto representa hechos puntuales en los que una campaa poltica
genera adeptos a su tendencia, como lo son: debates presidenciales, controversias polticas,
destape de fraudes de la tendencia moda (1) por parte de la tendencia que no es la mayoritaria
(0), entre otros.

Al finalizar el proceso de epidemia, los individuos son reordenados en los sitios aleatoria-
mente, para luego volver con una etapa de crecimiento, epidemia y reordenamiento; e iterar
stas tres en el mismo orden. El fundamento de este reordenamiento representa un gran paso
de tiempo entre cada etapa de crecimiento, pues la gente cambia tanto el lugar donde vive,
como las amistades; esto se ve reflejado en el modelo ya que tanto los individuos como sus
vecinos cambian de posicin en el grafo. Este procedimiento es necesario, pues la densidad
de gente que posee una preferencia, vista como proceso estocstico, pasa a ser una cadena de
Markov si los individuos son reordenados al final de la fase de epidemia; en caso contrario, la
posible retencin de la tendencia moda (1) genera que el proceso no slo dependa del instante
anterior.

El inters principal sobre el modelo es saber si la tendencia moda, al hacer evolucionar

el sistema, en algn momento desaparece o vive siempre, y en caso de que la tendencia viva
siempre, describir el comportamiento de las densidades. Es necesario recalcar que dado el
procedimiento de evolucin una vez que una tendencia muere no vuelve a existir; adems, es
importante ver en qu casos la regla de evolucin puede ser modificada de modo de obtener
resultados ms realistas, como por ejemplo, un copio aleatorio dentro de una vecindad del
sitio.

La interpretacin utilizada para presentar el modelo puede ser modificada con el fin de
ser aplicada a otros contextos que posean una tendencia moda y una tendencia que compita
por no desaparecer o incluso ganar la posicin de ser la preferencia moda; en el caso que sea
un grupo de tendencias se puede hacer una agregacin de ellas y tratarlas como una sola.
Ejemplos naturales surgen para este tipo de casos, como lo son: la competencia entre marcas
o empresas que provean un mismo tipo de bien o bienes sustitutos, la evolucin de especies
en un mismo ecosistema mediante mtodos de adaptacin, entre otros.

2
 El Modelo fusin tuvo una semejanza con el modelo introducido por Durrett y Remenik en
el comportamiento de la funcin de crecimiento y entre ellas la ms fcil de trabajar es la del
modelo introducido por Durrett y Remenik. En esta tesis algunos de los resultados obtenidos
en [11] fueron adaptados y demostrados para el caso del modelo fusin. Esta semejanza entre
las funciones de crecimiento y la evidencia de replicabilidad de resultados es la que hace
tomar la decisin de seguir trabajando con el modelo presentado por Durrett y Remenik,
extendiendo tanto el modelo, como algunos de sus resultados.

El presente trabajo se distribuye como sigue: en el primer captulo se presentan los concep-
tos preeliminares necesarios para desarrollar lo expuesto en el resto de sta tesis; le sigue, el
segundo captulo, el cual corresponde a los estudios realizados sobre el proceso fusin, luego,
en el tercer captulo, se muestran algunos resultados y extensiones obtenidos en el modelo
de Durrett y Remenik, para finalmente dar paso al cuarto captulo donde se discuten ciertos
comportamientos de los sistemas estudiados y se resumen los resultados obtenidos.

3
Captulo 1

Preliminares

En este captulo se introducen los tpicos utilizados mediante definiciones, propiedades y

teoremas que sern tiles a lo largo del presente estudio.

1.1. Grafos

Definicin 1.1 (Grafo) Se llamar grafo al par ordenado G = (V, E), donde V conjunto
cuyos elementos se denominarn vrtices y E {{u, v} : u, v V } y se har referencia a
los elementos de E como aristas del grafo.

Definicin 1.2 (Subgrafo, Subgrafo inducido) Sean G = (V, E) y G0 = (V 0 , E 0 ) dos grafos.

Se dir que G0 es subgrafo de G si se cumple que V 0 V y E 0 E. Adems se dir que G0
es subgrafo inducido de G o G0 es el subgrafo inducido en G por V 0 si E 0 E contiene todas
las aristas {x, y} E tal que x, y V 0 .

Definicin 1.3 (Camino finito, Rayo, Rayo doble, Camino) Se define un Camino finito como
un grafo finito P = (V, E) de la forma
V = {x0 , x1 , . . . , xk } E = {x0 x1 , x1 x2 , . . . , xk1 xk }
Un rayo es un grafo infinito G = (V, E) de la forma
V = {x0 , x1 , . . . } E = {x0 x1 , x1 x2 , x2 x3 , . . . }
Un rayo doble es un grafo infinito G = (V, E) de la forma
V = {. . . , x1 , x0 , x1 , . . . } E = {. . . , x2 x1 , x1 x0 , x0 x1 , x1 x2 , . . . }
Para el contexto de grafos finitos, un camino ser un camino finito, mientras que para un
grafo infinito un camino ser un camino finito, un rayo o un doble rayo.

Definicin 1.4 (Grafo conexo) Un grafo G no vaco es llamado conexo si x, y V ellos

estn conectados por un camino en G.

4
Definicin 1.5 (Componente conexa) Sea G un grafo. Una componente conexa es un sub-
grafo maximal conexo de G. Se denotar por CC(x) para x V a la componente conexa de
x en G.

Dentro de las propiedades de sta ltima definicin se encuentra que cada componente
conexa es inducida, y los conjuntos de vrtices que las inducen forman una particin de los
vrtices de G.

Definicin 1.6 (Vecinos) Sea G = (V, E) un grafo. Se define NG (x) := {y V : {x, y} E}

conjunto de todos los vecinos de x V en G.

Definicin 1.7 (Grafo d-regular) Sea G = (V, E) un grafo. El grafo G se dir d-regular si
|NG (x)| = d x V , i.e, todos los nodos del grafo tienen igual cantidad de vecinos.

Definicin 1.8 (rbol) Sea G = (V, E) un grafo es un rbol si contiene slo una componente
conexa y existe slo un camino entre cada par de nodos. Se llamar hoja a todo x V tal
que |NG (x)| = 1.

Definicin 1.9 (d-rbol) Un grafo G = (V, E) se dir d-rbol si es un rbol y |NG (x)| = d
para todo nodo del rbol, salvo sus hoja.

1.2. Sistemas de Partculas

A continuacin se presenta una de las herramientas principales utilizadas en este estu-

dio, los sistemas de partculas, como ya se mencion en la introduccin es la herramienta
matemtica que se utilizar para modelar las interacciones entre agentes.

Definicin 1.10 (Sistemas de partculas) Un sistema de partculas es un proceso estocstico

(Xt )tT , donde T representa un conjunto de tiempos, en un grafo G = (V, E) un grafo
infinito o numerable, y un espacio de estados S para cada sitio o nodo de G; el espacio
de configuraciones de este proceso es = S V .

Antes de avanzar, se presenta un ejemplo a tiempo contino y su anlogo a tiempo discreto,

para fijar la idea presentada anteriormente.

Ejemplo Modelo del votante a tiempo continuo

d
Se considera = {0, 1}Z para G = (Zd , {{x, y} V 2 : |x y| = 1}) y posibles estados en un
sitio S = {0, 1}, se denotar como (t )tR+ al proceso y t (x) el estado en que se encuentra
el sitio x Zd en el tiempo t. El mecanismo de evolucin del sistema considera que para
x Zd , t (x) 1 t (x) con tasa
1 X
1{(y)6=(x)}
2d
y:|yx|=1

Tambin se puede pensar que cada sitio tiene espera un tiempo aleatorio exponencial de

5
parmetro 1 y luego copia la tendencia a un vecino elegido aleatoriamente.

Ejemplo Modelo del votante a tiempo discreto

Se considera , G, S igual que antes y se denota por (n )nN al proceso y n (x) al estado en
que se encuentra el sitio x Zd en la etapa n N. El mecanismo para cada x Zd elige de
forma aleatoria y N (x) Zd y hace
(
01 si n (y) = 1
n+1 (x) =
10 si n (y) = 0

A continuacin se define el sistema de partculas introducido por Durrett y Remenik en

[11], por simplicidad en adelante se denotar por MM (Moth Model).

Definicin 1.11 (MM ) Sea N N fijo, T = N y cada sitio en un grafo GN = (VN , EN ),

de N nodos, el cual puede estar ocupado o vacante, i.e, = {0, 1}VN . Se denominar por
(nN )nN al proceso y nN (x), al igual que antes, el estado en que se encuentra el sitio x GN
en la etapa n. El cambio que ocurre en el modelo en una unidad de tiempo se explica en
dos fases sucesivas: la fase de crecimiento y la fase de epidemia. Es conveniente definir de
inmediato (n+ 1 )NnN como el estado de los sitios despus de la fase de crecimiento. Para
2
cierto n N la regla de actualizacin se define como:

Crecimiento: Si un sitio x GN cumple que nN (x) = 1, entonces, este sitio elige una
cantidad aleatoria M (x) de media 1 ( cantidad de larvas nacidas en x ); para luego
elegir M sitios aleatoriamente digamos SM (x) en NN (x) GN , la vecindad de crecimiento
N
de x, y cambia su estado n+ 1 (y) = 1 y SM (x).
2

Epidemia: Por cada sitio x GN se genera una variable aleatoria BN (x) tal que BN (x) = 1
con una probabilidad pequea N . Para el subgrafo AGN de GN , inducido por AVN = {v
N
V (G) : n+ 1 (v) = 1} (Alive Vertices) en G, si en una componente conexa de AGN existe un
2
N
nodo x tal que BN (x) = 1 entonces n+1 (y) = 0 y CCAGN (x) (Esto representa a la muerte
de un conglomerado vivo cada vez que la epidemia se hace efectiva para algn sitio de l).

1.3. Sistemas Dinmicos

Los conceptos introducidos en esta seccin tienen como referencias a [1] y [6]

Definicin 1.12 (Sistema Dinmico) Un sistema dinmico consiste en un trio (S, T, g),
donde S es un espacio de estados, T es un conjunto de tiempos y g : S T S es una regla
de evolucin del sistema.

Un sistema dinmico puede ser considerado como un modelo describiendo la evolucin

temporal de un sistema de forma determinista, ya que una vez fijado donde parte, se define
de forma nica todo el resto de la evolucin.

6
Definicin 1.13 (Regla de evolucin a tiempo discreto) Una regla de evolucin a tiempo
discreto es un sistema dinmico donde existe f : S S tal que g(s, n) = f n (s).

Definicin 1.14 (Mapeo, rbita) Un mapeo es una funcin tal que f : X X. Para un
mapeo y un punto x, la rbita de x bajo f ser (x, f (x), f 2 (x), . . . ).

Para un mapeo en los reales, es de gran utilidad considerar los grficos de Cobweb, estos
dan un esquema de la rbita que genera un punto. Los pasos para generar este tipo de grfico
se explica en Algoritmo 1

Algoritmo 1 Algoritmo para generar el grfico de Cobweb partiendo desde x para el mapeo
f.
Entrada: f : X R X, x X, n N
Salida: Grfico de Cobweb .
1: Se grafica el mapeo f y la identidad en el plano Euclideano X X.
2: Se grafica el segmento vertical que une a (x, 0) con (x, f (x)).
3: Para i = 1 hasta n hacer
4: Se dibuja el segmento horizontal que une a (x, f (x)) con (f (x), f (x)).
5: Se grfica el segmento vertical que une a (f (x), f (x)) con (f (x), f 2 (x))
6: x f (x)
7: Fin Para

Definicin 1.15 (Punto fijo, Atractor, Repulsor) Para m N se considera una funcin
f : X Rm X. Un punto fijo x X de f , ser un punto tal que f (x) = x. Si > 0,
para x punto fijo de f , tal que v B(x, ) se cumple que lmn f n (v) = x, entonces x se
dir Atractor. Si > 0, para x punto fijo de f , tal que v B(x, ) \ {x} eventualmente
es mapeado fuera de B(x, ) (i.e. los puntos en la rbita de x bajo f viven fuera de B(x, ),
salvo una cantidad finita), entonces x se dir Repulsor.

Teorema 1.16 Sea f un mapeo en Rm , y x un punto fijo de f .

1. Si cada valor propio de Df (x) es menor que 1, entonces x es atractor.

2. Si cada valor propio de Df (x) es mayor que 1, entonces x es repelente.

Definicin 1.17 (Puntos Hiperblicos, Punto silla) Sea f un mapeo en Rm con m > 1 y sea
x un punto fijo de f , entonces el punto fijo es llamado hiperblico si ninguno de los valores
propios de Df (x) tiene modulo 1. Si x es hiperblico y al menos un valor propio de Df (p)
tiene magnitud mayor que 1 y al menos uno tiene mdulo menor que uno, entonces x es
llamado punto silla.

Los puntos silla son puntos inestables, dado que en una vecindad del punto fijo hay al
menos una direccin de atraccin a l y al menos una de repulsin.

Proposicin 1.18 (Ver [1] Proposicin 2.3.5 ) Si I R es un intervalo, cerrado, acotado,

y f : I I es un mapeo no decreciente continuo, entonces todo x I es un punto fijo o
converge a un punto fijo.

7
Proposicin 1.19 (Ver [1] Proposicin 2.6.14 ) Si X, Y son espacios mtricos, X completo
y f : X Y X es continua tal que fy := f (, y) es una contraccin y Y , entonces el
punto fijo de fy depende continuamente de y.

Se presenta un ejemplo que expone lo definido hasta ahora.

Ejemplo Se utiliza la funcin f (p) := 4(0.125 + (p 0.5)3 ) la que posee tres puntos fijos
0, 0.5, 1 cumpliendo
f 0 (0) = 3, f 0 (0.5) = 0, f 0 (1) = 3
Luego gracias al teorema 1.16 0 y 1 son repelentes, mientras que 0.5 es atractor. La proposi-
cin 1.18 dice que x [0, 1] \ {0, 1} convergen a 0.5 o son 0.5; i.e. la vecindad de atraccin
es todo el intervalo salvo el resto de puntos fijos. La fig. 1.1 resume y presenta grficamente
esta propiedad.

Figura 1.1: Grfico de Cobweb asociado a 4(0.125 + (p 0.5)3 ) partiendo desde los puntos 0.1 y 0.93. Las
lneas rojas punteadas son el grfico de Cobweb de los puntos que van hacia el punto atractor, tambin en
rojo; mientras que los puntos negros son repulsores.

Usando la notacin de la definicin anterior se puede escribir sn = g(s, n) = f n (s) =

f (f n1 (s)) = f (sn1 ). Luego una regla de evolucin puede ser pensada como la regla para
saber el prximo estado en funcin al estado actual.

A lo largo de este trabajo se estudi sistemas dinmicos a tiempo discreto ( i.e, T = N)

siguiendo una regla de evolucin y se analiz casos donde el espacio de estados es de la forma
{0, 1}n con n N.

Para una familia de funciones con respecto a un parmetro (fa )aAR se explica en Al-
goritmo 2 la construccin del diagrama de bifurcaciones, el cual expone de manera clara el
comportamiento del sistema asociado a (S, T, g), con g ligado a la regla de evolucin fa , a
medida que vara el parmetro a.

8
Algoritmo 2 Diagrama de bifurcaciones de (fa )aA
Entrada: Ad A discretizacin de A, (fa , xa0 X) a Ad , cantidad de iteraciones por
graficar n N, cantidad de iteraciones asociadas a pasar el estado transiente m N,
Xa X rango de ploteo con respecto al eje Y que suponemos contiene a todos los
dominios donde est definida la familia (fa )aAd .
Salida: Diagrama de Bifurcaciones.
1: Fijar plano Euclideano en A X
2: Para a en Ad hacer
3: x xa0
4: Para i = 1 hasta m hacer
5: x f (x)
6: Fin Para
7: Para i = 1 hasta n hacer
8: x f (x)
9: Graficar (a, x)
10: Fin Para
11: Fin Para

Ejemplo Familia Logstica

Se define la familia logstica (fa )aA , donde fa son funciones asociadas al sistema definido
por xn+1 = fa (xn ) = axn (1 xn ) a [0, 4]. El diagrama de bifurcaciones correspondiente a
esta familia se presenta en la fig. 1.2

Figura 1.2: Diagrama de Bifurcaciones de la familia logstica fa (x) = ax(1 x)

Definicin 1.20 (Caos) Se dir que f : S S es catica si se cumplen las siguientes:

1. Para todo k = 1, 2, . . . , existe un punto en S de periodo k, i.e. un punto x tal que

f k (x) = x, y que f j (x) 6= x 0 < j < k.

9
 2. Existe un conjunto no numerable U J que contiene puntos no peridicos tal que se
cumplen:
(a) p, q U, p 6= q
lm sup |f n (p) f n (q)| > 0
n
y
lm inf |f n (p) f n (q)| = 0
n

(b) Para todo punto p U y todo punto peridico q S se tiene que

lm sup |f n (p) f n (q)| > 0

n

Damos con esto paso a un teorema que ser necesario para replicar un resultado obtenido
en [11].

Teorema 1.21 (Periodo tres implica caos [16]) Sea f : S S una funcin continua y S R
un intervalo. Si c S tal que

f 3 (c) c < f 1 (c) < f 2 (c)

Entonces la funcin f es catica.

1.4. Proceso MM

Los resultados que se presentarn a lo largo de este estudio con respecto al modelo MM
requieren algunas propiedades expuestas en [11].

Definicin 1.22 (Funciones asociadas a MM ) Se define la funcin de crecimiento como

f : [0, 1] [0, 1]
p (1 ep )

Tambin se define la funcin de epidemia

g : [0, 1] ( [0, 1]
1
p si p 2
p (1p)3 1
p2
si p > 2

log(2)
Finalmente considerando a0 =
se define

h : [0, 1] ( [0, 1]
(1 ep ) si p a0
p g(f (p)) = e3p
(1ep )2
si p > a0

10
 Cada una de las funciones definidas anteriormente tienen una interpretacin para MM .
La funcin f (p) representa a la densidad esperada de individuos que habr, luego de la
fase de crecimiento, al partir con una densidad p de individuos y donde cada individuo
deja una cantidad aleatoria de hijos de media de ; mientras que g representa la densidad
que habr despus de una fase de infeccin donde slo se mueren componentes conexas de
tamao infinito. Por consecuencia h representa la densidad que habr ejecutando una fase
de crecimiento y luego una fase de epidemia.

Teorema 1.23 Para el modelo MM, si se cumple GN es un 3- rbol conexo elegido aleato-
riamente y
N log2 (N ) N 0 Cuando N

Entonces el proceso (Nk )k0 converge en distribucin a la rbita determinista comenzando

con p, del sistema dinmico asociado a h .

Con esto en mente se considera el sistema dinmico constituido al utilizar h como regla
de evolucin, por lo tanto las siguientes propiedades son inmediatas.

Si < 1 entonces f (p) < p, con esto se tiene que h0 (0) < 1 y h no tiene otro punto
fijo g es decreciente, i.e. 0 es atractor y es el nico punto fijo; luego, hN (p)
0, p [0, 1].
1
2
es punto fijo de h para = 2 log(2).

Adems de esto se expone el siguiente resultado.

Teorema 1.24 El sistema dinmico definido por la funcin h : a1 , 21 a1 , 12 , donde

   

a1 = h (0.5)

1. Es catico 2 log(2).
2. Si (2 log(2), 2.48). Entonces el sistema tiene una medida invariante , = h1

la cual es absolutamente continua con respecto a la medida de Lebesgue.

En la fig. 1.3 se presenta el diagrama de bifurcaciones asociado a este sistema dinmico.

1.5. Funcin W de Lambert

Para encontrar una expresin analtica explicita para algunos clculos realizados en este
trabajo se utiliz la funcin W de Lambert, la cual sirve para resolver algunas ecuaciones
exponenciales.

Definicin 1.25 (Funcin W de Lambert) La funcin W de Lambert, se define como la que

resuelve la siguiente ecuacin para x C

x = W (x)eW (x)

11
Figura 1.3: Diagrama de Bifurcaciones MM para N 0. Se muestran desde la iteracin 900 a la 1000
consideradas al partir desde el mximo de h (p).

Proposicin 1.26 La funcin W de Lambert tiene la siguiente serie como representacin

X (n)n1
W (x) = xn
n=1
n!

En torno a 0 y tiene radio de convergencia 1e .

12
Captulo 2

Modelo del Votante Modificado

En este capitulo se propondr un nuevo modelo y se obtendrn algunos resultados sobre

ste, obtenidos en base a los del paper de Durrett y Remenik ([11]) para el modelo MM . El
modelo que se propondr es una fusin del modelo del votante a tiempo discreto y el modelo
MM ; tomando en cuenta que estos ya fueron definidos, es posible definir el modelo sobre el
que se trabajar en esta seccin, el cual se llamar por simplicidad MVM (Modified Voter
Model).

Definicin 2.1 (Modelo del Votante modificado (MVM )) Sea N N fijo, N [0, 1],
T = N y cada sitio en un grafo GN = (VN , EN ), de N nodos, el cual puede estar ocupado o
vacante (1 si tiene la tendencia moda o 0 si no), i.e, = {0, 1}VN . Se denotar por (nN )nN
al proceso y nN (x) el estado en que se encuentra el sitio x GN en la etapa n. El cambio
que ocurre en el modelo en una unidad de tiempo se explica en dos fases sucesivas: la fase
N
de crecimiento y la fase de epidemia. Se hace conveniente definir (n+ 1 )nN como el estado
2
de los sitios despus de la fase de crecimiento. Para cierto n N la regla de actualizacin se
define como:

Crecimiento: Si un sitio x GN cumple que n (x) = 1, entonces elige una posicin

aleatoria y NN (x) GN , uniforme en NN (x) y se actualiza como
(
N 1 con probabilidad 1, si nN (x) = 0 y nN (y) = 1
n+ 1 (x) =
2 0 con probabildad 1 N , si n (x) = 1 y n (y) = 0

De esta forma, si tiene la tendencia moda y elige una posicin y NN (x) que no tiene la
tendencia moda, ste la podr retener con probabilidad N . Si x e y tienen la misma tendencia
entonces no la cambiarn con probabilidad 1.

Epidemia: Por cada sitio x GN se genera una variable aleatoria BN (x) tal que BN (x) = 1
con una probabilidad pequea N . Para el subgrafo AGN de GN , inducido por AVN = {v
N
V (G) : n+ 1 (v) = 1} (Alive Vertices) en G, si en una componente conexa de AGN existe
2
N
un nodo x tal que BN (x) = 1 entonces n+1 (y) = 0 y CCAGN (x). Se considerar que
instantneamente al final de esta fase los sitios del grafo son aleatoriamente mezclados.

13
 Se estudiar el comportamiento del proceso en un grafo GN 3-regular con N nodos elegidos
aleatoriamente en el conjunto de los grafos que cumplen con esta propiedad (notar que N debe
ser par por handshaking lema). Se le llamar a sta eleccin aleatoria RN , y se condicionar
al evento que RN es conexo. La eleccin del modelo radica en que localmente RN es un rbol,
y gracias a esto, se conocen frmulas explicitas para las probabilidades de percolacin. El
proceso estudiado en un principio considera NN (x) := RN x VRN y N = N N.

El inters ser estudiar la evolucin temporal del proceso que contempla la densidad de
sitios con la tendencia moda; en particular, el objetivo ser buscar un lmite del proceso para
condiciones adecuadas. Con el fin de obtener un candidato a lmite de este proceso, se harn
aproximaciones heursticas; con esto en mente, sea p la densidad de sitios ocupados al inicio
de la etapa de crecimiento, por ende, la cantidad de sitios ocupados es pN . Denotaremos por
fN (p) a la densidad esperada de sitios ocupados luego de la fase de crecimiento para un grafo
con N vrtices y f (p) al candidato a lmite para sta fase cuando N .

 
(1 p)N 1 (1 p)N
fN (p) := 1 (1 p) + p(1 ) f (p) := 1 (1 p)(1 p)
N 1 N 1
Para ver el clculo dirigirse al Anexo.

En lo que sigue se repetir el argumento mostrado en [11] con algunas adaptaciones para
este modelo. Primero se probar que el grafo aleatorio 3-regular RN luce localmente como
un 3-rbol a medida que N ; adems de esto, mediante un anlisis heurstico se puede
apreciar que cuando N 0, cada sitio ocupado (tendencia 1) sobrevive la epidemia si y solo
si no est en una componente conexa viva de tamao infinito. Se considerar el proceso de
percolacin en el 3-rbol definido al tomar abiertos a todos los sitios ocupados despus de la
etapa de crecimiento. As si la densidad antes de la epidemia es p, la densidad g(p) despus de
la epidemia es exactamente la probabilidad que el origen est abierto al iniciar la percolacin,
pero que no percole. En los siguientes clculos se considera un 3-rbol de tamao infinito.
El umbral para la existencia de una componente de tamao infinito es pc = 1/2, luego si
p 1/2, entonces g(p) = p. Para calcular la densidad para p > 1/2 se necesitar calcular
la probabilidad de percolacin en el 3-rbol. Se har referencia al evento el origen es un
cluster infinito de sitios ocupados cada vez que se diga percolacin. Se comienza calculando
la percolacin en el rbol binario, en donde la nica diferencia con el 3-rbol es el nodo raz
el cual tiene grado 2. La probabilidad de percolacin bin satisface
bin (p) = p(1 (1 bin (p))2 )
Se tomar en cuenta la solucin no trivial, con lo que se obtiene
2p 1
bin =
p
Y en el 3-rbol la probabilidad de percolacin esta dada por
T (p) = p(1 (1 bin (p))3 )
Entonces para p (1/2, 1]
(1 p)3
g(p) = Pp (0 esta ocupado, |C0 | < ) = p T (p) =
p2

14

1+ 1+ 2
f (p) es una parbola que toma el valor 1/2 en dos puntos = (a
0 a+
2 0 =

1++ 1+ 2

2
), como slo son de inters las fracciones menores que uno (dado que representan
densidades), se considera solamente a0 := a 0 . El coeficiente dominante del polinomio f (p)
es negativo, por lo cual esta es una parbola primero creciente y luego decreciente; finalmente
f (p) > 1/2 p [a0 , 1] gracias a que a+0 > 1 [0, 1].

Al combinar las frmulas para f y g se propone el siguiente candidato a lmite del sistema
(
p(p (1 + )) 0 p a0
h (p) := g(f (p)) = (1+p(p1))3
p2 (p1)2
a0 < p 1

(2)3
1


Se define a1 := h 2
= 4(+2)2.

Para el MVM en RN se denotar la densidad de sitios ocupados en tiempo k como

N
1 N 1 X N
N
k := |k | = (i)
N N i=1 k

La distribucin inicial 0N del proceso ser siempre utilizada como una medida producto con
densidad p [0, 1], por lo que en particular N0 p en probabilidad. En la discusin previa
se argument heursticamente que el proceso N k converge al sistema determinista definido
por h . El prximo resultado muestra que esto es un hecho bajo ciertas condiciones.

Teorema 2.2 Asumiendo que GN = RN y que se cumple que

N log2 (N ) N 0 Cuando N

Entonces el proceso (Nk )k0 converge en distribucin a la rbita determinista comenzando

con p, del sistema dinmico asociado a h .

Para probar este resultado ser suficiente estudiar las probabilidades de transicin de un
solo paso del proceso N
k , este cuenta con NN (x) = GN , por consiguiente si la densidad inicial
de sitios ocupados es p, entonces todos los sitios tienen probabilidad
 
(1 p)N 1 (1 p)N
1 (1 p) + p(1 ) p(p (1 + ))
N 1 N 1

de tener la tendencia moda despus de la fase de crecimiento. Abusando de la notacin,

tambin se llamar kN al conjunto de sitios ocupados en el proceso. Se denotar adems por
{0, . . . , N 1} el conjunto de nodos de RN y B(i, r) ser el conjunto de sitios en un entorno
distancia a lo ms r de i (distancia usual de teora de grafos).
Sea 1N el conjunto de sitios ocupados, despus de que la epidemia se propaga, ignorando la
|1N |
infeccin proveniente de una distancia mayor a log25(N ) , N
1 := N . En lo que sigue cada vez
que se haga mencin de Ep , Pp , Varp y Covp se referir a empezar el proceso de epidemia
con una densidad de sitios ocupados igual a p.

15
 Para una demostracin de los siguientes tres lemas dirigirse a [11]. La demostracin que
se expondr es anloga a la realizada en [11] donde se concluy que basta con que fN sea
uniformemente convergente a f con respecto a p [0, 1] para poder asegurar la convergen-
cia, puesto que la demostracin radica en propiedades despus del proceso de crecimiento y
para el caso (MM) y (MVM) son iguales; adems, la condicin sobre N esta dada principal-
mente para que la convergencia en el 3-rbol local a cada punto sea satisfecha sin extinguir
demasiado rpido al 3-rbol con raz en el punto estudiado.

Lema 2.3
Ep |N N


1 1 | 0 , N

Uniformemente en p la densidad inicial.

Sea  
n 1 o
HN := i RN : B i, log2 (N ) es un 3-rbol finito
5
El prximo lema dice que RN en el lmite luce localmente como un 3-rbol.

Lema 2.4  
1
E |RN \ HN | = P(0
/ HN ) 0 , N
N

Se define C0 := Componente conexa. asociada al origen, de sitios ocupados en el 3-rbol.

Lema 2.5 Sea Pp la ley del proceso cuando cada sitio es conservado independiente con
probabilidad p [0, 1]. Entonces para todo kN %

sup |Pp (diam(C0 ) < ) Pp (diam(C0 ) < kN )| 0 , N

p[0,1]

Lema 2.6 La funcin fN (p) converge uniformemente a f (p) en p [0, 1], [0, 1].

Demostracin. Sea [0, 1], p [0, 1] se tiene que

(p 1)p
fN (p) fN +1 = 0
(N 1)N

En lo presentado anteriormente (p 1) 0 y todos los dems trminos son 0 para

N > 1. Con esto se obtiene una sucesin decreciente de funciones continuas que convergen
puntualmente a una funcin continua f , ergo, la convergencia uniforme (Ver [12] theorem
7.13).

Lema 2.7  
1 N
EfN (p) | HN | h (p) , N
N 1
Uniformemente en la densidad inicial p.

16
Demostracin. En los subndices se utilizar por simplicidad f (p); la validez de este paso se
ve justificada en el lema 2.6. Si 0 1N entonces 0 N1
2

 
1 N
Ef (p) | HN | = Pf (p) (0 1N |0 HN N1 )Pf (p) (0 HN N1 )
N 1 2 2

+ Pf (p) (0 1N |0
/ HN N1 )Pf (p) (0
/ HN N1 )
2 2

= Pf (p) (0 1N |0 HN N1 )P(0 HN )Pf (p) (0 N1 ) (2.1)

2 2

La ltima separacin se debe a la independencia del grafo aleatorio estudiado y la ocupacin

del origen en el proceso de crecimiento. Por el lema 2.4 se sabe que P(0 HN ) 1, por lo
que solamente falta encontrar el valor del primer  termino de ec. (2.1); para esto basta con
N log2 (N )
estudiar la configuracin de 1/2 en B 0, 5 , en donde, condicional al evento 0 HN , el
grafo es localmente un 3-rbol. Luego se pueden construir variables (1N (0))N >0 condicional
N
a {0 HN 1/2 } en un espacio de probabilidad comn como sigue: sea T el conjunto de
sitios en un 3-rbol, lugar en donde se considerar el proceso de percolacin, donde cada sitio
est abierto independientemente con probabilidad f (p). Se denotar por C0 al cluster de
percolacin que contiene a 0, adems, se considerar la coleccin (BiN )iT ,N >0 de variables
aleatorias tal que BiN Bern(N ). Con stas, la variable aleatoria 1N (0) condicional al
N
evento {0 HN 1/2 }, se puede construir como sigue
(
1 si BiN = 0 i C0 B(0, log25(N ) )
1N (0) =
0 en otro caso

Es fcil verificar que esta construccin sigue la distribucin condicional pedida, ya que es la
forma cannica de construirla.
 1

Ahora sea lN = log2 N 2 , luego lN < log25(N ) para N grande, entonces

Pf (p) (0 1N |0 HN 1/2
N
) = Pf (p) (0 1N , diam(C0 ) lN |0 HN 1/2
N
) (2.2)
 
N log2 (N ) N
+ Pf (p) 0 1 , lN < diam(C0 ) |0 HN 1/2
5
(2.3)
 
log2 (N )
+ Pf (p) 0 1N , N
< diam(C0 )|0 HN 1/2 (2.4)
5

La primera expresin de la derecha en ec. (2.2)

Pf (p) (0 1N , diam(C0 ) lN |0 HN 1/2

N N
) Pf (p) (0 diam(C0 ) lN |0 HN 1/2 )
Pf (p) (0 diam(C0 ) | 0 est abierto)
Pf (p) (0 diam(C0 ) , 0 est abierto)
=
Pf (p) ( 0 est abierto)
g(p(p (1 + )))
=
p(p (1 + ))

17
Gracias al lema 2.5 la convergencia anterior es uniforme en p, por otro lado como cualquier
subconjunto de T con dimetro n tiene a lo ms 1 + 3 2n1 < 3 2n nodos

Pf (p) (0 1N , diam(C0 ) lN |0 HN 1/2

N N
) = Pf (p) (Bi = 0 i C0 , diam(C0 ) lN |0 HN 1/2 )
1
2 N
(1 N )3N Pf (p) (0 diam(C0 ) lN |0 HN 1/2 )
Pf (p) (0 diam(C0 ) | 0 est abierto)
Pf (p) (0 diam(C0 ) , 0 est abierto)
=
Pf (p) ( 0 est abierto)
g(p(p (1 + )))
=
p(p (1 + ))
1
2
uniforme en p por el lema 2.5 y se tiene que (1 N )3N e3 N
1. As se concluye
por el teorema del sndwich que
g(p(p (1 + )))
Pf (p) (0 1N , diam(C0 ) lN |0 HN 1/2
N
)
p(p (1 + ))
N p(p(1+))
uniforme en p. Para ec. (2.3) se tiene que Pf (p) (0 HN 1/2 )C= 2
para N
suficientemente grande, entonces
log2 (N )
Pf (p) (0 1N , lN < diam(C0 ) N
|0 HN 1/2 )
 5 
log2 (N )
C 1 Pf (p) lN < diam(C0 )
5
 
1
=C Pf (p) (lN < diam(C0 )) Pf (p) (diam(C0 ) < )
   
1 log2 (N )
C Pf (p) < diam(C0 ) Pf (p) (diam(C0 ) < )
5
0

Uniformemente en p gracias al lema 2.5. Para la ec. (2.4) se observa que

 
N log2 (N )
 log2 (N )
N
Pf (p) 0 1 , < diam(C0 )0 HN 1/2 (1 N ) 5

5
log2 (N )N
e 5

Por todo lo anterior se tiene que

g(p(p (1 + )))
Pf (p) (0 1N |0 HN 1/2
N N
)P(0 HN )Pf (p) (0 1/2 ) (p(p (1 + )))
p(p (1 + ))
= g(f (p))
= h (p)

18
Demostracin teorema 2.2. Gracias a [7] (Teorema 4, considerando la observacin), es su-
ficiente demostrar que N 0 p y que dada una sucesin pN [0, 1] convergente a algn
0
p [0, 1], la sucesin 1 , iniciado con 0N medida producto con densidad pN , converge d-
N

bilmente a h (p0 ).
La primera parte es directa, pues se inicializ con densidad p, para la segunda parte se asu-
mir por simplicidad que pN = p0 para todo N y que adems de eso cada sitio es ocupado con
probabilidad f (p) despus de la etapa de crecimiento. El caso general se sigue del lema 2.6,
y gracias a lo demostrado anteriormente, todas las convergencias obtenidas sern uniformes
en la densidad inicial p0 ; elemento que es necesario para el uso de [7]. Gracias a la desigualdad
de Markov, dado > 0
0

1 0
Pf (p0 ) |N N


1 h (p )| > Ef (p0 ) |1 h (p )|
 
1 N N

1  N 1 N

Ef (p0 ) |1 1 | + Ef (p0 ) 1 |1 HN |
N
  
1  1 N 1 N 
+ Ef (p0 )  |1 HN | Ef (p0 )
 |1 HN | 
N N
   
1 1 N
| HN | h (p0 )
 
+ Ef (p0 )
N 1
El primer y ltimo trmino de la ltima desigualdad tiende a 0 por lema 2.3 y lema 2.7. El
segundo tiende a cero por el lema lema 2.4
   
N 1 N 1 N 1 N
Ef (p0 ) 1 |1 HN | Ef (p0 ) | | |1 HN |
N N 1 N
 
1
Ef (p0 ) |RN \ HN |
N
0

Para el tercer trmino se utilizar la desigualdad de Jensen, para esto se calcula

1 N 1

NX X
Varf (p0 ) |1N HN | = Covf (p0 ) (1i1N HN , 1j1N HN )
i=0 j=0
   
n log2 (N ) log2 (N ) o
 (i, j) HN HN : B i, B j, 6= 
 
5 5
n 2 log2 (N ) 
o
 (i, j) HN HN : dist(i, j)

5

3 2
N N5
|2{z }
|{z}
Cantidad de nodos
2 log2 (N )
Cantidad de nodos en Bola de tamao 5

Con esto
  2  
1 N 1 N  1 N
Ef (p0 )  |1 HN | Ef (p0 )
 | HN |  Varf (p0 )
 | HN |
N N 1 N 1
3 2
2
N5
N

N2
0

19
Obtenindose la convergencia en probabilidad que en este caso es equivalente a la convergencia
en distribucin, pues el limite es determinista.

En la fig. 2.1 se presenta un diagrama de donde se extrajo algunas intuiciones del siguiente
teorema el que extrae propiedades del sistema dinmico definido por h , el cual ya se demostr
es el lmite de nuestro proceso bajo ciertas hiptesis.

Figura 2.1: Diagrama de Bifurcaciones MVM para N 0. Se muestran desde la iteracin 900 a la 1000
consideradas al partir desde el mximo de h (p).

Teorema 2.8 El sistema dinmico definido por la funcin h : a1 , 21 a1 , 12

   

1. Es catico (0, 1].

2. Si 0, 32 , entonces el sistema tiene una medida invariante , = h1


la cual es
absolutamente continua con respecto a la medida de Lebesgue.

La condicin 0, 23 es netamente tcnica y las simulaciones sugieren que esto se tiene

para (0, 1).

Demostracin. 1. Se usa el punto definido a continuacin con el fin de utilizar el teore-

ma 1.21 q p
+ 1 2 + 2 2 + 1 1
a = h1
(a0 ) =
2
p
El punto a < a0 ya que 2 2 + 1 1 > 1, gracias a esto se tiene

1
a < f (a) = h (a) = a0 < h (a0 ) =
2
20
 1


Falta ver que h 2
= a1 < a Para esto basta con probar que

(2 + )3
a
16

Pero esto es equivalente a probar que

q p
+1 1 + 2 + 2 2 + 1
(2 + )3
+ 0
2 16
q p
8 + 12 2 6 3 + 4 8 1 + 2 + 2 1 + 2
0
16
4 2
p
8 + 12 2 6 3 + 64 + 64 2 + 128


1 + 2

2 p
8 + 12 2 6 3 + 4 + 64 64 2 128 1 + 2

2 2
8 + 12 2 6 3 + 4 + 64 64 2 1282 + 1282 2

2 2
8 + 12 2 6 3 + 4 + 64 64 2 1282 1282 2 0 (2.5)

El elevar apdos ambos lados de las inecuaciones anterioresp se justifica, ya que, 64 +

4 2 2
64 +128 1 + > 0, (8 + 12 6 + ) > 0, 128 1 + 2 > 0 y (8 + 12 2 6 3 + 4 ) +
2 2 2 3

64 64 2 > 0 . Al expandir el lado izquierdo de la ec. (2.5) se obtiene

16384 2 24576 3 + 57344 4 61440 5 + 65536 6 70656 7 + 68864 8

60672 9 + 42496 10 21312 11 + 7376 12 1728 13 + 264 14 24 15 + 16

Finalmente sta se puede escribir como

2 (16384 + (2 + )(12288 + (22528 + (19456 + (23040 + (23808 + (22528+

(19072 + (11712 + (4800 + (1288 + (220 + (22 + )))))))))))))

Como (2 + ) < 0, se acotar por arriba al factor que lo acompaa

12288 + (22528 + (19456 + (23040 + (23808 + (22528 + (19072+

(11712 + (4800 + (1288 + (220 + (22 + ))))))))
12288 + (22528 + (19456 + (23040 + (23808 + (22528 + (19072+
(11712 + (4800 + (1288 + (220)))))))
12288 + (22528 + (19456 + (23040 + (23808 + (22528 + (19072+
(11712 + (4800 + (1288 + 220)))))))
12288 + (22528 + (19456 + (23040 + (23808 + (22528 + (19072+
(11712 + (4800))))))
12288 + (22528 + (19456 + (23040 + (23808 + (22528 + (19072+
(11712 + 4800))))))

21
 12288 + (22528 + (19456 + (23040 + (23808 + (22528 + (19072)))))
12288 + (22528 + (19456 + (23040 + (23808 + (22528 + 19072))))
12288 + (22528 + (19456 + (23040 + (23808)))
12288 + (22528 + (19456 + (23040 + 23808)))
12288 + (22528 + (19456 + (768)))
12288 + (22528 + (19456 + 768))
12288 + (22528 + (20224))
12288 + (22528 + 20224)
12288

Como (2 + ) consigue su mnimo en 1 cuando = 1. Por lo anterior

2 (16384 + (2 + )(12288 + (22528 + (19456 + (23040 + (23808 + (22528+

(19072 + (11712 + (4800 + (1288 + (220 + (22 + )))))))))))))
2 (16384 12288)
0

2. Es suficiente demostrar por [15] que

nf |h0 (p)| > 1
p[a1 ,1/2]\{a0 }

Para (0, 2/3). Calculando

2p + + 1
si a1 p a0
0
h (p) =
(p1)2 (p1)2 ((p1)pp2)((2p1)1)
1
p3 ((p1)1)3
si a0 p 2

Si a1 p a0 < 1/2, entonces

|h0 (p)| = 1 + (1 2p) > 1

El esquema que se utilizar para demostrar la desigualdad en el caso a0 p 12 se

basa en acotar h0 (p), el cual es negativo, por un polinomio k(p) ms fcil de estudiar
que l, y luego mayorar k(p) por -1. Se utilizar
(p 1)2 (p 1)2 ((p 1)p p 2)((2p 1))
k(p) := 1
p3 ((p 1) 1)3
Se demostrar algo equivalente a la afirmacin k(p) mayora a h0 (p)
k(p) h0 (p) >0
3p2 + 3p( + 1) 2
>0
p3 ((p 1) 1)3
3p2 + 3p( + 1) 2< 0

22
 La funcin 3p2 + 3p( + 1) 2 es una parbola cncava que alcanza su mximo en
p = 6+6
12
6
> 12 + 12 12 , por lo que, en el dominio considerado, el mximo est en
p = 12 , ya que hasta el vrtice la parbola es creciente. En ste punto
 
2 (2 + 3) 1 2
3p + 3p( + 1) 2 < 2 + 3 =0
4 4 3

Se acotar k(p) 1, lo que es equivalente a

k(p) 1
(p 1)2 (p 1)2 ((p 1)p p 2)((2p 1))
0 (2.6)
p3 ((p 1) 1)3
(p 1)2 (p 1)2 ((p 1)p p 2)((2p 1)) 0
((p 1)p p 2)((2p 1)) 0

Como (p 1)p p 2 < 21 p p 2 < 0, y adems (2p 1) (2 21 1) = 0 se

cumple
((p 1)p p 2)((2p 1)) 0

Se concluye lo pedido gracias al valor absoluto. El paso utilizado ec. (2.6) se justifica
por
  3  3
3 3 3 1 3
p ((p 1) 1) < p 1 1 <p 1 <0
2 2

2.1. Distribucin de |C0|

En sta seccin se estudiar la distribucin del tamao del cluster de percolacin en el 3-

rbol, requisito esencial para extender el teorema 2.2 como se ver en la prxima subseccin.
Sin ms prembulo se da inicio con el teorema principal de esta seccin.

Teorema 2.9 Dado G un 3-rbol infinito, si cada vrtice es ocupado con probabilidad p. La
distribucin de probabilidad de |C0 | viene dada por


1p si k = 0
3 2n

n n+2
Pp (|C0 | = k) = n+2 n1p (1 p) 3
si k = n N \ {0}

1 (12p)2
p si k =

8p2

1
Adems para p 2
se tiene que Pp (|C0 | = ) = 0.

Para demostrar esta afirmacin se necesitar de un par de herramientas previas, por esto
se deglosa la demostracin en base a varios lemas.

23
Lema 2.10 Si G es un 3-rbol infinito y |C0 | = k es una componente conexa inducida en G
de sitios ocupados de tamao k N \ {0}, entonces la cantidad de sitios vacantes adyacentes
a la componente conexa es k + 2.

Demostracin. Por induccin, si |C0 | = 1 como tiene 3 vecinos y estos no estn en la com-
ponente conexa, entonces la cantidad de sitios vacantes adyacentes (en adelante abreviados
por EAS (empty adjacent sites)) es 3. El paso inductivo asumir que la propiedad se cumple
para |C0 | = n. Luego si |C0 | = n + 1, sea x una hoja de C0 . Luego C00 = C0 \ {x} es conexo
y |C00 | = n. Con esto EAS(|C00 |) = n + 2, como x es un sitio vacante para C00 se tiene que al
agregarlo como activo este genera 2 sitios vacantes, con esto
EAS(|C0 |) = EAS(|C00 |) 1 + 3 = n + 2 1 + 2 = n + 3

Lema 2.11 Sea G un 3-rbol infinito. Definimos como Fk := |{C0 : |C0 | = k}|, i.e. a
la cantidad de formas de inducir sobre G clusters de tamao k que tienen como raiz a 0.
Entonces Fk cumple con  
3 2k
Fk =
k+2 k1

Demostracin. Para encontrar una frmula de conteo se estudiar primero el anlogo de Fk

al cual llamaremos Ck en un rbol binario infinito. Estos cumplen
C0 = 1
X n
Cn+1 = Ci Cni
i=0

Esta recurrencia se puede resolver mediante la funcin generatriz definida como

X
C(x) = C n xn
n=0

En base a esta funcin se pueden despejar los coeficientes Cn , dado que sta cumple la siguiente
ecuacin
xC 2 (x) + 1 = C(x)
Resolviendo este sistema se obtiene la conocida frmula analtica para los estos nmeros Cn ,
los conocidos nmeros de Cataln. Se debe adaptar el argumento para el caso en estudio, ya
que el 3-rbol posee una raz con tres vecinos y de cada uno de ellos cuelgan rboles binarios
y gracias a esto se plantea la siguiente recurrencia
F0 = 1
n X
X ni
Fn+1 = Ci Cj Cnij
i=0 j=0
P
De donde se establece que la funcin generatriz F(x) = n=0 Fn xn satisface la siguiente
ecuacin
xC 3 (x) + 1 = F(x)

24
Esta formula esta asociada a la funcin generatriz de coeficientes (ver [13])
 
3 2n
Fn =
n+2 n1

Lema 2.12  3
p
  1 (1 2p)2
X 3 2n
pn (1 p)n+2 =
n=1
n+2 n1 8p2

Demostracin. Haciendo uso de la demostracin del lema 2.11 la expresin se calcula

 
X 3 2n
pn (1 p)n+2 = (1 p)2 (F(p(1 p)) 1)
n=1
n+2 n1

Y recordando que C(x) = 1 + xC 2 (x) por lo cual su solucin viene dada por

1 1 4x
C(x) =
2x
luego

F(p(1 p)) 1 = p(1 p)C 3 (p(1 p))

p !3
1 1 4p(1 p)
= p(1 p)
2p(1 p)
 p 3
1 (1 2p)2
=
8p2 (1 p)2
 p 3
1 (1 2p)2
= (1 p)2 (F(p(1 p)) 1) =
8p2

Lema 2.13 Para p [0, 1] se tiene

 
X 3 2n
(1 p) + pn (1 p)n+2 1
n=1
n+2 n1

Demostracin. Gracias al lema 2.12 se debe probar que

 p 3
1 (1 2p)2
(1 p) + 1
8p2

25
 1) Si p 1/2
 p 3
1 (1 2p)2 8p3
(1 p) + = (1 p) +
8p2 8p2
=1

2) Si p > 1/2
 p 3
1 (1 2p) 2
(p 1)3
(1 p) + = (1 p) +
8p2 p2
(1 p)
1

(p1)3
Pues p2
< 0.

Demostracin teorema 2.9. Para |C0 | = 0 el 0 esta vacante, lo cual ocurre con probabilidad
1p. Si n > 0, sea K1 , . . . , KFn las distintas componentes conexas de tamao n que se pueden
formar que contengan a 0 y sea K como la variable aleatoria que denota la componente conexa
de 0 elegida. Haciendo uso del lema 2.10 y lema 2.11 se tiene
Fn
X
Pp (|C0 | = n) = Pp (K = Ki )
i=1
Fn
X
= pn (1 p)n+2
i=1
 
3 2n
= pn (1 p)n+2
n+2 n1
P
Gracias al lema 2.13 n=0 Pp (|C0 | = n) [0, 1], por consiguiente se calcula

X
Pp (|C0 | = ) = 1 Pp (|C0 | = n)
n=0
 
3 X 2n
= 1 (1 p) pn (1 p)n+2
n=1
n+2 n1
 p 3
1 (1 2p)2
=p
8p2

Se concluye por lema 2.13 que Pp (|C0 | = ) = 0 para el caso p 21 .

Proposicin 2.14 Para un 3-rbol infinito, si [0, 1] es la probabilidad de que la infeccin

26
ataque a cada sitio. Entonces

0 si = 1



3
Ep ((1 )|C0 | ) = 1p+
1 14(1)p(1p)
si (0, 1)

8(1)2 p2
1 si = 0

La que representa a la densidad esperada de individuos vivos que sobreviven la fase de epide-
mia , dado que la densidad al fin de la fase de crecimiento es p.

Demostracin. Para el caso = 1 el resultado es claro. Si [0, 1), entonces

X
Ep ((1 )|C0 | ) = Pp (|C0 | = 0) + (1 )k Pp (|C0 | = k) + 1{=0} Pp (|C0 | = )
k=1
 
X 3 2k
=1p+ (1 )k pk (1 p)k+2 + 1{=0} Pp (|C0 | = )
k=1
k + 2 k 1
 
X 3 2k
= 1 p + (1 p)2
((1 )p(1 p))k + 1{=0} Pp (|C0 | = )
k=1
k+2 k1
= 1 p + (1 p)2 (F((1 )p(1 p)) 1) + 1{=0} Pp (|C0 | = )
= 1 p + (1 p)2 (1 )p(1 p)C((1 )p(1 p))3 + 1{=0} Pp (|C0 | = )


 p 3  p 3
1 1 4(1 )p(1 p) 2
1 (1 2p)
=1p+ + 1 p

{=0}
8(1 )2 p2 8p2

2.2. Extensin de MVM en base a la distribucin de |C0|

Como se demostr anteriormente el proceso MVM converge al sistema dinmico definido

por h cuando se cumplen ciertas condiciones, una de ellas es que N 0. En esta seccin se
ver como extender el resultado a N > 0, para esto es necesario considerar el cambio
que se produce en la funcin g utilizada anteriormente, ya que esta hace efectiva a la epidemia
slo cuando |C0 | = .

A continuacin se estudiar el proceso estocstico considerando la muerte de las compo-

nentes conexas de tamao finito. Al igual que en el principio se propondr un candidato
heurstico a lmite del proceso estocstico, ste ser un sistema dinmico.

Como funcin asociada al proceso de crecimiento se usar f (p) definida como al inicio,
ya que la extensin en curso tiene relacin solamente con el proceso de epidemia. Si > 0

27
se utilizar para el proceso de epidemia la siguiente funcin

g (p) = Pp (0 ocupado , 0 sobrevive la fase de epidemia )

= Ep ((1 )|C0 | 1|C0 |>0 )
= Ep ((1 )|C0 | ) Ep ((1 )|C0 | 1|C0 |=0 )
= Ep ((1 )|C0 | ) Ep ((1 )|C0 | ||C0 | = 0)Pp (|C0 | = 0)
= Ep ((1 N )|C0 | ) Ep ((1 )|C0 | ||C0 | = 0)Pp (0
/ 1/2 )
 p  3
1 1 4(1 )(1 p)p
=1p+ (1 p)
8(1 )2 p2
 p 3
1 1 4(1 )(1 p)p
=
8(1 )2 p2

Para 0. Lo anterior se obtiene gracias a la proposicin 2.14, por lo tanto, la funcin

asociada al sistema dinmico esta definida por

 p 3
1 1 4(1 )(1 p)(1 p)(1 (1 p)(1 p))
h, (p) = g (f (p)) =
8(1 )2 (1 (1 p)(1 p))2

Primero se demostrar que bajo condiciones adecuadas el proceso MVM converge al

sistema dinmico expuesto anteriormente, para luego extraer propiedades del sistema lmite.

Teorema 2.15 Asumiendo que GN = RN , (0, 1) y que la probabilidad de infeccin de

la epidemia satisface
N Cuando N

El proceso (N
k )k0 converge en distribucin a la rbita determinista comenzando con p, del
sistema dinmico asociado a h, .

Para la demostracin de este teorema y los lemas que se necesitarn para demostrarlo se
utilizar la misma notacin que en el teorema 2.2.

Lema 2.16 Sea N > 0, entonces > 0, k N , N N tal que

|(1 )k (1 N )k | < k > k, N > N

k
Demostracin. Se elige k tal que 1 2 < . Como la funcin (1 x)k es uniformemente
continua con respecto a x en [0, 1], sea > 0 cualquiera, entonces > 0 tal que

|y x| < = |(1 y)k (1 x)k | <

28
Se elige N de modo que | N | < mn{, , 2 } Luego se tiene que para N > N

|(1 )k+1 (1 N )k+1 | (1 )|(1 )k (1 N )k | + | N ||(1 N )k |

 k
(1 ) + | 1 |
2
(1 ) +
=

k
k
Notando que k > k se cumple 1 2 1 2 y usando un argumento anlogo se
obtiene que
|(1 )k (1 N )k | < k > k, N > N

Lema 2.17 Sea Pp la ley del proceso cuando cada sitio es conservado independientemente
con probabilidad p [0, 1] y N > 0. Entonces para todo kN %

N
sup |Pp (Bi = 0 i C0 , 0 < diam(C0 ) < )Pp (BiN = 0 i C0 , 0 < diam(C0 ) < kN )| 0
p[0,1]

Donde (BiN )iN es una coleccin i.i.d. para todo N N, BiN Bern(N ), (Bi )iN coleccin
i.i.d. con Bi Bern() y > 0.

Demostracin. Se analiza la siguiente descomposicin

sup |Pp (Bi = 0 i C0 , 0 < diam(C0 ) < ) Pp (BiN = 0 i C0 , 0 < diam(C0 ) < kN )|
p[0,1]

sup |Pp (Bi = 0 i C0 , 0 < diam(C0 ) < ) Pp (Bi = 0 i C0 , 0 < diam(C0 ) < kN )|
p[0,1]

+ sup |Pp (Bi = 0 i C0 , 0 < diam(C0 ) < kN ) Pp (BiN = 0 i C0 , 0 < diam(C0 ) < kN )|
p[0,1]

Para el primer trmino se define AkN := {Bi = 0 i C0 , 0 < diam(C0 ) < kN } y A :=

{Bi = 0 i C0 , 0 < diam(C0 ) < }, entonces Ak % A . Gracias a la monotona
de la probabilidad, se cumple que Pp (Ak ) % Pp (A ) p [0, 1]; luego, P() (Ak ) es una
sucesin creciente de funciones continuas que convergen puntualmente, por lo tanto se tiene
la convergencia uniforme del primer trmino (Ver [12], teorema 7.13).

Para el segundo trmino se utilizar el lema 2.16 el que asegura que > 0, m N, N
N tal que

|(1 )m (1 N )m | < N > N , m > m
2
Adems de esto, i N la funcin fi (x) = (1 x)i es continua por lo que se tiene que
Ni N tal que N > Ni

|(1 )i (1 N )i | i+2
2
29
Luego para N > max1im Ni se tiene

sup |Pp (Bi = 0 i C0 , 0 < diam(C0 ) < kN ) Pp (BiN = 0 i C0 , 0 < diam(C0 ) < kN )|
p[0,1]
N 1
kX
= sup | ((1 )m (1 N )m ) Pp (C0 = m)|
p[0,1] m=1

X
sup | ((1 )m (1 N )m ) Pp (C0 = m)|
p[0,1] m=1

Xm
X
sup | ((1 )m (1 N )m ) |Pp (C0 = m) + sup |(1 )m (1 N )m |Pp (C0 = m)
p[0,1] m=1 p[0,1] m=m+1
m
X X
sup | ((1 )m (1 N )m ) |Pp (C0 = m) + sup Pp (C0 = m)
p[0,1] m=1 2 p[0,1] m=m+1

X
+
m=0
2m+2 2

Luego se tiene la convergencia uniforme del segundo trmino, con lo que se concluye.

Lema 2.18 Si N y > 0 , entonces

 
1 N
Ef (p) | HN | h, (p) , N
N 1

Uniformemente en la densidad inicial p.

Demostracin. Se considerar el principio del lema 2.7 hasta la construccin de las variables
aleatorias 1N (0) condicional al evento {0 HN 1/2N
} a partir de BiN , adems de esto se
utilizar una coleccin (Bi )i con Bi Bern(), variables aleatorias que utilizadas en el
proceso lmite.

Se calcula el trmino de la izquierda de ec. (2.1) como sigue

 
log2 (N )
Pf (p) (0 1N |0 HN N
1/2 ) = Pf (p) 0 1N , diam(C0 )
N
|0 HN 1/2 (2.7)
5
 
N log2 (N ) N
+ Pf (p) 0 1 , < diam(C0 )|0 HN 1/2 (2.8)
5

30
Para la expresin en ec. (2.7)
 
N log2 (N ) N
Pf (p) 0 1 , diam(C0 ) |0 HN 1/2
5
 
N log2 (N ) N
= Pf (p) Bi = 0 i C0 , diam(C0 ) |0 HN 1/2
5
 
Pf (p) BiN = 0 i C0 , diam(C0 ) log25(N ) , 0 HN 1/2N

=  
N
Pf (p) 0 HN 1/2
 
N log2 (N )
Pf (p) Bi = 0 i C0 , 0 < diam(C0 ) 5 , 0 HN
=  
N
Pf (p) 0 HN 1/2
Pf (p) (Bi = 0 i C0 , 0 < diam(C0 ) )

Pf (p) (0 est abierto)
= Pf (p) (Bi = 0 i C0 , diam(C0 ) < |0 est abierto)

La ltima convergencia es uniforme en p como se vio en el lema 2.17. Al traducir el resultado

anterior se obtiene

Pf (p) (Bi = 0 i C0 , diam(C0 ) < |0 est abierto)

|C0 |
X Y
= Ef (p) 1{Bi =0} 1{|C0 |=k} |0 est abierto
k=1 i=1
k
!
X Y
= Ef (p) 1{Bi =0} 1{|C0 |=k} |0 est abierto
k=1 i=1
k
!
X Y

= Ef (p) 1{Bi =0} Ef (p) 1{|C0 |=k} |0 est abierto
k=1 i=1
X
(1 )k Ef (p) 1{|C0 |=k} |0 est abierto


=
k=1

X
Ef (p) (1 )|C0 | 1{|C0 |=k} |0 est abierto


=
k=1

= Ef (p) (1 )|C0 | |0 est abierto

Ef (p) (1 )|C0 | 1|C0 |>0

=
Pf (p) (|C0 | > 0)
g (f (p))
=
f (p)

El intercambio de la suma se puede hacer gracias a Tonelli, pues las cantidades consideradas
son todas positivas. Para ec. (2.8) se utiliza N suficientemente grande tal que se cumpla que

31
N > 2 , luego
 
log2 (N ) log2 (N )
P 0 1N , N
< diam(C0 )|0 HN 1/2 (1 N ) 5
5
log2 (N )
  5
1
2
0

Lo anterior, pues debe existir un camino abierto hacia la frontera, juntando los resultados
vistos
g (f (p))
N
P(0 1N |0 HN 1/2 N
)P(0 HN )P(0 1/2 ) (f (p))
f (p)
= g (f (p))
= h, (p)

Demostracin teorema 2.15. Igual a la del teorema 2.9 reemplazando el lema 2.7 por el le-
ma 2.18.

2.2.1. Extincin de la tendencia moda

En lo que sigue, dado que ya se conoce el comportamiento del proceso en el lmite, se

buscar describir el diagrama de fase del sistema. En una primera instancia se estudiar
la extincin del proceso, notando que para que exista extincin la curva h, (p) debe estar
bajo la identidad, puesto que de esta forma el itinerario de todo punto se acerca al 0. Para
encontrar una relacin candidata entre y desde la cual se cumpla extincin se realiza lo
siguiente

Proposicin 2.19
lm h0, (p) = ( 1)(1 + )
p0

Demostracin. Ver anexo proposicin 4.19

Lo anterior dice que la derivada en p = 0 es ms pequea que uno si

= e :=
1+

Proposicin 2.20 El sistema dinmico definido por h, tiene como nico punto fijo atractor
al 0 si
e [0, 1]

Se necesitarn unos lemas antes de continuar.

32
Lema 2.21 La funcin g (p) es estrictamente decreciente en .

Demostracin.Calculando
 p 2  p 
g (p) 1 + 1 4p(1 p)(1 ) 1 + (1 )(1 p)p + 1 4p(1 p)(1 )
= p
4(1 )3 p2 1 4p(1 p)(1 )
Por lo que para demostrar que es decreciente basta con mostrar que
p
1 4p(1 p)(1 )<1 (1 )(1 p)p
1 4p(1 p)(1 ) <1 2(1 )(1 p)p + (1 )2 (1 p)2 p2
2p(1 p)(1 ) <(1 )2 (1 p)2 p2

p
Se justifica el primer paso, pues 1 4p(1 p)(1 ) > 0 y 1 (1 )(1 p)p > 0. La
ltima equivalencia presentada se cumple de forma trivial.

Lema 2.22 La funcin g (p) posee un nico mximo para en p [0, 1] el cual se denotar
por p , y el mximo de g0 es 12 .

Demostracin. Ver anexo lema 4.20

Luego de esto cabe destacar que se recupera g0 g utilizada al principio. Por lo que a
su vez se demostr que h evaluado en el mximo es 12 pues la funcin f no es ms que un
cambio de coordenada.

Lema 2.23 La funcin

U, (p) = 8p(1 )2 (1 (1 p)(1 p))2 1 3 (1 4(1 )(1 p)(1 (1 p)(1 p)))

es decreciente en para [0, 1] p [0, 21 ] y [0, 1].

Demostracin. Derivando con respecto a una vez ms

U, (p)
= 4p( p + 1)(3 + p(3 + 4( 1)p( p + 1)))

Para demostrar que esto es negativo basta con demostrar que

3 + p(3 + 4( 1)p( p + 1)) < 0

Entonces

3 + p(3 + 4( 1)p( p + 1))

3 + 3p
0

33
Lema 2.24 La funcin

I (p) =U, (p)

1+

4 (2 + 2 ((p 1)2 p (2p2 + 3) 1) + p(p((7 4p)p 9) + 6) + p(p(2p 3) + 3) 1)

=
( + 1)2

es decreciente en para [0, 1] y p [0, 21 ].

Demostracin. Derivando con respecto a

I (p) 4p2 ((p 1) (4p2 + 3) 4p2 + 3p 3)

=
( + 1)3

Luego para demostrar que esto es negativo basta con demostrar que

(p 1) 4p2 + 3 4p2 + 3p 3 < 0

Pero
(p 1) 4p2 + 3 4p2 + 3p 3 0


| {z } | {z } | {z }
0 0 0
| {z }
0
| {z }
0

Lema 2.25 La funcin

U, (p) 0

Para p [0, 21 ], [0, 1] y [e , 1].

Demostracin. Se obtiene del lema 2.23 y del lema 2.24 que

U, (p) U, (p) = I (p) I0 (p) = 4(1 + 2p)(1 + (1 + p)p)

1+

El cual es claramente menor o igual a 0.

Demostracin proposicin 2.20. Se demostrar que la identidad est sobre la funcin h, (p)
 p 3
1 1 4(1 )(1 p)(1 (1 p)(1 p))
h, (p)
8(1 )2 (1 (1 p)(1 p))2
 p 3
1 1 4(1 )(1 p)(1 (1 p)(1 p))
p h, (p) p
8(1 )2 (1 (1 p)(1 p))2

34
 Con esto basta demostrar equivalentemente que
 p 3
1 1 4(1 )(1 p)(1 (1 p)(1 p))
p 0
8(1 )2 (1 (1 p)(1 p))2
8p(1 )2 (1 (1 p)(1 p))2
 p 3
1 1 4(1 )(1 p)(1 (1 p)(1 p)) 0
8p(1 )2 (1 (1 p)(1 p))2 1
3 (1 4(1 )(1 p)(1 (1 p)(1 p)))
+ (3 + (1 4(1 )(1 p)(1 (1 p)(1 p))))
p
1 4(1 )(1 p)(1 (1 p)(1 p)) 0 (2.9)
2 2
8p(1 ) (1 (1 p)(1 p)) 1
3 (1 4(1 )(1 p)(1 (1 p)(1 p))))2
+ ((3 + (1 4(1 )(1 p)(1 (1 p)(1 p))))
p 2
1 4(1 )(1 p)(1 (1 p)(1 p)) 0
64( 1)2 p3 ((p 1) 1)2 (( 1)p ( + 1) + )
( 1)p3 ((p 1) 1) + 1


0 (2.10)
(( 1)p ( + 1) + ) 0
p p + 0
(p 1) p (2.11)
p
(2.12)
+ 1 p

Se justifica el paso realizado en ec. (2.9) gracias a la limitacin al recorrido p 0, 21 lo

 

que se obtiene al notar que f es slo un cambio de variable en la funcin g y sta est
mayorada por g0 (ver lema 2.21), adems de esto g0 tiene mximo 21 ; Por lo anterior, h,
tiene un mximo menor o igual a 12 . Luego haciendo uso del lema 2.25 se obtiene

8p(1 )2 (1 (1 p)(1 p))2 1 3 (1 4(1 )(1 p)(1 (1 p)(1 p))) < 0

En ec. (2.10)
64( 1)2 p3 ((p 1) 1)2 > 0
Adems


3
( 1) p ((p 1) 1) +1 0

| {z } |{z} | {z }
0 0 1
| {z }
0

En ec. (2.11) se tiene que

p 1 1
|{z}
1

35
Justificndose el cambio de sentido de la desigualdad

Finalmente en ec. (2.12) para que se cumpla para todo p 0, 12 se debe examinar la
 

solucin al siguiente problema

p
(P ) max
p + 1 p
s.a. 0p1

Para resolverlo se aplicar KKT lo que conlleva a plantear el siguiente Lagrangeano

p
L(p, 1 , 2 ) = + 1 (p 1) + 2 p
+ 1 p

Se analizan las condiciones de primer orden

+ 1 + 2 = 0 (2.13)
( + 1 p)2
1 (p 1) = 0 (2.14)
2 p = 0 (2.15)

Existen 4 casos

1. 1 = 0 2 = 0: ec. (2.13) no se cumple pues no existe p que cumpla la condicin

2. 1 0 2 0: Existe una contradiccin pues ec. (2.14) y ec. (2.15) = p = 0p = 1.

3. 1 = 0 2 0: ec. (2.15) = p = 0 y 2 = (+1)2
4. 1 0 2 = 0 ec. (2.14) = p = 1 y 1 =

Evaluando se aprecia que el mximo se alcanza en p = 0 por lo que se tiene

= e
1+

Concluyendo lo pedido.

Teorema 2.26 El sistema dinmico definido por h, se extingue si

e [0, 1]

Demostracin. Como ya se seal anteriormente, la funcin g es C en (0, 1), (0, 1)

y tiene slo un un punto crtico p en este dominio, por lo tanto antes del punto crtico
la derivada siempre tiene el mismo signo, y al evaluar cerca de 0 se aprecia que sta es
positiva, luego entre 0 y p la funcin g es creciente. Se argumenta que h, es creciente
en [0, f1 (p )) gracias a que es la composicin dos funciones crecientes. Luego utilizando
h, : [0, f1 (p )] [0, f1 (p )] extendida por continuidad al 0, se sabe que 0 es el nico
punto fijo gracias al teorema 2.8, finalmente se tiene gracias a la proposicin 1.18 que x
[0, 1] lmn hn, (x) = 0.

36
Figura 2.2: Grfico de Cobweb asociado a h, para = 0.1 y = 0.190909 partiendo desde los puntos 0.5
y 0.6.

En la fig. 2.2 se presenta una imagen que representa el comportamiento del sistema para
un parmetro con extincin.

Gracias a lo anterior tambin se puede pensar que para [0, 1] dado existe e tal que
si < e , entonces el sistema se extingue. Mediante unos clculos se obtiene que

e :=
1

Las pruebas computacionales de este sistema muestran que para una amplia gama de
parmetros [0, 1] su diagrama de bifurcaciones se comporta de forma similar a fig. 2.3,
comportamiento que ser comentado en el captulo 4

37
Figura 2.3: Diagrama de Bifurcaciones MVM para = 0.01. Se muestran desde la iteracin 900 a la 1000
consideradas al partir desde el mximo de h, (p). La lnea azul representa el valor mximo para el cual
se ve extincin, i.e. e .

38
Captulo 3

Extensiones a MM

En este captulo se tornar el foco de investigacin al modelo MM principalmente por la

dificultad algebraica tamao de los polinomios y extensin de las expresiones obtenidas
en MVM al demostrar o extraer propiedades de este.

3.1. Punto Fijo de f (p)

Como se record en preliminares el sistema h posee propiedades interesantes y algunas

de ellas fueron demostradas en [11]. A continuacin se muestran nuevos resultados para este
sistema.

Proposicin 3.1 La funcin f posee un punto fijo no nulo para > 1. Este punto fijo est
dado por
P (n)n1
W (e ) (e )n
p =1+ = 1 + n=1 n!

Donde W es la funcin de Lambert.

Demostracin. Se establece la ecuacin de punto fijo

x = 1 ex
ex =1x
(1x)
e e =1x
e = e(1x) (1 x)
e = (1 x)e(1x)

Esta ltima puede ser resuelta mediante la funcin W de Lambert, ya que | e | =

e = e+1 e1 e1 , pues 1 e1 . Por lo anterior esta expresin est en el radio
de convergencia de la representacin como serie de la funcin, por lo tanto,


X (n)n1
(1 x) = W (e )= (e )n
n=1
n!

39
Y con esto se obtiene
P (n)n1
W (e ) n=1 n!
(e )n
x=1+ =1+

En lo que sigue ser de utilidad definir la siguiente funcin

F P : [1, ] [0, 1]
P (n)n1
W (e ) (e )n
1+
=1+ n=1 n!

Proposicin 3.2 Para (1, ] el punto F P () es un punto fijo atractor de f y 0 es un

punto fijo repelente.

Demostracin. Se calcula

f0 (F P ()) = eF P () = W (e )

Y | W (e )| < 1 gracias a que la funcin W de Lambert toma valores en (1, 0] en la

parte negativa. Con esto se tiene la atraccin del punto fijo. Para el punto 0 se calcula

f0 (0) = > 1

Luego este punto es repulsor.

Proposicin 3.3 x [0, 1] \ {0} se cumple que lmn f (x) = F P ().

Demostracin. La funcin f es creciente en p y tiene dos puntos fijos: 0 que es repulsor y

F P () que es atractor; luego, en virtud de la proposicin 1.18 se obtiene que x [0, 1] \ {0}
lmn fn (x) = F P ().

En la fig. 3.1 se presenta una imagen que representa el comportamiento del sistema f y
su punto fijo no nulo.

3.2. Extensin para N > 0

En esta seccin se comenzar a estudiar el proceso estocstico considerando la muerte de

las componentes conexas de tamao finito para el caso de MM . Al igual que al principio se
obtendr un candidato heurstico a lmite del proceso, ste ser un sistema dinmico.

Para el proceso de epidemia se utilizar la funcin

 p 3
1 1 4(1 )(1 p)p
g (p) =
8(1 )2 p2

40
 Figura 3.1: Grfico de Cobweb asociado a f para = 2.2 partiendo desde los puntos 0.1 y 0.95.

La justificacin es igual a la utilizada al principio de la seccin 2.2. Por lo tanto la funcin

asociada al sistema dinmico esta definida por
 p 3
1 1 4(1 )ep (1 ep )
h, (p) = g (f (p)) =
8(1 )2 (1 ep )2

Extendida al 0 por continuidad (se puede hacer ya que la solucin de la funcin de cataln se
escoge de modo que en 0 este bien definida por continuidad). Se ver al igual que antes, bajo
qu condiciones el proceso estocstico converge a este sistema dinmico; despus de esto, se
ver algunas propiedades del sistema dinmico. Las notaciones que se utilizarn son anlogas
con las de MVM.

Teorema 3.4 Para el modelo MM si GN = RN , (0, 1) y la probabilidad de infeccin de

la epidemia satisface
N Cuando N
Entonces el proceso (Nk )k0 converge en distribucin a la rbita determinista comenzando
con p, del sistema dinmico asociado a h .

pN
ep uniforme


Demostracin. Anloga a la del teorema 2.15, considerando que 1 N
en p [0, 1].

3.2.1. Extincin

Lema 3.5
lm h0, (p) =
p0

41
Demostracin. Ver Anexo lema 4.21

Lo anterior entrega como candidato a parmetro crtico para la extincin

1
= e :=

Proposicin 3.6 El sistema dinmico definido por h, tiene como nico punto fijo a 0 si

> e [0, 1]

El cual es atractor.

Demostracin. Por el lema 3.5 se tiene que es un punto atractor. Para iniciar se hace mencin
al lema 2.21 el que permite equivalentemente demostrar que
r !3
4ep (1ep )
1 1

 2 >0
8 1

(1 ep )2
 
1ep
Se utilizar x = x(, p) =
[0, 1], expresin decreciente en pues tiene por
derivada a
e(p) p


p e + 1 0
2 | {z }
| {z } 0
0

Ya que ep 1 p p [0, 1], R+ . Tomando en cuenta esto se realiza la siguiente

transformacin
r !3
4ep (1ep )
1 1
s 3
1 1 p
e
 2 = 2 4 1
8 1 (1 ep )2 2x 3 4x 3 x3

1 ep
La expresin x [0, 1] Luego 4 1 es creciente en , y finalmente
4x 3 x3
s 3
12 1 ep
4 1

2x 3 4x 3 x3

es decreciente en . Luego basta con demostrar que

 p 3
p
1 1 4e (1 e )p
p
8 (1 ep )2
Finalmente se minimiza esta expresin computacionalmente en p [0, 1] obteniendose el
nfimo en 0 para el lmite de la expresin anterior cuando p 0.

42
Teorema 3.7 El sistema dinmico definido por h, se extingue si

e [0, 1]

Demostracin. Como ya se analiz anteriormente, la funcin g es C en (0, 1), (0, 1)

y tiene solo un punto crtico a p en este dominio, por lo tanto antes del punto crtico
la derivada siempre tiene el mismo signo, y al evaluar cerca de 0 se aprecia que sta es
positiva, luego entre 0 y p la funcin g es creciente. Se argumenta que h, es creciente
en [0, f1 (p )) gracias a que es la composicin dos funciones crecientes. Luego utilizando
h, : [0, f1 (p )] [0, f1 (p )] extendida por continuidad al 0, se sabe que el 0 es el
nico punto fijo gracias al teorema 2.8. Finalmente por la proposicin 1.18 se tiene que
x [0, 1] lmn fn (x) = 0.

En la fig. 3.2 se presenta una imagen que representa el comportamiento del sistema para
un parmetro con extincin.

Figura 3.2: Grfico de Cobweb asociado a h, para = 0.1 y = 0.190909 partiendo desde los puntos
0.375 y 0.5.

En la fig. 4.12a se muestra el diagrama de bifurcaciones de este nuevo sistema, el que ser
discutido en la seccin 4.

3.3. Extensin a NN (x) = B(i, rN )

Como se explic al principio es de inters estudiar el comportamiento del sistema con otra
regla de evolucin, es por esto que se analiz la convergencia en el caso NN (x) = B(i, rN ),
logrando extender el resultado bajo ciertas hiptesis como explica el siguiente teorema.

43
Teorema 3.8 Si para MM se asume que
r
rN rN log(N )
0 N rN lN :=
N N 5

Adems, N , NN (x) = B(i, rN ) y donde cada
sitio ocupado genera una cantidad alea-
toria P oisson() de cras. Entonces el proceso N
k k0 converge en distribucin a la rbita
determinista, partiendo en p, del sistema dinmico asociado a h, .

log(N )N
El resultado anterior se tiene por ejemplo para N (0, 1] rN = 5
.

Dado i RN y m N se definen

B(i, m) := {j RN : d(i, j) m}
V (m) := |B(i, m)| = 3 2m 2
1 X
dNk (i) := kN (j)
V (rN )
jB(i,rN )

GN N k
k () := {i RN : |dk (i) h, (p)| < }

Donde dN k (i) es la densidad de sitios ocupados en la vecindad de crecimiento de i, mientras

que GN
k (), es el conjunto de puntos Buenos a tiempo k.

Proposicin 3.9 Sea k N, entonces 1 , 2 > 0, 1 , 2 > 0, N N tal que

1 1
E(|RN \ GN
k (1 )|) < 2 = E(|RN \ GN
k+1 (1 )|) < 2
N N

La demostracin de este lema se basar en una serie de lemas

Lema 3.10 Dado > 0

1
E(|RN \ GN
0 ()|) 0 Cuando N
N

Demostracin. Por la invarianza bajo translacin se tiene que

1 1 X
E(|RN \ GN
0 ()|) = / GN
P(i N
0 ()) = P(|d0 (0) p| )
N N iR
N

Donde E(dN N
0 (0)) = p, luego V (rN )d0 (0) es la suma de V (rN ) variables aleatorias Bernoulli
independientes de parmetro p. Por la desigualdad de Chebyshev se tiene

1 V (rN )p(1 p)
E(|RN \ GN N
0 ()|) = P(|d0 (0) p| ) 0
N 2 V (rN )2

44
 Desde aqu se considerarn fijos 1 , 2 , 1 y 2 , asumiendo que se cumple la siguiente
propiedad para N suficientemente grande

1
E(RN \ GN
k (1 )) < 2 (3.1)
Nd
Como cada sitio ocupado i manda una cantidad aleatoria de cras P oisson() en la fase
de crecimiento, cada una de ellas a un sitio escogido aleatoriamente dentro de B(i, rN ),
podemos pensar equivalentemente
 que cada sitio ocupado i lanza una cantidad aleatoria de

cras P oisson V (rN ) a cada uno de los V (rN ) sitios a distancia menor que rN de l, as
mientras dura la fase de crecimiento cada sitio i recibe
X
kN (j)Yj,i
jB(i,rN )

 

cras, donde (Yi,j )i,jRN son P oisson V (rN )
i.i.d. Condicional a dN
k (i) la ltima suma se
distribuye como una P oisson(dN k (i)), por esto se puede pensar en la etapa de crecimiento
como que dado kN , cada i estar en k+1/2
N
con probabilidad igual a la probabilidad de que
dN
una P oisson(dNk (i)) sea positiva, esto es, con probabilidad 1 e
k (i) . Para l
N definido en
el enunciado se cumple que

lN 1
= 0 N lN = N rN
rN N rN
N N
Nuevamente se llamar k+1 a la configuracin obtenida a partir de k+1/2 ignorando las
infecciones provenientes de una distancia mayor a lN .

Lema 3.11
1 X N N


E |k+1 (i) k+1 (i)| 0 Cuando N
N iR
N

En particular
E |N N


k+1 k+1 | 0 Cuando N

Demostracin. Gracias a la invarianza por translacin, se tiene

1 X N N

1 X N N


E |k+1 (i) k+1 (i)| = P k+1 (i) 6= k+1 (i)
N iR N iR
N N
N N


= P 0 k+1 (i) \ k+1 (i)
(1 N )lN
eN lN 0

Al igual que en el teorema 2.2 se dar una construccin explicita de la variable aleatoria
N N
k+1 (0) y tambin se construir k+1/2 (i). Se considerar una coleccin X = (X(i))iRN i.i.d

45
de variables aleatorias con distribucin uniforme [0, 1] y , dado kN construir k+1/2
N
como
sigue
N
k+1/2 (i) = 1 dN (i)
k {X(i)>e }
N
N
La anterior cumple P(k+1/2 (i) = 1) = 1 edk (i) y concuerda con la explicacin anterior
para la fase de crecimiento. Se denominar por C0N al cluster abierto en k+1/2
N
que contiene
N
a 0. Se define ((Bi )iRN )N 0 como en el lema 2.7 y
(
N
N 1 si k+1/2 (0) = 1 y BiN = 0 i C0N B(0, lN )
k+1 (0) =
0 de otro modo
N
Esta construccin, al igual que antes, es la correcta para k+1 (0), pues es la forma cannica
N
de construirla. Se introduce otra modificacin de k+1 , esta ser una construccin anloga
N
k+1 (0) salvo la etapa de crecimiento en donde se utilizar
N
k+1/2 (i) := 1 hk (p)
,
{X(i)>e }

N
Esto quiere decir que k+1/2 es correr el proceso con densidad de sitios ocupados igual a
|kN |
hk, (p). Se denotar por N
k = N
a la densidad de sitios ocupados por el proceso modificado.

Lema 3.12 Dado > 0 cualquiera, si 1 y 2 son suficientemente pequeos, entonces

E |N N


k+1 k+1 |

para N suficientemente grande.

Demostracin. Se calcula

E |N N


k+1 k+1 |
1 X N N


E |k+1 (i) k+1 (i)|
N iR
N
N N
= P(k+1 (0) 6= k+1 (0))
N N
P(k+1 (0) 6= k+1 (0), 0 GN / GN
k (1 )) + P(0 k (1 ))
N N
P(k+1 (0) 6= k+1 (0), 0 GN
k (1 )) + 2

La ltima cota viene de ec. (3.1). Para lidiar con el trmino de la izquierda se realiza lo
siguiente
N N
P(k+1 (0) 6= k+1 (0), 0 GN
k (1 ))
N N
(0), |dN k N


P k+1 (0) 6= k+1 k (i) h, (p)| 21 i B(0, lN ), 0 Gk (1 )

+ P |dN k N


k (i) h, (p)| > 21 para algn i B(0, lN ), 0 Gk (1 )
N N
(0), |dN k


P k+1 (0) 6= k+1 k (i) h, (p)| 2 1 i B(0, lN ) (3.2)
N N


+ P |dk (i) dk (0)| > 1 para algn i B(0, lN ) (3.3)
+ P |dN k N


k (0) h, (p)| > 1 , 0 Gk (1 ) (3.4)

46
El trmino en ec. (3.4) es 0 y el termino en ec. (3.3) cumple que
P |dN N


k (i) dk (0)| > 1 para algn i B(0, lN )
lN sup P |dN N


k (i) d k (0)| > 1
iB(0,lN )

1
 X X 
= lN sup kN (j) kN (j)  > 1
 
P 
iB(0,lN ) V (rN )
jB(i,rN )\B(0,rN ) jB(0,rN )\B(i,rN )
 P 
lN Var  jB(i,rN )\B(0,rN ) kN (j) jB(0,rN )\B(i,rN ) kN (j)
 P 
sup
iB(0,lN ) V (rN )2 12
P 
N
lN Var
jB(i,rN )\B(0,rN )B(0,rN )\B(i,rN ) k (j)
sup
iB(0,lN ) V (rN )2 12


2lN V (rN )Var kN (0)

V (rN )2 12
2lN

V (rN )12
2lN

rN 12
0
En el desarrollo anterior se hizo uso de Chebyshev, que kN (i) {0, 1} Var(kN (i))
q
1 i B(0, lN ) y la invarianza bajo translacin. Para continuar se introduce la notacin 1/2
que ser el conjunto de sitios abiertos en el proceso de percolacin en un 3-rbol infinito con
cada sitio abierto con probabilidad 1 eq para q [0, 1] construido a partir de la familia
q
X. En otras palabras 1/2 (i) = 1{X(i)>eq } para cada i RN . Tambin se denotar por 1q,N
q
a la configuracin obtenida de correr la epidemia en 1/2 , usando las variables (BiN )iRN , e
ignorando las infecciones provenientes de una distancia mayor que lN , con esta definicin
N hk
, (p) N hk (p),N
k+1/2 = 1/2 y k+1 = 1 , . Se obtiene
N N
(0), |dN k


P k+1 (0) 6= k+1 k (i) h, (p)| 21 i B(0, lN )
hk (p)+21 ,N hk (p),N
P(1 , (0) = 0, 1 , (0) = 1) (3.5)
hk, (p)21 hk, (p)
+ P(1/2 (0) = 0, 1/2 (0) = 1) (3.6)
hk, (p)21 ,N hk, (p),N
+ P(1 (0) = 1, 1 (0) = 0) (3.7)
hk, (p)+21 hk, (p)21
+ P(1/2 (0) = 1, 1/2 (0) = 0) (3.8)

Primero se debe notar que |dN k

k (i) h, (p)| 21 para todo i B(0, lN ) implica que
k N k
1 e(h, (p)21 ) 1 edk (i) 1 e(h, (p)+21 )
Entonces
hk (p)21 hk (p)21
,
1/2 B(0, lN ) C0N B(0, lN ) 1/2
,
B(0, lN )

47
 N N hk (p),N hk (p)
Si k+1 (0) = 0 y k+1 (0) = 1, entonces de inmediato se tiene que 1 , ,
(0) = 1/2 (0) = 1;
N N N
adems de esto, o bien k+1/2 (0) = 0 o k+1/2 (0) = 1. En el caso que k+1/2 (0) = 0 se tiene
, hk (p)21 ,N N
que 1/2 = 0, y en el caso que k+1/2 (0) = 1 hay una infeccin en C0 B(0, lN ), lo
hk (p)+21
que implica que 1 , = 0.
N N
Haciendo un anlisis anlogo. Si k+1 (0) = 1 y k+1 (0) = 0, entonces de inmediato se
hk (p)+21 hk (p)
,
tiene que 1/2 (0) = 1, 1 , (0) = 0 y no hay infeccin en C0N B(0, lN ), por lo tanto
hk (p)21 ,N hk (p)21
1 , ,
(0) = 1 cuando 1/2 (0) = 1.

, hk (p)21
, hk , (p) hk (p)+21
Para acotar la expresin en ec. (3.5), como 1/2 1/2 1/2 , se tiene
que si # representa el tamao del cluster que contiene al 0 en la configuracin dada por ,
entonces
 
hk, (p)+21 ,N hk, (p),N
P 1 (0) = 0, 1 (0) = 1
 
hk, (p)+21 ,N hk, (p),N hk, (p)+21
P 1 (0) = 0, 1 (0) = 1, #1/2 < (3.9)
   
hk, (p),N hk, (p) hk, (p),N hk, (p)+21 ,N
+ P 1 (0) = 1, #1/2 = + P #1/2 < #1/2 = (3.10)

El termino en ec. (3.9) esta acotado por

 
hk, (p)+21 ,N hk, (p),N hk, (p)+21
P 1 (0) = 0, 1 (0) = 1, #1/2 <

hk
, (p)+21 hk
, (p)
 #1/2 \#1/2
(1 )
E 1 1 hk, (p)+21

2

{#1/2 <}

 i !  
X (1 ) hk, (p)+21 hk, (p)
 hk (p)+2
, 1
1 P #1/2 \ #1/2 = i#1/2 <

i=0
2

sta ltima tiende a 0 cuando 1 0 por convergencia dominada; lo anterior se debe a

 
hk, (p)+21 hk, (p) 
 hk (p)+2
, 1
P 1/2 = 1/2 #1/2 <
 j
e (h, (p)+21 ) + e(j+2) (h, (p)+21 )
k P hk, (p) k
F
j=1 j 1 e
=
1P (
hk (p)+21 ) (|C0 | = )
1e ,

por el lema 2.10, lema 2.11 y convergencia dominada; la dominacin  esta

 dada por 1, ya que 
hk, (p) (hk, (p)+21 )
el numerador est acotado por el denominador pues 1 e 1e .
Por lo anterior se puede elegir 1 suficientemente pequeo de modo que ec. (3.9) sea menor
que /12.

48
 La expresin a la izquierda de ec. (3.10) tiende a cero pues esta acotada por (1 N )lN
N lN
e , entonces se elige N de modo que sea menor que /12. La expresin de la derecha es
igual a    
,hk (p)+21 , hk (p)
P #1/2 = P #1/2 =
q
Gracias a la uniforme continuidad de P(#1/2 = ) (Continua en [0,1] compacto) se tiene que
la expresin anterior es menor que /12 si 1 es suficientemente pequeo. Para los trminos
en ec. (3.7) y ec. (3.9) se realiza el mismo procedimiento, se ejemplificar el procedimiento
con el segundo trmino
hk
, (p)21 hk
, (p)
P(1/2 (0) = 0, 1/2 (0) = 1)
hk
, (p)21 ,hk (p)21 ,hk (p)
= P(1/2 (0) = 0) P(1/2 (0) = 0, 1/2 (0) = 0)
hk
, (p)21 ,hk (p)
= P(1/2 (0) = 0) P(1/2 (0) = 0)
k k
= e(h, (p)21 ) e(h, (p))
k
= e(h, (p)) e21 1




4
Para 1 suficientemente pequeo. Se obtiene que
N N
P(k+1 (0) 6= k+1 (0), 0 GN
k (1 )) 0 Cuando N

Para 1 suficientemente pequeo, concluyendo lo pedido.

Lema 3.13
k+1
E(N
k+1 ) h, (p)

Demostracin. A lo largo de esta demostracin se utilizar h en vez de h, , con el fin de

simplificar la notacin.

E(N N N N N
k+1 ) = P(0 k+1 |0 k+1/2 )P(0 k+1/2 ) + P(0 k+1 |0
N
/ k+1/2 )P(0 N
/ k+1/2 )
k (p)
N
= P(0 k+1 N
|0 k+1/2 )(1 eh )

y
N
P(0 k+1 N
, diam(C0 ) = |0 k+1/2 ) (1 N )lN eN lN 0
Luego
N N N N
P(0 k+1 , diam(C0 ) < |0 k+1/2 ) = P(0 k+1 , diam(C0 ) lN |0 k+1/2 ) (3.11)
N N
+ P(0 k+1 , lN < diam(C0 ) < |0 k+1/2 ) (3.12)

El termino en ec. (3.12) cumple

N N N
P(0 k+1 , lN < diam(C0 ) < |0 k+1/2 ) P(lN < diam(C0 ) < |0 k+1/2 )0

49
Desarrollando el termino en ec. (3.11)
N N
P(0 k+1 , diam(C0 ) lN |0 k+1/2 )
= P(BiN = 0 i C0 B(0, lN ), diam(C0 ) lN |0 k+1/2
N
)
= E (1 N )|C0 B(0,lN )| , 1diam(C0 )lN |0 k+1/2
N

E (1 N )|C0 | , 1diam(C0 )< |0 est abierto

k
g (1 eh (p) )
=
1 ehk (p)
El lmite se justifica pues la expresin anterior a l esta acotada por 1, y gracias al teorema
de convergencia dominada se tiene lo pedido. Finalmente juntando los resultados anteriores
k
g (1 eh (p) ) k
E(N
k+1 ) h k (p) (1 eh (p) ) = g (f (hk (p))) = hk+1 (p)
1e

Demostracin. Demostracin proposicin 3.9

1
E |RN \ GN N



k+1 ( 1 )| = P 0
/ G k+1 ( 1 )
N
= P |dk+1 (0) hk+1
N


, (p)| > 1
1 k+1
E |dN


k+1 (0) h, (p)|
1
1  N N
E(|dN N
k+1 (0) dk+1 (0)|) + E(|dk+1 (0) E(k+1 )|) (3.13)
1
k+1
+E(|E(N N N


k+1 ) k+1 |) + E(|k+1 h, (p)|) (3.14)

Donde dN 1 N
P
k+1 (0) = V (rN ) jB(0,rN ) k+1 (j).
Para > 0 fijo se quiere mostrar que cada una de estas esperanzas pueden ser acotadas por
si N es suficientemente grande y 1 , 2 suficientemente pequeos. La cota para el trmino
de la derecha de ec. (3.14) se sigue inmediatamente del lema 3.12 y lema 3.13. El trmino de
la izquierda de ec. (3.13) por invarianza bajo translacin cumple
 
N (0)| 1 X
E |dN
k+1 (0) d k+1
N
E(|k+1 N
(j) k+1 (j)|)
V (rN )
jB(0,rN )
1 X X
N N
= E(|k+1 (j) k+1 (j)|)
N V (rN ) iR
N jB(i,rN )

1 X X
N N
= E |k+1 (j) k+1 (j)|
N V (rN ) iR
N jB(i,rN )
1 X N N


= E |k+1 (i) k+1 (i)|
N iR
N

<

50
Para N grande gracias al lema 3.11. Con respecto al termino de la derecha de ec. (3.13) se
puede notar que E(dN N
k+1 (0)) = E(k+1 ). Entonces
 2

E |dk+1 (0) E(k+1 )| Var(dN
N N
k+1 (0))

1 X
N N


= Cov k+1 (i), k+1 (j)
V (rN )2
i,jB(0,rN )
1
|{i, j B(0, rN ) : d(i, j) lN }|
V (rN )2
V (lN )

V (rN )
<

Para la ltima esperanza el procedimiento es anlogo al anterior, con esto se deduce que para
N suficientemente grande y < 1 2 /4 se tiene lo pedido.

Demostracin. Demostracin teorema 3.8

Como [0, 1] es compacto, es suficiente demostrar la convergencia en distribucin de las leyes
finito dimensionales de N
k , y como el limite es determinista solo es necesario demostrar la
convergencia en probabilidad para todo k 0 y > 0.

1
P(|N k
E |N N N N



k h, (p)| > ) k k | + E |k k |
(3.15)
+E |N N N k



k E(k )| + |E(k ) h, (p)|

Por el lema 3.11, lema 3.12 y lema 3.13 dado cualquier > 0 si existen constantes
1k1 , 2k1
> 0 tal que
V (lN )
E(|RN \ GN k1
k1 (1 )|) < 2k1
N
Lo que implica que el primero, segundo y tercer trmino de ec. (3.15) estn acotados por
para N suficientemente grande, adems de esto el tercer trmino tambin es menor que lo
que se obtiene repitiendo el argumento de la ltima cota en la demostracin de la propiedad
anterior. Se obtiene que
P(|N k
k h, (p)| > ) < 4

Para N suficientemente grande. Ahora se debe demostrar que existen 1k1 , 2k1 > 0 tal que
V (lN )
E(|RN \ GN k1
k1 (1 )|) < 2k1
N
Por la proposicin 3.9 se sabe que esto se tendr si existen 1k2 , 2k2 > 0 tal que
V (lN )
E(|RN \ GN k2
k2 (1 )|) < 2k2
N
Repitiendo este argumento, basta con que existan 10 , 20 que cumplan
V (lN )
E(|RN \ GN 0 0
0 (1 )|) < 2
N
51
 Lo cual se sabe que es satisfecho para N suficientemente grande gracias al lema 3.10,
concluyendo as la demostracin.

La demostracin presentada anteriormente es una adaptacin de una de las demostracio-

nes presentadas en [11] para el caso de crecimiento local en el toro, los pasos claves en la
adaptacin son el desarrollo realizado al comienzo de la pgina 47 y el manejo de la ec. (3.9).
El resto del desarrollo es prcticamente igual.

El teorema anterior puede ser adaptado al MVM , por motivos de extensin no lo demos-
traremos en este apartado.

3.4. Extensin con ms de un tipo de ocupacin

En lo que sigue se extender al caso con ms de un tipo de individuos y se estudiar

como se comportan stas en competencia por el espacio. Comenzando por el estudio de dos
tipos de individuos, se comentar si las extensiones son claras para n tipos; por consiguiente,
desde ahora cada nodo puede estar desocupado u ocupado, por un individuo del tipo 1 2.
Para definir el proceso se supondr que hay una densidad p1 , p2 de polillas del tipo 1 y 2
respectivamente, adems de esto se utilizar 1 , 2 > 1.

Definicin 3.14 (MMM (Multi Moth Model)) Sea N N, M N fijo, T = N y cada

sitio en un grafo GN = (VN , EN ), de N nodos, el cual puede estar ocupado por un individuo
tipo i o vacante, i.e, = {0, 1, . . . , M }VN . Se denotar por (nN )nN al proceso y nN (x) =
(n1,N (x), . . . , nM,N (x)) (Si bien la notacin es un poco engorrosa, sta permitir reducirse al
caso de un tipo de ocupacin), con ni,N (x) = 1 si el sitio x se encuentra en el estado i para
el instante n, 0 si no. El cambio que ocurre en el modelo en una unidad de tiempo se explica
en dos fases sucesivas: la fase de crecimiento y la fase de epidemia, al igual que antes.

Crecimiento: Un sitio ocupado con un individuo del tipo 1 lanza una cantidad de cras
P oisson(1 ) en NN (x) GN , anlogamente si un sitio estaba ocupado con un individuo del
tipo 2 lanza una cantidad aleatoria de cras P oisson(2 ) en NN (x) GN . Si un sitio recibe
Ni cras del tipo i, entonces cada una de las cras compite por quedarse con el sitio el cual
se reparte equiprobablemente entre las cras, por lo que la probabilidad de que sea del tipo 1
es N1N+N
1
2
.
i
Epidemia: Con una probabilidad pequea N un individuo del tipo i muere en cada sitio.
Si el sitio x esta ocupado por un individuo del tipo i y muere a causa de la epidemia, sta
se contagia hacia sus vecinos ocupados, y as se termina expandiendo a toda la componente
conexa conformada por los sitios que tienen individuos del tipo i, en la cual se encuentra x.

Se estudiar, al igual que antes, el comportamiento del proceso en un grafo GN con las
mismas propiedades que antes. Se utilizar NN (x) = RN x VRN .

Se puede pensar en el proceso de crecimiento como que cada nodo x ocupado con un
individuo del tipo i lanza a cada y NN (x) una cantidad aleatoria de hijos distribuidas

52
  
P oisson |NNi(x)| . Notar Yx,y
i i


como Yx,y xGN ,yNN (x)
es una coleccin i.i.d. para cada
i {1, 2}. Para encontrar la funcin candidata a lmite se denominar por Ni a la cantidad
i,N
de cras del tipo i lanzada a 0, y adems 1/2 (0) a la ocupacin del 0 despus de la etapa de
crecimiento en un grafo de N nodos, se tiene que

 
1


P 1/2 (0) = 1 = E 11/2
1 (0)=1

 
N1
=E 1{N1 +N2 >0}
N1 + N2
 
1
=E 1{N1 +N2 >0} E (N1 |N1 + N2 ) (3.16)
N1 + N2

Donde
k
X P(N1 = i N1 + N2 = k)
E (N1 |N1 + N2 = k) = i
i=1
P(N1 + N2 = k)
k e1 p1 (1 p1 )i e2 p2 (2 p2 )ki
i! (ki)!
X
= i
e(1 p1 +2 p2 ) (1 p1 +2 p2 )k
i=1 k!
k1
X k 1  i  k1i
1 p1 k 1 p1 2 p2
=
1 p1 + 2 p2 i 1 p1 + 2 p2 1 p1 + 2 p2
|i=0 {z }
=1
1 p1 (N1 + N2 )
= E(N1 |N1 + N2 ) = (3.17)
1 p1 + 2 p2

Finalizando el clculo en ec. (3.16)

 
1
E 1{N1 +N2 >0} E (N1 |N1 + N2 )
N1 + N2
   
N1
=E E |N1 + N2 N1 + N2 > 0 P (N1 + N2 > 0)

N1 + N2
1 p1
1 e(1 p1 +2 p2 )


=
1 p1 + 2 p2

Observacin El uso de las variables aleatorias de Poisson es sutil y el hecho recae en que
cumple trivialmente la convergencia uniforme para la fase de crecimiento. Para buscar las
condiciones necesarias para relajar esta condicin se supondr que cada sitio ocupado lanza
una cantidad aleatoria no necesariamente Poisson y se buscarn condiciones para que esta
distribucin cumpla con lo pedido. Sea Mxi,N la variable aleatoria que representa la cantidad
de hijos del tipo i que lanza el sitio x; luego, la cantidad efectiva lanzada es Mxi,N 1{i,N (x)=1}

53
y finalmente la cantidad
lanzada por todo el grafo es M i,N = N i,N
P
x=1 Mx 1{ i,N (x)=1} y con
i,N 1
esto Ni Bin M , N . Las variables descritas anteriormente cumplen las siguientes pro-
piedades

E Mxi,N = i x {1, . . . , N }

E Mxi,N 1{i,N (x)=1} = i pi x {1, . . . , N }

E M i,N = i pi N

Al igual que antes

 
1

1 1,N 2,N


P 1/2 (0) =1 =E 1{N1 +N2 >0} E N1 |N1 + N2 , M , M
N1 + N2

Calculamos para variables Mxi,N cualquiera

E N1 |N1 + N2 = k, M 1,N , M 2,N

k
X P(N1 = i N1 + N2 = k|M 1,N , M 2,N )
= i
i=1
P(N1 + N2 = k|M 1,N , M 2,N )
k
X P(N1 = i|M 1,N )P(N2 = k i|M 2,N )
= i
i=1
P(N1 + N2 = k| M 1,N , M 2,N )
k M 1,N

1
i 1 M

1,N i M 2,N
1
ki
2,N k+i
1 M
X 1 1
= i i N N

1
k
ki N N

1,N +M 2,N k
M 1,N +M 2,N 1 M
i=1 k N
1 N
k M 1,N
M 2,N

X
= i M 1,N +Mki
i
2,N

i=1 k
1,N
M (N1 + N2 )
=
M 1,N + M 2,N
= E(N1 |N1 + N2 , M 1,N , M 2,N )
M 1,N (N1 + N2 )
=
M 1,N + M 2,N
Finalmente
 
1
E 1{N1 +N2 >0} E (N1 |N1 + N2 )
N1 + N2
   
N1 1,N 2,N
=E E |N1 + N2 , M , M N1 + N2 > 0 P (N1 + N2 > 0)

N1 + N2
M 1,N
 
1 e(1 p1 +2 p2 )


=E 1,N 2,N
M +M

Como N1 + N
2 Bin M 1,N + M 2,N , N1 se puede demostrar que P (N1 + N2 > 0)

1 e(1 p1 +2 p2 ) p1 , p2 (0, 1] utilizando una versin modificada del teorema 3.6.1 en

[3] (pg. 126), la que se muestra a continuacin.

54
Teorema 3.15 Sea
(XN,j )jN coleccin de variables aleatorias i.i.d. para todo N N con
1 N
PN N N N
XN,j Bern N y sea M = x=1 Mx con (Mx )x=1 variables aleatorias i.i.d tal que
E(MxN ) = . Entonces
MN
d
X
SN = XN,j
Z P oisson()
j=1

Demostracin. La demostracin es exactamente igual a la de [3] considerando que se cumple

1
1. N
0
PN
PM N 1 MxN c.s
2. x=1 N = x=1
N

PN c.s.
3. y que adems el resultado anterior dice que x=1 MxN .

Finalmente las condiciones que hay que imponer son

M 1,N
 
1 p1 (1 p1 +2 p2 )


E y P (N 1 + N2 > 0) 1 e
M 1,N + M 2,N 1 p1 + 2 p2
Uniformemente en p1 , p2 [0, 1]. La primera de las condiciones no se cumple para toda
distribucin como presentaremos a continuacin

Ejemplo Para p = 1/3, q = 2/3 y 1 p1 N, 2 p2 N > 0 sean M 1,N y M 2,N variables aleatorias
tal que
2
1
P(M 1,N = 0) = y P M 1,N = 31 p1 N =
2,N

3 3
P M = 2 p2 N = 1
Luego
M 1,N
 
1 p1
E =
M 1,N + M 2,N 31 p1 + 2 p2
Esta cantidad no coincide con lo pedido, y las variables aleatorias cumplen con E(M 1,N ) =
1 p1 N y E(M 2,N ) = 2 p2 N .

Continuando el estudio del sistema considerando las variables de P oisson, La funcin

asociada a la fase de crecimiento es
f1 ,2 (p1 , p2 ) = f11 ,2 (p1 , p2 ), f21 ,2 (p1 , p2 )

Donde f 1 y f 2 representan la esperanza de ser del tipo 1 y del tipo 2 dado que haba una
densidad p1 , p2 del tipo 1 y 2 respectivamente, explcitamente
1 p1
f11 ,2 (p1 , p2 ) = 1 e(1 p1 +2 p2 )


1 p1 + 2 p2
2 p2
f21 ,2 (p1 , p2 ) = 1 e(1 p1 +2 p2 )


1 p1 + 2 p2

55
En los clculos anteriores subyace la probabilidad de que un sitio quede desocupado e1 p1 2 p2 .

La fase de epidemia considerar una epidemia por cada especie ( toda especie diferente a
i es inmune a la epidemia asociada a la especie i). Los clculos realizados en g para un solo
tipo de polilla, se pueden replicar considerando que un sitio esta libre, para el modelo con
dos tipos de polillas, si esta libre o si tiene una especie diferente a la considerada. Con esto
se define
h11 ,2 ,1 (p1 , p2 ) = g1 (f11 ,2 (p1 , p2 ))
h21 ,2 ,2 (p1 , p2 ) = g2 (f21 ,2 (p1 , p2 ))

Lo realizado anteriormente se puede generalizar para M tipos de polillas de la siguiente

forma. Para ~ = (i )M ~ = (i )M
i=1 , ~ = (pi )M
i=1 y p i=1 se define

h,~ p) = (hi,~
~ (~ p))M
~ (~ i=1

Donde !
 PM  i pi
hi,~ p) = gi 1 e
~ (~
j=1 j pj
PM
j=1 j pj

A este proceso tambin se le denotar por ki,N , con ki,N (j) = 1 si j esta ocupado al tiempo
k por un individuo del tipo i y ki,N (j) = 0 si no. La densidad de sitios ocupados en tiempo
k para los individuos del tipo i ser escrita como
N
1 i,N 1 X i,N
i,N
k = |k | = (j)
N N j=1 k

La distribucin inicial 0i,N del proceso ser siempre utilizada como una medida producto con
densidad p [0, 1], por lo que en particular i,N0 pi0 en probabilidad.
i
A continuacin se ver qu pasa cuando N 0 (cuando la infeccin elimina solo a las
componentes conexas de tamao infinito), luego la funcin de densidad de sitios ocupados
para la etapa de infeccin ser
(1p)3
(
p2
si p (1/2, 1]
g(p) =
p si p [0, 1/2]

Por lo que para esta fase de estudio se utiliza

hi~ (p1 , p2 ) = g(f~i (p1 , p2 ))

Teorema 3.16 Para M N si se asume que GN = RN y que la probabilidad de infeccin

de la epidemia satisface
j j
N log2 (N ) N 0 Cuando N , j {1, . . . , M }
Entonces el proceso (N k )k0 converge en distribucin a la rbita determinista comenzando
con p0 , del sistema dinmico asociado a h~ .

56
 Por simplicidad se demostrar el resultado para M = 2, para este caso ser suficiente
estudiar las probabilidades de transicin de un solo paso del proceso N k . Se define S :=
{(p0 , p0 ) : p0 + p0 1, p0 , p0 0}, adems de esto se considerar la Norma 1 en R2
1 2 1 2 1 2

para realizar los siguientes clculos, aunque no es de gran importancia pues las normas son
equivalentes en dimensin finita. Este proceso  considerar NN (x) = GN , donde todos los
(1 p10 +2 p20 ) 1 p10
sitios tienen probabilidad 1 e 1 2 de estar ocupados por un individuo
  1 p0 +
2
2 p0
1 2 p
del tipo 1 y probabilidad 1 e(1 p0 +2 p0 ) 1 p12+02 p2 de estar ocupados por uno del tipo 2,
0 0
donde (p10 , p20 ) es la densidad inicial de sitios ocupados. Abusando de notacin, se denotar
kj,N al conjunto de sitios ocupados por individuos del tipo j en el proceso, k+1/2
N
denotar la
N N
etapa intermedia entre k y k+1 , despus de la fase de crecimiento y antes de la epidemia.
Se denotar por {0, . . . , N 1} el conjunto de nodos de RN y B(i, r) denotara el conjunto
de sitios en un entorno distancia a lo ms r de i (distancia usual de teora de grafos).
Sea 1j,N el conjunto de sitios ocupados por un individuo de tipo i despus de la epidemia
se propaga ignorando la infeccin proveniente de una distancia mayor a log25(N ) . Definimos
 1,N
|1 | |12,N |

N
1 = N
, N
.

Lema 3.17
E |N N


1 1 | 0 , N

Uniformemente en p la densidad inicial.

Demostracin. Por la invarianza segn traslacin y observando que 1N (i) 1N (i)desigualdad

por coordenada( puede sobrevivir en el primero si el ataque infeccioso viene de fuera) para
todo i RN

N
1 X
E |N N
E |1N (i) 1N (i)| = P(0 11,N \ 11,N ) + P(0 12,N \ 12,N )



1 1 |
N i=1
   
1 15 log2 (N ) 1,N 2 15 log2 (N ) 2,N
(1 N ) P 1/2 (i) = 1 + (1 N ) P 1/2 (i) = 1
1 1
  1 2
 
1,N 2,N
e 5 N log2 (N ) P 1/2 (i) = 1 + e 5 N log2 (N ) P 1/2 (i) = 1
0

La segunda desigualdad se sigue pues si 0 est en 1N
pero no en 1N , entonces debe haber un

N
camino abierto en 1/2 que va de 0 a B 0, 15 log2 (N ) , y todos los sitios del camino no deben
haber sido infectados. Adems de esto cabe recalcar que este proceso cumple con que a lo mas
una de las coordenadas puede ser distinta de cero, en esto se basan los pasos anteriores.

Lema 3.18
 
1 1,N 1 2,N
E | HN |, |1 HN | h1 ,2 (p1 , p2 ) , N
N 1 N

Uniformemente en la densidad inicial p.

57
Demostracin. Si 0 1N entonces 0 1/2
N

 
1 1,N 1 2,N
E | HN |, |1 HN |
N 1 N
N N
!!
1 X 1,N 1 X 2,N
=E (i)1HN (i), (i)1HN (i)
N i=1 1 N i=1 1
N
1 X  
1,N 2,N

= E 1HN (i) 1 (i), 1 (i)
N i=1
  
= E 1HN (0) 11,N (0), 12,N (0) (3.18)
     
= (1, 0)P 11,N (0), 12,N (0) = (1, 0), 0 HN + (0, 1)P 11,N (0), 12,N (0) = (0, 1), 0 HN
       
1,N 2,N 1,N 2,N
= P 1 (0), 1 (0) = (1, 0), 0 HN , P 1 (0), 1 (0) = (0, 1) , 0 HN
(3.19)
   
= P 11,N (0), 12,N (0) = (1, 0)|0 HN 1/2
1,N 1,N
P(0 HN )P(0 1/2 ),
   
P 11,N (0), 12,N (0) = (0, 1)|0 HN 1/2
2,N 2,N
P(0 HN )P(0 1/2 ))

En particular, la cantidad anterior es igual a

    
1 1,N 1 2,N
E | HN | , E | HN |
N 1 N 1
El paso utilizado en ec. (3.18) lnea, del desarrollo anterior, tiene como justificacin la in-
varianza bajo traslacin y el paso en ec. (3.19) tiene como justificacin lo siguiente: Para
j {1, 2}
  
P 11,N (0), 12,N (0) = (1, 0), 0 HN
    
1,N 2,N 1,N 1,N
= P 1 (0), 1 (0) = (1, 0)|0 HN 1/2 P 0 HN 1/2
    
+ P 11,N (0), 12,N (0) = (1, 0)|0 1,N
/ HN 1/2 P 0 1,N
/ HN 1/2
 
= P( 11,N (0), 12,N (0) = (1, 0)|0 HN 1/2
1,N 1,N
)P(0 HN )P(0 1/2 ) (3.20)

La ltima separacin se debe a la independencia del grafo aleatorio estudiado y la ocupacin

del origen en el proceso de crecimiento. Por un procedimiento equivalente se obtiene un
anlogo para la segunda coordenada.

Por el lema 2.5 se sabeque P(0 HN )  1; tambin se sabe que para j {1, 2} se
pj
) = 1 e(1 p0 +2 p0 ) 1 p1j+02 p2 N N , por lo que en particular
j,N 1 2
tiene que P(0 1/2
0 0
converge a este valor uniformemente en (p10 , p20 ). Falta solo encontrar el valor
 del primer

termino de ec. (3.20), solo ser necesario ver la configuracin de 1/2 en B 0, log25(N ) , en
j,N

donde, condicional al evento 0 HN , el grafo se ve localmente como un 3-rbol. Se cons-

truirn variables (1j,N (0))N >0 condicional a {0 HN 1/2
j,N
} en un espacio de probabilidad

58
comn como sigue. Sea T el conjunto de sitios en un 3-rbol y considerando el proceso
de
 percolacin en T en donde cada sitio esta abierto independientemente con probabilidad
(1 p10 +2 p20 ) j pj0
1e 1 p1 +2 p2
. Se llamar C0j al cluster de percolacin que contiene a 0 Como
0 0
j,N
se utiliza el evento {0 HN 1/2 }, se tiene que 0 pertenece al cluster del tipo j. Tambin
se considerar la coleccin (Bi )iT ,N >0 de variables aleatorias tal que Bij,N Bern(N
j,N j
).
j,N j,N
Con stas, la variable aleatoria 1 (0) condicional al evento {0 HN 1/2 }, se puede
construir como sigue
(  
j,N j log2 (N )
1 si B = 0 i C 0 B 0,
1j,N (0) = i 5
0 en otro caso

j j 1 j log2 (N )
Ahora sea lN = log2 ((N ) 2 ). Se ve que lN < 5
para N grande, entonces

P(0 1j,N |0 HN 1/2

N
) = P(0 1j,N , diam(C0j ) lN
j j,N
|0 HN 1/2 ) (3.21)
 
log2 (N ) 

+ P 0 1j,N , lNj
< diam(C0j ) j,N
0 HN 1/2 (3.22)
5
 
j,N log2 (N )

j  j,N
+ P 0 1 , < diam(C0 )0 HN 1/2 (3.23)
5
La expresin de la derecha en ec. (3.21)
P(0 1j,N , diam(C0j ) lN
j j,N
|0 HN 1/2 )
P(0 diam(C0j ) lN
j j,N
|0 HN 1/2 )
P(0 diam(C0j ) | 0 est abierto)
P(0 diam(C0j ) , 0 est abierto)
=
P( 0 est abierto)
  
g 1 e(1 p0 +2 p0 ) 1 p1j+j 2 p2
1 2 p
0 0
= 
j pj0

(1 p10 +2 p20 )
1e 1 p1 +2 p2
0 0

Gracias al lema 2.5 la convergencia anterior es uniforme en p, por otro lado como cualquier
subconjunto de T con dimetro n tiene a lo mas 1 + 3 2n1 < 3 2n nodos, luego se tiene
P(0 1j,N , diam(C0j ) lN
j j,N
|0 HN 1/2 )
= P(Bij,N = 0i C0j , diam(C0j ) lN
j j,N
|0 HN 1/2 )
j 1
2
j 3(N )
(1 N ) P(0 diam(C0j ) lN
j j,N
|0 HN 1/2 )
P(0 diam(C0j ) | 0 est abierto)
P(0 diam(C0j ) , 0 est abierto)
=
P( 0 est abierto)
pj
  
g 1 e(1 p0 +2 p0 ) 1 p1j+02 p2
1 2

0 0
= 
j pj0

(1 p10 +2 p20 )
1e 1 p1 +2 p2
0 0

59
 1 j
j 3(j ) 2
uniforme en p por el lema 2.5 y tambin se tiene que (1 N ) N e3 N 1. As
se concluye por el teorema del sandwich que
pj
  
g 1 e(1 p0 +2 p0 ) 1 p1j+02 p2
1 2

P(0 1j,N , diam(C0j ) lN

j j,N
|0 HN 1/2 )  0 0

j pj0

(1 p10 +2 p20 )
1e 1 p1 +2 p2 0 0

j,N j pj
) C = 1 e(1 p1 +2 p2 )


uniforme en p. Para ec. (3.22) se tiene que P(0 HN 1/2 2(1 p1 +2 p2 )
para N suficientemente grande

log2 (N )
P(0 1j,N , lN
j
< diam(C0j ) j,N
|0 HN 1/2 )
5  
1 j j log2 (N )
C P lN < diam(C0 )
5
j
= C 1 P(lN < diam(C0j )) P(diam(C0j ) = )


   
1 log2 (N ) j j


C P < diam(C0 ) P diam(C0 ) =
5
0

Uniformemente en p nuevamente gracias al lema 2.5 . Para ec. (3.23) se observa que
 
j,N log2 (N ) j j,N j log25(N )
P 0 1 , < diam(C0 )|0 HN 1/2 (1 N )
5
j
log2 (N )
N
e 5

Por todo lo anterior se tiene que

P(0 1j,N |0 HN 1/2j,N

)P(0 HN )P(0 1/2 j,N
)
pj
  
g 1 e(1 p0 +2 p0 ) 1 p1j+02 p2 
1 2

0 0 (1 p10 +2 p20 )
 j pj0
 1 e
1 p10 + 2 p20

1 e(1 p0 +2 p0 ) 1 p1j+j 2 p2
1 2 p
0 0

= hj1 ,2 (p10 , p20 )

Gracias a ec. (3.20) la demostracin anterior, a grosso modo, es igual a la realizada para
el caso con un tipo de individuo, ya que los sitios ocupados por otra especie o vacantes
funcionan de igual forma que los vacantes para un solo tipo de individuo. Para efecto de la
demostracin lo que se debe considerar es el parmetro de infeccin adecuado, al igual que
la funcin de crecimiento adecuada.

Demostracin Teorema 1.2. Se demostrar este hecho por coordenadas. Gracias a [7], es su-
ficiente demostrar que N
(p1 , p2 ) y que dada una sucesin (p1,N , p2,N ) S convergente
0
a algn (p01 , p02 ) S, la sucesin N N
1 , con 0 iniciada en la medida producto con densidad

60
(p1,N , p2,N ), converge dbilmente a (h11 ,2 (p01 , p02 ), h21 ,2 (p01 , p02 )). La primera parte es direc-
ta, para la segunda parte se asumir por simplicidad que pN = p0 para todo N ( para el
caso general se sigue gracias a la continuidad uniforme de h1 ,2 (p01 , p02 )). Gracias a los lemas
anteriores, todas las convergencias que se mostrarn son uniformes en la densidad inicial p0 .
Por la desigualdad de Markov, dado > 0

0 0
P |N


1 h1 ,2 (p1 , p2 )| >
1 0 0
E |N


1 h1 ,2 (p1 , p2 )|
  
1 N N

1  N 1 1,N 1 2,N

E |1 1 | + E 1 |1 HN |, |1 HN | 
N N
   
1  1 1,N 1 2,N 1 1,N 1 2,N 
+ E   |1 HN |, |1 HN | E |1 HN |, |1 HN | 
N N N N
   
1 1 1,N 1
|1 HN |, |12,N HN | h1 ,2 (p0 )
 
+ E
N N

El primer y ltimo trmino de la ltima desigualdad tiende a 0 por el lema 3.17 y el

lema 3.18. El segundo tiende a cero pues usando el lema 2.4
  
 N 1 1,N 1 2,N 
E 1
 |1 HN |, |1 HN | 
N N
 
 1 1,N 1 1,N 1 2,N 1 2,N 
E   |1 | |1 HN |, |1 | |1 HN | 
N N N N
 
1
E |RN \ HN |
N
0

Para el tercer trmino se ve que

   
 1 1,N 1 2,N 1 1,N 1 2,N

E  |1 HN |, |1 HN | E |1 HN |, |1 HN | 
N N N N
      
 1 1,N 1 2,N 1 1,N 1 2,N

= E  |1 HN |, |1 HN | E |1 HN | , E |1 HN | 
N N N N
    
 1 1,N 1 1,N 1 2,N 1 2,N

= E  |1 HN | E |1 HN | , |1 HN | E |1 HN | 
N N N N
     
 1 1,N 1 1,N   1 2,N 1 2,N 
= E  |1 HN | E
 |1 HN |  + E  |1 HN | E
  |1 HN | 
N N N N

La segunda lnea es gracias a la deduccin al comienzo de esta demostracin. Ahora se

61
utilizar la desigualdad de Jensen, para esto se calcular para j {1, 2}
  NX1 N
X 1
Var |1j,N HN | = Cov(1ij,N HN , 1jj,N HN )
1 1
i=0 j=0
   
log2 (N ) log2 (N )
|{(i, j) HN HN : B i, B j, 6= }|
5 5
2 log2 (N )
|{(i, j) HN HN : d(i, j) }|
5
3 2
N N5
|{z} 2
Cantidad de nodos | {z }
2 log2 (N )
Cantidad de nodos en Bola de tamao 5

Con esto
  2  
 1 j,N 1 j,N
 1 j,N
E  |1 HN | E | HN |  Var | HN |
N N 1 N 1
3 2
2
N5
N

N2
0
Y con esto se tiene la convergencia en probabilidad que en este caso es equivalente a la
convergencia en distribucin, pues el lmite es determinista.

Esta demostracin consiste principalmente en separar por coordenada la desigualdad de

Markov realizada en el caso de un tipo de individuo. Bajo el mismo principio del teorema
anterior se puede demostrar lo siguiente. Para este estudio la funcin de densidad de sitios
ocupados para la etapa de infeccin es
 p 3
1 1 4(1 )(1 p)p
g (p) =
8(1 )2 p2
Por lo que para esta fase de estudio se utiliza
h11 ,2 ,1 (p1 , p2 ) = g1 (f11 ,2 (p1 , p2 ))
h21 ,2 ,2 (p1 , p2 ) = g2 (f21 ,2 (p1 , p2 ))

Teorema 3.19 Para M N si GN = RN , j (0, 1) j {1, . . . , M } y la probabilidad de

infeccin de la epidemia satisface
j
N j Cuando N , j {1, . . . , M }
El proceso (N
k )k0 converge en distribucin a la rbita determinista comenzando con p, del
sistema dinmico asociado a h,~
~ .

Demostracin. Se demuestra al igual que la demostracin anterior utilizando el lema 2.17 en

vez del lema 2.5 y adaptando la demostracin del lema 2.18 para probar el siguiente lema

62
 j
Lema 3.20 Si N j y j > 0 , entonces
 
1 1,N 1 2,N
E | HN |, |1 HN | h1 ,2 ,1 ,2 (p1 , p2 ) , N
N 1 N

Uniformemente en la densidad inicial p.

Adems, el proceso estocstico de crecimiento cumple la siguiente propiedad de monotona

Proposicin 3.21 Si 1 1 1 2 2 , 1 x10 x0 1 0, 0 x20 x0 2 1, N N

la cantidad de sitios en el grafo. Entonces se pueden construir (X 1 , X 2 ) y (X 1 , X 2 ) procesos
que representan la densidad de cada tipo de polilla sin infeccin por coordenada con ley
definida por (1 , 2 ) y ( 1 , 2 ) respectivamente, partiendo en x~0 = (x10 , x20 ) y x~0 = (x0 1 , x0 2 )
respectivamente, en un mismo espacio de probabilidad de forma que

Xn1 Xn1 y Xn2 Xn2 c.s n N

 
esto es Px~0 ,x~0 Xn1 Xn1 , Xn2 Xn2 = 1 n N. En particular
 
Px~0 ,x~0 Xn1 Xn1 , Xn2 Xn2 n N = 1

Demostracin. Para 1 , 2 [1, ), x~0 distribucin inicial y x11 , x21 [0, 1] tal que x11 + x21
1, se tiene que

Px~0 (X11 , X12 ) = (x11 , x21 )

N! 1
= 1 2 1 2
(f11 ,2 (p1 , p2 ))x1 N
(x1 N )!(x1 N )!(N x1 N x1 N )!
2 1 2
(f21 ,2 (p1 , p2 ))x1 N (1 f21 ,2 (p1 , p2 ) f11 ,2 (p1 , p2 ))N x1 N x1 N
x11 N
1 x10

N! (1 x10 +2 x20 )

= 1 1e
(x1 N )!(x21 N )!(N x11 N x21 N )! 1 x10 + 2 x10
2
x1 N
2 x20
 
(1 x10 +2 x20 )
1e
1 x10 + 2 x10
N x11 N x21 N
1 x10 2 x20
    
(1 x10 +2 x20 ) (1 x10 +2 x20 )
1 1e 1e
1 x10 + 2 x10 1 x10 + 2 x10

Se denotar
 por P a la probabilidad
 bajo (1 , 2 ) y P a la probabilidad bajo (1 , 2 ). Se
1 2
construir (Xn , Xn ) , Xn1 , Xn2 coupling Markoviano. Si en la etapa n hay x~n = (x1n , x2n ) y
j
x~n = (xn 1 , xn 2 ) respectivamente, se utiliza Un+1 U ([0, 1]) para hacer un paso en el proceso

63
de la siguiente forma
n+1 (j) =
  
j (1 x1n +2 x2n ) 1 x1n
1 si 0 U 1 e
 n+1
1 2
 1 xn +2 xn 

   
(1 x1n +2 x2n ) 1 x1n j (1 x1n +2 x2n ) 2 x2n
0 si 1e U 1 1 e
  1 x1n +2 x2n
 2
 n+1 1 x1n +2 x2n
2 si 1 1 e ( 1 n 2 n )
x 1 + x2 x j
2 n
U 1

1 x1n +2 x2n n+1

n+1 (j) =
  
j (1 xn 1 +2 xn 2 ) 1 xn 1
1 si 0 U 1 e
 n+1 1 xn 1 +2 xn 2 

   
(1 xn 1 +2 xn 2 ) 1 xn 1 j (1 xn 1 +2 xn 2 ) 2 xn 2
0 si 1e U 1 1 e
  1 xn 1 +2 xn 2  n+1 1 xn 1 +2 xn 2
2 si 1 1 e ( 1 n 2 n )
x 1 + x 2 x 2 j

2 n
U 1

1 xn 1 +2 xn 2 n+1

Donde i (j) y i (j) son variables que definen

N
X N
X
1 2
Xn+1 = 1n+1 (j)=1 si Xn+1 = 1n+1 (j)=2
j=1 j=1

X11 y X12 se definen de forma anloga con i . Y es un coupling gracias a que lo anterior simula

M ultinomial(N, f11 ,2 (p1 , p2 ), f21 ,2 (p1 , p2 ), 1 f11 ,2 (p1 , p2 ) f21 ,2 (p1 , p2 ))

La cual es la distribucin de cada una de las cadenas, por lo que las distribuciones marginales
coinciden.

Dado que
x10 x0 1
x20 x0 2
 
1 1 2 2
Se tendr que Px~0 ,x~0 X1 X1 , X1 X1 = 1 si se cumplen las siguientes condiciones si-
multneamente
1 x1n 1 xn 1
     
(1 x1n +2 x2n ) (1 xn 1 +2 xn 2 )
1e 1e
1 x1n + 2 x2n 1 xn 1 + 2 xn 2
2 x2n 2 xn 2
       
(1 x1n +2 x2n ) (1 xn 1 +2 xn 2 )
1 1e 1 1e
1 x1n + 2 x2n 1 xn 1 + 2 xn 2

Lo que se cumple, pues la funcin f (x, y) = (1e(x+y) ) x+y

x
es creciente en x y decreciente
en y ya que
f (x, y) exy (y (ex+y 1) + x(x + y))
= 0
x (x + y)2
f (x, y) xexy (ex+y + x + y + 1)
= 0
y (x + y)2

64
Gracias a que se considera x 0, y 0, ez > 0 z R y que ex 1 x si x 0. Luego
para concluir la afirmacin nos basta por induccin notar que
 
1 1 2 2
Px~0 ,x~0 Xn+1 Xn+1 , Xn+1 Xn+1
   
1 2
= Px~0 ,x~0 Xn+1 1
Xn+1 , Xn+1 2
Xn+1 |Xn1 Xn1 , Xn2 Xn2 Px~0 ,x~0 Xn1 Xn1 , Xn2 Xn2
   
1 2
= PX~ ,X~ Xn+1 1
Xn+1 , Xn+1 2
Xn+1 |Xn1 Xn1 , Xn2 Xn2 Px~0 ,x~0 Xn1 Xn1 , Xn2 Xn2
n n

=1
 
Luego se tiene que Px~0 ,x~0 Xn1 Xn1 , Xn2 Xn2 = 1 n N y dado que son numerables
 
eventos de probabilidad 1 se tiene que Px~0 ,x~0 Xn1 Xn1 , Xn2 Xn2 n N = 1.

3.4.1. Propiedades del sistema h1 ,2

Se volcar completamente la atencin sobre el sistema lmite considerado N 0. Para

este sistema se estudiar la extincin y los puntos fijos de convergencia del sistema

Proposicin 3.22 Si 1 1 < 2 , entonces el sistema dinmico definido por

f1 ,2 : [0, 1]2 [0,

 1]
2
p p 
(1 p1 +2 p2 ) p 1+1 p (1 p1 +2 p2 ) p 2+2 p
(p1 , p2 ) (1 e 1 1 2 2 ), (1 e 1 1 2 2 )

Posee dos puntos fijos {(0, F P (2 )), (F P (1 ), 0)} Atractor e Inestable respectivamente.

Para el caso 1 < 1 = 2 . Los siguientes puntos son puntos fijos no hiperblicos.
 
n F P (1 ) F P (2 ) o
(0, F P (2 )), (F P (1 ), 0), ,
2 2
Para ambos casos (0, 0) es un punto fijo, gracias a la extensin por continuidad de f .

Lema 3.23 La funcin W de Lambert es estrictamente creciente en 1e , , en particular

es inyectiva.

Demostracin. La funcin W de Lambert resuelve la ecuacin x = W (x)eW (x) , por lo tanto,

tiene por inversa a la funcin W 1 (y) = yey , la cual es estrictamente creciente en (1, )
gracias a que (W 1 (y))0 = (y + 1)ey .Como W 1
es estrictamente creciente en (1, ), la
funcin W es estrictamente creciente en 1e , , y gracias a esto es inyectiva en 1e , .

Demostracin proposicin 3.22. El punto 0 en cualquiera de las coordenadas siempre es un

punto fijo, luego si alguna de las coordenadas es 0 la otra coordenada se reduce al caso de una
dimensin (un tipo de polilla), luego se tiene (0, F P (2 )) y (F P (1 ), 0) son puntos fijos. Para

65
ver si existe alguno con coordenadas no triviales se explora la ecuacin exponencial asociada
a cada coordenada, as

1 x
x = (1 e(1 x+2 y) ) 1 x+ 2y
1 x+2 y
1
= (1 e(1 x+2 y) )
e(1 x+2 y) = 1 x 21y
   
y y
2 y1 1 2 1 1x 2
e 1 e 1 = 1 x 21y
 
  y
1 2 y 1 1x 2
1 e = 1 1 x 1
e 1

Luego se tiene
W (1 e1 ) 2 y
x= +1
1 1
Y por simetra se tiene que
W (2 e2 ) 1 x
y= +1
2 2
Con todo esto, un punto fijo con x 6= 0, y 6= 0 tendra que satisfacer

W (1 e1 ) 2 W (2 e2 )
 
1 x
x= +1 +1
1 1 2 2

De donde se deduce que

W (2 e2 ) W (1 e1 ) = 1 2

Considerando r() = e la cual es estrictamente monotona en [1, ) Finalmente lo

anterior slo se cumple para 1 = 2 , gracias a la inyectividad de W r + I obtenida gracias
al lema 3.23.

Ahora que se cuenta con los conjuntos de puntos fijos, se chequear la condicin de atrac-
cin/repulsin.
1
!
2
0
Df (0, F P (2 )) = 1 (W (2 e2 )+1)
W 2 e2


2

Luego los valores propios de esta matriz son

n o
1
, W (2 e2 )
2
 
Donde  21  < 1 gracias a las hiptesis, adems | W (2 e2 )| < 1 ,pues en 1e , 0 la
 

funcin W de Lambert es mayor que -1, que | 2 e2 | < e1 se cheque anteriormente.

Con esto se obtiene que este punto es atractor. Chequear para (F P (1 ), 0) es anlogo a lo
anterior quedando como valores propios
n o
2
, W (1 e1 )
1

66
  
Y donde  21  > 1, luego este es un punto silla o punto inestable. Para el caso 1 = 2 se tiene
 
 
que los puntos anteriores consiguen como valor propio  21  = 1,
 

1
1 W 2 e 1
W 2 e2


  




F P (1 ) F P (2 ) 2
2
2
1
Df , = 1
W 2 e2 1 1
1 W 2 e2



2 2 2 2

Los valores propios

n o
2
1, W (2 e )

Luego los 3 puntos son no hiperblicos.

Definicin 3.24 Se dir que un sistema ([0, 1] [0, 1], T ) domina a ([0, 1] [0, 1], S) hasta
N para x0 = (x10 , x20 ) condicin inicial si cumple

T1n (x0 ) S1n (x0 ) y T2n (x0 ) S2n (x0 ) 0 n N

Si lo anterior se cumple para todo n N se dir simplemente que ([0, 1] [0, 1], T ) domina
a ([0, 1] [0, 1], S) para x0 = (x10 , x20 ).

Lema 3.25 El sistema ([0, 1][0, 1], T1 ,2 ), donde T1 ,2 (x1 , x2 ) = (f11 ,2 (x1 , 0.5), 0.5), posee
 1

dos puntos fijos W (11e ) + 1 2
2
1
, 0.5 y (0, 0.5). Si 1 < 2 < 2W (1 e1 ) + 21 , el
primero es atractor y el segundo es repulsor; mientras que, los roles se cambian cuando
2 > 2W (1 e1 ) + 21 .

Demostracin. Se toma como primera consideracin una iteracin del sistema y se utiliza
sta como condicin inicial, lo que transforma el sistema en uno unidimensional Aqu la
proposicin 1.18 es vlida. El punto (0, 0.5) es trivialmente punto fijo, y se tiene que

W (1 e1 ) 2 1 x
1
+ 1 21
, 0.5 es punto fijo, ya que resuelve la ecuacin x = (1e(1 x+2 /2) ) 1 x+ 2 /2

como se vio anteriormente. Se estudiar el comportamiento de estos puntos (atractor/repul-

sor). Calculando la derivada de f 1 se obtiene que
 
W (1 e1 ) 2 y
f11 ,2 1
+1 1
, 0.5 1

1 1

1


= 2 2 2W e 1
x1 2 1 + W (e1 1 )

Esta ltima es claramente creciente con respecto a 2 , ya que W e1 1 > 1 y 1 > 1,

1
luego se evala la derivada de f 1 en 2 tal que se cumpla W (11e ) + 1 2
2
1
= 0, lo que se
1
cumple para 2 = 2W (1 e ) + 21 , en donde

2 1 2
 
1 1


2 + 2W e 1
2 1 + W (e1 1 )
2W (1 e1 ) + 21 1 (2W (1 e1 ) + 21 )
 
1 1 1


= 2W (1 e ) + 21 + 2W e 1
2 1 + W (e1 1 )
=1

67
Luego este punto pasa de ser atractor a repelente en 2 . Para analizar el comportamiento de
(0, 0.5) se calcula la derivada de f 1 en este punto.
 
22
1
f1 ,2 (0, 0.5) 1 e 1
=
x1 22

(1ex )
Luego se tiene que esta cantidad es decreciente en 2 ya que la funcin x
es decreciente
 2

21 1e 2
en x. Finalmente se busca 2 tal que 2
= 1 para esta ecuacin nuevamente se
despeja la ecuacin exponencial utilizando la funcin W de Lambert.

2
2
1 (1 e 2 ) = 2
2
2
1 2
= 1 e 2
+1
e1

2 (1 22 )
(1 2
)e = 1 e1

As
2
(1 ) = W (1 e1 ) = 2 = 2W (1 e1 ) + 21
2

As desde 2 el punto (0, 0.5) pasa de ser repelente a atractor.

Lema 3.26 Si 2 > 1 para toda condicin inicial (x10 , x20 ) con x20 6= 0 el sistema dinmico
definido por f1 ,2 converge a (0, F P (2 )); i.e. La cuenca de atraccin de (0, F P (2 )) es el
conjunto C = {(x1 , x2 ) [0, 1]2 : x2 6= 0}.

Demostracin. Primero se demostrar que para las hiptesis dadas la primera coordenada
tiende a 0, luego se demostrar que la segunda coordenada tiende a F P (2 ) acotando la
segunda coordenada del sistema definido por f por otras sucesiones tanto por arriba como
por abajo.

Antes de partir se define por conveniencia la notacin

(x1n , x2n ) = f n (x10 , x20 )

Para la condicin inicial (x10 , x20 ) el sistema definido por f cumple en cada iteracin que
n
x1n 1 x1n1 1
1 x0
= = (3.24)
x2n 2 x2n1 2 x20
|{z}
<1

por lo que la primera coordenada debe tender a 0.

Para mostrar que (x1n , x2n ) para n suficientemente grande vive cerca de (0, F P (2 )) se
introduce el siguiente sistema D : [0, 1]2 [0, 1]2 definido por
 
2 (x1 +x2 ) 1 x1 2 (x1 +x2 ) 2 x2
D(x1 , x2 ) = (1 e ) , (1 e )
1 x1 + 2 x2 1 x1 + 2 x2

68
La primera coordenada de este sistema tambin converge a 0 pues cumple la propiedad
presentada en ec. (3.24). La suma de ambas coordenadas en el sistema anterior define un
sistema dinmico en una dimensin definido por SD : [0, 1] [0, 1] definido por

SD(x) = (1 e2 (x) )

Como ya ha sido estudiado SD tiende a 0 y F P (2 ) como puntos fijos con el primero repelente
y el segundo atractor; y gracias a la proposicin 1.18 se tiene que toda condicin inicial no
nula converge al punto F P (2 ). Como la suma converge a F P (2 ) y la primera coordenada
converge a 0, se tiene que la segunda coordenada debe converger a F P (2 ). Ahora si se define

(yn1 , yn2 ) = Dn (x10 , x20 )

Se cumple que x2n yn2 n N.

En lo que sigue se acotar por debajo la segunda coordenada de f , ser conveniente escribir
sta como  !
1
2 1+ 1 xn
2 x n 2 x2
1
x2n+1 = 1 e n
1
1 + 21 xx2n
n

x1n
y para > 0 se considera N0 tal que 0 < < n N0 (se tiene pues este cuociente es
x2n
decreciente). Se define el sistema S : [0, 1] [0, 1] como
1
S(x) = (1 e2 (1+)x )
1+

Este sistema tiene dos puntos fijos 0 y F P1+

(2 )
, adems si se denota por zn2 = S nN0 (x2N0 ) se
tiene que zn2 x2n n > N0 ( esto pues (1 exy ) x+yx
es decreciente en y).

Las cotas anteriores dicen que n,

0 N, > 0, > 0 tal que

F P (2 )
zn2 x2n yn2 F P (2 ) + n > n0
1+
Del cual se deduce
F P (2 )
lm sup x2n F P (2 ) + > 0, > 0
1+
Luego haciendo 0 y 0 se tiene que lm sup x2n = F P (2 ). Anlogamente se obtiene
que lm inf x2n = F P (2 ), por lo que se concluye lo pedido.

Teorema 3.27 Para 1 > 2 log(2) si 2 (1 , 2W (1 e1 ) + 21 ), entonces las especies

coexisten para cualquier densidad inicial no nula en cada especie.

Demostracin. Se mayorar el sistema dinmico definido por ([0, 1]2 , h1 ,2 ) por otro en el
que sea ms fcil demostrar la coexistencia, en particular se considerar un sistema en donde
la primera coordenada sea minorada, y esta minoracin consiga coexistir.

69
 Sea (p10 , p20 ) una condicin inicial cualquiera no nula por coordenada, sin perdida de gene-
ralidad la condicin inicial es menor o igual que 0.5 por coordenada, ya que en otro caso, se
itera una vez el sistema h1 ,2 el cual tiene por recorrido [0, 0.5].

Para una primera fase se sabe que (0, F P (2 )) es el nico punto fijo atractor de ([0, 1]
[0, 1], f1 ,2 ), donde F P (2 ) > 12 ya que 2 > 2 log(2), por lo cual se iterar este sistema hasta
un n0 tal que (f 2 )n10,2 (p10 , p20 ) < 0.5 y (f 2 )n10,
+1 1 2
2
(p0 , p0 ) > 0.5 por primera vez.

Se define xn = hn1 ,2 , (p10 , p20 ) = fn1 ,2 (p10 , p20 ) y yn = xn para 0 n n0 .

En una segunda fase se utilizar el sistema ([0, 1] [0, 1], T1 ,2 ), donde T (x1 , x2 ) =
(f11 ,2 (x1 , x2 ), 0.5). Este ltimo sistema dinmico tiene dos puntos fijos dependiendo los valo-
 1

res de 1 y 2 , y como 2 (1 , 2W (1 e1 )+21 ), por el lema 3.25, W (11e ) + 1 2 2
1
, 0.5
es el punto fijo atractor y gracias a la proposicin 1.18 todo punto salvo (0, 0.5) cumple

W (1 e1 )
 
n 2
lm T1 ,2 (x1 , x2 ) = +1 , 0.5
n 1 21
Se puede notar que el sistema ([0, 1] [0, 1], T1 ,2 ) domina a ([0, 1] [0, 1], h1 ,2 ) para xn0 ,
lo cual es claro pues f (x, y) = (1 e(x+y) ) x+yx
es decreciente con respecto a y y h2 (x)
0.5 x [0, 1]2 . En tal caso se define xn = hnn nn0
1 ,2 , (xn0 ) y yn = T1 ,2 (xn0 ) para n N.
0

Solo falta notar que

W (1 e1 ) 2
+1 >0 y x2n 9 0
1 21
1
Para la primera de estas condiciones se nota que W (11e ) + 1 2
2
1
es una recta en 2 que
1 1
alcanza el 0 en 2W (1 e ) + 21 , evaluando en 2 = 2W (1 e ) + 21 para > 0

W (1 e1 ) 2W (1 e1 ) + 21
+1 = >0
1 21 21
1
Luego si 2 (1 , 2W (1 e1 ) + 21 ) se tiene que W (11e ) + 1 2
2
1
> 0. Para ver que
2
xn 9 0, sea el punto (p1 , p2 ) no nulo en ambas coordenadas, al iterar se puede estar en dos
regmenes determinados por g

1. Si f21 ,2 (p1 , p2 ) > 12 , entonces g aplica (1 p)3 /p2 , luego se tiene para la fase de creci-
miento

1 p1 2 p2 2 p2 1 p1 2 21 2 12 2
f21 ,2 (p1 , p2 ) = (1 e ) < (1 e )1 < (1 e 2 )
2 p2 + 1 p1 + 1 p1
2 2

Considerando que la funcin (1 exy ) x+y

x
es decreciente en y y creciente en x. Luego
aplicando g que es decreciente en la zona donde aplica a (1 p)3 /p2 , se tiene
2
g(f21 ,2 (p1 , p2 )) > g((1 e 2 )) > 0

Por esto nica forma que esta coordenada tienda a 0 se debe a la fase de crecimiento.

70
2. Si f21 ,2 (p1 , p2 ) 21 , si se asume que f11 ,2 (p1 , p2 ) 12 , entonces el comportamiento
del sistema se ve gobernado por f1 ,2 y por proposicin 3.22, este tiene como punto
fijo atractor a (0, F P (2 )) si 1 < 2 , luego la segunda coordenada crece hacia F P (2 )
(Como 2 > 2 log(2), se cumple que F P (2 ) > 0.5) por lo que no se anular a menos
que se inicialice nula. En el caso en que f11 ,2 (p1 , p2 ) > 12 el comportamiento de la
segunda coordenada no se ve afectada puesto que sta se queda estancada con el efecto
de la funcin de crecimiento.

71
Captulo 4

Discusiones

4.1. Cascada de bifurcaciones en MM

En esta seccin se discutir la existencia de las cascadas de bifurcaciones presentadas en

fig. 2.3 y fig. 4.12a. Para demostrar la existencia de estas se trato de utilizar un teorema que
pide chequear cinco hiptesis, de las cuales al menos dos de estas son de dificultad algebraica
alta, por lo cual se dar evidencia suficiente de que ellas ocurren.

Se dar inicio a la discusin definiendo un par de elementos, donde como base se usar
una funcin f : [1 , 2 ] R R, con [1 , 2 ] un parmetro del sistema dinmico, por lo
que las definiciones y teoremas presentados a continuacin ser una adaptacin de [9] para
funciones a valores en R.

Definicin 4.1 (Punto p-peridico y rbita peridica) Se dir que el punto (, x0 ) es un

punto p-peridico si f p (, x0 ) = x0 y p es el menor nmero entero para el cual esto es cierto.
El siguiente conjunto se denominar la rbita peridica asociada a (, x0 )

{(, x0 ), (, x1 ), . . . , (, xp1 )}, Donde xj = F j (, x0 )

Definicin 4.2 (rbitas peridicas hiperblicas, rbita de bifurcacin) Para el punto n-

peridico (, x) su rbita se dir hiperblica si |x f n (, x0 )| 6= 1. Todas las otras rbitas se
llamarn rbitas de bifurcacin.

Definicin 4.3 (rbita de cambio y rbita regular) Se llamar a una rbita peridica como
rbita de cambio si tiene derivada menor estricta que 1. Toda otra bita peridica se llamar
rbita regular.

Definicin 4.4 (Camino) Se dir que para cierto intervalo K, Y : K S es un camino si

es continuo y cumple

1. Y () = ((), x()) es un punto peridico regular en S para todo K.

2. Y nunca esta en la misma rbita para diferentes , i.e. para 1 , 2 K con 1 6= 2

72
 entonces Y (1 ) y Y (2 ) no son parte de la misma rbita.

Adems se dir que el camino es maximal si

3) Y no puede ser extendida a un intervalo ms grande y no puede ser redefinida para

incluir ms puntos de rbitas regulares.

Ejemplos de la definicin anterior se presentan en [9]

Definicin 4.5 (rbitas de bifurcacin genricas) Se dir que una rbita es de bifurcacin
genrica si cada rbita de bifurcacin cae dentro de las siguientes dos categoras:

1. Bifurcacin de punto silla: x f n (, x0 ) = 1

2. Bifurcacin period-doubling: x f n (, x0 ) = 1

Definicin 4.6 (Cascada) Se llamar a un camino regular Y () para [a, b) cascada

si el camino contiene infinitas bifurcaciones de period-doubling, y para algn periodo p, los
periodos de los puntos en el camino son precisamente p, 2p, 4p,. . . . A medida que b el
periodo de los puntos en el camino tiende a infinito.

Definicin 4.7 (Crecimiento exponencial de rbitas peridicas) Hay crecimiento exponen-

cial de rbitas peridicas en si existe un numero G > 1 tal que el nmero de rbitas
peridicas de periodo p satisface |f ixed(, p)| Gp ; donde f ixed(, p) representa al conjunto
de puntos de periodo p en .

Definicin 4.8 (Caos de rbita peridica (POC)) Se dir que el mapeo f (, x) tiene caos
de rbita peridica para el parmetro si hay crecimiento exponencial de rbitas peridicas

Definicin 4.9 (Dimensin inestable) La dimensin inestable Dimu (, x) del punto peri-
dico (, x) (u rbita peridica) se define como 1{|x f (,x)|>1} .

Definicin 4.10 (Caos de rbita peridica virtualmente uniforme (VUPOC)) Se dir que
hay caos virtualmente uniforme de rbita peridica o abreviado del ingles VUPOC (virtually
uniform periodic orbit chaos) en si hay P OC y, salvo finitas rbitas peridicas, todas tienen
la misma dimensin inestable, denotada por Dimu ().

Definicin 4.11 (Derivada Schwarziana) Si f : I I con I intervalo, es una funcin C 3 y

f 0 (x) 6= 0 la derivada Schwarziana de f en x se define por
2
f 000 (x) 3 f 00 (x)

Sf (x) = 0
f (x) 2 f 0 (x)

Teorema 4.12 (Singer (ver [2]) Teorema 3.1) Si f : I I con I intervalo, es una funcin
C 3 con derivada Schwarziana negativa, entonces el numero de puntos peridicos hiperblicos
atractores o no hiperblicos de f son finitos.

La definicin anterior es consistente gracias a que todo punto en una rbita peridica tiene
la misma derivada por la regla de la cadena (Ver [6]).

73
Teorema 4.13 (Ruta al caos de rbitas peridicas [9]) Si se cumplen las siguientes hiptesis

H0) f es infinitamente diferenciable en y x, y todas sus rbitas de bifurcacin son gen-

ricas.
H1) Sea J = [1 , 2 ], entonces existe un conjunto acotado M que contiene todos los puntos
peridicos (, x) para J.
H2) Todas las rbitas peridicas en 1 y 2 son hiperblicas.
H3) El nmero de rbitas peridicas 1 en 1 es finito.
H4) En 2 hay caos virtualmente uniforme de rbita peridica. Y se denominar por 2 el
nmero de rbitas peridicas teniendo dimensin inestable distinto a Dimu (2 ).

Entonces hay infinitas cascadas de period-doubling entre 1 y 2 .

Definicin 4.14 (Operador de Renormalizacin, Funcin renormalizable) Para una funcin

f : [0, 1] [0, 1] unimodal, tal que tiene un punto fijo pd a la derecha del punto crtico, se le
llamar pi < pd a la preimagen del punto fijo que esta a la izquierda del punto crtico. Luego
se define
x pd
L (x) = y L1 (x) = pi x + pd (1 x)
pi pd
Luego el operador de renormalizacin se define como

Rf (x) = L f2 L1
(x)

Se dir que una funcin es renormalizable si Rf : [0, 1] S [0, 1].

Proposicin 4.15 Para (0, 1) fijo, h, es una funcin renormalizable para todo
suficientemente cerca de c que cumple F P (c ) = p .

Demostracin. A lo largo de la demostracin se llamar f p() al punto fijo no nulo de la

funcin h, , y se llamar CP (, ) al punto crtico de h, .
Primero se analiza la continuidad de f p(), para esto se hace uso de la proposicin 1.19,
utilizando X = B(CP (c , ), 1 ) y Y = B(c , 2 ) para 1 , 2 > 0 tal que |h, (x)h, (y)| <
|x y| x, y X, Y , esto se puede hacer gracias a la continuidad de h con respecto a
ambos parmetros y gracias a que x hc , (f p(c )) = 0; luego, f p() es continuo en Y .

Gracias a la continuidad del punto fijo sea > 0, entonces > 0 tal que |1 c | < =
|f p(1 ) f p(c )| < ; luego se considera 1 B(c , ) y denominamos < al que cumple
h1 , (f p(c ) ) = f p(1 ), osea f p(c ) = f p(1 ). Este ltimo paso se justifica, pues en
c el punto fijo se alcanza en el mximo de g, luego cualquier otro punto fijo es menor.

Haciendo una expansin de Taylor de orden 3 se tiene para C adecuado que

h1 , (f p(c ) ) = h1 , (f p(c )) + h001 , (f p(c ))2 + O(3 )

= |f p(1 ) h21 , (CP (1 , ))| |h001 , (f p(c ))|2 + C3

Lo anterior se tiene pues f p(c ) = h1 , (CP (1 , )) 1 > c (ver fig. 4.1). Luego para
apropiado se tiene que la diferencia anterior es menor que la diferencia entre |f p(c )f p(1 )|.

74
Haciendo nuevamente una expansin de Taylor de h, se puede notar que como la funcin
cerca del mximo se comporta de forma cuadrtica, entonces se puede refinar la eleccin de
1 de modo que se cumpla que < (Ver fig. 4.1).

Figura 4.1: En la primera fase de la propiedad se demostr que, para cierta eleccin, el segmento negro
slido es menor que el segmento purpura slido; mientras que en la segunda fase, se demostr que se puede
elegir todo de modo que el segmento purpura slido sea menor que el segmento purpura punteado.

Una muestra de lo anterior es presentada en la fig. 4.2 y la fig. 4.3.

Figura 4.2: Renormalizacin de mximo menor que 1.

75
 Figura 4.3: Rf que excede 1 para = 0.01 En estricto rigor no es renormalizacin .

En lo que sigue se dar evidencia suficiente de que se cumplen desde H0)-H4) para la
renormalizacin de h (, p) := h, (p), pues luego de la primera bifurcacin, la que ocurre
con h0 = 1, el comportamiento de h se aprecia desde su primera renormalizacin, de hecho,
desde antes, ya que cuando la renormalizacin tiene a 0 como nico punto fijo, este representa
al punto fijo no nulo de la funcin h, . (ver [4]).

Primero el estudio del sistema da informacin suficiente para explicar por qu para todo
(0, 1) fijo debiera existir tal que la renormalizacin consigue mximo igual a 1. Intuiti-
vamente esto se debe a que en algn momento la renormalizacin se debe salir del intervalo
[0, 1] pues la cola de f tiene un decaimiento muy rpido a 0; por esto la compresin a la que
se ve afectada pi en algn momento hace que |pd pi | < |f 2 (P C()) pi |; con esto en mente,
y agregando la continuidad de los elementos participantes debe existir un momento en que
la renormalizacin alcanza su mximo en 1, esto porque hay un momento que es menor que
1 (proposicin 4.15) y por lo recin argumentado en algn momento es mayor que 1. Un par
de ejemplos donde se registra exactamente el momento en que la renormalizacin consigue
su mximo en 1 se aprecia en la fig. 4.4, fig. 4.6, fig. 4.5 y fig. 4.7.

Luego de notar esto se chequea H0)-H4) para esta renormalizacin haciendo la analoga
con los parmetros presentados en la introduccin de esta seccin. Se utilizar 1 = c +
para pequeo de modo que la renormalizacin solo posea un nico punto fijo igual a 0 y
que este sea atractor; adems de esto se considerar 2 = u donde u es el parmetro de
modo que la renormalizacin alcanza su mximo en 1. Por ende J = [1 , 2 ] = [c + , u ].

Chequear H1) es trivial dado que se esta haciendo uso de un intervalo, por esto se considera
M = [0, 1]. La condicin H3) se tiene gracias a que se elige 1 de modo que su nico punto
fijo es 0, de este modo 1 = 1.

76
 Figura 4.4: Grfico para = 0.01 con de modo que la renormalizacin tiene a 1 como mximo

Figura 4.5: Renormalizacin asociada a = 0.01 con mximo 1

Para H2) primero se aprecia que 1 slo tiene un punto peridico que es el punto 0, y ste
es atractor gracias a la eleccin de 1 . Para justificar que 2 slo tiene puntos hiperblicos
se har un estudio numrico, ya que chequearlo es de dificultad elevada, por ello se presenta
la fig. 4.8, fig. 4.9, fig. 4.10 y fig. 4.11 en conjunto con la fig. 4.6 y la fig. 4.7.

El comportamiento de esta funcin es bastante parecido al de la familia logstica para

= 4, para sta se conocen las frmulas explicitas de sus puntos peridicos y es demostrable
que ellos son repelentes (ver [5] pg. 71). Para la funcin sobre la cual se trabaja en esta
seccin se puede desprender de los grficos que los puntos donde la derivada tiene mdulo 1

77
 Figura 4.6: Grfico para = 0.5 con de modo que la renormalizacin tiene a 1 como mximo

Figura 4.7: Renormalizacin asociada a = 0.5 con mximo 1

cada vez se acerca ms a los mximos y mnimos de la funcin lo cual hace imposible que los
puntos peridicos sean no hiperblicos.

Para mostrar H4), por la eleccin de 2 los puntos peridicos se duplican cada vez que se
compone f , este hecho se debe a que cada punto en [0, 1] tiene dos preimgenes; por esto en
cada iteracin cada punto duplica la cantidad de preimgenes y con esto la identidad cruza
2n veces a fn , luego se cumple la propiedad P OC. Para demostrar que hay a lo ms una
cantidad finita de puntos que tienen dimensin inestable distinta de Dimu (). Se mostrar
este ltimo hecho demostrando que SRf (x) < 0 x (0, 1) .

78
Figura 4.8: Grfico de la segunda iterada de la renormalizacin y del mdulo de su derivada para = 0.01
renormalizacin.

Figura 4.9: Grfico de la tercera iterada de la renormalizacin y del mdulo de su derivada para = 0.01
renormalizacin.

Lema 4.16 Sf (, x) < 0 x (0, 1), (0, 1), > 1

Demostracin. Ver Anexo lema 4.22

Finalmente se sabe que si f tiene derivada Schwarziana negativa, entonces su renorma-

lizacin tambin cumple esta propiedad [10]; luego haciendo uso del teorema 4.12 se tiene

79
Figura 4.10: Grfico de la segunda iterada de la renormalizacin y del mdulo de su derivada para = 0.5
renormalizacin.

Figura 4.11: Grfico de la tercera iterada de la renormalizacin y del mdulo de su derivada para = 0.5
renormalizacin.

que el nmero de puntos peridicos hiperblicos atractores de f son finitos, por lo cual
Dimu (2 ) = 1.

Chequear H0) es extremadamente engorroso por lo que se dar una justificacin intuitiva
de por qu se cumple que las bifurcaciones de este sistema son del tipo period-doubling. La
renormalizacin asociada a este sistema se comporta de forma parecida a la de la familia
logstica a medida que el parmetro crece, como se puede apreciar en las fig. 4.4 y fig. 4.5;

80
esto quiere decir que se parece a una funcin cuadrtica donde las bifurcaciones ocurren en
los puntos con derivada igual a 1, pues ocurren, pasado el punto critico donde la derivada
es negativa, ah las nicas bifurcaciones que ocurren son del tipo period-doubling.

Si ocurre el caso en que todas las bifurcaciones son de tipo period-doubling gracias a que
SRf (x) < 0 x (0, 1) se tendra que stas son supercrticas, i.e. a medida que avanza el
parmetro las rbitas duplican su periodo.

4.1.1. Consecuencias

Gracias a las justificaciones expuestas se comenzar a analizar los resultados suponiendo

que el teorema anterior se cumple; por esto se analiza el grfico de la funcin (fig. 4.12a)
y haciendo un zoom en la imagen, se muestra una cascada que a simple vista no se ve
(fig. 4.12b); adems, en sta se puede ver que hay ms subcascadas asociadas la cascada
principal en anlisis para este zoom.

La funcin en estudio cumple con la constante de Feigenbaum (ver [4]) para cada una
de sus cascadas de bifurcaciones, esto pues la conjetura expuesta por Feigenbaum fue luego
demostrada y generalizada para toda familia de funciones con derivada Schwarziana negativa
([6] pg. 502,[14] pg. 220). El teorema de universalidad se presenta a continuacin

Teorema 4.17 (Universalidad en cascadas de bifurcacin) Para toda familia de funciones

unimodales con derivada schwarziana negativa se cumple que
an1 an2
lm = 4.669201609 . . .
n an an1

Donde an es el parmetro donde la cascada en estudio realiza su period-doubling n-simo y

la cantidad de la derecha es la constante de Feigenbaum.

4.2. Coexistencia para dos especies

El objetivo de esta seccin es presentar los resultados obtenidos sobre la coexistencia de

dos especies, ya que si bien se demostr en el teorema 3.27 que existen parmetros para los
cuales ambas especies coexisten, las simulaciones dan pie para pensar que sta se obtiene
para una mayor gama de parmetros, incluyendo un caso muy especial.

En la fig. 4.13a, fig. 4.13b, fig. 4.14a y fig. 4.14b se presenta un caso donde la coexistencia
se demostr para ciertos parmetros, pero sta se cumple para una gama mucho mayor.
En donde se aprecia el hecho que la coexistencia para 1 = 4 log(2) fijo, se tiene al menos
hasta 2 = 100, muy lejos de la barrera demostrada en teorema 3.27 como se puede apreciar
en la fig. 4.14b. Otro caso muy especial se presenta en la fig. 4.15a, fig. 4.15b, fig. 4.16a y
fig. 4.16b donde 1 < 2 log(2), para este parmetro el sistema unidimensional asociado a p1
no es catico. Una explicacin a este comportamiento es que p1 sobrevive cuando el valor de
2 es cercano 1 ya que p2 baja muy seguido dejndole espacio suficiente en el grafo para

81
(a) Diagrama de Bifurcaciones MM para = 0.1. Se muestran desde la iteracin 900 a la 1000 consideradas
al partir desde el mximo de h, (p). La lnea verde representa el valor mximo para el cual se ve extincin,
i.e. e . La lnea roja representa a 2 para este

(b) Zoom hecho al diagrama de bifurcaciones fig. 4.12a (Los parmetros presentados en los rtulos son la
zona de zoom).

Figura 4.12

crecer, y como p1 crece rpidamente a un punto fijo muy cercano a 0.5 ellos logran una
resonancia que los hace coexistir. En la fig. 4.17a, fig. 4.17b, fig. 4.18a y fig. 4.18b se muestra
el comportamiento del sistema cuando 1 < 1 << 2 log(2). En este rgimen para 1 es posible
apreciar que hay ciertos 2 donde p2 > 0 y p1 = 0, p2 = 0 y p1 = 0, y p1 > 0 y p2 = 0. En
este se presenta un problema numrico, principalmente porque h21 ,2 (0.5, ) es positivo pero
muy cercano a cero; as desde un punto en adelante los clculos computaciones lo utilizan

82
(a) Diagrama de bifurcaciones para p2 (densidad
(b) Diagrama de bifurcaciones de p1 para 1 =
especie 2) con 1 = 4 log(2) fijo.
4 log(2) fijo. La lnea azul es el punto fijo del sistema
que acota por debajo a p1 utilizado en teorema 3.27.

Figura 4.13

como 0. Principalmente la primera coordenada si se anula a causa de f 11 ,2 , dado que cada

vez le reparte menos fraccin de 1 e(1 p1 +2 p2 ) , mientras que la segunda se queda con la
mayor parte de esta fraccin, luego el mnimo de la densidad de la especie 2 es h21 ,2 (0.5, ).
Adems de los comportamientos presentados anteriormente, en la fig. 4.19, fig. 4.20 y fig. 4.21
se muestran diagramas a los que an no se les asocia una explicacin de su conducta.

4.3. Comparacin con simulaciones

En esta seccin se presentan algunos resultados obtenidos en las simulaciones del proceso
luego de pasar el para distintas cantidades de nodos junto con el resultado de simular el
sistema dinmico asociado al lmite. La finalidad de este apartado consiste en mostrar que el
proceso estocstico se comporta similar al sistema lmite.

4.4. Resumen de los resultados

A lo largo de este trabajo se ha recopilado informacin acerca del comportamiento tanto del
sistema que considera solo un tipo de especie, como del que considera dos especies diferentes
que comparten el espacio.

Para el caso de una especie la fig. 4.25 y fig. 4.26 explican para cada par de parmetros
[0, 1], [1, ) como se comporta el sistema dinmico asociado al lmite del proceso

83
(a) Anlogo a fig. 4.13a pero extendiendo el estudio (b) Anlogo a fig. 4.13b pero extendiendo el estudio
en 2 . en 2 .

Figura 4.14

(a) Diagrama de bifurcaciones para p2 (densidad es- (b) Diagrama de bifurcaciones de p1 para 1 =
pecie 2) con 1 = 1.99 log(2) fijo. La lnea azul que pa- 1.99 log(2) fijo. La lnea azul es el punto fijo del sis-
sa por debajo es la curva determinada por h, (0.5). tema que acota por debajo a p1 utilizado en teore-
ma 3.27.

Figura 4.15

MM a medida que la cantidad de sitios del grafo tiende a infinito.

Cabe resaltar que en el grfico anterior la zona azul es exacta, ( > 1

) pero el resto de
las zonas no son ms que un bosquejo de cmo se deberan ver basado en las simulaciones
realizadas. Al fijar , la recta horizontal que pasa a sta altura revela el comportamiento del
sistema al variar el parmetro . El estudio realizado en [11] es el comportamiento presentado

84
(a) Anlogo a fig. 4.15a pero extendiendo el estudio (b) Anlogo a fig. 4.15b pero extendiendo el estudio
en 2 . en 2 .

Figura 4.16

(a) Diagrama de bifurcaciones de p1 (densidad especie (b) Diagrama de bifurcaciones de p2 con 1 = 1.2 <
1) con 1 = 1.2 < 2 log(2). 2 log(2).

Figura 4.17

por el sistema cuando = 0, el que corresponde al borde horizontal inferior en la fig. 4.25 y
fig. 4.26.

Para el sistema que considera dos especies la fig. 4.27 resume el comportamiento de este.

85
(a) Diagrama de bifurcaciones de p1 con 1 = 1.3 < (b) Diagrama de bifurcaciones de p2 con 1 = 1.3 <
2 log(2). 2 log(2).

Figura 4.18

Figura 4.19: Diagrama de bifurcaciones de p1 para 1 = 5 log(2) fijo. La lnea azul es el punto fijo del
sistema que acota por debajo a p1 utilizado en teorema 3.27.

86
 Figura 4.20: Diagrama de bifurcaciones para p2 (densidad especie 2) con 1 = 5 log(2) fijo.

Figura 4.21: Diagrama de bifurcaciones para p1 + p2 (densidad especie 2) con 1 = 5 log(2) fijo.

87
Figura 4.22: Diagrama de bifurcaciones del proceso con 1000 nodos para = 0.1. Se muestran desde la
iteracin 900 a la 1000.

Figura 4.23: Diagrama de bifurcaciones del proceso con una cantidad de nodos entre 20000 y 100000 para
= 0.1. Se muestran desde la iteracin 400 a la 500.

88
 Figura 4.24: Diagrama de bifurcaciones h,0.1 ; sistema lmite asociado a la fig. 4.22, fig. 4.23.

Figura 4.25: Grfica resumen del comportamiento del sistema h, . La zona azul se justifica por el teore-
ma 3.7, mientras que el resto de las zonas se ve justificada por simulaciones por la seccion 4.1.

89
 Figura 4.26: Anlogo a fig. 4.25 para una gama ms amplia de parmetros

Figura 4.27: Grfica resumen del comportamiento del sistema h1 ,2 . La zona azul y amarilla se justifican
por la proposicin 3.22, mientras que la zona verde fue demostrada en el teorema 3.27. El resto de zonas se
conjeturan gracias al estudio del sistema por simulaciones.

90
Conclusin

El trabajo presentado tiene como logro principal poder definir el modelo MVM y extender
MM , generando una familia ms grande de procesos que permiten modelar un espectro
mucho mayor de sistemas. Un hecho clave en las extensiones realizadas en este trabajo recae
en el teorema 2.9, ste da la posibilidad de mirar el proceso de epidemia MM a un nivel
microscpico en comparacin con lo realizado en [11], hecho que permite revisar de una forma
ms fcil, mediante simulaciones, la convergencia anterior.

El caso de crecimiento con dos especies tiene como limitante la necesidad de utilizar
variables aleatorias de Poisson, esto se debe principalmente a el uso del paper de Karr [7],
el cual exige, para asumir por simplicidad p0 = pN , la convergencia uniforme de la esperanza
asociada a la fase de crecimiento, lo cual es satisfecho trivialmente por las variables de este
tipo.

Lamentablemente extender los resultados del sistema h1 ,2 a ms de dos especies no es

claro, como tampoco es claro el comportamiento que tendr h1 ,2 ,1 ,2 , como ejemplo se
puede exponer el paso de muerte de componentes conexas de tamao infinito (N 0) a
finito (N > 0). Para las extensiones mencionadas anteriormente se hace imprescin-
dible el conocimiento y uso de teora ms avanzada en sistemas dinmicos, por ejemplo las
cuencas de atraccin de sistemas en ms de una dimensin es ms difcil de estudiar que las
unidimensionales.

Como fue presentado en la fig. 4.19, fig. 4.20 y fig. 4.19 hay parmetros donde la conducta
del sistema dinmico, en la evolucin temporal, no pueden ser explicados fcilmente; ade-
ms de esto, los clculos necesarios para seguir explorando estos comportamientos son muy
complejos, lo cual limita la posibilidad de profundizar el estudio.

Las simulaciones muestran que los resultados son consistentes, mostrando zonas de con-
centracin de las rbitas muy parecidas a las del sistema lmite asociado. sta extensin hace
pensar que h, es una buena aproximacin para N grande.

Para finalizar la discusin, esta tesis presenta una serie resultados que explica a grandes
rasgos tanto el comportamiento lmite del proceso estocstico para una amplia gama de
parmetros, como la conducta del sistema lmite en la evolucin temporal, para una o ms
dimensiones; y abre interrogantes acerca del diagrama de fase para ms de dos especies y
ciertas zonas del diagrama de fase para dos tipos de individuos.

91
Anexo

Lema 4.18 Sea D = V.A que indica la densidad de los sitios ocupados luego de la fase de
crecimiento en un grafo 3-regular a N vrtices con la regla asociada a MVM. Entonces se
tiene que

(1 p)N 1 (1 p)N
E(D) = (1 p) + p(1 )
N 1 N 1

Demostracin. Calculo Definimos:

TA (v) = V.A que indica la tendencia del punto v antes de la fase de crecimiento.
TD (v) = V.A que indica la tendencia del punto v luego de la fase de crecimiento.
Y = V.A que representa al sitio elegido donde posiblemente se copie la tendencia.

Calculo Exacto (eligiendo Y de los sitios restantes)

fN (p) = E(D)
N
!
1 X
=E 1T (i)=1
N i=1 D
N
1 X

= E 1TD (i)=1
N i=1


= E 1TD (1)=1
= P(TD (1) = 1)
= 1 P(TD (1) = 0)
 
(1 p)N 1 (1 p)N
=1 (1 p) + p(1 )
N 1 N 1

92
Pues

N
X
P(TD (1) = 0) = P(TD (1) = 0|Y = i)P(Y = i)
i=1
= P(TD (1) = 0|TA (1) = 0)P(TA (1) = 0)
+ P(TD (1) = 0|TA (1) = 1)P(TA (1) = 1)
N
X
= [P(TD (1) = 0|Y = i, TA (1) = 0)P(Y = i|TA (1) = 0)P(TA (1) = 0)]
i=1
XN
+ [P(TD (1) = 0|Y = i, TA (1) = 1)P(Y = i|TA (1) = 1)P(TA (1) = 1)]
i=1
(1 p)N 1
= (1 p)P(TD (1) = 0|TA (Y ) = 0, TA (1) = 0)
N 1
(1 p)N
+ pP(TD (1) = 0|TA (Y ) = 0, TA (1) = 1)
N 1
(1 p)N 1 (1 p)N
= (1 p) + p(1 )
N 1 N 1

En (1.12) solo sobreviven los sitios que tienen tendencia 0. Pues si TA (1) = 1 y TA (Y ) = 1,
entonces TD (1) = 1; si TA (1) = 0 y TA (Y ) = 1, entonces con probabilidad 1 TD (1) = 1. As
si TA (Y ) = 1 obligatoriamente TD (1) = 1.

Proposicin 4.19

lm h0, (p) = ( 1)(1 + )

p0

Demostracin. Se procede a calcular

p 2
h0, (p) = ((2p 1) 1) 1 4( 1)(p 1)p((p 1) 1)(p 1) 1

( 1)(p)((p 1) 1)(2(p 1)p 2p 1)

p
4( 1)2 p3 ((p
1) 1)3 1 4( 1)(p 1)p((p 1) 1)(p 1)
p !
1 4( 1)(p 1)p((p 1) 1)(p 1) 1
+ p
4( 1) p ((p 1) 1)3 1 4( 1)(p 1)p((p 1) 1)(p 1)
2 3

93
El anterior se separar en los siguientes trminos para calcular el lmite

((2p 1) 1)
t1 (p) = p
4( 1)2 ((p 1) 1)3 1 4( 1)(p 1)p((p 1) 1)(p 1)
p 2
1 4( 1)(p 1)p((p 1) 1)(p 1) 1
t2 (p) =
p2
( 1)(p)((p 1) 1)(2(p 1)p 2p 1)
t3 (p) =
p
p 3
1 4( 1)(p 1)p((p 1) 1)(p 1) 1
t4 (p) =
p3

Los lmites de los trminos anteriores se presentan a continuacin

1
lm t1 (p) =
p0 ( 1)2 (1 + )2
lm t2 (p) = ( 1)2 ( + 1)2
p0

lm t3 (p) = ( 1)( + 1)
p0

lm t4 (p) = 2( 1)3 ( + 1)3

p0

Los limites de t2 (p) y t4 (p) corresponden a aplicar la funcin generatriz asociada a los nmeros
de cataln, sta es continua en 0 .Al multiplicar los trminos anteriores se concluye.

Lema 4.20 La funcin g (p) posee un nico mximo para en p [0, 1], y el mximo de g0
es 12 .

Demostracin.
 p 2  p 
1 + 1 4(1 )(1 p)p 1 + ( 1)p(2p + 1) + 1 4(1 )(1 p)p
dg (p) = p
4(1 )2 p3 1 4(1 )(1 p)p

Para 0 p, 1 se tiene que tanto el trmino de la izquierda del numerador como el deno-
minador no se anulan, por consiguiente el nico trmino que arroja candidatos a mximo de
la funcin g es el de la derecha del numerador. Al imponer la condicin necesaria de primer
orden

p
1 + ( 1)p(2p + 1) + 1 4(1 )(1 p)p =0
p 2
1 4(1 )(1 p)p = (1 ( 1)p(2p + 1))2
p 2
1 4(1 )(1 p)p (1 ( 1)p(2p + 1))2 =0
 
( 1)p 4( 1)p3 + 4( 1)p2 + (7 + )p 2 =0

94
 Por lo tanto los candidatos a mximo son las races de un polinomio de grado 3, las cuales
pueden ser explicitadas. Parte del clculo lleva a identificar los siguientes factores:
 
1 3( + 7)
A() := 1
9 4( 1)
 
1 9( + 7) 27
B() := + 2
54 4( 1) 2( 1)
q p
3
S1 () := B() + A()3 + B()2
q p
3
S2 () := B() A()3 + B()2

Como
(3 + 125)
A()3 + B()2 = <0
432( 1)3
el polinomio tiene 3 races reales, las cuales se pueden explicitar como sigue

1
p1 () = +S1 () + S2 ()


3



S1 () + S2 () 1 i 3

p2 () = + (S1 () S2 ())

2 3 2

p () = S1 () + S2 () 1 i 3(S () S ())



3 1 2
2 3 2
Luego de chequear las tres soluciones se obtiene que la que cae dentro del intervalo en estudio
y es el mximo se alcanza en

p3 () =
v v
u s u s
1 u
3 126 (3 + 125) u
3 126 (3 + 125)
i 4i + it +1+6 3 3 t + 1 + 6 3
12 1 ( 1)3 1 ( 1)3
v v
u s u s
u
3 126 (3 + 125) u
3 126 (3 + 125)
+ 3t +16 3 3
+ i t + 1 6 3
1 ( 1) 1 ( 1)3

p 3

1i 3 3 + 1232 + 6 3 35 + 1164 3663 + 3722 125 249 + 125

12( 1)


1 + i 3 (42 + 104 100) 1
+ p
48( 1) 3 + 1232 + 6 3 35 + 1164 3663 + 3722 125 249 + 125 3
3

A este punto se le llamar p , para comodidad en la notacin. Finalmente al reemplazar

= 0 en p3 se obtiene p0 = 21

Lema 4.21
lm h0, (p) =
p0

95
Demostracin. Se calcula primero

p 2
1 4(1 )e 2p p
(e 1) 1
h0, (p) =
4(1 )2 (ep 1)3 1 4(1 )e2p (ep 1)
p
 p 
p 2p 2p


(1 ) 5e + 3e + 2 + e 1 4(1 )e2p p
(e 1) 1

Se define

p 
1 4(1 )e2p (ep 1) 1
p1 (p) :=
2(1 ) (ep 1)
5ep + 3e2p + 2
p2 (p) :=
ep 1
1
p3 (p) := p
1 4(1 )e2p (ep 1)

As

h0, (p) = (1 ) p1 (p)2 p2 (p) p3 (p) + 2(1 ) e2dp p1 (p)3 p3 (p)

El lmite de cada una de las funciones explicitadas anteriormente es

lm p1 (p) = 1
p0

lm p2 (p) = 1
p0

lm p3 (p) = 1
p0

En el clculo del primer lmite se utiliz la funcin generadora asociada a los nmeros de
Cataln, la que tiene radio de convergencia 1, por lo que cual es convergente, y en 0 solo
toma el valor del primer termino de la sucesin; luego se concluye.

Lema 4.22 Sf (, x) < 0 x (0, 1), (0, 1), > 1

96
Demostracin.

Sf (, x) =
   p
2p p 5 5 2p
e 1280e ( 1) + 128( 1) 32e 195 + 2 4e2p (1 + ep ) ( 1) + 1
 p 
+245) ( 1)4 + 32e3p 575 + 48 4e2p (1 + ep ) ( 1) + 1 + 833 ( 1)4
  p 
4p 2p p
+8e 4361 930 4e (1 + e ) ( 1) + 1 10858
p 
+850 4e2p (1 + ep ) ( 1) + 1 + 6613 ( 1)3
  p 
8e5p 5421 2038 4e2p (1 + ep ) ( 1) + 1 13102
p 
+1704 4e 2p (1 + e ) ( 1) + 1 + 8120 ( 1)3
p
   p 
+2e7p 8 1115 + 789 4e2p (1 + ep ) ( 1) + 1 + 3666
p 
11164 4e2p (1 + ep ) ( 1) + 1 33029
p 
+4600 4e2p (1 + ep ) ( 1) + 1 + 13141 ( 1)2
   p 
+2e6p 7 2452 4e2p (1 + ep ) ( 1) + 1 + 9419
  p 
+2 8780 9 535 4e 2p p
(1 + e ) ( 1) + 1 + 3229
p 
7414 4e2p (1 + ep ) ( 1) + 1 25603 ( 1)2
    p 
4e9p 6 27 20 4e2p (1 + ep ) ( 1) + 1 174
p  p 
+320 4e 2p p
(1 + e ) ( 1) + 1 + 2053 355 4e 2p p
(1 + e ) ( 1) + 1 1567
p 
+110 4e2p (1 + ep ) ( 1) + 1 + 453 ( 1)
    p
+e8p 4 2 645 527 4e2p (1 + ep ) ( 1) + 1
p 
2975) + 2962 4e2p (1 + ep ) ( 1) + 1 + 10025
p 
10883 4e2p (1 + ep ) ( 1) + 1 30013
p 
+3123 4e 2p p
(1 + e ) ( 1) + 1 + 8713 ( 1)
p 
+e12p 4e2p (1 + ep ) ( 1) + 1 1 (1 3)2
   p 
+2e11p (3 1) 3 4 4e2p (1 + ep ) ( 1) + 1 5
p  p 
22 4e 2p p
(1 + e ) ( 1) + 1 + 26 + 8 4e 2p p
(1 + e ) ( 1) + 1 9
    p 
+2e10p 3 6 4e2p (1 + ep ) ( 1) + 1 9
p 
56 4e2p (1 + ep ) ( 1) + 1 + 235

97
 p  p 
+261 4e2p (1 + ep ) ( 1) + 1 988 120 4e2p (1 + ep ) ( 1) + 1 + 551
p  
+17 4e2p (1 + ep ) ( 1) + 1 114 2
 2

p
p 2

2
/ 1 + e 4e2p p
(1 + e ) ( 1) + 1 1 4ep ( 1) + e2p 4 + 4
  p  2 
p 2p 2p p
5e ( 1) 2 + e 3 + 4e (1 + e ) ( 1) + 1 + 2 + 2

Y como el denominador es positivo basta con chequear con el computador que el numerador
es negativo, en este caso se hizo con Mathematica y entreg por resultado que la cantidad
anterior es negativa para 0 < < 1, > 1, 0 < x < 1

98
Bibliografa

[1] A. Katok B. Hasselblatt. A first course in dynamics: with a Panorama of Recent Deve-
lopments. Cambridge University Press, 1st edition, 2003.

[2] W. de Melo and S. van Strien. One-Dimensional Dynamics. Springer-Verlag, 1st edition,
1993.

[3] R. Durrett. Probability: Theory and Examples. Cambridge University Press, 4.1 edition,
2013.

[4] M. Feigenbaum. Quantitative Universality for a Class of Nonlinear Transformations.

Journal of statistical physics, 1st edition, 1978.

[5] G. Goodson. Chaotic dynamics: Fractals, Tilings and substitutions. Towson University
Mathematics Department, 1st edition, 2014.

[6] T. Sauer & J. Yorke K. Alligood. Chaos: An introduction to dynamical systems. Springer,
1st edition, 1997.

[7] A. F. Karr. Weak Convergence Of Markov Chains. Springer-Verlag, 1975.

[8] T. M. Liggett. Interacting Particle Systems. Springer, Los Angeles, 1st edition, 1985.

[9] E. Sander & J. Yorke M. Joglekar. Fixed points indices and period-doubling cascades.
Journal of Fixed Point Theory and Applications, 1st edition, 2010.

[10] V. Ovsienko and S. Tabachnikov. The Schwarzian derivative? Notices of the AMS,
volume 56, number 1 edition, 2009.

[11] R. Durrett & D. Remenik. Chaos In Spatial Epidemic Model. The Annals of Applied
Probability, Cornell University, 2009.

[12] W. Rudin. Principles of mathematical analysis. McGraw-Hill, New York, 1976.

[13] N. J. A. Sloane. The On-Line Encyclopedia of Integer Sequences. OEIS, 2002.

[14] M. Tabor. Chaos and integrability in non-linear dynamics. Wiley, Columbia, New York,
1989.

99
[15] A. Lasota & J. A. Yorke. On The Existence Of Invariant Measures For Piecewise
Monotonic Transformations. Transactions of the American Mathematical Society, 1973.

[16] T. Y. LI & J. A. YORKE. Period Three Implies Chaos. The American Mathematical
Monthly, 1975.

100