Ćwiczenie V. „Panta rhei” - zastosowanie równań
różniczkowych do modelowania procesów biologicznych
• Strona internetowa ćwiczeń:
http://www.home.umk.pl/~henroz/matm1112
Załóżmy, że mamy
taksonomiczną grupę zwierząt lub roślin
. Niech „
e
”,
będzie
prawdopodobieństwem, że wymrą
one w procesie ewolucji, a
„c” –
niech będzie prawdopodobieństwem specjacji tej grupy
w ewolucji.
Doświadczalnie, jest to do udowodnienia, że ogólne przys-tosowanie tej
grupy do życia w danych warunkach
(„fitness”) spada wraz z upływem
czasu
. Liczba zjawisk
specjacji, spada
w czasie, a liczba zjawisk
wymierania odpowiednio wzrasta
. Załóżmy, że
zależ-ność pomiędzy
obydwoma ww. zjawiskami jest liniowa
, tzn., szyb-kości specjacji i
wymierania są odpowiednio
odwrotnie i wprost proporcjonalne do czasu
.
Możemy dzięki temu założeniu opisać
zmianę liczby gatunków w czasie
.
Zmiana ta jest
różnicą pomiędzy ogółem zjawisk specjacji i wymierania
.
Proces taki może być opisany przez
równaniem różnicowe
, lub – jeżeli
weźmiemy pod uwagę b. małe odstępy czasu – przez tzw.
równanie
różniczkowe
.
Równanie różniczkowe wyznacza zależność pomiędzy nieznaną fun-kcją, a
jej pochodnymi
. Rozwiązanie równania różniczkowego polega
na znalezieniu funkcji f
, której
pochodne spełniają to równanie
. W praktyce
rozwiązanie równania różniczkowego
polega na sprowadze-niu go do
standardowej formy,
a następnie na scałkowaniu jednej (prawej) lub
obydwu stron równania
. W rozpatrywanym przykładzie zmiany liczby
gatunków w obrębie danego taksonu/grupy w czasie
(w wyniku procesów ewolucji), – oznacza zmianę, N – liczbę gatunków, t –
czas, e – prawdopodobieństwo wymierania, c – prawdopodobieństwo
specjacji:
N = N
t+1
– N
t
= (ctN
t
– etN
t
)t
; po zamianie równania
różnicowego na różniczkowe:
dN/dt = ctN – etN
. Czy możliwe jest obliczenie
liczby gatunków w dowolnym czasie? Tak, o ile rozwiążemy równanie
względem N, tzn. gdy rozwiążemy równanie różniczkowe. Dzięki prostemu
przekształceniu (dzielenie obu stron przez N i mnożenie przez dt)
uzyskujemy:
dN/N = (c – e)tdt
. Teraz całkujemy obydwie strony równania
(podobnie, jak na ćw. poprzednim) i uzyskujemy:
Jak w ćw.
poprzed-
nim,
N
0
u-
zyskano
ustawiając
t = 0
. Dwa przykłady wykresów takiej funkcji zostaną pokazane na
następnym przeźroczu. Widać tu, że nawet
mała różnica w szybkości
wymierania i specjacji
może doprowadzić
do znacznego wzrostu
liczby gatunków
w obrębie taksonu lub do jego
szybkiego wymarcia
.
2
2
2
2
2
2
1
2
0
ln( )
2
c e
c e
t
t
c e
N c
t
c
N Ce
N e
Dynamika wymierania i specjacji:
Wniosek: w przyrodzie
oby-
dwa te procesy są modyfikowane
przez dodatkowe mechanizmy
,
które nie zostały uwzględnione w
ww. prostym modelu. Rozwiązane
powyżej równanie, jest
liniowym
równaniem różniczkowym pierw-
szego rzędu
. I-go rzędu, ponieważ
pochodna była I-go rzędu (I-sza) i
liniowe, ponieważ nie wystąpiły
wykładniki wyższe niż 1 przy N.
Równania różniczkowe I rzędu
są
bardzo ważne w biologii
i moż-
na je zapisać w formie ogólnej:
dy/dx + f(x)y = g(x)
, gdzie f i g są
funkcjami zależnymi od x. Równa-
nie jest zwane
homogenicznym
(jednorodnym), jeżeli
g(x) = 0
dla wszystkich wartości x. Jeżeli roz-
patrzymy tylko to jednorodne równanie, to po przekształceniu uzys-
kujemy:
dy/y = –f(x)dx
. Po scałkowaniu obu stron i ew. dodatkowych
przekształceniach uzyskujemy:
y = Ce
–f(x)dx
. Stała C jest często ozna-czana
przez doprowadzenie x do odpowiedniej wartości (najczęściej 0) i
rozwiązanie względem C.
Jeżeli równanie jest niejednorodne –
sytuacja skomplikowana
.
Stosujemy wtedy wzór na
pochodną iloczynu: (uv)’ = u’v + uv’
. Musimy
znaleźć taką
funkcję a(x)
, przez którą moglibyśmy pomnożyć nasze liniowe
równanie różniczkowe I-go rzędu i w odniesieniu do czego możnaby później
zastosować wzór na pochodną iloczynu. Dlatego
funk-cja a(x), musi spełniać
następujący warunek: a(x)dy/dx = a(x)f(x)y + d(a(x)y)/dx
. Równanie to ma
taką samą strukturę, jak wzór na pochod-ną iloczynu, a ponadto:
da/dx =
a(x)f(x)
. Jest to jednorodne równanie różniczkowe I-go rzędu, którego
rozwiązanie podano powyżej. Ustala-my:
a(x) = Ce
f(x)dx
, a następnie
podstawiamy to do naszego wzoru na pochodną iloczynu i uzyskujemy:
Pamiętając, że:
dy/dx + f(x)y = g(x),
wnosimy, że
g(x) powinna spełniać
następujący warunek
: Teraz możemy
scałkować obie strony
tego równania
, uzyskując:
Ce
f(x)dx
y =
Ce
f(x)dx
g(x)dx + C
1
Ostatecznie po przekształceniu tego rów-
nania przez podzielenie przez I-szą całkę:
y = e
–f(x)dx
e
f(x)dx
g(x)dx + ce
–f(x)dx
. Jest to
najbardziej
ogólne rozwiązanie liniowego równania różniczkowego I-go rzędu
.
Wygląda ono skomplikowanie, ale w większości przypadków jest
łatwe do
wykorzystania
, o ile funkcje f(x) i g(x) nie są zbyt skompliko-wane.
Przykład praktyczny:
stężenia niektórych hormonów i wielu leków w
krwioobiegu
mogą być modelowane jako
suma szybkości produkcji lub
indukcji i szybkości rozkładu
. Załóżmy, że lek podawany jest z mniej lub
bardziej stałą szybkością „g”. Równocześnie jest on metabolizowa-ny –
proporcjonalnie do jego stężenia. Proces ten można opisać nastę-pującym
równaniem:
dF/dt = g – fF
. Zmiana stężenia leku F w czasie t jest zwykłą
różnicą pomiędzy szybkością podawania (g) a szybkością
wykorzystywania/zużywania fF. Jest to
niejednorodne (inhomogenous)
równanie różniczkowe I-go rzędu z g = f(t) = const. i c = g(t) = const
. Aby
wyliczyć stężenie leku w dowolnym czasie t, wykorzystujemy roz-wiązanie
ogólne. Potrzebujemy: –
f(t)dt = –
fdt = – (ft + C
1
); po podsta-wieniu:
e
f(t)dt
g(t)dt =
(e
ft+C1
)gdt = g(1/f)e
ft+C1
+ C
2
. Podstawiamy te wy-niki do
rozwiązania ogólnego i uzyskujemy:
Stałe C, to wszyst-
ko stałe całkowania.
Pozostałą stałą K można
oznaczyć przyjmując t=0.
Dlatego
K = F(0)–c/g
.
Stąd ostateczny wynik może-
my zapisać następująco:
1
1
1
(
)
ft C
ft C
ft C
ft
g
g
F Ce
e
e
Ke
f
( )
(0)
ft
g
g
F t
F
e
f
Wynik ten jest ważny, ponieważ jest to
ogólne rozwiązanie liniowego
równania różniczkowego I-rzędu, gdzie obie funkcje: f(t) i g(t) są stałymi
.
Można również zastosować
program matematyczny do rozwiązania na-
szego problemu
(Mathematica, wxMaxima – cz. praktyczna). Lewa cz.
rysunku obok przedstawia
zależność F(t) od czasu
. Bez względu na stę-
żenie począt-
kowe, proces
zmierza do
stężenia sta-
bilnego.
Stę-
żenie to jest
zwane pun-
ktem równo-
wagi
. Punkt ten wyliczamy, ustawiając
dF/dt = 0
. To daje nam bezpoś-
rednio:
F
równowagi
= g/f
, co jest widoczne na rys. Prawa cz. rys. przedsta-
wia tzw.
diagram fazowy procesu
.
dF/dt jest funkcją liniową
i bez wzglę-
du na stężenie początkowe, pierwiastkiem tej funkcji jest
F(t) = g/f
.
Inny przykład praktyczny:
wykładnicze równanie wzrostu
. Równanie to
jest
realistyczne tylko dla b. niskich wielkości populacji
. W rzeczywis-
tości są pewne
górne granice, zwane „zdolnościami przepustowymi”
(„carrying capacities”)
i sprawiają one, że powyżej ich,
rzeczywisty
wzrost populacji staje się wolniejszy dla wyższych wielkości populacji
.
Rys poniżej przedstawia populację drożdży Saccharomyces cerevisiae,
hodowanych w chemostacie, które
na początku doświadczenia rosły
szybko – zgodnie z wykładniczym modelem wzrostu
. Lecz
im wyższa
była wielkość populacji (objętość kolonii), tym wolniejszy był wzrost
drożdży
. Jak modelować taki proces? Bierzemy wtedy wyjściową,
wykładniczą funkcję wzrostu i
dodajemy
„drugie wyrażenie” („second term”), które
zmniejsza szybkość wzrostu populacji,
w miarę, jak N zbliża się do wartości gra-
nicznej
. Jeżeli określimy tę
górną granicę
wielkości populacji przez K
, to cały proces
możemy modelować równaniem:
Gdy N staje się
coraz większe,
K–N dąży do zera i drugi
czynnik [(K–N)/K] też dąży do zera
i szyb-
kość wzrostu populacji spada. Dla
niskiego N, komponent (K–N)/K
jest bliski 1
i cały proces przypomina nasz wyjściowy wzrost wykład-
niczy. Powyższe równanie jest najprostszą formą modelowania tego
typu procesu i zwane jest
logistycznym procesem wzrostu lub rów-
naniem Verhulst’a-Pearl’a
. Wykres na przeźroczu następnym pokazu-
je, że szybkość wzrostu jest b. mała dla małych wartości t i spada
do zera dla N=K.
Maksymalna szybkość wzrostu występuje przy
N = K/2
. Powyższe logistyczne równanie wzrostu nie daje nam możli-
wości wyliczenia N. W tym celu musimy rozwiązać odpowiednie rów-
dN
K N
N
rN
rN rN
dt
K
K
nanie różniczkowe.
Aby je rozwiązać,
aproksymu-
jemy funkcję z jej rozwinięcia
w szereg Taylora
. Zakładamy, że funkcja N(t)
daje się rozwinąć w szereg Taylora. Dlatego
dN/dt musi być funkcją algebraiczną w formie:
dN(t)/dt = a
1
+ a
2
N(t) + a
3
N(t)
2
+ a
4
N(t)
3
...
Równanie wzrostu populacji ma
2 pierwiastki:
dla N=0 i dla N=K
. Najprostszym równaniem o
2 pierwiastkach jest
funkcja kwadratowa
. Dla-
tego możemy
„obciąć” rozwinięcie funkcji
w szereg Taylora już po 3-cim składniku
, uzyskując:
dN/dt = a
1
+ a
2
N + a
3
N
2
. Dla N = 0, uzyskujemy: a
1
= 0 i dlatego może-
my ten składnik opuścić:
dN/dt = a
2
N + a
3
N
2
. Na tym etapie,
dzielimy
całe równanie przez N(a
2
+ a
3
N)
. Dzięki temu staje się ono przeksz-
tałcone:
Taka postać jest
łatwiejsza do scałkowania
:
Stąd:
Teraz można przekształcić to równanie,
przyjmu-
jąc a
2
/a
3
= K
i w ten sposób uzyskać:
dN
K N
rN
dt
N
3
2
2
3
a dN
dN
a dt
N a
a N
2
2
3
a t
N
Ce
a
a N
W powyższym równaniu,
t
0
odpowiada populacji o wielkości N
0
w cza-
się t = t
0
.
K – „zdolność przepustowa
” („the carrying capacity”), jest
górną granicą N i można ją
łatwo obliczyć ustawiając dN/dt = 0
. Przy-kład
takiej funkcji jest przedstawiony na rys. poniżej. Dla przykładu z
drożdżami („2 rysunki wstecz”), udało się
dopasować krzywą funkcji o następują-
cym równaniu:
W genetyce lub w
epidemiologii,
zjawis-
ka mutacji lub infekcji
są zjawiskami masowymi
. Oznacza to, że
efekt końcowy określany jest przez cał-
kowitą liczbę czynników indukujących mutację lub infekcję
. Dlatego
powinniśmy znać sumę wszystkich tych czynników. Zakładamy, że cały
badany
proces daje się opisać za pomocą logistycznego modelu wzros-tu
.
Stąd, całkowita liczba czynników może być równa
całce, której od-powiada
pole powierzchni pod krzywą funkcji logistycznej
. Wyliczamy to za pomocą
programu matematycznego, uzyskując: Ostatni przykład
zmierza do
ogólnego rozwiązania
kwadratowego równania różnicz-
kowego I-szego rzędu
. Możemy
takie równanie zdefiniować następująco:
dy/dx = ay + by
2
. Na początku
oznaczamy punkt równowagi i uzyskujemy
dla y’=0: y(x) = –a/b
.
0,26
12,74
( )
1 9,32
t
N t
e
0
0
(
)
(
)
ln(1
)
1
a t t
a t t
K
K
e
dt
C
e
a
Korzystamy znów z programu matematycznego (Mathematica, wxMaxi-ma) i
uzyskujemy
rozwiązanie ogólne
: Wynik – tzw.
uogólnione logis-
tyczne równanie wzrostu
, a zarazem – rozwiązanie tzw.
autonomicznego równania różniczkowego
. Można spraw-
dzić, że dla wysokich wartości x, funkcja ta
asymptoty-
cznie zbliża się do wartości stanu równowagi: –b/a
. Przy
użyciu Mathematica, można przekształcić to rozwiązanie i przedstawić je w
kategoriach funkcji sinh i cosh.
Inny przykład z genetyki i ekologii: załóżmy, że mamy
populację ga-
tunków zwierzęcych lub roślinnych, które zasiedlają „skrawki siedlis-ka”
(„habitat patches”)(
rys. – poniżej). Przyjmujemy, że wyjściowa częs-
tość zasiedlonych fragmentów siedliska wynosi
p
, a wyjściowa częstość niezasiedlonych frag-
mentów siedliska, to
q = (1-p)
. Częstości są zaw-
sze wybierane w taki sposób, aby ich całkowita
suma = 1 (lub 100%). Członkowie populacji
mig-
rują
. Są oni zdolni do
kolonizowania niezasied-
lonych fragmentów, ew populacje na zasiedlo-
nych fragmentach wymierają
. Taka populacja,
która jest rozdzielona na szereg „skrawków/frag-
mentów” siedliska, powiązanych ze sobą zjawiskami migracji,
nazywa-na jest
metapopulacją
. Problemem do rozwiązania jest
modelowanie
zmian p (liczba zasiedlonych fragmentów) w zależności od czasu
. Zmia-na p
w czasie, to:
dp/dt
. Definiujemy teraz
, jako tempo kolonizacji
1
ac ax
ac ax
ae e
y
be e
(imigracji) i
v
– lokalne tempo wymierania (obie wartości wyrażane jako
prawdopodobieństwo). Tak więc
zmiany w p mogą być teraz modelo-wane
jako suma 2 niezależnych procesów: zmian spowodowanych ko-lonizacją i
zmian wywołanych lokalnym wymieraniem
. Zakładamy, że
wzrost liczby
zasiedlonych skrawków jest proporcjonalny do faktycznej liczby zasiedlonych
skrawków (p) i do liczby pustych skrawków q=1-p
. Stąd:
dp/dt = p(1–p)
. Z
kolei
spadek p, powinien być proporcjonalny do lokalnej szybkości
wymierania
. Stąd:
dp/dt = –vp
. Teraz możemy mode-lować cały proces za
pomocą prostego równania:
dp/dt = p(1–p) – vp = –p
2
+ p(– v)
. Jest to
bdb. znany
model metapopulacji Richarda
Levinsa
, zaproponowany w 1969 r. Aby oznaczyć liczbę zasiedlonych
skrawków dla stanu równowagi, ustawiamy:
dp/dt = 0 i uzyskujemy
bezpośrednio: p = 1 – v/
.
Metapopulacja utrzymuje się przy życiu tylko
wtedy, gdy: v <
. Załóżmy, że v jest odwrotnie proporcjonalne do po-
wierzchni fragmentu siedliska (A). Oznacza to, że na większych skraw-kach,
prawdopodobieństwo wymierania spada, ze względu na większą populację.
Stąd
v 1/A
. Załóżmy dalej, że
szybkość kolonizacji () spa-da wraz ze
wzrostem odległości pomiędzy skrawkami (D)
. Stąd:
1/D
. Uzyskujemy
ostatecznie:
dp/dt = (1/D)p(1–p) – (1/A)p
. Wniosek I-szy:
liczba zasiedlonych siedlisk będzie wzrastała wraz ze wzrostem śred-niej
powierzchni skrawka
(z powodu spadku szybkości wymierania). Wn. II-gi:
liczba zasiedlonych siedlisk będzie spadała wraz ze wzrostem
odległości pomiędzy skrawkami
(ze względu na ograniczone procesy
kolonizacji). Przedostatnie równanie jest wg przyjętej terminologii
kwadratowym równaniem różniczkowym I-go rzędu
. Poniżej – podane
ogólne rozwiązanie równania ostatniego
:
Brak jest jednak początko-
wej wartości C. Przy
t = 0,
p = p
0
– częstość począt-
kowa. Biorąc to pod uwa-
gę,
uzyskujemy C
:
Logarytm w liczniku musi być > 0
.
Stąd właściwe rozwiązanie musi
spełniać warunek:
p
0
> 1 – v/
. Po-
niżej, przedstawiony jest wykres
zależności proporcji zasiedlonych skrawków [p(t)] w zależności od cza-
su: .
Tylko 10 pokoleń wystarcza do osiągnięcia stanu równowagi przy: p(t) =
1 – 0,3/0,5 = 0,4
. Stąd na podstawie warunków początkowych mo-żna wnosić,
że
40% fragmentów/skrawków siedliska zostanie zasied-
lonych
. Nie zawsze jednak jest to tak
proste i
całki albo przyjmują bardzo
skomplikowaną postać lub nawet nie
można wyrazić całki w tzw. formie zam-
kniętej
. Można spróbować metody uzys-
kiwania
przybliżenia całek
. Aby to zro-
bić,
rozwijamy funkcję w szereg Taylora
i „obcinamy” szereg
przy odpowiednim
wyrazie.
Całkę można wtedy łatwo wyliczyć ręcznie
, ponieważ będzie
potrzebna następująca całka: Dla
logistycznego równania wzros-
tu
, program Mathematica wylicza
automatycznie
rozwinięcie w sze-
reg Taylora
. „Obcinamy” po 3-cim
wyrazie i uzyskujemy następujące
przybliżenie całki:
Można porównać wyniki
: dokładne rozwiązanie dało dla a = 1, K = 1
i t
0
= 0 pomiędzy t = 0 a t = 3 wartość N = 2,355. Przybliżenie dało:
N = 1,45. Stąd nasz
błąd wynosi: (2,355 – 1,45)/2,355 = 0,38 = 38% (..nie
najlepiej.....!)
.
Przy aproksymacji z wykorzystaniem rozwinięcia funkcji w szereg Taylora,
wynik znacznie zależy od tego
jak szybko szereg osiąga zbież-ność
; szybka
zbieżność oznacza wyniki bliskie dokładnego rozwiąza-nia. Można to
sprawdzić np. sporządzając
wykres zależności sumy wy-razów szeregu od
kolejnych numerów wyrazów
.
W powyższym przykładzie
aproksymacja do szeregu Taylora zawiod-ła
.
Dlaczego? Ponieważ
szereg jest naprzemienny
(wyrazy o znakach: +, –, + –,
+, –, etc.). „Obcięcie” za wyrazem o niewielkim numerze kolej-
nym (porządkowym) pociąga za sobą
bardzo wysokie błędy
. Praktyka
sugeruje, że powinniśmy wykorzystywać jako aproksymacje tylko te
1
(
)
(
)
1
n
n
a
a x b dx
x b
C
n
0,5
0,5
3
6
4
7
0,5
3
0
0
0
1
1
0,492
2
8
8 56
|
x
x
x
x
x dx
dx x
0
3
3
3
2
4
0
0
0
0
0
(
)
(
)
(
)
(
)
(
)
(
)
1
4
4
48
4
8
192
a t t
K
K aK
a K
K
aK
a K
dt
t t
t t dt
t t
t t
t t
C
e
rozwinięcia w szereg, które zawierają
wyrazy wyłącznie dodatnie lub ujemne,
nadają się do wykorzystania jako aproksymacje funkcji
. Roz-
winięcia wielu znanych funkcji często dają szeregi, które „
z trudem są
zbieżne
” (wyjątek – prosta funkcja wykładnicza: y = e
x
). Inny przykład:
funkcja
y = (1 – x
3
)
0,5
, w zakresie: 0 < x < 1. Mathematica wylicza b.
skomplikowaną całkę. Jednakże
szereg Taylora jest bardzo prosty i osiąga
zbieżność bardzo szybko
. Całka w granicach od 0 do 0,5 wynosi:
Rozwiązanie
numeryczne przy użyciu Mathematica
dało prawie identy-czny
wynik:
0,492041 + 3,33067 10
–16
.
0,5
0,5
3
6
4
7
0,5
3
0
0
0
1
1
0,492
2
8
8 56
|
x
x
x
x
x dx
dx x
Wskazówki do wykonania zadań praktycznych ćw. 5.
• Wskazówki do zadania 1:
Ogólna postać równania różniczkowego, to:
dy/dx = f(x)y
. Przystępu-jąc do
jego rozwiązania, zazwyczaj
dzielimy obie jego strony przez y i mnożymy
przez dx
, wskutek czego uzyskujemy:
dy/y = f(x)dx
.
Całkujemy teraz obie
strony
, uzyskując:
ln(y) = f(x)dx + C
. Po prze-kształceniu:
y = Ce
f(x)dx
. C
można wyznaczyć, przyjmując x
0
= 0;
wtedy (o ile wykładnik przy e zostanie sprowadzony do 0): C = y
0
i
ostatecznie:
y = y
0
e
f(x)dx
. Dla I-szego równania:
dy/dx = ay | :y *dx
dy/y = adx
dy/y =
adx
ln(y) = ax + C
y = Ce
ax
= y
0
e
ax
.
Dla II-go równania:
dy/dx = y/x | :y *dx
dy/y = (1/x)dx
dy/y =
(1/x)dx
ln(y) = ln(x) + C
y = Cx
.
Wskazówki do zadania 2:
Uruchamiamy program wxMaxima. Pierwsze równanie różniczkowe:
dy/dx =
e
x–y
, wprowadzamy do pola „INPUT:” następująco:
‘diff(y,x)=%e^(x-y)
, co widać na zrzucie ekranu: Następnie naciska-
my
<Enter>,
uzyskując:
Po tym, wracamy do pola przyciskami
i
klikamy w przycisk „Solve ODE”
, który
otwiera
okno dialogowe rozwiązywania równań różniczkowych
:
Klik
Wynik – okno dialogowe –
na następnym przeźroczu
Okno dialogowe rozwiązywania równań różniczkowych
:
Akceptujemy wszystkie
opcje domyślne
i klikamy w przycisk
OK
. Znak „%” w
w polu „Equa-
Klik
ion” oznacza
wzięcie do obliczeń poprzedniego wyni-
ku.
W następstwie tego, uzyskujemy
rozwią-
zanie
:
Nie jest to jednak rozwiązanie typu:
y = f(x)
, o jakie nam chodzi.
Aby uzyskać tego typu rozwiązanie,
należy uruchomić w wxMaxima
komendę: „
Solve(y)
”. Można ją wpro-
wadzić bezpośrednio do pola:
„INPUT:”. Można też kliknąć w przy-
cisk „
Solve
”, a po ukazaniu się okna
dialogowego rozwiązywania równań,
zamienić x na y w polu „for variable(s):”
(następne przeźrocze).
Okno dialogowe rozwiązywania równań
(nie różniczkowych!!!!!):
Zamieniamy:
x y
, uzyskując:
Klik
Ostatecznie, uzyskujemy wynik:
Wynik ten, należy odczytać jako:
y = ln(e
x
+ C)
.
Drugie równanie różniczkowe:
dy/dx = (y+1)/x
; wszystkie czynności
przeprowadzamy
analogicznie, jak przy rozwiązywaniu równania
poprzedniego
(poprawne wprowadzenie:
‘diff(y,x)=(y+1)/x
) – z tym, że
pomijamy ostatni etap „solve(y)”
(3 ostatnie zrzuty ekranu dla
równania poprzedniego), uzyskując od razu
właściwe rozwiąza-nie
:
Rozwiązanie to odczytujemy:
y = (C – 1/x)x
.
Przy rozwiązywaniu trzeciego równania
różniczkowego:
dy/dx = xy
2
(r-nie kwad-
ratowe; popr. wprowadzenie:
‘diff(y,x)=x*y^2
), postępujemy analo-
gicznie, jak w przypadku r-nia I-go:
Rozwiązanie to, należy odczytać:
2
2
2
y
x
C
Czwarte równanie różniczkowe:
dy/dx = –ay
n
; czynności rozwiązywa-nia
ogólnie wykonujemy tak, jak dla równań poprzednich
(poprawne
wprowadzenie:
‘diff(y,x)=–a*y^n
).
Jednakże po urucho-
mieniu „
Solve ODE
”, po-
jawia się pytanie: „
Is
n – 1 zero or nonzero?
”
Odpowiadamy w polu:
„INPUT:” „
nonzero
” I
wciskamy <Enter>. Po-
jawia się kolejne pyta-
nie: „
Is n an integer?
”
(„Czy n jest liczbą cał-
kowitą?). Odpowiadamy
: „
yes
” <Enter>.
Po tym pojawia
się
ostateczne rozwią-
zanie
, które odczytuje-
my:
1
1 n
y (anx ax Can Ca)
-
=
-
+
-
Piąte równanie różniczkowe:
dy/dx = axy – bxy
;
powtarzamy czynno-ści
rozwiązywania
, jak w przypadku równań poprzednich. Poprawne
wprowadzenie:
‘diff(y,x) = a*x*y – b*x*y
. Nie jest konieczne korzys-
tanie z opcji „Solve(y)”.
Ostateczne rozwiązanie
:
Biologiczne zastosowanie
po-
wyższego równania różnicz-
kowego:
modelowanie pro-
cesów ewolucji
(specjacja,
wymieranie..) dowolnego taksonu organizmów żywych (zwierzęta
lub rośliny) – przedstawione
na początku części teoretycznej
. Zna-czenie
symboli (zmiana):
y N
(liczba gatunków w czasie t),
C N
0
(stała C:
liczba gatunków w czasie t
0
= 0),
a c
[prawdopodobień-stwo (częstość)
specjacji],
b e
[prawdopodobieństwo (częstość) wymierania],
x t
(czas).
Po zamianie
:
.
2
(a b)
x
2
y Ce
-
=
2
0
c e
N N exp
t
2
Wskazówki do zadania 3:
Model procesu ewolucji:
N = N
0
exp[((c – e)/2)t
2
],
został przedstawiony
(włącznie z podaniem opisów zmiennych i parametrów)
na przeźroczu
poprzednim
. Plik „ewolucja1.xls”, dostępny ze stron internetowych ćwiczeń,
umożliwia
automatyczne zmiany podstawowych parametrów równania funkcji
N(t): N
0
, c i e
.
Po pobraniu i zapisie pliku, dokończeniu obliczeń i sporządzeniu wykre-su
punktowego (XY), możliwe są łatwe
zmiany parametrów równania i
obserwacje wynikłych stąd zmian krzywych N(t)
. Najważniejszą rolę
odgrywają tu
zmiany wartości c i e – a w szczególności – wzajemna proporcja
c do e
. Przykładowe zrzuty ekranów – patrz dalej.
Przykłady –
funkcja
rosnąca
(1, 2 i 3) i
stała
(4)
Przykłady, cd. –
funkcja
malejąca
:
Przy
stałym N
0
, parametry równa-
nia mają następujący
wpływ na
przebieg krzywej
N(t):
c > e: funkcja rosnąca
c = e: funkcja stała (N = N
0
)
c < e: funkcja malejąca
.
Wskazówki do zadania 4:
Logistyczne równanie wzrostu:
N(t) = K/[1+C*exp(–a
2
t)]
, zostało przed-
stawione (włącznie z podaniem opisów zmiennych i parametrów)
w
podstawowej instrukcji do ćwiczenia na WWW
. Plik „logist1.xls”,
dostępny ze stron internetowych ćwiczeń, umożliwia
automatyczne
zmiany podstawowych parametrów równania funkcji N(t): K, C i a
2
.
Po pobraniu i zapisie pliku, dokończeniu obliczeń i sporządzeniu wykre-
su punktowego (XY), możliwe są łatwe
zmiany parametrów równania
i obserwacje wynikłych stąd zmian krzywych N(t)
. Najważniejszą rolę
odgrywają tu
zmiany wartości C i a
2
– a w szczególności – wzajemna
proporcja C do a
2
. Przykładowe zrzuty ekranów – patrz dalej.
Przykłady (
1-4
):
Przykład
5
(ostatni):
Wpływ parametrów równania lo-
gistycznego na kształt krzywej
(z wyjątkiem K)
:
C – z 1 strony decyduje o tym,
„która część krzywej” będzie
widoczna na wykresie
(jeśli wyso-
kie – to początkowa; jeśli niskie
– końcowa),
a z II-giej – o wartoś-
ci początkowej liczby organiz-
mów (N
0
)
: im niższe – tym wyższa.
Wynika to z zależności:
C = K/N
0
–1
.
Stała
a
2
decyduje o tym, jak szy-
bko krzywa dąży do swej wartości
maksymalnej
(asymptotycznie do K): im wyższa, tym szybciej (~
współ-
czynnik kierunkowy
krzywej logistycznej).
Wskazówki do zadania 5:
Model opisujący podawania glukozy do krwioobiegu w zależności od czasu
G(t) = c/a + [G(0) – c/a]exp(–at)
, zostało przedstawione (włącznie z
podaniem opisów zmiennych i parametrów)
w podstawowej instrukcji do
ćwiczenia na WWW
. Plik „glukoza1.xls”, dostępny ze stron internetowych
ćwiczeń, umożliwia
automatyczne zmiany podstawowych parametrów
równania funkcji G(t): G(0), c i a
.
Po pobraniu i zapisie pliku, dokończeniu obliczeń i sporządzeniu wykre-
su punktowego (XY), możliwe są łatwe
zmiany parametrów równania
i obserwacje wynikłych stąd zmian krzywych G(t)
. Najważniejszą rolę
odgrywają tu
zmiany wartości c i a – a w szczególności – wzajemna
proporcja c do a
. Przykładowe zrzuty ekranów – patrz dalej.
Przykłady –
funkcja
rosnąca
(1, 2),
stała
(3) i
malejąca
(4)
Przykład 5 –
funkcja
malejąca
:
Wpływ parametrów równania
na kształt krzywej:
parametry równania mają następują-
cy
wpływ na przebieg krzywej
G(t):
G(0) > c: funkcja malejąca
G(0) = c: funkcja stała [G = G(0)]
G(0) < c: funkcja rosnąca
Bez względu na wartości G(0),
funkcja
asymptotycznie dąży
do wartości równej:
G(t) = c/a
(dla wysokich wartości
t)
Wskazówki do zadania 6:
Model metapopulacji, opisujący zmiany w częstości zasiedlonych skrawków
ekosystemuw zależności od czasu:
p(t)=(1–(v/))/[(1–exp((–v)C)*exp((v–)t))]
, został przedstawiony (włącznie z
podaniem opisów zmiennych i parametrów)
w podstawowej instrukcji do
ćwiczenia na WWW
. Plik „metapop1.xls”, dostępny ze stron internetowych
ćwiczeń, umożliwia
automatyczne zmiany podstawowych parametrów
równania funkcji p(t): C, i v
.
Po pobraniu i zapisie pliku, dokończeniu obliczeń i sporządzeniu wykre-
su punktowego (XY), możliwe są łatwe
zmiany parametrów równania
i obserwacje wynikłych stąd zmian krzywych p(t)
. Najważniejszą rolę
odgrywają tu
zmiany wartości
i
v
– a w szczególności – wzajemna
proporcja
do
v
. Przykładowe zrzuty ekranów – patrz dalej.
Przykład a) wysokie i niskie v
:
Przy wysokim i niskim v – populacja
nie wymiera całkowicie
, lecz
dąży do stanu równowagi
:
p(t) = 1 – v/
. W konkretnym przypadku, stan
równowagi jest osiągany dla:
p(t) = 1 – 0,1/0,9 = 1 – 0,1111 = 0,8889
.
Przykład b) niskie i wysokie v
:
Przy niskim i wysokim v – populacja
wymiera całkowicie
, po odpo-wiednio
długim czasie
(w niniejszym przykładzie, model osiąga
warto-ści skrajnie
niskie
dla względnie
wysokich wartości czasu
).
Dziękuję
za uwagę ;-)