mat cw05

background image

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

background image

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

 

 

background image

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

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

.

background image

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

background image

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

 

background image

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,

background image

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

background image

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

background image

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

background image

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

background image

(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

background image

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

background image

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

background image

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

 

background image

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

.

background image

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

background image

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).

background image

Okno dialogowe rozwiązywania równań

(nie różniczkowych!!!!!):

Zamieniamy:

x  y

, uzyskując:

Klik

Ostatecznie, uzyskujemy wynik:

Wynik ten, należy odczytać jako:

y = ln(e

x

+ C)

.

background image

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



background image

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)

-

=

-

+

-

background image

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

background image

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.

background image

Przykłady –

funkcja

rosnąca

(1, 2 i 3) i

stała

(4)

background image

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

.

background image

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.

background image

Przykłady (

1-4

):

background image

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).

background image

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.

background image

Przykłady –

funkcja

rosnąca

(1, 2),

stała

(3) i

malejąca

(4)

background image

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)

background image

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.

background image

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

.

background image

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

).

background image

Dziękuję

za uwagę ;-)


Document Outline


Wyszukiwarka

Podobne podstrony:
Wyklad2 mat
Mat 10 Ceramika
Mat dla stud 2
Wyklad7 mat
mat skale pomiarowe
logika mat
Magn mat
7Komunikacja org mat
mat bud 006 (Kopiowanie) (Kopiowanie)
Materialy do seminarium inz mat 09 10 czesc III
mat bud 102 (Kopiowanie) (Kopiowanie)
mat 2013 k11
Mat 3
MB2 mat pom 1 id 289843 Nieznany
mat dp14 mat dp14
mat bud 067 (Kopiowanie) (Kopiowanie)

więcej podobnych podstron