Dynamika populací s oddělenými generacemi

Podobné dokumenty
Buckinghamův Π-teorém (viz Barenblatt, Scaling, 2003)

Geometrická zobrazení

1 Gaussova kvadratura

časovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality.

Fyzikální praktikum č.: 1

3. Mocninné a Taylorovy řady

1/15. Kapitola 12: Soustavy diferenciálních rovnic 1. řádu

PRAVDĚPODOBNOST A STATISTIKA

Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49

Reciprokou funkci znáte ze základní školy pod označením nepřímá úměra.

9 Stupně vrcholů, Věta Havla-Hakimiho

Hodnocení přesnosti výsledků z metody FMECA

Příklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka

Reprezentace přirozených čísel ve Fibonacciho soustavě František Maňák, FJFI ČVUT, 2005

PRVOČÍSLA 1 Jan Malý UK v Praze a UJEP v Ústí n. L. Obsah

KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC

f (k) (x 0 ) (x x 0 ) k, x (x 0 r, x 0 + r). k! f(x) = k=1 Řada se nazývá Taylorovou řadou funkce f v bodě x 0. Přehled některých Taylorových řad.

Obsah přednášky. 1. Principy Meta-learningu 2. Bumping 3. Bagging 4. Stacking 5. Boosting 6. Shrnutí

4. Přednáška: Kvazi-Newtonovské metody:

(iv) D - vybíráme 2 koule a ty mají různou barvu.

Metoda konjugovaných gradientů

χ 2 testy. Test nekorelovanosti.

KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC

NUMP403 (Pravděpodobnost a Matematická statistika I)

7.3.9 Směrnicový tvar rovnice přímky

7.3.9 Směrnicový tvar rovnice přímky

β 180 α úhel ve stupních β úhel v radiánech β = GONIOMETRIE = = 7π 6 5π 6 3 3π 2 π 11π 6 Velikost úhlu v obloukové a stupňové míře: Stupňová míra:

2 Diferenciální rovnice

MATEMATIKA II V PŘÍKLADECH

Stochastické diferenciální rovnice

MOMENT SETRVAČNOSTI. Obecná část Pomocí Newtonova pohybového zákona síly můžeme odvodit pohybovou rovnici pro rotační pohyb:

Křivkové integrály prvního druhu Vypočítejte dané křivkové integrály prvního druhu v R 2.

Těleso na nakloněné rovině Dvě tělesa spojená tyčí Kyvadlo

MĚŘENÍ MOMENTU SETRVAČNOSTI Z DOBY KYVU

MOMENT SETRVAČNOSTI. Obecná část Pomocí Newtonova pohybového zákona síly můžeme odvodit pohybovou rovnici pro rotační pohyb:

Pojistná matematika. Úmrtnostní tabulky, komutační čísla a jejich použití. Silvie Kafková

Úvod do Kalmanova filtru

Návrh vysokofrekvenčních linkových transformátorů

4 všechny koeficienty jsou záporné, nedochází k žádné změně. Rovnice tedy záporné reálné kořeny nemá.

22. Mechanické a elektromagnetické kmity

SSOS_ZE_1.14 Jedinec, druh, populace

8.4. Shrnutí ke kapitolám 7 a 8

Kapitola 12: Soustavy diferenciálních rovnic 1. řádu

1. Úvod do základních pojmů teorie pravděpodobnosti

Pravděpodobnost a statistika

Spojité deterministické modely I 1. cvičná písemka

Alternativní rozdělení. Alternativní rozdělení. Binomické rozdělení. Binomické rozdělení

KMA/MM. Lotka-Volterra Model Predátor Kořist

Fyzikální korespondenční seminář MFF UK

OPTIMALIZACE PARAMETRŮ PID REGULÁTORU POMOCÍ GA TOOLBOXU

Učební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008

Matematika 2 LS 2012/13. Prezentace vznikla na základě učebního textu, jehož autorem je doc. RNDr. Mirko Rokyta, CSc. J. Stebel Matematika 2

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

je amplituda indukovaného dipólového momentu s frekvencí ω

13. Lineární procesy

Název: Chemická rovnováha II

zpracování signálů - Fourierova transformace, FFT Frekvenční

4EK201 Matematické modelování. 11. Ekonometrie

Normální (Gaussovo) rozdělení

20 - Číslicové a diskrétní řízení

Měření indukčností cívek

do jednotkového prostorového úhlu ve směru svírajícím úhel ϑ s osou dipólu je dán vztahem (1) a c je rychlost světla.

Kompetice a mortalita

Úlohy krajského kola kategorie A

3.3.4 Thaletova věta. Předpoklady:

Difuze v procesu hoření

7. ZÁKLADNÍ TYPY DYNAMICKÝCH SYSTÉMŮ

PROBLÉMY ŽIVOTNÍHO PROSTŘEDÍ ORGANISMY

20 - Číslicové a diskrétní řízení

Obecná úloha lineárního programování

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.

PÚ, NÚ teorie, tabulka+opakování: trojčlenka

Lineární programování

Opakování k maturitě matematika 4. roč. STR 2 <

Betonové konstrukce (S) Přednáška 3

Úlohy domácího kola kategorie B

VYŠŠÍ ODBORNÁ ŠKOLA A STŘEDNÍ ŠKOLA SLABOPROUDÉ ELEKTROTECHNIKY Novovysočanská 48/280, Praha 9

Kombinace s opakováním

Kapitola 10: Diferenciální rovnice 1/14

Budeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)

MATEMATICKÉ MODELY DYNAMIKY POPULACÍ CONTINUOUS MATHEMATICAL MODELS OF POPULATION DYNAMICS

pouze u některých typů rovnic a v tomto textu se jím nebudeme až na

Diferenciální rovnice a dynamické modely

Transformátory. Mění napětí, frekvence zůstává

Předpoklady: a, b spojité na intervalu I.

PŘEDNÁŠKA 9 KŘIVKOVÝ A PLOŠNÝ INTEGRÁL 1. DRUHU

řešeny numericky 6 Obyčejné diferenciální rovnice řešeny numericky

Tento výukový materiál vznikl za přispění Evropské unie, státního rozpočtu ČR a Středočeského kraje Mgr.Petra Siřínková

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

1.5.7 Prvočísla a složená čísla

Vyšší odborná škola a Střední škola Varnsdorf, příspěvková organizace. Šablona 09 VY 32 INOVACE

6 5 = 0, = 0, = 0, = 0, 0032

6 Impedanční přizpůsobení

MATEMATIKA. O paradoxech spojených s losováním koulí

Téma 22. Ondřej Nývlt

( ) Příklady na otočení. Předpoklady: Př. 1: Je dána kružnice k ( S ;5cm)

Viz též stavová rovnice ideálního plynu, stavová rovnice reálného plynu a van der Waalsova stavová rovnice.

VYUŽITÍ MATLABU JAKO MOTIVAČNÍHO PROSTŘEDKU VE VÝUCE FYZIKY NA STŘEDNÍCH ŠKOLÁCH

Závislost indexů C p,c pk na způsobu výpočtu směrodatné odchylky

55. ročník Matematické olympiády 2005/2006

Transkript:

Dynamia populací s oddělenými generacemi Tento text chce představit nejjednodušší disrétní deterministicé dynamicé modely populací. Deterministicé nebudeme uvažovat náhodné vlivy na populace působící nebo náhodné projevy populací, dynamicé zaměříme se na vývoj populace v čase, disrétní čas nebudeme považovat za plynoucí spojitě ale v rocích, modely přestože je podle Galileova výrou matematia jazyem, terým Bůh napsal nihu přírody, v oblasti živé přírody(zatím?) neumíme odhalit matematicy formulované záony, ale pouze jejich projevy pomocí matematiy popisujeme. 1 Malthusův model růstu populace Označme: x... veliostpopulacev-témčasovémobdobí, d... úmrtnost, tj. podíl uhynulých jedinců mezi všemi jedinci populace, b... porodnost, tj. podíl nově narozených jedinců mezi všemi jedinci populace. Veliost populace může být vyjádřena počtem jedinců, populační hustotou, tj. počtem jedinců vztaženým na jednotu plochy, celovou biomasou a podobně. Označení porodnosti symbolem b je motivovánoanglicýmtermínem birthrate,úmrtnostisymbolem dtermínem deathrate.oba oeficienty d, bjsounezápornéaoeficient djenavícmenšínež1(nemůžeuhynoutvícejedincůnež oli jich v populaci je). Veliost populace v následujícím, tj. + 1-ním období můžeme spočítat následujícím způsobem: x +1 = x + množstvínověnarozených množstvíuhynulých = Přioznačení r=1+b ddostanemerovnici = x + bx dx =(1+b d)x. x +1 = rx. (1) To je reurentní vztah, terý definuje geometricou posloupnost s vocientem r. Platí tedy x = x 0 r, de x 0 jepočátečníveliostpopulace.kvocient rsenazývárůstovýoeficient.protože d <1, platí r=1+b d >1+b 1=b 0, taže růstový oeficient je ladný. Víme, že za této podmíny geometricá posloupnost neomezeně rostepoud r >1,jestacionárnípoud r=1alesánulepoud0 < r <1.Dostávámetedy závěr: b > d,paveliostpopulaceroste, poud b=d,paseveliostpopulacevčasenemění, b < d,papopulacevymírá. Geometricý růst populace byl u reálných populací(baterie na Petriho misce, obyvatelstvo USA v 18. století,...) sutečně pozorován. Malthusův model(1) tedy realisticy popisuje vývoj populací, přinejmenším těch malých. Žádný sutečný růst ale nemůže být neomezený. To znamená, že v případě velých populací není model(1) adevátní. Je potřeba vytvořit model, terý zachovává dobrévlastnosti Malthusovamodelu(popisrůstunebovymíránímalýchpopulací)anemájeho vlastnostišpatné (možnýneomezenýrůst). 1

2 Modely růstu populace v omezeném prostředí(logisticé modely) Rovnici(1) můžeme přepsat na tvar x +1 x = r. Tím dostáváme nové vyjádření růstového oeficientu je to poměr veliostí populace ve dvou po sobě následujících obdobích nebo taé relativní přírůste(úbyte) populace za jedno období. Každá populace se vyvíjí v nějaém prostředí a zpětně toto prostředí ovlivňuje. Růstový oeficient by tedy měl záviset na prostředí, teré zase závisí na veliosti populace. Stručně řečeno, růstový oeficient je funcí veliosti populace, x +1 x = f(x ). V případě Malthusova modelu se jedná o onstantní funci. V realističtějších modelech by tato funce, terou opět nazveme růstový oeficient, měla být lesající čím větší je populace, tím více znečišťuje prostředí produty svého metabolismu a tím se zvětšuje úmrtnost; navíc, čím je populace větší, tím více spotřebuje zdrojů z prostředí, musí více energie vynaládat na shánění potravy a méně jí zbude na rozmnožování, tedy porodnost lesá. Tento jev poles růstového oeficientu se zvětšováním populace se nazývá vnitrodruhová onurence. Růstový oeficient by taé měl být pro malé populace větší než 1. V čistém prostředí nepošozeném vlastní přítomností a se zdroji nevyčerpávanými musí být populace schopna se rozmnožovat. Pro velé populace by naopa měl být menší než 1. V prostředí zdevastovaném vlastní přítomností populacevymírá.ztěchtojednoduchýchúvah(spolus technicýmpředpoladem,žefunce f jespojitá)jižplyne,žeexistujenějaá optimální veliostpopulace,pronižjerůstovýoeficient roven 1. V taovém případě se veliost populace v čase nemění, je v dynamicé rovnováze s prostředím. Veliost populace, terá je dynamicy stálá, se nazývá(nosná) apacita nebo úživnost prostředí, označuje se K. Sutečnost, že malé populace se vyvíjejí podle Malthusova modelu (1)vyjádřímeta,že f(0)=r.vtomtopřípaděseparametr rnazývávnitřníoeficientrůstu. Vyjadřuje maximální fyziologicy možný relativní přírůste veliosti populace za jedno období. Požadavyladenénafunci fstručnězapíšeme:spojitáfunce f:[0, ) Rjelesajícía platí f(0)=r>1, f(k)=1pronějaé K >0.Nejjednoduššífuncí,terátytopředpolady splňuje, je funce lineární, f(x )=r r 1 K x. Při této volbě růstového oeficientu dostaneme model vývoje populace ve tvaru ( x +1 = x r r 1 ) K x. (2) Poudpočátečníveliost x 0 populacejemenšínežapacitaprostředí K,můžeseveliostpopulace vyvíjet různými způsoby. Vývoj onrétní populace závisí na veliosti vnitřního oeficientu růstu: 1 <r<2... veliostpopulacemonotonněrostehodnotě K, 2 <r<3... veliostpopulacesehodnotě Kpřibližujestlumenýmioscilacemi, 3 <r<3.828427... veliostpopulaceolísáolemhodnoty Kpravidelně r> 3.828427... veliost populace může olísat olem hodnoty K nepravidelně, chaoticy. Přílady jsou uvedeny na následujících obrázcích 1 až 4. Všechny tyto teoreticy možné způsoby chování populace se v přírodě sutečně vysytují. Organismy s malým oeficientem růstu(napřílad velcí savci) bývají nazýváni K-stratégové. Vyznačují se tím, že plně využívají apacitu prostředí, ale špatně se vyrovnávají s jeho změnami. Organismy s velým vnitřním oeficientem růstu(napřílad drobní hlodavci) se nazývají r-stratégové. Ti sice nevyužívají bezezbytu apacitu prostředí, ale velou reproduční ativitou se brání vyhynutí při jeho změnách. 2

x x Obr.1. r=1.5 Obr.2. r=2.8 x x Obr.3. r=3.5 Obr.4. r=4 Model(2) je tedy realističtější než model Malthusův(1). Jeden závažný nežádoucí rys ale má. Poud je počáteční veliost populace příliš velá, onrétně větší než Kr/(r 1), bude její veliost v následujícím období podle modelu záporná. To samozřejmě není fyzicy možné. Tento jev je způsoben tím, že funce f je pro velé hodnoty nezávisle proměnné záporná. Model tedy dále přiblížíme realitě přidáním dalšího požadavu na funci f: funce má být na celémsvémdefiničnímoboruladná, f(x) >0pro x 0.Funcí,terásplňujevšechnyuvedené požadavy je napřílad lomená funce(nepřímá úměrnost) S jejím použitím dostaneme model f(x )= x +1 = x K+(r 1)x. K+(r 1)x. (3) Poudjepočátečníveliost x 0 populacemenšínežapacitaprostředí K,populacemonotonně narostedoveliosti K;poudje x 0 menšínež K,populacemonotonněnaveliost K lesne. Model(3) se tedy hodí pouze pro popis vývoje populací K-stratégů. Odstranili jsme nedostate modelu(2)(možnost záporné veliosti populace), ale ztratili jsme jeho přednost(flexibilitu pro modelování různých typů populací). Jiná funce splňující všechny požadavy ladené na růstový oeficient je funce exponenciální s jejímž použitím dostaneme model f(x )=r 1 x /K, x +1 = x r 1 x /K. (4) Podle tohoto modelu se populace může chovat všemi způsoby uvedenými u modelu(2) a nemůže dojít záporným veliostem populace. Cenou za toto přiblížení modelu realitě je větší výpočetní náročnost. Všechny uvažované závislosti růstového oeficientu na veliosti populace jsou znázorněny na obr. 5. 3

x +1 x r 1 r r r 1 K x K+(r 1)x r 1 x /K K x Obr. 5. Závislosti růstového oeficientu na veliosti populace 3 Modely vývoje interagujících populací (Lotovy-Volterrovy modely) Model(4) lze vzít za zálad při dalším modelování populací. Nejdříve ho přepíšeme na tvar {( x +1 = x exp 1 x ) } lnr, K nebopřioznačení α=lnr, β=(ln r)/k, x +1 = x e α βx. Parametr α charaterizuje samotnou populaci(vnitřní oeficient růstu), parametr β charaterizuje vztah populace a prostředí. Současně parametr β vyjadřuje, ja se zmenší růstový oeficient, dyž se zvětší veliost populace. Z tohoto pozorování lze vyjít při vytváření modelů populací, teré se vzájemněovlivňují.označíme y veliostdruhépopulacev-témčasovémobdobíavývojveliostí dvou populací můžeme modelovat následujícími rovnicemi: x +1 = x e α1 β1x γ 1y, (5) y +1 = y e α2 β2y γ 2x. (6) Parametry α 1, α 2 lzenazvatvnitřníparametryrůstu,parametry β 1, β 2 lzenazvatparametry vnitrodruhovéonurenceaparametry γ 1, γ 2 lzenazvatparametrymezidruhovéinterace.podle jejichznaménalasifiujemetypinterace(připostupu odmodelurealitě )neboznaména parametrů γ 1, γ 2 volímepodletypuinterace(připostupu odrealitymodelu ): γ 1 >0, γ 2 >0 druhápopulaceomezujerůstprvníaprvnípopulaceomezujerůstdruhé. Tento vztah populací se nazývá onurence nebo ompetice. γ 1 <0, γ 2 <0 druhápopulacestimulujerůstprvníaprvnípopulacestimulujerůstdruhé. Tento vztah se nazývá mutualismus nebo symbióza. γ 1 >0, γ 2 <0 druhápopulaceomezujerůstprvníaprvnípopulacestimulujerůstdruhé. Tento vztah se nazývá predace nebo parazitismus; první populace je ořistí, hostitelem, rostlinou a podobně, druhá je dravcem, parazitem, býložravcem a podobně. γ 1 =0, γ 2 >0 druhápopulaceneovlivňujeprvní,alejejíomezována,tzv.amenzalismus. γ 1 =0, γ 2 <0 druhápopulaceneovlivňujeprvníamázníužite,tzv.omenzalismus. γ 1 =0, γ 2 =0 populacesevzájemněneovlivňují.tentovztahsenazýváneutralismus. Parametry α 1, α 2 nemusíbýtladné,izolovanápopulacebezpřítomnostidruhénemusípřežívat.tojepřípadvztahudravec-ořist populacedravcebezořistivymírá,oeficient α 2 je záporný; může to být i případ mutualismu nebo omenzalismu bez přítomnosti mutualisty nebo omenzála nemusí být populace schopna přežít(pa mluvíme o obligatorním mutualismu). Podobněaniparametry β 1, β 2 nemusíbýtladné,populacenemusívnitrodruhovouonurenci projevovat, nebo doonce může proazovat vnitrodruhovou ooperaci. 4

Dvě onurující si populace mohou dlouhodobě oexistovat, jejich veliosti se ustálí na nějaé hodnotě, terá je pro aždou z populací menší než nosná apacita prostředí pro samotnou populaci bezpřítomnostidruhé(příladtaovéhospolečenstvajenaobr.6,parametry: α 1 = α 2 =0.5, β 1 = β 2 =1, γ 1 = γ 2 =0.1),neboolemtaovýchhodnotoscilují.Jinámožnostvývojeonurujících si populací je vymření jedné populace a ustálení veliosti druhé populace na hodnotě apacityprostředí(příladjenaobr.7,parametry: α 1 = α 2 =0.5, β 1 = β 2 =1, γ 1 =0.1, γ 2 =1.1)nebooscilaceolemní.Vtaovémpřípaděmluvímeoompetičnímvyloučení.Přitom buď jedna populace vždy vyloučí druhou bez ohledu na počáteční veliosti populací(jedna populace je dominantní), nebo o tom, terá z populací přežije, rozhodují počáteční veliosti populací. x, y x, y Obr. 6. Koexistence Obr. 7. Kompetiční vyloučení Mutualisticé populace mohou oexistovat a jejich veliosti se buď ustálí na hodnotách, teré jsou větší než apacita prostředí pro aždou z nich, nebo olem taových hodnot oscilují. Je-li vša mutualismus příliš silný a užite jedné populace pro druhou je veliý, může dojít tomu, že veliosti obou populací budou neomezeně exponenciálně růst(to by v přírodě znamenalo zhroucení prostředí,vněmžpopulacežijí);vtaovémpřípaděmluvímeo orgiíchvzájemnédobročinnosti (orgyofmutualbenefaction;příladjenaobr.8,parametry α 1 = α 2 =0.05, β 1 = β 2 =1, γ 1 = γ 2 = 1). Populace ve vztahu predace oexistují. Typicým chováním společenstva dravec-ořist je olísání veliostí populací olem nějaé hodnoty, přičemž maximum veliosti ořisti předchází veliost populace dravce. Přílad je na obr. 9, olečy je znázorněna populace ořisti, trojúhelníčy populacedravce;použitéparametrybyly α 1 =0.5, α 2 = 0.5, β 1 =0.1, β 2 =0, γ 1 =0.5, γ 2 = 0.5. x, y x, y Obr.8. Orgiedobrodiní Obr.9.Dravec-ořist 5