Imagina esto: un estudiante en el Mercado de Chacao en Caracas compra un mango de azúcar a las 10:00 AM. Ese pequeño movimiento de aire al abrir la bolsa ¿podría, semanas después, cambiar la trayectoria de un huracán que amenaza a Los Roques? La respuesta está en el caos y la dinámica no lineal. En 1963, el meteorólogo Edward Lorenz descubrió que en sistemas como la atmósfera, diferencias mínimas en las condiciones iniciales —como el aleteo de una mariposa en el Parque Nacional Henri Pittier— pueden generar resultados radicalmente distintos. Este fenómeno, que Lorenz llamó 'efecto mariposa', no es ciencia ficción: es matemática pura que explica por qué predecir el clima en Venezuela con más de 10 días de antelación es tan complicado. Hoy vas a trabajar con ejercicios que conectan esta teoría con situaciones reales de nuestro país: desde el transporte en el Metro de Caracas hasta la pesca en el Lago de Maracaibo.
El aleteo en el Henri Pittier
En el Parque Nacional Henri Pittier, dos mariposas aletean simultáneamente desde el mismo punto pero con velocidades iniciales que difieren en solo . Si la trayectoria de cada una sigue la ecuación , donde es la velocidad inicial, determina la diferencia en sus posiciones después de . ¿Qué conclusión sacas sobre la dependencia de las condiciones iniciales?
Datos
| v0_1 | Velocidad inicial mariposa 1 | 5.00 | m/s |
| v0_2 | Velocidad inicial mariposa 2 | 5.01 | m/s |
| t | Tiempo de observación | 10 | s |
Se busca
- Δx — Diferencia en posiciones (m)
Pistas progresivas
Pista 1
Calcula primero la posición de cada mariposa usando la ecuación dada
Pista 2
Resta las dos posiciones para encontrar la diferencia
Pista 3
Reflexiona sobre cómo un cambio mínimo en afecta el resultado final
Solución completa
- Posición de cada mariposa — Aplica la ecuación de movimiento para cada mariposa con sus respectivas velocidades iniciales
- Cálculo para t=10s — Sustituye t=10 s en ambas ecuaciones y calcula las posiciones
- Diferencia en posiciones — Resta las posiciones para obtener la diferencia Δx
→ La diferencia en posiciones es de 1 metro, demostrando dependencia sensible a condiciones iniciales.
El tráfico en el Metro de Caracas
En hora pico, el tiempo de espera del Metro de Caracas en la estación La Hoyada sigue el modelo , donde es el número de trenes en servicio. Si por un error operativo solo hay trenes en lugar de los programados, ¿cuánto aumenta el tiempo de espera promedio? Representa gráficamente cómo varía para entre 5 y 15 trenes.
Datos
| n_programado | Trenes programados | 10 | |
| n_error | Trenes en error | 8 | |
| T | Tiempo de espera | 15 + 2n | minutos |
Se busca
- ΔT — Aumento en tiempo de espera (minutos)
Pistas progresivas
Pista 1
Calcula T(10) y T(8) usando la fórmula dada
Pista 2
Halla la diferencia entre ambos valores
Pista 3
Grafica la función T(n) para visualizar el impacto del error
Solución completa
- Tiempo con trenes programados — Sustituye n=10 en la fórmula del tiempo de espera
- Tiempo con error operativo — Sustituye n=8 en la misma fórmula
- Diferencia en tiempos — Resta los dos tiempos para encontrar el aumento
→ El tiempo de espera aumenta en 4 minutos.
La pesca en el Lago de Maracaibo
La captura diaria de peces en el Lago de Maracaibo sigue el modelo logístico , donde es el tiempo en semanas desde el inicio de la temporada. Si por contaminación industrial la tasa de crecimiento disminuye un 10% (nuevo parámetro ), ¿cuántos peces menos se capturarán en la semana 10? Calcula también la diferencia relativa porcentual.
Datos
| P_original | Captura original | \frac{1000} ParseError: Unexpected end of input in a macro argument, expected '}' at end of input: \frac{1000}{1 + 9} | peces |
| P_modificado | Captura con contaminación | \frac{1000} ParseError: Unexpected end of input in a macro argument, expected '}' at end of input: \frac{1000}{1 + 9} | peces |
| t | Tiempo | 10 | semanas |
Se busca
- ΔP — Diferencia en captura (peces)
- ΔP_rel — Diferencia relativa (%)
Pistas progresivas
Pista 1
Calcula (10) y (10) sustituyendo t=10
Pista 2
Halla la diferencia absoluta ΔP = -
Pista 3
Calcula el porcentaje de diferencia relativa respecto al valor original
Solución completa
- Captura original en t=10 — Sustituye t=10 en la fórmula original
- Captura con contaminación en t=10 — Sustituye t=10 en la fórmula modificada
- Diferencia absoluta — Resta las dos capturas para encontrar la pérdida
- Diferencia relativa — Calcula el porcentaje de pérdida respecto al valor original
→ Se capturarán aproximadamente 26 peces menos, lo que representa un 3% de diferencia relativa.
El precio del pan en Valencia
El precio del pan en Valencia sigue la función , donde es el precio por unidad en bolívares (VES). El gobierno quiere maximizar la recaudación . Encuentra el precio óptimo que maximiza y calcula la recaudación máxima. ¿Cómo cambiaría este resultado si el costo base aumenta un 15%?
Datos
| C | Función de costo | 50000 + 200p - 0.5 | VES/unidad |
| R | Función de recaudación | p C(p) | VES |
Se busca
- p_optimo — Precio óptimo (VES)
- R_max — Recaudación máxima (VES)
Pistas progresivas
Pista 1
Expresa R(p) como una función polinómica de p
Pista 2
Encuentra el máximo de R(p) derivando e igualando a cero
Pista 3
Calcula R() para obtener la recaudación máxima
Pista 4
Repite el cálculo con el nuevo costo base (50000 × 1.15)
Solución completa
- Función de recaudación — Desarrolla R(p) = p × C(p)
- Derivada y punto crítico — Deriva R(p) respecto a p e iguala a cero para encontrar el máximo
- Resolución de la ecuación cuadrática — Usa la fórmula cuadrática para resolver R'(p)=0
- Precio óptimo — Selecciona la solución positiva que tiene sentido económico
- Recaudación máxima — Sustituye en R(p)
- Nuevo costo base — Calcula con el nuevo costo base de 50000 × 1.15 = 57500
- Nuevo precio óptimo — Repite el proceso con el nuevo costo base
→ El precio óptimo es aproximadamente 116 VES con recaudación máxima de 5.8 millones VES. Con el aumento del costo base, el nuevo precio óptimo es 118 VES.
La temperatura en Barquisimeto
La temperatura diaria en Barquisimeto durante la temporada seca sigue el modelo , donde es el día del año (t=0 corresponde al 1 de enero). Si por el cambio climático la amplitud aumenta un 20% (nuevo parámetro ), ¿cuál es la nueva temperatura máxima y mínima? Calcula también la diferencia absoluta y porcentual respecto al modelo original.
Datos
| T_original | Temperatura original | 25 + 5() | °C |
| T_modificado | Temperatura con cambio climático | 25 + 6() | °C |
Se busca
- T_max_nuevo — Nueva temperatura máxima (°C)
- T_min_nuevo — Nueva temperatura mínima (°C)
- ΔT_abs — Diferencia absoluta (°C)
- ΔT_rel — Diferencia relativa (%)
Pistas progresivas
Pista 1
La temperatura máxima ocurre cuando sin(...) = 1 y la mínima cuando sin(...) = -1
Pista 2
Calcula _original = 25 + 5(1) y _original = 25 + 5(-1)
Pista 3
Calcula las nuevas temperaturas con A=6
Pista 4
Halla las diferencias absolutas y relativas
Solución completa
- Temperaturas originales — Calcula los valores extremos del modelo original
- Nuevas temperaturas extremas — Calcula los valores con la nueva amplitud A=6
- Diferencia absoluta en máximo — Calcula la diferencia en la temperatura máxima
- Diferencia relativa en máximo — Calcula el porcentaje de aumento en la temperatura máxima
- Diferencia absoluta en mínimo — Calcula la diferencia en la temperatura mínima
- Diferencia relativa en mínimo — Calcula el porcentaje de disminución en la temperatura mínima
→ La nueva temperatura máxima es 31°C (aumento de 1°C, 3.33%) y la mínima es 19°C (disminución de 1°C, 5%).
El puente sobre el río Chama
El movimiento de un puente colgante sobre el río Chama cerca de Mérida sigue el modelo de oscilador no lineal , donde es el coeficiente de no linealidad. Si , , , , , , y la posición inicial es con velocidad inicial , simula numéricamente la posición para desde 0 hasta 10 segundos con pasos de 0.1 s. ¿Qué observas en la amplitud de las oscilaciones después de 10 segundos?
Datos
| m | Masa del puente | 5000 | kg |
| c | Coeficiente de amortiguamiento | 200 | kg/s |
| k | Constante elástica | 10000 | N/m |
| α | Coeficiente no lineal | 0.1 | N/m³ |
| F0 | Amplitud de fuerza externa | 5000 | N |
| ω | Frecuencia angular | 2 | rad/s |
| x0 | Posición inicial | 0.1 | m |
| v0 | Velocidad inicial | 0 | m/s |
| t_max | Tiempo de simulación | 10 | s |
| Δt | Paso de tiempo | 0.1 | s |
Se busca
- x_10s — Posición en t=10s (m)
- amplitud_final — Amplitud de oscilaciones al final (m)
Pistas progresivas
Pista 1
Usa el método de Euler o Runge-Kutta para resolver numéricamente la ecuación diferencial
Pista 2
Implementa la ecuación
Pista 3
Calcula la posición en cada paso de tiempo y observa la evolución
Pista 4
Analiza si la amplitud se mantiene constante, crece o decrece
Solución completa
- Ecuación de movimiento — Reescribe la ecuación diferencial de segundo orden como un sistema de ecuaciones de primer orden
- Condiciones iniciales — Define las condiciones iniciales del sistema
- Simulación numérica — Aplica el método de Euler con paso Δt=0.1 s para calcular x(t) y v(t) en cada instante
- Resultado en t=10s — Después de 100 pasos (10s/0.1s), obtén la posición final x(10)
- Análisis de amplitud — Observa que la amplitud de las oscilaciones disminuye gradualmente debido al término de amortiguamiento c
→ La posición en t=10s es aproximadamente 0.087 m. La amplitud de las oscilaciones disminuye de 0.1 m a aproximadamente 0.09 m, mostrando amortiguamiento en el sistema no lineal.
El sistema eléctrico nacional
La demanda de energía eléctrica en Venezuela sigue el modelo , donde es la hora del día (t=0 a medianoche). La capacidad de generación es . Determina los intervalos de tiempo en que hay déficit energético () y calcula la energía total no suministrada en un día. Si se instala una nueva planta que aumenta la capacidad en un 10%, ¿en cuánto se reduce el déficit total?
Datos
| D | Función de demanda | 15000 + 2000() + 500() | MW |
| G | Función de generación | 18000 - 500() | MW |
| G_nuevo | Generación con nueva planta | 1.10 G(t) | MW |
Se busca
- intervalos_deficit — Intervalos con déficit (horas)
- E_deficit — Energía no suministrada diaria (MWh)
- E_deficit_reducido — Energía no suministrada con nueva planta (MWh)
- reduccion_porcentual — Reducción porcentual (%)
Pistas progresivas
Pista 1
Grafica D(t) y G(t) para identificar los intervalos donde D(t) > G(t)
Pista 2
Calcula la energía no suministrada integrando [D(t) - G(t)] sobre los intervalos de déficit
Pista 3
Repite el cálculo con la nueva capacidad (t)
Pista 4
Calcula la reducción porcentual de la energía no suministrada
Solución completa
- Identificación de déficit — Analiza gráficamente o numéricamente los intervalos donde D(t) > G(t). Se observa déficit principalmente entre las 18:00 y 22:00 horas.
- Cálculo de energía no suministrada — Integra la diferencia D(t) - G(t) sobre el intervalo [18, 22]
- Aproximación numérica — Usa el método del trapecio con Δt=1 hora para aproximar la integral
- Valores en intervalo de déficit — Calcula D(t) y G(t) en t=18, 19, 20, 21, 22 horas
- Energía no suministrada original — Aplica la fórmula del trapecio
- Nueva generación con 10% más — Calcula (t) = 1.10 × G(t)
- Nuevos valores en intervalo de déficit — Calcula (t) en los mismos puntos
- Energía no suministrada con nueva planta — Aplica el método del trapecio con los nuevos valores
- Reducción porcentual — Calcula el porcentaje de reducción
→ El déficit energético ocurre entre las 18:00 y 22:00 horas, con energía no suministrada de 2500 MWh diarios. Con la nueva planta, el déficit se reduce a 500 MWh, una disminución del 80%.
El efecto en la agricultura de los Andes
Demuestra que el modelo de crecimiento de café en los Andes venezolanos es un sistema no lineal y encuentra su punto de equilibrio. Si unidades, unidades, , y el precio del café aumenta un 25%, ¿cómo cambia el punto de equilibrio? Interpreta este resultado en el contexto del efecto mariposa en sistemas agrícolas.
Datos
| K | Capacidad de carga | 1000 | unidades |
| C0 | Población inicial | 100 | unidades |
| r | Tasa de crecimiento | 0.2 | 1/días |
| precio_aumento | Aumento en precio | 1.25 |
Se busca
- punto_equilibrio — Punto de equilibrio (unidades)
- punto_equilibrio_nuevo — Nuevo punto de equilibrio (unidades)
Pistas progresivas
Pista 1
Demuestra que el modelo es no lineal mostrando que no puede expresarse como una función lineal
Pista 2
Encuentra el punto de equilibrio igualando dC/dt = 0
Pista 3
Interpreta cómo un cambio en parámetros (precio) afecta el punto de equilibrio
Pista 4
Relaciona este resultado con la dependencia sensible a condiciones iniciales
Solución completa
- Demostración de no linealidad — El modelo logístico contiene el término exponencial multiplicado por una función racional, lo que lo hace no lineal.
- Punto de equilibrio original — Iguala dC/dt = 0 y resuelve para C
- Interpretación del punto de equilibrio — El punto de equilibrio estable es C=K=1000 unidades, que representa la capacidad máxima sostenible del cultivo.
- Efecto del aumento de precio — Un aumento del 25% en el precio del café puede interpretarse como un aumento en la capacidad de carga K, ya que permite mayores inversiones en el cultivo.
- Nuevo punto de equilibrio — El nuevo punto de equilibrio es _nuevo = = 1250 unidades
- Interpretación del efecto mariposa — Un pequeño cambio en el precio (parámetro económico) genera un cambio significativo en la capacidad de carga del sistema agrícola, demostrando dependencia sensible a condiciones iniciales en sistemas complejos.
→ El punto de equilibrio original es 1000 unidades. Con el aumento del 25% en el precio del café, el nuevo punto de equilibrio es 1250 unidades, demostrando cómo pequeños cambios económicos pueden tener efectos significativos en sistemas agrícolas.