Del clima al caos: una analogía entre meteorología y dinámica de poblaciones

En el estudio del clima, Edward Lorenz descubrió que pequeñas variaciones en las condiciones iniciales podían generar resultados drásticamente diferentes, incluso dentro de sistemas deterministas.
Ese hallazgo, conocido como efecto mariposa, dio origen al concepto moderno de caos determinista.

Curiosamente, esa misma lógica puede observarse en un sistema mucho más simple: la dinámica poblacional descrita por la ecuación logística:

donde:

• $x_n$ representa la población normalizada en el tiempo $n$,
• $r$ es el parámetro de crecimiento,
• y el término $(1 - x_n)$ introduce un límite ambiental.

Para analizar la evolución de este sistema y visualizar sus distintos comportamientos —estables, periódicos o caóticos— basta una función sencilla que itere la ecuación un número fijo de pasos y devuelva la secuencia poblacional. La misma función sirve para los tres regímenes: lo único que cambia es el valor de $r$.

def poblacion(r, x_0, n_iter=60):
    """
    Itera la ecuación logística x_{n+1} = r * x_n * (1 - x_n).

    Parámetros:
        r (float):     tasa de crecimiento.
        x_0 (float):   población inicial normalizada, en (0, 1).
        n_iter (int):  número de iteraciones a calcular.

    Retorna:
        list[float]: la secuencia [x_0, x_1, ..., x_{n_iter}].
    """
    evolucion = [x_0]
    for _ in range(n_iter):
        x = evolucion[-1]
        evolucion.append(r * x * (1 - x))
    return evolucion

Iterar siempre un número fijo de pasos —en vez de cortar cuando la serie “se estabiliza”— es lo que hace que la función valga para los tres regímenes: en el estable la secuencia converge, en el periódico oscila y en el caótico nunca se repite. Por ejemplo, poblacion(2.8, 0.2) converge a un valor fijo, poblacion(3.2, 0.2) acaba alternando entre dos, y poblacion(3.9, 0.2) no se asienta nunca.

Podemos ir un paso más allá y pedirle al código que identifique el régimen automáticamente. La idea es sencilla: se descarta el transitorio inicial, se observa el atractor y se mide cada cuántos pasos se repite (su periodo). Un periodo de 1 es un punto fijo; 2, 4, 8… son ciclos; si no se repite nunca, es caos.

def clasificar_regimen(r, x_0=0.314, transitorio=2000, ventana=600, tol=1e-6):
    """
    Identifica el régimen de la ecuación logística para un r dado.

    Descarta el transitorio, observa el atractor y mide su periodo:
    devuelve 1 (punto fijo estable), 2, 4, 8, ... (ciclo periódico)
    o None (sin periodo detectable: régimen caótico).
    """
    x = x_0
    for _ in range(transitorio):          # dejar que el sistema se asiente
        x = r * x * (1 - x)

    cola = []
    for _ in range(ventana):              # registrar el atractor
        x = r * x * (1 - x)
        cola.append(x)

    for periodo in range(1, 65):          # buscar el periodo más corto
        if abs(cola[-1] - cola[-1 - periodo]) < tol:
            return periodo
    return None                           # aperiódico -> caos

Si recorremos el parámetro, el código dibuja por sí solo la cascada de duplicaciones de periodo:

r = 2.8   -> periodo 1     (estable)
r = 3.2   -> periodo 2
r = 3.5   -> periodo 4
r = 3.55  -> periodo 8
r = 3.83  -> periodo 3     (una ventana ordenada dentro del caos)
r = 3.9   -> None          (caótico)

Esa secuencia $1 \to 2 \to 4 \to 8 \to \dots$ es exactamente la ruta al caos que vamos a recorrer a continuación. Y fíjate en $r = 3.83$: dentro de la región caótica reaparecen ventanas periódicas, una pista de que el caos no es un bloque uniforme, sino una estructura sorprendentemente rica.

A medida que se aumenta el parámetro $r$, este sistema tan simple atraviesa tres comportamientos cualitativamente distintos. No se pasa del orden al caos de golpe: hay una transición gradual, la cascada de duplicaciones de periodo, que merece la pena recorrer paso a paso.

Régimen estable: equilibrio y previsibilidad

Cuando los valores de $r$ son pequeños —por debajo de $3$, por ejemplo $r = 1.5$ o $r = 2.8$— el sistema converge hacia un único punto fijo $x^{*} = 1 - 1/r$.
En este régimen, cualquier población inicial tiende al mismo valor final, independientemente de pequeñas diferencias en $x_0$: las perturbaciones se disipan.

Visualmente, las trayectorias se aplanan hacia un valor fijo. Esto representa un entorno predecible:

• La población alcanza un tamaño estable.
• El comportamiento a largo plazo puede anticiparse fácilmente.

En términos meteorológicos, este escenario se asemeja a un sistema atmosférico estable, donde las perturbaciones se amortiguan y el clima retorna a su estado medio: orden, equilibrio y previsibilidad.

Régimen periódico: la duplicación de periodo

Al cruzar $r = 3$, el punto fijo se vuelve inestable y el sistema no se estabiliza en un valor, sino que oscila entre varios. Para $3 < r < 3.449$ la población alterna entre dos valores (periodo 2); un poco más arriba aparece el periodo 4, luego el 8, el 16… Cada bifurcación duplica el periodo, y los intervalos de $r$ en los que ocurren son cada vez más cortos.

Esto es importante para no confundir conceptos: la oscilación periódica todavía no es caos. Es perfectamente predecible —basta con conocer el ciclo— y dos condiciones iniciales cercanas siguen convergiendo al mismo ciclo. Es, eso sí, la antesala del caos.

Régimen caótico: sensibilidad a las condiciones iniciales

La cascada de duplicaciones se acumula en $r \approx 3.5699$ (la constante de Feigenbaum gobierna ese ritmo). A partir de ahí el sistema entra en el régimen caótico: las trayectorias dejan de ser periódicas y se vuelven aperiódicas.

Aquí aparece la firma del caos. Tomemos $r = 3.9$ y dos poblaciones iniciales casi idénticas, $x_0 = 0.300$ y $x_0 = 0.301$. Durante las primeras iteraciones avanzan juntas; pero la diferencia entre ellas crece de forma exponencial (esto es lo que mide un exponente de Lyapunov positivo) y, en torno a una decena de pasos, las dos trayectorias son ya completamente distintas.

En el panel inferior de la gráfica, esa diferencia $|x_n^{(a)} - x_n^{(b)}|$ se dispara en escala logarítmica: aunque la ecuación es determinista, su evolución se vuelve prácticamente impredecible.

Aquí es donde la analogía meteorológica se hace evidente: la atmósfera, como estas poblaciones, obedece reglas deterministas, pero la extrema sensibilidad a las condiciones iniciales hace que el pronóstico a largo plazo sea imposible. Un cambio minúsculo —una perturbación de temperatura imperceptible— puede alterar por completo la evolución del sistema. Ese es, en esencia, el efecto mariposa.

Tanto en las ecuaciones meteorológicas como en el modelo logístico, el caos no significa desorden absoluto, sino complejidad dentro de un sistema perfectamente determinista.
La ecuación sigue siendo la misma; lo que cambia es la relación entre sus variables.
Este paralelismo entre el clima y las poblaciones revela una verdad profunda:

La predictibilidad no depende de conocer las leyes, sino de la estabilidad del sistema que esas leyes describen.

Relacionado: estas mismas ideas de sensibilidad e impredecibilidad se llevan a la predicción del tiempo en Predicciones por conjuntos, y a un fenómeno atmosférico real en Bloqueos atmosféricos desde un punto de vista lagrangiano.