1.

- Anlisis del problema

En la teora de propagacin de enfermedades, muchos modelos de las que se
utilizan son simplificaciones de comunidades de individuas ms o menas grandes, cuyo
nico aspecto
evolucin de la enfermedad a estudiar, sin tener en cuenta otros
factores como el crecimiento. En el trabajo se ha incluido un apartado extra en el que se
trata distintas modelas de crecimiento de una poblacin, con el fin de elegir uno de ellos
para nuestro problema, en funcin de caractersticas que discutiremos en dicho apartado.
1.1- Modelos de propagacin de enfermedades
La idea principal de este trabajo es estudiar distintos modelos de propagacin de
una enfennedad en comunidades estticas y dinmicas. Usaremas das en particular. El
primero de ellos se representar por das variables: las individuos infectados de una
poblacin, que denominaremosy(t)", y las que no lo estn y por tanto son susceptibles de
enfermar, "x(t)'\ Sabemos entonces que, si todas los individuos tienen la misma
probabilidad de infectarse, y existe un lmite de usuarios infectados. Este lmite es es la
poblacin total, a la que designaremos como "m", no siendo una variable que dependa del
tiempo en este primer modelo. Podemos usar un modelo de tipo logistico, que
explicaremas en el apartado 1.2 con ms detalle.
&=k t y(nt-y)
Donde ki es una constante de infeccin. Se denota con subndice, a pesar de ser la
nica constante del 1er modelo, puesto que se corresponde con la constante de infeccin
de nuestro 2 o modelo. En nuestro problema, dicha constante la tenemos como valor, pero
en otro caso podra ser posible hallarla mediante ajuste lineal de datos estadsticos.
La cantidad de individuos susceptibles a enfermar en cada momento se dara como
El sistema tiende a que todos las individuos se infecten y los individuas sanos
desaparezcan cuando el tiempo crece indefinidamente. Dicha ecuacin diferencial de
primer orden tiene una solucin analtica. Desarrollando la ecuacin diferencial,
-=k,my-k,y

dv .

i2

Se trata de una ecuacin diferencial de Bemouilli. Para resolverla, realizamos el

cambio
/i
1 dy: = 1 du
u[,]=
-y ~T,
Sustituyendo, nos queda la siguiente ecuacin diferencial lineal completa:
=-k 1 mu+k l
dt
Cuya solucin es del tipo:

y()=-----r
m
Siendo C una constante que se ajusta conociendo un valor de y(t); en nuestro
problema de valores iniciales, de y(0).
En el segundo modelo, aadimos una variable ms: z(t). Esta da cuenta de los
individuos que, a efectos de la enfennedad, se eliminan de la poblacin total m (m(t)
cuando la poblacin dependa del tiempo). Esto quiere decir que hay individuos que ya no
se tienen en cuenta para el desarrollo de la enfennedad porque se inmunizan, porque son
aislados, porque mueren a causa de esta, etc. En definitiva, que lian pertenecido a la

poblacin total como parte del grupo y(t) y que ahora pueden encontrarse vivos o
muertos, pero no pueden infectar ni ser infectadas.
En este modelo, suponemos que es la poblacin de individuas saludables x(t) la que
decrece a cero exponencialmente, de la fonna
x(t)=x(0)e iu,tU{,i
Siendo x(0) las individuos sanas en t=0, ki la constante de infeccin que apareca en
el modelo anterior y fe la constante de recuperacin, relacionada con la velocidad de
crecimiento del grupo de poblacin z(t) y que por tanto aparece en la ecuacin diferencial
de esta. Aunque llamemos a esta constante de "recuperacin", esto no significa que las
individuas z(t) estn sanadas; simplemente, como lie mas comentado anteriormente, no
se computan como infectados, pero pueden estar aislados en cuarentena o muertas.
La variacin de z(t) depende de las individuos del grupo y(t) que halla. La ecuacin
diferencial mediante b cual se determina z(t) parte de considerar que la suma de todas las
individuas grupas x(t), y(t), z(t) resultan el conjunto total m.
m=x{t)+y{t)+z[t)
Adems, el crecimiento de b pobbcin z(t) depende de b cantidad de infectados y(t)
que haya, mediante b constante de recuperacin anterior. De esta forma, la ecuacin
diferencial queda:
=k2 y=k2 (m-z *}=k2[ m-zx(0)e~ <k,lkl *' 11)
Esta es b ecuacin que rige nuestro 2 o modelo. A diferencia del primero, este no se
puede resolver analticamente. Por lo que no podemos comprobar los resultadas
numricas con los valores reales; pero si la aproximacin numrica en el otro modelo
resulta bastante acertada con el nmero de intervalos tomado, podramos suponer que en
este las resultados numricos obtenidas tambin son fiables
Una vez que y(t) alcance aproximadamente el valor m, el crecimiento de la
poblacin z(t) ser a ritmo constante. Este modelo sirve para periodas de tiempo cortos,
pues vemos que el grupo de pobbcin z(t) puede crecer indefinidamente, al no existir una
limitacin a su crecimiento.
Una correccin de este modelo seria convertir la ecuacin diferenicial de z(t) en una
funcin logstica, imponiendo como limite m(t). La ecuacin quedara:
lt
El modelo, obviamente, se complicara, y esta modificacin tampoco admitira
solucin analtica. Como el problema tratar de periodos de tiempo de un mes, en el cual
z(t) no alcanza un tamao considerable con respecto a m(t), no realizaremos esta
correccin sobre el modelo.
Cuando el tamao de la poblacin vara (m(t) es una funcin dependiente del tiempo),
como los elementas de la poblacin que crecen son las susceptibles a enfermar y no las
infectados ni las recuperadas, hay que realizar la siguiente modificacin:
5

^= kl (m-z-(m-y( O)}*^) y=m-z-(m-y(

Estas sern las ecuaciones con las que elaboraremos el tercer modelo para nuestro
problema.
1.2 - Modelos de poblaciones
A continuacin, vamos a estudiar tres tipos de modelos: uno con crecimiento fijo,
otro con crecimiento variable siguiendo el coeficiente de crecimiento una ecuacin de una
recta, y un modelo logistico.

En el primero, se trata de un crecimiento exponencial, en el cual la varicin de b poblacin

es proporcional a esta, mediante una constante de proporcionalidad o. Expresada en
tanto por ciento, b ecuacin diferencial de b pobbcin queda:
dP o p dt 100
Sirve para intervalos muy pequeas; para el crecimiento mundbl, del orden de 1
decena de aas o menas. Examinando datos tabuladas obtenidos [1], es fcil observar
que la tasa de crecimiento de b poblacin mundial vara considerablemente cuando
elegimos ms de 5-10 aos seguidos. Parece lgico pensar que este modelo no nos
servir para nuestro problema, pero a pesar de ello lo ejecutaremos y graficaremos, con el
objetivo de comprobar si esto es cierto o no.

Poblaci Tasa
de
crecimiento
Ao
n
inferanual(%)
5,287,166,
1990 778
1.569
1991 5,370,142, 1.581
696
1992 5,455,057, 1.513
523
1993 5,537,583, 1.462
721
5,618,516,
1994 091
1.442
1995 5,699,516, 1.411
291
1996 5,779,912,
1.361
412
5,858,582,
1997 659
1.322
5,936,039,
1998 484
1.299
1999 6,013,121, 1.275
531
2000 6,089,810,
1.261
661
2001 6,166,582,
1.245
980
2002 6,243,351,
1.225
444
2003 6,319,822, 1.217
330
2004 6,396,726,
1.201
866
2005 6,473,525,
1.201
274
2006 6,551,256,
1.197
997
2007 6,629,668, 1.185
134
6,708,1%,7
2008 74
1.166
2009 6,786,381, 1.140
274

En el 2o modelo, se predice que el crecimiento decrecer linealmente, desde un o,

hasta un <J2, entre un tiempo ti y ti En este caso, la dependencia de o(t) con el tiempo es
directamente proporcional. Su ecuacin ser:

Aunque se puede extender su uso ms all del rea de trabajo del ltfr modelo, la
dificultad asociada a este es que hemos propuesto que la tasa de crecimiento vari
linealmente sabiendo la tasa de crecimiento entre das tiempos dadas. No es, por tanto, un
modelo para usar en periodos muy amplios de tiempo. De hecho, el tiempo idneo para
trabajar con este modelo es en el periodo t. -1,. Esto es porque hemos propuesto que el
crecimiento sigue esa recta, predicha hasta ese ao. Si extendisemos este modelo a
periodas de tiempo mayores, podra ocurrir das casas, dependiendo de su pendiente. Si la
pendiente es negativa, veremos que, en algn momento, la poblacin alcanzara su
mximo, como demostraremos en las apartadas siguientes, para despus decrecer cada
vez ms rpidamente hasta extinguirse, cosa que sabemos que no ocurre con las
poblaciones reales. Si la pendiente es positiva, la poblacin crecera ms rpidamente
cada vez, sin limite ninguno. Adems, deberamos conocer das puntas de esa recta, por lo

que debemos usar datos estadsticas o realizar un estudio ms profundo sobre la

poblacin y sus caractersticas.
Por ltimo, recurrimos al modelo de poblacin ms conocido: el logistico. Surge
como un refinamiento del de crecimiento exponencial. En este, la variacin de una
poblacin con respecto del tiempo es igual a la poblacin que haya, por una constante
positiva si crece hacia el infinito, o negativa si decrece hasta 0. Esto quiere decir que.
cuanto ms poblacin haya, ms rpido crecer o decrecer, pues ms individuos
participarn en el proceso de crecimiento o decrecimiento.
El problema del crecimiento exponencial positivo es que no hay ningn impedimento
matemtico para que se siga desarrollando la poblacin; no existe un "tope". Lo que se
quiere sealar es que, para periodas de tiempo muy grandes, segn el modelo la
poblacin crecer ininterrumpidamente, tendiendo al infinito cuando el tiempo tambin lo
haga. Esto no tiene ningn sentido real, pues una poblacin no puede crecer
indefinidamente al verse limitada por el alimento del que dispone, el espacio y las
depredadores que la acechan, entre otros paramtras.
No ocurre asi si la constante del crecimiento exponencial es negativa; en ese caso,
la poblacin cuando el tiempo tiende hacia infinito es 0. Aqu, poblacin no decrece
indefinidamente hacia valores negativas, sino que existe un limite con sentido fsico: la
extincin de esa poblacin. El modelo de tipo exponencial negativo lo hemas utilizado en
el caso del x(t) (las personas susceptibles de infectarse) en nuestro segundo modelo de
infeccin, puesto que estarnas considerando que no se toman medidas contra la
enfermedad antes de que un individuo se infecte y, por tanto, cada individuo finalmente se
infectar. Como hemas dicho, cuando se infecta, puede pasar a formar parte del colectivo
z(t), dentro del cual se engloban las personas que son aisladas, tratadas, que estn
inmunizadas o que han muerto a causa de la enfermedad.
Sin embargo, existe una forma de modelizar el hecho de que la velocidad de
crecimiento de una poblacin dependa de la cantidad de individuos por la que est
compuesta y, al mismo tiempo, que exista un limite mximo al cual pueda tender esa
poblacin al existir una cantidad finita de recursos: a esto se le llama el modelo logistico.
La ecuacin que uitiliza en la que se basa este fue publicada por Pierr Franois Verhulst
en 1838, y tiene gran aplicacin no solo en la propagacin de enfermedades, sino tambin
en las poblaciones biolgicas y difusin de noticias a travs de las redes sociales.
La ecuacin que nosotros utilizaremas ser del tipo:
-SL.pl p -P)=aP(P -P) dt 100 ma
'
*
Donde el limite para la poblacin ser P**, 2.- Metodologa
Una vez espuesto los distintos modelas, explicaremos un poco los valores con las
que simularemos los distintas modelos y la justificacin de estas. Pero para tratar el
problema de la difusin de la enfermedad, antes probaremos las distintas modelas
poblacionales, con el fin de justificar la eleccin del modelo logistico.
2.1- Metodologa del problema del crecimiento poblacional, aplicado a la poblacin
mundial
Se prueban los distintas modelos de poblaciones. Los datas que tenemos son para
poblaciones mundiales, asi que las parmetras con las que operaremas son:
a = 2000, tiempo inicial en aas b =
2050, tiempo final en aas
n = 500, nmero de intervalos a tomar, siendo el tamao del paso entre cada punto
calculado h = 0.1
Po = 6000, habitantes en millones de habitantes
o = 1.25, tasa de crecimiento para el 1er modelo
ai = 1.25, tasa de crecimiento inicial para el 2o modelo
o = 0.45, tasa de crecimiento final para el 2o modelo
cf = 5 1 fr6, tasa de crecimiento para el 3er modelo

Pm\= 10000, poblacin mxima en millones de habitantes

Para las 3 modelos, utilizaremas el mtodo de Runge-Kutta de orden 4, por ser
bastante preciso y tratarse de una sola ecuacin diferencial cada vez. Destaca el hecho
de que para la resolucin de problemas logsticas se necesita ese valor tan pequeo de o'
para que el sistema conveija, pues se ha observado que para valores mayores como
0,0004 o 0,004 el mtodo de Runge-Kutta presentaba problemas de estabilidad. Tambin
lo hace si, para cualquiera de los modelas usados, el tamao del paso entre un nodo y
otro es menor de 0,1. Por esto, el nmero de intervalos que hay que tomar es:

Tambin estudiaremos para qu fecha, con las valores que hemos impuesto, la
poblacin segn el 2o modelo es mxima y empieza a decrecer. Para el momento en el
que esto ocurre, ese es el valor mximo de tiempo mximo hasta al cual podramos
extrapolar nuestro modelo. Una vez que ejecutaras todos estos datas, veremos que el
mejor modelo para representar la variacin de la poblacin total de nuestro problema de
propagacin de enfermedades es el logistico, puesto que, adems de ser bastante usado
en el mbito de la biologa, es eficaz a largo plazo y no es preciso un estudio profundo
sobre la poblacin a tratar.
2.2 - Metodologa del problema de la propagacin de enfermedades
Primero, probaremos los das modelos de propagacin para una poblacin esttica
m, y compararemos en el primero de ellos la solucin aproximada con la exacta, pues he
mas demastrado en el apartado anterior que su ecuacin diferencial corresponde a un a
ecuacin de Bernouilli cuyo resultado podemos obtener analticamente. Los parmetros,
para los dos modelas, son:
a= 0, tiempo inicial en das b= 30,
tiempo final en das
n = 300, nmero de intervalos a tomar, siendo el tamao del paso h =0.1

ki = 2-10'*, constante de infeccin

ki = 104, constante de desaparicin
y0= 10, individuos infectados iniciales
.\o = 9,9-104, individuas susceptibles de enfermar iniciales
m = 10', individuos totales de la poblacin esttica, que son las mismos que
las de la poblacin total inicial del 3 er modelo nw = 1.510', poblacin mxima
para el 3er modelo o* = 4 -10 . tasa de crecimiento para el 3er modelo
Para el primer caso, la solucin exacta del modelo es
vi t )=----------- --------9,9 10" V0*+ 10" 5
Para una poblacin total variable, usaremos la siguiente ecuacin diferencial:
^L=4 10"6m(1.5 10?-m)
ilt
Junto con la ecuacin diferencial del 3er modelo:
^=10 4(m z{m 10)e~<12i} at
La tasa de crecimiento en b ecuacin diferencbl de m(t) es un orden de magnitud
menor que en el usado para el crecimiento de poblaciones con el fin de que se aprecie el
efecto del crecimiento en el posterior anlisis de los datas.
3.- Cdigos de Matlab 3.1Modelos de poblaciones El cdigo a usar es
% POBLACIONES DINAMICAS
%
% 1) Si la poblacin sigue una ecuacin de crecimiento variable como
en una % recta
f-inline<(1.25+<0.4 5-1.25./<2050-2000 .* <t-2 000>.*P./100* , 1 1','P >
% 2 Si la poblacin tiene un crecim iento fijo de 1.25% g-inline < '1.2
5.* P./100' ,'t','P>;
3 Si la poblacin sigue un modelo logistico
-inline<'P.*(10000-P *5.e-06' ,'t','P'};
% Parmetros de Runge-Kutta
a-2000;
b-2050;
P0-6000; % En millones de habitantes n-500;
[ti,P1]-rungekutta(f,a, b, P0,n ;
[t2, P2 ]-rungekutta (g,a,b, P0,n> ;
[t3, P3]-rungekutta (h,a, b, P0,n ;

10