Documentos de Académico
Documentos de Profesional
Documentos de Cultura
dv .
i2
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
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
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
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
10