WP Hloza Covid 19 200604

La distancia como medio de contención de la pandemia1
(Documento preliminar)
Hugo Loza2
Santa Cruz de la Sierra, 4 de junio del 2020
Todas las distancias que el hombre ha creado a su alrededor

han surgido de este temor a ser tocado.
(Elías Canetti, Masa y poder, 1987)
Resumen
Presento un modelo explicativo de las variaciones en el tiempo, de la población susceptible de

contraer la enfermedad, efectivamente infectada y recuperada, como una modificación de la ver-
sión original del modelo propuesto en 1927, por Kermack y McKendrick3. En efecto, a las 3
ecuaciones diferenciales propuestas, le añado una, convirtiendo de esta manera, un parámetro, la
tasa de transmisión de la enfermedad, en una variable endógena. Muestro en la representación del
espacio de fases del sistema y de manera analítica, en el análisis de dinámica cualitativa, el carácter
de los equilibrios del sistema. Mediante simulaciones numéricas, explico las posibilidades del
modelo en diferentes escenarios de desarrollo de la enfermedad, para finalmente, reconstruir las
características de desarrollo de la pandemia en algunos países tomados como ejemplo de ilustra-
ción.
Palabras clave: Covid-19, distancia, epidemiología, modelos SIR, sistemas dinámicos.
1. Introducción4
A fines del año 2019 e inicios del 2020, se empieza a divulgar en los medios de comunicación,
noticias sobre la aparición de una enfermedad que estaba haciendo literalmente, estragos en la
población de una ciudad, Wuhan, capital de la provincia de Hubei situada en el centro de China.
Aun cuando no existe a la fecha, evidencia sobre su origen, se supone que las primeras personas
se habrían contagiado en un mercado de la ciudad, conocido por realizar transacciones comerciales
sobre animales vivos que en la ocasión son sacrificados en el momento del cierre de la operación
de compra y venta (wet market).
1
Agradezco la disponibilidad de Rimer Zurita para resolver mis consultas, sin comprometerlo a él ni a la Unidad de
Postgrado de la FCET de la UAGRM, donde me desempeño actualmente, como coordinador de investigación, con las
limitaciones, resultados e interpretaciones de este documento.
2
4to anillo esquina calle 2 oeste, Las Palmas, Santa Cruz de la Sierra, hloza591@gmail.com.
3
Kermack, W. O.; McKendrick, A. G. (1927). "A Contribution to the Mathematical Theory of Epidemics". Proceedi-
ngs of the Royal Society A. 115 (772): 700–721.
4
La referencia de la información que aparece en los 3 primeros párrafos de esta sección es Wikipedia, the Free
Encyclopedia.
La enfermedad de tipo viral, conocida por su acrónimo Covid-19 (coronavirus disease), es de
carácter infeccioso, y se manifiesta bajo la forma de un síndrome respiratorio agudo severo (SARS-
CoV-2). La gravedad de la pandemia es tal que hasta el 6 de mayo de 2020, se tiene noticias de
más de 3.68 millones de casos en 187 países y territorios, y más de 257 mil decesos. A diferencia
del SARS-CoV que hizo su irrupción en el año 2003, el 78% de los casos son asintomáticos, tar-
dando en manifestarse en los otros, entre 2 y 14 días, con un promedio de 5, imposibilitando o
dificultando, la identificación del portador del virus, facilitando así, el contagio.
La pandemia se extiende a Bolivia, el 10 de marzo de este año cuando 2 personas provenientes de

Europa muestran primero, los síntomas de la enfermedad dando posteriormente, positivo en las
pruebas de laboratorio. Al 25 de mayo, 6660 pacientes irregularmente distribuidos en los 9 depar-
tamentos, están contagiados. El aeropuerto internacional Viru Viru, situado a proximidad de Santa
Cruz de la Sierra, se constituye en una de las principales puertas de entrada del virus. De esta
manera, el departamento concentra la mayor parte de los casos para una población que representa
el 23% del total del país.
No existiendo a la fecha, remedio alguno para atenuar el impacto de la enfermedad, y menos,

vacuna para proteger a la población, su difusión a través de los países, lo mismo que su manifes-
tación más o menos virulenta, parecieran estar dependiendo de las políticas nacionales adoptadas,
junto con los medios a disposición. Para entender lo que sucede se puede proponer criterios bina-
rios de clasificación según que los países estaban o no preparados para enfrentar el flagelo, o según
la opción de una política de confinamiento de la población y paralización de la economía, o más
bien, apertura de la economía acompañada de una relativa masificación de las pruebas de contagio.
De esta manera, Taiwán, Singapur, Corea del Sur y el propio Vietnam, parecieran estar mejor
preparados para afrontar la pandemia que Italia, España y Francia, sin mencionar el Reino Unido,
por el hecho de haber pasado en el año 2003, por la experiencia del SARS-CoV. De otra manera,
cuesta explicar hechos que han salido a la luz pública con la agravación de la situación sanitaria
como por ejemplo, la ausencia de inventarios de barbijos, sin mencionar la falta de una estrategia
de enfrentamiento de la crisis que se avecinaba cuando ya se tenía noticias de la gravedad de la
enfermedad en la China continental.
El caso del Reino Unido, donde el Covid-19 se está manifestando en la actualidad, con mayor
virulencia que en los otros países europeos, merece una consideración particular por ser el escena-
rio donde se enfrentan con mayor claridad, 2 enfoques diferentes del curso de la pandemia y en
consecuencia, de las políticas de salud pública y de su impacto en la economía. En este sentido,
un concepto propio del mundo cerrado de la epidemiología, la inmunidad de grupo o de conjunto,
(herd immunity), se sitúa en el centro del debate, condicionando o postergando más bien, el confi-
namiento de la población.
En cuanto al uso de la cuarentena como política de contención del virus, la China continental
pareciera representar el ejemplo por antonomasia, de una política exitosa de salud pública. En
efecto, después de 76 días de un confinamiento radical y absoluto, Wuhan se abre a la economía,
mientras que los nuevos contagios son todos, importados. Por el contrario, Singapur, Corea y
Taiwán, en Asia, logran un control de la difusión del virus, lo mismo que Alemania en Europa,
2
mediante una estrategia fundada en la aplicación masiva de pruebas, identificación de los portado-
res del virus, y aislamiento del enfermo durante el periodo de contagio.
Un país que sorprende al mundo por la aparente política de despreocupación frente al ascenso de
los contagios, es Suecia. Lo que está sucediendo en el norte de Europa es sin embargo, resultado
de una política asumida por entero, por la instancia gubernamental responsable de la salud pública.
En un país donde las soluciones a los problemas se las encuentra en un clima de consenso, la
población tiene confianza en que la respuesta a la crisis sanitaria va a rendir sus frutos más ade-
lante, en los meses a venir, con los rebrotes de la pandemia en los países que han optado por cerrar
la economía, aun cuando pareciera en el corto plazo, estar costando contagios y vidas que podían
muy bien ser protegidas con una cuarentena estricta.
Finalmente, para abordar la situación en los países sudamericanos como Bolivia, o de igual nivel
de desarrollo relativo en África o en Asia, conviene proponer un tercer criterio de clasificación de
la respuesta a la pandemia según la fortaleza o fragilidad del sistema institucional de cada sociedad
nacional. Si en los países desarrollados se puede modificar el tipo de respuesta a la crisis en plazos
perentorios sobre la base de una reconversión rápida de los procesos industriales, los problemas
estructurales de los países dependientes, se agravan por encima de la buena voluntad de las perso-
nas para dar solución a problemas que les sobrepasan.
Esta somera e incompleta revisión de las características de las respuestas a la pandemia pone de
manifiesto que en cualquier circunstancia, en ausencia de vacuna y medicación para controlar o
mitigar el impacto de la enfermedad, la distancia es la única manera de evitar una catástrofe sani-
taria, distribuyendo en la duración, la virulencia de la crisis. Que sea radicalmente, suprimiendo
los derechos a la libre circulación y al trabajo, como en la China continental, por vía de la argu-
mentación y el consenso, como en Suecia, o por medio del aislamiento selectivo de los portadores
del virus, como en Taiwán o Corea del Sur, la distancia es a la hora actual, el medio de contención
de la pandemia.
La continuación de este documento que dedico a la memoria de las víctimas de esta pandemia, está
organizada como sigue. Después de la introducción, presento en la segunda sección, los antece-
dentes del estudio, para seguir en la tercera, con la presentación de las ecuaciones del modelo. En
la cuarta sección, muestro las trayectorias de las órbitas en el espacio de fases, demostrando ense-
guida, el carácter de los equilibrios en el análisis de dinámica cualitativa. En la quinta sección
pongo de manifiesto la utilidad del modelo en diversos escenarios de desarrollo de la pandemia,
reconstruyendo en la sexta, las características del desarrollo de la enfermedad en algunos países
tomados como ejemplo de ilustración, para cerrar con las conclusiones en la séptima sección.
2. Antecedentes
El 26 de marzo comienzo a escribir la primera versión de un modelo modificado fundado en la

clasificación de la población en clases exclusivas y exhaustivas, denominadas susceptibles, infec-
tados y recuperados, conocido en la literatura con el acrónimo SIR. El punto de partida es un
video breve, de no más de 8 minutos que sin buscarlo, encontré en YouTube, donde más adelante
3
me di cuenta, se encuentran disponibles decenas de presentaciones del mismo modelo. La revela-
ción, en la explicación de la versión en diferencias que fruto de casualidad, seguí en el momento,
fue la manera de clasificar a la población en las 3 clases mencionadas.
Sabiendo qué buscar en la literatura, leí en Wikipedia, the Free Encyclopedia, un artículo extenso
donde las ecuaciones del modelo y muchas de sus variantes, aparecen en forma diferencial, mos-
trando incluso, la forma analítica de la solución del modelo. Así, en la primera ecuación, el con-
tingente de personas sanas disminuye en cada momento del tiempo, en la misma medida del nú-
mero de contactos que se establece entre personas sanas y enfermas; mientras que en la segunda,
el número de personas infectadas en cada momento del tiempo, se incrementa justamente, con este
mismo número de contactos, y disminuye a una tasa supuesta constante en el tiempo. La tercera
ecuación, permite calcular el grupo de personas que sale de la enfermedad con rumbo a su casa, o
lamentablemente, en el caso de los decesos, hacia el más allá.
Lo primero a señalar sobre el modelo es que la suma de estas 3 ecuaciones se anula, lo cual implica
que la adición de las 3 clases de población es igual a una magnitud constante, igual al tamaño de
la población; de manera que para establecer los resultados es necesario estudiar tan sólo 2 de las 3
variables. Lo segundo a mencionar es la importancia del número de reproducción básico definido
como el cociente entre la tasa de transmisión y la tasa de recuperación, donde se entiende por tal,
el número esperado de casos generados directamente, por un caso en una población donde todos
los individuos son susceptibles a la infección. Estando tanto el numerador como el denominador
de este cociente, presentes en la segunda ecuación del modelo, se entiende la importancia de este
número en las variaciones del contingente de infectados a lo largo del tiempo.
Finalmente, debo señalar que existen variantes del modelo original desarrolladas en función de las
características específicas de cada enfermedad y eventualmente, de las formas de modelación abor-
dadas. El modelo de dinámica vital incluye las tasas de natalidad y mortalidad; el que considera
la posibilidad de reinfección (SIS model); el que diferencia de forma explícita, los decesos de los
recuperados (SIRD); el que adiciona la clase adicional de los niños que nacen inmunes al saram-
pión (MSIR); si tiene lugar un periodo importante de incubación de la enfermedad durante el cual
los individuos que ya han sido infectados no se encuentran aún, en estado de contagiar la enferme-
dad, el modelo se llama SEIR, donde la E significa expuesto; cuando las personas infectadas no
adquieren inmunidad permanente, la variante del anterior se denomina SEIS; para el caso de in-
munidad pasiva y periodo de latencia de la enfermedad está el MSEIR; y por último, si la inmuni-
dad de los infectados que han recuperado la salud es tan sólo temporal, se tiene el MSEIRS.
En cuanto a las formas de modelación, los modelos se dividen en deterministas y estocásticos. Lo

que no se ha encontrado en esta revisión somera de la literatura, a partir de un artículo condensado
de carácter enciclopédico, es verdad, es la variante que propongo en lo que sigue. En este sentido,
en un artículo recientemente publicado,5 los autores proponen una versión donde tanto la tasa de
transmisión como de recuperación de la enfermedad son funciones del tiempo. Su idea es utilizar
métodos de aprendizaje automático (machine learning); i.e., filtros de impulso respuesta finitos
cuyos coeficientes son estimados mediante mínimos cuadrados. Buscan así, predecir el número
5
A Time-dependent SIR model for COVID-19 with Undetectable Infected Persons, Preprint February 2020. Yi-
Cheng Chen, Ping-En Luy, Graduate Student Member, IEEE, Cheng-Shang Changz, Fellow, IEEE, and Tzu-Hsuan
Liux, Institute of Communications Engineering, National Tsing Hua University, Hsinchu 30013, Taiwan, R.O.C.
4
de personas infectadas y recuperadas, conociendo la serie de valores observados de estas tasas. En
consecuencia, propongo en lo que sigue, un modelo donde la tasa de transmisión es en efecto, una
función del tiempo cuyas variaciones dependen de la distancia a la cual se encuentran las personas
en el seno de la sociedad.
3. El modelo
Presento la evolución en el tiempo, de las variaciones de la población susceptible de contraer la

enfermedad, efectivamente infectada y recuperada ̶ modificadas por las medidas de política sani-
taria tomadas por la autoridad competente en términos de la relativa proximidad entre personas
permitida o recomendada ̶ mediante un sistema de 6 ecuaciones de las cuales 4 son diferenciales,
donde las letras mayúsculas representan las variables explicadas, las minúsculas, parámetros po-
sitivos, y un punto sobre la variable, su derivada con respecto del tiempo.
En la primera ecuación, las variaciones en la clase de población infectada I, se incrementan con el

número de personas infectadas en un momento del tiempo E, y disminuyen según las recuperacio-
nes C, que se verifican en la misma referencia temporal, reiterando que esta última clase incluye
los decesos.
𝐼 ̇ = 𝐸 − 𝐶. (3.1)
En la segunda ecuación, el número de personas infectadas en un momento del tiempo E, es una

función creciente del número de contactos que cada persona sana mantiene con una persona infec-
tada, igual a la expresión que sigue cuando la población total 𝑛0 , está compuesta tan sólo de per-
sonas sanas S, e infectadas I:
1
𝑆𝐼;
𝑛0
mientras que estos contactos se convierten en ocasión de contagio cuando la distancia D, que la
persona sana mantiene con respecto a todas y cada una de las personas infectadas, o una función
creciente de esta magnitud, 𝑒 𝐷 , no es lo suficientemente grande.
1 1
𝐸=𝑛 𝑆𝐼. (3.2)
0 𝑒𝐷
La primera opción para la función de la distancia en (3.2) es simplemente, su inversa. Sin embargo,
este cociente ocasiona problemas durante el análisis de estabilidad de los equilibrios puesto que
no está definido para una distancia nula. Esta dificultad es superada proponiendo el exponencial
de la distancia en lugar de la distancia misma, debido a que ambas funciones muestran un com-
portamiento parecido para valores de la distancia interesantes para el análisis y la interpretación,
como se muestra en la Figura 3.1.
De esta manera, a título de ejemplo de ilustración, en el caso hipotético de 2 infectados, el número

de contagios es nulo en el caso de la función exponencial, e igual a 1, para la función inversa,
independientemente del tamaño de la población S, cuando la distancia es igual 1.5 unidades de
5
longitud6; mientras que es igual a 1 con la exponencial y 4 con la inversa, cuando la distancia es
0.5.
1.5
1.25
exp(-D), 1/D
1
0.75
0.5
0.25
0
0 1 2 3 4
Distancia
Figura 3.1. Funciones exponencial e inversa de la distancia
En la tercera ecuación, la clase de personas recuperadas o que fallecen por la virulencia de la

enfermedad en cada momento del tiempo, es proporcional a la población infectada, donde 𝑎1 re-
presenta la tasa de recuperación.
𝐶 = 𝑎1 𝐼. (3.3)
La cuarta ecuación gobierna el comportamiento de la autoridad pública. Establece un parámetro

de intervención 𝑛1 , que representa la parte de la población infectada admitida por el poder público.
Así, incrementa la distancia a la cual se desenvuelve la actividad económica y social de la pobla-
ción D, cuando la proporción de infectados efectivamente, verificado, supera este parámetro de
intervención. Mientras que suelta este tipo de restricciones en caso contrario:
𝐼
𝐷̇ = 𝑏1 (𝑛 − 𝑛1 ) 𝐷; (3.4)
0
donde 𝑏1 representa la rapidez o lentitud con la cual reacciona la autoridad competente ante la
evolución de la epidemia.
La quinta ecuación representa la disminución continua de la población susceptible de contraer la

enfermedad S, por las personas que se enferman en cada momento del tiempo E:
𝑆̇ = −𝐸. (3.5)
Finalmente, en la sexta ecuación se afirma que la población recuperada durante la pandemia es

igual a la suma de las personas que se recuperan en cada momento del tiempo C.
𝑅̇ = 𝐶. (3.6)
6
Para que las unidades de medida de las variables guarden consistencia en esta ecuación (3.2), se supone que el
numerador y el denominador en 1⁄𝑒 𝐷 , se expresan en la misma unidad de medida.
6
4. Análisis de estabilidad
La forma reducida del modelo se escribe como sigue:
1 1
𝐼 ̇ = (𝑛 𝑆 − 𝑎1 ) 𝐼; (4.1)
0 𝑒𝐷
𝐼
𝐷̇ = 𝑏1 (𝑛 − 𝑛1 ) 𝐷; (4.2)
0
1 1
𝑆̇ = − 𝑛 𝐷
𝑆𝐼; (4.3)
0𝑒
𝑅̇ = 𝑎1 𝐼; (4.4)
de modo que:
𝑆 + 𝐼 + 𝑅 = 𝑛0 . (4.5)
En efecto, es fácil demostrar que:
𝑆̇ + 𝐼 ̇ + 𝑅̇ = 0; (4.6)
de donde por linealidad del operador diferencial resulta (4.5).
En cuanto al cociente entre la tasa de transmisión 𝑒 −𝐷 , y la tasa de recuperación 𝑎1 , conocido en

la literatura como el número de reproducción básico 𝜌, se demuestra que es igual a lo que sigue:
𝑒 −𝐷 𝑑𝑆
𝜌= = 𝑑𝑆+𝑑𝐼; (4.7)
𝑎1
que es el cociente entre los nuevos infectados, y los recuperados en un momento del tiempo,
cuando la clase susceptible al contagio S, es igual al conjunto de la población 𝑛0 ; de ahí la impor-
tancia de comparar este número con la unidad.7
En efecto, sabiendo que el cociente entre (4.1) y (4.3) se escribe como sigue:
𝑑𝐼 1 𝑎 𝑛0
= −1 + 𝑒 −𝐷 ; (4.8)
𝑑𝑆 𝑆
al suponer 𝑆 = 𝑛0 , resulta (4.7).
Esto queda más claro sabiendo que 𝑑𝐼 = −𝑑𝑆 − 𝑑𝑅, de manera que este número se escribe:
7
Se entiende entonces, que este número se pueda interpretar como el número de contagios originados por una persona
infectada hasta el momento de su recuperación.
7
𝑑𝑆
𝜌 = −𝑑𝑅 > 0. (4.9)
De estas 4 ecuaciones (4.1) a (4.4), se observa que la dinámica del sistema en su conjunto, está
organizada por la interacción de las 3 primeras donde aparecen I, D y S, pudiendo calcularse la
evolución de R, cuando se identifique las trayectorias de I, por la interacción con D y S. De esta
manera, para el análisis de estabilidad, separo las 3 primeras ecuaciones de la cuarta.
Interesado en el comportamiento de las órbitas cuando el tiempo transcurre indefinidamente, esta-

blezco las condiciones de estabilidad, diciendo que:
1 1
𝐼̇ = 0 ⇔ 𝑛 𝑆 − 𝑎1 = 0 ó 𝐼 = 0; (4.10)
0 𝑒𝐷
⇔ 𝑆 = 𝑎1 𝑛0 𝑒 𝐷 . (4.11)
En cuanto a la distancia, se tiene que:

𝐼
𝐷̇ = 0 ⇔ 𝑛 − 𝑛1 = 0 ó 𝐷 = 0; (4.12)
0
⇔ 𝐼 = 𝑛1 𝑛0 . (4.13)
Por último, para S, es lo que sigue:

1 1
𝑆̇ = 0 ⇔ − 𝑛 𝐷
𝑆𝐼 = 0;
0𝑒
1 1
⇔0=𝑛 𝑆𝐼;
0 𝑒𝐷
⇔0 = 𝑆 ó 0 = 𝐼. (4.14)
De manera que los 2 puntos de equilibrio admisibles por estas condiciones se escriben como sigue:
𝑞1 = (0,0,0); (4.15)
𝑞2 = (0,0, 𝑎1 𝑛0 ). (4.16)
En la Figura 4.1 se tiene la representación del retrato de fases donde el espacio aparece dividido
en 4 subespacios por la intersección de la superficie de ecuación 𝑆 = 𝑎1 𝑛0 𝑒 𝐷 , con el plano de
ecuación 𝐼 = 𝑛1 𝑛0 . De esta manera, se tiene los subespacios situados debajo del plano y detrás de
la superficie DB, encima del plano y detrás de la superficie UB, encima del plano y delante de la
superficie UF, y debajo del plano y delante de la superficie DF.
Lo primero a señalar es que en los 4 subespacios, S disminuye; mientras que I aumenta en los 2
subespacios situados detrás de la superficie, y disminuye en los 2 subespacios situados delante; D
aumentando en los 2 subespacios situados encima del plano, y disminuyendo en los 2 de debajo.
8
Si las condiciones iniciales sitúan a las órbitas en el subespacio DB, cuando S es elevado y D
pequeña, éstas se mueven con S y D disminuyendo, mientras que I aumenta, buscando atravesar el
plano. Cuando esto ocurre, las órbitas se encuentran en el subespacio UB, con I siempre aumen-
tando, mientras D cambia de signo al superar la parte de infectados en la población, la fracción
admitida por la autoridad pública. De esta manera, las órbitas buscan atravesar la superficie mo-
viéndose en dirección del subespacio UF, donde I, cambiando de signo, empieza a disminuir,
mientras D sigue aumentando, impulsando las órbitas hacia el subespacio DF. Cuando las órbitas
se encuentran en este 4to subespacio, I sigue disminuyendo, lo mismo que D, en dirección hacia
el origen.
Queda sin embargo, abierta la posibilidad de que las órbitas en lugar de dirigirse hacia el origen,
atraviesen nuevamente, la superficie transitando del subespacio DF, al subespacio DB, impulsadas
por la disminución de D. Se abre de esta manera, la posibilidad de un ascenso adicional de I, o de
más de una réplica de estas bajadas seguidas de rebrotes de la epidemia. Es justamente hoy, 14 de
mayo, el temor de muchos países europeos como España, Italia y Alemania, o asiáticos como
Singapur, Corea del Sur, y aun, la China, de ver subir nuevamente, los infectados cuando dismi-
nuyan las restricciones a la circulación.
Figura 4.1. Espacio de fases del sistema distancia, susceptibles e infectados
Para ilustrar el comportamiento de las órbitas en el espacio de fases mediante un ejemplo, en la

Figura 4.2 se tiene una representación gráfica de su movimiento para una cierta constelación de
valores de los parámetros y de las condiciones iniciales (𝐼0 = 2, 𝐷0 = 1.95 , 𝑆0 = 98). Se trata de
proyecciones de las órbitas en los 3 planos perpendiculares de este espacio de 3 dimensiones,
donde se observa que en efecto, en la segunda subfigura, el número de infectados se incrementa
inicialmente, al tiempo que disminuye la distancia; luego se sigue incrementando, con la distancia
esta vez, aumentando hasta alcanzar el primer pico de infectados; a continuación, los infectados
disminuyen con la distancia aumentando hasta atravesar el plano; donde los infectados siguen dis-
minuyendo, con la distancia esta vez, aumentando hasta que los infectados llegan al primer mí-
nimo; cuando la órbita atraviesa la superficie declarándose así, el rebrote de la epidemia, los in-
fectados aumentan de nuevo, mientras la distancia sigue disminuyendo; al cambiar la distancia de
signo, los infectados siguen creciendo hasta alcanzar el segundo pico de la infección, desde donde
9
reinician su caída hasta desaparecer del todo, en el origen, con la distancia primero aumentando y
luego disminuyendo con el cambio de fase.
Me resta tan sólo señalar brevemente, que en la primera subfigura se observa la caída permanente
de las personas susceptibles de contagiarse, en el conflicto que enfrenta la salud con la economía,
con los partidarios y los detractores del confinamiento, reflejada en los vaivenes de la distancia;
mientras que en la tercera subfigura se evidencia los 2 picos de la infección, poniéndose de mani-
fiesto los eventuales rebrotes de la pandemia.
100 25 25
80 20 20
Susceptibles
Infectados
Infectados
60 15 15
40 10 10
20 5 5
0 0 0
0 1 2 3 4 0 1 2 3 4 0 20 40 60 80 100
Distancia Distancia Susceptibles
Figura 4.2. Espacio de fases para 𝑏1 = 0.5, 𝑛1 = 0.1 y 𝜌0 = 2 (quinto escenario)
Carácter de los equilibrios
Para estudiar la forma lineal del sistema, escribo las ecuaciones (4.1) a (4.3) como sigue:
𝐼 ̇ = 𝑓(𝐼, 𝐷, 𝑆); (4.17)
𝐷̇ = 𝑔(𝐼, 𝐷, 𝑆); (4.18)
𝑆̇ = ℎ(𝐼, 𝐷, 𝑆). (4.19)
Evaluando las derivadas parciales de este sistema se obtiene la matriz cuadrada que sigue:
𝜕𝑓 1 1 𝜕𝑓 −1 1 𝜕𝑓 1 1
=𝑛 𝑆 − 𝑎1 = 𝑆𝐼 =𝑛 𝐼
𝜕𝐼 0 𝑒𝐷 𝜕𝐷 𝑛0 𝑒 𝐷 𝜕𝑆 0 𝑒𝐷
𝜕𝑔 1 𝜕𝑔 𝐼 𝜕𝑔
𝐴= = 𝑏1 𝑛 𝐷 = 𝑏1 (𝑛 − 𝑛1 ) =0 . (4.20)
𝜕𝐼 0 𝜕𝐷 0 𝜕𝑆
𝜕ℎ −1 1 𝜕ℎ 1 1 𝜕ℎ −1 1
( = 𝑆 =𝑛 𝑆𝐼 = 𝐼)
𝜕𝐼 𝑛0 𝑒 𝐷 𝜕𝐷 0𝑒
𝐷 𝜕𝑆 𝑛0 𝑒 𝐷
Para expresar los valores propios λ, que permiten diagonalizar esta matriz A, en términos de los
coeficientes que resultan cuando es evaluada en los equilibrios, es preciso resolver la ecuación
𝐴𝑥 = 𝜆𝑥. Para evitar la solución trivial, es preciso que 𝑑𝑒𝑡(𝐴 − 𝜆Ι) = 0, donde Ι es la identidad.
Esta última ecuación, en el caso de una matriz de orden 3 es equivalente a la que sigue:
𝜆3 − 𝑡𝑟𝐴𝜆2 + 𝛼𝜆 + 𝑑𝑒𝑡𝐴 = 0; (4.21)
donde 𝛼 se define como sigue:
10
𝑎11 𝑎12 𝑎11 𝑎13 𝑎22 𝑎23
𝛼 = |𝑎 𝑎22 | + | 𝑎31 𝑎33 | + | 𝑎32 𝑎33 |; (4.22)
21
cuando 𝐴 = 𝑎𝑖𝑗 , 𝑖, 𝑗 = 1,2,3.
Primer equilibrio
Cuando A es evaluada en el equilibrio 𝑞1 , es como sigue:
−𝑎1 0 0
𝐴1 = ( 0 −𝑏1 𝑛1 0); (4.23)
0 0 0
de manera que su traza y determinante son como sigue:
𝑡𝑟𝐴1 = −𝑎1 − 𝑏1 𝑛1 < 0; (4.24)
𝑑𝑒𝑡𝐴1 = 0; (4.25)
mientras que 𝛼1 se escribe como sigue:
−𝑎1 0 −𝑎 0 −𝑏 𝑛 0
𝛼1 = | |+| 1 |+| 1 1 | = 𝑎1 𝑏1 𝑛1 ; (4.26)
0 −𝑏1 𝑛1 0 0 0 0
pudiendo entonces, escribirse (4.21) como sigue:
𝜆3 + (𝑎1 + 𝑏1 𝑛1 )𝜆2 + 𝑎1 𝑏1 𝑛1 𝜆 = 0; (4.27)
equivalente a:
(𝜆2 + (𝑎1 + 𝑏1 𝑛1 )𝜆 + 𝑎1 𝑏1 𝑛1 )𝜆 = 0; (4.28)
de donde 𝜆1 = 0; mientras que los otros 2 valores propios resultan de resolver la ecuación cuadrá-
tica que aparece como primer factor en (4.28), resultando entonces, 𝜆2 = −𝑏1 𝑛1 y 𝜆3 = −𝑎1;
siendo ambos negativos.
Como no todos los valores propios son de signo negativo, no se puede concluir que todas las so-
luciones tiendan al equilibrio cuando el tiempo transcurre indefinidamente. Como ninguno es de
signo positivo no se puede decir que existan soluciones que se alejen indefinidamente del equili-
brio. Como un valor propio es nulo no se puede hacer una afirmación general sobre el carácter de
las trayectorias, aun cuando ésta sea una condición necesaria para que la forma lineal del sistema
tenga soluciones periódicas.8
8
Imaz, C., Zoenek, V., 1975, Ecuaciones diferenciales ordinarias, editorial Limusa, México.
11
Segundo equilibrio
Si A es evaluada en el equilibrio 𝑞2 , se tiene:
0 0 0
𝐴2 = ( 0 −𝑏1 𝑛1 0); (4.29)
−𝑎1 0 0
de manera que su traza y determinante son como sigue:
𝑡𝑟𝐴2 = −𝑏1 𝑛1 < 0; (4.30)
𝑑𝑒𝑡𝐴2 = 0; (4.31)
mientras que 𝛼2 se escribe como sigue:
0 0 0 0 −𝑏 𝑛 0
𝛼1 = | |+| |+| 1 1 | = 0; (4.32)
0 −𝑏1 𝑛1 −𝑎1 0 0 0
pudiendo entonces, escribirse (4.21) como sigue:
𝜆3 + 𝑏1 𝑛1 𝜆2 = 0; (4.33)
equivalente a:
(𝜆 + 𝑏1 𝑛1 )𝜆2 = 0; (4.234)
de donde 𝜆1 = 𝜆2 = 0; mientras que 𝜆3 = −𝑏1 𝑛1 < 0.
No se puede entonces, decir que existan soluciones que se alejen indefinidamente del equilibrio.
5. Escenarios de simulación
La trayectoria de las variables en el tiempo obedece a las leyes de movimiento del sistema expre-
sadas en las ecuaciones del modelo. La constelación de parámetros desempeña también, un rol en
la configuración de escenarios de desarrollo de la pandemia, junto con el valor de las condiciones
iniciales. El objetivo de esta sección es justamente, establecer el impacto de las variaciones de los
valores de cada uno de estos parámetros y de las condiciones iniciales, en las trayectorias de las
variables del modelo; especialmente, de la población infectada.
En la Tabla 5.0.1 presento las definiciones de los 4 parámetros presentes en el modelo, junto con
los valores utilizados en la simulación. La tasa de recuperación corresponde al tiempo que les
toma reponerse a los casos considerados leves. Para la velocidad de reacción de la autoridad com-
petente, propongo 3 valores correspondientes a una respuesta lenta, intermedia y rápida.
12
Como la idea de los 29 escenarios de simulación de esta sección, es poner de manifiesto las posi-
bilidades del modelo para revelar situaciones que son de interés para controlar la evolución del
contagio, por ejemplo, la eventualidad de más de un pico de infección, la población total se esta-
blece en un valor de referencia igual a 100. De esta manera, los 3 valores de la fracción de la
población infectada admitida se pueden entender con referencia a 3 respuestas diferentes de la
autoridad competente, a saber, la voluntad de limitar el contagio tanto como se pueda, la idea de
admitir un número de infectados correspondiente a la infraestructura hospitalaria disponible, junto
con la disponibilidad de personal competente, y finalmente, la opción de una política de contagio
masivo y sin control, en busca de la inmunidad de conjunto (herd immunity).
Tabla 5.0.1. Los parámetros del modelo
Parámetro Leyenda Valor Unidad de medida Fuente
𝑎1 tasa de recuperación 1/14 [1] OMS, en wikipedia.org

𝑏1 velocidad de reacción 0.1, 0.5, 2 [1]
𝑛0 población total 100 personas
𝑛1 población infectada admitida 1, 10, 40 %
En la Tabla 5.0.2 presento las condiciones iniciales necesarias para resolver las trayectorias de las
variables, escogiendo para fijar las ideas, 2 infectados y así, estableciendo en 98, la población
remanente. En cuanto a la distancia, propongo 3 valores que corresponden a 3 situaciones de
aparición de la pandemia, caracterizadas en términos del número de reproducción básico, como
particularmente virulenta, de virulencia media, y finalmente, baja. De esta manera, de las combi-
naciones posibles de 𝑏1 , 𝑛1 y 𝜌 resultan las 29 situaciones anunciadas.
Tabla 5.0.2. Condiciones iniciales
Variable Leyenda Valor Unidad de medida
𝐼0 infectados 2 [1]
𝐷0 distancia 1.945, 2.64, 3.34 [unidad de longitud]
𝑆0 población susceptible 98 personas
𝜌0 número de reproducción básico 2, 1, 0.5 [1]
Cambios en 𝒏𝟏
En la Tabla 5.1 presento el primer conjunto de 9 escenarios según las posibles combinaciones de
los 2 parámetros listados, manteniendo contante, el número de reproducción básico. La corres-
pondencia entre estos 9 escenarios y las 9 subfiguras que aparecen en la Figura 5.1, se establece
en la secuencia, leyendo de izquierda a derecha y de arriba hacia abajo, donde el eje de las abscisas
se mide en semanas y el de las ordenadas, en personas. De esta manera, en las 3 primeras subfi-
guras, manteniéndose 𝑏1 contante, en su valor bajo, se identifica el efecto sobre la población infec-
tada, de incrementos en 𝑛1 . Se observa entonces, que los infectados se duplican prácticamente,
entre un escenario y el anterior, pasando en la secuencia, de 9 a 20 y 45.
13
Tabla 5.1. Primer conjunto, 𝜌0 = 2
Escenario 1 2 3 4 5 6 7 8 9
b1 0.1 0.1 0.1 0.5 0.5 0.5 2 2 2
n1 0.01 0.1 0.4 0.01 0.1 0.4 0.01 0.1 0.4
Cambios en 𝒃𝟏
De mantenerse constante ahora, 𝑛1 , en un valor bajo, igual a 0.01, en los escenarios 1, 4 y 7, se

observa que conforme aumenta 𝑏1 , de 0.1 a 2, pasando por 0.5, el número de picos aumenta de 1 a
3, pasando por 2. De esta manera, se está poniendo de manifiesto la posibilidad de rebrotes de la
pandemia según particulares configuraciones de valores de los parámetros. Si esta observación se
aplica también a los escenarios 2, 5 y 8, no ocurre en los escenarios 3, 6 y 9, donde el efecto de un
valor de 𝑛1 tan elevado como 0.4, produce tan sólo un pico, independientemente del valor de 𝑏1 .
En cuanto a las trayectorias en el tiempo, de la población susceptible, es de interés observar que

se puede controlar los brotes de la pandemia a lo largo de las 48 semanas de simulación. Es el
caso de los escenarios 1, 4 y 7 donde la población no contagiada está por encima del 60%, poniendo
de manifiesto la importancia del parámetro 𝑛1 ; i.e., la voluntad de la autoridad pública para prote-
ger a la población mediante cuarentenas voluntarias o forzosas.
Finalmente, en esta figura se representa la evolución de la población recuperada que constituye un

valor cumulativo a lo largo del tiempo en cualquiera de estos 9 escenarios de estudio, donde se
congrega tanto la población efectivamente recuperada como la parte de los decesos.
100 100 100

80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
100 100 100

80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
100 100 100

80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
Figura 5.1. Primer conjunto, 𝜌0 = 29
9
Ver en anexo, los 18 escenarios adicionales correspondientes al segundo conjunto, 𝜌0 = 1 , y al tercero, 𝜌0 = 0.5.
14
En la Figura 5.2 se representa la evolución en el tiempo del número básico de reproducción en los
3 primeros escenarios de simulación. En el primer escenario, la autoridad pública logra contener
la pandemia en el curso de los 3 primeros meses de su declaración a pesar de haberse presentado
inicialmente, con particular virulencia (𝜌0 = 2). En el segundo y en el tercer escenarios, este
número se incrementa sobre el conjunto de las 48 semanas, aun cuando no lo hace de manera lineal
o sostenida a lo largo del tiempo. Este incremento tiene por consecuencia, el contagio cuasi gene-
ralizado o completo, en el segundo y tercer escenario, manifestándose en el segundo escenario, un
rebrote de la pandemia en las 9 semanas comprendidas entre la 32 y la 41.10 En el tercer escenario
se observa que el número básico alcanza su tope superior igual a 14. Ocurre cuando la distancia
es igual a 0, de manera que el denominador del cociente que define este número es igual a 1,
mientras que en el numerador figura el tiempo promedio de recuperación, igual justamente, a 14
días.
2 12 15
Número básico
Número básico
Número básico
1.5 8 10
1 4 5
0.5 0 0
0 8 16 24 32 40 48 0 8 16 24 32 40 48 0 8 16 24 32 40 48
Semana Semana Semana
3
Figura 5.2. Evolución del número básico en los 3 primeros escenarios
En la Figura 5.3 se presenta la evolución en el tiempo, de las distancias correspondientes a estos

números básicos, poniéndose de manifiesto la simetría de estas 2 representaciones gráficas, de
manera que con el aumento de la distancia disminuye el número básico, ocurriendo lo contrario
cuando baja.
3.5 2.5 2
2 1.5
Distancia
Distancia
Distancia
3
1.5
1
2.5 1
0.5
0.5
2 0 0
0 8 16 24 32 40 48 0 8 16 24 32 40 48 0 8 16 24 32 40 48
Semana Semana Semana
Figura 5.3. Evolución de la distancia en los 3 primeros escenarios
10
Estos niveles del número básico son en efecto, muy elevados con respecto a los que se observan actualmente, en el
caso del Covid-19, aun cuando en la literatura aparezcan valores que superan 6, (Monitoring transmissibility and
mortality of COVID-19 in Europe, Jing Yuan, Minghui Li, Gang L, Z. Kevin Lu, Open Access, Published: March 28,
2020). Conviene también señalar que en el caso del sarampión, el número básico alcanza 18 (Guerra, Fiona M.;
Bolotin, Shelly; Lim, Gillian; Heffernan, Jane; Deeks, Shelley L.; Li, Ye; Crowcroft, Natasha S., December 1, 2017,
"The basic reproduction number (R0) of measles: a systematic review". The Lancet Infectious Diseases. 17 (12).
15
Cambios en 𝝆𝟎
En la Figura 5.4 se presenta la evolución en el tiempo, de las trayectorias de la población suscep-

tible de ser infectada, de los infectados y recuperados en los escenarios 2, 11 y 20, correspondientes
a 3 valores iniciales del número básico iguales en la secuencia, a 2, 1 y 0.5, manteniéndose cons-
tantes los valores de 𝑏1 y 𝑛1 , iguales a 0.1, en los 2 casos. Lo primero a subrayar es la importancia
de la virulencia del brote sobre la posterior trayectoria de la epidemia, con el pico de los infectados
postergándose de la sexta a la décimo primera, y décimo quinta semanas de declarada la epidemia,
cuando el valor inicial del número básico disminuye de 2 a 1, y luego a 0.5.
Lo segundo a mencionar es la caída del pico de infectados de 20 a 14 cuando el número básico

disminuye de 2 a 1. De esta manera, la virulencia del brote estaría teniendo una influencia tanto
en la postergación del momento en el que los infectados alcanzan su valor máximo, como en su
magnitud. Este no es el caso cuando el valor inicial del número básico cae por debajo de 1, pro-
duciéndose primero, una disminución de los infectados para subir después a mayor velocidad que
en el caso anterior pasando el pico de 14 a 16.
100 100 100

80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
Figura 5.4. Impacto de las variaciones del valor inicial del número básico 𝜌0
6. Ajuste de las trayectorias a los valores observados
En esta sección ajusto las trayectorias del modelo a los casos observados en términos de población
contagiada (confirmed), y recuperada (deaths plus recovered), en 3 países europeos que ya han
cerrado el primer ciclo de contagios, Alemania, Suiza y Dinamarca, y Bolivia que a la fecha, 25
de mayo, no ha alcanzado aún, el pico.
He mirado también, la información estadística de Austria, Bélgica, España, Francia, Italia y Sue-
cia, en Europa, y de Corea del Sur, en Asia, llegando a la conclusión de la necesidad de examinar
con mayor detenimiento, la evolución de la pandemia en estos países antes de evaluar mejor, las
posibilidades del modelo.
Los registros de la Universidad John Hopkins han comenzado a publicarse para todos los países,
el 22 de enero del 2020. Es entonces, en todas las presentaciones que siguen, el día 1 de la pande-
mia, cerrando el ciclo para los países europeos, el 17 de mayo, completando así, 117 observacio-
nes. En el caso de Bolivia, la serie cierra con los datos publicados el 25 de mayo, haciendo un
total de 125 observaciones.
Siguiendo las pautas del impacto de cada parámetro sobre las trayectorias de las variables, puesto
de manifiesto en la sección anterior, lo primero a hacer es ajustar las trayectorias del modelo al
16
pico de contagios o de la población infectada observados, cambiando el valor de 𝑛1 , parte de la
población infectada sobre la población total admitida. Hecho este primer ajuste, se prosigue cam-
biando el valor inicial de la distancia, modificando de esta manera, el número básico de reproduc-
ción al inicio de la pandemia. Finalmente, cambiando el valor de 𝑏1 se sigue hasta lograr que la
población infectada creada por el modelo, sea igual a la población infectada observada durante los
117 ó 125 días de consideración.
6.1. Alemania
En la Tabla 6.1.1 se presenta los parámetros del modelo que parecieran mejor ajustar las trayecto-
rias de las variables del modelo a los casos observados, aun cuando en rigor de verdad, resta definir
un indicador que podría ser el error cuadrático medio, y un algoritmo de cálculo, para lograr el
mejor ajuste.
El tiempo de recuperación del paciente que no presenta síntomas graves es igual a 14 días, mante-
niéndose igual a esta magnitud en el caso de Alemania y de los otros 3 países. La velocidad de
reacción es en comparación, más elevada que en los 3 otros países, mientras que la parte de pobla-
ción infectada admitida es relativamente bajo, explicándose así que tan sólo 176369 personas sobre
un total que supera los 80 millones, 0.21%, se haya infectado.
Tabla 6.1.1. Alemania. Parámetros
Parámetro Leyenda Valor Fuente

11
a1 tasa de recuperación 0.071429
b1 velocidad de reacción 56.5045
12
n0 población total 82927922
n1 población infectada admitida 0.000036
En la Tabla 6.1.2 se presenta las condiciones iniciales suponiendo que había tan sólo 2 personas
infectadas, manteniéndose el mismo supuesto en los 3 otros países, mientras que la distancia de
partida es en Alemania, algo menor que en los otros países, inaugurándose la epidemia con mayor
virulencia.
11
OMS, en wikipedia.org.
12
COVID-19 geographic-distribution-worldwide.
17
Tabla 6.1.2. Alemania. Condiciones iniciales
𝐷0 distancia 1.6 [unidad de longitud]
𝜌0 número de reproducción básico 2.83 [1]
En la Figura 6.1.1 se presenta la distribución de frecuencias de la población contagiada, limitando

su presentación a los casos observados y simulados, al periodo de los 85 días comprendidos entre
33 y 117, recalcando que en el total de 117 días, las personas infectadas observadas y simuladas
ascienden a 176369 donde la fuente de información es el GitHub of Johns Hopkins University,
actualizada al 17 de mayo 2020. 13
10000
Contagiados
8000
6000
4000
2000
0
40 60 80 100 120
Días
Figura 6.1.1. Alemania. Población susceptible, infectada y recuperada
En la Figura 6.1.2 se presenta la evolución en el tiempo de la población susceptible, infectada y

recuperada. Se observa que el mejor ajuste se logra en la población recuperada; i.e., la población
efectivamente, recuperada y lamentablemente, fallecida. En cuanto a la población infectada, se
observa el mismo sesgo ya observado en la distribución de frecuencias de la población contagiada.
82940000 80000 180000
70000 160000
82910000
60000 140000
82880000
120000
Recuperados
Susceptibles
50000
Infectados
82850000 100000
40000
82820000 80000
30000
60000
82790000 20000 40000
82760000 10000 20000
82730000 0 0
40 60 80 100 120 40 60 80 100 120 40 60 80 100 120
Días Días Días
Figura 6.1.2. Alemania. Población susceptible, infectada y recuperada
13
La Universidad John Hopkins actualiza al día, la información sobre la población de contagiados (confirmed), falle-
cidos (deaths), y recuperados (recovered). Como la fuente de información utilizada en esta sección es la misma, no
se la repite.
18
Finalmente, en la Figura 6.1.3 se presenta la evolución en el tiempo del número de reproducción
básico como una función de la distancia que las personas observan durante la pandemia. Partiendo
de un valor relativamente elevado próximo de 3, después de subir durante las primeras semanas,
empieza a caer el día 50, 11 de marzo, disminuyendo continuamente hasta 0.03, el 17 de mayo.
8 4
Número básico
6 3
Distancia
4 2
2 1
0 0
40 60 80 100 120 40 60 80 100 120
Días Días
Figura 6.1.3. Alemania. Distancia y número básico
6.2. Suiza
Suiza es otro país próspero de tradición democrática que ha logrado contralar la pandemia me-
diante una cuarentena rigurosa de la población. La alteración radical de la vida cotidiana14 se ha
revelado como el único medio de detención de los contagios. De esta manera, se entiende que el
valor de 𝑛1 sea tan bajo, traduciendo la voluntad de la autoridad pública de proteger tanto como
sea posible, a toda la población.
Tabla 6.2.1. Suiza. Parámetros

15
b1 velocidad de reacción 42
16
Las condiciones iniciales son las mismas que en Alemania tan sólo en el número de infectados,
con una población que representa algo más del 10%, mientras que el número de reproducción
básico en el momento de declararse la pandemia es más bajo, siendo la distancia por lo tanto, algo
más elevada.
14
Tuve la oportunidad de ver un video en YouTube sobre la ciudad de Carouge, perteneciente al cantón de Ginebra,
donde la cuarentena es tan rigurosa que se niega el acceso a las casas de retiro de ancianos, a todos sus familiares
próximos, incluidos sus propios hijos.
15
16
19
Tabla 6.2.2. Suiza. Condiciones iniciales
𝜌0 número de reproducción básico 2 [1]
El número de contagiados es igual a 30587, cifra que es la misma si generada por el modelo, aun
cuando en la distribución de frecuencias de la Figura 6.2.1 aparezca algo diferente al restringir las
clases de equivalencia a los 85 días comprendidos entre el 1º e marzo y el 17 de mayo. Como en
Alemania, los registros aparecen algo sesgados con respecto a la estimación por la manera en que
se dan los contagios, con una subida más empinada que la bajada.
1800
1600
1400
1200
Contagiados
1000
800
600
400
200
0
40 50 60 70 80 90 100 110 120
Días
Figura 6.2.1. Suiza. Distribución de frecuencias de la población contagiada
Este sesgo que se repite en la Figura 6.2.2 cuando se trata de la evolución de la población infectada,
desaparece cuando el ajuste tiene lugar en la población recuperada, donde como en Alemania, la
trayectoria creada por el modelo coincide con los registros de la base de datos.
8533000 16000 35000
14000 30000
8523000
12000
25000
8513000
Recuperados
Susceptibles
10000
Infectados
20000
8503000 8000
15000
6000
8493000
10000
4000
8483000 2000 5000
8473000 0 0
40 60 80 100 120 40 60 80 100 120 40 60 80 100 120
Días Días Días
Figura 6.2.2. Suiza. Población susceptible, infectada y recuperada
20
Finalmente, en la Figura 6.2.3 se presenta la evolución en el tiempo del número de reproducción
básico que sube hasta el día 53, llegando a 3.82; bajando enseguida hasta llegar a 0.02. En corres-
pondencia, la distancia baja hasta 1.42, el día 53, 14 de marzo, para subir al día siguiente llegando
el 17 de mayo a 6.83.
8 4
Número básico
6 3
Distancia
4 2
2 1
0 0
40 60 80 100 120 40 60 80 100 120
Días Días
Figura 6.2.3. Suiza. Distancia y número básico
6.3. Dinamarca
Dinamarca es como Suiza, un país de población comparable en el orden de magnitud con Bolivia,
llegando a casi 6 millones de habitantes como se constata en la Tabla 6.3.1. Los valores de los
parámetros de intervención de la autoridad pública se encuentran en el mismo rango y son compa-
rables a los de Alemania y Suiza, con la idea de evitar el contagio de la población mediante la
cuarentena.
Tabla 6.3.1. Dinamarca. Parámetros

17
b1 velocidad de reacción 36.375
18
En la Tabla 6.3.2 se tiene las condiciones iniciales de la propagación de la pandemia compara-

bles a las de los otros 2 países, con un número de reproducción básico situado algo por encima
del de Suiza, pero debajo del de Alemania.
Tabla 6.3.2. Dinamarca. Condiciones iniciales
17
18
21
En la Figura 6.3.1 se presenta la distribución de frecuencias de la población contagiada que totaliza
10927 personas entre el 22 de enero y el 17 de mayo.
400
300
Contagiados
200
100
0
40 60 80 100 120
Días
Figura 6.3.1. Dinamarca. Distribución de frecuencias de la población contagiada
En la Figura 6.3.2 presento la evolución en el tiempo de la población susceptible, infectada y

recuperada, donde como en los 2 países previamente estudiados, se tiene un mejor ajuste de la
población recuperada, aun cuando en los datos se observe algunos saltos de registro como el suce-
dido el primero de marzo cuando sube abruptamente de 91 a 998 casos, comprometiendo la cerca-
nía de las trayectorias, restando por explicar, como en los casos de Alemania y Suiza, un cierto
rezago observado en el ajuste de la población infectada.
5800000 4000 12000
10000
5795000 3000
8000
Susceptibles
Recuperados
Infectados
5790000 2000 6000
4000
5785000 1000
2000
5780000 0 0
40 60 80 100 120 40 60 80 100 120 40 60 80 100 120
Días Días Días
Figura 6.3.2. Dinamarca. Población susceptible, infectada y recuperada
Finalmente, en la Figura 6.3.3 presento los cambios en el tiempo, de la distancia observada entre
las personas y su relación con la evolución del número de reproducción básico. Partiendo de un
número igual a 2.48, su magnitud baja continuamente, aun cuando cambia su velocidad entre el 4
y el 15 de abril, cuando su caída es más pronunciada, terminando el 17 de mayo en 0.23.
5 3
Número básico
4 2.5
Distancia
2
3
1.5
2 1
1 0.5
0 0
40 60 80 100 120 40 60 80 100 120
Días Días
Figura 6.3.3. Dinamarca. Distancia y número básico
22
6.4. Bolivia
Llegando a Bolivia, los 2 primeros casos se declaran el 10 marzo, en 2 viajeros provenientes de

Italia. De esta manera, la evolución de la pandemia muestra un rezago con respecto a la observada
en Italia, España y Francia, y más aún, con respecto a China, Corea del Sur o Singapur. La pan-
demia no ha sido una sorpresa, al menos para la parte de la población que se mantiene informada
sobre los acontecimientos. Lo que significa que en cierto modo, en la medida de las posibilidades
del país y de su idiosincrasia, se ha dispuesto del tiempo necesario de preparación de una respuesta
que hasta el 31 de mayo, ha permitido contener la difusión de la pandemia, a juzgar por lo sucedido
en Ecuador, Brasil, Perú o Chile. En este sentido, los parámetros que mejor ajustan los registros
observados, como aparecen en la Tabla 6.4.1, revelan como en los 3 países previamente estudia-
dos, la voluntad de la autoridad pública de proteger al conjunto de la población mediante el confi-
namiento.
Tabla 6.4.1. Bolivia. Parámetros

19
b1 velocidad de reacción 10
20
Habiendo Bolivia tenido un tiempo de preparación suficiente, se entiende que el número de repro-
ducción básico al inicio de la pandemia, como se observa en la Tabla 6.4.2, sea más bajo que en
los 3 países previamente estudiados, cuando en esta etapa inicial se ha hecho lo posible para seguir
el curso del contagio, tratando de identificar los contactos de las personas infectadas.
Tabla 6.4.2. Bolivia. Condiciones iniciales
En la Tabla 6.4.3 se presenta la distribución de frecuencias de la población contagiada con un

registro establecido entre el 22 de enero y el 25 de mayo. A diferencia de los 3 países previamente
estudiados, en Bolivia se sigue en la fase ascendente de los contagios que totalizan 6660 casos
confirmados.
19
20
23
Tabla 6.4.3. Bolivia. Distribución de frecuencias de la población contagiada
Observada Estimada % obs % est 70

60
1 18 0 8 0 0
50
19 36 0 20 0 0
37 54 10 57 0 1 40
55 71 105 153 2 2 30
72 89 405 480 6 7 20
90 107 1561 1490 23 22
10
108 125 4579 4452 69 68
0
0 25 50 75 100 125
Total 6660 6660 100 100
Fuente: GitHub of Johns Hopkins University, actualizada al 25 de mayo
En la Figura 6.4.1 se representa la evolución en el tiempo de la población susceptible, infectada y

recuperada, recalcando que en esta última categoría se incluye los pacientes efectivamente, recu-
perados y las personas lamentablemente, fallecidas. Si en el caso de los contagios el ajuste del
modelo sigue muy bien los casos observados, en el caso de infectados y recuperados pareciera no
ser el caso. Esta diferencia tiene una explicación en el eventual rezago tanto en la realización de
las pruebas como en la transmisión de la información. De esta manera, no hay motivo para pensar
que la curva que representa los infectados no debiera moverse hacia abajo, en dirección de la curva
simulada por el modelo; mientras que en el caso de los recuperados debería estar ocurriendo lo
contrario, con la curva de casos observados subiendo para dar encuentro a la curva creada por el
modelo.
11355000 6000 4000

5000 3500
11354000
3000
Recuperados
Susceptibles
4000
Infectados
11353000 2500
3000 2000
11352000 1500
2000
1000
11351000 1000 500
11350000 0 0
0 25 50 75 100 125 0 25 50 75 100 125 0 25 50 75 100 125
Días Días Días
Figura 6.4.1. Bolivia. Población susceptible, infectada y recuperada
En la Figura 6.4.2 presento la evolución de la distancia y el número de reproducción básico aso-

ciado, donde parece importante señalar que a diferencia de los contagios que siguen en su fase
ascendente, este número ya ha superado su pico verificado según el modelo, el 9 de mayo, 109 avo
día de la pandemia, encontrándose el 25 de mayo, en un valor igual a 1.81.
24
2.12 1.9
2.1
Número básico
1.85
2.08
Distancia
2.06 1.8
2.04
1.75
2.02
2 1.7
0 25 50 75 100 125 0 25 50 75 100 125
Días Días
Figura 6.4.2. Bolivia. Distancia y número básico
Finalmente, en la Figura 6.4.3 presento un pronóstico de la evolución de la pandemia durante las

próximas semanas del año en curso según el cual el pico de contagios se estaría alcanzado el pró-
ximo 23 de junio, día 154 en el registro que comienza el 22 de enero, con 957 contagiados en un
solo día. El pico de la infección se estaría observando más adelante en el tiempo, el 4 de julio, día
165 avo de la pandemia, con 11620 infectados.
1000 12000
800 10000
Contagiados
8000
Infectados
600
6000
400
4000
200 2000
0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
Semana Semana
Figura 6.4.3. Bolivia. Pronóstico. Población contagiada e infectada
Este pronóstico es realizado sobre el ajuste realizado por el modelo a los datos observados hasta
el pasado 25 de mayo bajo un régimen de cuarentena cuasi estricta. A partir del 1º de junio, con
la excepción de los departamentos de Beni y Santa Cruz, Bolivia ha modificado las reglas del
confinamiento, observándose este lunes, una afluencia de personas y vehículos de transporte pú-
blico en el centro de la ciudad de La Paz. Se estaría modificando de esta manera, las condiciones
de validez de este pronóstico, manteniéndose sin embargo, su valor exploratorio en estos tiempos
de incertidumbre.21
7. Conclusiones y perspectivas
En este documento propongo una versión modificada del modelo SIR donde a las 3 ecuaciones
diferenciales originales, le añado una, convirtiendo de esta manera, un parámetro, la tasa de trans-
misión de la enfermedad, en una variable endógena. Mediante simulaciones numéricas muestro
el impacto de variaciones en los parámetros y condiciones iniciales del modelo 𝑛1 , 𝑏1 y 𝜌 sobre las
trayectorias de la población contagiada e infectada en términos de la altura del pico, de la repetición
21
En este sentido, sería de interés actualizar este pronóstico semanalmente, considerando la aparición de nuevos even-
tos tales como el rezago y la virulencia del brote en el Beni, o el incremento actual de casos en el Chapare.
25
de los brotes, y del aplastamiento de la curva de contagios. Pongo de manifiesto finalmente, las
posibilidades del modelo con fines de pronóstico, ajustando las trayectorias simuladas a los casos
confirmados tal como fueron registrados en 3 países europeos y uno sudamericano.
Mejoras en el ajuste del modelo podrían obtenerse incluyendo 2 parámetros adicionales de manera
que en lugar del cociente 1⁄𝑒 𝐷 se tendría 𝑢⁄𝑒 𝑣𝐷 , de manera a expresar la distancia en una unidad
de longitud conocida como el pie o el metro.
En cuanto a las perspectivas, se podría ver la posibilidad de modificar el modelo incluyendo al

menos una ecuación que permita explorar el impacto de la ampliación del ámbito de intervención
de la autoridad pública de lo estrictamente sanitario a lo económico, incluyendo variables referidas
al empleo o al bienestar de la población expresado en términos del producto per capita.
Referencias
GitHub of Johns Hopkins University.
Guerra, Fiona M.; Bolotin, Shelly; Lim, Gillian; Heffernan, Jane; Deeks, Shelley L.; Li, Ye;
Crowcroft, Natasha S., December, 2017, The basic reproduction number (R0) of measles: a sys-
tematic review, The Lancet Infectious Diseases, 17 (12).
Imaz, C., Zoenek, V., 1975, Ecuaciones diferenciales ordinarias, editorial Limusa, México.
Jing Yuan, Minghui Li, Gang L, Z. Kevin Lu, March, 2020, Monitoring transmissibility and
mortality of COVID-19 in Europe, Open Access.
Kermack, W. O.; McKendrick, A. G., 1927, A Contribution to the Mathematical Theory of Ep-
idemics, Proceedings of the Royal Society A. 115 (772): 700–721.
Wikipedia, the Free Encyclopedia.
Yi-Cheng Chen, Ping-En Luy, Cheng-Shang Changz, Tzu-Hsuan Liux, Preprint February
2020, A Time-dependent SIR model for COVID-19 with Undetectable Infected Persons, Institute
of Communications Engineering, National Tsing Hua University, Hsinchu 30013, Taiwan, R.O.C.
26
Anexo. Escenarios de simulación
100 100 100
80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
100 100 100

80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
100 100 100

80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
Figura A.5.2. Segundo conjunto, 𝜌0 = 1
100 100 100

80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
100 100 100

80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
100 100 100

80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
Figura A.5.3. Tercer conjunto, 𝜌0 = 0.5
27

WP Hloza Covid 19 200604

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

WP Hloza Covid 19 200604

Cargado por

Copyright:

Formatos disponibles

La distancia como medio de contención de la pandemia1

Santa Cruz de la Sierra, 4 de junio del 2020

Todas las distancias que el hombre ha creado a su alrededor

(Elías Canetti, Masa y poder, 1987)

Presento un modelo explicativo de las variaciones en el tiempo, de la población susceptible de

Palabras clave: Covid-19, distancia, epidemiología, modelos SIR, sistemas dinámicos.

La pandemia se extiende a Bolivia, el 10 de marzo de este año cuando 2 personas provenientes de

No existiendo a la fecha, remedio alguno para atenuar el impacto de la enfermedad, y menos,

El 26 de marzo comienzo a escribir la primera versión de un modelo modificado fundado en la

En cuanto a las formas de modelación, los modelos se dividen en deterministas y estocásticos. Lo

Presento la evolución en el tiempo, de las variaciones de la población susceptible de contraer la

En la primera ecuación, las variaciones en la clase de población infectada I, se incrementan con el

En la segunda ecuación, el número de personas infectadas en un momento del tiempo E, es una

De esta manera, a título de ejemplo de ilustración, en el caso hipotético de 2 infectados, el número

Figura 3.1. Funciones exponencial e inversa de la distancia

En la tercera ecuación, la clase de personas recuperadas o que fallecen por la virulencia de la

La cuarta ecuación gobierna el comportamiento de la autoridad pública. Establece un parámetro

La quinta ecuación representa la disminución continua de la población susceptible de contraer la

Finalmente, en la sexta ecuación se afirma que la población recuperada durante la pandemia es

La forma reducida del modelo se escribe como sigue:

En efecto, es fácil demostrar que:

de donde por linealidad del operador diferencial resulta (4.5).

En cuanto al cociente entre la tasa de transmisión 𝑒 −𝐷 , y la tasa de recuperación 𝑎1 , conocido en

al suponer 𝑆 = 𝑛0 , resulta (4.7).

Interesado en el comportamiento de las órbitas cuando el tiempo transcurre indefinidamente, esta-

En cuanto a la distancia, se tiene que:

Por último, para S, es lo que sigue:

Figura 4.1. Espacio de fases del sistema distancia, susceptibles e infectados

Para ilustrar el comportamiento de las órbitas en el espacio de fases mediante un ejemplo, en la

Figura 4.2. Espacio de fases para 𝑏1 = 0.5, 𝑛1 = 0.1 y 𝜌0 = 2 (quinto escenario)

Carácter de los equilibrios

𝐼 ̇ = 𝑓(𝐼, 𝐷, 𝑆); (4.17)

𝐷̇ = 𝑔(𝐼, 𝐷, 𝑆); (4.18)

𝑆̇ = ℎ(𝐼, 𝐷, 𝑆). (4.19)

𝜆3 − 𝑡𝑟𝐴𝜆2 + 𝛼𝜆 + 𝑑𝑒𝑡𝐴 = 0; (4.21)

donde 𝛼 se define como sigue:

cuando 𝐴 = 𝑎𝑖𝑗 , 𝑖, 𝑗 = 1,2,3.

Cuando A es evaluada en el equilibrio 𝑞1 , es como sigue:

de manera que su traza y determinante son como sigue:

𝑡𝑟𝐴1 = −𝑎1 − 𝑏1 𝑛1 < 0; (4.24)

mientras que 𝛼1 se escribe como sigue:

pudiendo entonces, escribirse (4.21) como sigue:

𝜆3 + (𝑎1 + 𝑏1 𝑛1 )𝜆2 + 𝑎1 𝑏1 𝑛1 𝜆 = 0; (4.27)

(𝜆2 + (𝑎1 + 𝑏1 𝑛1 )𝜆 + 𝑎1 𝑏1 𝑛1 )𝜆 = 0; (4.28)

Si A es evaluada en el equilibrio 𝑞2 , se tiene:

de manera que su traza y determinante son como sigue:

𝑡𝑟𝐴2 = −𝑏1 𝑛1 < 0; (4.30)

mientras que 𝛼2 se escribe como sigue:

pudiendo entonces, escribirse (4.21) como sigue:

de donde 𝜆1 = 𝜆2 = 0; mientras que 𝜆3 = −𝑏1 𝑛1 < 0.

Tabla 5.0.1. Los parámetros del modelo

Parámetro Leyenda Valor Unidad de medida Fuente

𝑎1 tasa de recuperación 1/14 [1] OMS, en wikipedia.org

Tabla 5.0.2. Condiciones iniciales

Variable Leyenda Valor Unidad de medida

𝜌0 número de reproducción básico 2, 1, 0.5 [1]

De mantenerse constante ahora, 𝑛1 , en un valor bajo, igual a 0.01, en los escenarios 1, 4 y 7, se

En cuanto a las trayectorias en el tiempo, de la población susceptible, es de interés observar que

Finalmente, en esta figura se representa la evolución de la población recuperada que constituye un

100 100 100

100 100 100

100 100 100

Figura 5.1. Primer conjunto, 𝜌0 = 29