Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UIs TALLER EDO PDF
UIs TALLER EDO PDF
ÍNDICE
1 INTRODUCCIÓN 1
1 INTRODUCCIÓN
El taller busca introducir al estudiante en el tema de modelado y simulaciones numéricas de
ecuaciones diferenciales ordinarias, particularmente las de primer orden. Para lograr el objetivo
se usa MATLAB y la familia de funciones con que cuenta para la solución de EDO, especial-
mente ode45.m. Para tal fin, antes de plantear los problemas a resolver, se hace, a modo de
ejemplo, el planteamiento de un problema, su formulación matemática y su solución numérica
1
Notas de clases usadas para el curso de Ecuaciones Diferenciales dictado el semestre I-2020,UIS.
(el primer problema sobre la ecuación logı́stica se enuncia y se desarrolla a detalle, se crea el
código para su solución y los resultados obtenidos).
Finalmente, por cada problema, se quiere que el estudiante resuelva una lista de ejercicios
siguiendo las estrategias planteadas y desarrolle un pequeño informe sobre los resultados obte-
nidos.
2
Se puede resolver analı́ticamente la ecuación (3). Sin embargo, por los momentos acudire-
mos a los conocimientos aprendidos en el curso: Solving Ordinary Differential Equations with
MATLAB para definir la solución aproximada mostrada en la Figura 1. El código usado para
3.5
3
P(t)
2.5
1.5
0.5
0
0 5 10 15
Tiempo
Figura 1: Curvas solución de la ecuación logı́stica (3) con: a = 1, b = 4 y condición inicial P (0) = 0.5.
3
% Codigo para el problema Ec. Logistica
% Giovanni Calderón Junio 2020----- En dias de cuarentena
% Solo ejecute el codigo y listo...
function EcLogistica
clear, close
% parametros del modelo
a = 1;
b = 4;
temps = [0,15]; % Tiempo
CI = 0.5; % condiciones iniciales
[t,P] = ode45(@epi,temps,CI);
% Postproceso de datos:
plot(t,P,’.-b’)
axis([0 15 0 5])
xlabel(’Tiempo’), ylabel(’P(t)’)
title(’Ecuación logı́stica dP/dt = aP(1-P/M)’)
ecologicas de porque podria suceder esto; por ejemplo, pueden no encontrar un compañero ade-
cuado o pueden necesitar grandes grupos para encontrar comida o expresar su comportamiento
social, o, en el caso de los peces de colores, los gnupos pueden alterar la quı́mica del agua a
su favor. Como resultado del trabajo de Alle, se dice que una población en la cual la tasa de
crecimiento per cápita disminuye a razón de contar con menos individuos presenta un efecto
Allee. El resultado del juicio está todavı́a pendiente respecto de si los grandes bancos de baca-
lao sufren un efecto Allee, pero hay algunos mecanismos posibles: las hembras podrı́an no ser
capaces de encontrar un compañero o al manos no un compañero del tamaño adecuado, o quizá
el bacalao adulto solı́a comer los peces que se comen al bacalao joven, Por otro lado, no hay
nada que le guste más a un bacalao adulto que un aperitivo de bacalao bebé (no son peces con
hábitos de comida muy exigentes), por lo que estos argumentos podrı́an no ser acumulativos.
Por el momento sabemos muy poco sobre la situación excepto que aún no hay bacalao.
El efecto Allee se puede modelar de muchas maneras. Uno de los modelos matemáticos mas
simples, una variación de la ecuación logı́stica, es:
dP P P
= aP 1 − −1 (4)
dt M A
principios del siglo XX que experimento con peces de colores, ofiuras, escarabajos tribolium y, de hecho, con casi
cualquier cosa que tuviera la mala suerte de crurarse en su camino.
4
donde A se conoce como el umbral de Allee. El valor de P (t) = A es el tamaño de la población
por debajo del cual la tasa de crecimiento de la población llega a ser negativa debido a un efecto
Allee, situado en un valor de P en algún lugar entre P = 0 y P = M , es decir, 0 < A < M ,
dependiendo de la especie (pero por suerte para las especies hay una buena parte un poco más
cerca de 0 que de M ). La gráfica de la Figura 3 muestra el comportamiento de la ecuación (4)
donde para un A = 0.4 se deja ver el efecto Allee (la población tiende a desaparecer por debajo
de A), las otras dos soluciones tienden asintóticamente al umbral de carga.
5
P(0)=5.6
4
P(t)
P(0)=0.6
2
0
0 5 10 15
Tiempo
Figura 3: Curvas solución de la ecuación logı́stica (4) con: a = 1, b = 4, A = 0.4 y condiciones iniciales de las
soluciones en: P (0) = 0.4, P (0) = 0.6 y P (0) = 5.6.
2. El valor de a puede decirnos mucho sobre la ecologı́a de una especie, en el caso de las
sardinas, donde las hembras maduran en menos de un año y tienen millones de huevos, se
tiene un a alto, mientras que los tiburones, donde las hembras tiene unas pocas crı́as cada
año, tienen un a bajo. Juegue con a y vea cómo afecta la forma de la curva. Pregunta: Si
un área marina protegida detiene la sobrepesca, ¿qué especies se recuperarán más rápido,
las sardinas o los tiburones?
5
4. Los equilibrios de población pueden ser estables o inestables. Si, cuando una población
se desvı́a un poco del valor de equilibrio (como las poblaciones inevitablemente lo hacen),
tiende a volver a él, este es un equilibrio estable; sin embargo, si cuando la población se
desvı́a del equilibrio tiende a apartarse de el aún más, este es un equilibrio inestable. El
equilibrio inestable es una caracterı́stica de los modelos del efecto Allee como los de la
ecuación. Utilice un esquema de fase de la ecuación (4) para determinar si los equilibrios
distintos de cero dados en el item anterior son estables o inestables.
5. Analice las consecuencias del resultado anterior de la población P (t) fluctuando alrede-
dor del umbral de Allee A.
E(t) = 13.0e0.0325t
Al inicio, en 1995, 21 lobos fueron puestos en libertad, y han aumentado sus números. En 2007,
los biólogos estimaron que el número de lobos era de aproximadamente 171.
6
Para estudiar la interacción entre el alce y la población de lobos, consideremos el siguien-
te modelo depredador-presa para la interacción entre alces y lobos dentro del ecosistema de
Yellowstone:
dE
= 0.0325E − 0.8EW
dt
dW (6)
= −0.6W + 0.05EW
dt
E(0) = 18.0, W (0) = 0.021,
donde E(t) es la población de alces y W (t) es la población de lobos. Todas las poblaciones se
miden en miles de animales. La variable t representa el tiempo medido en años desde 1995. Ası́,
a partir de las condiciones iniciales, tenemos 18000 alces y 21 lobos en el año 1995. Se debe
notar que se estimó la tasa de crecimiento para el alce igual que la estimada antes a = 0.0325.
20 0.18
0.16
18
0.14
16
Poblacion de lobos
Poblacion de alces
0.12
14 0.1
0.08
12
0.06
10
0.04
8 0.02
1995 2000 2005 2010 1995 2000 2005 2010
Tiempo Tiempo
Antes de que intentemos solucionar el modelo (6), un análisis cualitativo del sistema puede
producir una serie de interesantes propiedades de las soluciones. La primera ecuación muestra
que la tasa de crecimiento de los alces (dE/dt) se ve afectada positivamente por el tamaño
de la manada (0.0325E). Esto se puede interpretar como que la probabilidad de reproducción
7
aumenta con el número de alces. Por otra parte, el término no lineal (0.8EW ) tiene un impacto
negativo en la tasa de crecimiento de los alces ya que mide la interacción entre depredadores y
presas. La segunda ecuación dW/dt = −0.6W + 0.05EW muestra que la población de lobos
tiene un efecto negativo sobre su propio crecimiento, lo que se puede interpretar como la razón
de que a más lobos se crea más competencia por el alimento. Sin embargo, la interacción entre
el alce y los lobos (0.05EW ) tiene un impacto positivo ya que los lobos están encontrando más
comida.
Puesto que no se puede encontrar una solución analı́tica al problema de valores iniciales (6),
usamos MATLAB para encontrar una solución aproximada, ver Figura 4. El código usado está
dado en la Figura 5.
function DepredadorPresa
clear, close
% parametros del modelo
temps = [1995,2009]; % Tiempo
CI = [18;0.021]; % condiciones iniciales
[t,Y] = ode45(@epi,temps,CI);
% Postproceso de datos:
subplot(1,2,1)
plot(t,Y(:,1),’.-b’)
xlabel(’Tiempo’), ylabel(’Poblacion de alces’)
grid
subplot(1,2,2)
plot(t,Y(:,2),’.-r’)
grid
xlabel(’Tiempo’), ylabel(’Poblacion de lobos’)
end
Las gráficas de Figura 4 muestran las poblaciones de ambas especies entre 1995 y 2009.
Como se predijo por numerosos estudios, la reintroducción de los lobos en Yellowstone habı́a
conducido a una disminución en la población de alces. En este modelo podemos ver la dis-
minución de la población de 18000 en 1995 a aproximadamente 7000 en 2009. En cambio, la
población de lobos aumentó de una condición inicial de 21 en 1995 a un máximo de aproxima-
damente 180 en 2004.
Se debe notar que el modelo también muestra un descenso en la población de lobos después
de 2004. ¿Cómo podrı́amos interpretar esto? Con la disminución en la población de alces en
8
los primeros 10 años, hubo menos comida para los lobos y, por lo tanto, su población empezó a
declinar.
La Figura 6 que se muestra a continuación presenta el comportamiento a largo plazo de
ambas poblaciones. La interpretación de esta gráfica se deja como ejercicio para el lector. En
Internet se puede encontrar información acerca de la reintroducción de los lobos en el parque
de Idaho Central y en Yellowstone. Por ejemplo, lea las noticias del U.S. Fish and Wildlife
Service del 23 de noviembre de 1994, sobre la liberación de los lobos en el Parque Nacional de
Yellowstone.
20 0.2
Poblacion de alces y lobos
Alces
10 0.1
Lobos
0 0
1990 2000 2010 2020 2030 2040 2050 2060 2070
Tiempo en años
2. Los biólogos han analizado si la razón de la disminución de los alces de 18000 en 1995 a
7000 en 2009 se encuentra en la reintroduccion de los lobos. ¿Qué otros factores pudieran
explicar la disminución de la población de alces?
3. Considere los cambios a largo plazo de las poblaciones de alces y lobos. ¿Estos cambios
cı́clicos son razonables? ¿Por que hay un desfase entre el momento en que comienza
la declinación de los alces y cuando la población de los lobos empieza a decaer? ¿Son
9
realistas los valores mı́nimos para la población de lobos? Trace la población de los alces
frente a la población de lobos e interprete los resultados.
4. ¿Qué nos dice el problema con valor inicial (5) sobre el crecimiento de la población de
alces sin la influencia de los lobos?
10
5 PROBLEMA 4: MODELO EPIDEMIOLÓGICO SIR
Los modelos SIR son sin duda los modelos epidemiológicos determinı́sticos más simples
capaces de capturar muchas de las caracterı́sticas tı́picas de los brotes epidémicos. Su historia
se remonta a principios del siglo pasado cuando (5) define el primer modelo SIR para el caso
de epidemia (prevalece durante un tiempo corto). El nombre del modelo proviene de las inicia-
les S (población susceptible), I (población infectada) y R (población recuperada). El modelo
relaciona las variaciones de las tres poblaciones (Susceptible, Infectada y Recuperada) a través
de la tasa de infección y el perı́odo infeccioso promedio. Los modelos SIR resultan adecuados
cuando los agentes infecciosos son virus.
La población total es N = S + I + R. Hecha la separación de los grupos, se hace necesario
especificar ecuaciones que describan la variación temporal del número de individuos en cada
compartimento. El gráfico de la solución I(t) deberı́a ser semejante con la progresión observada
del número de personas infectadas. El número de individuos en cada compartimentos deben ser
números enteros, aunque dado el gran tamaño de la población N las variables S, I, R pueden
ser tratadas como variables continuas. El modelo SIR más simple viene dado por las siguientes
ecuaciones diferenciales:
dS
= −βSI
dt
dI
= βSI − γI
dt
dR
= γI
dt
Aquı́, la tasa de transmisión β y la tasa de recuperación γ (de tal manera que el perı́odo
medio de recuperación es 1/γ).
Para el COVID-19 se tienen estimaciones (dadas recientemente) de β ∈ [2, 2.8] y una tasa
de recuperación de γ ∈ [0.1, 0.6]. Desarrolle los siguiente puntos.
1. Implemente modelo en MATLAB (usando ode45.m)3 y trace una gráfica de los distintos
grupos de población del modelo. Utilice como dato inicial un individuo infectado.
2. Usted puede obtener los datos de infectados con el COVID-19 en Colombia de la página
web del INS4 . Trace la gráfica de infectados con los datos reales y la obtenida por el
modelo SIR. Analice los resultados.
3. La tasa de transmisión β puede variar con el tiempo debido, por ejemplo, a las polı́ticas
gubernamentales o a la sensación de peligro en la población, entre otras. Una opción
sencilla es tomar β:
β(t) = β0 (1 − A(t)),
3
Puede consultar la versión propuesta por el docente
4
https://www.ins.gov.co/Noticias/Paginas/Coronavirus.aspx
11
donde, A(t) puede ser una función por partes que describa los efectos de las distintas
polı́ticas implementadas, y β0 es la tasa de transmisión sin ninguna medida del estado
(A = 0). Teniendo las fechas en que el estado implementó la cuarentena y los distintos
toques de queda trate de definir un β(t); por supuesto, justifique o explique su elección
del A(t).
4. Ahora realice los cambios necesarios en el código para implementar el β(t) propuesto.
Analice los resultados obtenidos.
5. En estos momento, es muy fácil encontrar modelos más reales para simular la propagación
del virus. Proponga usted un modelo, describa sus variables y realice los cambios en el
código existente para encontrar resultados a este modelo.
REFERENCIAS
[1] Courchamp F., Berec L., and Gascoignc J. Allee Effects in Ecology and Consencation,
Oxford University Press, 2008.
[2] Hastings A., Population Biology, Concepts and Models, New York, Springer, 1997.
[3] Dennis G. Zill and Warren S. Wright, Ecuaciones Diferenciales con problemas con valores
en la frontera, octava edición, Cengage Learning Editores, México, 2015.
[4] Forsythe, G. E., M. A. Malcolm, and C. B. Moler, Computer Methods for Mathematical
Computations, Prentice-Hall, 1976.
[5] Kermack, W.O. and McKendrick, A.G. A contribution to the mathematical theory of epi-
demics, Proceedings of the Royal Society of London Series A, 115, 700-721, 1927.
12