UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO

FACULTAD DE ARQUITECTURA E INGENIERÍA CIVIL

ESCUELA PROFESIONAL DE INGENIERÍA CIVIL

MODELO LOGÍSTICO DE VERHULST

MATERIA : Ecuaciones Diferenciales

DOCENTE : Mg. Ana María Marlitt Colquehuanca Arias
ALUMNOS : Cassa Lipa, Rodrigo Fidel
Lope Cancapac, Edwin
Muelle Cozo, Ruthmery
Osorio Checya, Alex Renato
Paucar Apaza, Nelida
Quispe Ayme, Moisés

SEMESTRE : 2021-II

Cusco – Perú
2022
 MODELO LOGÍSTICO DE VERHULST

PARA PREDECIR

EL NÚMERO DE CONTAGIOS POR COVID

Y ÓMICRON EN EL PERÚ
 PRESENTACIÓN
Distinguida y ponderada docente de la asignatura de Ecuaciones Diferenciales Mg. Ana
María Marlitt Colquehuanca Arias, le hacemos llegar un cordial y caluroso saludo de parte
de los integrantes del grupo para darle a conocer nuestro trabajo de investigación sobre el
modelamiento de la ecuación logística de Verhulst.
Con el objetivo de optimizar el aprendizaje se presenta este trabajo de carácter aplicativo
sobre las ecuaciones diferenciales de primer orden, en el cual se deduce la ecuación diferencial
de la dinámica poblacional, para aplicar la misma para la estimación de los casos de contagio
por la Covid 19 y la variante Ómicron.
Por otra parte, expresamos nuestros más sinceros agradecimientos a Ud. docente por
guiarnos con abundante paciencia y sabiduría. De igual forma, agradecemos a cada uno de
nuestros integrantes por contribuir de manera responsable y apasionada en la elaboración del
trabajo.
Estimado docente con antelación le pedimos que nos omita algunos errores involuntarios
que pudieran existir en el desarrollo de nuestro trabajo, a pesar de que la redacción fue
minuciosamente revisada por cada uno de los integrantes. Finalmente esperamos que el
presente trabajo sea de su agrado, puesto que fue elaborado con mucho esmero y dedicación.

Los alumnos
 ÍNDICE
PRESENTACION
MODELO LOGÍSTICO DE VERHULS PARA PREDECIR EL NÚMERO DE
CONTAGIOS POR COVID Y ÓMICRON EN EL PERÚ
1.1 Planteamiento del problema ........................................................................................... 5
1.2 Hipótesis ............................................................................................................................ 5
1.3 Objetivos ........................................................................................................................... 5
1.3.1 Generales ................................................................................................................... 5
1.3.2 Específicos ................................................................................................................ 5
1.4 Marco teórico .................................................................................................................... 6
1.4.1 ¿Qué es la dinámica poblacional? .......................................................................... 6
1.4.2 Modelos de crecimiento poblacional para el caso de estudio ............................ 6
1.4.2.1 Modelo de Malthus .............................................................................................. 6
1.4.2.2 Modelo logístico ................................................................................................... 6
1.5 Modelamiento ................................................................................................................. 12
1.5.1 Estimación de contagios para los meses de enero, febrero, marzo ................ 12
1.5.2 Estimación de fallecidos para los meses de enero, febrero, marzo ................ 15
1.5.3 Estimación de casos de contagios de Ómicron para el mes de enero hasta el
2 de febrero. ............................................................................................................................ 19
Conclusiones .......................................................................................................... 22
Referencias .................................................................................................................... 22
 1 MODELO LOGÍSTICO DE VERHULS PARA PREDECIR EL NÚMERO DE CONTAGIOS
POR COVID Y ÓMICRON EN EL PERÚ
1.1 Planteamiento del problema
En el mundo entero en estos momentos se ve la problemática que surge por causa del Covid
19, las muertes y contagios cada vez están en aumento, en el Perú observamos que
actualmente sigue en aumento los casos de contagios, decesos y la nueva variante Ómicron.
Los estudios acerca de esta pandemia normalmente tienen un estudio más profundo con uso
de las estadísticas y software para estimar los resultados muy cercanos de casos de contagios,
pero nosotros daremos un enfoque más sencillo, a través de las ecuaciones diferenciales, para
obtener casos de contagios y fallecidos causados por la Covid 19 y la variante Ómicron.
1.2 Hipótesis
❖ Es factible aplicar el modelo de la dinámica poblacional para estimar un número
aproximado de contagios y decesos por la Covid 19.
❖ Se espera que el número de contagios sea mayor a 2.4 millones para los meses de
enero a marzo.
❖ Se espera que el número de decesos sea mayor a 240000 para los meses de enero a
marzo.

1.3 Objetivos
1.3.1 Generales
❖ Al notar un acelerado aumento en el número de contagios en nuestro país, surge el
interés de determinar mediante un modelo matemático, el número de nuevos casos
de contagio, así como el de decesos, de esta forma observar el comportamiento que
sigue el virus en nuestro país.
❖ Dar a conocer la aplicación que tiene el modelo matemático afín, para el estudio de
casos de contagios por la pandemia.
❖ Utilizar un modelo de la dinámica poblacional (modelo logístico de Verhulst) para
estimar los casos de contagios y decesos en el Perú.
❖ Observar el número de contagios y decesos para un determinado periodo de tiempo.

1.3.2 Específicos
❖ Deducir la ecuación diferencial logística y dar a conocer su solución utilizando el
método de Bernoulli.
❖ Estimar el número de contagios por la Covid para los meses de enero a marzo del
2022.
❖ Estimar el número de decesos por la Covid para los meses de enero a marzo del
2022.
❖ Estimar el número de contagios por la variante Ómicron para el mes de enero e
inicios de febrero.
1.4 Marco teórico
El presente trabajo tiene un enfoque descriptivo e interpretativo, con información de tipo
cuantitativo, que busca predecir el nivel de contagios y la propagación de COVID-19,
considerando datos recopilados entre el 10 de marzo de 2020 hasta el 15 de enero de 2022,
proporcionados por el Ministerio de Salud (Minsa). Para dicho fin utilizaremos el modelo
logístico de la dinámica poblacional, que también funciona para estimar la cantidad de una
población que puede sufrir el contagio en un periodo de tiempo determinado.
A continuación, se describe algunos conceptos básicos para seguidamente encontrar la
ecuación diferencial, cuya solución dará la ecuación que describa la curva de contagios.
1.4.1 ¿Qué es la dinámica poblacional?
La dinámica poblacional de una determinada especie, es el cambio en el tamaño de la
población en el tiempo, es respuesta a la biología de la especie. Si P(t) es el tamaño de una
población al tiempo t, el modelo del crecimiento exponencial comienza suponiendo que
dP/dt = rP para cierta r>0. (Zill, 2009, p. 94)
1.4.2 Modelos de crecimiento poblacional para el caso de estudio
1.4.2.1 Modelo de Malthus
Fue al parecer Euler quien desarrolló los primeros modelos de población, pero comúnmente
se atribuye a Malthus el desarrollo y análisis del primer modelo de evolución de P(t) (Gómez,
2015).
Uno de los modelos discretos usados en el contexto biológico es el modelo poblacional de
Malthus o modelo Malthusiano, el cual establece que una población aumenta su tamaño en
una tasa proporcional al número de individuos presentes en cada instante de tiempo; bajo
este supuesto las tasas de natalidad y mortalidad siempre permanecerán constantes con lo
cual la población siempre aumentará su tamaño.

1.4.2.2 Modelo logístico

El modelo de Malthus tiene muchas limitaciones. Por ejemplo, predice que una población
crecerá exponencialmente con el tiempo, que no ocurre en la realidad. Por esta razón al
modelo de Malthus se le llama de crecimiento irrestricto, mientras que el modelo presentado
a continuación se les denomina modelo de crecimiento con restricciones, ya que, si los
recursos escasean, entonces habrá competencia para acceder a ellos (peleas, guerras a veces,
supervivencia de los más fuertes...) y la razón de crecimiento no será la misma.
El modelo llamado de crecimiento logístico, fue introducido por Pierre François Verhulst en
1838 y supone que la razón de crecimiento es proporcional conjuntamente tanto a la
población misma como a la cantidad faltante para llegar a la máxima población sustentable.
Determinación de la ecuación diferencial del modelo logístico
Partimos del Modelo de Malthus, para el cual consideramos el modelo simple de población.
Donde:
P(t): Población
N: Tasa de natalidad
M: Tasa de mortalidad
∆T: intervalo de tiempo
La población P(t) después de un determinado ∆t será:
𝑃 (𝑡 + ∆𝑡) = 𝑃(𝑡) + 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 – 𝑚𝑢𝑒𝑟𝑡𝑒𝑠

Además, los nacimientos y muertes son de la siguiente forma en un ∆t para P(t):

𝑁𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = 𝑁𝑃(𝑡)∆𝑡
𝑀𝑢𝑒𝑟𝑡𝑒𝑠 = 𝑀𝑃(𝑡)∆𝑡

De donde la población en el (t + ∆t) será:

𝑃 (𝑡 + ∆𝑡) = 𝑃(𝑡) + 𝑁𝑃(𝑡)∆𝑡 – 𝑀𝑃(𝑡)∆𝑡

Factorizando M y N tenemos:
𝑃 (𝑡 + ∆𝑡) = 𝑃(𝑡) + (𝑁 – 𝑀) 𝑃(𝑡)∆𝑡
𝑃 (𝑡 + ∆𝑡) − 𝑃(𝑡) = (𝑁 – 𝑀) 𝑃(𝑡)∆𝑡………… (1)

De (1) el valor de (N–M) = r (Tasa de crecimiento poblacional)

Despejando rP(t) tenemos:
𝑃(𝑡 + ∆𝑡) − 𝑃(𝑡)
𝑟𝑃(𝑡) =
∆𝑡
Recordemos que la definición de la derivada:
 f(x + ∆x)−𝑓(𝑥)
𝑓 ′ (𝑥) = lim
∆𝑥→0 ∆x

De donde:
P’(t) = r P(t) ………… (ecuación de Malthus)

Es decir, en cada instante la rapidez de cambio de la población es proporcional al total de la

población presente.
Esta ecuación de Malthus es para un caso ideal, donde la población crece exponencialmente
sin restricción.
Es obvio pensar que a medida que una población crece desmesuradamente, resultará una
escasez de alimento y espacio, por lo que el modelo de Malthus resulta inadecuado para
describir el crecimiento de las poblaciones.
Intuitivamente, se puede suponer que la tasa de crecimiento “r” (parámetro malthusiano)
debería ser función de la densidad de población, de tal forma que, a medida que la densidad
poblacional se incremente, la tasa de mortalidad aumente en tanto que la de natalidad
disminuya, resultando en una disminución de “r” hasta cero, o a valores más bajos. Se hace
necesario una nueva expresión para “r”, a fin de modificar la ecuación:
P’(t) = r P(t)
Una manera sencilla de hacerlo es sustituir el valor de r por un parámetro, “a”, que tenga la
forma de una función lineal, además como la tasa de crecimiento depende de la densidad
poblacional, es posible postular la siguiente relación:
P’(t) = a P(t)
𝑎 = 𝑟 − 𝑏𝑃(𝑡)
Donde:

• “a” representa la tasa de crecimiento poblacional dada una densidad de población

P(t).
• “b” refleja el grado en que la densidad hace decrecer la tasa de crecimiento de la
población.
Cuando el número de organismos se incrementa, el valor de b.P(t) aumenta. Por lo tanto, el
valor de “a” decrece hasta acercarse a cero, lo que significa que el incremento en el número
de organismos es muy pequeño.
Para su aplicación, existen ciertos supuestos enumerados por Poole (1974) y Rabinovich
(1980):
1. Los recursos son limitados.
2. La población tiene una distribución de edades estable y no presenta ningún tipo de
migración.
3. El efecto depresivo de la densidad sobre la tasa de crecimiento poblacional es de tipo
lineal.
4. La respuesta de la tasa de incremento al incremento en la densidad poblacional es
instantánea.
 5. Las condiciones ambientales son constantes.
6. El incremento en la densidad afecta igualmente a todos los individuos en cualquier
grupo de edad.
7. La probabilidad de apareamiento en animales que presentan reproducción sexual no
depende de la densidad de la población.
La ecuación de Malthus modificada será:
𝑑𝑃
𝑃’(𝑡) = = (𝑟 − 𝑏𝑃) 𝑃
𝑑𝑡

Para encontrar analíticamente el significado de los parámetros r y b, consideremos el

siguiente caso:
𝑑𝑃
• Cuando la población deja de crecer, esto es: =0
𝑑𝑡

𝑑𝑃
= (𝑟 − 𝑏𝑃)𝑃 = 0
𝑑𝑡
Lo que significa que, para algún P en particular, llamada K, el incremento poblacional es
nulo. Esto es:
(𝑟 − 𝑏𝐾)𝐾 = 0
𝑟 − 𝑏𝐾 = 0 𝑣 𝐾 = 0
𝑟 = 𝑏𝐾
𝑟
𝐾=
𝑏
Esta relación de K es conocida de manera más específica como capacidad de carga, que
refiere la densidad de población de una determinada especie que puede ser sostenida por el
ecosistema.
De la ecuación anterior, despejamos el parámetro b y expresamos como una constante que
depende de r y K.
𝑟
𝑏=
𝐾
𝑑𝑃
Ahora reemplazamos en la ecuación: = (𝑟 − 𝑏𝑃) 𝑃
𝑑𝑡

𝑑𝑃
= 𝑟𝑃 − 𝑏𝑃2
𝑑𝑡
𝑑𝑃 𝑟
= 𝑟𝑃 − ( )𝑃2
𝑑𝑡 𝐾
𝑑𝑃 𝑃
= 𝑟𝑃(1 − )
𝑑𝑡 𝐾
𝒅𝑷 𝑲−𝑷
𝒅𝒕
= 𝒓𝑷( 𝑲
) (Esta es la ecuación logística del crecimiento poblacional).
Ahora resolvemos la ecuación diferencial de primer orden:
𝑑𝑃 𝑟
= 𝑟𝑃 − 𝑃2
𝑑𝑡 𝐾
𝑑𝑃 𝑟
− 𝑟𝑃 = − 𝐾 𝑃2 ……… (2)
𝑑𝑡

La ecuación 2 es una ecuación diferencial de Bernoulli:

𝒅𝒚
+ 𝒑(𝒙)𝒚 = 𝒒(𝒙)𝒚𝟐 , Ɐ 𝒏 ≠ 𝟏, 𝒏 ∊ ℝ
𝒅𝒙

• La ecuación 2 multiplicamos por: 𝑃 −2

𝑑𝑃 𝑟
𝑃−2 − 𝑟𝑃(𝑃−2 ) = − 𝑃2 (𝑃−2 )
𝑑𝑡 𝐾
𝑑𝑃 𝑟
𝑃−2 𝑑𝑡 − 𝑟𝑃 −1 = − 𝐾

• Multiplicamos por: (1 − 𝑛) = 1 − 2 = −1
𝑑𝑃 𝑟
(−1)𝑃−2 − (−1)𝑟𝑃 −1 = −(−1)
𝑑𝑡 𝐾
𝑑𝑃 𝑟
−𝑃−2 𝑑𝑡 + 𝑟𝑃 −1 = 𝐾 ……… (3)

• Sustituimos: 𝑧 = 𝑃−1
𝑑𝑧 𝑑𝑃
= −𝑃−2
𝑑𝑡 𝑑𝑡
Reemplazamos en la ecuación 3:
𝑑𝑧 𝑟
+ 𝑟𝑧 = 𝐾 (ecuación diferencial lineal de primer orden)
𝑑𝑡
𝑟
𝑝(𝑡) = 𝑟, 𝑞(𝑡) =
𝐾

𝑧 = 𝑒 − ∫ 𝑝(𝑡)𝑑𝑡 [∫ 𝑒 ∫ 𝑝(𝑡)𝑑𝑡 . 𝑞(𝑡)𝑑𝑡 + 𝐶]

𝑟
𝑧 = 𝑒 − ∫ 𝑟𝑑𝑡 [∫ 𝑒 ∫ 𝑟𝑑𝑡 . 𝑑𝑡 + 𝐶]
𝐾
1
𝑧 = 𝑒 −𝑟𝑡 [ ∫ 𝑒 𝑟𝑡 . 𝑟𝑑𝑡 + 𝐶]
𝐾
1
𝑧 = 𝑒 −𝑟𝑡 [ 𝑒 𝑟𝑡 + 𝐶]
𝐾
1
𝑧= + 𝐶𝑒 −𝑟𝑡
𝐾
1
𝑃−1 = + 𝐶𝑒 −𝑟𝑡
𝐾
 1 + 𝐶𝐾𝑒 −𝑟𝑡
𝑃−1 =
𝐾
𝐾
𝑃 = 1+𝐶𝐾𝑒 −𝑟𝑡……… (4)

Calculamos la constante de integración para una condición inicial: 𝑃(0) = 𝑃𝑜

𝐾
𝑃𝑜 =
1 + 𝐶𝐾𝑒 −𝑟(0)
𝐾
𝑃𝑜 =
1 + 𝐶𝐾
𝐾
1 + 𝐶𝐾 =
𝑃𝑜
𝑲 − 𝑷𝒐
𝑪=
𝑲𝑷𝒐
Reemplazamos C en la ecuación 4:
𝐾
𝑃=
𝐾−𝑃
1 + ( 𝐾𝑃 𝑜 )𝐾𝑒 −𝑟𝑡
𝑜

𝐾
𝑃=
𝐾−𝑃
1 + ( 𝑃 𝑜 )𝑒 −𝑟𝑡
𝑜

Finalmente tenemos el modelo logístico de Verhulst que aplicaremos para el caso del Covid
y la variante Ómicron:
𝑲𝑷𝒐
𝑷(𝒕) =
𝑷𝒐 + (𝑲 − 𝑷𝒐 )𝒆−𝒓𝒕
Donde:
𝑷𝒐 ∶ Población inicial contagiado
𝑲: Capacidad de carga de contagio
𝒓: Tasa de contagios
𝒕: Tiempo
Esta ecuación es la que usaremos para predecir el número de contagios y decesos de la
población del Perú en un cierto periodo de tiempo “t”.
1.5 Modelamiento
1.5.1 Estimación de contagios para los meses de enero, febrero, marzo
Primero calcularemos los parámetros de: la capacidad de carga máxima “K” y la tasa de
contagios “r”, para lo cual usaremos la información brindada por Salud e industria
farmacéutica, quien nos proporciona el número semanal de casos y muertes causadas por
COVID-19 2020-2021. Para dicho fin solo usaremos los datos de los últimos meses del 2021
para que nos de un “r” aproximado actual”.
Número de contagios desde el mes de julio a
diciembre del 2021
Semana Dia Contagiados
21 147 1955469
22 154 1984999
23 161 2004252
24 168 2029625
25 175 2049567
26 182 2066677
27 189 2081557
28 196 2094445
29 203 2105005
30 210 2114445
31 217 2125848
32 224 2134365
33 231 2142565
34 238 2149591
35 245 2155508
36 252 2161358
37 259 2167652
38 266 2173354
39 273 2179316
40 280 2184676
41 287 2190396
42 294 2196259
43 301 2202189
44 308 2207890
45 315 2215373
46 322 2225117
47 329 2234970
48 336 2245146
49 343 2255318
50 350 2266205
Elaboración propia
A partir del cuadro mediante Matlab calculamos el polinomio característico de los datos.
Resultados de Matlab.
De donde el polinomio característico es:

𝑃(𝑡) = −200800.09997 + 32608.67414𝒕 − 188.55147𝒕𝟐 + 0.5752940545𝒕𝟑

− 0.0009328622𝒕𝟒 + 0.0000006636𝒕𝟓
Su grafica es la siguiente:

Elaboración propia

Ahora calculamos P’(t):

𝑑𝑃
= 32608.67414 − 377.1029428𝒕 + 1.725882164𝒕𝟐 − −0.003731449𝒕𝟑 + 0.000003318𝒕𝟒
𝑑𝑡
Tomamos dos valores de la tabla:
P (147) = 1955469
P (350) = 2266205
Ahora reemplazamos en la función derivada 𝑡 = 147 𝑦 𝑡 = 350 y tenemos:
𝑃′ (147) = 4165.432674
𝑃′ (350) = 1848.079392
Ahora reemplazamos en la ecuación diferencial logística:
𝑑𝑃
= (𝑟 − 𝑏𝑃)𝑃
𝑑𝑡
Para: 𝒕 = 𝟏𝟒𝟕 , 𝑷(𝒕) = 𝟏𝟗𝟓𝟓𝟒𝟔𝟗 𝒚 𝑷′ (𝟏𝟒𝟕) = 𝟒𝟏𝟔𝟓. 𝟒𝟑𝟐𝟔𝟕𝟒
4165.432674 = (𝑟 − 1955469𝑏)1955469 ……… (1)
Para: 𝒕 = 𝟑𝟓𝟎 , 𝑷(𝒕) = 𝟐𝟐𝟔𝟔𝟐𝟎𝟓 𝒚 𝑷′ (𝟑𝟓𝟎) = 𝟏𝟖𝟒𝟖. 𝟎𝟕𝟗𝟑𝟗𝟐

1848.079392 = (𝑟 − 2266205𝑏)2266205 ……… (2)

Resolviendo la ecuación 1 y 2 tenemos:
𝒓 = 𝟎. 𝟎𝟏𝟎𝟒𝟎𝟑𝟐𝟔𝟗
𝒃 = 𝟒. 𝟐𝟑𝟎𝟕𝟔𝒙𝟏𝟎−𝟗
También recordemos que:
𝑟
𝐾=
𝑏
0.010403269
𝐾=
4.23076𝑥10−9
𝑲 = 𝟐𝟒𝟓𝟖𝟗𝟓𝟖
Finalmente reemplazamos los parámetros en la ecuación:
(𝟐𝟒𝟓𝟖𝟗𝟓𝟖)(1955469)
𝑷(𝒕) =
1955469 + (𝟐𝟒𝟓𝟖𝟗𝟓𝟖 − 1955469)𝒆−𝟎.𝟎𝟏𝟎𝟒𝟎𝟑𝟐𝟔𝟗𝒕
Esta ecuación nos ayudara a estimar el número de contagios para un periodo de tiempo corto,
ya que la tasa de contagio varia.
Con la ecuación obtenemos la siguiente tabla en donde se estima el número de contagios
aproximados para el mes de enero a marzo del año 2022.
 Casos de contagios enero-marzo 2022
Semana Días Contagiados
53 364 2444690
54 371 2445687
55 378 2446614
56 385 2447477
57 392 2448280
58 399 2449027
59 406 2449722
60 413 2450369
61 420 2450970
62 427 2451529
63 434 2452050
64 441 2452534
65 448 2452984
Elaboración propia

Contagios Enero-Marzo
2454000
2452000
2450000
2448000
2446000
2444000
2442000
2440000
340 350 360 370 380 390 400 410 420 430 440 450 460

Elaboración propia

1.5.2 Estimación de fallecidos para los meses de enero, febrero, marzo

De la misma forma que el caso de contagios seguimos el mismo procedimiento para terminar
los parámetros. También para esta parte usaremos la información brindada por Salud e
industria farmacéutica, quien nos proporciona el número semanal de casos y muertes
causadas por COVID-19 2020-2021. Para dicho fin usaremos los datos del año 2021.
Número de fallecido desde el mes de enero a
diciembre del 2021
Semana Dia Decesos
1 7 95547
2 14 97644
3 21 100709
4 28 104609
5 35 108859
6 42 113659
7 49 118585
8 56 123333
9 63 128019
10 70 132570
11 77 137234
12 84 142223
13 91 147418
14 98 152968
15 105 158584
16 112 164232
17 119 169394
18 126 174040
19 133 178049
20 140 181439
21 147 184499
22 154 186757
23 161 188921
24 168 190425
25 175 192163
26 182 193389
27 189 194488
28 196 195243
29 203 195973
30 210 196518
31 217 197029
32 224 197487
33 231 197921
34 238 198263
35 245 198523
36 252 198799
37 259 199036
38 266 199314
39 273 199502
40 280 199703
41 287 199882
42 294 200083
43 301 200276
44 308 200469
45 315 200672
46 322 200894
47 329 201144
48 336 201421
49 343 201421
50 350 202295
52 364 202818
Elaboración propia
A partir del cuadro mediante Matlab calculamos el polinomio característico de los datos.
Resultados de Matlab.

De donde el polinomio característico es:

𝑃(𝑡) = 88429.24192636515 + 516.08798321914𝒕 + 3.62893085307𝒕2
− 0,02480121874𝒕𝟑 + 0.00003682206𝒕𝟒

Su grafica es la siguiente:

Elaboración propia

Ahora calculamos P’(t):

𝑑𝑃
= 𝟓𝟏𝟔. 𝟎𝟖𝟕𝟗𝟖𝟑𝟐𝟏𝟗𝟏 + 𝟕. 𝟐𝟓𝟕𝟖𝟔𝟏𝟕𝟎𝟔𝒕 − 0.07440365622𝒕𝟐 + 𝟎. 𝟎𝟎𝟎𝟏𝟒𝟕𝟐𝟖𝟖𝟐𝟒𝒕𝟑
𝑑𝑡
Tomamos dos valores de la tabla:
P (21) =100709
P (364) = 202818
Ahora reemplazamos en la función derivada 𝑡 = 21 𝑦 𝑡 = 364 y tenemos:
𝑃′ (21) = 637.05510
𝑃′ (364) = 403.26017
Ahora reemplazamos en la ecuación diferencial logística:
𝑑𝑃
= (𝑟 − 𝑏𝑃)𝑃
𝑑𝑡
Para: 𝒕 = 𝟐𝟏 , 𝑷(𝒕) = 100709 𝒚 𝑷′ (𝟐𝟏) = 637.05510
637.05510 = (𝑟 − 100709𝑏)100709 ……… (1)
Para: 𝒕 = 𝟑𝟔𝟒 , 𝑷(𝒕) = 202818 𝒚 𝑷′ (𝟑𝟔𝟒) = 403.26017

403.26017 = (𝑟 − 202818𝑏)202818 ……… (2)

Resolviendo la ecuación 1 y 2 tenemos:
𝒓 = 𝟎. 𝟎𝟏𝟎𝟔𝟏𝟎𝟒𝟗𝟓
𝒃 = 𝟒. 𝟐𝟓𝟎𝟑𝟔 𝟏𝟎−𝟖
También recordemos que:
𝑟
𝐾=
𝑏
0.010610495
𝐾=
4.25036 10−8
𝑲 = 𝟐𝟒𝟗𝟔𝟑𝟕
Finalmente reemplazamos los parámetros en la ecuación:
(249637)(95547)
𝑷(𝒕) =
100709 + (154090)𝑒 −0.010610495𝑡
Esta ecuación nos ayudara a estimar el número de fallecidos para un periodo de tiempo corto,
ya que la tasa de decesos varia.
Con la ecuación obtenemos la siguiente tabla en donde se estima el número de fallecidos
aproximados para el mes de enero a marzo del año 2022.
 Casos de fallecidos enero-marzo 2022
Semana Dia Decesos
53 371 242020
54 378 242550
55 385 243044
56 392 243504
57 399 243933
58 406 244333
59 413 244705
60 420 245052
61 427 245374
62 434 245675
63 441 245954
64 448 246214
Elaboración propia

Decesos Enero-Marzo
2454000

2452000

2450000

2448000

2446000

2444000

2442000

2440000
340 350 360 370 380 390 400 410 420 430 440 450 460

Elaboración propia

1.5.3 Estimación de casos de contagios de Ómicron para el mes de enero hasta el

2 de febrero.
Para este caso aún no existe una estadística exacta de números de contagios para calcular los
parámetros, tal como se hizo anteriormente. Por ende, tomaremos algunos valores
aproximados de “r” y “K” para predecir la cantidad de contagios por el Ómicron para Lima
Metropolitana.
El dato verídico que tenemos es: Dia 18 tenemos 153 casos.
Nos basamos con los siguientes datos para aproximar con la ecuación logística:
𝑷𝒐 ∶ 1
𝑲: 4000
𝒓: 0.143
Finalmente reemplazamos los parámetros en la ecuación:
(4000)(1)
𝑷(𝒕) =
1 + (3999)𝑒 −0.1443𝑡
4000
𝑷(𝒕) =
1 + (3999)𝑒 −0.1443𝑡

Con la ecuación obtenemos la siguiente tabla en donde se estima el número de contagios

aproximados para el mes enero hasta el 2 de febrero.

Casos de infectados por Ómicron

Dia Casos
1 1
2 2
3 2
4 3
5 4
6 5
7 7
8 10
9 13
10 17
11 22
12 30
13 39
14 52
15 68
16 90
17 119
18 156
19 204
20 266
21 346
22 446
23 571
24 724
25 907
26 1120
27 1361
28 1625
 29 1903
30 2185
31 2460
32 2718
33 2951
34 3154
35 3328
36 3471
37 3588
38 3681
39 3755
40 3813
41 3857
42 3891
43 3917
44 3937
45 3953
46 3964
47 3973
48 3980
49 3985
50 3988
Elaboración propia

Casos de contagios Ómicron

4500
4000
3500
3000
2500
2000
1500
1000
500
0
0 5 10 15 20 25 30 35 40 45 50 55

Elaboración propia
1.6 Conclusiones
❖ La ecuación logística de Verhulst se puede utilizar para estimar casos de contagios
solo periodos de tiempo cortos en caso de nuestro país.
❖ El modelo logístico nos dio a conocer que para poder determinar los efectos
ocasionados en la población van a existir factores importantes que van a influir en el
cálculo del número de contagios, así como en el número de decesos.
❖ A partir del modelo desarrollado se concluye que el comportamiento que se obtiene
no llega a tener un comportamiento regular, esto se debe a los distintos factores que
influyen en nuestra población como: Falta de responsabilidad social, falta de cultura
en la salud, aparición de nuevas variantes.
❖ De acuerdo los resultados por el modelo logístico se tiene las siguientes
aproximaciones: Casos contagios para finales de marzo será de 2452984, decesos para
finales de marzo 246214 y finalmente una aproximado de 3988 casos de contagios de
la variante Ómicron para el 2 de febrero.
1.7 Referencias
http://mawency.org/oa/crecimientopob/ecuacin_diferencial_del_crecimiento_poblaciona
l.html
https://www.agro.uba.ar/users/batista/science/pdf/dinpol.pdf
https://passel2.unl.edu/view/lesson/703864cb32e1/3
https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-50062019000100025
https://arxiv.org/pdf/2004.01207.pdf
https://www.medigraphic.com/pdfs/forense/mmf-2020/mmf203c.pdf
https://www.redalyc.org/journal/1250/125066260001/html/
https://docs.bvsalud.org/biblioref/2020/09/1119072/art1-raul-isea.pdf
https://www.esfm.ipn.mx/assets/files/esfm/docs/RNAFM/articulos-
2021/XXVIRNAFM021.pdf
https://datosmacro.expansion.com/otros/coronavirus/peru
https://data.larepublica.pe/envivo-casos-confirmados-muertes-coronavirus-peru/
https://es.statista.com/estadisticas/1110077/numero-casos-muertes-covid-19-peru/
https://www.gob.pe/institucion/minsa/noticias/572620-casos-de-omicron-en-el-peru-se-
elevan-a-71-por-aparicion-de-nuevos-contagiados-en-lima-metropolitana-y-sullana
https://www.gob.pe/institucion/minsa/noticias/573759-minsa-hay-153-nuevos-casos-
confirmados-de-variante-omicron-en-el-peru-y-acumulado-llega-a-309
Zill, D. G. (2009). ECUACIONES DIFERENCIALES con aplicaciones de modelado
(Novena ed.). México: Cengage Learning Editores, S.A. de C.V.