1

Monterrey, Nuevo León, 19 de junio de 2022

Amoxicilina en plasma
I. INTRODUCCIÓN
sanguíneo La amoxicilina es un antibiótico de la
familia de penicilinas para destruir microbios, este
Jose Ricardo Cañedo Verdugo fármaco es estable en un medio ácido, por lo que
Department of Biomedical es altamente recomendable que su uso sea vía oral.
Engineering Instituto Tecnológico Al pasar por el tracto digestivo se obtiene una
y de Estudios Superiores de óptima concentración del fármaco en la sangre,
Monterrey Monterrey, México cuando se incorpora al plasma sanguíneo comienza
a01253727@tec.mx a distribuirse por todo el sistema circulatorio. [1]
La amoxicilina es uno de los recursos más
Daniela Alejandra Valdes Torres importantes para la industria farmacéutica, el
Department of Biomedical plasma sanguíneo es la parte líquida de la sangre y
Engineering Instituto Tecnológico constituye más de la mitad de la sangre, contiene
y de Estudios Superiores de proteínas muy importantes y en su mayoría tienen
Monterrey Monterrey, México la función de curar heridas, sin embargo, otras son
a00832312@tec.mx utilizadas para el tratamiento de trastornos
autoinmunes. La amoxicilina junto con el plasma
sanguíneo logra que las proteínas se unan más que
Abstract: Para este trabajo de si fuera solamente la unión de las proteínas con la
concentración de amoxicilina en el plasma amoxicilina por sí sola, lo que genera una
sanguíneo el objetivo era poder comprender el desventaja en comparación con la penicilina. [3]
comportamiento que tenía esta concentración Debido a esto los pacientes que cuentan con algún
respecto al tiempo en el cuerpo de un sujeto tipo de enfermedad con deficiencia inmunológica
planteado con 70kg para poder finalmente y precisamente hablando de trastornos de
darle una recomendación de que tan seguido coagulación de la sangre necesitan medicamentos
debía ingerir una tableta de 500mg de a partir del plasma. La amoxicilina se absorbe
amoxicilina, para realizar esto tuvimos que rápidamente después de la administración oral y
implementar conceptos y metodologías alcanza los niveles máximos séricos, la dosis que
matemáticas que nos permitieron manipular se administra depende de la patología subyacente
señales y funciones para ver el y las comorbilidades del paciente. Es importante
comportamiento que presentaba esta
que el uso de los antibióticos como la amoxicilina
concentración del medicamento, resultando en
sean recetados de manera correcta debido a que al
gráficas y funciones claves que nos arrojaban
tratar con infecciones puede también tener efectos
información respecto a la concentración,
vimos como al ingerirse presentaba un secundarios y contribuir a que exista una
aumento de la concentración muy rápido en resistencia a los antibióticos, por lo que el uso de
solamente 1 hora llegando al pico en solamente este fármaco es de suma importancia que se trate
60 minutos, pero al transcurrir el tiempo y con sus debidas precauciones y evitar el avance de
llegar a las 4 horas y 47 minutos este las bacterias y/o enfermedades que lleguen a
medicamente perdía su utilidad, por lo tanto presentarse.[2]
finalizamos en dar una recomendación de En esta situación problema se nos pide
tomar un medicamento cada 5 horas para calcular la cantidad de amoxicilina en plasma y
maximizar la utilidad sin ponerse en riesgo líquido intersticial en el tiempo Δ𝑞, la cantidad que
por toxicidad, un resultado que entra 𝑞𝑖𝑛 y la cantidad que sale 𝑞𝑜𝑢𝑡 . Para poder
argumentamos con las gráficas que podrán determinar cual es la concentración de en cierto
observar más adelante. volumen hay que considerar que el plasma y tejido
intersticial se mantienen constantes, por lo que se

analizará la ecuación dinámica planteada en la
situación problema para sacar las tasas de
muestreo, las señales discretas de salida de la
concentración del fármaco en función del tiempo y
la concentración máxima que se recomendaría a un
paciente.
Fig. 1 Cromatograma con una solución estándar
de amoxicilina y plasma.[1]
II. MÉTODOS
Como un método para identificar la
cantidad de fármaco que puede ser modelada
utilizando el principio de conservación de la
materia tenemos la expresión matemática
𝛥𝑞=𝑞𝑖𝑛 − 𝑞𝑜𝑢𝑡 en la que podemos determinar la
cantidad del fármaco en todo el tiempo, sin
embargo, es necesario que esta ecuación se divida
entre 𝛥𝑡 y observar cómo es que cambia la cantidad
de fármaco en el plasma o tejido intersticial
dejándonos la siguiente ecuación:
𝛥𝑞
=𝑄𝑖𝑛 − 𝑄𝑜𝑢𝑡
𝛥𝑡
Es importante que se identifiquen bien
cuales son los flujos instantáneos de entrada y
salida por lo que para la amoxicilina se debe
considerar lo siguiente:
Fig. 2 Ecuación plasma y tejido intersticial.
En la Fig. 2 se puede observar cual es el
flujo de entrada y de salida. Se definen las
variables en las que:
𝑄 ∗𝑖𝑛 = 𝐹𝑙𝑢𝑗𝑜 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎
𝑄 ∗𝑜𝑢𝑡 = 𝐹𝑙𝑢𝑗𝑜 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎
𝛥𝑞
= 𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜𝑠
𝛥𝑡
2
𝑓(𝑡) = 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜
[𝜇𝑔/ℎ] = 𝑀𝑒𝑑𝑖𝑑𝑎
𝑘 = 𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑
Por otra parte, para calcular cual es la
cantidad de concentración que se encuentra con la
expresión dinámica en la que:
𝑞 𝑑𝑞
C𝑉 ⇒ 𝑞 = 𝐶𝑉 ⇒ = 𝑓(𝑡) − 𝑘𝑞
𝑑𝑡
Considerando el volumen del plasma y el
tejido que se mantienen constantes tenemos la
concentración definida por:
𝑑(𝐶𝑉)
⇒ = 𝑓(𝑡) − 𝑘(𝐶𝑉)
𝑑𝑡
𝑑𝐶
⇒𝑉 = 𝑓(𝑡) − 𝑘𝑉𝐶
𝑑𝑡
Considerando el volumen del plasma y el
tejido que se mantienen constantes tenemos la
concentración definida por:
En el desarrollo de las tasas de muestreo y
tas máxima se utilizó el teorema de Nyquist
Shannon que nos permite adquirir señales
analógicas, esto conlleva muchos conceptos de
entre los cuales se incluye el ancho de banda, los
errores que se pueden presentar en la amplitud, la
velocidad del muestreo, entre otros. Al mostrar el
ancho de banda en este teorema se toma la señal
con una pérdida de amplitud mínima, en la que va
describiendo la diversidad de frecuencias que el
osciloscopio puede medir precisamente. Esto se
utilizó para poder visualizar cuáles eran las
frecuencias que se presentaban en las señales de
entrada y salida, así como también el valor de estas
señales [4].
La transformada de Laplace es método
matemático para manipular el dominio de una
función en el que existe una asociación de
variables reales a variables en un plano complejo,
está transformada resulta muy útil para resolver
problemas en los cuales se involucre una señal de
salida en cualquier instante y solo es dependiente
de los valores de entrada que se presenten sin
contemplar los futuros, es por esto que fue muy útil
para poder llevar a cabo algunos cálculos y
plantear las funciones con esta transformada
porque nos ayudó a cambiar el dominio de la
función de las variables que se utilizaron en
algunas funciones desarrolladas y planteadas [5].
 3

𝐹(𝑠) 𝑘𝑉𝐶(𝑠)
𝑠= −
III. RESULTADOS 𝑉[𝐶(𝑠)] 𝑉[𝐶(𝑠)]
Pregunta 1 𝐹(𝑠)
𝑠= −𝑘
El primer objetivo que se tuvo en mente fue 𝑉[𝐶(𝑠)]
el de la obtención de una función de transferencia
que considerara a todas las condiciones iniciales Luego buscamos nuestra función “H(s)”
como 0, por lo tanto, comenzamos por analizar la despejando a “C(s)/F(s)”.
ecuación dinámica que se demuestra en la 𝐹(𝑠)
𝑠= −𝑘
metodología para lograr identificar cuales la 𝑉[𝐶(𝑠)]
entrada y salida del sistema. 𝐹(𝑠)
𝑉𝑑𝐶 𝑠+𝑘 =
𝑉[𝐶(𝑠)]
= 𝑓(𝑡) − 𝑘𝑉𝐶 𝐹(𝑠)
𝑑𝑡
𝑉(𝑠 + 𝑘) =
Luego le realizamos una transformada de Laplace [𝐶(𝑠)]
para transferirnos al dominio de “s”. −1
𝐹(𝑠)
Utilizamos la propiedad de Laplace que dice: (𝑉(𝑠 + 𝑘) = )
[𝐶(𝑠)]
𝑑𝑥(𝑡) 1 [𝐶(𝑠)]
ℒ[ ] = 𝑠𝑋(𝑠) − 𝑥(0) = = 𝐻(𝑠)
𝑡 𝑉(𝑠 + 𝑘) 𝐹(𝑠)

Y aplicamos a la función anterior. Resultando en:

𝑉𝑑𝐶 1
ℒ[ ] 𝐻(𝑠) =
𝑑𝑡 𝑉(𝑠 + 𝑘)
Resultado que posteriormente
Sacamos la V que está multiplicando. manipularemos aplicándole la inversa de Laplace
para poder transferirla del dominio de Laplace “s”
𝑑𝐶 al dominio del tiempo.
𝑉ℒ [ ]
𝑑𝑡 1
ℒ −1 [𝐻(𝑠)] = ℒ −1 [ ]
Y aplicamos la transformada. 𝑉(𝑠 + 𝑘)
1 1 1
𝑑𝐶 ℒ −1 [ ] = ℒ −1 [ ]
𝑉(𝑠 + 𝑘) 𝑉 𝑠+𝑘
ℒ[ ] = 𝑠𝐶(𝑠) − 𝐶(0) 1
𝑑𝑡
= [𝑒 −𝑘𝑡 ]𝑢(𝑡)
𝑉
Le devolvemos la V.
𝑉[𝑠𝐶(𝑠) − 𝐶(0)] Finalizando en la función de transferencia deseada.
1
E igualamos nuevamente. 𝐻(𝑡) = 𝑒 −𝑘𝑡 𝑢(𝑡)
𝑉
𝑉[𝑠𝐶(𝑠) − 𝐶(0)] = 𝐹(𝑠) − 𝑘𝑉𝐶(𝑠)
Pregunta 2
Habiendo encontrado la función de
Asumimos las condiciones iniciales como 0. transferencia entramos a la siguiente fase del
𝑉[𝑠𝐶(𝑠) − 0] = 𝐹(𝑠) − 𝑘𝑉𝐶(𝑠) proyecto, la detección de la frecuencia máxima que
𝑠𝑉[𝐶(𝑠)] = 𝐹(𝑠) − 𝑘𝑉𝐶(𝑠) se puede capturar con la tasa de muestro que nos
ofrecen los datos planteados en la metodología.
Dividimos todo sobre V[C(s)]. El primer paso para realizar esto será la
𝑠𝑉[𝐶(𝑠)] 𝐹(𝑠) 𝑘𝑉𝐶(𝑠) visualización de estos datos de manera gráfica,
= −
𝑉[𝐶(𝑠)] 𝑉[𝐶(𝑠)] 𝑉[𝐶(𝑠)] para ellos nos apoyaremos de Matlab y del .csv
otorgado por el problema.
Despejamos “s”. Para esto deberemos de separar las 2
𝐹(𝑠) 𝑘𝑉𝐶(𝑠) columnas del .csv a 1 columna solamente en 2
𝑠𝑉[𝐶(𝑠)] = ( − ) 𝑉[𝐶(𝑠)] diferentes archivos .csv, con el propósito de que
𝑉[𝐶(𝑠)] 𝑉[𝐶(𝑠)]
𝑠𝑉[𝐶(𝑠)] = 𝐹(𝑠) − 𝑘𝑉𝐶(𝑠)
 4

realizar el cogido en Matlab sea más sencillo para Y ploteamos la gráfica.

nosotros.

Fig.4 Gráfica [ug/h] en relacion con el tiempo.

Ahora, para poder tener un mejor entendimiento de

esta gráfica, vamos a rectificarla con la ayuda del
log10 4

Y graficamos de nuevo.

Fig.3 Datos experimentales de la función de

entrada.

Habiéndolas separado las importamos en Matlab y

comenzamos con la creación de las matrices 1x64
(64 por las 64 entradas) de 𝑡[ℎ] y 𝑓(𝑡).

Fig.5 f(t) rectificada en relación con el tiempo.

El comportamiento que observamos es el

de una pendiente negativa, por lo tanto,
concluimos que f(t) decae exponencialmente
mientras que “t” aumenta.
También, otro recurso que puede
ayudarnos a entender el comportamiento de esta
f(t) graficada es el conocer con ayuda del programa

computacional MATLAB la ecuación de f(t). Por
lo tanto el siguiente paso es el ajuste de una curva
de calibración para poder generar una función que
se acerca a la función verdadera que desconocemos
de f(t).
En este caso utilizamos una curva de ajuste
exponencial con la ayuda de la app extra de Matlab
“Curve Fitting Toolbox”.
Fig.6 f(t) respecto al tiempo con la predicción de
función exponencial superpuesta
El cual nos brinda la siguiente función de
predicción con un 95% de confianza.
Esta función se conoce como función de
entrada al sistema que modela la cantidad de
amoxicilina en sangre y liquido intersticial.
Fig.7 Ajuste de función.
𝑓(𝑡) = 560000𝑒 −1.12𝑡
5
Una vez finalizados estos ploteos
procedemos a la pregunta importante, ¿Cuál es la
frecuencia máxima que nuestro modelo posee?
Para ello hay que retomar la información
que planteamos en la metodología anteriormente y
la información que obtuvimos de los datos.
Si observamos a la columna del tiempo en
horas podemos ver como la diferencia entre
renglón y renglón es siempre 1/6 de 100, y al saber
que las 2 columnas se mueven en términos de
horas, podemos concluir que se refiere a 1/6 del
100% de 1 hora, por lo tanto, el periodo entre
entrada y entrada fue de 1/6 de hora.
Sabemos que para poder obtener la
frecuencia de un fenómeno se debe calcular el
reciproco del periodo entre repetición y repetición
del fenómeno, por lo tanto, la frecuencia de
muestreo en este caso es el reciproco de este
periodo de 1/6 de hora.
1
𝑓𝑠 = = 6 𝐻𝑧
1
6
Y si recordamos el teorema de Nyquist-
Shannon que planteamos en la metodología,
sabemos que la velocidad de muestreo debe de ser
siempre mayor que el doble del valor de frecuencia
máximo que hay en la señal medida.
𝑓𝑠 ≥ 2 ∗ 𝑓𝑚𝑎𝑥
Por lo tanto:
6 ≥ 2 ∗ 𝑓𝑚𝑎𝑥
6
≥ 𝑓𝑚𝑎𝑥
2
𝑓𝑚𝑎𝑥 ≤ 3 𝐻𝑧
Concluyendo que la frecuencia máxima
que se puede capturar con la tasa de muestreo que
tenemos es mayor o igual a 3 Hz
Pregunta 3
En el punto 3 lo que queríamos era obtener
una señal discreta de salida que nos ayudara a decir
como cambiaba la concentración en relación con el
tiempo una vez introducida la señal de entrada al
sistema que modela la cantidad de amoxicilina en
sangre y liquido intersticial.
Para este punto establecimos 2 constantes que nos
ayudaron a resolver nuestro problema.
𝑘 = 1.12[ℎ−1 ]
𝑉 = 42000[𝑚𝐿]
𝑉 = 𝑣𝑜𝑙𝑢𝑚𝑒𝑛 𝑑𝑒 𝑙í𝑞𝑢𝑖𝑑𝑜 𝑖𝑛𝑡𝑒𝑟𝑠𝑡𝑖𝑐𝑖𝑎𝑙
𝑦 𝑝𝑙𝑎𝑠𝑚𝑎 𝑒𝑛 𝑢𝑛 𝑠𝑢𝑗𝑒𝑡𝑜 𝑑𝑒 70 𝑘𝑔
 6

Ya habiendo obtenido nuestra señal de 𝑦(𝑡) − 𝑦(𝑦 − 𝑇𝑠 )

entrada en la pregunta 2, debemos de modelar una =
𝑇𝑠
señal discreta con ella para poder conocer el Y recordando que planteamos a “t” como “𝑡 =
cambio de concentración en relación con el tiempo 𝑛𝑇𝑠” reconstruimos la ecuación.
de los elementos mencionados anteriormente. 𝑑𝐶 𝐶(𝑛𝑇𝑠 ) − 𝐶(𝑛 − 1)𝑇𝑠
𝑓(𝑡) = 560000𝑒 −𝑘𝑡 =
𝑑𝑡 𝑇𝑠
𝑓(𝑡) = 560000𝑒 −1.12𝑡
Primeramente, debemos pasar esta señal en Una vez obtenido esta redefinición de la derivada
función del tiempo a una señal digital, esto lo sustituimos esta nueva ecuacion en nuestra función
realizaremos considerando muestras de x(t), donde inicial.
“t” será un instante uniforme de tiempo “𝑡 = 𝑛𝑇𝑠”, 𝐶(𝑛𝑇𝑠 ) − 𝐶(𝑛 − 1)𝑇𝑠
“n” toma el valor de un número que representa 𝑉( ) = 𝑓(𝑡) − 𝑘𝑉𝐶
posición y “Ts” al periodo de muestreo. 𝑇𝑠
Para poder llevar a cabo este método 𝐶(𝑛𝑇𝑠 ) − 𝐶(𝑛 − 1)𝑇𝑠
𝑉( )
debemos de multiplicar la señal que queremos 𝑇𝑠
muestrear “𝑥(𝑡)” por una cantidad definida de = 𝑓(𝑛)𝑇𝑠 − 𝑘𝑉𝐶(𝑛)𝑇𝑠
impulsos “𝛿𝑇𝑠 ” que tendrá una magnitud igual al Simplificamos la ecuación para poder despejar a
valor de la señal de los instantes uniformes de C(n).
tiempo “𝑡 = 𝑛𝑇𝑠”. 𝐶(𝑛𝑇𝑠 ) − 𝐶(𝑛 − 1)𝑇𝑠
Finalizado este proceso la nueva señal 𝑉( )
𝑇𝑠
obtenida de “𝑥𝑠 (𝑡)” debe de ser introducida a un = 𝑓(𝑛)𝑇𝑠 − 𝑘𝑉𝐶(𝑛)𝑇𝑠
retenedor de orden cero (el más sencillo de los 𝐶(𝑛) − 𝐶(𝑛 − 1)
reconstructores que tiene la función de mantener 𝑉𝑇𝑠 ( ) = 𝑓(𝑛)𝑇𝑠 − 𝑘𝑉𝐶(𝑛)𝑇𝑠
una señal constante entre muestra y muestra [7]), 𝑇𝑠
un sistema lineal que no varía en el tiempo y tiene 𝑉(𝐶(𝑛) − 𝐶(𝑛 − 1)) = 𝑓(𝑛)𝑇𝑠 − 𝑘𝑉𝐶(𝑛)𝑇𝑠
una respuesta al impulso h(t) que es el ancho 𝑉(𝐶(𝑛) − 𝐶(𝑛 − 1)) + 𝑘𝑉𝐶(𝑛)𝑇𝑠 = 𝑓(𝑛)𝑇𝑠
buscado 𝑇𝑠 ≥ Δ, el resultado “𝑦𝑠 (𝑡)” del sistema 𝑉(𝐶(𝑛) − 𝐶(𝑛 − 1) + 𝑘𝐶(𝑛)𝑇𝑠 ) = 𝑓(𝑛)𝑇𝑠
es una secuencia de pulsos que se trasladan y 𝑉𝐶(𝑛) − 𝑉𝐶(𝑛 − 1) + 𝑉𝑘𝐶(𝑛)𝑇𝑠 = 𝑓(𝑛)𝑇𝑠
escalan por el valor “𝑥(𝑛𝑇𝑠 )”. 𝑉𝐶(𝑛) + 𝑉𝑘𝐶(𝑛)𝑇𝑠 = 𝑓(𝑛)𝑇𝑠 + 𝑉𝐶(𝑛 − 1)
Secuencia de pulsos: 𝐶(𝑛)(𝑉 + 𝑉𝑘𝑇𝑠 ) = 𝑓(𝑛)𝑇𝑠 + 𝑉𝐶(𝑛 − 1)
ℎ(𝑡) = 𝑢(𝑡) − 𝑢(𝑡 − Δ) 𝑓(𝑛)𝑇𝑠 𝑉𝐶(𝑛 − 1)
𝐶(𝑛) = +
En resumen, lo explicado anteriormente lo (𝑉 + 𝑉𝑘𝑇𝑠 ) (𝑉 + 𝑉𝑘𝑇𝑠 )
expresamos de la siguiente manera:
𝑦𝑠 (𝑡) ∑ 𝑥(𝑛𝑇𝑠 )ℎ(𝑡 − 𝑛𝑇𝑠 ) Con “C(n)” finalmente despejado podemos
𝑛
observar algo muy interesante, y eso es la similitud
Y como sabemos que estamos trabajando que tiene esta ecuación de “C(n)” con la “y(n)”
con ecuaciones diferenciales, aplicamos una de las mostrada en la metodología de discretización.
propiedades de las señales discretas para que nos 𝑦(𝑛) = 𝑎𝑘 𝑦(𝑛) + 𝑏𝑚 𝑦(𝑛)
que la ecuación de la siguiente forma [8] : 𝑉𝐶(𝑛 − 1) 𝑓(𝑛)𝑇𝑠
𝐶(𝑛) = +
𝑦(𝑛) = 𝑎𝑘 𝑦(𝑛) + 𝑏𝑚 𝑦(𝑛) (𝑉 + 𝑉𝑘𝑇𝑠 ) (𝑉 + 𝑉𝑘𝑇𝑠 )
Ahora sí, una vez planteada nuestra Por lo que podemos concluir que:
metodología de discretización, retomamos la 𝐶(𝑛) = 𝑦(𝑛)
ecuación original del planteamiento del problema 𝐶(𝑛) = 𝑎𝑘 𝑦(𝑛) + 𝑏𝑚 𝑦(𝑛)
1: 𝑉𝐶(𝑛 − 1) 𝑓(𝑛)𝑇𝑠
𝑉𝑑𝐶 𝑎𝑘 𝑦(𝑛) + 𝑏𝑚 𝑦(𝑛) = +
= 𝑓(𝑡) − 𝑘𝑉𝐶 (𝑉 + 𝑉𝑘𝑇𝑠 ) (𝑉 + 𝑉𝑘𝑇𝑠 )
𝑑𝑡 Así que gracias a esto podemos sacar a los
Sabemos que el principio de las derivadas dicta coeficientes “𝑎𝑘 ” y “𝑏𝑚 ”
que [9]: 1−𝑉 𝑇𝑠
𝑑𝐶 𝑦(𝑡) − 𝑦(𝑦 − Δ𝑡) 𝑎𝑘 = , 𝑏𝑚 =
= lim ( ) (𝑉 + 𝑘𝑉𝑇𝑠 ) (𝑉 + 𝑉𝑘𝑇𝑠 )
𝑑𝑡 Δt→0 Δ𝑡
 7

Ahora con los coeficientes ya separados podemos Al haber realizado previamente la grafica
desarrollar la señal dada por la ecuación C(n) anterior con esferas que nos ayudaban a ver el pico
𝑓(𝑛)𝑇𝑠 𝑉𝐶(𝑛 − 1) de concentración en el instante de tiempo
𝐶(𝑛) = + correspondiente, detectar cual y cuando fue la
(𝑉 + 𝑉𝑘𝑇𝑠 ) (𝑉 + 𝑉𝑘𝑇𝑠 )
Dando los valores a las variables de las constantes concentración máxima es algo muy sencillo.
establecidas al inicio del punto 3. Primeramente, revisamos la gráfica y
𝑘 = 1.12[ℎ−1 ] buscamos el punto más alto.
𝑉 = 42000[𝑚𝐿]
Y también retomamos la señal de entrada para
sustituirles las variables por las constantes y la
igualamos a y(n).
𝑓(𝑡) = 560000𝑒 −1.12𝑡 = 𝑦(𝑛)
Entonces nuestra ecuación que nos muestra la
señal discreta de salida que nos ayuda a decir cómo
cambia la concentración en función del tiempo es:
𝐶(𝑛) = 𝑎𝑘 𝑦(𝑛) + 𝑏𝑚 𝑦(𝑛)
1−𝑉
𝐶(𝑛) = ∗ 560000𝑒 −𝑘𝑛
(𝑉 + 𝑘𝑉𝑇𝑠 )
𝑇𝑠
+ ∗ 560000𝑒 −𝑘𝑛
(𝑉 + 𝑉𝑘𝑇𝑠 ) Fig. 9 Gráfica de señal discreta Concentración vs
1−𝑉
𝐶(𝑛) = ∗ 560000𝑒 −1.12𝑛 Muestra.
(𝑉 + 1.12 ∗ 𝑉𝑇𝑠 )
𝑇𝑠
+ ∗ 560000𝑒 −1.12𝑛
(𝑉 + 1.12 ∗ 𝑉𝑇𝑠 )
(no sustituimos V ni T_s porque queda muy grande
la ecuación, pero valen 42000 y 1/6
respectivamente)
La ingresamos a MATLAB y vemos los resultados
de la concentración en función del
tiempo discretizado:

Fig.10 Gráfica concentración vs muestra con

Fig.8 Gráfica de señal de tiempo discreto
Concentración vs Muestra
Pregunta 4
Habiendo finalmente obtenido nuestra
función para ver el cambio de concentración
respecto al tiempo debemos responder la pregunta
¿Cuál es la concentración máxima?
zoom en el punto más alto.
Vemos que el punto mas alto en
“Concentración” es el de 4.59483, en el puesto
respectivo de “Muestra” de 6.
Ahora sabemos perfectamente el valor
máximo de concentración, pero también debemos
de saber cuándo, lo cual nuevamente por lo
realizando anteriormente, es muy fácil, ya
 8

establecimos en los puntos anterior que entre No obstante, no tenemos todavía a F(s), por
muestras hay un intervalo de 1/6 de hora, por lo lo tanto, debemos de calcularla apoyándonos de la
tanto, el instante 6 es aquel que completa la hora. transformada de Laplace, transfiriendo a “f(t)” que
Resultando finalmente en que se dio la esta en el dominio de “t” al dominio de “s”.
concentración máxima de: 𝑓(𝑡) = 𝐴0 𝛾𝑒 −𝛾𝑡
𝜇𝑔
4.59483 𝑎 𝑙𝑜𝑠 60 min 𝑑𝑒 𝑐𝑜𝑚𝑒𝑛𝑧𝑎𝑟 ℒ[𝑓(𝑡)] = ℒ[𝐴0 𝛾𝑒 −𝛾𝑡 ]
𝑚𝑙

Pregunta 5 Retiramos a las variables que solo están

Ahora como quedaría la función y la multiplicando al objetivo de la transformada.
gráfica de concentración respecto al tiempo 𝐴0 𝛾 ∗ ℒ[𝑒 −𝛾𝑡 ]
utilizando una función de entrada al sistema ℒ[𝑒 −𝛾𝑡 ]
representada por la siguiente expresión continua en
En este caso utilizaremos a la propiedad de Laplace
lugar de discreta que modela una entrada
que dicta que [10]:
exponencial.
1
𝑓(𝑡) = 𝐴0 𝛾𝑒 −𝛾𝑡 ℒ[𝑒 𝑎𝑡 ] =
𝑠−𝑎
Donde como constantes tenemos a:
Entonces retomando nuestra función.
𝐴0 = 500 𝑚𝑔 (𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑖𝑛𝑖𝑐𝑖𝑎𝑙
ℒ[𝑒 −𝛾𝑡 ]
𝑎𝑚𝑜𝑥𝑖𝑐𝑖𝑙𝑖𝑛𝑎)
𝑎 = −𝛾
−1 ]
𝛾 = 1.12[ℎ (𝑡𝑎𝑠𝑎 𝑐𝑜𝑛 𝑙𝑎 𝑞𝑢𝑒 𝑑𝑒𝑐𝑎𝑒 1 1
𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎) ℒ[𝑒 −𝛾𝑡 ] = =
𝑠−𝑎 𝑠+𝛾
Devolvemos las variables retiradas.
Para poder realizar esta nueva función debemos de 1 𝐴0 𝛾
retomar nuevamente a la ecuacion dinámica 𝐴0 𝛾 ∗ [ ]=
𝑠+𝛾 𝑠+𝛾
planteada al principio de todo.
𝑉𝑑𝐶 Concluyendo en que:
= 𝑓(𝑡) − 𝑘𝑉𝐶 𝐴0 𝛾
𝑑𝑡 𝐹(𝑠) =
𝑠+𝛾
Y la función de transferencia del punto 1. Y al sustituirlo en nuestra función de
𝐶(𝑠) concentración nos queda:
𝐻(𝑠) =
𝐹(𝑠)
1
𝐻(𝑠) = 𝐶(𝑠) = 𝐻(𝑠) ∗ 𝐹(𝑠)
𝑉(𝑠 + 𝑘) 1 𝐴0 𝛾
𝐶(𝑠) = ∗
𝑉(𝑠 + 𝑘) 𝑠 + 𝛾
Tendremos en este caso a “C”
referenciando a la concentración de amoxicilina en Ahora que tenemos nuestra función de
el organismo y a “F” como la entrada del sistema. concentración recordamos un detalle interesante,
Como queremos obtener la concentración anteriormente se nos había dado el valor de la
respecto al tiempo, debemos de despejar a “C(s)” constante “k”, el cual era de 1.12[ℎ−1 ], y ahora
de la función de transferencia mostrada tenemos el valor de la constante “𝛾”, el cual es
anteriormente.
1.12[ℎ−1 ] también, por lo tanto, igualamos ambas
𝐶(𝑠) = 𝐻(𝑠) ∗ 𝐹(𝑠) variables a una variable única que llamaremos “j”.
1 𝐴0 𝛾
Gracias a lo realizado anteriormente, ya sabemos 𝐶(𝑠) = ∗
el valor que tiene H(s). 𝑉(𝑠 + 𝑗) 𝑠 + 𝑗
1 Y reconstruimos la ecuación:
𝐻(𝑠) = 𝐴0 𝛾
𝑉(𝑠 + 𝑘) 𝐶(𝑠) =
𝑉(𝑠 + 𝑗)2
 9

Ahora que tenemos una nueva ecuación Procedemos a plantearla en MATLAB a ver si nos
para la concentración ya estamos más cerca de demuestra el comportamiento continúo esperado.
nuestro objetivo final, pero para ello necesitamos
cambiar el domino de nuestra función de “s” a
tiempo, por lo tanto, aplicamos una transformada
de Laplace inversa.
ℒ −1 [𝐶(𝑠)]
𝐴0 𝛾
ℒ −1 [ ]
𝑉(𝑠 + 𝑗)2

Retiramos a las variables que solo están

multiplicando al objetivo de la transformada
inversa.
𝐴0 𝛾 𝐴0 𝛾 −1 1
ℒ −1 [ 2
]= ℒ [ ]
𝑉(𝑠 + 𝑗) 𝑉 (𝑠 + 𝑗)2
1 Fig.11 Gráfica de señal continua de tiempo
ℒ −1 [ ]
(𝑠 + 𝑗)2 Concentración vs Muestra.
En este caso utilizaremos a la propiedad de Laplace Vemos una similitud notable con la de señal de
que dicta que [10]: tiempo discreto y eso nos alegra porque nos
𝑛! demuestra que si fueron correctos nuestros
ℒ −1 [ ] = 𝑡 𝑛 𝑒 𝑎𝑡 procedimientos a lo largo de este punto 5.
(𝑠 − 𝑎)𝑛+1
Entonces retomando nuestra función. Pregunta 6
1 En esta sexta fase lo que buscamos es
ℒ −1 [ ] realizar una comparación entre los resultados de
(𝑠 + 𝑗)2
𝑛 = 1, −𝑎 = 𝑗, 𝑎 = −𝑗 concentración máxima y el momento en el que esta
se dio en los 2 casos que se trabajaron, en la señal
1 continua y en la señal discreta.
ℒ −1 [ ] = 𝑡 𝑛 𝑒 𝑎𝑡 = 𝑡𝑒 −𝑗𝑡
(𝑠 + 𝑗)2 Primeramente, retomamos la información
Devolvemos las variables retiradas. que ya habíamos obtenido anteriormente en el
𝐴0 𝛾 𝐴0 𝛾 −𝑗𝑡 punto 4, en esta etapa habíamos visto cuando se dio
[𝑡𝑒 −𝑗𝑡 ] = 𝑡𝑒 y cuál fue la concentración máxima, la cual fue:
𝑉 𝑉 𝜇𝑔
Concluyendo en que: 4.59483 𝑎 𝑙𝑜𝑠 60 min 𝑑𝑒 𝑐𝑜𝑚𝑒𝑛𝑧𝑎𝑟
𝑚𝑙
𝐴0 𝛾 −𝑗𝑡 Y ahora, debemos de calcular cual fue la
𝐶(𝑡) = 𝑡𝑒
𝑉 concentración máxima y cuando se dio en el caso
Ahora que tenemos a nuestra función de la señal continua del punto 5. Para este paso no
continua de concentración respecto al tiempo podremos realizar algo tan fácil como ver la matriz
sustituimos las variables por las constantes de valores como en el punto 4, para obtener este
obtenidas anteriormente. resultado deberemos de hacer un cálculo analítico
𝐴0 = 500 𝑚𝑔 (𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑖𝑛𝑖𝑐𝑖𝑎𝑙 utilizando la función de C(t)
𝑎𝑚𝑜𝑥𝑖𝑐𝑖𝑙𝑖𝑛𝑎) El procedimiento que llevaremos a cabo
−1 ] será el de derivar respecto al tiempo a nuestra
𝛾 = 1.12[ℎ (𝑡𝑎𝑠𝑎 𝑐𝑜𝑛 𝑙𝑎 𝑞𝑢𝑒 𝑑𝑒𝑐𝑎𝑒
“C(t)” para encontrar el valor que tendrá “t”
𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎) cuando esta función esté en su valor máximo de
Finalizando en nuestra señal en tiempo continuo “C(t)” y de ahí sustituir el valor de “t” en la función
para la concentración: original y ver que valor es el máximo en “C(t)”.
𝐴0 𝛾 −𝑗𝑡 𝑑 40 −1.12𝑡 40 𝑑
𝐶(𝑡) = 𝑡𝑒 ( 𝑡𝑒 )= (𝑡𝑒 −1.12𝑡 )
𝑉 𝑑𝑡 3 3 𝑑𝑡
40 −1.12𝑡 40
𝐶(𝑡) = 𝑡𝑒 = (−1.12𝑒 −1.12𝑡 𝑡 + 𝑒 −1.12𝑡 )
3 3
 10

Igualamos los 𝑒 −1.12𝑡 a “1”: Concluyendo en que en la señal continua el valor

40 máximo de “C(n)” concentración en el plasma fue:
(−1.12𝑡 + 1) 𝜇𝑔
3 4.3795 𝑎 𝑙𝑜𝑠 57 min y 34.44 seg 𝑑𝑒 𝑐𝑜𝑚𝑒𝑛𝑧𝑎𝑟
Despejamos “t” 𝑚𝑙
40 Ahora podemos cuestionarnos, ¿Existen
(−1.12𝑡 + 1) = 0 diferencias entre tus resultados?, y la respuesta es
3
40 40 que si, como podemos ver en el caso de señal
(−1.12𝑡) = − discreta:
3 3 𝜇𝑔
(−1.12𝑡) = −1 4.59483 𝑎 𝑙𝑜𝑠 60 min 𝑑𝑒 𝑐𝑜𝑚𝑒𝑛𝑧𝑎𝑟
1.12𝑡 = 1 𝑚𝑙
1
𝑡= = 0.893
1.12

Y obtenemos el tiempo en el que esperamos que

nuestra “C(n)” nos de su valor máximo
𝑡 = 0.8929
Recordamos que el tiempo que estas
funciones planteadas usan están en formato de
horas, al final del procedimiento pondremos el
resultado en términos de minutos y segundos para
que sea más fácil de comprender.
Ahora con este valor sustituimos en la
función de C(t) para ver el resultado.
40 −1.12𝑡 Fig. 12 Gráfica de señal discreta Concentración
𝐶(𝑡) = 𝑡𝑒 vs Muestra.
3
40
𝐶(0.8929) = ∗ 0.8929𝑒 −1.12(0.8929) Y continua:
3 𝜇𝑔
Y obtenemos el valor de la concentración máxima 4.3795 𝑎 𝑙𝑜𝑠 57 min y 34.44 seg 𝑑𝑒 𝑐𝑜𝑚𝑒𝑛𝑧𝑎𝑟
de nuestra señal continua 𝑚𝑙
𝐶(0.8929) = 4.3795
Y para también agregarle el tiempo cuando
esta se obtuvo, debemos de retomar el tiempo que
se calculó anteriormente.
𝑡 = 0.8929
Sabiendo que ese tiempo en esta en horas
0.8929
tomándola en una referencia de hora,
1
podemos calcular su verdadero valor en minutos y
segundos.
Utilizamos regla de 3:
1 ℎ𝑜𝑟𝑎 = 60 𝑚𝑖𝑛
0.8929 ℎ𝑜𝑟𝑎 = 53.574 𝑚𝑖𝑛 Fig.13 Gráfica de señal continua de tiempo
Y repetimos lo mismo para mandar los decimales Concentración vs Muestra.
de minutos a segundos
Tanto el valor máximo de concentración en
1 𝑚𝑖𝑛 = 60 𝑠𝑒𝑔
el plasma y el tiempo en el que se alcanzó fue
0.574 𝑚𝑖𝑛 = 34.44 𝑠𝑒𝑔 diferente, incluso la gráfica de ambos se parecen
pero no son iguales, pero esto es un resultado
ciertamente lógico y esperando, al discretizar una
función respecto al tiempo se pierden datos,

queremos tomar muestras de instantes de tiempo
en lugar de respetar al tiempo completo tiene
consecuencias como una perdida de fiabilidad en
los datos, el tiempo fue alterado y por lo tanto los
resultados no van a ser iguales, van a ser menos
precisos, no obstante, para una computadora es
mas sencillo este método, ya que no le cuesta nada
realizar una simulación con una señal discreta
porque son elementos finitos, mientras que la
continua suele tomarle mas trabajo porque son
valores que tienden a infinidades dentro de sí,
aunque podemos tener más seguridad con los
resultados de este tipo de datos no discretizados,
por lo tanto podemos resumir en que la diferencia
existente es por la diferencia de metodología con
los que se realizaron ambos puntos.
Pregunta 7
En esta etapa final se nos pide aplicar el
aprendizaje que adquirimos a lo largo el proyecto,
se nos explica que se requiere de una mínima
concentración de 0.3[𝜇𝑔/𝑚𝑙] de amoxicilina para
poder garantizar su función bactericida en el
plasma, nos aclaran esta información para poder
dar una recomendación de frecuencia de consumo
a un paciente para tomar una tableta de 500mg,
siendo que la concentración no puede exceder un
valor de 15[𝜇𝑔/𝑚𝑙] en el plasma sanguíneo
porque puede llegar a niveles tóxicos, por lo tanto,
¿Qué frecuencia de consumo recomendamos?
Para poder resolver este punto requerimos
de volver a la función resultado del punto 5.
40 −1.12𝑡
𝐶(𝑡) = 𝑡𝑒
3 0.28 𝑚𝑖𝑛 = 16.8 𝑠𝑒𝑔
Con está función pudimos obtener una grafica que
mostraba el comportamiento de la concentración
con respecto al tiempo en horas.
Fig.14 Gráfica de señal continua de tiempo
Concentración vs Muestra.
11
Por lo tanto, podemos analizar esta grafica
para encontrar el punto en el que la concentración
había llegado a 0.3[𝜇𝑔/𝑚𝑙]
Fig.15 Gráfica de señal continua de
tiempo Concentración vs Muestra con zoom en el
0.3 de concentración
En esta imagen podemos ver que el punto
que corta el eje de la “x” para 0.3 en la
concentración es el de 4.788 horas, por lo tanto,
una vez convertido esto a horas minutos y
segundos, podremos dar nuestra recomendación.
Aplicamos regla de 3:
1 ℎ𝑜𝑟𝑎 = 60 𝑚𝑖𝑛
0.788 ℎ𝑜𝑟𝑎𝑠 = 47.28 𝑚𝑖𝑛
Y aplicamos de nuevo para los segundos.
1 𝑚𝑖𝑛 = 60 𝑠𝑒𝑔
Resultando en que el efecto termino pasadas:
4 ℎ𝑜𝑟𝑎𝑠 47 min 16.8 𝑠𝑒𝑔
Por lo tanto nuestra recomendación sería
que el paciente ingiriera esta pastilla cada 5 horas,
damos el margen de 13 minutos para que no se
sobrecargue de pastillas y llegue al tope de lo
permitido.
IV. DISCUSIÓN
En las anteriores ecuaciones se presentaron
los resultados obtenidos de los diferentes teoremas
aplicados a los planteamientos. Como se mostró en
los resultados anteriormente presentados podemos
hacer interpretaciones y deducciones acerca de los
resultados de las señales que se mostraron en las
gráficas elaboradas en matlab con los códigos
correspondientes para transformar las señales en

función al dominio del tiempo, frecuencias,
amplitudes, etc..
En el apartado lll con las interpretaciones
de las gráficas de frecuencia máxima con las tasas
de muestreo realizadas en matlab (Fig.3), además
de los cálculos realizados con la transformada de
laplace se pudieron demostrar los índices de
concentración en el plasma sanguíneo y líquido
intersticial (Fig.6) plasmados en la situación
problema y por ende se puede dar una
recomendación clara con los resultados obtenidos
sobre la administración de este fármaco y cómo
afecta o puede llegar a alterar en caso de que no sea
utilizado de una manera adecuada, es por eso que
se tiene que contar con resultados antes de la
prescripción de este medicamento y controlar las
dosis que son recetadas dependiendo de la
morfología de cada paciente en específico (Fig. 7).
En la obtención de la función de
transferencia para la ecuación dinámica (Fig.8) se
buscó identificar la entrada y salida del sistema en
el cual con la transformada de Laplace se manipuló
el resultado con una inversa de Laplace en cuanto
al dominio del tiempo para después con la función
de transferencia teniendo en cuenta los datos de la
frecuencia máxima se obtuvo la tasa de muestreo
que con el código de matlab las gráficas mostraron
un decremento en el que el tiempo fue aumentando
considerablemente (Fig.10).
Si comparamos los datos en los que se
modela la cantidad de sangre y el tejido intersticial
las gráficas nos muestran un aumento en cuanto a
la confianza que nos brinda la función del sistema.
La relación que se obtiene en las señales
discretas para diferenciar el cambio en la
concentración en determinado tiempo nos indican
que primeramente se tuvo un muestreo en base a
las cantidades de impulsos que se recibieron para
reconstruir las señales en cada muestra con lo que
podemos decir que el sistema lineal no varía en el
tiempo y efectivamente muestra una respuesta a los
impulsos en las secuencias de pulsos.
Cuando hablamos de la concentración
máxima que existe un un tiempo determinado,
recopilando nuestros resultados de las gráficas en
matlab observamos los picos que eran muy
notorios en un determinado tiempo, lo cual es muy
12
interesante porque a simple vista se podía
corroborar cuál era el intervalo en el que se
colocaba esta concentración máxima.
El modelo con una entrada exponencial
representado por expresiones continuas
sustituyendo a las discretas nos mostró cómo en la
pregunta 1 también se implementó la ecuación
dinámica y nuevamente la retomamos para obtener
la concentración con respecto al tiempo en las
funciones de transferencia se obtuvieron los
valores de H(s), sin embargo, apoyándonos en la
transformada de laplace pudimos cambiar el
dominio ‘t’ al dominio ‘s’. Los resultados
obtenidos fueron los esperados en lo que respecta
a los cálculos, por otra parte se graficó en el
programa matlab el comportamiento continuo
donde la señal reitera que nuestros cálculos fueron
exitosos (Fig.12).
Trabajamos en 2 casos en los que los
resultados para esta fase fueron comparados entre
la concentración máxima, las señales continuas y
discretas que obtuvimos, por lo que con la
información recopilada se utilizó el método de
derivación para encontrar las funciones en su valor
máximo y sustituirlos en su valor normal para de
esta forma poder demostrar cual es la
concentración en nuestra señal continua para
posteriormente agregar el tiempo en el que la señal
se detuvo por lo que nuestras Fig.14 y Fig.15
muestran que el tiempo que se alcanzó entre estas
señales fue distinto y a simple vista puede parecer
que las gráficas muestran los mismos resultados,
sin embargo, no son iguales y en el proceso se
pierden datos importantes por el tipo de método
realizado para cada uno.
Para concluir nuestra discusión en la última
etapa de preguntas se hizo un análisis para
determinar cuál era la frecuencia de consumo que
recomendamos teniendo en cuenta los análisis ya
anteriormente mencionados, por lo que
apoyándonos en los resultados de la pregunta 5
podemos y teniendo en cuenta las dosis de
amoxicilina que un paciente regularmente
consume, se realizo una grafica en la que la
concentración con respecto al tiempo (Fig. 15)
llego al punto de 0.3 [g/h] de los cuales en la Fig.
16, se demostró como se corta el eje en 0.3 en en
determinado tiempo de 4.788 horas, facilitandonos

una regla de 3 para definir la recomendación de
dosis de consumo sin tener una saturación de dosis
permitida.
V. CONCLUSIONES
Este proyecto fue demasiado retador
debido a que fue interesante utilizar de manera
práctica el software de matlab, en conjunto con la
transformada de laplace que fueron utilizadas para
determinar el grado de concentración necesario de
amoxicilina para la administración de este
antibiótico a un paciente, además de que nos
ayudaron a poder obtener los cálculos para
nuestras gráficas y de esta forma poder visualizar
cuáles eran los comportamientos de estas para un
análisis más amplio.
Se analizaron las ecuaciones dinámicas
para las funciones de transferencia, también para la
frecuencia máxima para la tasa de muestreo con
funciones logaritmicas y el comportamiento del
fármaco en un paciente por lo que fue interesante
comprender cómo es que se mostraban las señales
discretas de salida en función del tiempo, al igual
la concentración máxima considerando las
funciones de entrada y salida al sistema.
Daniela Alejandra Valdes Torres:
Creo muy importante mencionar que los
temas que hemos abordado en esta situacion
problema son de gran interés, además de
interesantes debido a que estamos aplicando
nuestros conocimientos en las transformadas de
laplace para realizar los cálculos necesarios y
también para graficar los resultados que requieran
de un análisis más especializado como lo es
matlab. Considero que es de mucha utilidad que
sepamos cómo relacionar las transformadas y
ecuaciones con situaciones de la vida cotidiana y
el impacto que esto tiene.
Jose Ricardo Cañedo Verdugo:
Este trabajo fue increíblemente retados,
siendo sinceros, tal vez el mas retador de todo el
semestre, plantear las ecuaciones y funciones,
resolverlas y analizar los resultados fueron sin
duda cosas que tomaron mucho tiempo y esfuerzo
de mi parte, no obstante, fue un esfuerzo que
valió la pena, ya que el ver los puntos de los
problemas tan bien estructurados y desarrollados
13
y ver los resultados con tan buena lógica y
argumentación me hace darme cuenta de que voy
por buen camino con mi metodología de trabajo y
organización.
Los métodos aplicados en las fases fueron
complejos pero posibles de realizar, las
transformadas y propiedades utilizadas en los
ejercicios eran los necesarios para poder hacer
que pasos complicados y largos se hicieran mas
cortos y es por esto por lo que pudimos llegar a
resultados concisos de puntos tan complejos.
Considero que el hallazgo mas importante
en este trabajo fue el del comportamiento de la
concentración respecto al tiempo en los 2
modelos realizados, tiempo continuo y discreto,
ver como ambos resultados y graficas eran
similares pero no idénticos me hizo darme cuenta
de que verdaderamente hay una pérdida de datos a
la hora de discretizar, pero, se vuelve mucho más
fácil evaluar una función cuando solamente
buscan muestras por instantes de tiempo, aunque
también fue interesante ver como la función
continua daba resultados que podíamos considerar
precisos, permitiendo ver el desarrollo pleno de la
función respecto al tiempo.
En resumen, este trabajo me ayudo a
aprender mas sobre señales, frecuencias,
transformadas y cálculo, aprendizajes útiles para
mi carrera de ingeniería biomédica y que sé que
aplicare ene l futuro.
VI. APÉNDICE
Códigos de MATLAB:
Problema 2:
t_h=readmatrix("t_h.csv")
f_t=readmatrix("f(t).csv")
plot(t_h,f_t,'r',LineWidth=1.5)
ylabel('f(t) [ug/h]')
xlabel('Tiempo (Horas)')
ylim([4.374061851 560000])
xlim([0 10.5])
grid
log_10_f_t=log10(f_t)
plot(t_h,log_10_f_t,'b',LineWidth=1.5)
ylabel('log10 [f(t)]')
xlabel('Tiempo (Horas)')
ylim([0.640884919844298 5.74818802700620])
xlim([0 10.5])
grid
 14

xlabel('Tiempo (Horas)')
x=readmatrix("t_h.csv") grid on
y=readmatrix("f(t).csv")
ajuste_funcion = fit(x,y,'exp1'); VII. REFERENCIAS
plot(x,y,LineWidth=0.5)
ylabel('f(t) [ug/h]') [1] Pérez-González, M. (2019). Estudio
xlabel('Tiempo (Horas)') Farmacocinético de dos formulaciones de
ylim([4.374061851 560000]) Amoxicilina (500 mg T.I.D. en Cápsulas vs. 750
mg B.I.D. en tabletas dispersibles) en voluntarios
xlim([0 10.5])
humanos sanos. scielo.
grid
http://ve.scielo.org/scielo.php?script=sci_arttext&
hold on pid=S0798-02642001000100006
plot(ajuste_funcion,'r--'); http://ve.scielo.org/scielo.php?script=sci_arttext&
ylabel('f(t) [ug/h]') pid=S0798-02642001000100006
xlabel('Tiempo (Horas)')
legend('exp1') [2] Amoxicilina: MedlinePlus medicinas. (2020).
hold off Medicine.
https://medlineplus.gov/spanish/druginfo/meds/a6
plot(ajuste_funcion,x,y,'residuals'); 85001-es.html
ajuste_funcion https://medlineplus.gov/spanish/druginfo/meds/a6
85001-es.html
Problema 3:
t_h=readmatrix("t_h.csv") [3] S. (2021). Cuando y cómo tomar Amoxicilina.
semg.
f_t=readmatrix("f(t).csv")
https://www.semg.es/index.php/component/k2/ite
k=1.12
m/492-cuando-y-como-tomar-amoxicilina
T_s=1/6
V=42000 [4]Adquirir una Señal Analógica: Ancho de
C_anterior=0 Banda, Teorema de Muestreo de Nyquist y
for n=1:1:64 %64 por la cantidad de entradas que Aliasing. (2020). NI. https://www.ni.com/es-
hubo mx/innovations/white-papers/06/acquiring-an-
y=f_t(n) analog-signal--bandwidth--nyquist-sampling-
C_n=(y+V/T_s*C_anterior)/((V/T_s)+k*V) theorem-.html
C_anterior=C_n
C_s(1,n)=C_n [5]
end Gil Nobajas, J. J. (2010, 15 agosto). CONTROL
stem(C_s,'b') AUTOMATICO DE SISTEMAS CONTINUOS
title('Concentración vs Muestra') Y MUESTREADOS. Guía Control. Recuperado
xlabel('Número de muestra (Instante de tiempo)') 20 de junio de 2022, de
ylabel('Concentración (ug/mL)') https://core.ac.uk/download/pdf/83559623.pdf
grid on
[6]Adquirir una Señal Analógica: Ancho de
Banda, Teorema de Muestreo de Nyquist y
Problema 5:
t_h=readmatrix("t_h.csv") Aliasing. (2019). NI.
j=1.12 https://www.ni.com/es-mx/innovations/white-
C_t=(40/3).*t_h.*exp(-j.*t_h) papers/06/acquiring-an-analog-signal--
bandwidth--nyquist-sampling-theorem-
plot(t_h,C_t,'r',LineWidth=1.5)
.html#:~:text=El%20Teorema%20de%20Muestre
o%20de%20Nyquist%20explica%20la%20relaci
title('Concentración vs T(Horas)') %C3%B3n%20entre,alto%20en%20la%20se%C3
ylabel('Concentración [ug/ml]') %B1al%20medida.
 15

[7] Reconstrucción. (2019). Reconstrucción.

https://www.uv.es/masefor/PAGINAS/reconstruc
cion.html#:~:text=El%20retenedor%20de%20ord
en%20cero%20es%20el%20m%C3%A1s%20sen
cillo%20de,en%20los%20convertidores%20anal
%C3%B3gico%2Ddigital.

[8] Sistemas LTI Causales Descritos por

Ecuaciones Diferenciales y de Diferencias –
19E37 - Academia de Ciencias. (2013). 19E37.
http://19e37.com/wiki/index.php/Sistemas_LTI_
Causales_Descritos_por_Ecuaciones_Diferencial
es_y_de_Diferencias

[9]
Hernandez Granados, L. (2018, septiembre).
Definición de derivada. UNIVERSIDAD
AUTÓNOMA DEL ESTADO DE HIDALGO.
Recuperado 20 de junio de 2022, de
https://www.uaeh.edu.mx/docencia/P_Presentacio
nes/prepa_ixtlahuaco/2019/4/Calculo.pdf

[10] uDocz. (2022, 20 junio). document.

https://www.udocz.com/apuntes/101806/documen
t-6