UNIVERSIDAD AUTÓNOMA CHAPINGO

DEPARTAMENTO DE PARASITOLOGÍA
AGRÍCOLA

Maestría en Ciencias en Protección Vegetal

Epidemiología

PRACTICA 1: “Modelos para caracterizar epidemias”.

Presenta:

Ing. Oscar Francisco González Torres

a 15 de julio del 2022

 I. INTRODUCCION

La descripción cuantitativa de las epidemias se realiza mediante modelos

matemáticos. Dichos modelos permiten caracterizar el desarrollo epidémico y
analizar la relación de la planta, el patógeno y el ambiente en el progreso de la
enfermedad. Asimismo, permiten comparar y evaluar el impacto de las distintas
medidas de control (Campbell y Madden, 1990).

Los modelos utilizados en epidemiología vegetal se han clasificado según

diferentes criterios (Jeger, 1998; Kranz y Royle, 1978; Waggoner, 1990).
Atendiendo a su nivel de complejidad y a su base biológica los modelos utilizados
en epidemiología se clasifican en: a) modelos empíricos, b) curvas de crecimiento,
c) modelos teóricos y d) simuladores de enfermedad.

La incidencia acumulada, el tiempo (t) es fijo para todos los individuos, es decir,
independientemente del momento en que se presentó la epidemia, todos tuvieron
el mismo tiempo de seguimiento; por ello, el tiempo se elimina de la ecuación y
solo queda A/AB. El tiempo de no exposición en los individuos que enferman es
variable en esta tasa de incidencia y depende del momento en que enferman
durante el periodo de estudio, situación que debería descontarse del tiempo total
de seguimiento, sin embargo, no se toma en cuenta para el cálculo final (Fajardo,
2017).

El principal parámetro utilizado en epidemiología es el número reproductivo

básico, R0, definido como el número promedio de infecciones causadas por un
individuo infeccioso cuando éste es introducido a una población susceptible e
intenta capturar la capacidad del patógeno en generar la enfermedad (Montesinos,
2007).
 II. OBJETIVOS

A. El objetivo del presente trabajo es exponer los diferentes tipos de modelos y

valorar su utilidad en el control de las enfermedades.

B. Calcular el área bajo la curva de proceso de la enfermedad.

C. Determinar el modelo matemático (exponencial, logístico, monomolecular y

Gompertz), expliquen el desarrollo de la enfermedad.

III. REVISION DE LITERATURA

D´Alembert fue el primero en describir la propagación de enfermedades

infecciosas mediante un modelo matemático en el siglo XVIII. Sin embargo, el
primer artículo conocido que incluye un modelo explícito para una enfermedad
infecciosa apareció en 1760. Bernoulli propuso varios modelos matemáticos
mediante ecuaciones diferenciales para modelar algunas enfermedades
infecciosas (Montesinos, 2007).

Modelo exponencial: Es de los dos primeros, el modelo más simple empleado

para el estudio del aumento de poblaciones. Puede ser descripto como: dx/dt = rE
x donde rE es la tasa de aumento específico para este modelo. La interpretación
biológica de la ecuación indica que la velocidad de aumento de la enfermedad:
dx/dt, también llamada tasa absoluta de aumento de enfermedad es proporcional a
la propia cantidad de enfermedad. A pesar de la simplicidad puede ser usado para
las fases iniciales de la epidemia, cuando la cantidad de la enfermedad no excede
el 50 % (Malthus, 1798).

Modelo logístico: Este modelo ha sido el más empleado para describir el

progreso de la enfermedad. La ecuación diferencial para este modelo puede ser
descripta como: dx/dt = rL x (1-x) donde rL es la tasa de aumento específico para
este modelo y 1 es la cantidad máxima de la enfermedad. El factor de corrección
(1-x) representa la cantidad de tejido sano. La interpretación biológica indica que
una velocidad de aumento de enfermedad es proporcional a la propia cantidad de
enfermedad y la cantidad de tejido sano disponible. Para cantidades pequeñas de
enfermedad (debajo de 5 %) el modelo logístico se confunde con el exponencial.
Graficando x respecto del tiempo, se origina una curva en forma de S, conocida
como curva logística, simétrica en torno de x = 0,5 (Verhulst, 1838).

Modelo Gompertz: La ecuación puede ser descripta: dx/dt = rG x [-ln(x)] donde

rG es la tasa específica para este modelo. El gráfico de dx/dt (respecto del
tiempo), como acontece con el modelo logístico, muestra incrementos crecientes
hasta que se alcanza el punto de inflexión, seguido de incrementos decrecientes
que tienden a cero. El punto de inflexión, diferente del logístico, ocurre en el punto
x = 0,37 (1/e), resultando una curva dx/dt asimétrica inclinada hacia la izquierda.
El gráfico de x respecto del tiempo origina una curva también en forma de S pero
se diferencia de la logística por su crecimiento más acentuado en el inicio. Este
modelo, así como el logístico, es especialmente útil para describir enfermedades
policíclicas (que presentan más de un ciclo infeccioso por ciclo del cultivo)
(Gompertz, 1825).

Modelo monomolecular: En este modelo la velocidad de aumento de la

enfermedad es proporcional al inóculo inicial y la tasa, ambos supuestos
constantes. La ecuación que describe el modelo es: dx/dt = rM (1-x) donde rM es
la tasa específica para este modelo (rM = inóculo inicial * tasa) y (1-x) representa
el tejido sano. El gráfico de dx/dt (respecto del tiempo) muestra que los
incrementos son siempre decrecientes y que se aproximan a cero, en la medida
que se agotan los tejidos sanos, originando una curva cóncava en relación con la
abscisa, aproximándose asintóticamente a la cantidad máxima de enfermedad.
Este modelo es especialmente útil para describir enfermedades monocíclicas (que
presentan sólo un ciclo infeccioso por ciclo del cultivo) (Mitscherlich, 1909).
IV. MATERIALES Y METODOS

a) Se trabajaron los datos promedio de la incidencia de una enfermedad

causada por una mancha foliar.

Tabla 1. Datos proporcionados (Días vs. Incidencia %).

Días Incidencia %
0 0
7 0.02
14 0.03
21 0.05
28 0.08
35 0.15
42 0.25
49 0.36
56 0.45
63 0.55
70 0.69
77 0.75
84 0.78
91 0.81
98 0.82

b) Se graficaron los datos con la finalidad de obtener la tendencia de la curva

que nos expresará el progreso de la enfermedad.

c) Calculamos las tasas cambio (ó pendiente) para los valores de incidencia

con la formula dy/dt= y2-y1/x2-x1 para graficar los resultados en función al
tiempo.

Tabla 2.- Tasas de cambio en función de los Días vs. Incidencia %.

Tasa de
Días Incidencia %
cambio
0 0 0
7 0.02 0.002857143
14 0.03 0.001428571
21 0.05 0.002857143
28 0.08 0.004285714
 35 0.15 0.01
42 0.25 0.014285714
49 0.36 0.015714286
56 0.45 0.012857143
63 0.55 0.014285714
70 0.69 0.02
77 0.75 0.008571429
84 0.78 0.004285714
91 0.81 0.004285714
98 0.82 0.001428571

d) Se calculo el área bajo la curva de la gráfica “tendencia de la curva”,

Para el cálculo del área de cada rectángulo se usa la fórmula:
A= ((Y2+Y1) /2) * (X2-X1)

Tabla 3.- Área bajo la curva.

AREA BAJO LA
Días Incidencia %
CURVA
0 0 0.07
7 0.02 0.175
14 0.03 0.28
21 0.05 0.455
28 0.08 0.805
35 0.15 1.4
42 0.25 2.135
49 0.36 2.835
56 0.45 3.5
63 0.55 4.34
70 0.69 5.04
77 0.75 5.355
84 0.78 5.565
91 0.81 5.705
98 0.82 *

e) Para observar el ajuste de los modelos (exponencial, logístico,

monomolecular y Gompertz se utilizó el programa Minitab, donde se usaron
las siguientes funciones:

Modelo exponencial= LN (y)

Modelo logístico= LN (y/1-y)
Modelo Monomolecular= LN (1/1- y)
 Modelo de Gompertz= -LN (-LN (y))

Donde y= incidencia y x= Días (tiempo); LN= Logaritmo Natural.

Tabla 4.- Resultado de las funciones para los distintos modelos.

Días Incidencia % LN LOG MONOMOLECULAR GOMPERTZ

0 0 * * 0 *
7 0.02 -3.912023 -3.8918203 0.020202707 -1.3640546
14 0.03 -3.5065579 -3.4760987 0.030459207 -1.2546349
21 0.05 -2.9957323 -2.944439 0.051293294 -1.0971887
28 0.08 -2.5257286 -2.442347 0.083381609 -0.9265296
35 0.15 -1.89712 -1.7346011 0.162518929 -0.6403369
42 0.25 -1.3862944 -1.0986123 0.287682072 -0.3266343
49 0.36 -1.0216512 -0.5753641 0.446287103 -0.0214202
56 0.45 -0.7985077 -0.2006707 0.597837001 0.22501067
63 0.55 -0.597837 0.2006707 0.798507696 0.51443714
70 0.69 -0.3710637 0.8001193 1.171182982 0.99138158
77 0.75 -0.2876821 1.09861229 1.386294361 1.24589932
84 0.78 -0.2484614 1.26566637 1.514127733 1.39246794
91 0.81 -0.210721 1.45001018 1.660731207 1.55722015
98 0.82 -0.1984509 1.51634749 1.714798428 1.61721337

f) De los resultados obtenidos de los modelos, se obtuvo el valor de R

cuadrada para comparar los modelos, y saber cuál se ajusta a los datos
analizados para eso además se realizó una gráfica de línea ajustada
(regresión) por cada modelo para observar la distribución de los valores
además de la gráfica residuos para observar la dispersión.

g) Al determinar cuál modelo es el mejor, también se determinó la incidencia a

los 25 y 72 días. Para obtener estas incidencias se sustituyó en la variable
“t” los valores correspondientes; el resultado obtenido se buscó en las
tablas proporcionadas, para obtener el valor en porcentaje.

h) Tomando en cuenta la ecuación del modelo que mejor se ajustó, se

determinó el día en que la incidencia sería de 50%, para esto, el porcentaje
se buscó en las tablas, el valor obtenido es el correspondiente a la variable-
 incidencia “Y”, posteriormente se sustituye en la ecuación del modelo, y por
último se despeja la variable “t”, pasa así obtener los días en que se está
obteniendo el 50% de incidencia.

V. RESULTADOS Y DISCUSION

Se graficaron los datos usando una gráfica de dispersión con la finalidad de

observar el comportamiento de las dos variables (Gráfica 1). Podemos ver en la
Gráfica
1 que se
trata de un

Gráfica 1.- Curva de progreso de la enfermedad.

patógeno policíclico ya que tiene una tasa de crecimiento que comienza suave y
aumenta mientras avanza el tiempo.
Las tasas
de

Gráfica 2.- Tasas de cambio.

cambio (Gráfica 2) mostraron de manera puntual el desarrollo y las variaciones en

la enfermedad donde podemos inferir que se aplicó algún método de control en el
día 18 aproximadamente ya que disminuyó la tendencia la enfermedad, se puede
observar que los días siguientes, del día 21 al 28 probablemente ese método de
control aplicado aun tenía efecto en la enfermedad o bien, se realizó algún método
posterior al primerio dentro de esas fechas. A partir del día 35 al día 70 la
enfermedad presento un desarrollo exponencial lo que indica que no se aplicó
algún método de control. A partir del día 77 disminuye de manera interesante la
severidad de la enfermedad esto puede ser por que se aplicó algún método de
control o bien las condiciones ambientales fueron desfavorables para el patógeno.
Para poder saber qué tipo de modelo se ajusta a nuestros valores fue necesario
correr los datos en cada uno de los modelos:

Modelo exponencial

La ecuación de regresión es
LN = - 3.653 + 0.04243 DÍAS

Resumen del modelo

S R-cuadrado R-cuadrado(ajustado)
0.44335 89.48% 88.61%
5

Análisis de varianza
Fuente GL SC MC F P
Regresió 1 20.0694 20.069 102.10 0.000
n 4
Error 12 2.3588 0.1966    

Total 13 22.4282      
 Gráfica 3.- Modelo Exponencial (Línea ajustada vs. Residuos)

Modelo logístico

La ecuación de regresión es
LOG = - 4.081 + 0.06409 DÍAS

Resumen del modelo

S R-cuadrado R-cuadrado(ajustado)
0.33773 97.10% 96.86%
1

Análisis de varianza
Fuente GL SC MC F P
Regresió 1 45.7844 45.784 401.40 0.000
n 4
Error 12 1.3687 0.1141    
Total 13 47.1532      

Gráfica 4.- Modelo Logístico (Línea ajustada vs. Residuos)

Modelo Monomolecular

La ecuación de regresión es
MONO = - 0.3246 + 0.02013 DÍAS

Resumen del modelo

S R-cuadrado R-cuadrado(ajustado)
0.19076 92.16% 91.55%
1

Análisis de Varianza
Fuente GL SC MC F P
Regresió 1 5.55840 5.5584 152.75 0.000
n 0
Error 13 0.47307 0.0363    
 9

Total 14 6.03147      

Gráfica 5.- Modelo Monomolecular (Línea ajustada vs. Residuos)

Modelo Gompertz

La ecuación de regresión es
GOMPERTZ = - 1.812 + 0.03712 DÍAS

Resumen del modelo

S R-cuadrado R-cuadrado(ajustado)
0.13600 98.58% 98.46%
4

Análisis de varianza
Fuente GL SC MC F P
Regresió 1 15.3606 15.360 830.43 0.000
n 6
Error 12 0.2220 0.0185    
Total 13 15.5825      

Gráfica 6.- Modelo Gompertz (Línea ajustada vs. Residuos)

El resultado de la aplicación de la ecuación de regresión lineal a los distintos

modelos da como resultado distintos parámetros con los que podemos elegir el
modelo que mejor se ajusta a la predicción o a la ocurrencia de un fenómeno.
Para Camacho (2022), resulta conveniente realizar una primera inspección visual
de los datos, al objeto de comprobar la conveniencia o no de utilizar el modelo de
regresión simple. Se recurre a este respecto a la representación conjunta de los
datos mediante un diagrama de dispersión o nube de puntos. Esto nos podrá
determinar si existe relación o no entre las variables, si ésta es lineal o no,
entonces, si la dispersión de los datos está a lo largo de la nube de puntos es
uniforme. En ese sentido Moral (2006) menciona que un patrón de puntos
ampliamente disperso indica que existe menor grado o fuerza de asociación entre
las variables. Cardona, González, Rivera y Cárdenas (2013) describe que el
análisis de regresión permite establecer la relación funcional o ecuación
matemática que relaciona las variables, así como la fuerza de esa relación.
Camacho (2022) menciona que el modelo de regresión lineal establece la relación
existente entre las variables “X y Y”. Así pues, Moral (2006) menciona que los
modelos de regresión lineal no pueden ser aplicados sobre cualquier variable, por
ejemplo, la regresión lineal no es aplicable cuando la variable de interés es
categórica, dado que al estimar el modelo de regresión no se respeta la restricción
de los valores de la variable dependiente.

Los datos obtenidos como la ordenada en el origen, la pendiente, pero sobre todo
la R2 son datos que nos ayudaron a elegir el mejor modelo. Camacho (2022) dice
que la pendiente de la recta muestra el cambio en “Y” por cada unidad de “X”, una
pendiente de cero indica que la variable “X” no sirve para nada, pero una
pendiente grande no indica lo contrario, ya que para eso es necesario conocer las
escalas de las variables y la dispersión de la nube de puntos, así pues, un
diagrama de dispersión redondeado con una recta implícita de gran pendiente no
significa gran cosa en términos de relación. Por otro lado, la ordenada en el origen
hace referencia al valor de “Y” cuando “X” es igual a 0. Para Cardona, González,
Rivera y Cárdenas (2013) en términos de variación, el modelo lineal del conjunto
de los datos observados explica la bondad de ajuste, es importante destacar que
del cociente entre la variación explicada y la variación total obtendremos la
proporción de variación explicada por el modelo, lo que permitirá hacernos una
idea del ajuste del modelo a la proporción de variación explicada por el mismo, de
esta forma, podemos hacernos una idea de cuánto explica el modelo la realidad
estudiada.

Hay otros puntos que podemos tomar en cuenta para ver que tan fiel es el modelo
para poder predecir o estimar ocurrencias del fenómeno, este otro dato a tomar en
cuenta es la F, Moral (2006) menciona como un modelo se adecua a los datos de
los que disponemos en el modelo de regresión lineal comparándose con la F
estadística parcial obtenida en cada uno de los modelos, los resultados del
análisis de varianza (ANOVA) se proporcionan para evaluar la significación del
modelo, cuanto mayor sea el estadístico F, mejor será la predicción mediante el
modelo lineal.
El estudio del error o la grafica de puntuaciones residuales también es un buen
parámetro para poder describir que es lo que ocurre y si nuestro modelo se ajusta.
Camacho (2022) menciona que la parte aleatoria hace referencia justamente a
aquello que el modelo no explica. Este parámetro muestra la deficiencia del
modelo, aun que es obvio que ningún modelo, dada su complejidad, carece de
error. (Moral, 2006) en este sentido menciona que, si el modelo de regresión
resulta adecuado para explicar nuestros datos, los residuos deberían de
distribuirse según la ley normal de media 0 y varianza constante. Este supuesto
puede comprobarse gráficamente al representar mediante una nube de puntos
cómo se distribuyen los residuos de nuestro modelo de regresión. A través de este
método se puede diagnosticar la homocedasticidad o la heterocedasticidad.

Sabiendo esto podemos decir que el modelo que mejor se ajusta es el Gompertz
ya que muestra una estrecha relación entre la variación de los valores con
respecto a la ecuación de regresión lineal, ósea que, los puntos dispuestos en la
gráfica tienen una estrecha relación con la línea que pasa entre ellos, esto está
dado, por el valor de R 2 que es igual a un 98.5% a diferencia de los modelos
probados donde la R2 tuvo valores inferiores. El otro punto fue la F estadística
donde en el análisis de varianza del modelo Gompertz mostro un valor mas alto a
diferencia de los otros modelos. La otra característica para definir el modelo fue la
gráfica de residuos, donde podemos observar que en los modelos Exponencial,
Logarítmico y Monomolecular presentaron heterocedasticidad, o bien, que la
varianza de dichos modelos no fue constante, a diferencia del modelo Gompertz
donde en la gráfica de residuos se observan esa variación constante a manera de
puntos mas dispersos en la gráfica.

1. Ya seleccionado el mejor modelo (Gompertz), se calculó la incidencia para

los días 25 y 72:
Y= - 1.812 + 0.03712 (25)
Y= -0.884

Y= - 1.812 + 0.03712 (72)

Y= 0.86064

Se buscó en las tablas el valor de “Y” en las tablas (Anexos) para hacer la
regresión y se obtuvo que:

8.9 % de incidencia es el valor correspondiente a 25 días.

65.5 % de incidencia es el valor correspondiente a 72 días.

2. ¿A los cuántos días se tendrá una incidencia del 50%?

Se busco en la tabla el porcentaje (50%) para obtener el valor de “Y” en los datos
de Gompertz.

Y= 0.36651

Y= - 1.812 + 0.03712 (t)

t = (0.36651 + 1.812) / 0.03712 = 58.6 días

3. Con base en el tipo de epidemia, los parámetros y resultados obtenidos,

explica qué tipo de estrategias usarías para manejar la enfermedad en la
siguiente temporada y por qué.
Entendiendo lo anterior, la enfermedad estará regida por cierto fenómenos
ambientales como por ejemplo temperatura, humedad relativa, radiación solar y la
presencia del hospedante. Entendiendo que la enfermedad tiene como
característica tener varios ciclos de infección en el mismo hospedante pues unas
de las primeras estrategias para poder cortar parte del ciclo del patógeno es el uso
de variedades resistentes o tolerantes, aunado a esto, se debe de proveer a esa
variedad resistente las condiciones adecuadas como la nivelación del terreno, la
altura del surco, la nutrición y los intervalos de riego. Como último recurso, pero
que también entra dentro de las estrategias de manejo es la aplicación de
productos químicos en función de la acumulación de las condiciones que requiere
el patógeno para presentarse.

VI. CONCLUSION

El uso de los modelos para predecir la presencia del patógeno es de gran ayuda
para establecer en tiempo y forma las estrategias pertinentes dentro de un plan de
manejo.

VII. BIBLIOGRAFIA

Camacho, C. (2022). Regresión lineal simple. Universidad de Sevilla.

Cardona, D., González, J., Rivera, M., & Cárdenas, E. (2013). Inferencia
estadística: Módulo de regresión lineal simple. Universidad del Rosario,
Facultad de Administración.

Moral, I. (2006). Modelos de regresión: lineal simple y regresión logística.

Campbell, C. L., Madden, L. V. 1990. lntroduction of plant disease epidemiology,
532 pp. Ed. John Wiley & Sons. New York.

Costa, L. C., Waldir, C. J., Ribeiro, de V. F. X. 2001. Modelos aplicados en

Fitopatología. Rev. FCA UNCuyo. Tomo XXXIV. N° 1. Año 2002.

Fajardo, G. A. 2017. Medición en epidemiología: prevalencia, incidencia, riesgo,

medidas de impacto. Rev. alerg. Méx. vol.64 no.1 Ciudad de México.

Jeger, M. J. 1998. Building models of epidemics to help take decisions, pp. 135-
150. En: Information Technology, Plant Pathology and Biodiversity. P.
Bridge, P. Jeffries, D.R. Morse y P.R. Scott (Ed.), pp. Ed. CAB International.
Wallingford.

Kranz, J., Royle, D. J. 1978. Perspectives in mathematical modelling of plant

disease epidemics, pp. '! 11- J 20. En: Plaot Disease Epidemiology. P.R.
Sean y A. Bainbridge (Ed.), 329 pp. Ed. Blackwell Scieatific Publications.
London.

Montesinos, L. O. A., Hernández, S. C. M. 2007. Modelos matemáticos para

enfermedades infecciosas. 49:218-226.

Waggoner, P. E. 1990. Assembling and using models of epidemics, pp. 230-260.

En: Ecological Studies. Epidemics of Plant Diseases: Mathematical
AnaJysis and Modelling. Vol. 13, J. Kranz (Ed.), 268 pp. Ed. Springer-
Verlag. Berlin.