MODELIZACIÓN DEL CRECIMIENTO POBLACIONAL DE LOS

PACIENTES INFECTADOS POR COVID-19 EN EL PERU

1
 ÍNDICE

Pág.

INTRODUCCIÓN………………………………………………………………………….3

MARCO TEORICO…………………………………………………………………………4

Modelos de crecimiento poblacional…………………………………………………...4

 Modelo de crecimiento simple…………………………………………………….4

 Modelo de crecimiento logístico…………………………………………………..5

 Modelo de crecimiento SIR………………………………………………………..6

Datos para la modelización……………………………………………………………...7

APLICACIÓN……………………………………………………………………………….8

Modelización a través del crecimiento simple…………………………………………8

Modelización a través de la función logística………………………………………….9

Modelización a través del crecimiento SIR……………………………………………14

CONCLUCIONES…………………………………………………………………………15

REFERENCIAS Y BIBLIOGRAFÍA………………………………………………………16

2
INTRODUCCIÓN

Tras la llegada del Covid-19 al Perú en marzo del 2020, varios investigadores

peruanos se han interesado en la evolución poblacional de los pacientes infectados.

Estas investigaciones tenían el fin de concientizar e informar al país entero sobre el

acelerado incremento de infectados en la población peruana, mismas que se podían

evidenciar a diario en los noticieros nacionales.

La demografía es una ciencia que se utiliza para conocer el crecimiento poblacional.

Sin embargo, hoy en día es muy importante en la salud pública. Teniendo en cuenta

que la salud pública tiene como objeto de estudio las poblaciones humanas y, por

ende, es necesario conocer datos como la masa y volumen de los grupos a tratar.

En esta investigación me apoyaré en los conceptos dados sobre demografía, salud

pública y su estrecha relación. En cuanto la elección del tema, este tras conocer

como el número de infectados podía superar la capacidad de respuesta en las

entidades de salud pública y privada. Mismo hecho pudo haberse evitado si se

hubieran realizado estimaciones previas a los futuros infectados. A su vez es

necesario tener en cuenta factores como la tasa de mortalidad y métodos de

prevención. Por otro lado, mi interés también se basa en conocer métodos

matemáticos para determinar estas cifras. Con todo esto, puedo considerar que el

propósito de esta investigación es determinar un modelo matemático capaz de

modelizar el crecimiento poblacional de los infectados de Covid-19 en el Perú. Para

poder lograrlo, voy a basarme en los datos abiertos que brinda el MINSA sobre los

infectados y utilizare la ley de crecimiento natural, la función logística y el modelo

SIR. Cabe recalcar, que el motivo de haber escogido al Perú como objeto de

estudio, pese de ser un tema de carácter mundial, se basa en mi compromiso por

conocer a profundidad un tema que afecta a mi país.

3
MARCO TEORICO

“El poder nuclear no significa nada si un virus puede matar toda una población

dejando su riqueza intacta.” (Surridge, 2015) La presente cita se puede relacionar

directamente con la nueva normalidad que hoy en día todos vivimos, y podemos

reflexionar también acerca de lo preparado que se encontraba el mundo para una

guerra, mas no una pandemia, hecho que a su vez se tuvo que pagar con miles de

vidas. Tras esta cita, busco lograr cierta empatía con el tema a tratar, y reforzar el

interés por comprender esta investigación.

De acuerdo a (Stewart, 2012), en los modelos de crecimiento de una población

debemos asumir que la población crece en una cantidad proporcional al tamaño de

la población. Mismo concepto que se puede utilizar para poblaciones en condiciones

ideales. De la misma forma, nos menciona dos maneras de desarrollar los modelos

de crecimientos poblacionales y son los siguientes:

Modelos de crecimiento poblacional

Para comprender ambos modelos, es necesario denotar sus variables:

 t=Tiempo ( la variable independiente )

 P ( t ) : Población ( Ejemplo :1000 personas )

 Modelo de crecimiento simple

Este modelo matemático de forma particular permite analizar ciertas poblaciones en

intervalos cortos de tiempo. Y se considera el modelo más práctico, pero al mismo

tiempo menos específico, ya que trabaja en circunstancias ideales al no utilizarse un

límite poblacional y ser exponencial.

4
 Por otro lado, (Stewart, 2012) también menciona que la rapidez de crecimiento

ⅆP
poblacional es la derivada de .Por ende, esta rapidez en el crecimiento
ⅆt

poblacional es directamente proporcional al tamaño de la población, y se escribe

matemáticamente como ecuación de la siguiente manera:

ⅆP
=kP(t )
ⅆt

Logrando de esta manera, determinar la siguiente formula:

kt
P ( t ) =P 0 ⅇ

 Modelo de crecimiento logístico

Este modelo es una función matemática que se utiliza normalmente para

modelos de crecimiento de poblaciones, propagación de enfermedades

epidémicas y difusión en redes sociales. Teniendo en cuenta que P ( t ) es el

tamaño poblacional en el tiempo determinado t , se obtendría lo siguiente:

ⅆP
=kP
ⅆt

Cabe mencionar, que, a comparación del anterior modelo, este método cuenta

con cierta población máxima y rango, el cual se conoce matemáticamente como

M .Por tal motivo, este modelo se desarrolla de manera asintótica perfecta y de la

manera siguiente:

1 ⅆP
P ⅆt
=k 1−
P
M( )

5
A continuación, se multiplicará P para poder obtener el modelo de crecimiento

poblacional logístico:
ⅆP
ⅆt (
=kP 1−
P
M )
De esta forma procederé a integrar ambas partes y resolver la ecuación, misma

que nos dirige a la siguiente expresión:

k
P (t)=
1+ A ⅇ−kt

k −P0
Donde A=
P0

Cabe recalcar que las variables de la presente formula se adaptaran de acuerdo

al tema planteado.

 Modelo de crecimiento SIR

A diferencia de los anteriores modelos presentados, el modelo SIR se aplica

específicamente en casos epidemiológicos. El cual divide a la población ( P ) en

tres tipos:

 S=Sanos

 I =Infectados

 R=Recuperados

Y, por ende, se refiere lo siguiente:

P=S+ I + R

Tras estos datos, podemos mencionar las siguientes ecuaciones diferenciales:

ⅆS
 =−βSI =Ecuación para determinar la población suceptible
ⅆt

6
 ⅆI
 =βSI −γI=Ecuación para determinar la poblacióninfectada
ⅆt

ⅆR
 =γI =Ecuación para determinar a la población recueperada
ⅆt

En la ecuación mencionada, las constantes β y γ representan lo siguiente:

 β=Tasa de infección

 γ=Tasa de recuperación

Datos para la modelización

MESES INFECTADOS DEFUNCIONES

MARZO 1 065 30

ABRIL 35 911 1 021

MAYO 127 500 3 455

JUNIO 120 737 5 171

JULIO 129 522 9,540

AGOSTO 237 302 9,727

Tabla 1: Población total de pacientes de coronavirus en el Perú durante el año 2020

Fuente: La República - Casos confirmados y muertes por coronavirus en Perú (2020)

POBLACIÓN

(N° de personas) 32 625 948

Tabla 2: Población total de peruanos en el 2020

7
Fuente: INEI - La población de Lima supera los nueve millones y medio de habitantes (2020).

APLICACIÓN

Tras conocer los modelos sugeridos, procederemos a aplicarlos utilizando los datos

previamente mencionados.

Modelización a través del crecimiento simple

Teniendo en cuenta que:

P(0 )=1 065P(0.5 )=¿652 037¿

Cabe recalcar que cuando el tiempo ( t ) es 1 año, y se representa con 1. Pero en esta

ocasión solo estamos usando 6 meses y por ende se representa con 0.5.A

continuación, se empleará la fórmula de Malthus:

652 037= (1 065 ) ⅇ 0.5 k 652037

1065
0.5 k 652037
=e ¿
1065
=0.5 k
¿
652 037
1 065 (=k
)
12.8342=k Contando
0.5

con k como constante, procederé a establecer la función exponencial, la cual

modelara el crecimiento poblacional:

( 12.8342 ) t
P ( t ) =( 1065 ) ⅇ

A continuación, ubicare la ecuación en el software grafico GeoGebra, y obtuve lo

siguiente:

8
Gráfico 1. Modelización de infectados por Covid-19 en el Perú a través de la función exponencial

Fuente: Elaboración propia.

Analizando la gráfica presentada podemos evidenciar como la función exponencial

estima hacia el infinito. Sin embargo, este hecho no se puede aplicar en la realidad,

ya que debemos tener en cuenta al margen de que la población peruana no se

puede infectar infinitamente, este modelo no cuenta la población total de peruanos ni

la tasa de recuperados. A partir de este análisis podemos determinar cómo no

apropiado este modelo para la aplicación del tema que buscamos analizar.

Modelización a través de la función logística

Como se pudo evidenciar en el modelo anterior, la función exponencial no es la

mejor opción para este caso, ya que no cumple con las características de mi

propósito de investigación. Sin embargo, este modelo de crecimiento logístico

analiza desde una perspectiva más real en la población por estudiar.

9
Para poder desarrollar este modelo de crecimiento poblacional, es necesario

encontrar los siguientes valores: M , A y k . Pero en primer lugar debemos encontrar

la tasa de increcimiento en los 6 meses de pandemia, y para obtener esa cifra se

debe hallar la diferencia entre la población de enero y la de setiembre.

P(0.5 )−P( 0)= ΔP

652 037−1 065

¿ 650 972Tras obtener esta cifra, procederé a realizar la regla de tres simple para

encontrar el incremento de la población infectada desde enero del 2020 a setiembre

del mismo año.

652 037 _ _ _ _ _ _ _ _ 100 %

650 972_ _ _ _ _ _ _ _ x

650 972× 100

x= x ≈ 99.83 %=0.9983
652 037

De esta forma se obtiene la tasa de incremento de infectados por Covid- 19 en los

últimos 6 meses. Sin embargo, lo que preciso es el incremento mensual, por ende,

realizare el mismo procedimiento de regla de tres simple.

0.9983 _ _ _ _ _ _ _ _ _ 6 meses

x _ _ _ _ _ _ _ _ _ 1 mes

0.9983 x 1
x= x ≈ 0.1663
6

El valor encontrado es el valor de k , lo que significa que es la tasa de incremento

mensual de infectados por Covid- 19 en el 2020.

k =0.1663

10
Tras obtener este dato, solo nos queda determinar M y A . Continuamos la aplicación

del modelo con M , la cual es la capacidad máxima de población. Para empezar, se

determinará un tiempo aproximadamente de 1 año, al realizarse una estimación a

partir de enero del 2020 en adelante, la población infectada por Covid-19 en el Perú

llegará a su punto de crecimiento limite (M ).

P(1 )=1 065 ⅇ

12.8342 (1)
P(1 )=399 182825 En consecuencia, se puede reconocer la capacidad

máxima de población como:

M =399 182 825

Como podemos darnos cuenta, dentro de las 3 constantes, ya contamos con 2 de

ellos. Por esa razón, para determinar el valor de A procederé de dos formas

distintas: En la primera forma, despejare la ecuación logística ya conocida. La

segunda forma es a través de lo establecido por (Stewart, 2012) en su libro de

Calculo variable.

P( t ) =
M
1+ A ⅇ
−kt
1+k ⅇ−rt
=
M
P (t)
A ⅇ−kt
=
M
P (t )
−1
A=
P
M
(
( t )
)
−1
Tras despejar la ecuación
ⅇ−kt

logística. Tomare el tiempo 0, en este caso la cantidad de infectados en marzo del

2020.

P(0 ) =1065

De la misma forma, se tomará en cuenta que el logaritmo natural debe estar elevado

a la menos r multiplicado por t .

ⅇ−0.1663 ( 0)=1

Al determinar estos datos, los utilizare para reemplazar la ecuación.

11
 A=
( 399182 825
1065
−1 )

A ≈ 374818.553991Ahora, procederé a realizar la segunda forma. Teniendo en cuenta

que:

M =399 182 825 P(0 )=1065

M −P (0)
Procederé a reemplazar la siguiente ecuación: A=
P( 0 )

399 182 825−1065

A= A=374818.553991
1065

Como es evidente, de ambas maneras se puede obtener el mismo resultado y

considerar como valor de la constante.

A=374818.553991Contando ya con el valor de las constantes, podemos

reemplazarlos en la fórmula general y así obtener el resultado del modelo logístico.

399 182 825

P (t )=
1+374818.553991 ⅇ−0.1663 (t )

A continuación, ubicare la ecuación en el software grafico GeoGebra, y obtuve lo

siguiente:

12
Gráfico 2. Modelización de infectados por Covid-19 en el Perú a través del modelo logístico

Fuente: Elaboración propia.

Al analizar la gráfica presentada podemos reconocer como el modelo logístico se

asemeja a un “S”. Sin embargo, pese a que este modelo cuenta con población

máxima y asegura ser más preciso que el modelo anterior, no cuenta con la tasa de

recuperados. A partir de este análisis podemos determinar que el modelo logístico

no es el adecuado para el análisis de este tema.

Modelización a través del crecimiento SIR

13
Como se pudo observar en los modelos anteriores, estos no cumplían con todos los

requisitos propios del tema, ya que el primero era muy general y se desarrollaba en

circunstancias. Por otro lado, el segundo modelo a pesar de ser más preciso no

termina de ser el ideal para el tema que estamos investigando. A comparación de los

anteriores modelos, este fue elaborado específicamente para las pandemias.

Para el desarrollo de este modelo, debemos tener en cuenta sus dos principales

constantes, las cuales son:

 β=0.1663

 γ=2.2507

En primer lugar, debemos determinar la población susceptible a partir de la formula

presentada:

ⅆS
 =−βSI =Población suceptible
ⅆt

−2.2507∗S∗652037

¿ 31511 582

Luego, determinaremos la población infectada a partir de la formula presentada

anteriormente:

ⅆI
 =βSI −γI=Poblacióninfectada 0.1663∗31511582∗I −2.2507∗I
ⅆt

¿ 652 037

Finalmente, aplicaremos la fórmula para hallar la población recuperada:

14
 ⅆR
 =γI =Población recuperada 2.2507∗652037 ¿ 462 329
ⅆt

De esta manera, podemos comprobar como el modelo de crecimiento poblacional

SIR requiere de muchos más datos a comparación de los dos modelos presentados

anteriormente, ya que como pudimos evidenciar, en este si contábamos con un

límite poblacional, tasa de infectados, tasa de recuperados, y además logramos

determinar y comprobar las población susceptible, infectada y recuperada que hay

en el Perú. Esta situación, permite que el modelo sea muy específico, pero a la vez

practico.

CONCLUSIONES

Con los datos brindados por el Ministerio de la Salud (MINSA) he logrado desarrollar

tres diferentes modelos matemáticos de crecimiento poblacional. Cabe recalcar que

cada modelo matemático se caracterizaba por sus diferentes fórmulas y

requerimientos. Por otro lado, definitivamente puedo considerar que gracias a este

trabajo de investigación pienso haber logrado tomar conciencia frente a esta nueva

realidad. Por la misma razón de tratarse de un tema epidemiológico, era de suma

importancia encontrar el modelo adecuado, el cual tomara en cuenta valores como la

tasa de infectados, la tasa de recuperados, población máxima, población

susceptible, población infectada y población recuperada. Tras desarrollar cada

modelo, logré finalmente darme cuenta que el más adecuado era el modelo

matemático SIR, el cual comprobé al desarrollar todas sus fórmulas. Cabe reconocer

que este no solo consideraba todos los valores previamente mencionados, sino que

también es netamente epidemiológico y es utilizado con mayor frecuencia en estos

casos.

REFERENCIAS BIBLIOGRAFICAS
15
 Abrate, R. S. (s.f.). Los logaritmos,un abordaje desde la historia de la

matemática y las aplicaciones actuales. En R. S. Abrate, Los logaritmos,un

abordaje desde la historia de la matemática y las aplicaciones actuales (pág.

22). Cordova .

 Stewart, J. (2012). Carculo de una variable: Trascendentes tempranas.

Cengage learning.

 Surridge, D. (2015).

16