INSTITUTO POLITECNICO NACIONAL

UNIDAD PROFESIONAL INTERDICIPLINARIA DE

INGENIERIA CAMPUS GUANAJUATO

DOCENTE: ALBA VARGAS CAAMAL

ANÁLISIS NUMÉRICO

PROYECTO TERCER PARCIAL

ALUMNOS:

SAMANTA ALEJANDRA MENDOZA CEBALLOS

ALEXA VERONICA PADILLA CARMONA
MIKEL IÑAKI COVARRUBIAS MIGUEL
EDUARDO ANDRE CASTILLO MALDONADO
3AM1
27 DE JUNIO DE 2023

1
 Título
TÍTULO
“Explorando el crecimiento bacteriano en un lago contaminado: ¡Un enfoque de
modelado!”
“Explorando el crecimiento bacteriano en un lago contaminado: ¡Un
enfoque de modelado!”

2
 ÍNDICE.

1. Portada
2. Introducción o antecedentes.
3. Objetivos o problemática para resolver (pregunta de
investigación )
4. Cálculos
5. Resultados
6. Discusiones
7. Conclusiones
8. Referencias

INTRODUCCIÓN O ANTECEDENTES.
El análisis numérico y sus métodos son una
dialéctica entre el análisis matemáticos
cualitativo y el análisis matemático
cuantitativo. El primero nos dice que bajo

3
ciertas condiciones algo existe, que es o no único; mientras que el segundo complementa
al primero, permitiendo calcular aproximadamente el valor de aquello que existe y se
puede calcular. El análisis numérico es una reflexión sobre los cursos tradicionales de
cálculo, álgebra lineal, ecuaciones diferenciales entre otros, concretando en una serie de
métodos o algoritmos cuya característica principal es la posibilidad de obtener resultados
numéricos de problemas matemáticos de cualquier tipo a partir de números y un número
finito de operaciones aritméticas. El análisis o cálculo numéricos es la rama de las
matemáticas encargada de diseñar algoritmos para, a través de números y reglas
matemáticas simples, simular procesos matemáticos más complejos aplicados a
procesos del mundo real.
El análisis numérico proporcionará todo el andamiaje necesario para llevar a cabo todos
aquellos procedimientos matemáticos susceptibles de expresarse algorítmicamente,
basándose en algoritmos que permitan su simulación o cálculo en procesos más sencillos
empleando números. Definido el error, junto con el error admisible, pasamos al concepto
de estabilidad de los algoritmos. Muchas de las operaciones matemáticas pueden
llevarse adelante a través de la generación de una serie de números que a su vez
alimentan de nuevo el algoritmo .Esto proporciona un poder de cálculo y refinamiento
importantísimo a la máquina que a medida que va completando un ciclo va llegando a la
solución. El problema ocurre en determinar hasta cuándo deberá continuar con el ciclo, o
si nos estamos alejando de la solución del problema. Monster Digital Agency. (2022,
diciembre 1).
Entre los diferentes métodos de análisis numérico se encuentran dos principales, los
cuales nos serán de utilidad para resolver el problema que se encuentra en el presente
documento, estos métodos son: El método de Newton Raphson y el método gráfico.
El método de Newton-Raphson es método que se utiliza para calcular los ceros de una
función real de variable real. Aunque no sea siempre el mejor método para un problema
dado, su simplicidad formal y su rapidez de convergencia hacen que, con frecuencia, sea
el primer algoritmo para considerar para esta tarea.
El método de Newton-Raphson es un método abierto, en el sentido de que su
convergencia global no está garantizada. La única manera de alcanzar la convergencia
es seleccionar un valor inicial lo suficientemente cercano a la raíz buscada. Así, se ha de
comenzar la iteración con un valor razonablemente cercano al cero (denominado punto
de arranque o valor supuesto). La relativa cercanía del punto inicial a la raíz depende
mucho de la naturaleza de la propia función; si ésta presenta múltiples puntos de inflexión
o pendientes grandes en el entorno de la raíz, entonces las probabilidades de que el
algoritmo diverja aumentan, lo cual exige seleccionar un valor supuesto cercano a la raíz.
Una vez se ha hecho esto, el método linealiza la función por la recta tangente en ese
valor supuesto. La abscisa en el origen de dicha recta será, según el método, una mejor
aproximación de la raíz que el valor anterior. Se realizarán sucesivas iteraciones hasta
que el método haya convergido lo suficiente.
Concepto interpolación. interpolación es, a partir de una serie de puntos, obtener una
ecuación cuya curva pase por todos ellos o lo más cerca posible.
Método de interpolación de Newton. Se basa en la obtención de un polinomio a partir de
un conjunto de puntos dado, aproximándose lo más posible a la curva buscada.

4
Las fórmulas de Newton no son apropiadas para aproximar un valor x que se encuentre
cerca del centro de la tabla, ya que empleando ya sea el método regresivo o el
progresivo, de tal manera que se involucre a la diferencia de orden mayor, no permitirá a
x0 estar cerca de x. En estas circunstancias se dispone de un sinnúmero de fórmulas de
diferencias divididas, cada una de ellas puede usarse en ciertas situaciones con una
ventaja máxima. Estos métodos se conocen como métodos de diferencias centradas.
Cuando se va a llevar a cabo sólo una interpolación, ambos métodos, el de Newton y el
de Lagrange requieren de un esfuerzo de cálculo similar. Sin embargo, la versión de
Lagrange es un poco más fácil de programar. También existen casos en donde la forma
de Newton es más susceptible a los errores de redondeo. Debido a esto y a que no se
requiere calcular y almacenar diferencias divididas, la forma de Lagrange se usa, a
menudo, cuando el orden del polinomio se conoce a priori.
El método gráfico consiste en representar las gráficas asociadas a las ecuaciones del
sistema para deducir su solución. La solución del sistema es el punto de intersección
entre las gráficas. La razón de ello es que las coordenadas de dicho punto cumplen
ambas ecuaciones y, por tanto, es la solución del sistema. El método gráfico es un
procedimiento de solución de problemas de programación lineal, muy limitado en cuanto
al número de variables (2 si es un gráfico 2D y 3 si es 3D) pero muy rico en materia de
interpretación de resultados e incluso análisis de sensibilidad. Este consiste en
representar cada una de las restricciones y encontrar en la medida de lo posible el
polígono (poliedro) factible, comúnmente llamado el conjunto solución o región factible, en
el cual por razones trigonométricas en uno de sus vértices se encuentra la mejor
respuesta (solución óptima).

OBJETIVO O

PROBLEMÁTICA POR
RESOLVER.

5
La concentración de bacterias contaminantes en un lago disminuye de acuerdo con la
ecuación
𝑐(t) = 75𝑒-1.5t +25𝑒-0.075t

Determine el tiempo que se requiere para que la concentración de bacterias se reduzca a

5 con el uso del método gráfico, y el método de Newton-Raphson, con un valor inicial de
t=6 y criterio de detención de 0.0001% y finalmente los métodos de integración de
Simpson arrojarán el total de bacterias acumuladas durante el tiempo de crecimiento
bacteriano. Después comprobaremos los resultados que obtenga.
Teniendo en cuenta los antecedentes ya prescritos y tomando en cuenta el problema en
el que aplicaremos los métodos Newton-Raphson, gráfico y Simpson aplicamos de la
siguiente manera cada uno El método de Newton Raphson es un método iterativo que se
utiliza para encontrar las raíces de una función. En el contexto del cálculo de la
concentración de bacterias, este método se puede utilizar para encontrar el punto en el
tiempo en que la concentración de bacterias es cero, lo que indicaría el momento en que
las bacterias han sido completamente eliminadas. Conociendo este punto, se podría
calcular la concentración de bacterias en cualquier otro momento.
El método gráfico es una técnica visual que se utiliza para representar gráficamente la
concentración de bacterias respecto al tiempo. Al graficar los datos, se puede ver
claramente cómo cambia la concentración de bacterias a lo largo del tiempo y se pueden
identificar tendencias y patrones. También se pueden realizar extrapolaciones y
estimaciones a partir de la gráfica.
Los métodos de integración de Simpson son técnicas numéricas utilizadas para calcular
el área bajo una curva. En el contexto del cálculo de la concentración de bacterias, se
pueden utilizar para calcular el área bajo la curva de la concentración de bacterias

6
respecto al tiempo. Este valor representa la cantidad total de bacterias que se han
multiplicado durante el tiempo considerado.
En resumen, el método de Newton Raphson puede ayudar a encontrar el punto en el
tiempo en que la concentración de bacterias es cero, el método gráfico puede ayudar a
visualizar los cambios en la concentración de bacterias a lo largo del tiempo, y los
métodos de integración de Simpson pueden ayudar a calcular la cantidad total de
bacterias que se han multiplicado durante un periodo determinado.

CALCULO DE RAICES POR NEWTON RHAPSON

Tenemos que encontrar el tiempo que se requiere para que la concentración de bacterias
se reduzca a 5. Esto implica resolver la siguiente ecuación:
−1.5 t −0.075 t
70 e +25 e −5=0
Al aplicar el método de Newton Raphson con un valor xi=0 se obtiene lo siguiente:

valor xi función f(x)
0 90
0.84210526316 38.26305906
2.05873638364 19.61429722
5.12658448163 12.05189899
14.22564311854 3.601637528
19.80851376816 0.658943943
21.36108600170 0.036917938
21.45881226528 0.000134965
derivada
función f'(x)   valor aprox xi+1 error aprox
-106.875   0.84210526316 1
-31.45000849   2.05873638364 0.59096013
0.59841949
-6.393503393   5.12658448163 5
14.2256431185 0.63962371
-1.324521522   4 1
19.8085137681 0.28184197
-0.645122869   6 5
21.3610860017 0.07268227
-0.424420796   0 1
21.4588122652 0.00455413
-0.377768845   8 2
21.4591721609
-0.375010122   3 1.67712E-05

7
 21.4591721657
21.45917216093 1.82148E-09 -0.375   9 2.26349E-10
21.4591721657
21.45917216579 0 -0.375   9 0
21.4591721657
21.45917216579 0 -0.375   9 0

Por lo tanto, el tiempo estimado es de t = 21.45917216579.

Observación: Note que en este caso se obtuvo la solución analítica mediante un método
numérico, es decir, el método convergió exactamente a la raíz, esto de hecho es posible,
sin embargo, no es lo común.

CÓDIGO EN MATLAB NEWTON RHAPSON

clc
disp('Método de Newton Raphson')
%Damos de alta la variable simbólica X
syms x
%Introducimos la función,el punto de inicio,así como
%porcentaje de error
f=input('Introduzca la función f(x):');
pi=input('Introduzca el punto de inicio:');
err=input('Porcentaje de error:');
%Graficamos la función
ezplot(f)
grid on
%Calculamos la derivada de la función
d=diff(f);
d=inline(d);

8
f=inline(f);
ea=100;
j=0;
while ea>err
%Aproximamos la raiz con la fórmula correpondiente
xi=pi-(f(pi)/d(pi));
%Calculamos el porcentaje de error
ea=abs(((xi-pi)/xi)*100);
pi=xi;
j=j+1;
end
%Mostramos los resultados en pantalla (con 3 decimales)
fprintf('\nRaiz= %10.3f en %d Iteraciones',pi,j)

INTEGRACION POR METODO DE SIMPSON

El total de bacterias acumuladas durante un intervalo de tiempo se puede modelar

mediante la integral de la función que representa el crecimiento bacteriano, para un
tiempo t=6, el total de bacterias acumuladas este dado por:
6

∫ (70 e−1.5t +25 e−0.075 t )dt

0

Resolviendo por Simpson 3/8 obtenemos:

x f(x)
x0 0 95
x1 2 25.0027942 Integral= 181.529722
x2 4 18.6939682
x3 6 15.9493425

9
Analíticamente obtenemos:

∫ ( 70 e−1.5 t +25 e−0.075t ) dt=167.4515236685515

0

Error real absoluto = 14.078198

CODIGO EN PHYTON
# Integración: Regla Simpson 3/8
import numpy as np
import matplotlib.pyplot as plt
import math

# INGRESO:
fx = lambda x: 70*math.exp(-3/2*x)+25*math.exp(-3/400*x)

# intervalo de integración
a=0
b=6
tramos =3
# PROCEDIMIENTO
# Imprtante: validar tramos impar

# Regla de Simpson 1/3

h = (b-a)/tramos
xi = a
area = 0

10
for i in range(0,tramos,3):
deltaA = ((3*h)/8)*(fx(xi)+3*fx(xi+h)+3*fx(xi+2*h)+fx(xi+3*h))
area = area + deltaA
xi = xi + 2*h

# SALIDA
print('tramos:', tramos)
print('Integral: ', area)

RESULTADOS

Raíz aproximada=21.45917216579
raíz real = 21.45917216579
Error abs = 0

Integral aproximada = 181.529722

Integral real = 167.4515236685515
Error abs = 14.0781985

RESOLUCIÓN DE LA ECUACIÓN DIFERENCIAL

11
CÓDIGO EN PHYTON PARA EL MÉTODO DE RK-4 A USAR ES EL
SIGUIENTE:
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import math

def exacta(t, k=1):

return np.exp([-k * tn for tn in t])

def runge_kutta_ecs(functions, a, b, step_size):

# Create time interval and set number of iterations to n
t = np.arange(a, b+step_size, step_size)

12
n = len(t)

# Create and init series

series = {name: np.zeros(n) for name, _ in functions.items()}
for name, serie in series.items():
serie[0] = functions[name]["init"]

# Iter through time interval

for i in range(n-1):
# Init slopes for iteration
slopes = {name: list() for name in functions}

# Create slope 1 for all functions

for name, foo in functions.items():
inputs = [serie[i] for _, serie in series.items()] + [t[i]]
print(f"({i}) {name}: {inputs}")
slopes[name].append(
step_size * foo["function"](*inputs)
)

# Create slope 2 for all functions

for name, foo in functions.items():
inputs = [
serie[i]+slopes[name][0]/2
for name, serie in series.items()
] + [t[i]+step_size/2]
print(f"({i}) {name}: {inputs}")
slopes[name].append(
step_size * foo["function"](*inputs)
)

13
 # Create slope 3 for all functions
for name, foo in functions.items():
inputs = [
serie[i]+slopes[name][1]/2
for name, serie in series.items()
] + [t[i]+step_size/2]
print(f"({i}) {name}: {inputs}")
slopes[name].append(step_size * foo["function"](*inputs))

# Create slope 4 for all functions

for name, foo in functions.items():
inputs = [
serie[i]+slopes[name][2]
for name, serie in series.items()
] + [t[i]+step_size]
print(f"({i}) {name}: {inputs}")
slopes[name].append(
step_size * foo["function"](*inputs)
)
print(slopes)
# Calculate final value and add to serie
for name, foo in functions.items():
series[name][i+1] = series[name][i] + (1/6) * (
slopes[name][0]
+ 2 * slopes[name][1]
+ 2 * slopes[name][2]
+ slopes[name][3]
)
return t, series

14
# Define functions and init values
functions_ex2 = {
"f1": {"function": lambda y, w, t: w, "init": 100},
"f2": {"function": lambda y, w, t: -(1.575*w+0.1125*y), "init": -114.375},
}
# Time interval 0 - 8 and step h
start = 0
end = 15
step = 0.5
t, series = runge_kutta_ecs(functions_ex2, start, end, step)
# series["exacta"] = exacta(np.arange(start, end+step, step))

# Convert to Dataframe and plot it

df = pd.DataFrame(series, columns=series.keys(), index=t)
print(df)
df.plot(xlabel="Tiempo (s)")
plt.show()

15
VISUALIZACION DE LA ECUACIÓN DIFERENCIAL

16
VISUALIZACIÓN NUMÉRCIOS PARA Y
f1
0.0 100.00000
0.5 59.638942
1.0 40.052898
1.5 30.333289
2.0 25.307518
2.5 22.522561
3.0 20.814822
3.5 19.632071
4.0 18.711959
4.5 17.929595
5.0 17.225280
5.5 16.570240
6.0 15.950381
6.5 15.358585
7.0 14.791060
7.5 14.245602
8.0 13.720780
8.5 13.215540
9.0 12.729021
9.5 12.260468
10.0 11.809189

17
SOLUCIÓN ANALÍTICA

18
DISCUSIONES
El modelado de poblaciones bacterianas es una herramienta crucial para comprender y predecir el
comportamiento de los microorganismos en diferentes contextos. Uno de los métodos numéricos
ampliamente utilizados en la resolución de ecuaciones diferenciales que describen el crecimiento
bacteriano es el método de Newton-Raphson. Sin embargo, este enfoque presenta ciertas
limitaciones y puede mostrar variaciones respecto a la población de bacterias real. En esta
discusión, exploraremos las posibles razones detrás de estas variaciones y evaluaremos la
efectividad de los modelos matemáticos resueltos con métodos numéricos en el área bacteriana.

Limitaciones del método numérico de Newton-Raphson:

a) Suposiciones simplificadas: El modelo de crecimiento bacteriano basado en el método de

Newton-Raphson a menudo se basa en suposiciones simplificadas sobre la población de
bacterias, como una tasa de crecimiento constante, ausencia de interacciones
competitivas o cooperativas, y una disponibilidad continua de nutrientes. Estas
suposiciones pueden no reflejar con precisión la complejidad de las interacciones reales
en un entorno natural, lo que lleva a desviaciones en las predicciones del modelo.

b) Sensibilidad a las condiciones iniciales: El método de Newton-Raphson es sensible a las

condiciones iniciales. Pequeñas variaciones en los valores iniciales pueden generar
grandes diferencias en los resultados finales. En el caso de las poblaciones bacterianas, las
condiciones iniciales pueden verse afectadas por factores externos, como la concentración
de nutrientes o la presencia de otras especies bacterianas, lo que lleva a discrepancias
entre el modelo y la población real.

c) Limitaciones del ajuste de parámetros: El método de Newton-Raphson requiere el ajuste

de parámetros en función de datos experimentales. Sin embargo, la obtención de datos
precisos y completos sobre el crecimiento bacteriano en condiciones reales puede ser
difícil. La falta de datos precisos puede conducir a errores en la calibración de los
parámetros del modelo, lo que afecta su capacidad para representar con precisión la
población de bacterias.

d) Efectividad de los modelos matemáticos resueltos con métodos numéricos:

Herramientas predictivas: A pesar de las limitaciones mencionadas, los modelos
matemáticos resueltos con métodos numéricos siguen siendo valiosos en la comprensión
y predicción del comportamiento bacteriano en muchas situaciones. Estos modelos
proporcionan una representación simplificada y cuantitativa de las interacciones
bacterianas, lo que permite realizar experimentos virtuales y explorar diferentes
escenarios.

19
 e) Optimización de condiciones: Los modelos matemáticos pueden ayudar a optimizar las
condiciones de cultivo bacteriano, como la concentración de nutrientes, la temperatura o
el pH. Al ajustar los parámetros del modelo, es posible identificar las condiciones óptimas
para el crecimiento bacteriano y minimizar los recursos utilizados en experimentos reales.

f) Identificación de comportamientos emergentes: Los modelos matemáticos pueden revelar

comportamientos emergentes en la dinámica bacteriana que podrían pasar
desapercibidos en observaciones experimentales directas. Estos modelos pueden ayudar a
comprender fenómenos complejos, como la formación de biofilms o la resistencia a los
antibióticos, proporcionando una visión más completa y detallada.

CONCLUSIONES
En resumen, nuestro proyecto se centra en la aplicación de métodos numéricos para el modelado
y estimación del crecimiento de poblaciones bacterianas. Estos métodos son de gran importancia
y utilidad en diversas áreas, incluyendo la investigación microbiológica y la medicina.

La utilización de métodos numéricos nos permite obtener estimaciones más precisas y rápidas del
crecimiento bacteriano, lo cual es fundamental para comprender el comportamiento de las
bacterias y abordar enfermedades asociadas. Estos métodos nos brindan herramientas poderosas
para analizar y predecir el avance de enfermedades bacterianas, lo que resulta vital en la
determinación de tratamientos eficaces y en la implementación de medidas de control y
prevención.

Además, los métodos numéricos nos permiten explorar diferentes escenarios y optimizar
condiciones, lo que puede contribuir a la eficiencia y la toma de decisiones fundamentadas en la
investigación científica. La capacidad de realizar experimentos virtuales y simular el
comportamiento de las bacterias en entornos controlados es un recurso valioso que nos ayuda a
ahorrar tiempo y recursos en comparación con los estudios puramente experimentales.

En conclusión, los métodos numéricos son herramientas imprescindibles en el modelado de

poblaciones bacterianas, ya que nos brindan una mayor comprensión de su dinámica y nos
permiten tomar medidas más efectivas para enfrentar enfermedades bacterianas. Su aplicación
adecuada y el continuo desarrollo de estos métodos contribuirán significativamente a la
investigación y el avance en el campo de la microbiología y la medicina.

20
REFERENCIAS.
• Análisis numérico - Informática. (s/f). Google.com. Recuperado el 26 de marzo de 2023, de
https://sites.google.com/site/lainformaticajf/computacion-cientificas/bioinformatica/
computacion-cuantica/paradigma/analisis-numerico

• Monster Digital Agency. (2022, diciembre 1). Análisis numérico: qué es y su importancia en
la informática. Epitech Spain. https://www.epitech-it.es/analisis-numerico-informatica/

• de Créditos: S. V. A. Á. N. C. 8108780 N. (s/f). Fecha: febrero 22 de 2010 PROGRAMA

ACADÉMICO: MATEMÁTICAS. Edu.co. Recuperado el 26 de marzo de 2023, de
http://www.uptc.edu.co/export/sites/default/facultades/f_ciencias/pregrado/matematicas/
inf_general/document/VII/analisis_numerico.pdf

• Mates fáciles. (s. f.). Resolución de sistemas de ecuaciones gráficamente. Recuperado 9 de

marzo de 2022, de
https://www.matesfacil.com/ESO/sistema-ecuaciones/metodo-grafico/metodo-grafico-sistemas-
ecuaciones-lineales-resueltos-grafica-recta-interseccion-solucion-interseccion.html#:
%7E:text=Como%20es%20de%20esperar%2C%20el,de%20intersecci%C3%B3n%20entre%20las
%20gr%C3%A1ficas.

• Gómez, J. V. N., & Perfil, V. T. mi. (s/f). Crecimiento de Bacteria E. Coli por Método de
Newton-Raphson. Blogspot.com. Recuperado el 26 de marzo de 2023, de
http://metodosnumericosinterpolaciondenewton.blogspot.com/2013/?m=1

21