1

UNIVERSIDAD PRIVADA DEL VALLE

INGENIERIA BIOMÉDICA EVALUACIÓN

1. Portada

ECUACIONES DIFERENCIALES
Trabajo de Investigación
APLICACIÓN DE LAS ED EN PROBLEMAS REALES
GRUPO “A”

ESTUDIANTES:
IVER PAUL CONCHA VALERIANO
SANDRO LARICO RAMOS
ALEJANDRO LUNA
DOCENTE:
ING. CARLOS CORTEZ QUISBERT

La Paz Diciembre del 2023

Gestión II – 2023
 2

2. Índice

Contenido
1. Portada ...................................................................................................................................... 1
2. Índice ......................................................................................................................................... 2
3. Introducción............................................................................................................................. 3
4. Ecuaciones Diferenciales en la vida cotidiana ............................................................... 4
4.1. Ecuaciones Diferenciales Ordinarias (EDO) ........................................................... 4
4.2. Ecuaciones Diferenciales Parciales (EDP) .............................................................. 4
4.3. Ejemplo caso practico .................................................................................................. 5
5. Análisis de Señales Neuronales: Ejemplo con Series de Fourier ............................. 6
5.1. ¿Cómo se usan las Series de Fourier para analizar señales neuronales? ..... 8
5.2. Ejemplo práctico de análisis de señales neuronales con Series Fourier ....... 9
6. Resultados y conclusiones ............................................................................................... 11
7. Bibliografía ............................................................................................................................. 11
 3

3. Introducción

Una ecuación diferencial es una ecuación que involucra una o más

derivadas de una función desconocida. Estas ecuaciones son fundamentales en

matemáticas y se utilizan para modelar una amplia variedad de fenómenos en

ciencias físicas, ingeniería, economía y otras disciplinas.

La forma general de una ecuación diferencial es:

𝑑𝑦 𝑑 2 𝑦 𝑑𝑛 𝑦
𝐹 (𝑥, 𝑦, , 2 , … … , 𝑛) = 0
𝑑𝑥 𝑑𝑥 𝑑𝑥

Donde:

• x es la variable independiente.

• y es la función desconocida, que es una función de x.

𝑑𝑦 𝑑2 𝑦 𝑑𝑛 𝑦
• , , … … , 𝑑𝑥 𝑛 , son las derivadas de y con respecto a x.
𝑑𝑥 𝑑𝑥 2

• F es una función que relaciona x, y, y sus derivadas.

Las ecuaciones diferenciales pueden ser clasificadas en dos categorías

principales: ordinarias y parciales.

La productividad es un concepto multifacético que abarca desde la

eficiencia en la producción industrial hasta la gestión del tiempo personal. Es un

factor clave para el crecimiento económico y el éxito tanto a nivel individual como

organizacional. La búsqueda continua de la mejora de la productividad es

fundamental para enfrentar los desafíos económicos y lograr un desarrollo

sostenible.

El análisis de señales neuronales es una disciplina crucial en neurociencia

y campos relacionados que busca comprender la actividad eléctrica de las

 4

neuronas. La aplicación de técnicas matemáticas y computacionales es esencial

para desentrañar patrones y características de las señales neuronales. Un método

comúnmente utilizado para analizar señales periódicas, como las señales

neuronales, es la descomposición en series de Fourier.

4. Ecuaciones Diferenciales en la vida cotidiana

4.1. Ecuaciones Diferenciales Ordinarias (EDO)

En estas ecuaciones, la función desconocida depende de una sola variable

independiente. La forma general de una EDO es:

𝑑𝑦 𝑑 2 𝑦 𝑑𝑛 𝑦
𝐹 (𝑥, 𝑦, , 2 , … … , 𝑛) = 0
𝑑𝑥 𝑑𝑥 𝑑𝑥

Donde y es una función de x.

4.2. Ecuaciones Diferenciales Parciales (EDP)

En estas ecuaciones, la función desconocida depende de dos o más

variables independientes y sus derivadas parciales. Un ejemplo de EDP es la

ecuación de difusión o la ecuación de onda.

𝑑𝑢 𝑑𝑢 𝑑 2 𝑢 𝑑 2 𝑢
𝐹 (𝑥, 𝑦, 𝑧, , , , ,…) = 0
𝑑𝑥 𝑑𝑦 𝑑𝑥 2 𝑑𝑦 2

Donde u es una función de x, y, y posiblemente z.

Resolver una ecuación diferencial implica encontrar la función desconocida y

que satisface la ecuación y, a menudo, implica conocer ciertas condiciones iniciales

o de contorno. Las ecuaciones diferenciales son esenciales en la modelización y

análisis de diversos fenómenos en ciencia e ingeniería, como el movimiento de

cuerpos, la transferencia de calor, la difusión de sustancias, entre otros.

 5

4.3. Ejemplo caso practico

Un producto nuevo de cereal se introduce a través de unas campañas de

publicidad a una población de 1 millón de clientes potenciales. La velocidad a la que

la población se entera del producto se supone que es proporcional al número de

personas que todavía no son conscientes del producto. Al final de un año, la mitad

de la población ha oído hablar del producto. ¿Cuántos han oído hablar de él por el

final de 2 años?

Solución

Paso # 1: Identificamos las variables que forman parte del problema

• P: es la cantidad de personas (clientes potenciales)

• T: tiempo que han escuchado del producto.

• (1-p): las personas que no han escuchado del producto.

• dp de la velocidad con la que las personas conocen el producto.

Paso #2: Escribimos la ecuación diferencial descripta por el problema.

𝑑𝑝
= 𝑐(1 − 𝑝)
𝑑𝑡

Pasó #3: Resolvemos la ecuación diferencial, por separación de variable.

𝑑𝑝 = 𝑐(1 − 𝑝)𝑑𝑡 → 𝑠𝑒𝑝𝑎𝑟𝑎𝑚𝑜𝑠 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠.

𝑑𝑝
= 𝑐 𝑑𝑡
(1 − 𝑝)

𝑑𝑝
∫ = ∫ 𝑐 𝑑𝑡 → 𝐼𝑛𝑡𝑒𝑔𝑟𝑎𝑚𝑜𝑠 𝑑𝑒 𝑎𝑚𝑏𝑜𝑠 𝑙𝑎𝑑𝑜𝑠
(1 − 𝑝)

− ln(1 − 𝑝) = 𝑐𝑡 + 𝑘1 → 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑚𝑜𝑠 𝑝𝑜𝑟 (−1)

ln(1 − 𝑝) = −𝑐𝑡 + 𝑘1 → 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑚𝑜𝑠 𝑝𝑜𝑟 (𝑒)

 6

1 − 𝑝 = 𝑒 −𝑐𝑡+𝑘1 → 𝐷𝑒𝑠𝑝𝑒𝑗𝑎𝑚𝑜𝑠 𝑎 𝑃

−𝑝 = 𝑒 −𝑐𝑡+𝑘1 + 1 → 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑚𝑜𝑠 𝑝𝑜𝑟 (−1)

𝑝 = 1 − 𝑒 −𝑐𝑡

Busco mi solución particular

Los valores iniciales del problema planteado son:

Y=0.5 cuando t=1 los valores iniciales del problema planteado

0.5 = 1 − 𝑒 −𝑐 → 0.5 − 1 = −𝑒 −𝑐 → 0.5 = 𝑒 −𝑐

Multiplicamos por (e)

ln 0.5 = −𝑐 → 𝑐 = − ln 0.5

𝑐 = 0.693

Solución particular

𝑝 = 1 − 𝑒 −0.693𝑡

En la solución particular sustituimos a t=2. Que es el número de años que ha

transcurrido durante la publicación del producto.

𝑝 = 1 − 𝑒 −0.693(2) = 0.75, 𝑡𝑎𝑚𝑏𝑖𝑒𝑛 𝑠𝑒 𝑒𝑥𝑝𝑟𝑒𝑠𝑎 𝑒𝑛 750000

Respuesta

En el tiempo de dos un total de 750,000 personas han escuchado del

producto.

5. Análisis de Señales Neuronales: Ejemplo con Series de Fourier

Generación de Señales Neuronales:

Las señales neuronales se generan a través de cambios en el potencial

eléctrico a lo largo de la membrana celular de una neurona. Este cambio se produce

 7

principalmente debido al flujo de iones a través de canales iónicos en la membrana

celular.

Potencial de Acción:

Un tipo importante de señal neuronal es el potencial de acción. Este es un

cambio brusco y rápido en el potencial eléctrico de la membrana celular que se

propaga a lo largo de la neurona. El potencial de acción es esencial para la

transmisión de señales a lo largo de las neuronas y entre ellas.

Comunicación entre Neuronas:

La comunicación entre neuronas se lleva a cabo en las sinapsis, las

conexiones especializadas entre las neuronas. Cuando un potencial de acción

alcanza la terminal de una neurona, se liberan neurotransmisores que transmiten la

señal a la siguiente neurona.

Codificación de Información:

Las señales neuronales codifican información a través de patrones de

actividad. La frecuencia y la sincronización de los potenciales de acción pueden

transmitir información sobre la intensidad y la naturaleza de un estímulo.

Diversidad de Señales:

Las señales neuronales pueden variar en su naturaleza. Además de los

potenciales de acción, existen señales subumbrales, como las corrientes

postsinápticas, que también desempeñan un papel importante en la modulación de

la actividad neuronal.

Adaptación y Plasticidad:

Las neuronas y las redes neuronales pueden cambiar su excitabilidad y

eficacia sináptica a lo largo del tiempo, en un fenómeno conocido como plasticidad

 8

sináptica. Esto permite la adaptación del sistema nervioso a diferentes condiciones

y la formación de memorias.

Registro y Medición:

Las señales neuronales se registran y miden en experimentos utilizando

técnicas como la electroencefalografía (EEG), la magnetoencefalografía (MEG) y la

electrofisiología intracelular. Estas herramientas permiten a los científicos estudiar

la actividad neuronal en diferentes contextos y condiciones.

5.1. ¿Cómo se usan las Series de Fourier para analizar señales

neuronales?

La Serie de Fourier representa una función periódica f(t) en un intervalo T

como la suma ponderada de senos y cosenos de diferentes frecuencias. La

expresión general para la Serie de Fourier es la siguiente:

∞ 2𝜋𝑛𝑡 2𝜋𝑛𝑡
𝑓(𝑡) = 𝑎0 + ∑ [𝑎𝑛 cos ( ) + 𝑏𝑛 sin( )]
𝑛=1 𝑇 𝑇

donde:

𝑎0 = 𝑒𝑠 𝑒𝑙 𝑡𝑒𝑟𝑚𝑖𝑛𝑜 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒

𝑎𝑛 𝑦 𝑏𝑛 son coeficientes que ponderan las componentes coseno y seno, respectivamente

𝑛 = es el número de armónicos (Frecuencia)

1
T = es el período de la función periódica ( )
f

Los coeficientes 𝑎0 , 𝑎𝑛 𝑦 𝑏𝑛 se pueden calcular utilizando las siguientes

fórmulas:
𝑇 𝑇 𝑇
1 2 2𝜋𝑛𝑡 2 2𝜋𝑛𝑡
𝑎0 = ∫ 𝑓(𝑡)𝑑𝑡 𝑎𝑛 = ∫ 𝑓(𝑡) cos( ) 𝑑𝑡 𝑏𝑛 = ∫ 𝑓(𝑡) sin( ) 𝑑𝑡
𝑇 𝑇 𝑇 𝑇 𝑇
0 0 0
 9

Estas integrales pueden calcularse para obtener los coeficientes específicos

de la Serie de Fourier para una función dada f(t). En la práctica, la Transformada de

Fourier Discreta (DFT) o la Transformada Rápida de Fourier (FFT) se utilizan

comúnmente para calcular estos coeficientes de manera eficiente en el contexto de

señales discretas.

5.2. Ejemplo práctico de análisis de señales neuronales con Series

Fourier

Paso 1: Preprocesamiento de los datos

Convertimos las señales neuronales (ondas de voltaje) en su representación

de frecuencia mediante el cálculo de las Series de Fourier.

Paso 2: Análisis exploratorio

Exploramos los resultados para buscar patrones interesantes y descubrimos

una frecuencia de oscilación en un rango específico que se correlaciona con la

actividad cognitiva del sujeto.

Paso 3: Analisis de las señales

El análisis de señales neuronales, como las registradas mediante

electroencefalografía (EEG), puede beneficiarse del uso de técnicas como la Serie

de Fourier para descomponer la señal en sus componentes frecuenciales.

10
 11

6. Resultados y conclusiones

Resultado: Al aplicar las Series de Fourier a las señales neuronales,

pudimos descubrir patrones de actividad que se corresponden con la actividad

cognitiva del sujeto.

Conclusion: Las Series de Fourier son una herramienta valiosa en el análisis

de señales neuronales y pueden ayudarnos a entender mejor cómo funciona

nuestro cerebro.

Relevancia: Esta técnica tiene aplicaciones en una variedad de campos,

como la neurociencia, la robótica y la inteligencia artificial.

7. Bibliografía

"Elementary Differential Equations and Boundary Value Problems" por

William E. Boyce y Richard C. DiPrima.
Este libro es una introducción muy popular a las ecuaciones diferenciales ordinarias
y sus problemas de valor límite.
"A First Course in Differential Equations" por Dennis G. Zill.
Un libro que aborda las ecuaciones diferenciales ordinarias y sus aplicaciones, con
un enfoque práctico y ejemplos claros.
"Neural Data Science: A Primer with MATLAB and Python" por Erik Lee Nylen,
Pascal Wallisch, y Michael D. Sorenson.
Este libro aborda temas de neurociencia computacional y análisis de datos
neuronales, incluyendo el uso de técnicas de Fourier para el análisis de señales.
"Analyzing Neural Time Series Data: Theory and Practice" por Mike X Cohen.
En este libro, el autor explora técnicas de análisis de series temporales neuronales,
incluyendo la descomposición en series de Fourier y otros métodos de
procesamiento de señales.