Carlos Perales Gonzlez

Mtodos Numricos y Simulacin

2 de Grado de Fsica UCO
Curso 2012-2013

PROPAGACIN DE UNA ENFERMEDAD

EN POBLACIONES DINMICAS
(14 Y 44)

NDICE
1.- Anlisis del problema
1.1.- Modelos de propagacion de enfermedades
1.2.- Modelos depoblaciones
2.- Metodologa
2.1.- Metodologa del problema del crecimiento poblacional,
aplicado a la poblacin mundial
2.2.- Metodologa del problema de la propagacin de enfermedades
3.- Cdigos de Matlab
3.1.- Modelos de poblaciones
3.2.- Modelos de propagacin de enfermedades
4.- Resultados numricos y anlisis
4.1.- Crecimiento poblacional
4.2.- Propagacin de enfermedades
5.- Bibliografa

1.- Anlisis del problema

En la teora de propagacin de enfermedades, muchos modelos de los que se utilizan son
simplificaciones de comunidades de individuos ms o menos grandes, cuyo nico aspecto
importante es la evolucin de la enfermedad a estudiar, sin tener en cuenta otros factores como el
crecimiento. En el trabajo se ha incluido un apartado extra en el que se trata distintos modelos de
crecimiento de una poblacin, con el fin de elegir uno de ellos para nuestro problema, en funcin de
caractersticas que discutiremos en dicho apartado.

1.1.- Modelos de propagacin de enfermedades

La idea principal de este trabajo es estudiar distintos modelos de propagacin de una
enfermedad en comunidades estticas y dinmicas. Usaremos dos en particular. El primero de ellos
se representar por dos variables: los individuos infectados de una poblacin, que denominaremos
"y(t)", y los que no lo estn y por tanto son susceptibles de enfermar, "x(t)". Sabemos entonces que,
si todos los individuos tienen la misma probabilidad de infectarse, y existe un lmite de usuarios
infectados. Este lmite es es la poblacin total, a la que designaremos como "m", no siendo una
variable que dependa del tiempo en este primer modelo. Podemos usar un modelo de tipo logstico,
que explicaremos en el apartado 1.2 con ms detalle.
dy
= k 1 y (m y )
dt
Donde k1 es una constante de infeccin. Se denota con subndice, a pesar de ser la nica
constante del 1er modelo, puesto que se corresponde con la constante de infeccin de nuestro 2 o
modelo. En nuestro problema, dicha constante la tenemos como valor, pero en otro caso podra ser
posible hallarla mediante ajuste lineal de datos estadsticos.
La cantidad de individuos susceptibles a enfermar en cada momento se dara como
x (t )=my (t )
El sistema tiende a que todos los individuos se infecten y los individuos sanos desaparezcan
cuando el tiempo crece indefinidamente. Dicha ecuacin diferencial de primer orden tiene una
solucin analtica. Desarrollando la ecuacin diferencial,
dy
2
= k 1 myk 1 y
dt
Se trata de una ecuacin diferencial de Bernouilli. Para resolverla, realizamos el cambio
1 dy 1 du
u(t )= ; = 2
y dt u dt
Sustituyendo, nos queda la siguiente ecuacin diferencial lineal completa:
du
=k 1 mu+ k 1
dt

Cuya solucin es del tipo:

y (t )=

1
Cek mt +
1

1
m

Siendo C una constante que se ajusta conociendo un valor de y(t); en nuestro problema de
valores iniciales, de y(0).
En el segundo modelo, aadimos una variable ms: z(t). Esta da cuenta de los individuos
que, a efectos de la enfermedad, se eliminan de la poblacin total m (m(t) cuando la poblacin
dependa del tiempo). Esto quiere decir que hay individuos que ya no se tienen en cuenta para el
desarrollo de la enfermedad porque se inmunizan, porque son aislados, porque mueren a causa de
esta, etc. En definitiva, que han pertenecido a la poblacin total como parte del grupo y(t) y que
ahora pueden encontrarse vivos o muertos, pero no pueden infectar ni ser infectados.
En este modelo, suponemos que es la poblacin de individuos saludables x(t) la que decrece
a cero exponencialmente, de la forma
x (t )= x (0 )e(k1/ k2) z (t )
Siendo x(0) los individuos sanos en t=0, k 1 la constante de infeccin que apareca en el
modelo anterior y k2 la constante de recuperacin, relacionada con la velocidad de crecimiento del
grupo de poblacin z(t) y que por tanto aparece en la ecuacin diferencial de esta. Aunque
llamemos a esta constante de "recuperacin", esto no significa que los individuos z(t) estn sanados;
simplemente, como hemos comentado anteriormente, no se computan como infectados, pero pueden
estar aislados en cuarentena o muertos.
La variacin de z(t) depende de los individuos del grupo y(t) que halla. La ecuacin
diferencial mediante la cual se determina z(t) parte de considerar que la suma de todos los
individuos grupos x(t), y(t), z(t) resultan el conjunto total m.

m= x (t )+ y (t )+ z (t )
Adems, el crecimiento de la poblacin z(t) depende de la cantidad de infectados y(t) que
haya, mediante la constante de recuperacin anterior. De esta forma, la ecuacin diferencial queda:
dz
=k 2 y=k 2 (mzx)=k 2 ( mzx (0) e(k /k ) z )
dt
1

Esta es la ecuacin que rige nuestro 2 modelo. A diferencia del primero, este no se puede
resolver analticamente. Por lo que no podemos comprobar los resultados numricos con los valores
reales; pero si la aproximacin numrica en el otro modelo resulta bastante acertada con el nmero
de intervalos tomado, podramos suponer que en este los resultados numricos obtenidos tambin
son fiables
Una vez que y(t) alcance aproximadamente el valor m, el crecimiento de la poblacin z(t)
ser a ritmo constante. Este modelo sirve para periodos de tiempo cortos, pues vemos que el
grupo de poblacin z(t) puede crecer indefinidamente, al no existir una limitacin a su crecimiento.

Una correccin de este modelo sera convertir la ecuacin diferenicial de z(t) en una funcin
logstica, imponiendo como lmite m(t). La ecuacin quedara:
dz
=k 2 y ( m y )=k 2 (mz x (0)e(k / k ) z )( z + x (0)e(k / k )z )
dt
1

El modelo, obviamente, se complicara, y esta modificacin tampoco admitira solucin

analtica. Como el problema tratar de periodos de tiempo de un mes, en el cual z(t) no alcanza un
tamao considerable con respecto a m(t), no realizaremos esta correccin sobre el modelo.
Cuando el tamao de la poblacin vara (m(t) es una funcin dependiente del tiempo), como los
elementos de la poblacin que crecen son los susceptibles a enfermar y no los infectados ni los
recuperados, hay que realizar la siguiente modificacin:

x (t )=(m y (0)) e(k1/ k2)z (t )

dz
=k 2 (mz(m y (0))e(k / k ) z )
dt
1

y=mz(m y (0))e(k / k ) z
1

Estas sern las ecuaciones con las que elaboraremos el tercer modelo para nuestro problema.

1.2.- Modelos de poblaciones

A continuacin, vamos a estudiar tres tipos de modelos: uno con crecimiento fijo, otro con
crecimiento variable siguiendo el coeficiente de crecimiento una ecuacin de una recta, y un
modelo logstico.
En el primero, se trata de un crecimiento exponencial, en el cual la varicin de la poblacin es
proporcional a esta, mediante una constante de proporcionalidad . Expresada en tanto por ciento,
la ecuacin diferencial de la poblacin queda:
dP
= P
dt 100
Sirve para intervalos muy pequeos; para el crecimiento mundial, del orden de 1 decena de
aos o menos. Examinando datos tabulados obtenidos [1], es fcil observar que la tasa de
crecimiento de la poblacin mundial vara considerablemente cuando elegimos ms de 5-10 aos
seguidos. Parece lgico pensar que este modelo no nos servir para nuestro problema, pero a pesar
de ello lo ejecutaremos y graficaremos, con el objetivo de comprobar si esto es cierto o no.

Ao

Poblacin

Tasa de crecimiento interanual(%)

1990 5,287,166,778

1.569

1991 5,370,142,696

1.581

1992 5,455,057,523

1.513

1993 5,537,583,721

1.462

1994 5,618,516,091

1.442

1995 5,699,516,291

1.411

1996 5,779,912,412

1.361

1997 5,858,582,659

1.322

1998 5,936,039,484

1.299

1999 6,013,121,531

1.275

2000 6,089,810,661

1.261

2001 6,166,582,980

1.245

2002 6,243,351,444

1.225

2003 6,319,822,330

1.217

2004 6,396,726,866

1.201

2005 6,473,525,274

1.201

2006 6,551,256,997

1.197

2007 6,629,668,134

1.185

2008 6,708,196,774

1.166

2009 6,786,381,274

1.140

En el 2 modelo, se predice que el crecimiento decrecer linealmente, desde un 1 hasta un

2, entre un tiempo t1 y t2. En este caso, la dependencia de (t) con el tiempo es directamente
proporcional. Su ecuacin ser:
(t )= 1 +

( 2 1 )
(tt 1)
(t 2t 1 )

Aunque se puede extender su uso ms all del rea de trabajo del 1 er modelo, la dificultad
asociada a este es que hemos propuesto que la tasa de crecimiento varie linealmente sabiendo la tasa
de crecimiento entre dos tiempos dados. No es, por tanto, un modelo para usar en periodos muy
amplios de tiempo. De hecho, el tiempo idneo para trabajar con este modelo es en el periodo t 2 - t1.
Esto es porque hemos propuesto que el crecimiento sigue esa recta, predicha hasta ese ao. Si
extendisemos este modelo a periodos de tiempo mayores, podra ocurrir dos cosas, dependiendo de
su pendiente. Si la pendiente es negativa, veremos que, en algn momento, la poblacin alcanzara
su mximo, como demostraremos en los apartados siguientes, para despus decrecer cada vez ms
7

rpidamente hasta extinguirse, cosa que sabemos que no ocurre con las poblaciones reales. Si la
pendiente es positiva, la poblacin crecera ms rpidamente cada vez, sin lmite ninguno. Adems,
deberamos conocer dos puntos de esa recta, por lo que debemos usar datos estadsticos o realizar
un estudio ms profundo sobre la poblacin y sus caractersticas.
Por ltimo, recurrimos al modelo de poblacin ms conocido: el logstico. Surge como un
refinamiento del de crecimiento exponencial. En este, la variacin de una poblacin con respecto
del tiempo es igual a la poblacin que haya, por una constante positiva si crece hacia el infinito, o
negativa si decrece hasta 0. Esto quiere decir que, cuanto ms poblacin haya, ms rpido crecer o
decrecer, pues ms individuos participarn en el proceso de crecimiento o decrecimiento.
El problema del crecimiento exponencial positivo es que no hay ningun impedimento
matemtico para que se siga desarrollando la poblacin; no existe un "tope". Lo que se quiere
sealar es que, para periodos de tiempo muy grandes, segn el modelo la poblacin crecer
ininterrumpidamente, tendiendo al infinito cuando el tiempo tambin lo haga. Esto no tiene ningn
sentido real, pues una poblacin no puede crecer indefinidamente al verse limitada por el alimento
del que dispone, el espacio y los depredadores que la acechan, entre otros parmetros.
No ocurre as si la constante del crecimiento exponencial es negativa; en ese caso, la
poblacin cuando el tiempo tiende hacia infinito es 0. Aqu, poblacin no decrece indefinidamente
hacia valores negativos, sino que existe un lmite con sentido fsico: la extincin de esa poblacin.
El modelo de tipo exponencial negativo lo hemos utilizado en el caso del x(t) (las personas
susceptibles de infectarse) en nuestro segundo modelo de infeccin, puesto que estamos
considerando que no se toman medidas contra la enfermedad antes de que un individuo se infecte y,
por tanto, cada individuo finalmente se infectar. Como hemos dicho, cuando se infecta, puede
pasar a formar parte del colectivo z(t), dentro del cual se engloban las personas que son aisladas,
tratadas, que estn inmunizadas o que han muerto a causa de la enfermedad.
Sin embargo, existe una forma de modelizar el hecho de que la velocidad de crecimiento de
una poblacin dependa de la cantidad de individuos por la que est compuesta y, al mismo tiempo,
que exista un lmite mximo al cual pueda tender esa poblacin al existir una cantidad finita de
recursos: a esto se le llama el modelo logstico. La ecuacin que uitiliza en la que se basa este fue
publicada por Pierr Franois Verhulst en 1838, y tiene gran aplicacin no solo en la propagacin de
enfermedades, sino tambin en las poblaciones biolgicas y difusin de noticias a travs de las
redes sociales.
La ecuacin que nosotros utilizaremos ser del tipo:
dP
'
= P ( P maxP )= P ( P max P)
dt 100
Donde el lmite para la poblacin ser Pmx.

2.- Metodologa
Una vez espuesto los distintos modelos, explicaremos un poco los valores con los que
simularemos los distintos modelos y la justificacin de estos. Pero para tratar el problema de la
difusin de la enfermedad, antes probaremos los distintos modelos poblacionales, con el fin de
8

justificar la eleccin del modelo logstico.

2.1.- Metodologa del problema del crecimiento poblacional, aplicado a la poblacin

mundial
Se prueban los distintos modelos de poblaciones. Los datos que tenemos son para
poblaciones mundiales, as que los parmetros con los que operaremos son:
a = 2000, tiempo inicial en aos
b = 2050, tiempo final en aos
n = 500, nmero de intervalos a tomar, siendo el tamao del paso entre cada punto calculado
h = 0.1
P0 = 6000, habitantes en millones de habitantes
= 1.25, tasa de crecimiento para el 1er modelo
1 = 1.25, tasa de crecimiento inicial para el 2 modelo
2 = 0.45, tasa de crecimiento final para el 2 modelo
' = 510-6, tasa de crecimiento para el 3er modelo
Pmax = 10000, poblacin mxima en millones de habitantes
Para los 3 modelos, utilizaremos el mtodo de Runge-Kutta de orden 4, por ser bastante
preciso y tratarse de una sola ecuacin diferencial cada vez. Destaca el hecho de que para la
resolucin de problemas logsticos se necesita ese valor tan pequeo de ' para que el sistema
converja, pues se ha observado que para valores mayores como 0,0004 o 0,004 el mtodo de
Runge-Kutta presentaba problemas de estabilidad. Tambin lo hace si, para cualquiera de los
modelos usados, el tamao del paso entre un nodo y otro es menor de 0,1. Por esto, el nmero de
intervalos que hay que tomar es:
n

ba
h

Tambin estudiaremos para qu fecha, con los valores que hemos impuesto, la poblacin
segn el 2 modelo es mxima y empieza a decrecer. Para el momento en el que esto ocurre, ese es
el valor mximo de tiempo mximo hasta al cual podramos extrapolar nuestro modelo. Una vez
que ejecutemos todos estos datos, veremos que el mejor modelo para representar la variacin de la
poblacin total de nuestro problema de propagacin de enfermedades es el logstico, puesto que,
adems de ser bastante usado en el mbito de la biologa, es eficaz a largo plazo y no es preciso un
estudio profundo sobre la poblacin a tratar.

2.2.- Metodologa del problema de la propagacin de enfermedades

Primero, probaremos los dos modelos de propagacin para una poblacin esttica m, y
compararemos en el primero de ellos la solucin aproximada con la exacta, pues hemos demostrado
en el apartado anterior que su ecuacin diferencial corresponde a un a ecuacin de Bernouilli cuyo
resultado podemos obtener analticamente. Los parmetros, para los dos modelos, son:
a = 0, tiempo inicial en das
b = 30, tiempo final en das
n = 300, nmero de intervalos a tomar, siendo el tamao del paso h = 0.1
9

k1 = 210-6, constante de infeccin

k2 = 10-4, constante de desaparicin
y0 = 103, individuos infectados iniciales
x0 = 9,9104, individuos susceptibles de enfermar iniciales
m = 105, individuos totales de la poblacin esttica, que son los mismos que los de la
poblacin total inicial del 3er modelo
mmax = 1.5105 , poblacin mxima para el 3er modelo
' = 410-7, tasa de crecimiento para el 3er modelo
Para el primer caso, la solucin exacta del modelo es
y (t )=

1
9,9 10 e

4 0,2t

+105

Para una poblacin total variable, usaremos la siguiente ecuacin diferencial:

dm
=4 106 m(1.510 5m)
dt
Junto con la ecuacin diferencial del 3er modelo:
dz
4
3
0,2 z
=10 (m z( m10 ) e
)
dt
La tasa de crecimiento en la ecuacin diferencial de m(t) es un orden de magnitud menor
que en el usado para el crecimiento de poblaciones con el fin de que se aprecie el efecto del
crecimiento en el posterior anlisis de los datos.

3.- Cdigos de Matlab

3.1.- Modelos de poblaciones
El cdigo a usar es
% POBLACIONES DINMICAS
% -----------------------------------------------------------------------% 1) Si la poblacin sigue una ecuacin de crecimiento variable como en una
% recta
f=inline('(1.25+(0.45-1.25)./(2050-2000).*(t-2000)).*P./100','t','P');
% 2) Si la poblacin tiene un crecimiento fijo de 1.25%
g=inline('1.25.*P./100','t','P');
% 3) Si la poblacin sigue un modelo logstico
h=inline('P.*(10000-P)*5.e-06','t','P');
% Parmetros de Runge-Kutta
a=2000;
b=2050;
P0=6000; % En millones de habitantes
n=500;
[t1,P1]=rungekutta(f,a,b,P0,n);
[t2,P2]=rungekutta(g,a,b,P0,n);
[t3,P3]=rungekutta(h,a,b,P0,n);

10

figure(1);
plot(t1,P1,'-',t2,P2,'-',t3,P3,'-');
legend('Crecimiento variable','Crecimiento constante','Modelo logstico');
%
%
%
%

Veremos en qu ao el valor de la poblacin en el 2 modelo se hace

mximo. Para ello, ejecutaremos aqu cdigo de Runge-Kutta de
orden 4 un bucle 'if' que compare los dos valores anteriores, y concluya
si el valor que se calcul anteriormente es el valor mximo o no

% Runge-Kutta para el 2 modelo

% Aadimos un valor alto del parmetro b, que nos asegure que el mximo
% est entre 'a' y 'b', y tomamos n de forma que h=0.1
b=2400;
n=4000;
% Tomamos un tamao de paso equidistante
h=(b-a)/n;
% Hallamos el numero de columnas que tendr nuestra matriz final
m=length(P0);
% Se crea el vector 't' y la matriz 'y', que se rellenan con ceros
t=zeros(n+1,1);
y=zeros(n+1,m);
% Se aaden a 't' e 'y' los valores iniciales
y(1,:)=P0;
t(1)=a;
% Ejecutamos el bucle, en el que se aplica el mtodo
for i=1:n
k1=f(t(i),y(i,:));
k2=f(t(i)+h/2,y(i,:)+h/2*k1);
k3=f(t(i)+h/2,y(i,:)+h/2*k2);
k4=f(t(i)+h,y(i,:)+h*k3);
y(i+1,:)=y(i,:)+h/6*(k1+2*k2+2*k3+k4);
t(i+1)=t(i)+h;
% Aadimos el bucle, que se ejecutar a partir del tercer punto calculado
if i>=2
if y(i-1)<y(i) && y(i)>y(i+1)
fprintf('La poblacin mxima para el 2 modelo se alcanza para t = %d,
y es de P = %d\n',round(t(i)),round(y(i,:)));
end
end
end
% Dibujamos la grfica
figure(2);
plot(t,y,'-');
legend('Modelo 2, mximo')

Como vemos, ya est comentado y no es necesario hacer aclaraciones fuera del cdigo.

3.2.- Modelos de propagacin de enfermedades

Al igual que ocurre con el de poblaciones, este cdigo aparece ya comentado
%
%
%
%
%
%
%
%

PROPAGACIN DE UNA ENFERMEDAD

En nuestro programa, contaremos con tres modelos.
-----------------------------------------------------------------------1) Calculamos la variacin de los individuos sanos "x" y los
infectados "y" suponiendo que la poblacin total no vara y los infectados
no sanan
Poblacin total "m" = 1.e0+5
Poblacin inicial infectada "y0" = 1.e+03

11

% Constante de proporcionalidad de transmisin "k1" = 2.e-06

y0=1.e+03;
f=inline('2.e-06*y.*(1.e+05-y)','t','y');
a=0;
b=30;
n=300; % Para asegurarnos de que h=<0.1
[t1,y1]=rungekutta(f,a,b,y0,n);
x1=1.e+05-y1;
% Comparamos esta aproximacin de orden 4 con la solucin real, obtenida a
% partir de un cambio de variable
yreal=inline('1./(9.9e-04.*exp(-0.2.*t)+1.e-05)');
% Evaluamos en los puntos en los que sabemos la solucin aproximada
y2=yreal(t1);
x2=1.e+05*ones(size(y2),1)-y2;
% Podemos ignorar el 'warning' con respecto a la lnea 23 sin mayor
% problema
% Graficamos la solucin aproximada
figure(1);
plot(t1,y1,'-',t1,x1,'-');
legend('Poblacin infectada','Poblacin sana');
title('Modelo 1) Solucin aproximada');
% Graficamos la solucin real
figure(2);
plot(t1,y2,'-',t1,x2,'-');
legend('Poblacin infectada','Poblacin sana');
title('Modelo 1) Solucin real');
% Mostramos los datos numricos por pantalla
display('Para el primer modelo del trabajo 14:');
fprintf('El nmero aproximado de contagiados es %i; con la ecuacin exacta, son
%i\n',round(y1(300)),round(y2(300)));
e=abs((y1(300)-y2(300))/y1(300));
fprintf('El error relativo en tanto por uno sera de %f\n\n',e);
%------------------------------------------------------------------------% 2) Calculamos la variacin de los individuos sanos "x", los infectados
% "y" y los que estuvieron infectados pero ya no "z" (por inmunizacin o
% muerte) suponiendo que la poblacin total no vara
% Poblacin total "m" = 1.e0+5
% Poblacin inicial infectada "y0" = 1.e+03
% Poblacin inicial sana "x0" = 9.9e+04
% Constante de proporcionalidad de transmisin "k1" = 2.e-06
% Constante de proporcionalidad de recuperacin "k2" = 1.e-04
y0=1.e+03;
k1=2.e-06;
k2=1.e-04;
g=inline('1.e-04*(1.e05-z-9.9e+04*exp(-2.e-02*z))','t','z');
a=0;
b=30;
n=300;
[t3,z]=rungekutta(g,a,b,0,n);
x3=9.9e+04*exp(-(k1/k2).*z);
y3=1.e05-z-x3;
figure(3);
plot(t3,x3,'-',t3,y3,'-');
legend('Poblacin no infectada','Poblacin infectada');
title('Modelo 2) Propagacin de la infeccin');
figure(4);
plot(t3,z,'-');

12

legend('Poblacin inmunizada o muerta');

title('Modelo 2) Poblacin inmunizada o muerta');
display('Para el segundo modelo del trabajo 14:');
fprintf('El nmero final de contagiados es %i, el sanos es %i, y el de
inmunizados o muertos es %i\n\n',round(y3(300)),round(x3(300)),round(z(300)));
%------------------------------------------------------------------------% 3) Calculamos la variacin de los individuos sanos "x", los infectados
% "y" y los que estuvieron infectados pero ya no "z" (por inmunizacin o
% muerte) suponiendo que la poblacin total vara segn el modelo logstico
% Poblacin total inicial "m0" = 1.e+05
% Poblacin total mxima "mmax" = 1.5e+05
% Poblacin inicial infectada "y0" = 1.e+03
% Poblacin inicial sana "x0" = 9.9e+04
% Constante de proporcionalidad de evolucin de poblacin "d" = 4.e-03
% Constante de proporcionalidad de transmisin "k1" = 2.e-06
% Constante de proporcionalidad de recuperacin "k2" = 1.e-04
% Definiremos el vector "u" como el vector fila de las derivadas de "m" y "z"
h=@(t,u)([4.e-07*u(1).*(15.e+04-u(1)),1.e-04*(u(1)-u(2)-(u(1)-1000)*exp(-2.e02.*u(2)))]);
a=0;
b=30;
n=300;
[t4,U]=rungekutta(h,a,b,[1.e+05,0],n);
x4=(U(:,1)-1000).*exp(-(k1/k2).*U(:,2));
y4=U(:,1)-U(:,2)-x4;
figure(5);
plot(t4,x4,'-',t4,y4,'-',t4,U(:,1),'-');
legend('Poblacin no infectada','Poblacin infectada','Poblacin total');
title('Modelo 3) Propagacin de la infeccin');
figure(6);
plot(t4,U(:,2),'-');
legend('Poblacin inmunizada o muerta');
title('Modelo 3) Poblacin inmunizada o muerta');
display('Para el tercer modelo del trabajo 14:');
fprintf('Con una poblacin inicial de %i y final de %i, el nmero final de
contagiados es %i, el de sanos es %i,\ny el de inmunizados o muertos es
%i\n',round(U(1,1)),round(U(300,1)),round(y4(300)),round(x4(300)),round(U(300,2)
));
% Comparacin del crecimiento de z(t) en el modelo 2 y 3
figure(7);
plot(t3,z,'-',t4,U(:,2),'-');
title('Comparacin de la poblacin inmunizada o muerta');
legend('Modelo 2)','Modelo 3)');

4.- Resultados numricos y anlisis

A continuacin, expondremos los datos que hemos obtenido y realizaremos un anlisis de
estos.

4.1.- Crecimiento poblacional

Como vemos en la tabla de datos anteriormente expuesta para el 1 er modelo, el valor de
1,25% es adecuado para el rango de fechas de 1998 hasta 2006, pero no ms all. Por tanto, para
13

nuestra prediccin a 50 aos, no resulta tan correcto como el 2 y 3er modelo.

Apoyndonos en la grfica de los tres modelos para el mismo intervalo de tiempo, podemos
explicar por qu hemos usado el logstico en lugar de los otros dos para nuestro problema de
propagacin de enfermedades
El 1er modelo queda descartado, puesto que se trata de un crecimiento exponencial, solo
vlido para periodos cortos de tiempo, y que crece indefinidamente. Al principio es parecido al del
2 modelo, pero luego vemos que se distanta y crece mucho ms rpidamente, llegando al final del
ao 2050 a sobrepasar en ms de 1000 habitantes al 2 y 3er modelo.
Entre el 2 y 3er modelo, elegimos el logstico, debido a que el segundo presenta un mximo
y posteriormente decrece hasta que la poblacin se extingue, como vemos en la siguiente grfica.
En nuestro problema de propagacin de enfermedades, la comunidad total m(t) que estudiamos no
tiene por qu desaparecer, sea a causa de la infeccin o por otras causas.

14

El mximo se alcanza en el ao 2078, cuando la poblacin mundial es de 9777 millones de

habitantes. Adems, para aplicarlo a nuestro problema, necesitaramos realizar un estudio a fondo
de la poblacin sobre la cul estamos estudiando la difusin de la infeccin y, por tanto, nuestro
modelo no valdra para cualquier poblacin, sino para unas muy especficas.
No ocurre as con el modelo logstico que, al tener la pendiente configurada por la cantidad
mxima de invididuos que el entorno es capaz de albergar, es ms general. En conclusin, elegimos
para nuestro modelo de propagacin de enfermedades una poblacin que se rija por una ecuacin
diferencial de tipo logstico.

4.2.- Propagacin de enfermedades

Para el modelo ms simple de poblacin, vemos que la solucin aproximada por el mtodo
de Runge-Kutta de orden 4 es tan parecida a la exacta, calculada sabiendo que se trata de una
ecuacin diferencial de Bernouilli, que ha sido necesario graficarlas por separado para compararlas,
pues se dibujaban una encima de la otra.

15

Como vemos, de ocupar una misma grfica, las lneas se superpondran, y no podramos
discernir si realmente hemos graficado cuatro lneas o solo dos. De hecho, el nmero de infectados
a los 30 das que se logra con la solucin aproximada es, redondeado a las unidades, igual que el de
16

la solucin exacta. El mtodo de Runge-Kutta de orden 4 es suficientemente exacto a la hora de

tratar con diferenciales que derivan en exponenciales, siempre y cuando tomemos como tamao de
paso 0.1 .
A la hora de discernir entre el 1er y 2 modelo, la solucin no es tan sencilla como graficar
los dos resultados y comprar.

17

Como vemos, ni comparando las grficas ni graficando unos resultados encima de los otros
es posible apreciar la diferencia. Esta diferencia no es otra que el nmero de individuos del grupo
z(t), salvo errores de redondeo cometidos al usar distintas ecuaciones diferenciales. Graficando la
evolucin de este, nos damos cuenta de que los valores que adopta son bajos, en comparacin con la
poblacin total. Por esto, la aproximacin exponencial para z(t) es correcta. Graficamos aparte la
evolucin del grupo de los z(t)

Mientras que el valor de infectados pasados un mes en el modelo 1 es 79977, para el

segundo es 79847, y el nmero de individuos "recuperados" z(t) es 80. Este valor de orden 10,
mientras que el del nmero de infecados es de 10 4, por lo que en la grfica de los infectados y los
susceptibles de enfermar esta variacin es imperceptible. El 2 modelo (y por extensin, el tercero)
son tiles, por tanto, para predecir la evolucin de la gente que se inmuniza de la enfermedad o
muere a causa de esta, y no son prcticos para estudiar la poblacin infectada, pues su
comportamiento es muy similar al del 1er modelo, que es ms simple.
Por ltimo, nuestro modelo de difusin de la enfermedad, estimado para una poblacin
inicial de 100000 final de 138485, concluye con un total de 129332 infectados y 136 individuos
categorizados dentro del grupo z(t). Como vemos en la grfica, el crecimiento moderado de la
poblacin total permite al grupo x(t) predominar en la poblacin ms tiempo que en los dems
modelos. Sin embargo, a partir del dcimo da, el crecimiento se estabiliza, y gana peso la
infeccin, que iguala en nmero a los individuos susceptibles de enfermar en torno al vigsimo da.

18

En el grfico de los individuos "recuperados", vemos que sigue un crecimiento exponencial

pero que, como supusimos, el valor que alcanza es pequeo comparado con el total de la poblacin,
al igual que en el segundo modelo. Esto nos permite usar la aproximacin que vimos en el primer
apartado de este trabajo.

19

Comparando con el 2 modelo:

20

Evidentemente, el crecimiento de la poblacin z(t) en el 3 er modelo es mayor que en el 2,

puesto que la poblacin de infectados y(t) es mayor que en este. Aparte de esto, no existe ninguna
otra diferencia en el desarrollo de este grupo de la poblacin; el crecimiento de este grupo no sufre
variaciones en el modo de crecimiento originadas por el crecimiento de la poblacin total. Es decir,
que en el inico, cuando el crecimiento de la poblacin total es mayor, no se aprecian diferencias.
Una muestra de ello es que, hasta los 10 das, el desarrollo de la poblacin z(t) es el mismo en los
dos modelos. Podemos decir que la utilizacin de un modelo de crecimiento de poblacin variable
para el estudio de la propagacin de la enfermedad, dentro del plazo que hemos estudiado, no tiene
ninguna influencia. Si queremos estudiar la poblacin de infectados, escogeremos el 1 er modelo; si
queremos estudiar la poblacin de "recuperados", elegiremos el 2 modelo.

21

5.- Bibliografa
[1] United States Census Bureau,
http://www.census.gov/population/international/data/worldpop/table_population.php, visitado el
30/5/2013
[2] Funcin logstica, Wikipedia http://es.wikipedia.org/wiki/Funcin_logstica, visitado el 8/6/2013
[2] D.N. Burghes, M.S. Borrie. Modelling with Differential Equations

22