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
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
y=mz(m y (0))e(k / k ) z
1
Estas sern las ecuaciones con las que elaboraremos el tercer modelo para nuestro problema.
Ao
Poblacin
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
( 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
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.
1
9,9 10 e
4 0,2t
+105
10
figure(1);
plot(t1,P1,'-',t2,P2,'-',t3,P3,'-');
legend('Crecimiento variable','Crecimiento constante','Modelo logstico');
%
%
%
%
Como vemos, ya est comentado y no es necesario hacer aclaraciones fuera del cdigo.
11
12
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
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
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)
18
19
20
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