INSTITUTO DE ESTUDIOS SUPERIORES ROSARIO CASTELLANOS
NOMBRE: HUGO ALBERTO ORTIZ ANAYA
GRUPO: G 303
PROFESOR(A): LEONOR GARCIA MARTINEZ
MATERIA: CÁLCULO DE VECTORES
Introducción
En esta actividad podrás plantear y resolver el problema de epidemia con ayuda
del cálculo vectorial. Debido a la situación de epidemia por la que el mundo
atraviesa, es de singular importancia resolver el ejercicio de forma matemática,
para ello se necesitan conocer los factores principales de contagio y limitar el
estudio a una población determinada. Con este ejercicio podrás analizar las
limitaciones que deben considerar para abordar un
problema y que su solución aún sea realista. recuerda enviar tus dudas a tu
docente. En estos modelos epidemiológicos se parte de que los individuos que se
encuentran en uno de varios estados posibles. En función de dichos estados, la
población puede incluirse en algunas categorías: individuos susceptibles (S),
infectados (I) o removidos (R), etc. Los modelos más importantes son: SI, SIS y SIR,
que pueden modelarse en forma determinista o estocástica y en todos ellos se
asume que la interacción entre los individuos es aleatoria.9 La mejor manera de
modelar las enfermedades infantiles consiste en emplear un modelo SIR puesto
que la infección lleva a una inmunidad vitalicia. Para la mayor parte de las
enfermedades de transmisión sexual (ETS) resulta más útil el modelo SIS, toda vez
que tan sólo un número reducido de ETS confiere inmunidad tras la infección. El
VIH es una excepción clara y todavía puede describirse de forma adecuada, al
menos en el mundo occidental, mediante el modelo SI. A continuación, se
describen de modo sinóptico los modelos SI, SIS y SIR bajo sus dos versiones:
determinística y estocástica.
N=N_ Infectado +N_ no infectado
N=S(t)+E(t)+I(t)+R t
El flujo de un grupo a otro es:
S → E→ I→ R→
D s =B-B S I -U N-U S
dt N
d E =B S I -(€+u) E
dt N
dI =€ E-(r+u) I
dt
dR =rI-uR
dt
S - Individuos susceptibles (ver modelo SIR).
I - Individuos infectados (ver modelo SIR).
R - Individuos recobrados (ver modelo SIR).
N - Población total.
β - Tasa de contagios (media de personas infectadas por un infectado en una
unidad t).
1/γ - Tiempo promedio de infección (para un solo individuo).
μ - Tasa promedio de defunciones (probabilidad de que un individuo infectado
muera debido
a la enfermedad).
En el modelo SEIR tenemos tres parámetros: ββ, llamado tasa de transmisión, de
manera que
1/β1/β mide la probabilidad de que un susceptible se infecte cuando entra en
contacto con un
infectado; γ γ, llamado tasa de recuperación, de
manera que el periodo medio de recuperación
es 1/γ1/γ; y σσ, de forma que 1/σ1/σ es el tiempo promedio de incubación. Los
dos primeros parámetros definen el parámetro R0=β/γR0=β/γ que se llama tasa
básica de reproducción y representa el número de nuevos infectados producidos
por un infectado si toda la población es susceptible. N=S(t)+I(t),donde N es el
tamaño de la población. además, el significado de un contacto es cualquier
actividad que resulta la infección de un susceptible por un individuo infeccioso
también este modelo en ambas versiones es homogéneo
N=S(t)+E(t)+I(t)+Rt
El flujo de un grupo a otro es
S → E → I→ R→
dada una población fija N=S(t)+I(t)+R(t)se obtuvieron las siguientes ecuaciones
diferenciales
que describen el modelo
ds =B S I
dt
dI =BSI-rI
dt
dB =rI
dt
la tasa de cambio de las personas infectados este
dado por la derivada de d Ni/dt
d=ds(t) = - B s(t)i(t),
Ni
di(t) =-B s(t)i(Ni),
Ni
di(t) =(B s(t)-a)i(t),
Ni
dr(t) =ai(t)
Ni
entre otras cosas, estimaciones respecto del número de infectados por el nuevo
coronavirus.
Uno de ellos corresponde a la llamada "ecuación logística", en la cual el número de
infectados "n(t)" al tiempo "t" satisface la ecuación diferencial [1-2]
n'(t)= a n(t)+b (n(t))2
cuya solución general, obtenida por integración directa, es: Lo cual, para los que
no temen a las matemáticas, corresponde a la función:
proceso al tiempo t se identifican por X(t)={S(t), I(t)},
esto es, el número de susceptibles de infectados al tiempo t. Por consiguiente,
cuando hay I infectados y S susceptibles, las probabilidades de transición son:
Ajustamos un modelo epidémico de tipo SEIR a los datos epidémicos del nuevo
coronavirus en Francia en 2020. Si los contactos se reducen a cero desde una fecha
determinada cercana al comienzo de la epidemia, el tamaño final de la epidemia
está cerca del obtenido al multiplicar el número acumulado de casos en esta fecha
por la reproducibilidad de la epidemia Con nuestras estimaciones, en Francia. El
modelo Figura 1 muestra el número acumulado de casos detectados de
coronavirus en Francia entre el 25 de febrero y el 15 de marzo de 2020.Entre estas
dos fechas, el número acumulado pasó de 13 a 5427. Observamos un crecimiento
que parece exponencial. Figura 1 muestra cómo se ajusta una línea de regresión
en coordenadas logarítmicas. Encontramos que la curva aumenta a medida que
con una tasa decrecimiento por día (rojo derecho). El tiempo de duplicación es
días Si, por otro lado, nos limitamos a los últimos 9 días, que están particularmente
bien alineados en una escala logarítmica, obtenemos por día y un tiempo de
duplicación de días (azul a la derecha). Dado que los datos al comienzo de la
epidemia se ven perturbados por una gran proporción de casos nuevos que se
importan, es probablemente la segunda estimación la más confiable; este es el
que usaremos a continuación. Figura 1. a) Número acumulado de casos detectados
en Francia entre el 25 de febrero y el 15 de marzo de 2020, según Santé publique
France. b) Logaritmo natural del número acumulado de casos y líneas de regresión
lineal. Propongamos un modelo matemático para esta epidemia. Dividamos a la
población francesa en cuatro compartimentos de acuerdo con el modelo SEIR
clásico (véase, por ejemplo, [2, p. 61]): es probable que esté infectado ( ),
infectados pero no infecciosos ( ),infeccioso sin protección ( ) y no es probable que
transmita la infección (es decir, infecciosa pero confinada, curada o
fallecida, )Obviamente, podemos refinar este modelo hasta el infinito para hacerlo
más realista (ver, por ejemplo, entre muchas otras referencias[3,7]), pero tratamos
de limitar el número de parámetros desconocidos tanto como sea posible;
También pretendemos obtener un resultado más teórico que práctico. Nota la
población total, la tasa de contacto efectiva, la tasa a la que las personas
infectadas se vuelven infecciosas y La velocidad a la
que se aíslan las personas infecciosas
N=S(t)+i(t)donde N es el tamaño de la población además el significado de un
contacto es cualquier actividad que resulta en la infección de un susceptible por un
individuo infeccioso de un susceptible por un individuo infeccioso también este
modelo en ambas versiones es homogéneo
Modelo SEIR
derivado del modelo SEIS, pero agregando esta vez a la población de recobrados.
En este caso, al igual que los anteriores, cada grupo es mutuamente excluyente y
la suma de todos es la población total, esto es, N=S(t)+E(t)+I(t)+R(t)}
el flujo de un grupo a otro es:
y sus ecuaciones diferenciales resultan: 1 Modelo SIR con nacimientos y muertes
Éste es una ampliación del modelo SIR y considera nacimientos a lo largo del
tiempo t, de modo que hay una constante renovación de individuos susceptibles a
la enfermedad. Del mismo modo, algunos individuos mueren o bien por la
enfermedad o de manera natural al cabo de un tiempo de haber sido recobrados.
El flujo de transiciones de un grupo a otro sigue
Las ecuaciones diferenciales que representan el modelo 1
Modelo SIS con nacimientos y muertes
Simplificación del modelo SIR con nacimientos y muertes, en donde un individuo
recobrado nunca desarrolla inmunidad a la enfermedad, de modo que el flujo de
un grupo a otro resulta:
Por tanto, un miembro susceptible se puede contagiar (pasar de S a I) y uno
contagiado se puede recuperar (pasar de I a R) o puede morir. En este modelo se
supone que la recuperación proporciona inmunidad y no se regresa al grupo S.
Las personas que fallecen por la enfermedad se incluyen también en el grupo R,
con lo que la población total se mantiene constante. Como se habrá notado, el
modelo introduce una simplificación, pues no tiene en cuenta ni los nacimientos ni
las muertes por otros motivos. Existen modelos más complejos que también
contemplan esos casos.
Sus ecuaciones diferenciales son
Modelo SIRS
Extensión del modelo SIR, en donde los individuos recobrados pueden perder la
inmunidad a la enfermedad y volver a formar parte del grupo de susceptibles. El
flujo de un grupo a otro está dado como sigue:
Modelo SEIS
El modelo SEIS se considera una nueva clase de individuos E (del inglés exposed),
es decir, aquellos que portan la enfermedad pero que al hallarse en su periodo de
incubación no muestran síntomas y pueden o no estar en condición de infectar a
otros. Se supone además que un individuo que ha
enfermado nunca obtiene inmunidad, de modo que el flujo de grupos resulta:
Modelo SEIR
Derivado del modelo SEIS, pero agregando esta vez a la población de recobrados.
En este caso, al igual que los anteriores, cada grupo es mutuamente excluyente y
la suma de todos es la población total, esto es, {\display style N=S(t)+E(t)+I(t)+R(t)}
El flujo de un grupo a otro
y sus ecuaciones diferenciales resultan: 1
ds -B-B5 I -U N-US
dt N
df =BS I -(€+U)€ dt N
dt =€E-(r+u)I dt
dr =ri-uR dt
El modelo SIR, un enfoque matemático de la propagación de infecciones
En este periodo atípico que vivimos a menudo se subraya el valor y el papel que
juega la ciencia. En este contexto, también las matemáticas hacen su aportación.
Entre otras cosas, ponen a nuestra disposición herramientas que nos permiten
prever la evolución de las epidemias. Pronto cumplirán su primer centenario los
primeros modelos matemáticos propuestos para tal fin.
Los modelos matemáticos
Los modelos matemáticos sirven de herramientas matemáticas para estudiar un
fenómeno de la vida real de manera abstracta y simplificada. Para ello se expresan
mediante una formulación matemática las relaciones entre las magnitudes que
intervienen en el fenómeno. El uso y el éxito de los modelos matemáticos varía de
unas ciencias a otras. Es obvio que la física está muy matematizada, pero en las
ciencias de la vida, por ejemplo, la presencia de las matemáticas no ha sido tan
notoria. Hay quien piensa que todo lo relacionado con la vida es demasiado
complejo para ajustarse a los modelos simples y abstractos de las matemáticas.
Parece que uno de los retos de la matemática aplicada en el siglo XXI será
precisamente la ampliación del uso de la matemática en las ciencias de la vida.
El modelo SIR
Los miembros de una población se clasifican en tres grupos: susceptibles
(S=susceptible), infectados (I=infectados) y recuperados (R=recovered). Cada
miembro de la población pertenece únicamente a uno de los tres grupos en un
momento dado. Sin embargo, se puede pasar de un grupo a otro, aunque solo en
una dirección, como se muestra en el siguiente esquema: Por tanto, un miembro
susceptible se puede contagiar (pasar de S a I) y uno contagiado se puede
recuperar (pasar de I a R) o puede morir. En este modelo se supone que la
recuperación proporciona inmunidad y no se regresa al grupo S.
Las personas que fallecen por la enfermedad se incluyen también en el grupo R,
con lo que la población total se mantiene constante. Como se habrá notado, el
modelo introduce una simplificación, pues no tiene en cuenta ni los nacimientos ni
las muertes por otros motivos. Existen modelos más complejos que también
contemplan esos casos.
Ecuaciones
Sea t la variable que indica el tiempo y S(t), I(t) y R(t) el número de personas que
hay en cada grupo en un momento t determinado. Por las razones expuestas, su
suma es una constante. Sea N el tamaño de la población, es decir, S(t) + I(t) + R(t) =
N, para todo t. Para plantear las ecuaciones, es necesario formular la velocidad de
cambio de esas tres funciones. La expresión matemática de la velocidad es una
derivada.
Modelo MSIR
Este modelo considera una nueva clase de individuos M, los llamados infantes con
inmunidad pasiva que tras cierto tiempo la pierden y están en condición de ser
portadores de la enfermedad (para una descripción más detallada véase
Inmunidad (medicina)). Los flujos de grupo son
Variables del Modelo
Susceptibles (S(t)) (S(t)). Personas sanas en la población en el instante de tiempo t
Expuestos(E(t)) Expuestos(E(t)). Personas que tuvieron contacto transmisor con
Infectados sintomáticos o asintomáticos en el instante de tiempo t
Infectados Asintomáticos(A(t). Infectados Asintomáticos(A(t)). Infectados (no
testados) y sin síntomas, en el instante de tiempo t
Infectados Sintomáticos(I(t). Infectados Sintomáticos(I(t)). Definen la prevalencia
de la enfermedad. Infectados (no testados) con síntomas, en el instante de tiempo
t
Infectados Activos (Ica(t)) Infectados Activos (Ica(t)). Infectados sintomáticos y
asintomáticos positivos al test, que se mantienen activos en el instante de tiempo t
Recuperados(R(t)) Recuperados(R(t)) Infectados sintomáticos, asintomáticos y
confirmados que pasado el período de infestación se recuperan de la enfermedad
Las clases S, E, A, I no están controladas por las instancias de salud, por lo que se
considera que están conviviendo y por ende, transmitiendo el virus en la sociedad.
La subpoblación Ica, diagnosticada con test y pruebas diagnóstico, están bajo
control de las entidades sanitarias y comunitarias, ya sea en centros hospitalarios,
centros de aislamiento o bajo la observancia en sus domicilios. y sus ecuaciones
diferenciales
Intervención pública
En otros modelos se añaden uno o más grupos nuevos, como, por ejemplo:
E (exposed): personas en fase de incubación. Están infectadas, pero aún no
transmiten la enfermedad.
M (maternally derived immunity): las criaturas recién
nacidas tienen inmunidad temporal, gracias a los anticuerpos de la madre.
D (deceased): personas fallecidas por la infección. Estas salen del grupo R, donde
quedan quienes sobreviven a la enfermedad.
Fuentes Bibliográficas
Martcheva M. An Introduction to Mathematical Epidemiology. EE. UU.: Springer
US; 2015. vol. 61 453 p. [acceso 17/07/2020]. Disponible en:
http://zums.ac.ir/files/socialfactors/files/An_Introduction_to_Mathematical_Epide
miology- 2015.pdf
Brauer F, Castillo-Chávez C, Feng Z. Mathematical Models in Epidemiology.
Esteva L, Gómez G, Hernández J, Zepeda M. El estudio de los brotes epidémicos y sus posibles causas.
Matemáticas y epidemiología. Ciencias. 1991 [acceso 17/07/2020];(24):57-
63. Disponible en:
https:// https://www.revistacienciasunam.com/en/busqueda/titulo/172-
» https://www.revistacienciasunam.com/en/busqueda/titulo/172-revistas/revista-ciencias- 24/1576-
matem%C3%A1ticas-y-epidemiolog%C3%ADa.html
