Problemas de valor inicial
20 de marzo de 2023
1
Contenidos
Descripción teórica del problema
El método de Euler
Convergencia
Como validar la aproximación
Adelante-Atrás
Estrategia h, h/2
Modelado de epidemias
2
Descripción teórica del problema
Ecuaciones diferenciales
Definición
Un problema de valor inicial es hallar una función f : R → Rn ,
que cumple
⃗ (t, f (t), f ′ (t), . . . , f (k) (t)) = ⃗0
F
⃗ : R(k+1)n+1 → Rj , sabiendo los valores de
donde F
f (t0 ), f ′ (t0 ), . . . , f k−1 (t0 )
Estos vectores se denominan las condiciones iniciales. El número
k es el orden del problema.
Ejemplo
Hallar f (t) = (x (t), y (t)), tal que sea solución de
⃗ (x , y , x ′ , y ′ ) = (x ′ − xy − 0,001x 2 , y ′ − xy 2 − 0,05y 2 )
F
3
Ejemplos
Ley de Newton
Supongamos que n partículas de masa 1 se mueven en el espacio
R3 . Podemos describir sus posiciones en cada instante por un
⃗ (t, ⃗x , ⃗x ′ ) ∈ R3n
vector ⃗x (t) ∈ R3n . La ley de Newton dice que si F
es la fuerza que actúa sobre las partículas, entonces
⃗ (t, ⃗x , ⃗x ′ ) = ⃗x ′′ (t)
F
Tomando
⃗ ⃗x , ⃗x ′ , ⃗x ′′ ) = F
G(t, ⃗ (t, ⃗x , ⃗x ′ ) − ⃗x ′′ (t)
se puede escribir en la forma general. Usualmente se supone
conocida las posiciones y velocidades de las partículas en un
instante t0
4
Descenso por gradientes
Este ejemplo se usa mucho en machine learning. Tenemos una
función E (⃗x ) que depende de muchas (miles de) variables.
Queremos hallar un mínimo. La idea es iniciar en un punto ⃗x0 . La
dirección en la que E decrece más rápidamente está dada por
−∇E (x⃗0 ). Tomamos h > 0 y definimos
⃗x1 = ⃗x0 − h∇E (x⃗0 )
iterando se obtiene una sucesión
⃗xn+1 − ⃗xn
⃗xn+1 = ⃗xn − h∇E (x⃗n ) o equivalentemente = ∇E (x⃗n )
h
el límite
⃗x∞ = lı́m ⃗xn
n→∞
es un mínimo. La condición de iteración se puede ver como una
ecuación diferencial
⃗x ′ (t) = −∇E (⃗x ) 5
Definición
Una ecuación diferencial es explícita si se puede escribir en la
forma
⃗ (t, f , f ′ , . . . , f k−1 )
f k (t) = F
Reducción de orden
Una ecuación explícita de orden k siempre se puede escribir como
un sistema de ecuaciones de orden 1. Por ejemplo si se tiene una
ecuación de orden 2
x ′′ (t) = F
⃗ (t, x , x ′ )
llamando z = x ′ esta ecuación de puede escribir
( ) ( )
x′ z
= ⃗
z′ F (t, x , z)
6
Interpretación geométrica
y 5 • Ecuación diferencial
y ′ = (t − y )/2 = F (t, y )
4
• Campo vectorial
3 (1, (t − y )/2)
• y (0) = 1. Sol:
2 y (t) = 3e −t/2 − 2 + t
1 • y (0) = 4. Sol:
y (t) = 6e −t/2 − 2 + t
0
t
7
Teoremas de existencia y unicidad
Definición
⃗ : R → R una
Sea R = {(t, y )|a ≤ t ≤ b, c ≤ y ≤ d} y sea F
función continua. Se dice que F⃗ cumple una condición de
Lipschitz en y si existe K > 0 tal que
⃗ (t, y1 ) − F
|F ⃗ (t, y2 )| < K |y1 − y2 |
Teorema
⃗ cumple una condición de Lipschitz entonces en problema de
Si F
valor inicial
y′ = F
⃗ (t, y ), y (t0 ) = y0
tiene solución única para algún subintervalo t0 ≤ t ≤ t0 + δ.
8
Idea de la demostración
1. Supongamos que t0 = a tenemos el problema
y ′ (t) = F
⃗ (t, y (t)), y (a) = y0 .
9
Idea de la demostración
1. Supongamos que t0 = a tenemos el problema
y ′ (t) = F
⃗ (t, y (t)), y (a) = y0 .
2. Integramos en ambos miembros
∫ t ∫ t
′ ⃗ (u, y (u))du
y (t) = y (a) + y (u)du = y0 + F
a a
Esto se llama la forma integral del problema.
9
Idea de la demostración
1. Supongamos que t0 = a tenemos el problema
y ′ (t) = F
⃗ (t, y (t)), y (a) = y0 .
2. Integramos en ambos miembros
∫ t ∫ t
′ ⃗ (u, y (u))du
y (t) = y (a) + y (u)du = y0 + F
a a
Esto se llama la forma integral del problema.
3. Sea C([a, b]) el conjunto de funciones continuas en el
intervalo [a, b]. Definimos T : C([a, b]) → C([a, b]) por
∫ t
T (y ) = y0 + ⃗ (u, y (u))du
F
a
9
Idea de la demostración
1. Supongamos que t0 = a tenemos el problema
y ′ (t) = F
⃗ (t, y (t)), y (a) = y0 .
2. Integramos en ambos miembros
∫ t ∫ t
′ ⃗ (u, y (u))du
y (t) = y (a) + y (u)du = y0 + F
a a
Esto se llama la forma integral del problema.
3. Sea C([a, b]) el conjunto de funciones continuas en el
intervalo [a, b]. Definimos T : C([a, b]) → C([a, b]) por
∫ t
T (y ) = y0 + ⃗ (u, y (u))du
F
a
4. La solución del problema de valor inicial es un punto fijo de
T . Es decir T (y ) = y .
9
Notas
• La condición de Lipschitz permite usar el método de punto
fijo para mostrar que existe la solución y es única.
10
Notas
• La condición de Lipschitz permite usar el método de punto
fijo para mostrar que existe la solución y es única.
• Si no se cumplen las hipótesis puede no haber solución. Por
ejemplo la ecuación (y (t))2 + (y ′ (t))2 = −1
10
Notas
• La condición de Lipschitz permite usar el método de punto
fijo para mostrar que existe la solución y es única.
• Si no se cumplen las hipótesis puede no haber solución. Por
ejemplo la ecuación (y (t))2 + (y ′ (t))2 = −1
• Aun en casos donde la solución existe puede ser casi imposible
hallarla exactamente. En esos casos se buscan soluciones
aproximadas.
10
Notas
• La condición de Lipschitz permite usar el método de punto
fijo para mostrar que existe la solución y es única.
• Si no se cumplen las hipótesis puede no haber solución. Por
ejemplo la ecuación (y (t))2 + (y ′ (t))2 = −1
• Aun en casos donde la solución existe puede ser casi imposible
hallarla exactamente. En esos casos se buscan soluciones
aproximadas.
• Para ello se discretiza. Las variables continuas se vuelven
discretas y las ecuaciones diferenciales se transforman en
ecuaciones en diferencias.
10
Notas
• La condición de Lipschitz permite usar el método de punto
fijo para mostrar que existe la solución y es única.
• Si no se cumplen las hipótesis puede no haber solución. Por
ejemplo la ecuación (y (t))2 + (y ′ (t))2 = −1
• Aun en casos donde la solución existe puede ser casi imposible
hallarla exactamente. En esos casos se buscan soluciones
aproximadas.
• Para ello se discretiza. Las variables continuas se vuelven
discretas y las ecuaciones diferenciales se transforman en
ecuaciones en diferencias.
• En los métodos numéricos generalmente a ≤ t ≤ b y se toma
t0 = a. Pero en realidad se puede tomar t0 cualquier número
entre a y b.
10
El método de Euler
Idea básica
La idea del método de Euler para resolver un problema
y′ = F
⃗ (t, y ), y (a) = y0
es definir una poligonal por puntos (tk , yk ) que aproximen la
solución. Las pendientes de las rectas se calculan usando las
derivadas y la aproximación de Taylor
y (t) = y (tk ) + y ′ (tk )(t − tk ) + Ek (t)
despreciando el error Ek (t) y reemplazando y ′ (tk ) por F ⃗ (tk , yk ) se
obtiene
⃗ (tk , yk )(tk+1 − tk )
y (tk+1 ) ≈ y (tk ) + F
11
Pasos a seguir
1. Dividir el intervalo [a, b] en M pedazos iguales.
12
Pasos a seguir
1. Dividir el intervalo [a, b] en M pedazos iguales.
2. Definir puntos
tk = a + kh, donde h = (b − a)/M
entonces tk+1 = tk + h.
12
Pasos a seguir
1. Dividir el intervalo [a, b] en M pedazos iguales.
2. Definir puntos
tk = a + kh, donde h = (b − a)/M
entonces tk+1 = tk + h.
3. Definir
⃗ (tk , yk )h
yk+1 = yk + F
12
Pasos a seguir
1. Dividir el intervalo [a, b] en M pedazos iguales.
2. Definir puntos
tk = a + kh, donde h = (b − a)/M
entonces tk+1 = tk + h.
3. Definir
⃗ (tk , yk )h
yk+1 = yk + F
4. Tomar la poligonal que pasa por puntos (tk , yk ).
12
Pasos a seguir
1. Dividir el intervalo [a, b] en M pedazos iguales.
2. Definir puntos
tk = a + kh, donde h = (b − a)/M
entonces tk+1 = tk + h.
3. Definir
⃗ (tk , yk )h
yk+1 = yk + F
4. Tomar la poligonal que pasa por puntos (tk , yk ).
5. Esta poligonal está definida por una función ỹ (t) que es la
solución aproximada.
12
Ejemplo
Problema
Hallar la solución de
y ′ = 2y , y (0) = 3
⃗ no
en el intervalo [0, 2]. En este caso f (t, y ) = 2 ∗ y . Cuando F
depende explícitamente de t la ecuación es autónoma.
Solución exacta
Este problema tiene solución explícita. La solución es
y (t) = 3 ∗ e 2t
Esto nos va a poder permitir ver las aproximaciones.
13
Figura 1: La azul oscuro es la solución verdadera
14
Pseudo-código
definir f(t, y)
definir a
definir b
definir M
definir y0
hacer t0 = a
hacer h = (b - a)/M
loop k=0, k <= M (depende del lenguaje)
y(k+1) = y(k) + h f(t(k), y(k))
t(k+1) = t(k) + h
retornar
15
Convergencia
Idea
Definición
Dado un problema
y′ = F
⃗ (t, y ), y (a) = y0 , a≤t≤b
Supongamos que y (t) es la solución verdadera del problema. Si
se elige M, se tiene un paso h = (b − a)/M, y ỹh (t) es la
solución aproximada, el método converge si
lı́m ỹh (t) = y (t)
h→0
Discretización
Para estudiar la convergencia se mira que pasa en los puntos tk
16
Análisis de errores
En los métodos se comenten en cada tk dos tipos de errores.
1. El error de discretización local ϵk . En este error se asume que
en el instante tk la solución aproximada yk coincide con la
solución verdadera y (tk ). El error en el paso siguiente se
define por
⃗ (tk , yk )
ϵk+1 = y (tk+1 ) − yk − hF
Este error mide el error en cada paso.
17
Análisis de errores
En los métodos se comenten en cada tk dos tipos de errores.
1. El error de discretización local ϵk . En este error se asume que
en el instante tk la solución aproximada yk coincide con la
solución verdadera y (tk ). El error en el paso siguiente se
define por
⃗ (tk , yk )
ϵk+1 = y (tk+1 ) − yk − hF
Este error mide el error en cada paso.
2. El error de discretización global ek se define por
ek = y (tk ) − yk
Este error toma en cuenta la acumulación de los errores
locales en todos los pasos anteriores al instante tk
17
Nota 1
Los errores de discretización definen vectores ⃗ϵ y ⃗e . Es
conveniente tomar una norma para estudiar el error. La norma
infinito de un vector ⃗v = (v1 , . . . , vn ) se define por la igualdad
||⃗v ||∞ = máx |vk |
1≤k≤M
Nota 2
Dada una función f (h) se dice que f es O(hp ) cuando h → 0 si
existe una constante C positiva tal que
|f (h)| ≤ Chp ∀|h| < h0
18
Teorema
Si la solución verdadera del sistema es de clase C 2 , entonces
|ϵk | = O(h2 )
|ek | = O(h)
El error final E = y (b) − yM cumple
|E | = O(h)
19
Como validar la aproximación
Como tener una idea del error
Normalmente es un problema tener una idea de cuan buena es una
aproximación ỹ a la solución verdadera y de un problema de valor
inicial. Hay dos estrategias posibles. Ambas son limitadas.
1. La estrategia adelante-atrás.
20
Como tener una idea del error
Normalmente es un problema tener una idea de cuan buena es una
aproximación ỹ a la solución verdadera y de un problema de valor
inicial. Hay dos estrategias posibles. Ambas son limitadas.
1. La estrategia adelante-atrás.
2. La estrategia h, h/2
20
Estrategia Adelante-Atrás
Dado un problema y ′ = f (t, y ), a ≤ t ≤ b en general se toma
como condición inicial y (a) y si se parte el intervalo [a, b] en M
partes se toma h = (b − a)/M y t0 = a.
Para la estrategia adelante-atrás se debe hacer
1. Hallar la solución ỹ .
21
Estrategia Adelante-Atrás
Dado un problema y ′ = f (t, y ), a ≤ t ≤ b en general se toma
como condición inicial y (a) y si se parte el intervalo [a, b] en M
partes se toma h = (b − a)/M y t0 = a.
Para la estrategia adelante-atrás se debe hacer
1. Hallar la solución ỹ .
2. Calcular y 0 = ỹ (b) y Definir t 0 = b.
21
Estrategia Adelante-Atrás
Dado un problema y ′ = f (t, y ), a ≤ t ≤ b en general se toma
como condición inicial y (a) y si se parte el intervalo [a, b] en M
partes se toma h = (b − a)/M y t0 = a.
Para la estrategia adelante-atrás se debe hacer
1. Hallar la solución ỹ .
2. Calcular y 0 = ỹ (b) y Definir t 0 = b.
3. Correr el método de Euler con las ecuaciones
t k+1 = t k − h
y k+1 = y k − hf (t k , y k )
21
Estrategia Adelante-Atrás
Dado un problema y ′ = f (t, y ), a ≤ t ≤ b en general se toma
como condición inicial y (a) y si se parte el intervalo [a, b] en M
partes se toma h = (b − a)/M y t0 = a.
Para la estrategia adelante-atrás se debe hacer
1. Hallar la solución ỹ .
2. Calcular y 0 = ỹ (b) y Definir t 0 = b.
3. Correr el método de Euler con las ecuaciones
t k+1 = t k − h
y k+1 = y k − hf (t k , y k )
4. Calcular E = |y0 − y M |. Este número debe ser pequeño.
21
Ejemplo M = 3
Tomemos el ejemplo y ′ = 2y , y (0) = 3 en el intervalo [0, 2]. El
valor correcto tiene color azul
Correcto
EF
150 EB
125
100
75
50
25
0.00 0.25 0.50 0.75 1.00 1.25 1.50 1.75 2.00
Figura 2: E = 4,411
22
Ejemplo M = 10
Correcto
160
EF
EB
140
120
100
80
60
40
20
0.00 0.25 0.50 0.75 1.00 1.25 1.50 1.75 2.00
Figura 3: E = 2,475
23
Ejemplo M = 20
Correcto
160
EF
EB
140
120
100
80
60
40
20
0.00 0.25 0.50 0.75 1.00 1.25 1.50 1.75 2.00
Figura 4: E = 1,673
24
Idea general
Dado un problema y ′ = f (t, y ), a ≤ t ≤ b, y (a) = y0 se hace lo
siguiente:
1. Se elige un número M.
25
Idea general
Dado un problema y ′ = f (t, y ), a ≤ t ≤ b, y (a) = y0 se hace lo
siguiente:
1. Se elige un número M.
2. Se construyen soluciones aproximadas ỹ1 con paso
h = (b − a)/M y ỹ2 con paso h/2
25
Idea general
Dado un problema y ′ = f (t, y ), a ≤ t ≤ b, y (a) = y0 se hace lo
siguiente:
1. Se elige un número M.
2. Se construyen soluciones aproximadas ỹ1 con paso
h = (b − a)/M y ỹ2 con paso h/2
3. Comparar y1 (k) con y2 (2K ) para k = 1, . . . , M
25
Ejemplo
Correcto
160
M=3
M=6
140
120
100
80
60
40
20
0.00 0.25 0.50 0.75 1.00 1.25 1.50 1.75 2.00
Figura 5: y ′ = 2y
26
Modelado de epidemias
Difusión de una enfermedad
Problema
Supongamos que tenemos una comunidad aislada, por ejemplo
un pueblo pequeño, uno de los habitantes contrae gripe.
Queremos saber como va a evolucionar la enfermedad en el
pueblo. Vamos a separar la población en tres categorías. La
primera S formada por los individuos susceptibles, la segunda I
formada por los individuos infectados. La tercera R formada por
individuos que se volvieron inmunes o fallecieron. La cantidad de
individuos en cada una de estas categorías en el instante t está
descripta por funciones S(t), I(t), R(t). La dinámica de la
enfermedad está dada por
S I R
27
Modelo SIR
1. Tomamos un pequeño intervalo de tiempo h = ∆t e
introducimos una malla tn = n∆t.
28
Modelo SIR
1. Tomamos un pequeño intervalo de tiempo h = ∆t e
introducimos una malla tn = n∆t.
2. Llamamos Sn = S(tn ), In = I(tn ), Rn = R(tn )
28
Modelo SIR
1. Tomamos un pequeño intervalo de tiempo h = ∆t e
introducimos una malla tn = n∆t.
2. Llamamos Sn = S(tn ), In = I(tn ), Rn = R(tn )
3. Con el tiempo S decrece.
28
Modelo SIR
1. Tomamos un pequeño intervalo de tiempo h = ∆t e
introducimos una malla tn = n∆t.
2. Llamamos Sn = S(tn ), In = I(tn ), Rn = R(tn )
3. Con el tiempo S decrece.
4. Hay en cada instante k = SI pares formados por una persona
susceptible y una infectada. Durante un intervalo de tiempo
un porcentaje m de estos pares interactúan y en alguna de
estas interacciones se produce un contagio. Tomamos
Sn+1 − Sn = −β∆tSn In
28
Modelo SIR
1. Tomamos un pequeño intervalo de tiempo h = ∆t e
introducimos una malla tn = n∆t.
2. Llamamos Sn = S(tn ), In = I(tn ), Rn = R(tn )
3. Con el tiempo S decrece.
4. Hay en cada instante k = SI pares formados por una persona
susceptible y una infectada. Durante un intervalo de tiempo
un porcentaje m de estos pares interactúan y en alguna de
estas interacciones se produce un contagio. Tomamos
Sn+1 − Sn = −β∆tSn In
5. Dividiendo por ∆t y tomando límite obtenemos
S ′ (t) = −βS(t)I(t)
28
La evolución de I y R
1. I se incrementa por los susceptibles que se contagian.
29
La evolución de I y R
1. I se incrementa por los susceptibles que se contagian.
2. Una proporción de los contagiados se vuelven resistentes.
29
La evolución de I y R
1. I se incrementa por los susceptibles que se contagian.
2. Una proporción de los contagiados se vuelven resistentes.
3. En definitiva
In+1 − In = β∆tSn In − γ∆tIn
29
La evolución de I y R
1. I se incrementa por los susceptibles que se contagian.
2. Una proporción de los contagiados se vuelven resistentes.
3. En definitiva
In+1 − In = β∆tSn In − γ∆tIn
4. Dividiendo por ∆t y tomando el límite obtenemos
I ′ = βSI − γI
29
La evolución de I y R
1. I se incrementa por los susceptibles que se contagian.
2. Una proporción de los contagiados se vuelven resistentes.
3. En definitiva
In+1 − In = β∆tSn In − γ∆tIn
4. Dividiendo por ∆t y tomando el límite obtenemos
I ′ = βSI − γI
5. R siempre se incrementa por los que pierde I
Rn+1 − Rn = γ∆tIn
29
La evolución de I y R
1. I se incrementa por los susceptibles que se contagian.
2. Una proporción de los contagiados se vuelven resistentes.
3. En definitiva
In+1 − In = β∆tSn In − γ∆tIn
4. Dividiendo por ∆t y tomando el límite obtenemos
I ′ = βSI − γI
5. R siempre se incrementa por los que pierde I
Rn+1 − Rn = γ∆tIn
6. Nos da
R ′ = γI
29
Resumen
En definitiva tenemos tres ecuaciones diferenciales
S ′ (t) = −βS(t)I(t)
I ′ (t) = βS(t)I(t) − γI(t)
R ′ (t) = γI(t)
Las sucesiones que aparecen en el método de Euler son las
ecuaciones en diferencias
Sn+1 = Sn − β∆tSn In
In+1 = In + β∆tSn In − γ∆tIn
Rn+1 = Rn + γ∆tIn
30
Determinación de parámetros
Los parámetros β, γ se determinan de un modo experimental. Para
determinar β se estudia lo que ocurre en un tiempo T .
31
Determinación de parámetros
Los parámetros β, γ se determinan de un modo experimental. Para
determinar β se estudia lo que ocurre en un tiempo T .
• Supongamos que durante ese período hay m posible
encuentros de gente en S con I (tomando una muestra).
31
Determinación de parámetros
Los parámetros β, γ se determinan de un modo experimental. Para
determinar β se estudia lo que ocurre en un tiempo T .
• Supongamos que durante ese período hay m posible
encuentros de gente en S con I (tomando una muestra).
• n de esos encuentros realmente ocurren.
31
Determinación de parámetros
Los parámetros β, γ se determinan de un modo experimental. Para
determinar β se estudia lo que ocurre en un tiempo T .
• Supongamos que durante ese período hay m posible
encuentros de gente en S con I (tomando una muestra).
• n de esos encuentros realmente ocurren.
• Entonces la probabilidad de un encuentro por unidad de
tiempo es µ = n/m
31
Determinación de parámetros
Los parámetros β, γ se determinan de un modo experimental. Para
determinar β se estudia lo que ocurre en un tiempo T .
• Supongamos que durante ese período hay m posible
encuentros de gente en S con I (tomando una muestra).
• n de esos encuentros realmente ocurren.
• Entonces la probabilidad de un encuentro por unidad de
tiempo es µ = n/m
• Sea p en porcentaje de los n encuentros que derivan en
contagio. Entonces β = pµ.
31
Determinación de parámetros
Los parámetros β, γ se determinan de un modo experimental. Para
determinar β se estudia lo que ocurre en un tiempo T .
• Supongamos que durante ese período hay m posible
encuentros de gente en S con I (tomando una muestra).
• n de esos encuentros realmente ocurren.
• Entonces la probabilidad de un encuentro por unidad de
tiempo es µ = n/m
• Sea p en porcentaje de los n encuentros que derivan en
contagio. Entonces β = pµ.
• Para estimar γ se estudia una población de infectados durante
un intervalo T si p es la proporción de individuos que pasan a
R entonces γ = p/T .
31
Supongamos que en un pueblo se tiene β = 10/(40 ∗ 8 ∗ 24),
γ = 3/(15 ∗ 24). Se toma h = 0,1 que corresponde a 6 minutos. En
el instante t0 = 0 se tiene S(0) = 50, I(0) = 1, R(0) = 0. Se
estudia la evolución de la enfermedad por 30 días. Se obtiene (el
tiempo se mide en horas)
50
40
30 S
I
20 R
10
0 100 200 300 400 500 600 700
hours
32
Supongamos que tomando medidas para reducir el contagio se
logra que β sea ahora un quinto de lo que era antes. Ahora
simulamos por 60 días.
50
40
30 S
I
20 R
10
0 200 400 600 800 1000 1200 1400
hours 33
Inmunidad temporaria
Supongamos que la inmunidad de una persona recuperada de la
enfermedad solamente dura un cierto tiempo. Ahora tenemos una
evolución
S I R
34
Si en un intervalo ∆t la cantidad de individuos recuperados que
vuelven a ser susceptibles es ν∆tR(t), donde ν −1 es el tiempo
promedio que dura la inmunidad, entonces tenemos
Sn+1 = Sn − β∆tSn In + ν∆tRn
In+1 = In + β∆tSn In − γ∆tIn
Rn+1 = Rn + γ∆tIn − ν∆tRn
S ′ (t) = −βS(t)I(t) + νR(t)
I ′ (t) = βS(t)I(t) − γI(t)
R ′ (t) = γI(t) − νR(t)
35
β = 0,0033
50
40
30 S
I
20 R
10
0 1000 2000 3000 4000 5000 6000 7000
hours
36
β = 0,0043
50
40
30 S
I
20 R
10
0 1000 2000 3000 4000 5000 6000 7000
hours
37
Incorporando vacunación
Vamos a introducir una categoría más en el modelo. Esta categoría
V esta formada por aquellos que han sido exitosamente vacunados.
Suponemos que en un intervalo ∆t una cantidad p∆tS dejan de
ser susceptibles.
V S I R
38
Ecuaciones
Ahora tenemos
Sn+1 = Sn − β∆tSn In + ν∆tRn − p∆tSn
Vn+1 = Vn + p∆tSn
In+1 = In + β∆tSn In − γ∆tIn
Rn+1 = Rn + γ∆tIn − ν∆tRn
S ′ (t) = −βS(t)I(t) + νR(t) − pS(t)
V ′ (t) = pS(t)
I ′ (t) = βS(t)I(t) − γI(t)
R ′ (t) = γI(t) − νR(t)
39
p = 0,0001
S
50 I
R
40 V
30
20
10
0 1000 2000 3000 4000 5000 6000 7000
hours
Figura 6: Horas
40
p = 0,0005
S
50 I
R
40 V
30
20
10
0 1000 2000 3000 4000 5000 6000 7000
hours
Figura 7: Horas
41
Campaña de vacunación
Supongamos que 6 días después de comenzar la epidemia se lanza
una campaña de vacunación que dura 10 días y tiene una eficiencia
de 0.005 (10 veces más que antes). Ahora p no es constante y hay
que tomar
0,005, 6 ∗ 24 ≤ t ≤ 15 ∗ 24
p(t) =
0, 15 ∗ 24 < t
42
Efecto de la campaña
S
50 I
R
40 V
30
20
10
0 500 1000 1500 2000 2500
hours
Figura 8: Horas
43
Otras complicaciones
Se puede por ejemplo considerar:
1. La inmunidad de la vacuna solo dura un cierto tiempo.
44
Otras complicaciones
Se puede por ejemplo considerar:
1. La inmunidad de la vacuna solo dura un cierto tiempo.
2. Problemas estacionales.
44
Otras complicaciones
Se puede por ejemplo considerar:
1. La inmunidad de la vacuna solo dura un cierto tiempo.
2. Problemas estacionales.
3. Movimientos de población.
44
β un coseno
Para medir los cambios de estación
50
40
30 S
I
20
R
10
−10
0 5000 10000 15000 20000 25000 30000 35000 40000
hours
45
