UNIVERSIDAD DE LAS FUERZAS ARMADAS ESPE

DEPARTAMENTO DE CIENCIAS DE LA VIDA Y DE LA

AGRICULTURA

INGENIERIA EN BIOTECNOLOGIA

Integrantes: Jiménez Cinthya Fecha: 05/ 01/ 2018

Paredes Alexandra
Quimbita Jairo NRC: 3274
Tello Ricardo

Materia: Biofísica

TÍTULO: Radiological Protection against Radon Exposure

Atractor de Lorentz
Se han buscado mecanismos para poder predecir el clima. En recientes años apareció un intento que se conoce como el
Atractor de Lorenz, este resulta del estudio de pequeñas perturbaciones que lleva a encontrar desviaciones significativas.
En este trabajo se explica qué es, cómo se comporta ante variaciones pequeñas, a qué ha dado lugar y dónde se puede
aplicar o utilizar, también se tratará de explicar los sistemas caóticos y su relación con el Atractor.
Los científicos están descubriendo cómo la teoría del caos puede ayudarlos a emitir predicciones más confiables y, sobre
todo, a mejorar su comprensión. El atractor de Lorenz es un atractor extraño que sirve para predecir el clima a través de
tres ecuaciones dinámicas derivadas de las ecuaciones del sistema de navier-stokes cuyas variables son la temperatura, la
humedad, y la presión barométrica (atmosférica).
Para ciertos valores de los parámetros A, B y C el sistema exhibe un comportamiento caótico y muestra lo que actualmente
se llama un atractor extraño. El atractor extraño en este caso es un fractal de dimensión de Hausdorff entre 2 y 3.
𝑑𝑥
= 𝑎(𝑦 − 𝑥)
𝑑𝑡
𝑑𝑦
= 𝑥(𝑏 − 𝑧) − 𝑦
𝑑𝑡
𝑑𝑧
= 𝑥𝑦 − 𝑐𝑧
𝑑𝑡

Ilustración 1 El atractor de Lorenz con parámetros A=28 B=8/3 C=10

En estas ecuaciones, a representa el número de Prandtl, que es la relación entre la viscosidad dé un fluido y su
conductividad térmica, con un valor de 10. El parámetro p representa el número de Raleght, que es la diferencia de
temperaturas entre la parte inferior y la superior del sistema, valor de 28. La variable b representa la relación entre la
longitud y la altura de la caja, con un valor de 8/3. La x representa la razón de rotación del cilindro, y señala la diferencia
entre temperaturas en los lados opuestos del cilindro, mientras que z representa la desviación del sistema de la línea
vertical graficada correspondiente a la temperatura.
Los sistemas caóticos aunque sean deterministas no permiten la predicción porque trayectorias que surgen juntas divergen
rápidamente borrando el recuerdo de dicho inicio común. En la naturaleza ciertos fenómenos pueden ser modelados por
unas estructuras matemáticas que se denominan sistemas dinámicos y cuyo estado viene definido por una serie de variables
que dependen del tiempo (variables de estado) y por la dinámica. Los sistemas dinámicos son conservativos o disipativos,
los sistemas disipativos suelen contar con atractores.
El atractor de Lorenz es un sistema dinámico no lineal derivado de las ecuaciones simplificadas de navier-stockes que
sirve para, según el clima de los días pasados, predecir el de los días futuros (Álvarez, Morales & Ortiz, 2013).
APLICACIÓN
Caos y salud en el sector económico de la salud en Colombia
Se aplicó la teoría del caos y un modelo complejo de salud para establecer relaciones entre indicadores agregados de
estados financieros entre compañías del sector de la salud en Colombia. Se analizaron el incremento -decremento del flujo
de caja, las ganancias y pérdidas, y el activo total de los estados financieros de 75 empresas, reportados por la
Superintendencia de Sociedades. Se aplicaron logaritmos naturales y las ecuaciones del atractor de Lorenz.
El propósito de esta investigación fue evaluar la utilidad de la teoría del caos y de un modelo de relaciones complejas de
indicadores de salud para obtener predicciones fiables entre indicadores agregados de estados financieros.

CONCLUSIÓN
En esta investigación, la utilización de modelos de salud complejos y de la teoría del caos mediante el atractor de Lorenz
ha sido efectiva en la predicción de indicadores financieros y en la posición de cada compañía dentro del sector de la salud
en Colombia. Sin embargo, es necesario profundizar más en las implicaciones que tiene la utilización de estos modelos
(Juárez, 2010).
MATLAB
Con condiciones iniciales
a=10;
b=28;
c=8/3;
x0=[-100 100 5]; % Condiciones iniciales
t_inicial=0; % Tiempo inicial
t_final=100; % Tiempo final

t_inicial=0; % Tiempo inicial

t_final=50; % Tiempo final

t_inicial=0; % Tiempo inicial

t_final=100; % Tiempo final
Conclusión
El modelo Atractor de Lorentz tiene una dependencia a una sensibilidad de las condiciones iniciales las trayectorias se
acumulan a mayor temperatura de la posición inicial, estas mismas trayectorias pueden verse afectadas por diferentes
factores, como la humedad, temperatura y velocidad del viento.
BIBLIOGRAFÍA

 Álvarez, D., Morales, B. and Ortiz, S. (2013). Atractor de Lorenz. Centro de Integración Educativa A.C., pp.1,
13,14,15,17,18.
 Juárez, F. (2010). Caos y salud en el sector económico de la salud en Colombia. Red de Revistas Científicas de
América Latina y el Caribe, España y Portugal, 3(2).

Atractor de Rossler
El atractor de Rössler es un sistema de tres ecuaciones que se basó en el atractor de Lorentz en el cual buscaba simplicar
el mismo. En este estudio, variamos sus parámetros y observamos su comportamiento. El atractor se convierte en un
sistema caótico dependiendo el valor de sus parámetros, estos mismo nos permiten determinar cuando el sistema llega al
caos.
Otto Rossler estaba interesado en problemas planteados por la Cinética Química. Estudió un cierto tipo de reacciones
químicas, así como los mecanismos que envuelven dos concentraciones por dos concentraciones multiplicadas juntas. Así
explorando ecuaciones que contiene el producto de dos variables, encontró las ecuaciones de Rossler.
Las ecuaciones viene dadas por.
𝑑𝑥
= −(𝑦 + 𝑧)
𝑑𝑡
𝑑𝑦
= 𝑥 + 𝑎𝑦
𝑑𝑡
𝑑𝑧
= 𝑏 + 𝑧(𝑥 − 𝑐)
𝑑𝑡
𝑑𝑧
= 𝑏𝑥𝑧 − 𝑐𝑧
𝑑𝑡
Siendo x, y, z las concentraciones de sustancias en las relaciones químicas estudiadas por Rossler obtuvo.
En a, b, c son parámetros establecidos por Rossler son: a=b=0.2, c= 5 y en condiciones iniciales x (0)=0, y (0)= -6.7, y z
(0)= 0.02.

(Boari, 2011).

Se deduce del diagrama de bifurcación que el comportamiento del atractor depende en gran medida del valor del parámetro
de bifurcación b. Por ejemplo, b = 0.45 genera un atractor con un comportamiento caótico, sin embargo, b = 1.0 genera
un atractor con un comportamiento simple de 2 períodos de límite de tiempo (Lainscsek et al., 2013).
APLICACIÓN
Análisis de la sincronización de señales EEG usando dinámica no lineal
Esta técnica es utilizada para analizar señales electroencefalográ- ficas (EEG) de grupos de sujetos sanos y grupos de
pacientes epilépticos para obtener dos pará- metros que permiten cuantificar y comparar los niveles de sincronización de
la actividad cerebral en ambos grupos. Estos parámetros permiten detectar un máximo de sincronización previo al inicio
de una crisis epiléptica. Esta técnica puede contribuir a una mejor comprensión y diagnóstico de algunas patologías
cerebrales y ayudar a la predicción de eventos epilépticos.
MÉTODO
Modelo de osciladores de Rössler globalmente acoplados y sujetos a ruido externo. Un oscilador de Rössler, para ciertos
valores de parámetros, puede ser descrito en su estado asintótico como un atractor caótico, el cual posee geometría fractal.
Este comportamiento caótico aparece cuando divergencias exponenciales locales en la trayectoria están acompañadas de
un confinamiento global de las trayectorias en el espacio de fases. Consideraremos un sistema de osciladores de Rössler
globalmente acoplados, es decir, donde todos los osciladores están interactuando con todos. Adicionalmente, supondremos
que cada oscilador está sujeto a los efectos de ruido externo. El modelo está descrito por el siguiente sistema de ecuaciones.

El parámetro 𝜀 representa la intensidad de acoplamiento global entre los osciladores y el valor medio de las varables xi.
Con a=b= 0,2 y c = 4,5.

RESULTADOS

Análisis de las Señales EEG de sujetos sanos

Se observa que las oscilaciones son relativamente pequeños, su valor máximo es de 0,21, indicando desincronización
entre los canales.
Análisis de señales EEG del grupo de pacientes epilépticos
Para el análisis de las señales de estos pacientes se excluyen las zonas donde el amplificador se satura (Figura 4). La
muestra para el EEG de un paciente epiléptico quien experimentó una crisis espontánea durante la consulta, cuya señal se
muestra en la Figura 4. Se puede observar que el parámetro r(t) alcanza un máximo (r(t) = 0,51) dos segundos antes del
inicio de la crisis, mientras que en el momento del inicio de la crisis se observa un valor de r(t) = 0,39. En diversos
instantes durante la crisis epiléptica, se observan máximos del parámetro r(t). Los máximos alcanzados por r(t) en este
caso son mayores que los valores de este parámetro para las señales EEG de sujetos sanos. Esto se puede interpretar como
la presencia de sincronización intermitente en la actividad eléctrica del cerebro durante una crisis epiléptica (Escalona,
Guillén & Coutin, 2005).
MATLAB
a=0.1; b=0.1;
c=6;
x0=[10 10 5]; % Condiciones iniciales
t_inicial=0; % Tiempo inicial
t_final=30; % Tiempo final

a=0.2; b=0.2; c=5;

t_final=100; % Tiempo final

 Modelo de Michaelis – Menten
Los estudios sistemáticos del efecto de la concentración inical del sustrato sobre la actividad enzimática comenzaron a
realizarse a finales del siglo XIX. Ya en 1882 se introdujo el concepto del complejo enzima-sustrato como intermediario
del proceso de catálisis enzimática. En 1913, Leonor Michaelis y Maud Menten desarrollaron esta teoría y propusieron
una ecuación de velocidad que explica el comportamiento cinético de las enzimas.
Para explicar la relación observada entre la velocidad inicial (v0) y la concentración inicial de sustrato ([S]0) Michaelis y
Menten propusieron que las reacciones catalizadas enzimáticamente ocurren en dos etapas: En la primera etapa se forma
el complejo enzima-sustrato y en la segunda, el complejo enzima-sustrato da lugar a la formación del producto, liberando
el enzima libre:
𝐾1 𝐾3
𝐸 + 𝑆 ⇔ 𝐸𝑆 → 𝐸 + 𝑃
En este esquema, k1, k2 y k3 son las constantes cinéticas individuales de cada proceso y también reciben el nombre de
constantes microscópicas de velocidad. Según esto, podemos afirmar que:
𝑣1 = 𝑘1 [𝐸][𝑆]
𝑣2 = 𝑘2 [𝐸𝑆]
𝑣3 = 𝑘3 [𝐸𝑆]
Se puede distinguir entre enzima libre (E) y enzima unido al sustrato (ES), de forma que la concentración total de enzima,
[ET], (que es constante a lo largo de la reacción) es:
[𝐸𝑇 ] = [𝐸] + [𝐸𝑇]
Como [𝐸] = [𝐸𝑇] − [𝐸𝑆], resulta que: 𝑣1 = 𝑘1 [𝑆][𝐸𝑇 ] − 𝑘1 [𝑆][𝐸𝑆]
 Este modelo cinético adopta la hipótesis del estado estacionario,
según la cual la concentración del complejo enzima-sustrato es
pequeña y constante a lo largo de la reacción (Figura de la derecha).
Por tanto, la velocidad de formación del complejo enzima-sustrato
(v1) es igual a la de su disociación (v2+ v3):

𝑣1 = 𝑣2 + 𝑣3
Además, como [ES] es constante, la velocidad de formación de los
productos es constante:

𝑣 = 𝑣3 = 𝑘3 [𝐸𝑆] = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
Como 𝑣1 = 𝑣2 + 𝑣3 , podemos decir que:

𝑘1 [𝑆][𝐸𝑇 ] − 𝑘1 [𝑆][𝐸𝑆] = 𝑘2 [𝑆] + 𝑘3 [𝑆]

[𝐸𝑇 ][𝑆]
Despejando [ES], queda que:[𝐸𝑆] = 𝑘𝑚 +[𝑆]
siendo 𝑘𝑚 = ( 𝑘2 + 𝑘3 )/𝑘1 , en donde la expresión (k2+k3)/k1 se ha
sustituido por KM, o constante de Michaelis-Menten. Este enlace nos aporta una explicación sobre las razones que hacen
de la KM un parámetro cinético importante. Por lo tanto, en el estado estacionario, la velocidad de formación del producto
es:
𝑘3 [𝐸𝑇 ][𝑆]
𝑣 = 𝑣3 = 𝑘3 [𝐸𝑆] =
𝐾𝑀 + [𝑆]
Para cualquier reacción enzimática, [ET], k3 y KM son constantes. Vamos a considerar dos casos extremos:

 A concentraciones de sustrato pequeñas ([S] << KM) v = (k3 [ET]/KM) [S]. Como los términos entre paréntesis
son constantes, pueden englobarse en una nueva constante, kobs, de forma que la expresión queda reducida a: v =
kobs [S], con lo cual la reacción es un proceso cinético de primer orden.
 A concentraciones de sustrato elevadas ([S] >> KM), v = k3 [ET]. La velocidad de reacción es independiente de
la concentración del sustrato, y por tanto, la reacción es un proceso cinético de orden cero. Además, tanto k3 como
[ET] son constantes, y nos permite definir un nuevo parámetro, la velocidad máxima de la reacción (V max): Vmax
= k3 [ET], que es la velocidad que se alcanzará cuando todo el enzima disponible se encuentra unido al sustrato.
Si introducimos el parámetro Vmax en la ecuación general de la velocidad, obtenemos la expresión más conocida de la
ecuación de Michaelis-Menten:
𝑉𝑚𝑎𝑥 [𝑆]
𝑣=
𝐾𝑀 + [𝑆]

Hay enzimas que no obedecen la ecuación de Michaelis-Menten. Se dice que

su cinética no es Michaeliana. Esto ocurre con los enzimas alostéricos, cuya
gráfica v frente a [S] no es una hipérbola, sino una sigmoide (Figura de la
derecha). En la cinética sigmoidea, pequeñas variaciones en la [S] en una zona
crítica (cercana a la KM) se traduce en grandes variaciones en la velocidad de
reacción (Biomoléculas, n.d.).
APLICACIÓN
Modelo matemático de la cinética y velocidad de hidratación del grano de maíz blanco dentado durante la
cocción alcalina
Se reporta la cinética de hidratación del grano de maíz durante el proceso de nixtamalización, a diferentes temperaturas y
tiempo de cocción, y concentraciones de Ca(OH)2. Las muestras se prepararon a un tiempo de cocción de 0 a 120 minutos,
con temperaturas de cocción de 62, 72, 82, y 92 °C, y concentraciones de Ca(OH)2 de 0.0, 0.8, 1.0, y 2.0 % en relación a
la masa de los granos de maíz. Cada experimento se realizó por triplicado. De acuerdo con el ajuste por la ecuación de
Michaelis-Menten a los datos experimentales se obtiene un valor alto de determinación de R2 de 0.9954 a 0.9999 con
P≤0.05, se puede señalar que esta ecuación es adecuada para predecir y modelar las cinéticas de hidratación de los granos
de maíz durante la cocción alcalina con diferentes concentraciones de Ca(OH)2. Este modelo matemático predice
adecuadamente para tiempos cortos (t→0) y tiempos largos (t→∞) la hidratación y velocidad de hidratación (a través de
la primera derivada de la ecuación de Michaelis-Menten) del grano de maíz durante el proceso de nixtamalización.
Además mediante este modelo propuesto, se puede predecir para tiempos cortos que la velocidad es máxima y tiende a
cero para tiempos largos alcanzando la saturación del grano. Se concluye que la hidratación y la velocidad de hidratación
depende significativamente de la temperatura del agua de cocción (P<0.005) y de la concentración de Ca(OH)2, para el
maíz blanco dentado (Fernandez, 2007).
Resultados

Figura 2A, 2B, 2C Y 2D. Los perfiles de la velocidad de hidratación de los granos de maíz a
diferentes temperaturas de cocción y concetraciones de Ca(OH)2 en función del tiempo de cocción.

Figura 3A, 3B, 3C Y 3D. Los perfiles de hidratación de los granos de maíz como una función de la
temperatura de cocción a diferentes concentraciones de Ca(OH)2.
MATLAB
Condiciones
Crecimiento máximo mu0=20
Constante de Michaelis-Menten ks=100
Concentración de substrato s 1:3000

Condiciones
Crecimiento máximo mu0=30
Constante de Michaelis-Menten ks=10
Concentración de substrato s 1:4000
Condiciones
Crecimiento máximo mu0=30
Constante de Michaelis-Menten ks=9000
Concentración de substrato s 1:4000

CONCLUSIÓN
La curva de Michaelis-Menten en Matlab varía con respecto a las condiciones de crecimiento máximo, la constante de
Michaelis-Menten y concentración de substrato. Esta curva es sigmoidea y tiene mayor relación con respecto a su
constante; cuando la constante tiende a 0, la curva tiende a ser sigmoidea mientras que si la contante se incremente la
curva tiende a una línea recta.
Modelo de propagación – HIV
El estudio de la transmisión del Virus de Inmunodeficiencia Humana (VIH) mediante modelos dinámicos ha sido objeto
de un intenso desarrollo en los últimos años; sin embargo, la infección por VIH todavía no se entiende completamente, y
por consiguiente no ha sido completamente modelada. Varios aspectos de la patología se han identificado y modelado
eficazmente, pero otros aspectos, tales como un modelo más exacto del sistema inmune y los efectos terapéuticos de los
fármacos, están aún siendo objeto de investigación experimental y teórica más precisa.
Por ejemplo, las interacciones dinámicas entre infección viral y el sistema inmunológico son particularmente complejas
y difícil de modelar, ya que hay que tener en cuenta los efectos de la resistencia y las interacciones entre los medicamentos
disponibles. La mayoría de los individuos infectados no exhiben síntomas por un período largo de tiempo (el llamado
período de incubación). La duración media de este período incluye un período latente (uno a seis meses) y un período de
infección de aproximadamente 10 años (este valor depende de la edad y de la salud del infectado y es, en general, muy
variable). Si bien no se conoce la forma exacta de la distribución asociada con la duración del período de incubación, se
ha observado una gran variabilidad en la misma. Además, hay evidencia de que la infectividad de los individuos varía con
el tiempo durante el cual se ha estado infectado, es decir, con la edad de la infección. Las formas de transmisión incluyen
coito vaginal, coito anal, transfusiones de sangre y uso de agujas hipodérmicas contaminadas. Es evidente que el
entendimiento de la diversidad de comportamientos sociales y sexuales que determinan el nivel de endogamia y
heterogamia entre los individuos de cada grupo (definidos por dichos comportamientos), es de fundamental importancia
en la evaluación de la propagación (y consecuencias) de las epidemias del SIDA.
La Organización Mundial de la Salud (OMS) estima que hay entre 35 y 40 millones de individuos infectados en todo el
mundo. Si bien las estadísticas en los países en vías de desarrollo no son totalmente confiables, se estima que la situación
en varios países del África ha empezado a alcanzar niveles de infección del VIH peligrosamente altos. La situación en
Latinoamérica no ha sido completamente evaluada; sin embargo, se han observado un número creciente de casos en países
como México, y un número alarmante de casos de SIDA en Brasil. En los EE.UU, donde se tiene un sistema de vigilancia
más eficiente, se habían reportado más de 1,200,000 casos, y se estima que más de 1,000,000 de personas han sido
infectadas por el VIH. En los EE.UU., más del 50% de los casos reportados de SIDA han fallecido y se espera que la
mayoría de los individuos infectados (90%) fallecerán, debido a complicaciones directamente asociadas con este tipo de
infección, dos o tres años después de exhibir síntomas severos del SIDA. El efecto de drogas terapéuticas como el AZT
ha sido mínimo en la prolongación de la vida de los enfermos con SIDA (si bien la calidad de vida ha mejorado). El
estudio de la dinámica del virus se ve complicado por una gran variedad de circunstancias.
Varios autores, entre los que se encuentran Castillo-Chávez et al. y Greenhalg et al., han desarrollado modelos que se
concentran exclusivamente en la transmisión sexual del SIDA.
Supongamos que los miembros de la población se combinan de una manera homogénea y que todos los individuos
infectados son infecciosos. Además, si bien se supone que la duración del período de infección es variable, en este modelo
todos los individuos infectados son igualmente capaces de transmitir la infección (es decir, son igualmente infecciosos) y
que la transmisión es a través de contactos homosexuales. En las secciones siguientes describiremos extensiones de este
modelo que incorporan heterogenidad en la mezcla de individuos y variabilidad en la capacidad de transmitir la infección.
La población de individuos se divide en tres clases epidemiológicas: S, la de los susceptibles; I, la de los infecciosos
asintomáticos; y A, la de los portadores (obviamente) sintómaticos. Se supone que los miembros de la clase A no son
sexualmente activos, y que, por lo tanto, son incapaces de transmitir el VIH sexualmente. Λ denota la tasa de reclutamiento
de susceptibles (no hay reclutamiento en los otros grupos); µ denota la tasa de remoción de la clase de individuos
sexualmente activos; d denota la tasa de mortalidad por el SIDA; λ denota el coeficiente de transmisión por amante
infeccioso; y C(T) denota el número promedio de parejas que un individuo típico puede tener por unidad de tiempo cuando
el número de individuos sexualmente activos es T = S +I. Generalmente C(T) es una función creciente de T cuando T es
pequeña y se satura cuando T es grande. El factor I/T denota la probabilidad de que un individuo elegido al azar sea
infeccioso. La incidencia (es decir, el número de casos nuevos de infección por unidad de tiempo) está dado por
consiguiente por λC(T)S(I/T); P(s) representa la probabilidad de que un individuo, dado que sobrevive, es infeccioso s
unidades de tiempo después de haberse infectado. P(s) es, por consiguiente, una función no negativa y no decreciente;
∞
además P(0) = 1, y se supone que ∫0 P(s)ds < ∞. Nótese que –P’ (x) denota la tasa de remoción de individuos del grupo
A, x unidades de tiempo después de haber sido infectados. El modelo con un período de incubación distribuído para la
transmisión sexual del VIH/SIDA es

𝑑𝑠(𝑡) 𝐼(𝑡)
= Ʌ − 𝜆𝐶(𝑇(𝑡))𝑆(𝑡) − 𝜇𝑆(𝑡)
𝑑𝑡 𝑇(𝑡)
𝑡
𝐼(𝑥)
𝐼(𝑡) = 𝐼0 (𝑡) + ∫ 𝜆𝐶(𝑇(𝑥))𝑆(𝑥) − 𝑒 −𝜇(𝑡−𝑥) 𝑃(𝑡 − 𝑥)𝑑𝑥,
0 𝑇(𝑥)
𝑡 𝑇
𝐼(𝑥)
𝐴(𝑡) = 𝐴0 (𝑡) + 𝐴1 𝑒 −(𝜇+𝑑)𝑡 + ∫ ∫ 𝜆𝐶(𝑇(𝑥))𝑆(𝑥) − 𝑒 −𝜇(𝑡−𝑥)
0 0 𝑇(𝑥)

[−𝑃′ (𝑡 − 𝑥)𝑒 −(𝜇+𝑑)(𝑡−𝑇) ]𝑑𝑥𝑑𝑇

donde las funciones (con soporte compacto) I0(t), A0(t), y la constante A1, tienen el objetivo de incorporar el conjunto de
condiciones iniciales necesarias.
Este modelo generaliza y extiende los modelos de Anderson et al. y de Anderson y May. Los resultados análiticos que
describimos a continuación generalizan y confirman los resultados locales y las simulaciones númericas para formas
específicas de P(s) y C(T(t)) (constantes) utilizadas por Blythe y Anderson. Nuestro modelo tiene dos estados atractores:
el estado libre de infección y el estado endémico.
Cuando P(s)e−αs, Castillo-Chávez et al., han demostrado que el estado libre de infección con coordenadas (Λ/µ,0,0) es un
estado globalmente asintóticamente estable si y solo si el número reproductivo básico R0 ≡ λC (Λ/µ)(1/µ+α )≤ 1. Por otro
lado, R0 > 1 garantiza la existencia de un estado endémico único, el cual es un atractor global para todas las soluciones
positivas. Otra vez R0 tiene un papel central en el estudio de la dinámica de este modelo. En los modelos epidemiológicos
clásicos C(T) es constante, por consiguiente; el teorema umbral correspondiente no depende del tamaño de la población
sexualmente activa. Nuestro resultado considera los efectos de la densidad de individuos en modelos para la transmisión
de enfermedades venéreas.
Los resultados que hemos establecido cuando P(s) es una función arbitraria (pero biológicamente razonable) son los
siguientes: el estado libre de infección es un atractor global siempre que el número reproductivo básico 𝑅0 =
Ʌ ∞
𝜆 𝐶 ( ) ∫0 𝑒 −𝜇 𝑃(𝑠)𝑑𝑠 ≤ 1. Si, por otro lado, se tiene que R0 > 1, entonces, el siguiente sistema (en el que se ignora la
𝜇
ecuación para A ya que esta no juega ningún papel en el análisis):

𝑑𝑠(𝑡) 𝑊(𝑡)
= Ʌ𝐶(𝑇(𝑡))𝑆(𝑡) − 𝜇𝑆(𝑡)
𝑑𝑡 𝑇(𝑡)
𝑡
𝑊(𝑥)
𝐼(𝑡) = ∫ 𝜆𝐶(𝑇(𝑥))𝑆(𝑥) − 𝑒 −𝜇(𝑡−𝑥) 𝑃𝐼 (𝑡 − 𝑥)𝑑𝑥,
−∞ 𝑇(𝑥)

tiene un estado endémico único, el cual es localmente asintóticamente estable.

Varios aspectos técnicos han sido omitidos en esta sección. Los resultados para la función arbitraria P(s) correspondiente
al caso R0 > 1 son locales y, por consiguiente, la región del espacio de los parámetros donde estos resultados son válidos
puede ser muy reducida. Esto obliga a tomar en consideración el efecto de las condiciones iniciales y, por consiguiente,
los resultados que obtenemos son válidos únicamente cuando las condiciones iniciales están “cerca” de los puntos de
equilibrio del sistema límite que acabamos de describir para todo tiempo t. Por otro lado, biológicamente observamos que
la infección se puede mantener en niveles endémicos si y solo si R0 > 1; por lo tanto, solo se consideran estrategias de
control que pueden reducir R0 por debajo de su valor crítico.
En el caso del SIDA, no es suficiente considerar una población homogénea, ya que la dinámica de la enfermedad puede
ser seriamente afectada por el hecho de que grupos diferentes de individuos tienen distintos tipos de comportamientos
sociales y sexuales (Brauer, 2015).
APLICACIÓN
Modelo Matemático de la Dinámica de Transmisión del VIH/SIDA en una Población Heterosexual Activa en el
Perú con Aplicación a la Salud Pública
Se presenta un modelo que explica la dinámica de transmisión de la enfermedad del Síndrome de Inmunodeficiencia
Adquirida (SIDA) entre parejas heterosexualmente activas donde se considera el uso de protección por medios naturales
y no naturales. Se estudia la sensibilidad del modelo con respecto a su estabilidad local, así como la introducción de una
estrategia de control para disminuir la propagación. Esto brinda un entendimiento dinámico del modelo con lo cual
permitirá tomar decisiones en el área de Salud Pública teniendo en cuenta el aspecto social y económico.
Resultados
Las simulaciones computacionales del Modelo Matemático, nos permiten poder ver el comportamiento que tiene el
modelo en un tiempo determinado, para lo cual recurriremos al cálculo numérico, y así poder aproximar la solución que
tiene el Sistema de Ecuaciones Diferenciales Ordinarias con lo cual tener su representación gráfica generada por los
parámetros que se introduce en el modelo (Pino, 2015).

Figura. Las gráficaas muestras diferentes escenarios cuando se emplea una estrategia de control (w)
para frenar el contagio de los suceptibles por los infectados.

MATLAB
Parámetros
Constante de inmigración B = 10000
Tasa de muerte natural de los susceptibles mu = 1/28
La tasa de conversión entre la infección hasta tener AIDS nu = 0.2
Proporción de HIV positivo que son infecciosos p=0.3
Tasa de muerte de los pacientes con AIDS d=1
Probabilidad de transmisión bet = 0.2
Número de parejas sexuales c = 5
Tiempo inicial t_inicial=0
Tiempo final t_final=30
Condiciones iniciales
x0=[85000 15000 0 0 100000 100000 0]
Parámetros
Constante de inmigración B = 15000
Tasa de muerte natural de los susceptibles mu = 1/30
La tasa de conversión entre la infección hasta tener AIDS nu = 0.1
Proporción de HIV positivo que son infecciosos p=0.4
Tasa de muerte de los pacientes con AIDS d=2
Probabilidad de transmisión bet = 0.3
Número de parejas sexuales c = 7
Tiempo inicial t_inicial=0
Tiempo final t_final=40
Condiciones iniciales
x0=[85000 15000 0 0 100000 100000 0]
Parámetros
Constante de inmigración B = 20000
Tasa de muerte natural de los susceptibles mu = 1/15
La tasa de conversión entre la infección hasta tener AIDS nu = 0.4
Proporción de HIV positivo que son infecciosos p=0.6
Tasa de muerte de los pacientes con AIDS d=3
Probabilidad de transmisión bet = 0.4
Número de parejas sexuales c = 7
Tiempo inicial t_inicial=0
Tiempo final t_final=50
Condiciones iniciales
x0=[85000 15000 0 0 100000 100000 0]
CONCLUSIÓN
Entender la dinámica del VIH/SIDA es complejo debido a la gran cantidad de variables y parámetros asociados con la
enfermedad tales como: La variación de las tasas de infección que dependen de cada uno de los grupos de alto riesgo
(homosexuales, heterosexuales, drogadictos, etc.); el periodo de incubación es largo antes de que se manifiesten los
síntomas y la infección depende de la evolución de la enfermedad en cada individuo.
Entender la dinámica de una enfermedad permite hacer un análisis para determinar los factores más sensibles de la misma,
lo que conduce a tener argumentos para la elaboración de estrategias de control sobre ellos.
BIBLIOGRAFÍA

 Boari, S. (2011). Simulaciones numéricas de atractores extraños. Dinámica No Lineal, Departamento de Física,
FCEyN, UBA.
 Escalona, M., Guillén, P. and Coutin, P. (2005). Análisis de la sincronización de señales EEG usando dinámica
no lineal. Scientific Journal from the Experimental Faculty of Sciences, 13(5).
 Información Tecnológica en la Web. (2007). Información tecnológica, 18(1).
 Lainscsek, C., Weyhenmeyer, J., Hernandez, M., Poizner, H. and Sejnowski, T. (2013). Non-Linear Dynamical
Classification of Short Time Series of the Rössler System in High Noise Regimes. Frontiers in Neurology, 4.
 Biomoléculas. (s.f.). Obtenido de MODELO CINÉTICO DE MICHAELIS-MENTEN:
https://www.uprm.edu/biology/profs/velez/modelo.htm
 Brauer, F. (2015). Modelos de la propagación de enfermedades infecciosas. Calí: Dirección de Investigaciones y
Desarrollo Tecnológico.
 Fernandez, J. (2007). Modelo matemático de la cinética y velocidad de hidratación del grano de maíz blanco
dentado durante la cocción alcalina. Superficies y Vacío, 4-6.
 Pino, N. (2015). Modelo Matemático de la Dinámica de Transmisión del VIH/SIDA en una Población
Heterosexual Activa en el Perú con Aplicación a la Salud Pública. ReserchGate, 1.