Vous êtes sur la page 1sur 25

UNIVERSIDAD NACIONAL DE LOJA

FACULTAD DE ENERGÍA, LAS INDUSTRIAS Y LOS RECURSOS


NATURALES NO RENOVABLES
Ingeniería en sistemas

MODELAMIENTO MATEMÁTICO

TRABAJO A DESARROLLAR

Tema:
Concepto modelamiento matemático, investigación sobre
ecuaciones para el cálculo y diseminación de enfermedades y
Resolución de ejercicios.

NOMBRE:
Angel Quizhpe

NOMBRE:

Ing. Jhon Pauta

CURSO:
9no “B”

FECHA:

13/ 08/ 2018


1. INTRODUCCIÓN
Un modelo matemático se define como una descripción desde el punto de vista de las
matemáticas de un hecho o fenómeno del mundo real, desde el tamaño de la población,
hasta fenómenos físicos como la velocidad, aceleración o densidad. El objetivo del
modelo matemático es entender ampliamente el fenómeno y tal vez predecir su
comportamiento en el futuro. En el presente trabajo se dará la definición de un modelo
matemático, características, clasificación, también se desarrollará ejercicios y
aplicaciones, ecuaciones del cálculo de la población y diseminación de enfermedades.

2. DESCRIPCIÓN
MODELO MATEMÁTICO
2.1 Definiciones

 Un modelo matemático describe teóricamente un objeto que existe fuera del


campo de las matemáticas. las previsiones del tiempo y los pronósticos
económicos, por ejemplo, están basados en modelos matemáticos. su éxito o
fracaso depende de la precisión con la que se construya esta representación
numérica, la fidelidad con la que se concreticen hechos y situaciones naturales en
forma de variables relacionadas entre sí [1].

 Un modelo matemático es una descripción, en lenguaje matemático, de un objeto


que existe en un universo no-matemático. Estamos familiarizados con las
previsiones del tiempo, las cuales se basan en un modelo matemático
meteorológico; así como los pronósticos económicos, basados éstos en un
modelo matemático referente a la economía.

2.2 Fases
Básicamente, en un modelo matemático advertimos 3 fases:

1) La construcción, proceso en el que se convierte el objeto a lenguaje matemático.


2) El análisis o estudio del modelo confeccionado.
3) La interpretación de dicho análisis, donde se aplican los resultados del estudio al
objeto del cual se partió.
2.3 Clasificación

CLASIFICACIONES DE LOS
MODELOS

Apoya en las definiciones de las causas o


Modelos Heurísticos los mecanismos naturales que originan el
fenómeno en cuestión
La información de
entrada Enfocado en el estudio de los resultados de
Modelos Empericos la experimentación.

Modelos cualitativos o Que pueden valerse de gráficos y que no


conceptuales buscan un resultado de tipo exacto.
El tipo de
representación
Modelos cuantitativos o Necesitan dar con un número preciso, para
lo cual se apoyan en fórmulas matemáticas
numéricos
de variada complejidad.
Según

Cuando los datos y los resultados se


Determinista conocen, por lo que no existe incertidumbre.

La aleatoriedad
Que devuelven la probabilidad de que se
Estocástico obtenga un cierto resultado y no el valor en
sí,

Que intenta adelantarse a un resultado en


Modelo de simulación o
una determinada situación, sea que ésta se
descriptivo pueda medir en forma precisa o aleatoria .

Que devuelven la probabilidad de que se


Su aplicación u Modelo de optimización obtenga un cierto resultado y no el valor en
objetivo sí,

A través del cual se pueden determinar los


Modelo de control ajustes necesarios para obtener un resultado
particular.
1. Interpretación de ejemplos del libro de funciones elementales para
construir modelos matemáticos
Ejemplo Funciones Reales
Ejemplo 1. Preparándose para recorrer la maratón
Un maratón es una prueba atlética de resistencia que consiste en correr a pie la
distancia de 42,195 km. Un atleta que se está preparando para participar de una
maratón ha registrado en su último entrenamiento las velocidades (en km/h) en
cada una de las tres horas en que realizó su práctica. Los registros se pueden
observar en el gráfico 2.2, donde en el eje horizontal se detallan los tiempos t y en
el eje vertical la velocidad v.

De acuerdo al gráfico 1 se puede conocer que el corredor DATOS


va aumentando su velocidad durante la primera hora y Tiempo Velocidad
media de entrenamiento y, luego, sigue corriendo a
0 0
velocidad constante. Cuatro horas después de comenzar 1.5 5
a correr empieza a disminuir su velocidad hasta finalizar 4 5
dicho entrenamiento a la hora 5. 5 0
Tabla 1: Datos
entrenamiento de un Atleta

A partir del gráfico 2.2, ¿es posible contestar las siguientes preguntas?
De acuerdo a la gráfica la velocidad dentro de una hora es 3.4 Km/h
1) ¿Cuál es la velocidad del atleta después de correr una hora?
2) ¿Cuándo alcanza por primera vez la velocidad de 5 km/h?
El atleta alcanza una velocidad de 5 km/h cuando han trascurrido 5 horas.
3) ¿En qué intervalo de tiempo mantiene el corredor la velocidad de 5 km/h?
Este intervalo es de 1.2≤t≤4
close all
clc, clear
tiempo=[0,1.5,4,5];
velocidad=[0,5,5,0];
hold on
plot(tiempo,velocidad)
xlabel('Tiemp(h)')
ylabel('Velocidad (km/h)')
grid on
title('Velociadades de
entrenamiento de un Atleta')
hold off

Grafico 1: Entrenamiento de un atleta.


Ejemplo 2. La siguiente tabla es una representación f.
ALUMNOS MATRICULADOS EN EL NIVEL
POLIMODAL/MEDIO EN ARGENTINA
Año Total de alumnos

2001 1.640.278

2002 1.649.332

2003 1.644.694

2004 1.575.653

2005 1.545.992

Tabla 2. Alumnos matriculados en el nivel polimodal/medio en Argentina

close all
clc, clear
Ano=[2001,2002,2003,2004,2
005];
1. Bibliografía TotalAlumno=[1640.278,1649
.332,1644.694,1575.653,154
5.992];
hold on
plot(Ano,TotalAlumno)
xlabel('Añio')
ylabel('Total Alumno
f(x)')
grid on
title('ALUMNOS
MATRICULADOS EN EL NIVEL
POLIMODAL/MEDIO EN
ARGENTINA')

hold off

Grafica 2. Alumnos matriculados en el nivel polimodal/medio en Argentina

Interpretación:
A partir de la gráfica 2 podemos obtener:
 El conjunto Dom f = {2001, 2002, 2003, 2004, 2005};
 El conjunto Img f = {1.640.278, 1.649.332, 1.644.694, 1.575.653,
1.545.992}
 En este problema ambas variables son cuantitativas, es decir se expresan
mediante cantidades numéricas.
 El número de alumnos que se matricularon en el polimodal en 2003, que es
1.644.694 representa la imagen por la función de x = 2003.
 En el año 2005 se registró el menor número de matrícula en este nivel de
enseñanza.
 La imagen del número 2001 es f (2001) = 1.640.278
 La matrícula en el nivel polimodal en Argentina fue decreciente en el
primer quinquenio de este siglo.

Ejemplos Funciones Lineales


Ejemplo 3. El trigo (Triticum spp) es una gramínea, que además de ser un
alimento para consumo humano se destina a la alimentación animal. La
propiedad más importante del trigo es la capacidad de cocción de la harina
debida a la elasticidad del gluten que contiene. Si completamos con trigo
un recipiente contenedor que mida un metro de lado en cada una de sus
bases y un metro de alto, es decir 1 m3 de volumen, el peso neto de dicho
contenedor es de 800 kg (figura 1).

Figura 1. Volumen m3 y Peso del trigo en Kg

La función P = f (x) que para cada medida x (m3) de volumen del


contenedor le asigna el peso P del mismo cuando se completa con trigo se
define como:

𝑃(𝑥) = 800𝑥

close all
clc, clear
Volumen=1:0.1:10;
Peso=800.*Volumen;
hold on
plot(Volumen,Peso)
xlabel('Volumen Trigo
m3')
ylabel('Peso del trigo
en Kg f(x)=800x')
grid on
title('Volumen y Peso
del Trigo')
hold off

Grafica 3. Volumen m3 y Peso del trigo en Kg

Interpretación
De acuerdo al grafico realizado podemos decir:
 A medida que incrementa el volumen el peso también incrementa.
 Cuando el volumen de 5 m3 el peso equivale a 4000kg.
 Cuando el Volumen es de 1 m3 el peso equivale a 1000kg
Ejemplo 4. Graficas de las rectas mediante las siguientes ecuaciones lineales.
a) 𝑓(𝑥) = 2𝑥
b) 𝑓(𝑥) = 2𝑥+1
c) 𝑓(𝑥) = 2𝑥-3

close all
clc, clear
x=-10:0.1:10;

hold on
y1=2*x;
y2=2*x+1;
y3=2*x-3;
plot(x,y1,x,y2,x,y3)
legend ('y1=2*x',
'y2=2*x+1','y3=2*x-
3');
xlabel('Valores en
x')
ylabel('Valores en
y')
grid on
title('Gráficas de
funciónes lineales')

hold off

Grafica 4. Funciones lineales.

Interpretación:
 En este caso todas las funciones lineales tienen igual pendiente (a = 2).
 Por ser esta pendiente positiva, ¿son crecientes o decrecientes estas funciones
lineales?
 En todos los gráficos se observa que el valor de b corresponde a la imagen del
origen x = 0 (f (0) = b).
 Para valores positivos b, la recta y = ax + b corta al eje y positivo.
 Para valores negativos b, la recta y = ax + b corta al eje y negativo.
 Si b = 0, la recta y = ax + b pasa por el origen de coordenadas.

Ejemplos Funciones Cuadráticas

Ejemplo 5. Se dispone de 40 m de alambre para rodear un cantero rectangular donde se


va a realizar la plantación de rosales en un parque público. ¿Cuáles deben ser las
dimensiones del cantero para que la superficie con césped resulte la máxima posible?
A través de la función cuadrática S(x) = -x2 + 20x, obtenemos:

Largo x del 0 5 8 10 14 17 20
cantero (m)
Superficie S 0 75 96 100 84 51 0
ocupada (𝑚2 )
Tabla 3. Valores de la superficie.

close all
clc, clear
x=0:0.1:20;
hold on
y=(-x.^2)+(20*x);
a=[0,5,8,10,14,17,20];
b=[0,75,96,100,84,51,0];
plot(x,y,a,b,'r*')
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Gráfica de la
función
cuadratica')
hold off

Grafica 5. Grafica función cuadrática

Interpretación:

 Cuando los del largo son de 0 m y 20 m el área de la región ocupada es de 0 m2


ya que en ese caso no estaríamos conformando ningún rectángulo, sólo sería una
línea de 40 m de alambre.
 Como cualquier valor de número real entre 0 y 20 sería posible para el largo del
cantero, es correcto conectar los puntos con una curva continua, todos los puntos
de esta función cuadrática pertenecen a la curva que se denomina parábola.
 Si ubicamos en un sistema de coordenadas los pares ordenados (x, y) que verifican
esta función cuadrática S, y adicionamos algunos más para ayudarnos a
determinar la forma, obtenemos el gráfico 5.

Ejemplo 6. El origen de los juegos de pelota, entre los que se encuentran el tenis, se
remonta a las culturas griega, romana y egipcia. De hecho, la palabra raqueta surge del
término árabe rahat, que quiere decir palma de la mano. Hay registros del siglo XI en que
los monjes jugaban en los monasterios a algo parecido al tenis. En poco tiempo se pasó
de los claustros a los palacios.
Un fabricante de raquetas de tenis ha determinado que el costo unitario C(x) (en dólares)
por la producción de x raquetas por día se puede modelizar por:

𝐶(𝑥) = 0.01𝑥 2 − 4𝑥 + 500

Donde C(x) representa los costos unitarios en $ y la capacidad de producción del


fabricante es de 300 raquetas diarias.

close all
clc, clear
x=0:0.1:350;
hold on
y=((0.01*x.^2)-(4*x)+500);
plot(x,y)
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Gráfica de la
función cuadratica')
hold off

Grafica 6. Grafica costo raqueta de tenis.

Interpretación:
 Para esta situación, el conjunto Dom C(x) = {x ∈ R / 0 ≤ x ≤ 300} y la unidad
de medida de la variable independiente es el número de raquetas diarias
producidas.
 Este valor nos indica que para la venta le conviene en realidad realizar
solamente 200 raquetas, de este modo el costo unitario de las mismas era
menor.

Ejemplos Funciones Exponenciales


Ejemplo 7. Graficas de funciones exponenciales en base a las siguientes expresiones
algebraicas.

a) 𝒇(𝒙) = 𝟓𝒙
𝟏 𝒙
b) 𝒚 = ( )
𝟑
c) 𝒚 = −𝟐 + 𝟓𝒙
close all
clc, clear
x=0:0.01:3;
hold on
y1=(5.^x);
y2=((1./3).^x);
y3=(-2+((5).^x));
plot(x,y1,x,y2,x,y3)
legend ('y1=(5.^x)',
'y2=((1./3).^x)','y3=(-
2+(5.^x))');
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Gráficas de
funciónes lineales')
hold off

La función exponencial es un modelo válido para crecimientos o decrecimientos


continuos en los que las condiciones son siempre igualmente favorables o
desfavorables.

Ejemplo 8. Graficamos 𝑓(𝑥) = 2𝑥

close all
clc, clear
x=0:0.01:3;
hold on
y=(2.^x);
plot(x,y)
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Gráficas de la
función cuadratica')
hold off

Grafica 8. Representación ecuación diferencial.

Interpretación:
 Por la definición de potencias para distintos exponentes, se puede obtener 2𝑥 para
cualquier número real x entonces Dom f = R.
 También por la definición de potencia de base 2 para distintos exponentes x se
verifica que f (x) > 0 entonces Img f = (0, +∞).
 El punto (0;1) pertenece al gráfico de la función ya que f (0) = 20 = 1
Ejemplos Funciones Logarítmica
Ejemplo 9. Graficamos y 𝑙𝑜𝑔2 𝑥 como inversa dela función exponencial 𝑦 = 2𝑥 ,
utilizando las propiedades de los gráficos de dos funciones inversas.
close all
clc, clear
x=-3:0.01:3;
hold on
y=(2.^x);
y1=log2(x);
plot(x,y1,x,y)
legend ('y1=logx',
'y=(2.^x)');
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Gráficas de funciónes
Logarítmica y Exponencial')
hold off

Grafica 9. Función exponencial y logarítmica.

Interpretación:

 Dom f = (0 , +∞) e Img f = R;


 el punto (1,0) pertenece al gráfico de la función ya que f (1) = 𝑙𝑜𝑔2 1 = 0. Por
adiiotra parte este par ordenado es simétrimaico del (0,1) que pertenece al
gráfico de asldla función exponencial inversa 𝑦 = 2𝑥 .
 El gráfico de la función logarítmica y = 𝑙𝑜𝑔2 x es creciente para todo valor
positivo de la variable independiente
1
Ejemplo 10. Graficamos 𝑦 = 𝑙𝑜𝑔1 x como inversa de la función exponencial 𝑦 = (2 )𝑥
2

close all
clc, clear
x=-3:0.01:10;
x1=0:0.01:10;
hold on
y=(1./2).^x;
y1=log2(x1);
plot(x1,y1,x,y)
legend
('y1=log2','y=(1./2).^x');
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Gráficas de funciónes
Logarítmica y Exponencial')
hold off

Grafica 10. Función exponencial y logarítmica.

Interpretación:

 Dom f = (0 , +∞) e Img f = R.


 El punto (1,0) pertenece al gráfico de la función ya que Graficamos 𝑦 = 𝑙𝑜𝑔1 1=0,
2
por otra parte este par ordenado es simétrico del (0,1) que pertenece al gráfico de
1
la función exponencial inversa 𝑦 = (2 )𝑥
 El gráfico de la función logarítmica 𝑦 = 𝑙𝑜𝑔1 x es decreciente para todo valor
2
positivo de la variable independiente x.

Ejemplos Funciones Trigonométricas


Ejemplo 11. En el gráfico 7.1 vemos cómo varía la profundidad del agua de un puerto a
lo largo de un día.
close all
clc, clear
x=0:0.01:10;
y=sin(x)+4;
hold on
plot(x,y)
xlabel('horas')
ylabel('Prof. de
agua')
grid on
title('Profundidad
del agua')
hold off

Grafica 11. Profundidad del agua.

Interpretación:

 La pleamar se produce, aproximadamente, dos veces al día: a las 1.50 h de la


mañana y a las 7.9 h.
 la bajamar se produjo durante el día registrado aproximadamente a las 4,7 h
 el nivel del agua está subiendo desde la medianoche hasta alcanzar la primera
pleamar, a las 3h.
Ejemplo 12. A partir del gráfico de la función y = cos t, y utilizando las propiedades del
gráfico de la suma de funciones ¿Cuál es el gráfico de la función y = cos t + 2?

close all
clc, clear
x=0:0.01:10;
y=cos(x);
y1=cos(x)+2;
hold on
plot(x,y,x,y1)
legend
('y=cos(x)','y1=cos(x)+2');
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Funciones
trigonometricas')
hold off

Grafica 12. Funciones trigonométricas cos (t) y cos(t)+2.


Interpretación:
 La función y = cos t + 2, es una función que resulta de sumar dos unidades a la función y
= cos t, entonces su gráfico se obtendrá desplazando cada valor de la curva que representa
al gráfico de y = cos t dos unidades hacia arriba.
 el conjunto dominio de la función f (t) = cos t + 2 es Dom f = R y el conjunto imagen es
Img f = [1;3];
 El conjunto dominio de esta función f (t) = cos t + 2 es igual al dominio de la función y
= cos t;

2. Resolución de ejercicios del libro de funciones elementales para construir


modelos matemáticos

Ejercicio 1. Modelizar, mediante una función que describa el precio P de un kilogramo de


manzana en función del día x del año, el siguiente informe brindado desde la provincia de Río
Negro.

Informe
• En el primer mes del año el precio se mantuvo estable en $1,00 por kilogramo.
• En la última quincena del mes de febrero comenzó a bajar hasta que el día 10 de abril,
cuando alcanzó un precio de $0,50 por kg.
• El precio de $0,50 por kg se mantuvo constante hasta finalizar el mes de mayo.
• A partir de junio se registró un aumento sostenido en el precio que permitió vender la
manzana a $2,00 el kg el 15 de octubre.
• A fines de noviembre nuevamente el precio comenzó a decrecer, siendo a fin de
diciembre de $1,20 por kg.
Solución
DATOS
Tiempo Velocidad
30 1.00
45 0.50
150 0.50
300 2.00
330 1,20

Tabla 4. Precio de un kilo de manzana en días.

close all
clc, clear
mes=[0,0,30,45,150,300,330];
Precio=[0,1.00,1.00,0.50,0.50,2.
00,1.20];
hold on
plot(mes,Precio)
xlabel('Tiempo en dias')
ylabel('Presion en $')
grid on
title('Precio de un kilogram de
manzanas')
hold off

Figura 1. Precio de un kilo de manzana en días.


Ejercicio 2. En un mismo sistema de coordenadas, graficar las siguientes funciones lineales:
 𝒇(𝒙) = 𝟐
 𝒇(𝒙) = 𝟐𝒙
 𝒇(𝒙) = 𝟐𝒙 + 𝟑
 𝒇(𝒙) = 𝟐𝒙 − 𝟏
 𝒇(𝒙) = 𝟐𝒙 − 𝟏

close all
clc, clear
x=-10:1:10;
hold on
y1=2;
y2=2*+x;
y3=(2*x)+3;
y4=(2*x)-1;
plot(x,y1,x,y2,x,y3,x,y4
)
legend
('y2=2x','y2=2x','y3=2x+
3','y4=2x-1');
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Gráficas de
funciónes Lineales')
hold off

Figura 2. Funciones lineales.

Interpretación:
 Las rectas 𝒇(𝒙) = 𝟐𝒙, 𝒇(𝒙) = 𝟐𝒙 + 𝟑, 𝒇(𝒙) = 𝟐𝒙 − 𝟏, tienen la misma
pendiente ya que todas ellas son rectas paralelas.
 Con la primera función no es posible f(x)=2 La pendiente es cero.
Ejercicio 3. La siguiente es información que publica la Secretaría de Agricultura,
Ganadería, Pesca y Alimentos en su página web http://www.sagpya.gov.ar/

La trucha arco iris (cuyo nombre científico es Oncorhynchus mykiss) pertenecente a la


familia salmonidae y en Argentina se encuentra en ríos y lagos de la Patagonia, redes
hidrográficas de Cuyo y NOA; son poblaciones provenientes de siembras. Se trata de una
especie exótica, nativa de la costa este del Pacífico y fue introducida en el país durante
los primeros años del siglo XX, por acciones emprendidas por el gobierno nacional, que
creó para la obtención de desoves y alevinos, una Estación Base en San Carlos de
Bariloche. Se la considera una especie carnívora, siendo su alimentación de tipo variado
y consistente principalmente en invertebrados, fundamentalmente larvas de insectos y
crustáceos. Como su manutención es por siembras, su pesca comercial está prohibida.

Dentro del proceso iniciado de sembrado de truchas, en 1990 se introdujeron 100


individuos de esta especie en un lago ubicado en la zona cordillerana de Argentina, en el
cual no había registros de su existencia. Al principio la población comenzó a crecer
rápidamente, pero luego distintos factores, entre ellos la falta de alimentos, determinó un
decrecimiento. El número de estos salmónidos para cada año t si consideramos t = 0 al
año 1990, se puede modelizar por:

S (t) = -1(t + 5)(t - 20)

a) Graficar la función desde t = -10 hasta t = 30

close all
clc, clear
t=-10:0.01:30;

hold on
s=((-1).*(t+5)).*(t-
20);
plot(t,s)
xlabel('Valores en t')
ylabel('Valores en s')
grid on
title('Gráficas de
función pesca y
alimentos')
hold off

Figura 3. Producción de truchas.

b) Indicar, a partir del gráfico, el dominio de la función S para este problema


El dominio de la función corresponde: -10 ≤ 𝑡 ≤ 30
c) ¿En qué año la población de truchas fue máxima? En dicho año, ¿cuántos
ejemplares había?
Como se puede observar la producción de truchas fue máxima de 5 a 10 años.
d) ¿En qué año comenzó a decrecer la población de truchas?
La producción de truchas empezó a decrecer en el año 10.

Ejercicio 4. La función que representa el crecimiento del peso de un pollo en los primeros
50 días de vida, si se conoce que el peso del mismo en el momento de su nacimiento es
de 50 g y que el aumento diario del peso es de un 8%, se escribe como P(x) con:

𝑃 (𝑥) = 50. (1,80)𝑥 𝑐𝑜𝑛 0 ≤ 𝑥 ≤ 50


Graficar e interpretar.

close all
clc, clear
x=0:0.01:50;
hold on
y=50*((180).^x);
plot(x,y,'r')
xlabel('Valores en
x')
ylabel('Valores en
y')
grid on
title('Crecimiento
peso de un pollo')
hold off

Figura 4. Crecimiento de un pollo.

 La base de la función exponencial que modeliza el aumento de peso del pollo es


a = 1,08, entonces es una función exponencial creciente;
 La base de la función exponencial que modeliza el aumento de peso del pollo es
a = 1,08, entonces es una función exponencial creciente;
 Por definición, este modelo sólo es válido para 0 £ x £ 50, entonces podemos
predecir que después de 50 días de su nacimiento el pollo alcanzará un peso de
2.345g.

Ejercicio 5. Un elemento radiactivo que decae en su crecimiento f (t) después de un


tiempo t en años, satisface la fórmula 𝑓(𝑡) = 60.2−0.02∗𝑡

close all
clc, clear
t=100:0.01:2500;
hold on
y=(60.2).^((-0.02)*t);
plot(t,y,'r')
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Decrecimiento de
un elemento radiactivo')
hold off

Figura 5. Decrecimiento de un elemento radiactivo.


a) ¿Cuál es la cantidad de este elemento al inicio del proceso?
2.7594e-04
b) ¿Qué cantidad queda después de 500 años?
1.5997e-18
c) ¿Qué cantidad queda después de 1.000 años?
2.5590e-36
Ejercicio 6. Una aplicación de la física: Movimiento armónico simple.
Si un cuerpo está vibrando verticalmente, la función f (t) que mide (en cm) la distancia
dirigida del cuerpo desde su posición central, que consideramos el origen, después de t
segundos, siempre que el sentido positivo sea considerado hacia arriba es:
𝝅
𝒇(𝒕) = 𝟖𝒄𝒐𝒔 ( 𝒕)
𝟑

close all
clc, clear
t=-6*pi:0.01:6*pi;
hold on
y=8*cos((pi./3)*(t));
plot(t,y,'r')
xlabel('Valores en x')
ylabel('Valores en y')
grid on
title('Decrecimiento
de un elemento
radiactivo')
hold off

Figura 7. Movimiento armónico simple

 La amplitud del movimiento es 8 cm, lo que indica que será el máximo


desplazamiento;
2𝜋
 El período es 𝜋 , es decir 6, lo que indica que se requiere que transcurran 6
3
segundos para una vibración completa del cuerpo;
 inicialmente, el cuerpo se encuentra 8 cm sobre el origen, que es la posición
central, en el primer segundo baja
𝝅
𝒇(𝒕) = 𝟖𝒄𝒐𝒔 ( 𝒕)
𝟑

esto significa que la altura del cuerpo es de 4 cm sobre el origen, aproximadamente.


3. Modelos matemáticos de poblaciones y diseminación de enfermedades

MODELO CÁLCULO DE POBLACIÓN


La dinámica de poblaciones es uno de los temas de mayor importancia para
entender el desarrollo temporal y espacial de los grupos de organismos de la
misma especie que se desarrollan en distintos ambientes. En términos prácticos,
interesa para el manejo de plagas agrícolas, para comprender la epidemiologia de
numerosas enfermedades, para estimar densidades pesqueras, para manejar
poblaciones silvestres, etc. Para realizar este estudio, en primer lugar, definimos
lo que es una población [2].

Una población es un grupo de organismos de la misma especie, que habitan un


lugar determinado, en el cual utilizan recursos y se reproducen. Este grupo de
organismos está caracterizado por una serie de propiedades que son propias.

Ejemplo:

 Una población de 1000 individuos. se han producido en una unidad de


tiempo 20 nacimientos y por tanto la natalidad del grupo es 20/1000.

También se puede hablar de otras propiedades de la población como: densidad,


tasa de crecimiento, tasa de mortalidad y natalidad, distribución espacial,
distribución por sexo, por edades, tipo de crecimiento, variabilidad genética, etc.

Natalidad y Mortalidad: La natalidad y mortalidad son características propias


de cada población y se miden en tasas que corresponden al número de nacimientos
y muertes que se producen en una población por unidad de tiempo. Esta unidad
de tiempo es distinta de toda población, y se conoce como tiempo característico.

denominamos por 𝒃 y 𝒅 la tasa de natalidad y mortalidad, respectivamente. estos


parámetros son propios de cada población.

la expresión de b y d en función del número total (n) de individuos del grupo y de


un periodo de tiempo ∆𝒕, es:

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑛𝑎𝑡𝑎𝑙𝑖𝑑𝑎𝑑 ∗ ∆𝑡 ∗ 𝑁 = 𝑏 ∗ ∆𝑡 ∗ 𝑁


𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑚𝑢𝑒𝑟𝑡𝑒𝑠 = 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑚𝑜𝑟𝑡𝑎𝑙𝑖𝑑𝑎𝑑 ∗ ∆𝑡 ∗ 𝑁 = 𝑑 ∗ ∆𝑡 ∗ 𝑁
Si denotamos por 𝑁𝑏 y por 𝑁𝑑 el número de nacimientos y muertes
respectivamente, entonces
𝑁𝑏 𝑁𝑑
𝑏 = 𝑁∆𝑡 𝑑 = 𝑁∆𝑡

Estos parámetros son fundamentales para usar en algunos modelos.


Modelo exponencial o Modelo de Mathus
La ley de Malthus (o de crecimiento exponencial) dice que el número de
individuos de la población en el instante t, P(t) verifica la ecuación diferencial:
𝑃′ (𝑡) = 𝑘𝑃(𝑡)

La solución general de esta ecuación viene dada por


𝑃(𝑡) = 𝐶𝑒 𝑘𝑡
(de aquí el nombre exponencial con que también se conoce al modelo). En esta
expresión hay dos constantes que no se conocen (de momento): k y C.
Ejemplo 1: El crecimiento de una ciudad, es proporcional al número de habitantes
que hay en un instante cualquiera. Si la población inicial es de 400.000; y al cabo
de tres años es de 450,000. ¿Cuánto tardará en duplicarse? ¿Qué población habrá
en 10 años?
Solución:
Obedece a una ecuación diferencial de este tipo:
𝑑𝑃
= 𝐾𝑃
𝑑𝑡
Como se trata de crecimiento poblacional la solución a esta ecuación diferencial
va a estar dada por la función:
𝑃(𝑡) = 𝑃𝑜 𝑒 𝑘𝑡 como es crecimiento la exponencial es positiva
Datos del ejercicio:
𝑃𝑜 = 400000 habitantes
𝑡 = 3 𝑎ñ𝑜𝑠  P=450.000 habitantes
𝑎) 𝑡 =? → 𝑃 = 800000 ℎ𝑎𝑏𝑖𝑡𝑎𝑛𝑡𝑒𝑠
𝑏) 𝑃 =? → 𝑡 = 10 𝑎ñ𝑜𝑠
1. Calculamos la constate k
450000 = 𝑒 𝑘(3)
450000 9
= 𝑒 𝑘(3)  8=𝑒 𝑘(3)
40000

Despejamos k
9
𝐼𝑛 (8) = 𝐼𝑛𝑒 3𝑘 −→ 𝑖𝑛(1.125) = 3𝑘
ln(1.125)
𝑘=  𝑘 = 0.03926
3

𝑃(𝑡) = 400000𝑒 0.03926𝑡


a) 800000=400000𝑒 0.03926𝑡
2=𝑒 0.03926𝑡 𝐼𝑛(2) = 𝐼𝑛𝑒 0.03926𝑡
𝐼𝑛(2)
𝑖𝑛(2) = 0.03926𝑡 𝑡 = 0.03926

𝑡 = 17.655 𝑎ñ𝑜𝑠 Rta.


b) 𝑡 = 10 𝑎ñ𝑜𝑠 → 𝑃 =?
𝑃(𝑡) = 4000000𝑒 0.03926𝑡
𝑃(𝑡) = 4000000𝑒 0.03926(10)
𝑃(𝑡) = 4000000𝑒 0.3926
𝑃(𝑡) = 4000000(1.4808) → 𝑃 = 592330 ℎ𝑎𝑏𝑖𝑡𝑎𝑛𝑡𝑒𝑠.

close all
clc, clear
t=0:0.01:15;
t1=10;
hold on
p=400000*exp((0.039
26)*t);
p1=(400000)*exp(0.0
3926*t1);
plot(t,p,t1,p1,'r*'
)
xlabel('Tiempo en
Años')
ylabel('Población')
grid on
title('Crecimiento
de una ciudad')
hold off

Figura ejercicio1: Crecimiento poblacional

Ejemplo 2: En un modelo de crecimiento poblacional se encontró que la función que


define dicho crecimiento es:
𝑃 = 500𝑒 2𝑡
Donde P es el número de individuos y t en años.
La población se habrá duplicado al cabo de:
a) 0.5 años
b) 0.35 años
c) 3.5 años
d) 2 años

Solución:
𝑃 = 500𝑒 𝑡 100 = 500𝑒 𝑡

𝑃 100
= 𝑒 2𝑡 = 𝑒 2𝑡
500 500
𝑃 2 = 𝑒 2𝑡
𝐼𝑛 = 𝐼𝑛𝑒 2𝑡
500 𝐼𝑛(𝑒 2𝑡 ) = 𝐼𝑛2
𝑃
𝐼𝑛 = 2𝑡𝐼𝑛𝑒 2𝑡𝐼𝑛𝑒 = 𝐼𝑛2
500
2𝑡 = 𝐼𝑛2
𝐼𝑛2
𝑡= = 0.35
2

close all
clc, clear
t=0:0.01:10;
t1=0.5;
t2=0.35;
t3=3.5;
t4=2;
hold on
p=500*exp(t);
p1=500*exp(t1);
p2=500*exp(t2);
p3=500*exp(t3);
p4=500*exp(t4);
plot(t,p,t1,p1,'r*')
plot(t2,p2,t3,p4, 'r*')
plot(t4,p4,'r*')
xlabel('Tiempo en Años')
ylabel('Población')
grid on
title('Crecimiento de una
ciudad')
hold off

Figura ejercicio 2: Crecimiento población.

DISEMINACIÓN DE ENFERMEDADES
El objetivo que perseguimos ahora es determinar qué proporción de la población total
será infectada y por cuánto tiempo, usando un modelo matemático que incorpore en su
estructura los mecanismos de transmisión que consideramos importantes. Iniciamos la
formulación del modelo dividiendo a la población en tres subclases que serán designadas
con las letras S, I y R. S(t) denotará el número de individuos susceptibles de contraer la
enfermedad al tiempo t, I(t) el número de individuos capaces de transmitirla; es decir,
individuos infecciosos, y R(t) el número de individuos que han perdido la posibilidad de
ser infectados; ya sea por haber sido convenientemente aislados del resto, por haber sido
inmunizados o por haber fallecido a consecuencia de la enfermedad. R(t) es, pues, el
número de individuos removidos o retirados de la población al tiempo t. Aunque los
factores por los cuales un individuo entra a este último compartimiento son diversos desde
un punto de vista epidemiológico, todos son matemáticamente equivalentes ya que en
nuestro modelo los individuos en R(t) no contribuyen a la posterior trasmisión de la
enfermedad. Como se observó anteriormente, uno de los primeros modelos elaborados
para tratar de explicar los rápidos cambios (incrementos y decrementos) en las tasas de
enfermos durante brotes epidémicos, fue propuesto por Kermack y McKendrick.

El modelo en cuestión es el siguiente:

El modelo SIR se basa además en las siguientes hipótesis: La población se mantiene


constante, es decir, no se tienen en cuenta los nacimientos y muertes que se producen a
lo largo del desarrollo de la enfermedad. Si denotamos por N a la población total de
individuos tenemos que la suma del número de individuos de cada uno de los 3 grupos es
igual al total de la población:

La enfermedad se transmite por contacto directo entre las personas.

En cuanto un individuo es infectado pasa a estar en el grupo de los infectados.

Los individuos del grupo I(t) se acaban recuperando de la enfermedad y adquieren la


inmunidad o mueren (pasando en ambos casos al grupo R(t)). La tasa de infección, que
determina el número de individuos por unidad de tiempo que se transaron del
compartimento de susceptibles al de infectados, es proporcional al producto S(t) *I(t) [3].
Para empezar, despejamos I(t) de (4.2):

Ejemplo: En una población de 5000 personas, se cuenta con 10 enfermedades. Si la


constante de propagación es de 0.2 infectados, calcule el tiempo en el que tardaría en
propagarse la enfermedad.

Solución:
Obtención de la formula. Integrando por fracciones parciales
tenemos
En una determinada población está dada
1 1
por la siguiente ecuación diferencial: ∫ − 𝑑𝑥
(𝑛 + 𝑎)(𝑥 − 𝑛 + 1) (𝑛 + 1)𝑥
𝑑𝑥
= 𝑘𝑥(𝑛 + 1 − 𝑥) = ∫ 𝑘𝑑𝑡
𝑑𝑡

Despejando Entonces nos queda


𝑑𝑥 𝐼(|𝑥|) − 𝐼𝑛(|𝑥 − 𝑛 − 1|)
= 𝑘𝑑𝑡 + 𝐶 = 𝑘𝑡
𝑥(𝑛 + 1 − 𝑥) 𝑛+1

Datos del problema: Utilizando la fórmula:


N=5000 𝐼(|𝑥|)−𝐼𝑛(|𝑥−𝑛−1|) 𝐼(|20|)−𝐼𝑛(|20−15000−1|)
+ 𝐶 = 𝑘𝑡  + 𝐶=
𝑛+1 15000+1
X=10 (0.2)(50)
K=0.2 −4.41 ∗ 10−9 + 𝑐 = 10
t=? 𝑐 = 10
Condiciones iniciales Por lo tanto:
N=15000 𝐼(|10|)−𝐼𝑛(|10−5000−1|)
5000+1
+ 10 = (0.2)(50)
X=20
9.998
K=0.2 =𝑡
0.2
t=50 𝑡 = 50
Modelo Logístico close all
clc, clear
x=0:0.01:30;
x1=10;
k=0.2;
hold on
t=(((log(x)-log(x-5000-
1))./(x+1))+x)./k;
t1=(((log(x1)-log(x1-5000-
1))./(x1+1))+x1)./k;
plot(x,t,x1,t1,'r*')
xlabel('Tiempo')
ylabel('Población')
grid on
title('Propagacion de
Enfermedad')
hold off

Figura: Diseminación de enfermedades

Modelo Logístico
𝒅𝒚
= 𝒂𝒚 − 𝒃𝒚𝟐
𝒅𝒕
𝒌
𝒚=
𝟏 + (𝑲 − 𝟏)𝒆−𝒂𝒕
Ejemplo: Tomando un 𝑎 = 0.08/𝑚𝑒𝑠 un b=0.003, k=26.7 por tanto, Entonces en
tiempo de duplicación seria:
𝟐𝟔. 𝟕
𝟐
𝟏 ∗ 𝟐𝟓. 𝟕𝒆−𝟎.𝟐𝟓
lo que implica el tiempo de duplicación sería:
𝑡 = 9.16
close all
clc, clear
t=0:0.01:30;
a=-0.08;
k=26.7;
hold on
y=(k)./((1+(k-1)*(exp(-
a*t))));
plot(t,y)
xlabel('Tiempo')
ylabel('Población')
grid on
title('Propagacion de
Enfermedad')
hold off

Grafica Ejercicio 2: Diseminación de enfermedades


4. Bibliografía:
[1] J. P. P. y A. Gardey, “MODELO MATEMÁTICO,” Definición.DE, 2012.
[Online]. Available: https://definicion.de/modelo-matematico/.
[2] Mármol Gómez M., “Modelos Matemáticos de Poblaciones,” Univ. Sevilla, p. 19,
2007.
[3] F. Brauer et al., “Modelos de la Propagación de Enfermedades Infecciosas,” no.
November, pp. 1–180, 2014.

Vous aimerez peut-être aussi