Aplicaciones de las EDO de primer orden en

ingeniería: Crecimiento Poblacional Logístico

Resumen abarca una variedad de aspectos amplios y diversos.
Sin embargo, los mayores esfuerzos se han centrado
El objetivo de este artículo es demostrar la utilidad de en los modelos de población en el tiempo y/o espacio.
una alternativa en el análisis del modelo logístico. En
este contexto, se pretende que el área de Biología, al Uno de los patrones de crecimiento más simples
estudiar el crecimiento poblacional, utilice el modelo observados en las poblaciones naturales se conoce
logístico a través de un análisis detallado de sus como crecimiento logístico, el cual se representa con
parámetros. Asimismo, se muestra mediante una una curva sigmoidea o en forma de S. Este tipo de
actividad práctica de crecimiento poblacional de crecimiento incluye varias fases: una fase inicial de
ciertos organismos una forma accesible y detallada de establecimiento donde el crecimiento de la población
obtener un modelo logístico, así como la es relativamente lento, seguida de una fase de
aceleración rápida. Posteriormente, a medida que la
interpretación adecuada y precisa de cada uno de los
población se aproxima a la capacidad de carga del
valores de los parámetros involucrados en el modelo
ambiente, la tasa de crecimiento se vuelve más lenta y
con el propósito de mejorar. la producción animal. finalmente se estabiliza, aunque pueden ocurrir
Concluimos que el uso y análisis adecuados de fluctuaciones alrededor de la capacidad de carga.
prácticas de laboratorio, de campo o de problemas de
simulación que reflejan el crecimiento poblacional, es La función logística, o curva logística, es una función
decir, el comportamiento logístico, ayudará a matemática que aparece en diversos modelos de
disponer de las herramientas necesarias y suficientes crecimiento poblacional, propagación de
para encontrar un buen modelo matemático que enfermedades epidémicas y difusión en redes sociales.
pueda proporcionar Información importante para la Con la función logística se pueden modelar, entre
toma de decisiones, ayudando a mejorar la otros:
producción biológica.
- Crecimiento poblacional en un ambiente con
Palabras clave recursos limitados.
- Ventas de un producto donde el total de ventas tiene
Modelo logístico, parámetros, crecimiento un límite.
poblacional, actividad educativa. - Tiempo de respuesta a medicamentos en pacientes.
- La población de animales en una isla.
- El número de bacterias en una caja de Petri.

I. INTRODUCCIÓN El uso adecuado de la modelación logística permite

La modelación matemática ha ganado una relevancia predecir y gestionar eficientemente estos y otros
esencial al vincular el estudio de diferentes ciencias, fenómenos, proporcionando herramientas cruciales
tales como biología, física y química, con las para la toma de decisiones informadas en diversas
matemáticas, promoviendo un aprendizaje más disciplinas.
significativo y efectivo. De esta manera, la modelación
matemática se presenta como un eje central en la Limitaciones del Modelo de Malthus y el Modelo
predicción y toma de decisiones sobre fenómenos Logístico
sociales y naturales, ya que una buena interpretación
de un modelo matemático puede conducir a resultados El modelo de Malthus, a pesar de su simplicidad y
exitosos, mientras que una mala interpretación puede utilidad inicial, presenta muchas limitaciones. Por
resultar en grandes pérdidas. ejemplo, predice que una población crecerá
exponencialmente con el tiempo, lo cual no ocurre en
En la actualidad, el uso de modelos matemáticos en la la realidad. Si una especie dispone de todos los
gestión de plagas y enfermedades de los cultivos recursos necesarios para vivir, como espacio, aire y
alimentos, su crecimiento será exponencial. Sin
embargo, cuando los recursos son limitados, se
produce competencia para acceder a ellos (conflictos,
guerras, supervivencia del más fuerte) y la tasa de
crecimiento no se mantiene constante. Por esta razón,
al modelo de Malthus se le denomina de crecimiento
irrestricto.

Para abordar estas limitaciones, Pierre François

Verhulst introdujo en 1838 el modelo de crecimiento Fig. 1 Curva de crecimiento logístico [3]
logístico. Este modelo supone que la tasa de
crecimiento es proporcional tanto a la población
misma como a la cantidad faltante para alcanzar la La solución de la ecuación está acotada por tiempo
población máxima sustentable. Matemáticamente, el a infinito, si se arregla esa ecuación en la forma dP/dt=
modelo logístico se expresa como: aP-bP2 el término no lineal -bP2 se puede interpretar
como un término de inhibición o competencia, siendo
𝑑𝑃 en la mayoría a mayor que b.[2]
= 𝑃(𝑟 − 𝑟 𝐾 )
𝑑𝑡
donde: La solución de la ecuación logística (5) se realiza por
separación de variables:
• 𝑃 ( 𝑡 )es la población en el tiempo t.
• 𝑟 es la tasa de crecimiento intrínseca.

• 𝑘 es la capacidad de carga del ambiente, es (6)

decir, la máxima población que el ambiente
puede sostener Por fracciones parciales con integral definida se
resuelve:
SOLUCION DE LA ECUACIÓN DIFERENCIAL
LOGÍSTICA:

Todo comenzó suponiendo P(t) es el tamaño de una

población en todo momento t. Se supone que un
medio es capaz de sostener una K determinada de (7)
individuos en una población conocida como
capacidad de sustento. Una de las hipótesis es que
f(P) es lineal es decir que f(P)= c1P+c2 si se aplican
(8)
las condiciones f(0)=r se tiene que c2=r y c1=-r/K y f
adopta la forma f(P)=r-(r/K)P. Si se redefinen las
Del cual se obtiene:
constantes se transforma en:

(9)
(5)
Sustituyendo dichas constantes en la ecuación (7)
Una de las ecuaciones que estudió en 1840 con a>0
y b>0 se llamó ecuación logística y su solución se
denomina función logística (5) y la gráfica de función
logística se llama curva logística como se muestra en (10)
la siguiente figura.
Resolviendo la integral:

(11)
 𝑠𝑒𝑔ú𝑛 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑃(𝑡):
(12) 𝑃(𝑡) = 𝐿/1 + 𝐴𝑒 − 𝑎𝑡
𝐴 = 𝐿 − 𝑃0/𝑃0
𝑆𝑢𝑠𝑡𝑖𝑡𝑢𝑦𝑒𝑛𝑑𝑜 𝑒𝑛 𝐴:
𝐴 = 20000 − 1/1 = 19999
Despejando se obtiene:
𝑆𝑢𝑠𝑡𝑖𝑡𝑢𝑦𝑒𝑛𝑑𝑜 𝑒𝑛 𝑃(𝑡) 𝑦
𝑢𝑠𝑎𝑛𝑑𝑜 𝑙𝑎 𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑐𝑖ó𝑛
(13)
𝑃(10) = 500
Despejando P, se obtiene finalmente la función
logística: 500 = 20000 /1 + 19999 𝑒 − 10 𝑎
𝐸𝑛𝑐𝑜𝑛𝑡𝑟𝑎𝑚𝑜𝑠 𝑞𝑢𝑒:

(14) −10 𝑎 = ln(3919999 )

𝑎 = −𝑙𝑛(3919999 )/10
Este modelo describe que la población crece rápido
al inicio, siendo una fuente de presión constante = 0.6239
asemejándose a un modelo de crecimiento
exponencial pero después de cierto tiempo pierde su 𝑆𝑢𝑠𝑡𝑖𝑡𝑢𝑦𝑒𝑛𝑑𝑜 𝑎 𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑠𝑒𝑟á:
capacidad de crecer y se ralentiza debido a
𝑃(𝑡) = 20000/1 + 19999 𝑒 − 0.6239𝑡
interacciones entre la población dando como
resultado un equilibrio. 2. 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑟 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒

II. DESARROLLO DE CONTENIDOS 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠 𝑖𝑛𝑓𝑒𝑐𝑡𝑎𝑑𝑜𝑠 𝑑𝑒𝑠𝑝𝑢é𝑠 𝑑𝑒12 𝑑í𝑎

Suponga que un estudiante portador de covid-19 𝐷𝑒 𝑎𝑐𝑢𝑒𝑟𝑑𝑜 𝑎 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑃( 𝑡)
regresa a un campo aislado de 20,000 estudiantes y
que después de 10 días, hay 500 infectados; si se 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠
supone la razón con que se propaga el virus es
proporcional no solo a la cantidad P de estudiantes 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑦𝑒𝑛𝑑𝑜 𝑙𝑜𝑠 𝑑í𝑎𝑠 𝑝𝑜𝑟 «𝑡»:
infectados sino también a la cantidad de estudiantes
𝑃(12) = 20000/1 + 19999 𝑒 − 0.6239 (12)
no infectados, entonces: 1. Un modelo adecuado para
determinar el número de estudiantes infectados 𝑀𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑛𝑑𝑜 𝑦 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑛𝑑𝑜 𝑙𝑎𝑠 𝑙𝑒𝑦𝑒𝑠
después de t días es: Partimos de la Ecuación
Logística para encontrar un modelo adecuado para 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠
determinar el número de estudiantes infectados
después de t días y suponiendo que nadie abandona el 𝑃(12) = 20000/1 + 19999(1𝑒7.4868 )
campus mientras dura la enfermedad:
𝑃(12) = 20000/1 + 11.20810919
𝑑𝑃/𝑑𝑡 = 𝑃(𝑎 − 𝑏𝑃)
𝑆𝑢𝑚𝑎𝑛𝑑𝑜 𝑦 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑛𝑑𝑜 𝑙𝑎
𝑑𝑖𝑣𝑖𝑠𝑖ó𝑛:
𝑑𝑃/𝑑𝑡 = 𝐾𝑃 (20000 − 𝑃) , 𝑃(0) = 1
𝑃(12) = 20000/12.20810919
𝑑𝑝/𝑑𝑡 = 𝑃(20000 𝐾 − 𝑃)
𝑃( 12) = 1638
𝐷𝑜𝑛𝑑𝑒 𝑎 = 20000 𝐾 𝑦 𝑏 = 𝐾 𝑦
 𝑅// 𝐷𝑒𝑑𝑢𝑐𝑖𝑚𝑜𝑠 𝑞𝑢𝑒 𝑙𝑢𝑒𝑔𝑜 𝑑𝑒 12 𝑑í𝑎𝑠, 𝑠𝑒 104

𝑖𝑛𝑓𝑒𝑐𝑡𝑎𝑟𝑜𝑛 1638 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠. 𝑃0 = 3(0.35) → 𝑃0 ≈ 3499.37ℎ𝑎𝑏𝑖𝑡𝑎𝑛𝑡𝑒𝑠

Extraído del Capítulo 1 del libro de Ecuaciones III. INTERPRETACIÓN Y DISCUSIÓN DE

Diferenciales: Con aplicaciones y notas históricas. RESULTADOS
La población de una ciudad minera crece a un ritmo
proporcional a dicha población. En dos años de la La interpretación de este resultado es que, después
población se ha doblado, y un año más tarde había de 12 días desde que un estudiante portador de
10000 habitantes. ¿Cuál era la población inicial? COVID-19 regresó al campus aislado de 20,000
estudiantes, se estima que 1638 estudiantes estarán
Solución: infectados. Este número representa una progresión
significativa en comparación con los 500 infectados
𝑃 (𝑡) = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑑𝑒𝑙𝑎𝑠𝑢𝑠𝑡𝑎𝑛𝑐𝑖𝑎𝑒𝑛𝑡𝑎ñ𝑜𝑠 después de 10 días.
𝑃0 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑖𝑛𝑖𝑐𝑖𝑎𝑙 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑃 (0) = 𝑃0
La ecuación que modela el crecimiento de la
𝑃 (2) = 2𝑃0 infección está basada en la Ecuación Logística, que es
utilizada en modelos de crecimiento de poblaciones.
𝑃 (3) = 104 En este caso, se adapta para representar la
propagación del virus, tomando en cuenta tanto la
𝑑𝑀 (𝑡 ) cantidad de estudiantes infectados como la cantidad
de estudiantes no infectados en el campus.
= 𝑘𝑀 (𝑡)

𝑑𝑡 La tasa de propagación, representada por el

parámetro "a" en la ecuación, se compara con datos
𝑑𝑀 (𝑡 ) iniciales, asumiendo que el crecimiento de la
infección sigue un patrón exponencial. Luego, se
= 𝑘𝑑𝑡 𝑀(𝑡) utilizó este valor para calcular el número de
𝐼𝑛𝑡𝑒𝑔𝑟𝑎𝑚𝑜𝑠: estudiantes infectados después de 12 días.

𝑘𝑑𝑡 𝑃(𝑡) 𝑙𝑛 (𝑃 (𝑡 )) = 𝑘𝑡 + 𝐶1 La interpretación final es que, bajo las condiciones

y suposiciones del modelo, la infección se está
𝑃 (𝑡) = 𝐶𝑒𝑘𝑡 … (1) propagando rápidamente en el campus. Este aumento
en el número de casos resalta la importancia de tomar
𝑃𝑜𝑟 𝑙𝑎𝑠 𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝑖𝑛𝑖𝑐𝑖𝑎𝑙𝑒𝑠:
medidas preventivas adecuadas, como el
•𝑡 = 0 → 𝑃 (0 ) = 𝐶𝑒𝑘 0 𝑃 (0) = 𝐶 … (𝛼) distanciamiento social, el uso de mascarillas y la
implementación de protocolos de higiene, para limitar
•𝑡 = 2 → 𝑃 (2) = 𝐶 𝑒2𝑘 la propagación del virus y proteger la salud de la
comunidad estudiantil.
2 𝑃0 = 𝑃0 𝑒2𝑘

2 = 𝑒2𝑘 𝑙𝑛 (2) = 2𝑘

𝑘 = → 𝑘 = 0.35 … (𝛽)

𝑅𝑒𝑒𝑚𝑝𝑙𝑎𝑧𝑎𝑚𝑜𝑠 (𝛼 ) 𝑦 (𝛽) 𝑒𝑛 (1)

𝑃 (𝑡) = 𝑃0 𝑒0.35𝑡

𝑁𝑜𝑠 𝑝𝑖𝑑𝑒 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑃0 𝑞𝑢𝑒 𝑒𝑠 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑

𝑖𝑛𝑖𝑐𝑖𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑠𝑢𝑠𝑡𝑎𝑛𝑐𝑖𝑎:

• 𝑡 = 3 → 𝑃 (3) = 𝐶𝑒3𝑘

104 = 𝑃0 𝑒3(0.35)
IV. CONCLUSIONES poblacional de organismos". Recuperado el 25 de
mayo de 2024 de:
La conclusión resalta la importancia de integrar
https://www.redalyc.org/pdf/636/63613123024.pdf
prácticas educativas que involucran el análisis de
situaciones problemáticas, como el crecimiento [2] Zill, Dennis. (2011). "Ecuaciones diferenciales
poblacional modelado por una función logística, en el Cap 3." Recuperado el 25 de mayo de 2024 de:
currículo escolar. Estas prácticas no solo fortalecen https://issuu.com/ryuuga/docs/capitulo_3/17
las habilidades matemáticas de los estudiantes, sino
que también los preparan para enfrentar desafíos del [3] Academia Khan. (2020). "Crecimiento
mundo real en sus futuras carreras. exponencial y logístico." Recuperado el 25 de mayo
de 2024 de:
https://es.khanacademy.org/science/biology/ecology/
Al participar en actividades que requieren la population-growth-andregulation/a/exponential-
comprensión y aplicación de modelos matemáticos, logistic-growth
como el modelo logístico utilizado para analizar la
[4] Ritchie, H. (2020). "Datos de origen del
propagación de una enfermedad en un campus
coronavirus". Recuperado el 25 de mayo de 2024 de:
universitario, los estudiantes desarrollan habilidades
https://ourworldindata.org/coronavirus-source-data
críticas, como el razonamiento lógico, la resolución
de problemas y la interpretación de resultados. Estas [5] Estación de Clínica Mayo. (2020, 22 de mayo).
habilidades son fundamentales en campos diversos, "Enfermedad por coronavirus 2019 (COVID-19)".
desde la biología y la medicina hasta la economía y la [En línea]. Disponible en:
ingeniería. https://www.mayoclinic.org/diseasesconditions/coron
avirus/symptomscauses/syc-20479963

Además, el análisis de modelos matemáticos [6] J. Schuttler, R. Schlickeiser, F. Schlickeiser, Ma.

proporciona a los estudiantes una perspectiva práctica Kroger, "Predicciones de Covid19 utilizando un
sobre cómo utilizar herramientas cuantitativas para la modelo de Gauss, basadas en datos del 2 de abril",
toma de decisiones informadas. En el contexto del medRxiv (The Preprint Server for Health Sciences),
ejemplo proporcionado, comprender cómo 2020.
evoluciona la propagación de una enfermedad en un
entorno poblacional específico puede ayudar a los
estudiantes a conceptualizar estrategias efectivas para
mitigar la propagación del virus y proteger la salud
pública.

V. REFERENCIAS

[1] Ibarra, U. et al. (2010). "El modelo logístico: Una

alternativa para el estudio del crecimiento