Tesis de Licenciatura PDF

TESIS DE LICENCIATURA
Utilización de software de simulación mediante

modelos estocásticos para la representación de
escenarios de pandemias
Nicolás Ignacio Rivanera

Tutor de Tesis Universitario: Carlos Visca
Tutor de Tesis: Héctor Paz
Licenciatura en Informática
Facultad de Ingeniería
Universidad Nacional de Lomas de Zamora
2013
DEDICATORIA
Dedicado a todas las personas que acompañaron mi crecimiento como profesional, como
docente y lo más importante, como persona. Especialmente a mi gran amor Sofía, mis padres
y mis tías de corazón.
También a todos aquellos que colaboraron con sus conocimientos y compromiso…
Héctor Paz
Carlos Visca
Pedro Ferreirós
Hernán Gustavo Solari
Silvia Karina Roselot
Silvia Sarmiento
Diego Patricio
Rodrigo Falcón
Marcelo Gaitan
Nicolás Rudmisky
Trabajo de Tesis - Licenciatura en Informática.

1
INDICE
Página
Prologo………………………………………………………………………………... 6
Abstract……………………………………………………………………………….. 8
Primera parte………………………………………………………………………... 10
CAPITULO 1………………………………………………………………………... 11
1. Introducción………………………………………………………………………. 11
1.2. Objetivos………………………………………………………………………. 13
1.3. Alcance………………………………………………………………………… 14
1.4. Metodología de investigación…………………………………………………. 14
1.5. Estructura del trabajo de tesis………….……………………………………… 15
1.6. Los sistemas y su vinculación…………………………………………………. 16
1.7. Sistemas complejos……………………………………………………………. 18
CAPITULO 2………………………………………………………………………… 21
2. Modelo……………………………………………………………………………. 21
2.1. Construcción de modelos……………………………………………………… 23
2.2. Clasificación de los modelos matemáticos……………………………………. 25
2.3. Análisis de modelos…………………………………………………………… 30
2.3.1. Análisis de la sensibilidad…………………………………………………. 30
2.3.2. Diagnostico basado en modelos…………………………………………… 31
2.4. Verificación y validación de modelos…………..…………………………….. 31
2.5. Métodos para la utilización de modelos matemáticos………………………… 33
CAPITULO 3……………….……………………………………………………….. 35
3. Simulación…………………………………….………………………………….. 35
3.1. Simulación numérica………………………………………………………….. 38
3.2. Proceso de desarrollo de un modelo de simulación…………………………… 39
3.3. Razones para la simulación…………………………………….……………… 43
3.4. Desventaja de la simulación…………………………………………………… 45
3.5. Tecnología y la ciencia - Simulación digital…………………………………... 47
CAPITULO 4………………………………………………………………………… 52
4. Pandemia………………………………………………………………………….. 52
4.1. Pandemias históricas…………………………………………………………... 54
4.2. Características de la influenza…………………………………………………. 59
4.3. Mutación de los virus………………………………………………………….. 63
4.4. Fase de contención y mitigación………………………………………………. 65
4.5. Impacto epidemiológico en Argentina………………………………………… 67
4.6. Datos estadísticos de la Gripe H1N1 en Argentina……………………………. 75
CAPITULO 5………………………………………………………………………… 78
5. Modelos matemáticos epidemiológicos…………………………………………... 78
5.1. La tasa de reproducción básica R0…………………………………………….. 83
5.2. Métodos………………………………………………………………………... 84
5.3. Terminología…………………………………………………………………... 85
5.4. Modelos epidemiológicos……………………………………………………... 85
5.5. Teoría de redes de transmisión………………………………………………… 90

2
5.6. Modelos de urnas……………………………………………………………… 92
5.7. Proceso de ramificación……………………………………………………….. 93
Segunda parte………………………………………………………………………... 95
CAPITULO 6………………………………………………………………………… 96
6. Representación del modelo matemático…………………………………………... 96
6.1. El brote Mayo - Septiembre….………………………………………………... 96
6.2. Especificaciones del modelo…………………………………………………... 100
6.3. Proporción de infectados en el tiempo inicial…………………………………. 102
6.4. Datos estimados para la simulación…………………………………………… 102
6.5. Desarrollo del sistema y resultados………………………………………...….. 105
Tercera parte………………………………………………………………………… 107
CAPITULO 7………………………………………………………………………… 108

7. Conclusiones……………………………………………………………………… 108
Glosario…………………………………………………………………………...….. 111
Bibliografía………………………………………………………………………..…. 120
ANEXOS…...………………………………………………………………………… 125
Anexos I. Plan de Contingencia……………...………………………………….……. 125
Anexos II. Desarrollo del software. Costo, cantidad de recursos y tiempo de
implementación......……….…....................................................................................... 126
Anexos III. Código fuente…..….….…………………………………………….……. 127

3
INDICE DE TABLAS
Página
Tabla 1 Valores para Morbilidad y Mortalidad……………………………………. 75
Tabla 2 Mortalidad y Morbilidad – Argentina (28/04/2009 hasta 22/09/2009)…… 76

4
INDICE DE FIGURAS
Página
Figura 1 Proceso de desarrollo de un modelo de Simulación…………………….. 43
Figura 2 Conexiones – Modelos de Simulación Continua……………………….. 48
Figura 3 Morbilidad y Mortalidad del virus H1N1 del 2009…………………….. 77
Figura 4 Proyecciones obtenidas del modelo SIR de la pandemia del 2009……... 103
Figura 5 Proyecciones obtenidas del modelo SIR de la pandemia del 2009 y su
comparación con datos oficiales………………………………………… 103
Figura 6 Parámetros ingresados para realizar la simulación……………………… 105
Figura 7 Visualización por pantalla del procesamiento de la información……….. 106
Figura 8 Proyecciones estimadas. Cantidad de Infectados por día……………….. 106

5
PROLOGO
Luego de haber trabajado varios años en una reconocida empresa Argentina de transacciones
bancarias, en el área de ingeniería de sistemas, observe que había marcado el inicio de algo
muy importante en lo que comenzaba a emprender. Eran los primeros pasos que realizaba en
el plano laboral y mi labor requería que todo el tiempo este en contacto con un servidor
central.
En aquel tiempo me llamo la atención el poder que representaba la velocidad del

procesamiento y el manejo de la información a grande escala. Fue uno de los temas que
realmente me fascinaron y el cual quise abordar en algún momento.
En el primer año de la carrera, luego de días y noches de trabajo en equipo, pude llevar
adelante junto a 3 compañeros, que en la actualidad son grandes amigos y colegas, el
proyecto de centralización de historias clínicas a nivel nacional. Esto represento una gran
motivación en mis estudios, un excelente desempeño en la materia DSI y el darme cuenta, que
lo que antes me parecía inalcanzable, se había vuelto tangible y natural.
Poder tener acceso a la información de cada paciente al poco tiempo que el mismo presente
un evento, es algo de suma importancia en lo que respecta al control sanitario de la población,
dando lugar a que muchas personas idóneas del ámbito de la salud puedan acceder y realizar
investigaciones para diversos fines.
A través de aquel desarrollo, se logro llevar adelante una idea que nunca se ha implementado
a nivel nacional, solamente en sectores privados o en casos aislados.
Así fueron pasando los meses y descubrí que el proyecto que había presentado ese año no
había concluido. Sentí que mi compromiso final tenía que estar relacionado, y busque a partir
de aquella idea, un desarrollo que permita brindar el inicio de un recurso más a las
necesidades que podrían surgir a futuro.

6
Después de mucho tiempo de replanteos personales, en una etapa de mi vida donde anhelaba
algo más que un titulo de grado; me encontraba en la búsqueda de algo que me gratificara
como profesional en el campo y solo podía conseguirlo embarcándome en un trabajo que me
ponga a prueba y que pudiera desafiarme. Sentí que finalmente pude lograrlo con esta
investigación.
Sigo pensando que es algo complicado poder relacionar varias disciplinas, más aún, si cada
una de ellas tiene una alta complejidad. Por ejemplo, este trabajo tiene presente la relación
entre la medicina, la matemática, la simulación y la computación. Esto da como resultado, que
las características de cada tema, al unirlas, formen una complejidad mucho mayor.
Han pasado más de 2 años de aquella pequeña idea que al principio no tenía cuerpo y luego de
tantos diálogos con diversos profesionales, formulaciones, lecturas e indagaciones, todavía no
logro tomar conciencia en estas palabras de que pude realizar otro propósito paralelo:
Demostrar que en informática no se debe atar ninguna innovación a un campo de acción

específico, sino que siempre puede encontrarse una nueva aplicación en un ámbito o contexto
totalmente diferente, hasta tomar nuevas formas, demostrando que el profesional informático
no crea simplemente código, sino ideas.
Espero que les sea de mucha utilidad a las personas que emprendan esta lectura, que la
disfruten, tanto así como yo lo hice en desarrollarla y que sea un punto de partida para futuras
investigaciones sobre el tema.

Buenos Aires, Abril 2013

7
Abstract
Los virus gripales evolucionaron mediante mutaciones y la cepa se puede volver más agresiva
y contagiosa durante el transcurso del tiempo, dando lugar a la aparición de nuevas
enfermedades que afectarían a una población –pandemia-.
Los esfuerzos realizados por las organizaciones de salud de nuestro país de llevar a un control
se tornaron complejos en la pandemia del 2009 debido a la urgencia, incertidumbre y costos
sanitarios que se generaron, con la epidemia instalada.
Esta investigación, propone, mediante un modelo matemático estocástico, el uso de un

software de simulación de pandemias que permitirá construir escenarios de comportamiento
de la influenza a fin de evitar una pandemia.
Se presentaran los componentes y variables que conforman un modelo estocástico. Este será
representado en forma tangible en un software de simulación que permitirá cambiar los
valores de las variables que definen la evolución de la enfermedad.
En este sentido, se utilizara un software con el fin de crear un nuevo escenario pandémicos
para examinar los supuestos sobre contagiosidad y la patogenicidad de la influencia de nuevo
virus, para luego establecer planos de acción.
Se planteará la contribución de esta herramienta en la ayuda a la toma de decisiones dentro

del ámbito sanitario, como así también la realización de un análisis de los parámetros de
entrada del software de simulación.
Palabras claves: Software de simulación, Modelos matemáticos, Pandemia, Toma de

decisión.

8
Abstract
Flu virases evolve by mutation and the strain may become more aggressive and contagious
during the course of time, leading to the emergence of new diseases that affect a population-
pandemic.
The efforts of health organizations in our country to keep track became complex in the 2009
pandemic because of the urgency, uncertainty, and health costs that were generated, with the
epidemic installed.
By means of a stochastic mathematical model, this research proposes using a pandemic

simulation software wich will build scenarios of behavior to prevent influenza pandemic.
Components and variables that make up a stochastic model, will be presented in this research.
They will be represented in a tangible form in a simulation software that will change the
values of variables that define the evolution of the disease.
In this sense, a software used to created different pandemic scenarios to examine the
assumptions on infectivity and pathogenicity of the influece of the new virus will be installed,
and the action plans will be established.
The contribution of this tool in assisting decision making within healthcare will be taken into
account, as well as the conduction of a input parameters analysis of the simulation software.
Keywords: Software simulation, Stochastic mathematical models, Pandemic, Decision-

making.

9
PRIMERA PARTE

10
CAPITULO 1
El primer capitulo ofrece como introducción una explicación del trabajo, el cual brinda un
análisis inicial para el lector, además, contiene los objetivos del trabajo, el alcance, la
metodología de investigación, la estructura del documento de tesis y definiciones generales
que sirven como base de lectura introductoria.
1. Introducción
A lo largo de la historia las enfermedades infecciosas han constituido una amenaza muy grave
para la humanidad. Durante la mayor parte del siglo XX las pandemias (epidemias
propagadas por áreas y poblaciones de gran tamaño) eran consideradas peligrosas y de alto
impacto.
En la actualidad, más específicamente en el año 2009, el virus A (N1H1) fue el suceso más
relevante a nivel mundial en lo que respecta a enfermedades infecciosas. La primera ola se
extinguió dejando un saldo insignificante de catorce mil casos fatales en comparación con la
Gripe Española de 1918, que causó entre 30 y 100 millones de muertes en ocho meses. [1]
El riesgo que presenta una pandemia de estas características ha generado la necesidad de

desarrollar planes de acción y contingencia con el objetivo de disminuir la morbilidad, la
mortalidad y el impacto social y económico que ésta tendría en los potenciales países
afectados.
Un elemento central para la mejor preparación ante esta amenaza es el desarrollo de software
específico que permita construir escenarios del comportamiento de una enfermedad, de tal
manera que permita conocer anticipadamente las características que tendrá una pandemia y
disminuir su magnitud.
Esto ha ganado importancia de forma notoria entre los científicos y profesionales de la salud
para idear programas efectivos de control e interpretación de patrones epidemiológicos.
[1]
Mónica Muller. Pandemia.

11
El primer artículo conocido que incluye un modelo explícito para una enfermedad infecciosa
apareció en el año 1760. El documento lo publicó Daniel Bernoulli (1700-1782), de
nacionalidad suiza, quien tenía conocimientos médicos y matemáticos. Bernoulli propuso
varios modelos matemáticos mediante ecuaciones diferenciales para modelar algunas
enfermedades infecciosas. [2]
Luego de la Segunda Guerra Mundial resultó necesario mejorar el entendimiento de los

procesos probabilísticos y se efectuaron nuevos avances a partir de procesos estocásticos.
Hoy en día, la construcción de modelos matemáticos es una de las herramientas más

utilizadas para el estudio de problemas con aplicaciones en distintas áreas como medicina,
biología, fisiología, bioquímica, epidemiología, farmacocinética, entre otras. Los objetivos
primordiales de dichos modelos son describir, explicar y predecir, en las disciplinas precitadas
diferentes fenómenos y sus procesos.
Los modelos permiten capturar propiedades esenciales de una forma simplificada. Además, al
modificar los parámetros de un modelo se pueden representar o descubrir situaciones que
difícilmente se pueden obtener mediante experimentación. Por lo tanto, contribuyen a
prevenir futuras situaciones patológicas, determinar la prevalencia e incidencia y coadyuvan a
tomar decisiones objetivas para el control o supresión de las enfermedades infecciosas.
La gran importancia que ha cobrado la matemática como una herramienta conceptual, da la

posibilidad de describir, explicar y en algunos casos, predecir comportamientos específicos.
Sumado a esto, el advenimiento de la tecnología con el desarrollo de las computadoras,
significó un gran avance en la utilización de la simulación como auxiliar en la concreción de
este tipo de investigaciones.
La simulación digital implica la construcción de procesos experimentales. El objetivo es

evaluar que sucedería en el sistema si acontecieran determinadas hipótesis.
[2]
Daniel Bernoulli. An attempt at a new analysis of the mortality caused by smallpox and of the advantages of
inoculation to prevent it.

12
Dado que el futuro siempre se ha presentado con incertidumbre para toda la humanidad,
gracias a la simulación es posible sobre bases ciertas, lograr la predicción del futuro,
condicionada con supuestos previos. Para ellos se construyen los modelos, concebidos como
una simplificación de la realidad. Estos surgen de un análisis de todos los valores de variables
intervinientes en el sistema y de las relaciones existen entre ellas.
La simulación digital tiene como principal objetivo la predicción, es decir, mostrar lo que
sucederá en un sistema real cuando se realicen determinados cambios bajo determinadas
condiciones.
1.2. Objetivos
El presente trabajo tiene los siguientes objetivos:
- Dar a conocer las estimaciones del impacto que pudiera tener una pandemia de influenza
mediante el empleo de una herramienta de simulación digital.
- Aportar una herramienta que sea utilizada por aquellas personas u organismos que
investiguen predicciones y simulaciones probabilísticas de la propagación.
- Mostrar la comparación de los resultados de simulación con los datos oficiales del
Ministerio de Salud de la Nación.
- Demostrar la flexibilidad en la reconfiguración de las variables de entrada como cantidad de

población, tipo de enfermedad, a fin de brindar la posibilidad de realizar la simulación lo mas
probable posible.

13
1.3. Alcance
Si bien se explican todos los modelos matemáticos y se detallan cronológicamente las

pandemias históricas ocurridas en plano mundial, el alcance de la investigación propone el
desarrollo de un sistema de simulación utilizando solo un modelo matemático epidemiológico
llamado SIR para su procesamiento, y su funcionamiento, mediante la carga de las variables
de una enfermedad estacional en particular (Gripe A H1N1).
Por otra parte, el desarrollo informático se planteo de manera local o bien cliente y no
centralizada, dado que la finalidad de la investigación es dar a conocer la factibilidad y
fiabilidad del planteo, demostrar la dinámica y ventajas del modelo epidemiológico para su
representación y brindar una demostración comparativa entre los resultados obtenidos y la
realidad.
1.4. Metodología de la investigación
La metodología de esta investigación incluyen los siguientes pasos:
1. Se seleccionó bibliografía de diferentes publicaciones, libros y revistas, referentes al

contenido, para poder tener una base teórica sólida en la propuesta, la misma será presentada
en los capítulos.
2. A través de la lectura bibliografía se logró una familiarización de los diversos tipos de

enfermedades, el cual permitió realizar un estudio de la problemática en particular.
3. Se recurrió a desarrollos realizados por matemáticos destacados en el ámbito de la materia

para poder llevar adelante una formulación y elección de un modelo matemático epidémico
plausible. Se tomó el modelo más apto (SIR), para resolver la evaluación analítica del
conjunto de variables, así como su interrelación.

14
4. Se trabajó principalmente con el uso de métodos cuantitativos para estudiar la dinámica de
transmisión, ya que en todo momento se utilizan variables como métodos de entrada y como
resultado, se obtiene la cantidad de habitantes infectados en un cierto lapso de tiempo (días)
5. La información estadística usada en este trabajo proviene de datos oficiales otorgados por
el Ministerio de Salud de la Republica de Argentina. Como es lógico suponer es imposible
realizar el muestreo personalmente, por eso deja de ser información primaria para pasar a ser
información secundaria.
6. Se diseñó, diagramó y programó un software de simulación.
7. Se realizó un ajuste de parámetros a los datos tempranos de la epidemia, para poder

contemplar todas las características y su óptima representación.
8. Se llevo a cabo un estudio Ex Post Facto de la Gripe A H1N1 ocurrida en el año 2009 en
Argentina. Se realizó una comparación de los resultados de la simulación con los sucedidos
en el transcurso de la epidemia.
1.5. Estructura del trabajo de tesis
Esta tesis se encuentra dividida en tres partes:
- La primera, ofrece el marco teórico e introductorio, con diferentes conceptos de Sistemas,

Modelos, Simulación, Pandemia y Modelos Matemáticos Epidemiológicos,
- La segunda parte con el capitulo 6, brinda el desarrollo de las ecuaciones con datos reales, la
programación y el uso del software computacional, junto con ejemplos, comparaciones y
proyecciones.
- Por ultimo, en la tercera parte se propone la conclusión.

15
1.6. Los sistemas y su vinculación
Antes de dar a conocer el propósito de la tesis, se abordara cada elemento que componen al
desarrollo de esta investigación.
Por empezar, hablaremos del significado de sistema.
Un sistema es un objeto compuesto, cuyos componentes se relacionan con al menos algún
otro componente; puede ser material o conceptual. Si nos basamos en la definición, podemos
encontrar un sistema con solo observar nuestro alrededor. Los mismos pueden contener
subsistemas, que a su vez también son sistemas.
Los sistemas aparte de ser un objeto compuesto, pueden ser una colección de objetos, cuyas
propiedades se pueden estudiar. Por lo tanto, estudiar ciertas propiedades seleccionadas de los
objetos, es un tema central.
El aspecto de “estudio” es importante, a pesar de hecho, es subjetivo; la selección y definición
de lo que constituye un sistema, es algo arbitrario y debe estar guiado por el uso que se va a
hacer del sistema.
En esta investigación se estudiara solamente una pequeña porción de las propiedades del
subsistema “epidemiología” pertenecientes al sistema “medicina” que lo engloba, para la
finalidad que se busca en relacionarla con la simulación computarizada.
Las dos grandes motivaciones para realizar el desarrollo del sistema son:
- Analizar el sistema epidemiológico, con la finalidad de construir una representación viable
en un software computacional.
- Aplicar una técnica, donde permita la relación interna de las variables que intervienen en el
sistema, con la finalidad de comprender más acerca de la naturaleza, el cual sería el punto de
vista de la ciencia natural.
Un sistema puede tener un origen natural, como el universo, también puede ser artificial,
como un instrumento espacial, o puede ser una mezcla de ambos como un viaje al espacio.
Una propiedad importante de los sistemas es que son observables. La mayoría de los sistemas
naturales como artificiales, son representables a través de recursos informáticos. Esto
significa que se pueden representar bajo otro panorama el cual no es el original y su
comportamiento es manipulable mediante las variaciones de sus propiedades.

16
Se observa que:
- Las entradas de un sistema son las variables del entorno que influyen sobre el
comportamiento del sistema. Algunas de estas entradas pueden o no ser controlables, como la
cantidad de personas infectadas en una epidemia.
- Las salidas de un sistema son las variables determinadas por el sistema y que pueden influir
sobre el entorno que le rodea, como disminuir las posibles cantidades de personas infectadas
en una epidemia.
En muchos sistemas, las mismas variables actúan como entradas y salidas.

Hablamos de conducta inusual si las relaciones o influencias entre las variables no tienen una
dirección causal, que es el caso para las relaciones descritas por ecuaciones. Por ejemplo, en
un sistema mecánico las fuerzas del entorno influyen sobre el desplazamiento de un objeto,
pero por otra parte el desplazamiento del objeto afecta a las fuerzas entre el objeto y el
entorno. En este caso, la decisión de qué es entrada y qué es salida es fundamentalmente una
elección del observador, que está guiada por el objetivo en particular del estudio, en lugar de
ser una propiedad del propio sistema.
De acuerdo a nuestra definición de sistema, la observación es esencial si se desea estudiar un

sistema y es importante observar algunas de las salidas del mismo.
Podremos aprender más acerca del sistema si somos capaces de estimularlo controlando sus
entradas. Este proceso se llama experimentación. Si nos centramos en la definición de
experimento podemos decir que es el proceso de extraer información de un sistema incitando
sus entradas.
Para poder realizar un experimento sobre un sistema, éste debe de ser controlable y
observable. En este caso, se buscara aplicar un conjunto de condiciones externas a las
entradas accesibles y observar la reacción del sistema al medir aquellas de sus salidas que
también son accesibles.
Una de las desventajas del método experimental es que para un gran número de sistemas
muchas entradas no son ni accesibles ni controlables, pero no en el caso de esta investigación,
donde se fundamentara la viabilidad de la simulación. Estos sistemas están bajo la influencia

17
de entradas inaccesibles, algunas veces llamadas entradas de perturbación. Igualmente, a
menudo muchas de las salidas que son realmente útiles no están accesibles, con lo que no
pueden ser medidas. Éstas suelen denominarse estados internos del sistema.
Surgen también una serie de problemas prácticos asociados con la realización de una
experimentación previa a la implementación del software propuesto.
- El experimento podría ser demasiado costoso si en vez de utilizar la simulación se utilizara

el análisis de datos reales.
- El experimento podría ser demasiado peligroso si el sistema no fuera confiable.
Si nos ajustamos a un modelo para un sistema y este es lo suficientemente fiable, entonces

podremos emplearlo para investigar y responder a muchas preguntas referentes al sistema
real. [3]
1.7. Sistemas complejos
Los sistemas complejos tratan de cerrar las brechas entre distintos niveles de abstracción,
propios de las ciencias actuales, al comprender un nivel de abstracción a partir de elementos
del nivel inferior.
Algunos niveles de abstracción que podemos identificar por ejemplo:
- Quarks
- Partículas subatómicas
- Átomos
- Moléculas
- Proteínas
- Células
[3]
Peter Fritzson. Introducción al Modelado y Simulación de Sistemas Técnicos y Físicos.

18
Existe una complejidad de interacciones entre cada uno de estos niveles que al pasar al
próximo nivel de abstracción se consideran elementos simples.
La tendencia actual de las ciencias es explicar cada nivel de abstracción.
Los incendios forestales, las epidemias y el universo a primera vista no tienen muchas cosas
en común, ya que se encuentran en contextos muy distintos. Pero al estudiarlos
cuidadosamente, se ha podido describir su comportamiento con el mismo modelo, ya que se
propagan de manera similar.
Los sistemas complejos facilitan el estudio de fenómenos que perteneciendo a distintos

contextos tienen comportamientos similares.
Un sistema complejo esta compuesto por muchos elementos que interactúan entre si, a mayor
cantidad de elemento abra mayor cantidad de interacciones por lo que el sistema será
altamente complejo.
Un sistema puede tener distintos grados de complejidad según se le agreguen más elementos
y/o interacciones, por ejemplo, el comportamiento de un virus en interacción con
determinadas enfermedades.
Estos sistemas, son propios de muchas disciplinas, desde biología molecular hasta economía,
desde física hasta sociología, desde matemáticas hasta neurología, donde podemos observar y
comprender cómo funciona un sistema con muchos elementos interactuando entre sí.
Las propiedades de estos sistemas son el resultado de las interacciones entre sus elementos
que también tienen características propias, las interacciones se llaman emergentes. Por
ejemplo, la célula puede verse como un sistema de proteínas, las cuales interactúan de forma
tal que la célula tiene vida. Las proteínas no están vivas, pero la célula sí.
Preguntarnos ¿De dónde sale la vida, si la célula está compuesta sólo de proteínas? Dicha
pregunta hace referencia de que es una propiedad emergente, dada por la complejidad de
interacción de las proteínas en la célula.

19
Algo similar ocurre en el cerebro con las neuronas y la mente. Las neuronas por sí mismas no
tienen capacidades cognitivas, pero al interactúan complejamente en el cerebro dan
posibilidad a la mente de emerger.
El comportamiento de las proteínas en forma aislada es simple y son estudiadas por la

biología molecular. Estas, al interactuar forman sistemas más y más complejos, hasta que
emerge la vida.
Pero la vida es estudiada por la biología y un ser vivo aislado es un sistema simple.
A su vez, los seres vivos al interactuar entre sí forman sistemas más y más complejos, hasta
formar sociedades.
Pero los fenómenos sociales son simples para la sociología. Por otro lado, una neurona es un
sistema simple para la neurofisiología, mientras que los sistemas complejos de neuronas dan
cabida a la mente, la que es estudiada “simplemente” por la psicología.
Si agregamos más y más elementos de sistemas los convierte en complejos indefinidamente

cambiando su nivel de abstracción. Esto es, si para la sociología el comportamiento de una
sociedad es un sistema simple, no lo es para la biología molecular.
Esto es, la sociología está viendo el sistema desde el punto de vista de sociedad. Pero si
queremos ver una sociedad desde el punto de vista de las proteínas que la componen, estamos
en problemas.
Podemos decir que un nivel de abstracción es determinado por un grupo de conceptos que el
observador puede manejar como elementos de un sistema (por ejemplo, átomos, proteínas,
células).
Si nos alejamos de un nivel de abstracción, la complejidad que emerge de un sistema se

incrementa, pero al acercarnos al siguiente nivel de abstracción, podemos decir que emerge su
simplicidad, dado el cambio de niveles de abstracción.
Referencia del texto.4
4
Carlos Gershenson. Sistemas Complejos.

20
CAPITULO 2
Este capitulo contiene las definiciones básicas de los modelos matemáticos, los cuales se van
a utilizar en el transcurso de este trabajo de investigación. Es de gran importancia obtener el
significado y los conocimientos de los modelos, su construcción, como se clasifican, el
análisis de los mismos, la verificación y validación y los métodos disponibles para su
utilización.
2. Modelo
Dado un breve panorama de los sistemas y su vinculación, podemos ahora definir en forma
abstracta el significado de modelo.
“Un modelo es cualquier cosa a la que se puede aplicar un “experimento”, con el fin de
responder las preguntas que se generen respecto del sistema.”
Esto implica que puede usarse, para responder preguntas acerca de un sistema, sin la
necesidad de recrearlo en forma real. En su lugar, realizamos una simplificación de ensayos
sobre el modelo.
El modelo puede considerarse como un sistema simplificado que refleja las propiedades del
sistema real. En el caso más simple, puede ser sencillamente cierta información que se usa
para responder preguntas acerca del sistema.
Según la definición, podemos decir que cualquier modelo también constituye un sistema. Al
igual que estos, son por naturaleza jerárquicos. Si se separa una parte del modelo se obtiene
uno nuevo, que es válido para un subconjunto de experimentos para los que a su vez el
modelo original también es válido.

21
Un modelo está siempre relacionado con el sistema al que representa y con los experimentos a
los que puede estar sujeto. Una afirmación sistema asociado podría ser válida para un cierto
experimento y no serlo para otro.
Existen varias clasificaciones de modelos, se puede hablar de diferentes clases dependiendo

de cómo se representa:
- Modelo mental, es una sentencia que nos ayuda a responder a preguntas acerca de la
conducta de una persona en diversas situaciones, como por ejemplo “esta persona es fiable”.
- Modelo verbal, esta clase de modelo se expresa mediante palabras. Por ejemplo, la frase “si
se aumenta el límite de velocidad, entonces ocurrirán más accidentes” es un ejemplo de un
modelo verbal. Los sistemas expertos son una técnica que formalizan modelos verbales.
- Modelo físico, se trata de un objeto físico que reproduce algunas propiedades de un sistema
real, para ayudarnos a responder preguntas del sistema, es decir, son aquellos en que la
realidad es representada por algo tangible, construido en escala o que por lo menos se
comporta en forma análoga a esa realidad.
Frecuentemente se construyen pequeños modelos físicos con la misma forma y apariencia que
los objetos reales a estudiar, por ejemplo con respecto a sus propiedades aerodinámicas y
estéticas.
- Modelo matemático, es una descripción de un sistema donde las relaciones entre las
variables del sistema se expresan de forma matemática. Representan la realidad en forma
abstracta de maneras muy diversas. Las variables pueden ser cantidades medibles, tales como
el tamaño, la longitud, el peso, la temperatura, el nivel de desempleo, el flujo de información,
la velocidad medida en bits por segundo, etc.
Fundamentalmente, las clases de modelos que trataremos en esta tesis son los modelos
matemáticos.

22
La mayoría de las leyes de la naturaleza son modelos matemáticos. Por ejemplo, la Ley de
Ohm describe la relación entre la corriente y la caída de tensión en una resistencia; las Leyes
de Newton describen relaciones entre la velocidad, la aceleración, la masa, la fuerza, etc.
Los sistemas representados mediante modelos matemáticos en una computadora se la

denominan a menudo prototipos virtuales.
El proceso de construir e investigar tales modelos es el prototipado virtual.
Algunas veces, el término modelado físico se emplea también para el proceso de construir
modelos matemáticos de sistemas físicos en la computadora. Esto es así cuando el proceso de
estructuración y síntesis del modelo matemático es el mismo que el usado para la
construcción de los modelos físicos reales.
[3]
Referencia del Texto.
2.1. Construcción de Modelos
En las últimas décadas, debido en gran parte al desarrollo del microprocesador, han aparecido
innovadoras técnicas de modelado de sistemas complejos —y en particular de sistemas
sociales— que hacen uso de la nueva tecnología disponible.
Dos de estas técnicas son la simulación basada en agentes y la dinámica de sistemas.
Tanto la simulación basada en agentes como la dinámica de sistemas tienen el potencial de
complementar modelos no formales (normalmente verbales) de sistemas complejos y modelos
matemáticos más abstractos.
A menudo la representación verbal de sistemas complejos carece del rigor formal necesario
para valorar su coherencia lógica y para generalizar a partir de ellos, mientras que los modelos
matemáticos suelen ser menos realistas debido a las fuertes restricciones impuestas por las
hipótesis simplificadoras que son necesarias para poder resolverlos.
Usando técnicas de modelado computacional, como la simulación basada en agentes y la

dinámica de sistemas, tenemos el potencial de construir modelos que combinan la riqueza

23
descriptiva de los modelos verbales con el rigor formal de los modelos matemáticos más
abstractos.
El lenguaje modélico ha sido creado para simplificar la construcción de los modelos y para
facilitar su reutilización una vez que han sido construidos.
En principio, existen dos fuentes principales de conocimiento útil para la construcción de
modelos matemáticos de los sistemas:
- La experiencia general reunida en los dominios relevantes de la ciencia y la tecnología, que

se encuentra disponible en la literatura y que poseen los expertos en estas áreas.
Esto incluye las leyes de la naturaleza, por ejemplo, las leyes de Newton para los sistemas
mecánicos, las leyes de Kirchhoff para los sistemas eléctricos, las relaciones aproximadas que
se aplican a sistemas no técnicos basados en teorías económicas o sociológicas, etc.
- El propio sistema, es decir, observaciones y experimentos realizados sobre el sistema que

necesitamos modelar.
Además del conocimiento anterior referente al sistema, existe también un conocimiento

especializado acerca de la construcción de modelos en dominios y aplicaciones específicos,
así como mecanismos genéricos para manejar hechos y modelos.
Por ejemplo:
- Experiencia en la aplicación: dominar el área y las técnicas de la aplicación, lo cual permite

usar todos los hechos relativos a una aplicación de modelado específica.
- Ingeniería del software y del conocimiento: conocimiento genérico acerca de cómo definir,
manejar, usar, y representar modelos y software. Por ejemplo, la orientación a objetos, las
técnicas de componentes de sistemas, la tecnología de los sistemas expertos, etc.

24
Para construir los modelos apropiados, generalmente, primero intentamos identificar los
componentes principales de un sistema, y las clases de interacción existentes entre estos
componentes.
Cada componente se divide en subcomponentes hasta que cada parte se ajusta a la descripción
de un modelo existente en alguna librería de modelos, o podemos usar leyes apropiadas de la
naturaleza u otras relaciones para describir la conducta de ese componente.
Ciertos componentes podrían tener parámetros del modelo y coeficientes desconocidos o

parcialmente conocidos.
A menudo, éstos pueden estimarse ajustando datos de medidas experimentales del sistema
real al modelo matemático, usando identificación de sistemas, que en casos simples se reduce
a técnicas básicas como ajuste de curvas y análisis de regresión.
Sin embargo, versiones más avanzadas de identificación de sistemas pueden incluso
determinar la forma del modelo matemático, que se escoge entre un conjunto de estructuras
básicas de modelos.
Referencia del Texto. [3]
2.2. Clasificación de los modelos matemáticos
Las diferentes clases de modelos matemáticos vienen caracterizadas por las diferentes
propiedades que refleja el comportamiento de los sistemas que se modelan. Un aspecto
importante es si el modelo incorpora propiedades dinámicas, dependientes del tiempo, o es
estático. Existen otras líneas divisorias entre los modelos que evolucionan en el tiempo de
manera continua y aquellos que cambian en instantes discretos de tiempo. Existe una tercera
línea de separación entre los modelos cuantitativos y los cualitativos.
Ciertos modelos describen la distribución espacial de las magnitudes, por ejemplo, de la masa.
Por el contrario, otros modelos son concentrados, en el sentido de que la cantidad distribuida
espacialmente es aproximada concentrándola y representándola mediante una única variable,
por ejemplo, una masa puntual.

25
Algunos fenómenos naturales son descritos convenientemente mediante procesos estocásticos
y distribuciones de probabilidad, por ejemplo, las transmisiones de radio ruidosas a la física
cuántica a nivel atómico. Tales modelos se denominan modelos estocásticos o basados en
probabilidad, y en ellos el comportamiento se representa en términos estadísticos.
Por el contrario, los modelos deterministas permiten representar el comportamiento sin

incertidumbres. Sin embargo, incluso los modelos estocásticos pueden ser simulados de forma
“determinista” utilizando un ordenador, puesto que las secuencias de números aleatorios, que
a menudo se usan para representar las variables estocásticas, pueden ser generadas tantas
veces como se desee de manera idéntica partiendo de los mismos valores semillas.
A menudo, un mismo fenómeno puede ser modelado como estocástico o como determinista,
dependiendo del nivel de detalle con el que se estudie. Ciertos aspectos de un nivel son
abstraídos o promediados en el nivel superior. Por ejemplo, considere el modelado de gases
con diferentes niveles de detalles, comenzando por el nivel de partículas elementales de la
mecánica cuántica, donde las posiciones de las partículas son descritas mediante
distribuciones de probabilidad.
- Partículas elementales (orbitales). Modelos estocásticos.

- Átomos (modelo de gas ideal). Modelos deterministas.
- Grupos de átomos (mecánica estadística). Modelos estocásticos.
- Volúmenes de gas (presión y temperatura). Modelos deterministas.
- Gases reales (turbulencia). Modelos estocásticos.
- Mezclador ideal (concentraciones). Modelos deterministas.
Es interesante observar que el tipo de modelo cambia entre estocástico y determinista, en

función de qué aspectos necesitamos estudiar. Los modelos estocásticos detallados se pueden
promediar como modelos deterministas cuando son aproximados en el nivel inmediatamente
superior de la jerarquía. Por otra parte, conductas estocásticas, tales como la turbulencia, se
puede introducir a niveles macroscópicos como resultado de fenómenos caóticos causados por
partes deterministas que interactúan.

26
Antes de seguir desarrollando la investigación, analicemos las diferencias entre las clases de
los modelos matemáticos existentes.
Tiempo continuo – Tiempo discreto
Un modelo matemático se dice de tiempo continuo cuando las variables y las relaciones entre
ellas están definidas para todo instante de tiempo, es decir, los cambios de estado son
graduales y las variables intervinientes son continuas (en el intervalo de validez o definición
del modelo).
En cambio para los modelos matemáticos de tiempo discreto las relaciones entre las variables
y entre ellas están definidas sólo en determinados instantes discretos de tiempo, es decir, los
cambios de estado son de a saltos y las variables varían en forma discontinua (modelos
matemáticos de sistemas muestreados; modelos matemáticos de tiempo continuo discretos a
los efectos de su resolución numérica).
Estáticos – Dinámicos
Si existe un vínculo instantáneo entre las variables, el modelo se dice estático, es decir,
cuando se representa un sistema cuyo estado es invariable a través del tiempo (ecuaciones con
expresiones algebraicas, trascendentes, o funciones en general).
Si el vínculo entre las variables requiere no sólo su valor presente sino también sus valores
pasados, el modelo se dice dinámico, es decir, cuando el estado varía con el tiempo
(ecuaciones diferenciales / diferencias con el tiempo como variable)
Determinísticos – Estocásticos
Un modelo es determinístico si expresa matemáticamente sin incertidumbre las relaciones

entre las variables. El modelo asigna unívocamente valores y/o funciones ciertas y
determinadas a la información que procesa, es decir, cuya solución para determinadas
condiciones es única y siempre la misma (señales, otros valores y/o funciones determinadas).

27
Un modelo es estocástico si expresa las relaciones con incertidumbre entre las variables
mediante conceptos probabilísticos usando variables aleatorias, es decir, los hechos suceden
al azar, lo cual no es repetitivo. No se puede asegurar cuáles acciones ocurren en un
determinado instante. Se conoce la probabilidad de ocurrencia y su distribución probabilística.
Dichas relaciones son descriptas usando variables o procesos estocásticos.
Parámetros distribuidos – Parámetros concentrados
Las magnitudes que caracterizan a los fenómenos físicos toman valores en el tiempo y en el
espacio.
Si un modelo matemático conserva la dependencia espacio-temporal en la representación
matemática de dichas magnitudes, el modelo se dice de parámetros distribuidos, ya que en
general los coeficientes o parámetros del sistema están distribuidos en el espacio (Ej.: la
densidad del fluido compresible en un gasoducto; resistividad, inductividad y capacidad por
unidad de longitud en una línea de transmisión). Los modelos dinámicos son, típicamente
ecuaciones en derivadas parciales.
Se tiene un modelo a parámetros concentrados cuando se reemplaza la dependencia espacial

de las variables por su promedio en la región del espacio donde están definidas. El espacio
desaparece como variable absoluta del modelo y los parámetros pasan a ser variables
extensivas del modelo, se concentran en la región en cuestión. Los modelos dinámicos son,
típicamente, ecuaciones diferenciales ordinarias.
Paramétricos – No paramétricos
Los modelos matemáticos paramétricos se caracterizan completamente con un número finito

de parámetros (Ej.: una función transferencia; una ecuación diferencial).
Los modelos matemáticos no paramétricos no pueden caracterizarse completamente con un
número finito de parámetros (Ej.: La curva de la respuesta a un escalón de un sistema
dinámico; la curva de respuesta en frecuencia de un amplificador).

28
Lineales – No lineales
En los modelos matemáticos lineales vale el principio de superposición, causas superpuestas

(por ejemplo, distintas entradas y/o condiciones iniciales) originan la superposición de los
correspondientes efectos.
En los modelos matemáticos no lineales el principio de superposición no vale.
Estacionarios – No estacionarios
Un modelos matemáticos es estacionario si responde al principio de desplazamiento temporal,

toda acción sobre el sistema produce el mismo efecto (la misma respuesta del sistema)
independientemente del momento en que comienza a ejercerse, si en ese momento el sistema
se encuentra en las mismas condiciones.
Los modelos matemáticos pueden ser utilizados para estudiar propiedades y/o predecir el
comportamiento del sistema ante diferentes situaciones.
Existen dos grandes grupos de técnicas para tal fin:
- Análisis Teórico de los modelos matemáticos: Métodos matemáticos de análisis cualitativo

(estabilidad, etc.) y cuantitativo (resolución de ecuaciones, etc.)
- Análisis Experimental de los modelos matemáticos: Estudio de propiedades cuantitativas y

cualitativas del modelo matemático mediante experimentos en equipos de cómputo
programables: Simulación o Matemática Experimental, los cuales anteriormente se definieron
los términos.

29
2.3. Análisis de Modelos
La simulación es una de las técnicas más comunes de utilizar los modelos para contestar a
preguntas acerca de los sistemas. Sin embargo, también hay otros métodos de analizarlos,
tales como:
- El análisis de la sensibilidad
- El diagnóstico basado en modelos
2.3.1 Análisis de la Sensibilidad
El análisis de la sensibilidad trata el comportamiento de cuan sensible es el comportamiento

del modelo a cambios en sus parámetros. Esta es una cuestión común en diseño y análisis de
sistemas.
Por ejemplo, incluso en dominios de aplicación con especificaciones precisas, tales como los
sistemas eléctricos, los valores de una resistencia en un circuito son típicamente conocidos
con una precisión de sólo entre el 5% y el 10%. Si hay una gran sensibilidad en los resultados
de las simulaciones a pequeñas variaciones en los parámetros del modelo, se debería
sospechar de la validez del modelo. En tales casos, pequeñas variaciones aleatorias en los
parámetros del modelo puede conducir a grandes variaciones aleatorias en su
comportamiento.
Por otra parte, si la conducta simulada no es muy sensible a pequeñas variaciones en los
parámetros del modelo, hay una gran probabilidad de que el modelo refleje de forma bastante
precisa la conducta del sistema real.
Tal robustez en la conducta es una propiedad deseable cuando se diseñan nuevos productos,
porque de otra forma podría ser costoso de fabricar, puesto que ciertas tolerancias deberán
mantenerse muy pequeñas.
Sin embargo, hay también una serie de ejemplos de sistemas reales que son muy sensibles a
variaciones de determinados parámetros específicos del modelo. En esos casos, esta
sensibilidad debería también reflejarse en los modelos de aquellos sistemas.

30
2.3.2 Diagnóstico Basado en Modelos
El diagnóstico basado en modelos es una técnica que está en parte relacionada con el análisis
de sensibilidad. Se trata de analizar el modelo del sistema con el objetivo de encontrar las
causas de cierto comportamiento del sistema. En muchos casos, es necesario determinar
cuáles son las causas de ciertos comportamientos problemáticos y erróneos. Por ejemplo,
consideremos un automóvil, que es un sistema complejo compuesto de muchas partes que
interaccionan entre sí, tales como un motor, un sistema de ignición, un sistema de
transmisión, un sistema de suspensión, ruedas, etc. Bajo un conjunto de condiciones
operativas bien definidas, puede considerarse que cada una de estas partes exhibe un
comportamiento correcto siempre que el valor de algunas de sus magnitudes se encuentre
dentro de ciertos intervalos de valores especificados. Un valor medido o computado fuera de
tal intervalo podría indicar un error en ese componente, o en otra parte que influye sobre ese
componente. Esta clase de análisis se llama diagnóstico basado en modelos.
2.4. Verificación y Validación de Modelos
La simulación es una de las técnicas más comunes de utilizar los modelos para contestar a
preguntas acerca de los sistemas. Sin embargo, también hay otros métodos de analizarlos,
tales como:
La “validación del modelo” implica realizar un experimento, donde se busca una similitud
según los fines que se quiera obtener.
Previamente hemos comentado los peligros que tiene la simulación, por ejemplo, cuando un
modelo no es válido para un sistema considerando el objetivo de la simulación.
¿Cómo podemos verificar que el modelo es un modelo bueno y fiable, es decir, que es válido
para el fin al que se destina?

31
Esto puede ser muy difícil, y algunas veces podemos confiar sólo en obtener una contestación
parcial a esta pregunta.
Sin embargo, las siguientes técnicas son útiles para verificar, al menos parcialmente, la
validez de un modelo:
- Revisar críticamente las hipótesis y aproximaciones que hay detrás del modelo, incluyendo
la información disponible sobre el dominio de validez de estas hipótesis.
- Comparar, en casos especiales, simplificaciones del modelo con soluciones analíticas.
- Comparar con resultados experimentales, en los casos donde esto sea posible.
- Efectuar análisis de sensibilidad del modelo. Si los resultados de la simulación son

relativamente insensibles a pequeñas variaciones de los parámetros del modelo, entonces
tenemos que fundar razones para confiar en su validez.
- Comprobar la consistencia interna del modelo. Por ejemplo, verificar que las dimensiones o
unidades son compatibles en las ecuaciones.
En el último caso, las herramientas pueden verificar automáticamente que las dimensiones
son consistentes, siempre que estén disponibles los atributos de unidades para las magnitudes
del modelo.
Esta funcionalidad aun no está disponible en la mayoría de las herramientas de modelado

actuales.

32
2.5. Métodos de Utilización de Modelos Matemáticos
Dado un modelo matemático de un sistema, en ocasiones es posible obtener información de él

a través de métodos analíticos, más si ello no es posible, es menester emplear métodos de
cómputo numéricos en la resolución de las ecuaciones. Se dispone de una enorme variedad de
estos métodos, para solucionar las ecuaciones de modelos matemáticos.
En el caso de los modelos matemáticos dinámicos, se ha conseguido identificar una técnica

específica, denominada simulación de sistemas, en la cual se resuelven simultáneamente todas
las ecuaciones del modelo con valores que crecen continuamente en el tiempo.
En consecuencia, la simulación de sistema se puede definir como la técnica de resolución de

problemas siguiendo los cambios en el tiempo de un modelo de sistema dinámico.
Como la técnica de simulación no busca la resolución analítica de las ecuaciones de un

modelo, generalmente un modelo matemático construido con propósitos de simulación es de
diferente naturaleza a otro diseñado para técnicas analíticas, ya que este caso se requiere tener
presente las restricciones impuestas por la técnica analítica, además de hacer variadas
suposiciones generales que satisfagan las restricciones.
En cambio, es posible construir un modelo de simulación con más libertad. Formando una
serie de componentes que correspondan a los diagramas de bloque. Cada componente se
puede describir matemáticamente en forma directa y natural, sin otorgar demasiada
consideración a la complejidad de manejar varios de estos componentes. Pero, es necesario
organizar y configurar las ecuaciones de modo tal, para que se pueda emplear un
procedimiento rutinario en su resolución simultánea.
En sistemas continuos, donde el interés principal se enfoca en los cambios suaves, se emplean
en su descripción conjuntos de ecuaciones diferenciales. Cuando las simulaciones están
basadas en estos modelos, se conocen como simulaciones continuas.
En sistemas discretos, el énfasis está puesto en los eventos o actividades, las ecuaciones son
en esencia ecuaciones lógicas que expresan las condiciones para la ocurrencia de un evento.

33
La simulación consiste en seguir los cambios en el estado del sistema resultantes de la
sucesión de eventos. En este caso, se conocen como simulación discreta, la simulación se
realiza decidiendo una secuencia de eventos y avanzando el tiempo al evento siguiente más
inminente.
[5]
Referencia de Texto.
5
Juan Sanchez R. Introducción a los modelos.

34
CAPITULO 3
Este capitulo aborda el tema de la simulación, dado que la finalidad de la investigación es

simular el comportamiento de una enfermedad, se puntualiza la definición, sus procesos de
desarrollo, las razones por la cual uno realiza simulaciones, las desventajas que esto implica y
además, se aborda el tema de la simulación digital, el cual permite representarlo y dar a
conocer los algoritmos utilizados.
3. Simulación
Previamente mencionamos la posibilidad de efectuar experimentos sobre modelos, en lugar de

utilizar los sistemas reales. Uno de los usos principales de los modelos se denota por el
término de simulación, del Latín simulare, que significa fingir. Se puede decir con una breve
definición que una simulación es un experimento efectuado sobre un modelo.
En esta investigación nos concentraremos en los modelos matemáticos, fundamentalmente en

aquellos que tienen una forma para ser representados en un ordenador.
Si el modelo matemático se representa en forma ejecutable en un ordenador, las simulaciones

se pueden realizar mediante experimentos numéricos, o en casos no numéricos, mediante
experimentos computados. Esta es una forma simple y segura de efectuar experimentos, con
la ventaja añadida de que esencialmente todas las variables del modelo son observables y
controlables. Sin embargo, el resultado de la simulación es completamente dependiente de
cuán bien el modelo representa al sistema real con respecto a las cuestiones a las que la
simulación tiene que responder.
Es importante darse cuenta de que las dos partes de la simulación, es decir, la descripción del
experimento y del modelo, son entidades conceptualmente separadas. Por otra parte, si bien
estos dos aspectos de una simulación son independientes, van unidos. Por ejemplo, un modelo
es válido sólo para una cierta clase de experimentos. Puede ser útil definir un marco

35
experimental asociado con el modelo, que defina qué condiciones debe satisfacer un
experimento para ser válido.
Excepto la experimentación, la simulación es la única técnica que es aplicable de forma

general para el análisis del comportamiento de sistemas arbitrarios. Las técnicas analíticas son
mejores que la simulación, pero normalmente se aplican sólo bajo un conjunto de hipótesis
simplificadoras. Por otra parte, es bastante usual combinar técnicas analíticas con
simulaciones. Es decir, la simulación no se usa sola, sino combinada con técnicas analíticas o
semianalíticas.
El mundo de hoy está sujeto a constantes cambios, si pensamos en algunos de los aspectos del
mundo encontraremos que cambia con cierta frecuencia, por ejemplo, la medicina, nuevas
curas, nuevos tratamientos, incluso nuevas enfermedades son las que están en su entorno. [6]
Estos sectores pueden adaptarse, evolucionar o mejorar si saben con exactitud que rumbo
tomar mediante la toma de decisiones, este conocimiento se puede lograr mediante una
práctica herramienta: la simulación.
Esta técnica nos permite simular un entorno en el cual podría estar inmenso un aspecto o la
totalidad de algún tema de estudio y manipularlo de modo que conozcamos de antemano los
resultados, ventajas, desventajas y repercusiones de los cambios en nuestro entorno sin afectar
nuestro contexto real.
Se puede decir que la simulación es uno de los términos más importantes que vamos a abordar
en esta tesis y se hará hincapié en su significado.
Existen varias definiciones de la palabra simulación, Thomas T. Goldsmith y Estle Ray la

definen así: “Simulación es una técnica numérica para conducir experimentos en una
computadora digital. Estos experimentos comprenden ciertos tipos de relaciones matemáticas
[6]
Universidad de estudios tecnológicos de Jocotitlan. Simulación Digital.

36
y lógicas, las cuales son necesarias para describir el comportamiento y la estructura de
sistemas complejos del mundo real a través de largos periodos”. [7]
Una definición mas formal formulada por R.E. Shannon [8], creador del teorema de muestreo,
es: “La simulación es el proceso de diseñar y desarrollar un modelo computarizado de un
sistema o proceso y llevar a termino experiencias con el, con la finalidad de comprender el
comportamiento del sistema del mundo real o evaluar nuevas estrategias – dentro de los
limites impuestos por un cierto criterio o un conjunto de ellos – con los cuales puedan operar
el sistema”.
Tomando como partida dichos conceptos, podemos decir, que la simulación es una
herramienta de análisis que nos permite sacar conclusiones sin la necesidad de trabajar
directamente con el sistema real que se está simulando. Es especialmente útil cuando no
disponemos de dichos sistema real o nos resulta demasiado arriesgado realizar experimentos
sobre el.
Posiblemente muchas personas asocien la simulación con los famosos simuladores de vuelo
que abran jugado alguna vez, es mas, se podría considerar que muchos juegos de
computadores son simuladores, ya que recrean parte de la realidad. Sin embargo, su intención
no es el análisis sino el ocio, y esto es una diferencia bastante importante que hay que
remarcar.
En muchas áreas se utilizan los simuladores como una herramienta de trabajo más. Por
ejemplo, en el diseño de nuevos fármacos se suelen utilizar modelos moleculares que sirven
para simular mediante un ordenador la interacción entre compuestos químicos. Los ingenieros
de automóviles también utilizan modelos computarizados para analizar el impacto de los
choques en la seguridad de los viajeros. Seguramente se puedan crear otros escenarios donde
se utiliza un simulador como herramienta de trabajo.
[7]
F.C.E. y N. - UBA. Taller de Informática I Dpto. Computación.
[8]
Shannon, Robert; Johannes, James D. System simulation: the art and science. IEEE Transactions on Systems,
Man and Cybernetics

37
La simulación tiene como finalidad los siguientes puntos [9]:
1. Descubrir el comportamiento de un sistema

2. Postular teorías o hipótesis que expliquen el comportamiento observado
3. Usar esas teorías para predecir el comportamiento futuro del sistema, es decir mirar los
efectos que se producirían en el sistema mediante los cambios dentro de él o en su método de
operación (tiempo en minutos)
3.1. Simulación Numérica
Muchos métodos de integración se basan en este tipo de simulación. Básicamente, estos

métodos se basan en la generación de números aleatorios para la obtención de una solución
[10]
aproximada. Un buen ejemplo de este tipo de simulación es el método de Monte Carlo ,
para calcular integrales de forma aproximada. Dentro de la simulación numérica, se encuentra
la simulación mediante los modelos estocásticos y es la que vamos a emplear en este trabajo
de investigación.
Es importante observar, que existe un motivo especial (objetivo), por el cual se lleva a cabo la
simulación. Además, en toda simulación es necesario realizar muchas pruebas para llegar a
conclusiones, es decir, como hablamos anteriormente, requiere un proceso de
experimentación.
En síntesis, esta investigación tiene como finalidad utilizara la simulación y el modelaje

matemático, el cual se hablará detalladamente en los capítulos posteriores, para realizar la
representación de los escenarios pandémicos.
[9]
Wiley, Engineering & Management. Handbook of simulation principles, methodology, advances, applications,
and practice.
[10]
Silvestre, Moreno, Toscana y Luis. Curso de Simulación Monte Carlo.

38
3.2. Proceso de Desarrollo de un Modelo de Simulación
La metodología para la creación y desarrollo se puede resumir en el diagrama de flujo

mostrado en la figura 1, la cual incluye los siguientes pasos:
- Definición del sistema:
Cada estudio debe comenzar con una descripción del problema o del sistema. Si la
descripción es dada por los tomadores de decisiones, el analista debe asegurarse que se
encuentre completa. Es decir, que exista una correcta identificación del objetivo, de las
variables de decisión, las restricciones, la medida de efectividad y las variables no
controlables y su comportamiento estadístico.
- Análisis del sistema:
Deben describirse las interacciones lógicas entre las variables de decisión, de tal suerte que se
optimice la medida de efectividad en función de las variables no controlables, sin olvidar las
restricciones del sistema.
Con el fin de analizar un sistema, es indispensable definir algunos términos.
El estado de un sistema, es el conjunto de variables que definen al sistema en cualquier

instante.
Un evento, representa un acontecimiento instantáneo que modifica el estado del sistema.
Una actividad, representa el tiempo requerido para llevar a cabo una operación.
Una entidad, es cualquier objeto dentro del sistema, esta entidad puede ser estática o
dinámica, en este último caso se denota como una transacción y su principal característica es
su movimiento a través de las entidades estáticas del sistema.

39
Las entidades contienen propiedades llamadas atributos que permiten crear diferencias entre
ellas.
Por ejemplo, si definimos al sistema como una celda flexible de manufactura, las
transacciones son los pallets que se mueven a través del sistema transportando el material
dentro de la celda; los atributos pueden ser el tipo de pieza en el pallet, el peso de los pallets,
etcétera; las actividades son las operaciones de procesamiento y transporte; las entidades
estáticas son las máquinas de control numérico o los robots; los eventos son la llegada o salida
de un pallet de cada estación en la celda y, finalmente, las variables de estado son el número
de pallets esperando en cada estación o el número de estaciones ocupadas.
- Formulación del modelo:
Consiste en generar un código lógico-matemático que defina en forma exacta las

interacciones entre las variables; debe ser una definición sencilla pero completa del sistema.
Al generar las interacciones es importante tener en cuenta que se va a llevar a cabo a través
del tiempo y que el uso de listas o cadenas de eventos darán la pauta en el manejo de las
variables.
Una lista es un arreglo en el que se van ordenando las transacciones de acuerdo con la
secuenciación de eventos en el tiempo. Existen dos tipos de listas, las llamadas de eventos
futuros donde la secuencia depende del tiempo de ocurrencia del evento, y las de eventos
actuales cuya secuenciación depende de la ocurrencia de otro evento.
Por ejemplo, el evento fin de proceso de la pieza ¿depende de la duración del proceso de esa
pieza, por lo que debe acomodarse en la lista de eventos futuros; el evento inicio de proceso
de la pieza, depende del evento máquina disponible, por lo que debe acomodarse en la lista de
eventos actuales.
- Selección del lenguaje.
De la selección del lenguaje dependerá el tiempo de desarrollo del modelo de simulación, es

importante utilizar el lenguaje que mejor se adecué a las necesidades de simulación que se

40
requieran. La selección puede ser desde usar un lenguaje general como lo es BASIC, C o
JAVA hasta hacer uso de un paquete específicamente desarrollado para simular sistemas de
manufactura.
- Codificación del modelo.
Consiste en generar las instrucciones o código computacional necesario para lograr que el
modelo pueda ser ejecutado en algún tipo de computadora. La duración de este proceso está
directamente relacionada con la selección del lenguaje.
Por ejemplo, un modelo que pueda ser codificado en BASIC en 20 minutos, podría llevar
hasta 5 días en C.
- Validación del modelo.
Es el proceso que tiene como objetivo determinar la habilidad que tiene un modelo para
representar la realidad. La validación se lleva a cabo mediante la comparación estadística
entre los resultados del modelo y los resultados reales.
- Experimentación.
En este paso se determinan las diversas alternativas que pueden ser evaluadas, seleccionando
las variables de entrada y sus diferentes niveles con la finalidad de optimizar las variables de
respuesta del sistema real.
El uso de técnicas como diseño de experimentos, superficies de respuesta, permite llevar a
cabo este procedimiento en forma estructurada.
- Implantación.
Una vez seleccionada la mejor alternativa, es importante llevarla a la práctica; en muchas

ocasiones este último paso es el más difícil ya que se tiene que convencer a la alta dirección y

41
al personal de las ventajas de esta puesta en marcha. Para esto se recomienda llevar a cabo un
proceso de animación que permita visualizar el comportamiento de las variables en el sistema.
Existen en el mercado paquetes computacionales que permiten hacerlo en poco tiempo y van
desde los más específicos, hasta los muy generales que permite animar sistemas sin importar
la fuente de donde provenga el código de simulador ya que maneja las comunicaciones con
base en archivos transaccionales.
Al implantar, hay que tener cuidado con las diferencias que pueda haber con respecto a los
resultados simulados, ya que estos últimos se obtienen, si bien de un modelo representativo, a
partir de algunas suposiciones.
- Monitoreo y control.
No hay que olvidar que los sistemas son dinámicos y con el transcurso del tiempo es
necesario modificar el modelo de simulación, ante los nuevos cambios del sistema real, con el
fin de llevar a cabo actualizaciones periódicas que permitan que el modelo siga siendo una
representación del sistema.
[11]
Azarang M., Garcia E. Simulación y Análisis de Modelos Estocásticos.

42
Figura 1
Proceso de desarrollo de un modelo de Simulación.
3.3. Razones para la Simulación
Existe una serie de buenas razones que justifican realizar simulaciones, en lugar de
experimentos sobre los sistemas reales:
Los experimentos son demasiado costosos, demasiado peligrosos, o el sistema que se desea
investigar no existe aún. Éstas son las dificultades de la experimentación con sistemas reales.
La escala de tiempos de la dinámica del sistema no es compatible con la del experimentador.

Por ejemplo, lleva millones de años observar pequeños cambios en el desarrollo del universo,

43
mientras que cambios similares se pueden observar rápidamente en una simulación por
ordenador del universo.
Las variables pueden ser inaccesibles. En una simulación todas las variables pueden ser
estudiadas y controladas, incluso aquellos que son inaccesibles en el sistema real.
Fácil manipulación de modelos. Utilizando simulación, es fácil manipular los parámetros del
modelo de un sistema, incluso fuera del rango admisible de un sistema físico particular. Por
ejemplo, la masa de un cuerpo en un modelo de simulación basado en ordenador se puede
aumentar de 40 a 500 Kg. pulsando una tecla, mientras que este cambio podría ser difícil de
realizar en el sistema físico.
En una simulación de un modelo es posible suprimir perturbaciones que podrían ser

inevitables en las medidas del sistema real. Esto puede permitirnos aislar determinados
efectos en particular y, por lo tanto, mejorar nuestra comprensión acerca de dichos efectos.
A menudo, las simulaciones se realizan porque permiten la supresión de efectos de segundo

orden, tales como no linealidades u otros detalles de ciertos componentes del sistema. La
supresión de los efectos de segundo orden puede ayudarnos a comprender mejor los efectos
principales.
A continuación se enumerarán los puntos que hay que tener en cuenta para realizar una
simulación. [11]
1. Cuando no se tiene el modelo matemático definido

2. Formulación exacta del sistema
3. Cuando se tienen las fórmulas analíticas y se necesita un modelo para ponerlas a funcionar
4. El costo o la corrida de un modelo no es costosa
5. Cuando al ver un proceso físico, el cual nosotros queremos conocer, la simulación es la
única forma (posibilidad) que tenemos para conocer el comportamiento de un proceso real,
ejemplo: fenómeno del niño (climático)

44
6. Cuando se requiere acelerar o retrasar el tiempo de los procesos dentro de un sistema.
7. Cuando se quiere por medio de la simulación encontrar o hacer estudios y/o experimentos
Además, Existe criterios que se deben tener en cuenta para que un modelo de simulación sea
bueno:
1. Fácil de entender por el usuario

2. Tenga el modelo metas y objetivos
3. No de respuestas absurdas
4. Que sea fácil de manipular, la comunicación entre el usuario y la computadora debe ser
sencilla
5. Que sea completa, tenga por lo menos las partes o funciones más importantes del sistema
6. Sea adaptable que podamos modificar, adaptarlo, actualizarlo
7. Que sea evolutiva que al principio sea simple y poco a poco empezamos a volverla
compleja dependiendo de las necesidades de los usuarios
3.4. Desventajas de la Simulación
La facilidad de uso de la simulación es también su desventaja más seria: es bastante fácil para
el usuario olvidar las limitaciones y condiciones bajo las que una simulación es válida, y por
lo tanto sacar conclusiones erróneas de la simulación. Para reducir estos peligros, se debería
intentar siempre comparar al menos algunos de los resultados de la simulación del modelo
con los resultados experimentales medidos del sistema real. También ayuda el ser conscientes
de las siguientes tres fuentes más comunes de problemas cuando se emplea simulación:
[12]
- Enamorarse del modelo, el efecto Pygmalion . Es fácil entusiasmarse en exceso con un
modelo y olvidarse de su marco experimental. Es decir, el modelo no es el sistema real y sólo
representa al sistema real bajo ciertas condiciones. Por ejemplo, la hipótesis que se hacia
suponer cuando comenzó el brote del virus de la gripe A era que la mayor cantidad de casos
fatales se iban a dar en la población menor a 2 años y mayor a 70 años, pero cada virus
[12]
Amy Beth Kramer. The Pygmalion Effect: A Self-fulfilling Prophecy.

45
prefiere un grupo de población distinto, dado que en el 2009 el 75% de las hospitalizaciones y
el 60% de las muertes se dieron en menores a 49 años.
- Forzar a que la realidad encaje dentro de las restricciones del modelo el efecto. Un ejemplo
es la conformación de nuestras sociedades siguiendo ciertas teorías epidemiológicas de moda,
que tienen una visión simplista de la realidad, e ignoran muchos otros aspectos importantes de
la conducta humana, de la sociedad y la naturaleza.
- Olvidar el nivel de precisión del modelo. Todos los modelos tienen hipótesis simplificadoras
y, para interpretar los resultados correctamente, hay que tenerlas en cuenta.
Por estas razones, aunque las técnicas analíticas son en general más restrictivas, ya que tienen
un dominio de aplicación más estrecho, tales técnicas son más potentes cuando se aplican.
Un resultado de simulación es válido sólo para un conjunto particular de datos de entrada. Se
necesitan muchas simulaciones para llegar a comprender el sistema aun de manera
aproximada. Si las técnicas analíticas son aplicables, deberían usarse en lugar de la
simulación o como un complemento a ésta. [9]
A continuación se enumerarán las desventajas de la simulación:
1. Una de ellas es que al empezar a simular podemos interferir en las operaciones del sistema
2. En los sistemas entran a jugar las personas, es complicado cambiar el comportamiento
natural de las personas que se relacionan con el sistema
3. No todas las condiciones son continuas para el sistema
4. Difícil obtener siempre el mismo tamaño de muestra, estos sistemas toman muestras tan
grandes que pueden ser mucho más costosos
5. Explorar todas las alternativas o todas las variantes que pueden existir dentro del sistema
6. Los modelos de simulación no generan soluciones ni respuestas a ciertas preguntas

46
Muchas veces el desarrollo de un modelo para simularlo quita tiempo y es costoso, pero
veamos puntualmente los puntos más sobresalientes de las desventajas:
1. El modelo no representa con exactitud la situación real

2. No desenvolvemos adecuadamente las funciones que relacionan a las variables, podemos
caer en el error de obtener resultados imprecisos
3. En cuanto a los resultados nos permiten deducir que a los números no les podemos dar toda
la credibilidad, durante que tiempo los observamos, hay muchas cosas que hay que tener en
cuenta.
Recordar que la simulación más que una ciencia es un arte.
3.5. Tecnología y la Ciencia - Simulación Digital
La simulación digital es una técnica que intenta modelizar sistemas reales o hipotéticos por
computadora de forma que su funcionamiento puede ser estudiado y predecir su
comportamiento.
Aunque la simulación digital es una técnica relativamente reciente y en constante evolución,

el uso de la simulación como metodología de trabajo es una actividad muy antigua, y podría
decirse que inherente al proceso de aprendizaje del ser humano.
Es importante conocer un poco los inicios de esta práctica.

La historia y la evolución de la simulación por computadora han ido paralelas a la evolución
de la Informática.
Su origen a gran escala surge con Von Neuman y Ulam alrededor de los años 40 en el
[13]
Proyecto Manhattan , durante la segunda guerra mundial. Tenían el reto de resolver un
problema complejo para recrear una detonación nuclear mediante el comportamiento de los
[13]
Mosterín, Jesús. Los lógicos.

47
neutrones. De hacerse aquellos por vía experimental directa hubiesen sido muchas veces más
costosos y se hubiese llegado a las mismas conclusiones a las que se arribaron por el método
de simulación numérica, aparte, el problema era demasiado complicado para abordarlo
mediante técnicas analíticas de forma cerrada. La aproximación que escogieron se basa en la
utilización de números aleatorios y distribuciones de probabilidad. El método desarrollado fue
[10]
llamado "Método de Montecarlo" por el paralelismo entre la generación de números
aleatorios y el juego de la ruleta.
Durante la Guerra Fría se intensificó el uso de la simulación para resolver problemas de

interés militar; trayectorias y dinámicas de satélites artificiales, guiar mísiles, etc. Muchos de
estos problemas exigen la resolución de sistemas de ecuaciones diferenciales no lineales. Para
abordar estos problemas se utilizaron ordenadores analógicos que usaban elementos
electrónicos para resolver las operaciones matemáticas: integración, suma, multiplicación,
generación de funciones, etc.
En la figura se observa como estos elementos se conectaban para la creación de modelos de

simulación continua. [14]
Figura 2
Conexiones – Modelos de Simulación Continua.
A partir de la década de los 60 empiezan a aparecer en el mercado programas de simulación

de sistemas de acontecimientos discretos que poco a poco se empezaron a utilizar para
resolver problemas de ámbito civil.
[14]
Texto Web. Facultad de Informática de Barcelona.

48
[15]
Los más destacables fueron el GPSS de IBM (General Purpose System Simulator) y el
[16]
SIMSCRIPT . Los modelos de acontecimientos discretos son muy utilizados en la
actualidad para estudiar problemas de fabricación de procesos, logística, transporte,
comunicaciones y servicios. Estos problemas se caracterizan por centrar su interés en los
cambios que hay en el sistema como consecuencia de los acontecimientos y en su capacidad
para modelar los aspectos aleatorios del sistema.
[17]
En la nueva terminal del Sur del aeropuerto de Barcelona , se puede visualizar la
simulación del movimiento de las personas. Este simulador se utilizó para analizar el diseño
de la terminal en lo que respecta a los distintos espacios, el movimiento de las personas en
situaciones normales y el análisis del plan de evacuación. También se realizó una pequeña
animación en el funcionamiento del almacén intermedio. Este simulador se ha utilizado para
analizar mejoras en su gestión.
Finalmente, en los últimos años, el uso de la simulación se ha ampliado al sector del ocio y ha
entrado en el ámbito familiar con productos de software sofisticado, que utilizan todos los
recursos del ordenador: gráficos potentes, bases de datos, computación intensiva, etc.
A partir de los años 80, gracias a la revolución que se produjo esa década en la informática, la
simulación tuvo un impacto importante y se generalizo el uso de simulación por computadora
prácticamente en todos los ámbitos de la ciencia y la ingeniería, por ejemplo:
- Predicción del tiempo: el primer modelo numérico de predicción del tiempo que dio
resultados positivos fue desarrollado por J. G. Charney, R. Fjörtoft y J. Von Neumann con el
[18]
ordenador "ENIAC" (Electronic Numerical Integrator and Computer) . Desde entonces, y
especialmente en las últimas dos décadas, se han popularizado estos simuladores para la
predicción a corto y largo plazo del tiempo.
- Entrenamiento de pilotos: la necesidad de entrenar los pilotos surge ya en los inicios de la

aviación. A falta de ordenadores y programas informáticos de simulación, los primeros pilotos
[15]
Oswaldo Ortiz Sánchez. The gpss/h simulation language application to mine haulage problem.
[16]
Miguel Ángel Villarroel Salgueiro. Software de Simulación.
[17]
Terminal 1 del Aeropuerto de Barcelona. Entre el mar y el aire, el respeto a la tierra.
[18]
Manuel Perera Dominguez. ENIAC, matemáticas y computación científica.

49
se entrenaban con primitivos simuladores físicos. Actualmente, todos los pilotos están
obligados a entrenarse periódicamente en sofisticados simuladores para estar preparados para
resolver cualquier problema que pueda aparecer en el vuelo.
En conclusión, podemos decir que la informática ha estado y es el instrumento básico que ha

permitido y permitirá seguir avanzando en el campo de la simulación por computadora.
Existen muchos tipos de simulación por computadora, pero todos ellos comparten una
característica común: tratan de generar una muestra de escenarios representativos para un
modelo en el que una relación completa de todos los estados posibles de este sería muy
costoso o imposible. Los modelos informatizados se emplearon inicialmente como
suplemento de otros parámetros, pero más adelante su uso se extendió a otros ámbitos.
Esto demostró que la idea de diseñar un modelo adaptado a un sistema real permitía utilizar
una metodología experimental de análisis de datos que nos llevara a postular teorías e
hipótesis supuestas que expliquen el comportamiento real observado en situaciones análogas
con condiciones de contorno supuestas.
La ventaja que introdujo la simulación es su adaptabilidad a disciplinas variadas, como ser

medicina, transporte, aeronáutica, laboratorios y diversas más que se puedan plantearse como
sistemas globales de datos relacionados. Esto introdujo estudios específicos, en las áreas antes
citadas, a muy bajo costo (prácticamente el del software asociado y las horas hombre
disponibles) que llevados a la dinámica profesional hicieron que su implementación sea
atractiva frente a los beneficios obtenibles. Pues el crear situaciones desconocidas y
modelarlas para sacar conclusiones en tiempo real evidencia una ventaja competitiva que la
ciencia no puede despreciar.
Las técnicas de simulación pueden ser aplicadas de diferentes maneras, sin embargo con el
desarrollo de los sistemas de cómputo es posible utilizar una simulación digital, esto quiere
decir que con el uso de computadoras y software podemos implementar un modelo de
simulación de forma rápida, económica y confiable.

50
El uso de esta práctica para la solución de problemas es un campo interdisciplinario muy
amplio, tanto por la variedad de sistemas que pueden ser considerados, como por la diversidad
de contextos que pueden describirse.
Es usual encontrar aplicaciones en ingeniería, economía, medicina, biología, ecología o

ciencias sociales. La formación en el desarrollo de modelos matemáticos y la utilización de
simuladores digitales esta así mismo presente en muchos estudios en la actualidad.
Para poder comprender la realidad y toda la complejidad que un sistema de simulación de

pandemias puede conllevar, ha sido necesario construir artificialmente objetos y experimentar
con ellos dinámicamente, dejando de lado el querer ejercer una relación con el sistema real.
La simulación digital puede verse como el equivalente computarizado a este tipo de
experimentación.
Para ello es necesario construir objetos (modelos) que representan la realidad, de tal modo
que pueden ser interpretados y procesados mediante la computadora.
Hay 3 maneras de trabajar con métodos de simulación digital.
a. Provisión Externa:
Se refiere a grabar en un disco o en una cinta algunas de las tablas de números aleatorios y
trabajar con ellas, este método es muy lento debido que se puede hasta formar 10 veces más el
tiempo que haciendo la operación aritmética de un solo carácter
b. Generación Interna:
Es a través de un proceso físico aleatorio con este se presenta el problema de la
reproducibilidad de la secuencia
c. Generación Interna de Secuencias:

Los dígitos que se generan surgen por medio de una función recursiva, se realiza teniendo un
número inicial, se transforma ese número por medio de una ecuación y después nos va dando
una secuencia de números aunque se agranden en forma arbitraria.

51
CAPITULO 4
Los temas que se encuentran en este capítulo llevan a entender mejor los aspectos
epidemiológicos del documento desarrollado. Como la finalidad de la investigación es crear
un sistema de simulación de pandemias, es relevante conocer los fundamentos de salud, el
cual permite obtener una mejor idoneidad del contenido.
Por empezar se define el término de pandemia y los acontecimientos históricos que se fueron
llevando a cabo. Como nos centraremos en una sola enfermedad, se brindarán características
de la influenza, una descripción de la mutación de los virus y las fases de contención y
mitigación. Teniendo en cuenta que el estudio comprende a la región argentina, abordaremos
en detalle el impacto epidemiológico argentino, con datos estadísticos y cronológicos.
4. Pandemia
Pandemia es el vocablo que procede del griego pandêmon nosêma, de παν (pan = todo) +
δήµος (demos = pueblo) + nosêma (= enfermedad), expresión que significa enfermedad de
todo un pueblo. Es la afectación de una enfermedad infecciosa de los humanos a lo largo de
un área geográficamente extensa. Etimológicamente hablando debería cubrir el mundo entero
y afectar a todos. [19]
Si profundizamos la definición, decimos que pandemia es una enfermedad de tipo epidémica
que se extiende y expande hacia muchos países, incluso a través de los continentes y que por
consecuencia afecta a casi toda o a una buena parte de la población que los habita.
Una pandemia ocurre cuando aparece una nueva cepa de un virus que causa una enfermedad
humana fácilmente transmisible, contra la cual la mayor parte de la población carece de
inmunidad.
Es preciso destacar y aclarar este punto porque muchas veces se incurre en el error por
desconocimiento del tema, lo que a una enfermedad la convierte en pandemia no es que mata
[19]
Real Academia Española. Definición de Pandemia.

52
a la mayoría de las personas que se han infectado con ella, sino más bien el alto grado de
propagación que ostentan, es decir, el fácil y rápido traslado de la misma a través de
diferentes zonas geográficas.
Por ejemplo, enfermedades como el cáncer, afectan a miles y miles de personas alrededor del
mundo, sin embargo, nunca jamás llegarán a la clasificación de pandemia, dado que no se
propaga a través del contacto persona a persona. [20]
En tanto, en el mes de mayo del año 2009 la OMS cambia la definición de Pandemia. Antes
de este cambio, pandemia se definía como: “Infección por un agente infeccioso, simultanea en
diferentes países, con una mortalidad significativa en relación a la proporción de población
infectada”. En la nueva definición de pandemia se ha eliminado la característica de
mortalidad. [19]
La Organización Mundial de Salud indica que para que pueda aparecer una pandemia, se
necesita:
- Que aparezca un virus nuevo, que no haya circulado previamente y por lo tanto, no exista
población inmune a el.
- Que el virus sea capaz de producir casos graves de enfermedad.
- Que el virus tenga la capacidad de transmitirse de persona a persona de forma eficaz.
En el 2009 propuso 6 fases de alerta para las pandemias, a continuación se describen las
características de cada una. [19]
Fase 1: No hay entre los animales virus circulantes que hayan causado infecciones humanas.
Fase 2: Circulación entre los animales domésticos o salvajes de un virus gripal animal que ha
causado infecciones humanas, por lo que se considera una posible amenaza de pandemia.
[20]
Definición de Pandemia. Definición ABC.

53
Fase 3: Existencia de un virus gripal animal o un virus reagrupado humano-animal que ha
causado casos esporádicos o pequeños conglomerados de casos humanos, pero no ha
ocasionado una transmisión de persona a persona suficiente para mantener brotes a nivel
comunitario.
Fase 4: Transmisión comprobada de persona a persona de un virus animal o un virus

reagrupado humano-animal capaz de causar “brotes a nivel comunitario”.
Fase 5: Propagación del virus de persona a persona al menos en dos países de una región de la
OMS.
Fase 6: Además de los criterios que definen la fase 5, hay acompañamiento de la aparición de
brotes comunitarios en al menos un tercer país de una región distinta.
4.1. Pandemias Históricas
Ha habido un número importante de pandemias en la historia humana, todas ellas

generalmente zoonosis que han llegado con la domesticación de animales tales como
la viruela, difteria, gripe y tuberculosis. Ha habido un número de epidemias particularmente
importantes que merecen una mención por encima de la destrucción de ciudades:
- Plaga de Atenas, durante la Guerra del Peloponeso, 430 a. C. Un agente desconocido,

posiblemente fiebre tifoidea mató a la cuarta parte de las tropas atenienses y a una cuarta parte
de la población a lo largo de cuatro años. Esto debilitó fatalmente la preeminencia de Atenas,
pero la virulencia absoluta de la enfermedad evitó una mayor expansión.
- Peste antonina, 165–180. Posiblemente viruela traída del Oriente próximo; mató a una
cuarta parte de los infectados y hasta cinco millones en total. En el momento más activo de un
segundo brote (251–266) se dijo que morían 5.000 personas por día en Roma.
- Peste de Justiniano, comenzó en 541. Es el primer brote registrado de la peste bubónica.
Empezó en Egipto y alcanzó Constantinopla en la siguiente primavera, matando (de acuerdo

54
al cronista bizantino Procopio de Cesarea) 10.000 personas por día en su momento más activo
y quizá a un 40% de los habitantes de la ciudad. Continuó hasta destruir hasta la cuarta parte
de los habitantes del Mediterráneo oriental.
- La peste negra, comenzó en el siglo XIV. Ochocientos años tras el último brote, la peste
bubónica volvía a Europa. Comenzando en Asia, la enfermedad alcanzó el Mediterráneo y
Europa occidental en 1348 (posiblemente llevada por mercaderes italianos que huían de la
guerra en Crimea), y mató a veinte millones de europeos en seis años, una cuarta parte de la
población total y hasta la mitad en las zonas urbanas más afectadas.
Cólera:
- Primera pandemia (1816–1826). Previamente restringida al subcontinente indio, la pandemia

comenzó en Bengala y se expandió a través de la India hacia 1820. Se extendió hasta
la China y el Mar Caspio antes de disminuir.
- La segunda pandemia (1829–1851) alcanzó Europa, Londres en 1832, Nueva York en el

mismo año, y la costa del Pacífico en Norteamérica por 1834.
- La tercera pandemia (1852–1860) principalmente afectó a Rusia, con más de un millón de

muertos.
- La cuarta pandemia (1863–1875) se extendió en su mayor parte por Europa y África.
- La quinta pandemia (1899–1923) tuvo pocos efectos en Europa gracias a los progresos en
salud pública, pero Rusia fue gravemente afectada de nuevo.
- La sexta pandemia, llamada “El Tor” por la cepa, comenzó en Indonesia en 1961 y
alcanzó Bangladesh en 1963, India en 1964, y la URSS en 1966.

55
- La gripe española (1918–1920). La mal llamada gripe española, causada por el virus H1N1
comenzó en marzo de 1918 en Fort Riley, Kansas, Estados Unidos. Una grave y mortífera
cepa de gripe se expandió por el mundo. La enfermedad mató a 25 millones de personas en el
curso de seis meses; algunos estiman el total de muertos en todo el mundo en más del doble
de ese número. Unos 17 millones se estima que murieron en la India, 500.000 en los EE.UU.
y 200.000 en Inglaterra. Se desvaneció en 18 meses y la cepa concreta nunca fue determinada.
- La gripe asiática (1957-1958). La gripe asiática, causada por el virus H2N2. Murieron 2
millones de personas.
- La gripe de Hong Kong (1968-1969). Causada por el virus H3N2. Murieron 1 millón de
personas.
El virus de la gripe ha causado también varias alertas de pandemia en el siglo XX, incluyendo
la pseudo-pandemia de 1947, el brote de gripe porcina de 1976 y la gripe rusa de 1977, todas
provocadas por el subtipo H1N1.
En Argentina, la Ciudad de Córdoba registró los datos de las dos últimas pandemias de gripe,
que tuvieron su manifestación local en 1957 y 1969-70, respectivamente. Según los registros,
la pandemia de 1957 fue algo más grave que la de 1969-1970, alcanzando una mortalidad de
113 personas cada 100.000 habitantes para agosto de 1957, contra 103 muertes cada 100.000
habitantes en julio de 1970.
- VIH Es la enfermedad que consiste en la incapacidad del sistema inmunitario para hacer
frente a las infecciones y otros procesos patológicos, es considerada pandemia debido a su
rápida propagación, sus víctimas se estiman entre los 20 y 25 millones, sobre todo en África.
- El tifus es la enfermedad epidémica de tiempo de guerra, y ha sido llamada algunas veces

fiebre de los campamentos debido a su patrón de estallar en tiempos de penalidades.
Emergiendo durante las Cruzadas, tuvo su primer impacto en Europa en 1489, en España.
Durante la lucha entre los españoles cristianos y los musulmanes en Granada, los españoles
perdieron 3.000 efectivos por bajas de guerra y 20.000 por tifus. En 1528 los franceses
perdieron 18.000 efectivos de sus tropas en Italia y perdieron la supremacía en Italia en favor
de los españoles. En 1542, 30.000 personas murieron de tifus mientras combatían a

56
los otomanos en los Balcanes. La enfermedad también jugó un papel de importancia en la
destrucción de la Grande Armée de Napoleón en Rusia en 1811.
- Otras epidemias se produjeron en los encuentros entre los exploradores europeos y las
poblaciones del resto del mundo, produciéndose frecuentemente epidemias locales de
extraordinaria virulencia. La enfermedad mató a gran parte de la población nativa (guanche)
de las Islas Canarias en el siglo XVI. La mitad de la población nativa de la isla, la
española, en 1518 murió por la viruela. La viruela también destrozó México en la década de
1520, matando a 150.000 personas sólo en Tenochtitlan, incluyendo el emperador, y Perú en
la década de 1530, ayudando a los conquistadores españoles. El sarampión mató a dos
millones más de nativos mexicanos en la década de 1600. Y aún en 1848–49, tanto como
40.000 de 150.000 nativos hawaianos se estima que murieron de sarampión, tos ferina y gripe.
En 1997, en Hong Kong, 18 personas resultaron infectadas y 6 de ellas murieron, en el primer

caso de gripe aviar (virus de la gripe A subtipo H5N1) en seres humanos. Como respuesta el
gobierno mandó destruir a toda la población de pollos, medida que probablemente contuvo la
difusión global de la enfermedad.
El hecho llevó a que la Organización Mundial de la Salud (OMS) comenzara a llamar la
atención sobre la difusión mundial de la gripe de las aves, y sobre la posibilidad de
una pandemia (epidemia mundial) causada por un virus de gripe altamente patógeno, que
podría estar también vinculado a los cerdos (gripe porcina), animales en los que conviven
tanto los virus de la gripe aviaria como de la gripe humana.
En 2002 apareció el SARS en China, una neumonía atípica con alta tasa de mortalidad, que se
extendió de inmediato a 29 países, y al año siguiente reapareció la gripe aviaria en humanos,
también en China.
En ese momento la OMS incrementó al nivel 3 la alerta de pandemia. Simultáneamente, la 56ª
Asamblea Mundial de Salud y el 44° Consejo Directivo de la Organización Panamericana de
la Salud (OPS) urgieron a los países para que fortalecieran su capacidad para enfrentar una
pandemia de influenza.
En Argentina, en el año 2002, el Presidente Eduardo Duhalde dio la orden de comenzar el

estudio de un plan de contingencia para enfrentar una posible pandemia de gripe, coordinando
la acción del Ministerio de Salud y la Secretaría Nacional de Sanidad Animal (SENASA).

57
- La gripe aviar del 2003, en su cepa H5N1, se convirtió en amenaza de pandemia en 2005,
cuando se produjeron los primeros contagios en seres humanos.
En 2005 la OMS estableció nuevas reglas para atender una pandemia, que incluyeron la
obligación de los países de comunicar a la OMS, dentro de las 24 horas, sobre cualquier brote
serio e inusual.
Desde su aparición en 1997, nuevos casos de gripe aviar aparecieron en varios países de Asia
y África, sumando hasta el 1 de julio de 2009, una cantidad de 436 infectados, de los cuales
262 murieron.
También en 2005, la IV Cumbre de las Américas realizada en Mar del Plata, incluyó en la
declaración final, un compromiso sobre la necesidad de preparar "planes nacionales de
prevención para combatir posibles pandemias tales como la gripe aviar".
El Ministro de Salud de la Nación, Ginés González García, llevó adelante en Córdoba un

simulacro de pandemia, y al año siguiente, junto a los ministerios de Salud provinciales, se
realizó el Plan de Contingencia Integrada para Pandemia de Influenza y SARS.
Entre otras consideraciones, el Plan de Contingencia informa que a partir de los datos de la
pandemia de influenza de 1969-1970 en Argentina, el plan estima dos escenarios en una
posible pandemia de influenza en Argentina:
1.- Un escenario moderado con un 15% de contagio.

2.- Un escenario algo más grave que el de 1969-1970, con un 35% de contagio.
En caso de presentarse el escenario moderado, el plan estima que habría 69.000 personas
hospitalizadas y 13.215 muertes. Para el escenario grave el plan estima 136.104
hospitalizaciones y 30.834 muertes.

58
En este desarrollo se dejara de lado el plan de contingencia y se analizará lo sucedido con
datos reales del 2009 brindados por el ministerio nacional de salud
- La gripe A (H1N1), también conocida como gripe porcina (2009-2010). Se desarrollara en

profundidad en los siguientes puntos, por ser uno de los temas definidos para la investigación.
Existe un gran potencial para que se produzca una pandemia en un futuro próximo…el tema
no es si se producirá, sino cuándo.
Referencia del Texto. [19] [21]
4.2. Características de la influenza
La influenza es una enfermedad de transmisión aérea causada por un virus RNA,

perteneciente a la familia Ortomixoviridae. Se conocen tres tipos: A, B y C; el virus A
presenta dos subtipos que en la actualidad circulan en humanos (H1N1 y H3N2). Para los
virus influenza tipos B y C no se han descrito subtipos y sólo circulan en humanos.
Su alta transmisibilidad en épocas epidémicas ocasiona altas tasas de incidencia, (que alcanza
del 10 al 20 % de la población) y la principal complicación son las neumonías de etiología
viral, bacteriana o mixtas, las que se presentan con mayor frecuencia en gerontes, menores de
5 años y en pacientes con patologías crónicas (cardíacas, pulmonares, renales, metabólicas) o
inmunosuprimidos, este grupo puede incrementar la tasa de mortalidad. [22]
La gripe en todas sus variantes y virus, sí puede convertirse en una pandemia como
consecuencia de esa fácil transmisión y traslado. Aún más y sin tener que irnos muy lejos en
el tiempo para encontrar un ejemplo, hace poco tiempo el mundo entero se vio afectado y
diezmado por una pandemia. La gripe conocida como influenza A, Gripe Porcina o Virus
H1N1, tales son los nombres con los cuales se la designa en los distintos países y dada la
fenomenal extensión que encontró en los últimos meses, este tipo de gripe que nace en los
cerdos, por eso también se la denomina como gripe porcina, ya consiguió que la máxima
[21]
Wikipedia. Pandemia Gripe A (H1N1) de 2009 – 2010 en Argentina.
[22]
Ministerio de Salud de la Nación. Plan de Pandemia de Influenza.

59
organización internacional de la salud, la Organización Mundial de la Salud (OMS) la
declarase una pandemia y elevase el nivel de alerta de la misma al máximo nivel de su
clasificación, el 6. Este estado de alerta supone que el virus no solamente ya puede propagarse
de persona a persona al menos en dos países de una región, sino que además ya se han
comprobado brotes en al menos un tercer país correspondiente a una región distinta.
Pero para tener más en claro cuando una enfermedad puede ser clasificada como pandemia,
también según este organismo de salud, será preciso repasar las condiciones que estos
proponen, que es, la aparición de un nuevo virus que no haya circulado antes y así no habría
población inmune a el, es decir, cualquiera lo puede contraer, que el virus sea capaz de
producir casos muy graves y por último que tenga la capacidad de transmitirse de persona a
persona con mucha facilidad y trascendiendo fronteras.
Vale destacar que si bien desde la antigüedad se han registrado pandemias en el mundo, en la
actualidad, las bondades de la globalización, que hacen que hoy podamos estar en el
continente americano, mañana en Europa y pasado en Asia, contribuyen a la propagación y
difusión de un virus como el de la gripe. [20]
La historia muestra que las pandemias de gripe típicamente ocurren con muy poca advertencia
y afectan grandes áreas geográficas en múltiples oleadas con una duración de dos a tres meses
por vez.
Los profesionales de la salud admiten que no hay manera de determinar con certeza si una
cepa variante del virus H5N1 (conocido como "gripe aviar") o totalmente otra enfermedad
causará la próxima pandemia. [23]
En la terminología epidemiológica se denomina transmisión comunitaria sostenida al

momento en que una enfermedad infecciosa ya no está originada en un factor externo a esa
comunidad y se extiende por contagio entre sus miembros. Internacionalmente, se considera
que existe transmisión comunitaria sostenida cuando existen "cinco o más casos confirmados
en un período de 7 días, sin antecedentes de viaje a países donde haya casos confirmados y sin
relación con un caso confirmado en los 7 días previos". [24]
[23]
Annoucing a new FCC.gov. Federal Communication Commisiom. Pandemia.
[24]
Fisterra. Guías Clínicas - Nueva gripe A (H1N1).

60
En la etapa inicial, previa a la transmisión comunitaria sostenida, es de gran importancia la
toma de muestras de todas las personas con sospecha de enfermedad, para identificar
los nexos epidemiológicos causantes del contagio, las áreas afectadas y los focos, con el fin
de proceder a la contención del virus. Pero una vez que se ingresa a la etapa de transmisión
comunitaria sostenida, "se dejan de tomar muestras a la gente con sospecha de la enfermedad,
salvo a los casos graves que requieren internación o a los enfermos de grupos más
vulnerables", y se ingresa a la etapa de mitigación. [25]
La morbilidad se estima que en períodos epidémicos varía entre 10 al 20 % en población

general pero puede elevarse al 50% en comunidades cerradas.
Las tasas de morbilidad más elevadas se esperan en los grupos de edad que incluyen a los
niños y jóvenes llegando a valores del 35 % aproximadamente. En los adultos y mayores las
tasa ronda entre el 10 al 15 %.
Durante las pandemias estas tasas pueden superarse como la observada para 1918-19 que fue
mayor del 40 % en población general. Tasas de ataque del 10 % causan problemas
comunitarios, del 25 % desbordan los servicios comunitarios, colapsan los servicios de salud
y tasas del 50 % provocan un desastre.
Las tasas de hospitalización son elevadas en los grupos de riesgo, estimaciones para USA
arrojan para mayores de 65 años valores que van de 200 a más de 1.000 x 100.000. En los
demás grupos de edades que se encuentran en riesgo, las tasas de hospitalización variaron de
40 a 500 x 100.000, mientras que los que no tenían riesgo variaron entre 20 a 100 x
100.000.[22]
En el caso de la mortalidad por lo general se producen aumentos en los períodos epidémicos

indicando su impacto. Este aumento no sólo es debido a neumonías, sino también a otras
enfermedades cardio-pulmonares y enfermedades crónicas que pueden ser exacerbadas por la
infección con el virus.
Datos obtenidos de USA demuestran que el grupo más afectado es el de mayores de 65 años,
quienes contabilizan más del 90 % de las muertes. En las 23 epidemias desde 1972-73 hasta
1994-95 han observado que el exceso de muertes fue superado en 19 ocasiones donde la tasa
[25]
La situación de la gripe a en Santa Fe.

61
varió de 25 al 150 x100.000 en este grupo. En las pandemias la mortalidad puede ser muy
elevada dado que no sólo afecta a los grupos de riesgo. [22]
De todas las complicaciones, la más frecuente y que mayor amenaza para la vida es la
neumonía, siendo más usual la bacteriana, menos común la asociación viral - bacteriana y rara
la viral.
También están descriptas la bronquitis, bronquiolitis, croup y otitis media. Complicaciones

cardíacas como la miocarditis, pericarditis y endocarditis. Complicaciones renales, hepáticas y
compromiso del Sistema Nervioso Central. Debemos considerar también la exacerbación de
bronquitis crónica, asma y fibrosis quística. [22]
En los periodos ínter-pandémicos el costo socio-económico es muy elevado por ser causa
frecuente de ausentismo laboral y escolar, inadecuado e innecesario consumo de
medicamentos, alta demanda de asistencia ambulatoria y necesidades de internación.
Existe gran número de estudios de efectividad y de costo beneficio en la aplicación de vacuna
antigripal a personas pertenecientes a grupo de riesgo e incluso a personas sin riesgo.
Respecto de la eficacia se sabe que la vacuna cuando hay buena concordancia entre la cepa
vacunal y el virus que circula, previene la enfermedad en aproximadamente el 70 % en niños
y jóvenes sanos. Este valor disminuye a 30-40 % en mayores de 65 años pero la prevención
de la hospitalización por complicaciones de influenza es de 50-60 %, por neumonía del 60-70
% y de muerte en 70-80 %.
En un meta-análisis de 20 estudios de cohorte, donde en 6 de ellos hubo diferencia en la cepa

que circuló respecto de la vacunal las cifras sobre prevención se modificaron a hospitalización
50 %, neumonía 53 %, enfermedad 56 % y mortalidad 68 %.
En Argentina un estudio de costos en niños con patología subyacente, “Vacunación Antigripal

en Niños, Análisis Fármaco-económico”, reveló las diferencias entre poblaciones
inmunizadas y no inmunizadas expresada en términos de costos directos e indirectos con un
gasto de u$s 33,92 en los vacunados en relación a los u$s 104,80 en los no vacunados.
Estos ejemplos evidencian el beneficio obtenido por la aplicación de la vacuna en personas
pertenecientes a grupo de riesgo e incluso su uso en trabajadores sanos. [22]

62
4.3. Mutación de los virus
El 6 de mayo un equipo de científicos pertenecientes a la Agencia de Salud Pública de Canadá

completó la secuencia genética del virus.
Erróneamente, al comienzo se la denominó como gripe porcina, pero en realidad
el virus H1N1 que inició la pandemia de 2009 es una mutación que combina diversos genes
correspondientes a distintos virus de gripe porcina, gripe aviaria y gripe humana, provenientes
de Eurasia y Norteamérica.
Los cerdos tienen la particularidad de ser susceptibles a los virus de la gripe que también son
capaces de infectar a seres humanos y aves. Por esta razón en los cerdos pueden combinarse
genéticamente virus de diversas especies.
Esta característica facilita la transmisión del virus, siendo aún mayor que la de la gripe
estacional con tasas de morbilidad (contagio) altas, que pueden llegar al 100 por ciento,
debido a que el sistema inmunitario de las personas aún no afectadas desconoce al nuevo
virus, no disponiendo de defensas.
Al igual que otras enfermedades respiratorias comunes, los lugares de reunión cerrados
constituyen los mejores escenarios para los contagios. Por esta razón el transporte aéreo
constituye un medio favorable para la expansión geográfica del virus, así como las escuelas
constituyen un medio favorable para su difusión comunitaria.
Si bien los primeros datos parecían dar a entender que el virus tenía una alta tasa de
mortalidad, con posterioridad y a medida que el contagio mundial avanzaba, la tasa de
mortalidad no apareció como más alta que la de la gripe común.
Al 6 de julio en el mundo se habían confirmado 94.512 casos mediante análisis de laboratorio,
con 429 muertos (0,045%). Sin embargo el número de casos confirmados con análisis de
laboratorio parece encontrarse muy por debajo de la cantidad de personas que contrajeron la
enfermedad.

63
El 25 de junio Estados Unidos informó oficialmente que estimaba en 1.000.000 la cantidad de
personas enfermas de gripe A. Una tendencia similar a no reportar la totalidad de los casos
estimados, se ha señalado en otros países como el Reino Unido y Japón.
Se ha destacado sin embargo que el virus parece tener la peculiaridad de atacar a jóvenes
adultos sanos. Una tendencia similar sería detectada en la Argentina. Un estudio del
CDC (centro para el control y la prevención de enfermedades) publicado en mayo de 2009
encontró que los niños y adolescentes no cuentan con anticuerpos preexistentes contra el
nuevo virus, pero que los adultos entre 18 y 64 años sí presentan anticuerpos en un 6% a 9%
de los casos, mientras que los mayores de 65 años tienen defensas en un 33% de los casos.
Finalmente, el virus H1N1 es muy inestable y tiene una alta capacidad potencial para mutar
en cualquier momento. Los especialistas han destacado esta posibilidad como un riesgo,
especialmente si el mismo se combina con un virus de gripe aviar (H5N1).
El 12 de junio de 2009 la empresa Novartis, subsidiada por Estados Unidos, anunció haber
producido el primer lote de vacunas contra el virus, pero la misma recién se encontrará
disponible en la primavera austral.
El 26 de abril, dos días después de que se anunciara el brote en México y un día antes de que
la OMS elevara la alerta mundial al nivel 4, la por entonces Ministra de Salud Graciela
Ocaña reunió un Comité de Crisis y Evaluación por el brote de gripe porcina, con los
principales funcionarios del Ministerio de Salud, los directores de los hospitales Garrahan
y Posadas y un especialista de la Organización Panamericana de la Salud (OPS).
Ese mismo día la prensa argentina trató el tema en primera plana. El diario Clarín, el de
mayor tirada del país, tituló "Gripe porcina, alerta en el mundo por un gripe difícil de
combatir". En la nota, luego de señalar la alta mortalidad de virus en México (81 personas
entre unos mil afectados), el periódico cita las palabras del Dr. Tomás Orduna, Jefe de
Infectología del Hospital Muñiz de la Ciudad de Buenos Aires:
“La peor pesadilla que se temía podía suceder con el virus de la gripe aviar, se dio con el de la
gripe porcina. La liebre saltó por el lado menos pensado”.
El 28 de abril el Comité de Crisis comenzó a reunirse bajo la presidencia del Jefe de Gabinete
de Ministros, Sergio Massa, con el fin de consensuar y coordinar las medidas a adoptar en

64
caso de que el virus ingresara al país. El Comité incluyó también a la Policía de Seguridad
Aeroportuaria, el Ministerio de Economía, la Secretaría de Transporte, la Secretaría de
Medios, la Dirección de Migraciones y la empresa que opera los aeropuertos. Luego se
integrarían también el ministro de Educación, Juan Carlos Tedesco, y los ministros de Salud
de la provincia de Buenos Aires, Claudio Zin y de la Ciudad de Buenos Aires, Jorge Lemus.
4.4. Fase de contención y mitigación
En el tratamiento de una epidemia existen dos grandes etapas:
1.- Una primera etapa de contención, en la que se busca atender enérgicamente todos los casos
2.- una segunda etapa de mitigación, caracterizada por la toma de medidas no farmacéuticas
de restricción masiva de las actividades sociales (económicas, educativas, culturales,
administrativas, etc.) y la concentración de la atención médica hacia los casos más graves. [26]
[27]
En la primera etapa de contención, el objetivo es impedir que el virus salga de los focos
detectados para mantener la infección contenida dentro de esos límites sanitarios, con el fin de
ganar tiempo para organizar las medidas masivas a tomarse durante la etapa de mitigación.
Teniendo en cuenta que las escuelas se tornaron el principal foco de contagio, la principal
medida de contención fue el cierre de las escuelas en las que se detectaban casos de infección.
El 26 de mayo, el gobierno nacional ordenó suspender las clases por 72 h en aquellas escuelas
en las que se hubieran detectado casos sospechosos, y por 14 días en aquellas en las que se
hubieran confirmado. [26]
El Secretario de Salud de la Nación, Carlos Soratti, explicó que la medida de cerrar escuelas
estaba avalada por trabajos científicos internacionales que muestran que si no se efectúa
ninguna intervención, el contagio puede llegar a afectar al 42% de la comunidad escolar, pero
[26]
SADI, SAP y CNI. Guías y consensos: Influenza A (H1/N1).
[27]
Pisani, Francis (10 de mayo de 2009). Influenza: mitigación y ciencia de las redes.

65
con suspensión de clases y recomendación de aislamiento voluntario, se disminuye la
posibilidad al 11,6%. [28]
El criterio establecido por el gobierno nacional para la etapa de contención fue seguido por
todas las provincias y la Ciudad de Buenos Aires, sin manifestar desacuerdos con él mismo.
El 15 de junio, la Viceministra de Salud de Santa Fe, Débora Ferrandini, sostuvo que

"entendemos que el cierre de escuelas es una medida de contención; si se presentan casos
como el del La Salle y del Stella Maris se cerrarán las escuelas;... sigue siendo útil un
aislamiento social con las suspensión de clases para evitar que se propague y haya contagios".
[29]
Hacia la primera semana de junio, unos 49 establecimientos educativos mantenían cerradas

sus puertas o suspendidas divisiones. [30]
Cuando el virus ya se encuentra extendido en la comunidad, fuera de los focos de contagio,

los cierres preventivos de escuelas puntuales y otros centros de reunión comunitaria, así como
el análisis de cada caso sospechoso, se vuelve inefectivo ante la masividad de la epidemia.
En cada zona los expertos debatieron y en ocasiones discreparon sobre el mejor momento de
abandonar las medidas puntuales de contención, para ingresar decididamente a una estrategia
de mitigación, caracterizada por medidas de restricción masiva de las actividades sociales y el
abandono del enfoque caso por caso, pero también por el alto costo que implica la caída
abrupta de la actividad económica.
Finalmente el momento de pasar de las medidas de contención a la etapa

de mitigación dependió de la situación concreta de cada área geográfica afectada.
El 16 de junio se inició la fase de mitigación, las autoridades sanitarias de la Provincia de
Buenos Aires comenzaron a señalar que, en el Gran Buenos Aires, el virus ya se había
diseminado y que allí ya era necesario comenzar a tomar medidas de mitigación.
Esto significó la adopción de una estrategia orientada a toma de medidas restrictivas masivas,
a profundizar la vigilancia epidemiológica y en apuntar fundamentalmente a los grupos de
[28]
Lipcovich, Pedro. Veintidós escuelas cerradas.
[29]
Rosario 3. Gripe A en Santa Fe: sin nuevos casos y con política de aislamiento.
[30]
Clarín. Más casos de gripe A: cierran el Carlos Pellegrini por dos semanas.

66
[31]
riesgo, donde se produjeron los casos más graves . Dentro de este grupo se incluyen a los
niños que tienen entre 6 y 23 meses en situaciones de vulnerabilidad, y de entre 6 meses a 2
años, en caso de que tuviesen complicaciones durante el parto, los mayores de 65 años,
adultos y niños con afecciones pulmonares y cardiovasculares, y pacientes con
enfermedades metabólicas o que presentan inmunodeficiencias.
También se suman los grupos que pueden transmitir la gripe a personas de alto riesgo:
médicos, enfermeras, y aquellos que ocupan funciones críticas en caso de epidemia. [32]
Dentro de esta estrategia, y ante el colapso del sistema de guardias, se dispuso una red de
[33]
consultorios especiales en los hospitales bonaerenses y porteños , y se envió una nueva
partida para la asistencia ante la epidemia, de unos 22 millones de dólares, que incluyen la
compra de dos millones de dosis antivirales.
En la segunda semana de Junio el Ministerio de Salud de la Nación informó en el Parte Nº 49,

que se modificaba la definición de "caso sospechoso" en la Ciudad de Buenos Aires, el
Conurbano Bonaerense y la ciudad de La Plata, a las que se consideró como "áreas con
transmisión extensa", dando así por terminada la etapa de contención en esa región, aunque
manteniéndola para las restantes zonas del país. [34]
4.5. Impacto Epidemiológico en Argentina
El virus de influenza A (H1N1) arribó al país a comienzos de la época invernal (finales de

abril del 2009), por medio del contacto aerocomercial con las áreas endémicas,
principalmente México y Estados Unidos. De esta manera Argentina se convirtió en el octavo
país en reportar casos de gripe A en el continente americano, lo que agravó la delicada
situación sanitaria relacionada con las enfermedades invernales comunes, como la gripe
común, la bronquiolitis, bronquitis y neumonías, en sostenido incremento interanual.
[31]
Valeria Perasso. Nueva estrategia ante la gripe porcina.
[32]
Los Andes. Cuáles son los grupos de riesgo.
[33]
InfoBAE. La Provincia amplió la red de "consultorios A" para tratar la influenza.
[34]
Ministerio de Salud de la Nación. Situación de la influenza porcina. Parte Nº 49.

67
A modo de ejemplo, en 2008 se habían duplicado los casos de gripe en chicos de Capital
[35]
, mientras que en 2009 los casos de bronquiolotis se incrementaron en un 40%. [36]
Entre las principales razones que explican estos incrementos, se encuentran, en primer lugar,
el cambio climático. La reducción y práctica anulación de las estaciones intermedias (otoño y
primavera), imposibilitan la adaptación a las temperaturas cada vez más bruscas de las
estaciones centrales. Otra de las causas es el uso libre de los medicamentos, que favorece a
desarrollar virus más resistentes.
La incidencia cada vez mayor de enfermedades respiratorias, junto al temor de la nueva cepa
de virus, colaboró al colapso del sistema de guardias, médicos a domicilio y médicos
laborales [37], duplicó el ausentismo escolar, llegando al 45% en algunos establecimientos [38],
y se triplicó en los trabajos, produciendo un fuerte impacto económico. [39]
La asociación de estas enfermedades al virus de la nueva gripe fueron los causantes de

cuadros graves, muchos de los cuales requirieron internación y culminaron en fallecimientos.
La OMS también expresó su preocupación por la eventual mutación que pueda producirse
entre el nuevo virus y los de enfermedades de transmisión común, agravando la situación
pandémica.
La Organización Mundial de la Salud (OMS) y las autoridades sanitarias argentinas

expresaron desde un inicio su preocupación por el hecho de que la inminente llegada
del invierno austral, podría causar que el efecto de la pandemia en el hemisferio sur fuera
[40] [41]
"mucho más grave" que el de México , provocando un repunte de la epidemia a nivel
global. [42]
La combinación de urgencia, incertidumbre y costos sanitarios, hicieron complejos los

esfuerzos para controlar la infección.
[35]
InfoBAE. Se duplicaron los casos de chicos con gripe en Capital.
[36]
La Gaceta. Aumentan los casos de bronquiolitis.
[37]
Clarín. Colapsó el sistema médico a domicilio: los prestadores piden "racionalidad".
[38]
Clarín. Ausentismo récord en las escuelas por el miedo a la Gripe A.
[39]
Clarín. Por la gripe se triplicó en un mes el ausentismo en el trabajo.
[40]
Clarín. Gripe porcina: el Gobierno advierte que el invierno agravará la situación.
[41]
El Economista. OMS pide seguir atentos a gripe porcina y alerta de llegada a hemisferio sur.
[42]
La República. Gripe porcina podría repuntar en el invierno de ambos hemisferios.

68
Las respuestas ante una epidemia oscilan desde intervenciones muy limitadas hasta medidas
en mayor escala como el cierre de colegios y establecimientos, estimulando a la gente a
permanecer en sus domicilios junto con el empleo de agentes antivirales.
A partir de aquí, la crónica de una epidemia nacional que seguramente, podría haber sido
“controlada” mucho antes.
El 2 de Mayo la ministra de Salud, Graciela Ocaña aseguró que “no hay ningún caso
confirmado de gripe A H1N1” y señaló que “tenemos una situación diferente al hemisferio
Norte porque acá empieza la temporada de gripe que genera mayor demanda de salud”.
En tanto, el consultor de la Organización Panamericana de la Salud (OPS), Rubén Torres,
destacó que la Argentina “está tomando todas las medidas recomendadas” para prevenir la
Gripe A y estimó que “no hay por qué sembrar alarma”, ante la aparición de la epidemia a
nivel mundial.
El 7 de Mayo se confirmó el primer contagio de un hombre procedente de la Ciudad de

México que había ingresado al país sin síntomas el 24 de abril. El segundo caso fue detectado
el 22 de Mayo. Hacia finales del mes de mayo se inició el contagio comunitario en algunas
escuelas del norte de la Ciudad de Buenos Aires y del Gran Buenos Aires, principal zona
afectada por la epidemia.
El 25 de mayo el gobierno informó que se habían confirmado 14 casos positivos, trece de los
cuales correspondían a alumnos de la escuela primaria Fray Mamerto Esquiú del barrio
de Belgrano de la Ciudad de Buenos Aires y el restante a un estudiante de quince años del
colegio secundario Del Pilar, ubicada en el municipio del mismo nombre, en el conurbano
bonaerense.
Los trece casos confirmados de Belgrano sufrieron el contagio a través de una compañera de
11 años que había visitado Disney World en Orlando, Florida, EE. UU.. El caso de Pilar
sufrió el contagio en un torneo de equitación realizado en el Club Hípico Argentino, de la
Ciudad de Buenos Aires.
En el mismo anuncio, el gobierno informó que existían otros casos sospechosos sobre los que
esperaban resultados y que se había decidido cerrar por 14 días las dos escuelas en las que se
encontraban los casos confirmados y, preventivamente, otras dos escuelas más en Belgrano y
Pilar.

69
El 29 de Mayo el nuevo virus de la influenza A (H1N1) se manifiesta como ‘benigno’ en el
hemisferio sur, incluyendo la Argentina, a diferencia de lo que ocurre en México, donde se
registra la mayor cantidad de casos fatales, dijo la ministra de Salud de la Nación, Graciela
Ocaña. (Declaraciones en Radio Continental)
Un día después, el 30 de Mayo, los casos positivos confirmados alcanzaron los 100, y otros
tres establecimientos fueron cerrados, siempre en las zonas del barrio de Belgrano y de Pilar.
El 1 de junio, con 131 casos positivos, el Secretario de Salud de la Nación, Carlos Soratti,
indicó que el 90 por ciento de los casos positivos estaba relacionado con las comunidades
educativas de colegios de Capital y el Gran Buenos Aires, todos con nexo epidemiológico, es
decir que podía determinarse la fuente de contagio, por lo que técnicamente puede
considerarse que ya se encontraba configurada la situación de transmisión comunitaria
sostenida.
El parte diario del Ministerio de Salud del 7 de junio, también daba cuenta que "el 74% de los
casos confirmados (215) pertenecen a niños entre 5 y 17 años, que asisten a 17 escuelas de
ciudad de Buenos Aires y provincia de Buenos Aires".
El virus se expandió a partir de las comunidades escolares del Área Metropolitana de Buenos
Aires, duplicando aproximadamente los casos confirmados cada semana, una velocidad
similar a la que registraría el Reino Unido un mes después.
Existen varios factores que colaboraron para la difusión del virus. Uno de los colaboradores
centrales fueron las bajas temperaturas que se registraron en ese momento, en la segunda
mitad del otoño austral, que impulsó a la población en general y a los escolares en particular,
a quedarse en lugares cerrados, favoreciendo así la transmisión de la enfermedad. El segundo
factor a destacar es la gran aglomeración urbana que constituye el AMBA, con más de 13
millones de habitantes. En tercer lugar, Buenos Aires es un punto de concentración de
población de todo el país, tanto por actuar como de la mayor parte de los vuelos nacionales y
regionales, como por ser la principal conexión hacia el exterior y ser sede de las autoridades
nacionales y las principales empresas.
Como parte de las tareas de control epidemiológico que el Servicio Nacional de Sanidad y
Calidad Agroalimentaria (Senasa) tiene en sus funciones, un equipo de técnicos agropecuarios

70
identificó a mediados de junio, en una granja del norte de la Provincia de Buenos Aires,
cerdos de crianza infectados con esta gripe. Si bien la posibilidad de que un ser humano
transmita el virus de gripe H1N1 a un cerdo es mínima, este caso es el segundo registrado en
el mundo, luego del primero en Alberta, Canadá. Los cerdos habrían sido infectados por dos
empleados del establecimiento, que fueron a trabajar estando engripados.
Los cerdos y la granja fueron aislados, y se analizó toda granja cercana en tres kilómetros, no
habiendo otros casos. Sólo registraron una tasa de mortalidad del 1%, mientras que el resto se
recuperó de los síntomas. [43]
El 12 de Junio la ministra de Salud de la Nación, Graciela Ocaña, pidió hoy a la población

argentina “no automedicarse” ni “asustarse o entrar en pánico” luego de que la Organización
Mundial de la Salud (OMS) declarara la pandemia por la gripe A. Dijo que continuarán las
medidas “preventivas”. 62 nuevos casos, 343 en total.
El 15 de junio se confirmó el primer fallecimiento causado por el virus H1N1. Se trató de una
beba de 3 meses, que se encontraba internada en el Hospital Posadas, ubicado en el conurbano
de Buenos Aires. Había tenido un nacimiento prematuro y problemas pulmonares, que fueron
agravados por el virus y finalmente falleció. Cuatro pacientes están internados en terapia
intensiva; hay 89 nuevos casos reportados. En ese momento se habían confirmado 733 casos
positivos en el país, y otro tanto era sospechoso. Un día después, se confirmaron otras tres
muertes y otros 138 casos positivos. La progresión de fallecidos llegó a 44 para fin del mes de
junio, con una estimación de 100.000 personas infectadas (0,25% de la población total). En la
segunda quincena de junio, coincidiendo con el inicio del invierno, el virus se transmitió de
manera sostenida en Buenos Aires y se expandió hacia otras zonas del país, en especial la
Provincia de Santa Fe, con epicentro en la Ciudad de Rosario.
El 18 de Junio se disparó la demanda y venta de barbijos y alcohol en gel en la ciudad
El 24 de Junio ante el pedido del Ministerio de Salud de la provincia de Buenos Aires, el

municipio de Malvinas Argentinas ha cedido el hospital de Trauma y Emergencias de Pablo
[43]
Ius Lex - Siglo XXI. La gripe Argentina.

71
Nogués “Doctor Federico Abete” para establecer allí el principal centro destinado
exclusivamente a la atención de casos de Gripe A.
El 24 de Junio se elevaron a 21 los muertos por gripe A en Argentina. Las autoridades

sanitarias indicaron además que se registraron 97 nuevos casos de gripe A, con lo que la cifra
de infectados alcanza las 1.391 personas.
La gripe A deja hasta ahora 115 muertos y 7.847 enfermos en México, mientras que EE.UU.
ha confirmado 87 fallecimientos y 21.449 afectados por este mal.
A estos casos se suman 21 muertes en Argentina, 15 en Canadá, 8 en Chile, 2 en Colombia, 2
en la República Dominicana, 1 en Costa Rica, 1 en Honduras y otra más en Filipinas, además
de presentarse miles de enfermos en más de 90 países del mundo.
El 25 de Junio, Argentina evalúa declarar emergencia sanitaria por el recrudecimiento del

brote de influenza H1N1, pero de tomar la medida sería tras la elección legislativa del
domingo cuando se espera la movilización de millones de personas a centros de votación.
La ministra argentina de Salud, Graciela Ocaña, había anticipado que la medida será analizada
en reuniones próximas.
El 28 de Junio Argentina reportó dos nuevos muertos por gripe A, con lo que suman 28 los
fallecidos por el virus AH1N1 en el país, donde hay además 1.587 enfermos.
Organizaciones sanitarias afirman que el número de personas infectadas en el país “es
sustancialmente mayor” al oficial y que los hospitales están “al borde del colapso”.
El 29 de junio La ministra de salud Graciela Ocaña decidió dejar su cargo en medio de la

pandemia de Gripe A y tras afrontar en los últimos meses una epidemia de dengue en el norte
del país.
El gobierno decidió el cierre de los establecimientos educativos durante todo el mes de Julio,
una medida que involucró a 11 millones de estudiantes. Las medidas de las autoridades
apuntan principalmente a limitar los contagios durante los meses de invierno, hasta el
comienzo de la primavera el 21 de septiembre.
El 30 de Junio Asume el nuevo Ministro de Salud Juan Manssur

72
El 2 de Julio el flamante ministro de Salud de la Nación, Juan Manzur, aseguró este jueves
que “la curva epidemiológica de la gripe A está en aumento” y “estamos tomando las
medidas necesarias para lograr un amesetamiento” de la epidemia. Se registran 44 muertos.
El 8 de Julio la cadena internacional BBC Mundo, se preguntó ¿por qué Argentina presenta el
tercer lugar a nivel mundial en muertes por Gripe A, si tiene tan pocos infectados? Si se toma
el número de casos confirmados y los fallecidos, Argentina tiene la mayor tasa de mortalidad
por la pandemia. Sin embargo, el ministro de salud, Juan Luís Manssur, volvió a rechazar la
necesidad de decretar la Emergencia Sanitaria Nacional.
En el 16 de Julio ya son 159 los muertos por gripe A en la Argentina. En Santa Fe se elevó a
62 el número de muertos y según las autoridades de esa provincia sus pares nacionales
deberían reconocer que son más de 160 los casos fatales contra 137 confirmados oficialmente.
La entidad internacional ya no reporta la cifra de infectados con el virus A/H1N1 por la gran
cantidad que tiene cada país. En tanto, en los centros de salud se trata a personas que tienen
síntomas, sin realizar pruebas, para agilizar el tratamiento.
El balance de muertes por gripe porcina en Latinoamérica llegó el miércoles 22 de julio a 480,
dos tercios del total mundial, después de que Chile y Argentina registraran decenas de nuevos
casos fatales, en medio de una ola de frío polar que avanza sobre el Cono Sur.
Argentina es el país de América Latina con mayor número de fallecidos por gripe A (H1N1),
con 165, por encima de los 138 de México, país considerado foco del contagio, que se ha
extendido por todo el mundo, dejando más de 700 muertos según la Organización Mundial de
la Salud (OMS).
En total se han reportado 480 muertos en 17 países latinoamericanos.
Al 24 de julio se habían confirmado 206 muertes atribuidas al virus, llegando a quintuplicarse

la demanda hospitalaria habitual. La zona más afectada fue el Gran Buenos Aires, donde
viven unas 12 millones de personas, estimándose que hasta un 10% de la población de esa
región, es decir 1.200.000 de personas, podrían verse afectadas por la pandemia de gripe A.
También se vio muy afectada la Provincia de Santa Fe, en especial la Ciudad de Rosario,

73
donde se habían confirmado 43 muertes hasta el 22 de julio, la mayor tasa de mortalidad del
país en relación a la población (4,3 muertes c/ 100.000 hab.).
La epidemia alcanzó su pico máximo en la semana epidemiológica 26 (28 de junio al 4 de

julio), a partir de la cual los casos comenzaron a disminuir, aunque con variaciones
regionales.
Durante la misma fueron hospitalizadas 14.160 personas por afecciones respiratorias y se

notificaron un total de 1.479.108 casos de Enfermedad Tipo Influenza (ETI), lo que implica el
3,5% de la población.
La circulación del virus continuó de manera generalizada en el país, pero con una intensidad
leve. El 24 de enero del 2010 se notificó el último deceso confirmado para Influenza
Pandémica (H1N1).
El impacto de la pandemia fue considerablemente menor que el causado anualmente por la

epidemia de gripe estacional, que oscila en los 4.000 muertos por año, y una tasa de contagio
que oscila entre el 10% y el 20%. El Plan de Contingencia elaborado en 2006 para enfrentar
una eventual pandemia de gripe, estimaba que los muertos podrían llegar a unos 13.000 en
caso de una tasa de contagio moderada (15%) y a 30.000 en caso de una tasa de contagio
grave (35%).
[44]
Diario Integración Infantil. Articulo "La historia de un virus que cambio la vida de muchos argentinos".

74
4.6. Datos estadísticos de la gripe H1N1 en Argentina
DATOS GRIPE H1N1 2009 en ARGENTINA.[1]
Valores para Morbilidad y Mortalidad
Valor Habitantes
30 400
7,5 100
53 700
0,075 1
Tabla 1. Valores para Morbilidad y Mortalidad
Mortalidad y Morbilidad en la Argentina desde el 28/04/2009 hasta el 22/09/2009
fecha día Morbilidad Mortalidad fecha día Morbilidad Mortalidad

28/04/2009 0 0 0 11/07/2009 74 8 5
29/04/2009 1 0 0 12/07/2009 75 9,5 2,5
30/04/2009 2 0 0 13/07/2009 76 7 3
01/05/2009 3 0 0 14/07/2009 77 6 2,5
02/05/2009 4 0 0 15/07/2009 78 5 2
03/05/2009 5 0 0 16/07/2009 79 4 2
04/05/2009 6 0 0 17/07/2009 80 3,5 3
05/05/2009 7 0 0 18/07/2009 81 3 0
06/05/2009 8 0 0 19/07/2009 82 4,5 2
07/05/2009 9 0 0 20/07/2009 83 4 2
08/05/2009 10 0 0 21/07/2009 84 3,5 0
09/05/2009 11 0 0 22/07/2009 85 2,5 0,5
10/05/2009 12 0 0 23/07/2009 86 3 0
11/05/2009 13 0 0 24/07/2009 87 2 0,5
12/05/2009 14 0 0 25/07/2009 88 3 0,5
13/05/2009 15 0 0 26/07/2009 89 3,5 0
14/05/2009 16 0 0 27/07/2009 90 2 1,5
15/05/2009 17 0 0 28/07/2009 91 1 0,5
16/05/2009 18 0 0 29/07/2009 92 2 0,5
17/05/2009 19 0 0 30/07/2009 93 1 0,5
18/05/2009 20 0 0 31/07/2009 94 2 0
19/05/2009 21 1 0 01/08/2009 95 2 0
20/05/2009 22 1 0 02/08/2009 96 2 0
21/05/2009 23 1 0 03/08/2009 97 2 0
22/05/2009 24 2 0 04/08/2009 98 1 0
23/05/2009 25 4 0 05/08/2009 99 1 0
24/05/2009 26 2,5 0 06/08/2009 100 2 0
25/05/2009 27 4 0 07/08/2009 101 1,5 0
26/05/2009 28 5 0 08/08/2009 102 2 0
27/05/2009 29 4 0 09/08/2009 103 1,5 0
28/05/2009 30 4,5 0 10/08/2009 104 2 0
29/05/2009 31 6 0 11/08/2009 105 1 0

75
30/05/2009 32 8 0 12/08/2009 106 2 0
31/05/2009 33 10,5 0 13/08/2009 107 1 0
01/06/2009 34 12 0 14/08/2009 108 1,5 0
02/06/2009 35 8 0 15/08/2009 109 0,5 0
03/06/2009 36 8,5 0 16/08/2009 110 1 0
04/06/2009 37 6,5 0 17/08/2009 111 2 0
05/06/2009 38 9 0 18/08/2009 112 1,5 0
06/06/2009 39 7 0 19/08/2009 113 2,5 0
07/06/2009 40 7,5 0 20/08/2009 114 2 0
08/06/2009 41 8,5 0 21/08/2009 115 1 0
09/06/2009 42 8 0 22/08/2009 116 1 0
10/06/2009 43 8,5 0 23/08/2009 117 2 0
11/06/2009 44 10 0 24/08/2009 118 1,5 0
12/06/2009 45 9 0 25/08/2009 119 1 0
13/06/2009 46 10,5 0 26/08/2009 120 1 0
14/06/2009 47 14,5 0 27/08/2009 121 1,5 0
15/06/2009 48 23,5 0 28/08/2009 122 1 0
16/06/2009 49 22,5 0,5 29/08/2009 123 1 0
17/06/2009 50 25,5 0,5 30/08/2009 124 0,5 0
18/06/2009 51 31,5 0,5 31/08/2009 125 1,5 0
19/06/2009 52 30 2 01/09/2009 126 0,5 0
20/06/2009 53 46 1 02/09/2009 127 1 0
21/06/2009 54 38 1,5 03/09/2009 128 1 0
22/06/2009 55 53,5 3 04/09/2009 129 0,5 0
23/06/2009 56 48 3 05/09/2009 130 1 0
24/06/2009 57 54,5 2,5 06/09/2009 131 1,5 0
25/06/2009 58 50,5 3,5 07/09/2009 132 0,5 0
26/06/2009 59 52 4 08/09/2009 133 0,5 0
27/06/2009 60 42 4,5 09/09/2009 134 0,5 0
28/06/2009 61 53 6,5 10/09/2009 135 1 0
29/06/2009 62 50,5 7 11/09/2009 136 0,5 0
30/06/2009 63 49,5 5 12/09/2009 137 0,5 0
01/07/2009 64 50 4,5 13/09/2009 138 0,5 0
02/07/2009 65 31,5 6 14/09/2009 139 0,5 0
03/07/2009 66 26 5,5 15/09/2009 140 0,5 0
04/07/2009 67 19 3,5 16/09/2009 141 0,5 0
05/07/2009 68 24,5 5,5 17/09/2009 142 0,5 0
06/07/2009 69 17 3,5 18/09/2009 143 0,5 0
07/07/2009 70 9,5 4,5 19/09/2009 144 0,5 0
08/07/2009 71 10 3 20/09/2009 145 1 0
09/07/2009 72 9,5 3,5 21/09/2009 146 0,5 0
10/07/2009 73 7,5 3,5 22/09/2009 147 0 0
Tabla 2.
Mortalidad y Morbilidad - Argentina (28/04/2009 hasta 22/09/2009)
Datos brindados por el Ministerio Nacional de Salud

76
Figura 3.
Morbilidad y Mortalidad del virus H1N1 del 2009.

77
CAPITULO 5
Este capitulo ofrece una introducción histórica de los modelos matemáticos epidemiológicos,
se explican los inicios de esta practica, se detallan los parámetros empleados, métodos y
terminología acerca de su uso. Por otra parte, para una mejor comprensión del desarrollo, se
exponen los diversos modelos epidémicos existentes y se detallan los más utilizados. Por
ultimo, se presenta la teoría de redes de transmisión como lectura complementaria, el cual
facilita a comprender con mayor profundidad los supuestos de la propagación.
Este capitulo es de gran importancia dado que representa una base fundamental para poder
comprender el capitulo 6.
5. Modelos matemáticos epidemiológicos
La aplicación de las matemáticas a la epidemiología puede trazarse desde el año 1760 cuando
[45]
Daniel Bernoulli publicó un pequeño documento sobre la epidemia de peste que en ese
entonces se abatía sobre Europa.
En el siglo pasado el interés por la aplicación de métodos cuantitativos a la biología floreció
como consecuencia del éxito de estos en la física y en particular en biofísica y bioquímica.
Una observación temprana que fue rápidamente puesta en términos cuantitativos, es que las
enfermedades infecciosas se transmiten por contacto entre un enfermo infeccioso y un
individuo susceptible.
[46]
Hamer en 1906 formuló la ley de acción de masas que establece que el número de
contactos infecciosos, es decir que producen enfermedad, por unidad de tiempo es
proporcional al número total de contactos entre individuos infecciosos y sanos. Más tarde
[47]
Ronald Ross en el apéndice a su libro The Prevention of Malaria en la edición de 1911,
formuló un modelo matemático sencillo como apoyo de su argumentación de que para
erradicar el paludismo era suficiente con disminuir la población de mosquitos a un nivel bajo,
[45]
D. Bernoulli. Essai d' une nouvelle analyse de la mortalité causé par la petite Vérole, et des avantages de l'
inoculation pour la prévenir.
[46]
Jorge X. Velasco Hernández. Modelos matemáticos en epidemiología: enfoques y alcances.
[47]
R. A. Ross. The prevention of Malaria.

78
sin necesariamente extinguirla. Estudios de campo comprobaron sus conclusiones, las cuales
fueron usadas para el control de la malaria en varias regiones.
Modelos matemáticos posteriores al de Ross se han utilizado exitosamente para explicar la

evolución de varias epidemias, así como diseñar estrategias de control de una enfermedad.
[48]
En 1927 Kermack y McKendrick formularon un modelo matemático bastante general y
complejo para describir la epidemia de peste que sufriera la India en 1906. Con estos últimos
autores iniciaremos propiamente el desarrollo de la investigación.
Antes de empezar adecuadamente la discusión, quiero señalar que la llamada epidemiología

matemática ha tenido un gran auge en los últimos años, pero esto no quiere decir que sucedió
debido al nivel de madurez lo suficientemente alto de las ciencias biológicas como para
materializar sus propiedades. Este punto de vista es absolutamente inapropiado.
Las ciencias biológicas han tenido un desarrollo paralelo al de la física desde la Revolución
Científica del siglo XVII y que ha sido distinto. El hecho de que ahora la matemática tenga tal
importancia en algunas áreas de la biología que permitan el uso de nombres tales como por
ejemplo “epidemiología matemática”, tiene que ver con la necesidad de un enfoque
multidisciplinario para estudiar las propiedades en la propagación de los problemas
biológicos.
Tal enfoque ha requerido del uso de modelos matemáticos como una herramienta conceptual,
un nuevo tipo de microscopio, con el cual se pueden describir, explicar y en algunos casos,
predecir comportamientos específicos.
Para ejemplificar las ideas expresadas, describiré en forma escueta, algunas de las formas en
que los modelos matemáticos se han aplicado a contrariedades epidemiológicas.
Los aspectos técnicos serán omitidos, de igual forma, para los interesados en profundizar mas
en este tema, pueden dirigirse a las referencias que se hallan listadas al final de este
documento.
[48]
W. O. Kermack y A. G. McKendrick. A contribution to the mathematical theory of
Epidemics.

79
En este trabajo se presentará ejemplos de modelación matemática dinámica (ecuaciones
diferenciales y procesos estocásticos), no se hará demasiado hincapié en la estadística, aunque
es sumamente importante como herramienta de descripción, predicción y análisis, pero se
encuentra lejos del eje central de la investigación.
La visión para los investigadores a través de la historia era que para que un brote epidémico
llegara a su fin era necesario que el número de personas susceptibles de contraer la
enfermedad se agotara o, alternativamente o simultáneamente, la virulencia del agente
infeccioso decreciera durante el transcurso de la epidemia.
Los resultados del modelo de Ross indicaban que ninguna de la dos hipótesis era correcta
pero el paludismo involucraba mecanismos de transmisión ausentes en la peste y por ello,
estrictamente, no eran aplicables.
El enfoque que Kermack y McKendrick tomaron está basado en el uso de herramientas

matemáticas que permiten la postulación explícita de mecanismos responsables para el
funcionamiento o comportamiento de un fenómeno, entre otras cosas, de una manera precisa
y bastante libre de ambigüedades.
Por supuesto que las hipótesis expresadas en el modelo matemático construido, están basadas
en el marco teórico y conceptual en la que el problema objeto de estudio está contenido. De
hecho, en opinión, la construcción del modelo matemático no empieza con la postulación de
ecuaciones, sino cuando se plantea un tipo de pregunta que requiere de un enfoque
cuantitativo y formal para su repuesta. Obviamente la pregunta y su planteamiento particular
dependen fuertemente del marco teórico y conceptual en el que el problema es concebido.
Los modelos en cuestión son en si, expresiones matemáticas que describen las relaciones
existentes entre las magnitudes propias del sistema.
Por lo tanto, el modelamiento de enfermedades infecciosas estudia la dinámica y los factores
que causan la proliferación de una enfermedad cuando ésta invade una población en
particular.
La construcción de modelos matemáticos es una de las herramientas utilizadas hoy en día para
el estudio de problemas en medicina, biología, fisiología, bioquímica, epidemiología,

80
farmacocinética, entre otras áreas del conocimiento; sus objetivos primordiales son describir,
explicar y predecir fenómenos y procesos en dichas áreas. Sin embargo, su aplicación se ve
limitada con frecuencia por la falta de conocimientos e información acerca de los principios
básicos del modelamiento matemático.
Los modelos matemáticos pueden ser:
- Sistemas de ecuaciones
- Inecuaciones
- Expresiones lógico-matemáticas
Todas estas formas vinculan variables matemáticas representativas de las señales en el

sistema, obtenidas a partir de las relaciones entre las correspondientes magnitudes físicas.
Kermack y McKendrick establecieron, en este caso, como postulados básicos los siguientes:
a) La enfermedad que iban a estudiar debía ser viral o bacteriana y ser transmitida por
contacto directo de persona a persona.
b) Al inicio de la epidemia solamente una fracción de la población era contagiosa.
c) La población sería una población cerrada y, a excepción de las pocas personas inicialmente
enfermas, todas las demás eran susceptibles de enfermarse.
d) El individuo sufre el curso completo de la enfermedad para al final, recuperarse (sanar)

adquiriendo inmunidad, o morir.
e) La población total de personas sería constante y sin dinámica demográfica.

81
La relevancia de la construcción de los modelos matemáticos para enfermedades infecciosas
es evidente debido a los siguientes puntos detallados a continuación:
A) La construcción de modelos revela algunas veces relaciones que no son obvias a primera
vista.
B) Una vez construido el modelo matemático es posible extraer de él propiedades y

características de las relaciones entre los elementos que de otra forma permanecerían ocultas.
C) Como se explico en los capítulos iniciales, en la mayor parte de los problemas de

enfermedades infecciosas del mundo real no es factible experimentar con la realidad, ya que
puede ser muy costoso, peligroso, inmoral o incluso imposible. Por lo tanto, es natural
intentar superar esta dificultad con la construcción de un modelo que describa de manera
adecuada las características básicas de la epidemia y poder usarlo, para predecir las
consecuencias al introducir cambios específicos. [49]
D) La función principal de un modelo para una enfermedad infecciosa consiste en proveer un

medio que posibilita entender la dispersión de una enfermedad contagiosa a través de una
población bajo diferentes escenarios.
Es importante resaltar que un modelo está en verdad definido por las relaciones que
incorpora. Estas relaciones son independientes de los datos a introducir en el modelo, ya que
un modelo puede usarse para diferentes ocasiones y en distintos contextos.
Cabe señalar que los modelos matemáticos para enfermedades infecciosas se utilizan como
herramienta para tomar decisiones y que deben valorarse en su justa medida, ya que es
incomprensible un problema complejo sin una mínima modelación. Aunque hay que
reconocer que no es posible modelar la totalidad de las situaciones reales.
En esencia, la función central de crear y analizar modelos matemáticos es mejorar la

comprensión de un sistema para prevenir futuras situaciones de enfermedades, determinar la
[49]
Becker N. The uses of epidemic models.

82
prevalencia e incidencia y coadyuvar a tomar decisiones objetivas para controlar o erradicar
las enfermedades.
5.1. La tasa de reproducción Básica – R0
Uno de los parámetros mas importantes usados en epidemiología es la tasa de reproducción

básica o R0, definida como el numero promedio de nuevas infecciones causadas por un
individuo infectado cuando es introducido en una población completamente susceptible e
intenta capturar la capacidad reproductiva de la enfermedad. [50]
Para que una enfermedad pueda invadir una población, R0 deberá ser mayor a cero y para que
persista en el tiempo, R0 deberá ser mayor a uno.
Por lo tanto, si R0 < 1 la enfermedad aparece, pero se extingue y si R0 > 1 se presenta un

brote epidémico.
Asumiendo una población totalmente homogénea (todos sus habitantes con las mismas
características epidemiológicas y hábitos sociales), el número de infecciones es proporcional a
la probabilidad de tener un contacto efectivo con un individuo susceptible. Es importante
hacer la diferencia entre un contacto y un contacto efectivo. El último es aquel que permite
transmitir la enfermedad a otra persona.
De acuerdo a esto, la tasa de reproducción efectiva se define como:
R= R0 x
Donde x es la fracción de la población que es susceptible. Cuando R=1, entonces el sistema

estará en equilibrio, lo que significa que cada infección producirá en promedio una infección
secundaria. Este resultado nos permite llegar a una importante relación entre la tasa de
reproducción básica y la fracción susceptible de una población en el equilibrio.
[50]
Diekman O, Heesterbeek JAP, Metz J. On the definition and the computation of the basic reproduction ratio
R0 in models of infectious diseases in heterogeneous populations.

83
R0 x = 1
De nuevo, la relación es valida en poblaciones no heterogéneas.
El tamaño de la epidemia es una de las propiedades asintóticas más importantes en los

modelos epidemiológicos y se define como el número total de individuos infectados en una
[51]
epidemia . Es una medida cuantitativa muy importante porque se relaciona de forma
estrecha con las variables resultantes de la epidemia.
5.2. Métodos
Se definen tres tipos de variables para la construcción de un modelo de dinámica de sistemas.
Variables de nivel, variables de flujo y variables auxiliares.
Los niveles suponen la acumulación en el tiempo de una cierta magnitud. Son las variables de
estado del sistema en cuanto que los valores que toman determinan la situación en la que se
encuentra el mismo.
Los flujos expresan de manera explicita la variación por unidad de tiempo de los niveles. Es
decir, son responsables del cambio de las variables de estado.
Las variables auxiliares o parámetros son, como su nombre indica, variables de ayuda en el
modelo. Su papel auxiliar consiste en colaborar en la definición de las variables de flujo y en
documentar el modelo haciéndolo más comprensible.
Por ultimo, se llaman parámetros aquellos valores constantes durante la ejecución del modelo.
La hipótesis más importante de este modelo es que la infección la inicia sólo ciudadanos
extranjeros infectados y los infecciosos autóctonos producen nuevos casos.
[51]
Dietz K. Epidemics and Rumors: A survey.

84
La población se puede dividir en clases epidemiológicas o subgrupos, entre ellos están los
susceptibles S, los infectados I y los removidos R.
5.3. Terminología
A continuación se brindará una breve descripción de la notación que usaremos a lo largo de

los modelos deterministas (por orden de aparición):
S - Individuos susceptibles.
I - Individuos infectados.
R - Individuos removido.
N - Población total.
β - Tasa de contagios (probabilidad de que una persona enferme al estar en contacto con un
infectado).
1/γ - Tiempo promedio de infección (para un solo individuo).
µ - Tasa promedio de defunciones (probabilidad de que un individuo infectado muera debido
a la enfermedad).
f - Tasa promedio de pérdida de inmunidad en individuos recobrados.
E - Tasa promedio de nacimientos.
a - Tiempo promedio de incubación.
5.4. Modelos Epidemiológicos
Como se mencionó anteriormente, en los modelos epidemiológicos se parte del supuesto de

que los individuos se encuentran en uno de varios estados posibles. En función de dichos
estados, la población puede incluirse en algunas categorías: individuos susceptibles (S),
infectados (I) o removidos (R).
Teniendo en cuenta la aclaración anterior, los modelos más importantes son: SI, SIS y SIR,
que pueden modelarse en forma determinista o estocástica y en todos ellos se asume que la

85
[52]
interacción entre los individuos es aleatoria . La mejor manera de modelar las
enfermedades infantiles consiste en emplear un modelo SIR puesto que la infección lleva a
una inmunidad vitalicia. Para la mayor parte de las enfermedades de transmisión sexual (ETS)
resulta más útil el modelo SIS, dado que tan sólo un número reducido de ETS confiere
inmunidad tras la infección. El VIH es una excepción clara y todavía puede describirse de
forma adecuada, al menos en el mundo occidental, mediante el modelo SI.
A continuación se describen de modo sinóptico los modelos SI, SIS y SIR bajo sus dos
versiones: determinística y estocástica.
En la ecuación del modelo SI, aparecen dos variables dependientes: el número de personas
susceptibles (S) y el número de personas infectadas (I). En este modelo, bajo su versión
estocástica, cada individuo infeccioso tiene contacto con otro, escogido al azar, a una tasa 1/λ
(contactos por unidad de tiempo).
También este modelo en ambas versiones es homogéneo para las personas, ya que se
presupone que cada individuo tiene el mismo número esperado de contactos, de tal forma que
es posible afirmar que el modelo presupone una interacción aleatoria. La solución a este
modelo en ambas versiones traza una trayectoria en forma de S, debido a que el número de
individuos infectados que puede transmitir la infección es bajo en las primeras etapas del
proceso, mientras que el número de individuos susceptibles es bajo en las últimas etapas.
Como resultado, el número de infectados experimenta el mayor crecimiento durante la etapa

intermedia del proceso.
En cambio, el modelo SIS puede formularse como un sistema de dos ecuaciones diferenciales.
La ecuación para el modelo SIS difiere de la del modelo SI porque se agrega un término µI(t),
que describe el ritmo al que los individuos se recuperan de la enfermedad o se convierten en
susceptibles, por lo que se aplica en ambas ecuaciones. En el modelo SIS estocástico la tasa
de contacto es también λ (contactos por unidad de tiempo).
[52]
Anderson R, May RM. Infectious diseases of humans.

86
No obstante, la trayectoria SIS difiere de la SI en que el número de personas infectadas al
mismo tiempo nunca alcanza el total de la población (lo que no excluye la posibilidad de que
cada uno de los individuos pueda infectarse en algún otro momento).
Por el contrario, el proceso alcanza un equilibrio cuando exactamente el mismo número de
individuos infecciosos se convierte en susceptible o viceversa.
El último modelo descrito es el SIR, que en su forma más simple puede formularse como un
conjunto de ecuaciones diferenciales.
Por último, en el modelo SIR estocástico cada individuo infeccioso tiene también contacto
con otro, escogido al azar, a una tasa λ (contactos por unidad de tiempo).
A diferencia del modelo SIS, un individuo infectado se recupera y en lugar de susceptible se
vuelve inmune a una tasa µ.
El modelo SIR describe el proceso en las tres distintas etapas. La solución al modelo SIR
muestra asimismo una trayectoria en forma de S en las primeras fases de la epidemia. Este
modelo difiere tanto del modelo SI como del SIS porque muestra una propensión a acabar en
cero infectados a largo plazo.
Para muchas enfermedades, como el sarampión o la gripe, que se transmiten a través de

pequeñas gotas de respiración partiendo de una persona infectada, la interacción aleatoria
resulta una presunción razonable y probablemente una buena aproximación. En otras palabras,
la presunción de interacción aleatoria ofrece una importante ventaja porque puede modelarse
con facilidad mediante ecuaciones diferenciales y dichos modelos pueden estudiarse en
términos analíticos [53].
Estos tres modelos básicos en sus dos versiones pueden adaptarse a las características de las
enfermedades específicas. Por ejemplo, resulta posible mostrar a individuos como inmunes
durante un determinado intervalo de tiempo, nuevos sujetos que entran en la población
mediante nacimientos o emigraciones y personas que la abandonan mediante procesos de
migración o muerte. De igual forma, pueden generarse tipos de trayectorias más complejos,
como comportamientos cíclicos e incluso dinámicas caóticas, que caracterizan a algunas
afecciones infecciosas.
[53]
Diekman O, Heesterbeek JAP. Mathematical epidemiology of infectious disease: model building, analysis
and interpretation.

87
Modelo SIR
En 1927, W.O Kermack y A.G. McKendrick [48] crearon el modelo SIR que considera
una enfermedad que se desarrolla a lo largo del tiempo y únicamente tres clases de individuos
(de donde proviene el nombre).
- S(t) representa a los individuos susceptibles, es decir, aquellos que no han enfermado
anteriormente y por lo tanto pueden resultar infectados al entrar en contacto con la
enfermedad.
- I(t) representa a los individuos infectados y por lo tanto en condiciones de transmitir la
enfermedad a los del grupo S.
- R(t) representa a los individuos recobrados de la enfermedad, y que ya no están en
condiciones ni de enfermar nuevamente ni de transmitir la enfermedad a otros.
El flujo de transiciones de un grupo a otro se da de la siguiente manera:
Este es el modelo que vamos a desarrollar en el siguiente capitulo para la simulación de la

crisis epidemiológica ocurrida en Argentina en el año 2009.
Modelo SIR con Nacimientos y Muertes
Éste es una ampliación del modelo SIR y considera nacimientos a lo largo del tiempo t, de
modo que hay una constante renovación de individuos susceptibles a la enfermedad. Del
mismo modo, algunos individuos mueren o bien por la enfermedad o de manera natural al
cabo de un tiempo de haber sido recobrados.
El flujo de transiciones de un grupo a otro es el siguiente:

88
Modelo SIS con Nacimientos y Muertes
Simplificación del modelo SIR con nacimientos y muertes, en donde un individuo recobrado
nunca desarrolla inmunidad a la enfermedad, de modo que el flujo de un grupo a otro resulta:
El Modelo SIRS
Extensión del modelo SIR, en donde los individuos recobrados pueden perder la inmunidad a
la enfermedad y volver a formar parte del grupo de susceptibles. El flujo de un grupo a otro
está dado como sigue:
Modelo SEIS
El modelo SEIS considera una nueva clase de individuos llamada expuestos E (del
inglés exposed), es decir, aquellos que portan la enfermedad pero que al hallarse en su periodo
de incubación no muestran síntomas y no están en condición de infectar a otros. Se supone
además que un individuo que ha enfermado nunca obtiene inmunidad, de modo que el flujo de
grupos resulta:
Modelo SEIR
Derivado del modelo SEIS pero agregando esta vez a la población de recobrados. En este
caso, al igual que los anteriores, cada grupo es mutuamente excluyente y la suma de todos es
la población total, esto es,

89
El flujo de un grupo a otro es:
Modelo MSIR
Éste modelo considera una nueva clase de individuos M, los llamados infantes con inmunidad
pasiva que tras cierto tiempo la pierden y están en condición de ser portadores de la
enfermedad (para una descripción más detallada véase Inmunidad (medicina)). Los flujos de
grupo resultan:
Modelo MSEIR
Derivado del modelo anterior, en donde entre el periodo de susceptibilidad e infección hay un
periodo de latencia, de modo que el flujo entre un grupo y otro es:
5.5. Teoría de redes de transmisión
La presunción de una interacción aleatoria no resulta apropiada para modelar la propagación

de ciertos padecimientos.
Por ello, a finales de la década de 1990 los científicos empezaron a interesarse por el estudio
de redes complejas. Éstas son útiles para estudiar la dinámica en la transmisión de un
mensaje, señal, rumor, líquido, moda o enfermedad infecciosa [54]. En la actualidad, las redes
complejas se emplean en muchos campos de la ciencia; existen redes sociales, económicas,
neuronales, computacionales, de sistemas eléctricos, y muchas más [55].
En dichas redes, los nodos o vértices se representan en un círculo a través de puntos

equidistantes, es decir, los elementos del sistema (seres humanos, empresas, granjas,
[54]
Watts DC, Strogatz SH. Collective dynamics of ‘small-world’ networks.
[55]
Kretzschmar M, Morris M. Measures of concurrency in networks and the spread of infectious diseases.

90
terminales de computadoras, plantas generadoras de electricidad, etc.) y las ligas que los unen
[56]
representan las interacciones entre ellos . Desde el punto de vista de las matemáticas, el
conjunto de los nodos y los enlaces en un sistema social define un grafo y su tratamiento
analítico se conoce como teoría de grafos. Tal sistema actúa como catalizador en el desarrollo
del análisis de redes sociales, que en la actualidad proporciona las herramientas básicas para
el análisis de sociogramas [57].
En las redes se describe la dinámica de la población a través de los patrones de contacto.

La importancia del patrón de contacto es una función del grado de contagiosidad de la
enfermedad.
Las infecciones se transmiten de persona a persona, ya sea directamente o a través del aire, los
alimentos o el agua. Cuanto más estrecho sea el contacto para producir la transmisión más
importante resulta el patrón de contacto.
Algunas enfermedades infecciosas conocidas, fácilmente pueden ser ordenadas en una escala
unidimensional, de la más contagiosa y de transmisión no cercana en un extremo a la menos
contagiosa y de transmisión cercana en el otro extremo. Para los fines que se desea buscar,
basta decir que cuanto menor sea el grado de contagiosidad mayor atención debe concederse a
los patrones sociales de contacto. Por otro lado, si se incrementa la contagiosidad también lo
hacen la amenaza y el costo de falsear la importancia de la interacción social a todos los
niveles.
La clave del análisis de las redes sociales radica en que el foco de atención del análisis se
desplaza de las personas a las relaciones existentes entre ellas y los patrones generales de las
relaciones en una población.
Estas últimas pueden conectar a los individuos de tal manera que éstos formen díadas, tríadas
o, en el presente contexto, redes más amplias. Por lo tanto, es evidente que los patrones de
contacto influyen de forma notoria en la dispersión de una enfermedad infecciosa, debido a
que éstos se realizan de manera local y a distancia.
Las redes complejas pueden clasificarse en dos principales grupos, según sean sus
propiedades de conectividad. Las redes exponenciales, en las cuales la distribución de
[56]
Latora V, Marchiori M. Efficient behavior of small-world networks.
[57]
Wasserman S, Faust K. Social Network Analysis: methods and aplications.

91
conectividad de los nodos (la probabilidad P(k) de que un nodo esté conectado a otros k
nodos) se ajusta a una exponencial y la segunda identificada por redes libres de escala (scale-
free red) que exhiben una distribución de conectividad de ley de potencia [58].
Dentro de las redes del mundo pequeño, las más representativas son las siguientes:
a) Red regular, en la cual cada vértice se comunica con sus k/2 vértices vecinos;
b) Red aleatoria, en la que cada vértice se conecta con todos los demás;
c) El modelo de Watts y Strogats, esto es, una red intermedia entre la regular y la aleatoria en
la cual cada vértice se comunica con sus k/2 vértices vecinos, localizados a su lado (unos
pocos se comunican con vértices lejanos) [59].
Todos estos modelos de redes se utilizan hoy en día en modelos de transmisión de

enfermedades infecciosas. Sin embargo, en la actualidad el modelo de Watts y Strogats es uno
de los más usados para modelar la transmisión de enfermedades infecciosas porque supone un
patrón de contactos más real, puesto que en el mundo real cada individuo tiene contactos con
un subconjunto de éstos.
Por consiguiente, es razonable asumir que cada individuo se comunica con sus k vecinos
inmediatos y que de los N individuos, sólo algunos de ellos, además de comunicarse con sus k
vecinos inmediatos, se comunican con algunos sujetos lejanos (contactos a distancia). Esto
significa que el patrón de contactos entre individuos se lleva a cabo bajo una red del mundo
pequeño, donde cada individuo se representa por un nodo o vértice y los contactos entre
individuos se representan por ligas y la transmisión de la enfermedad puede tener lugar sólo a
través de estos nexos.
5.6. Modelos de urnas
Los modelos de urnas proveen un marco natural para analizar modelos de transmisión de
[51]
enfermedades infecciosas . Construirlos y capturar su esencia son aspectos fáciles, ya que
[58]
Pastor-Satorras R, Vespignani A. Epidemic dynamics and endemic states in complex networks.
[59]
Barabai AL, Albert R. Emergence of scaling in random networks.

92
consisten en colocar canicas al azar en un conjunto de N urnas vacías. De modo inicial se
parte de una urna infectada, la cual impulsa una cantidad aleatoria de canicas sobre las
restantes N-1 urnas vacías y cada canica lanzada de la urna infectada se considera una
amenaza de infección. Por otro lado, las urnas vacías y ocupadas se refieren como
susceptibles e infectadas, respectivamente. Bajo estas condiciones, el proceso de infección
puede reproducirse. También con esto es posible calcular el número esperado de infecciones
al final del brote.
En fecha reciente, estos modelos han provisto una forma de construir modelos de infección
que permiten la estimación de parámetros bajo supuestos en algunos casos muy robustos. Un
[60]
ejemplo muy interesante es el modelo que propusieron Hernández y Castillo para
determinar la eficacia de las vacunas.
Se presupone que un ensayo de eficacia de vacunas se lleva a cabo con N1 individuos

vacunados y N0 sujetos no vacunados. Hernández y Castillo muestran que para una vacuna,
VE=1-β, la variable aleatoria X definida como el número de vacunados infectados en una
muestra de tamaño n, total de infectados, sigue una distribución hipergeométrica. Ésta hace
posible la derivación de propiedades importantes de este estimador, con lo cual es factible la
construcción de intervalos de confianza y pruebas de hipótesis.
5.7. Proceso de ramificación
Uno de los modelos más simples se puede obtener a partir del proceso de ramificación de
[61]
Bienaymé-Galton-Watson (llamado más comúnmente Proceso Galton-Watson) . Éste
proceso estocástico discreto modela una población que evoluciona en el tiempo y en cada
etapa el proceso puede tomar valores enteros no negativos, que representarán el tamaño total
de la población en dicho periodo.
Usando el modelo antes mencionado podemos considerar una epidemia donde la "población"
consistirá justamente en el conjunto de todos los individuos enfermos, y para cada enfermo su
"descendencia" será el número de individuos nuevos que contagia. Conociendo la función de
[60]
Hernández-Suárez C, Castillo-Chávez C. Urn models and vaccine efficacy estimation.
[61]
Raydonal Ospina Martinez. Revista Colombiana de Estadistica.

93
distribución de nuevos contagios es posible entonces calcular, entre otras cosas, el índice de
contagio y la probabilidad de extinción. Estas magnitudes tienen importancia tanto teórica
como práctica, pues uno de los aspectos más importantes de una epidemia es su agresividad y
posible alcance.
Considérese el caso de un individuo infeccioso que habita en cierto espacio S y que, después
de un tiempo de vida aleatorio, contagia y deja tras de sí una descendencia compuesta por
nuevos individuos infecciosos.
Por el momento es una variable aleatoria, es decir, una cantidad que se determina mediante
una función de densidad de probabilidad. Los nuevos sujetos infecciosos evolucionan de
modo independiente, ajustados al patrón de vida de la partícula madre (primer individuo
infeccioso): en ellos, que se reproducen, la enfermedad experimenta tiempos de vida
aleatorios. A una población como la anterior se la conoce como población ramificada o
proceso de ramificación. En este caso, los individuos, además de contagiar (reproducirse),
pueden desplazarse en el espacio S o mutar y es posible que haya sujetos provenientes de
otras poblaciones o fuentes que se trasladen al espacio S y luego se contagien. La
presuposición fundamental en todas estas poblaciones ramificadas es que los individuos se
ramifican (contagian) unos de otros de manera independiente. El número de personas
infecciosas presentes al principio se denota por el tamaño inicial de la epidemia (generación
cero).
En consecuencia, los procesos de ramificación se usan en biología, física nuclear o

epidemiología como modelos para estudiar el crecimiento, extinción y comportamiento
asintótico de una población (seres humanos, animales, bacterias, neutrones, etc.). Cabe aclarar
que tanto los modelos de urnas como los procesos de ramificación son enfoques de tipo
estocástico.
[62]
Osvaldo Antonio Montesinos – Lopez. Modelo Matemático para Enfermedades Infecciosas.

94
SEGUNDA PARTE

95
CAPITULO 6
En este capitulo se realiza la simulación en sistema del modelo matemático epidemiológico

con los datos oficiales del ministerio nacional de salud de la republica Argentina. Se utiliza el
modelo de Kermack y McKendrick, el cual se desarrolló paso a paso para poder mostrar
nítidamente su composición, además se especifican y justifican todas las variables que se
utilizan. Se muestran las salidas de la simulación, se compara el gráfico con la información
del 2009, por ultimo se muestran los resultados arrojados del programa finalizado.
6. Representación del modelo matemático
El modelo de Kermack y McKendrick y sus variantes son los que hemos usado para entender
la evolución de la epidemia del H1N1 en la zona de Argentina. A continuación se mostrara
paso a paso el análisis y desarrollo del tema.
6.1. El brote de Mayo-Septiembre
La primera suposición es que las poblaciones de infectados I (t) y de susceptibles S (t) varían
en el tiempo de manera homogénea en toda el área de interés. Desde luego esto sucede cuando
la epidemia se ha homogenizado en la zona.
En el brote de Mayo-Septiembre del 2009 en Argentina no hubo evidencia de zonificación y

por esto resultó adecuado usar un modelo sin dependencia geográfica.
Para formular el modelo recordamos que de la biología básica se sabe que la infección dura
un número de días que se determina en base a las observaciones clínicas y resultados
experimentales para virus parecidos.

96
La tasa de decaimiento α de una población infectada es el recíproco de la duración de la
infección, que en el brote Mayo-Septiembre del 2009 fue de alrededor de 3 días, dando una
estimación de α = 0.333.
Por otra parte, dado que el mecanismo de transmisión de la enfermedad es por contagios de
individuos infectados a susceptibles, lo que debe determinarse en forma experimento o en
forma de observación es la tasa r a la que dichos contagios ocurren.
Bajo estas hipótesis la población de infectados crece proporcionalmente a la tasa r de contagio

y decrece con la tasa de duración de la infección.
Tenemos así la siguiente formula:
dI (t )
= rSI − αI
dt
Por otra parte los susceptibles se infectan y entonces la población de susceptibles decrece:
dS
= rSI
dt
Los removidos R(t) del sistema infeccioso susceptibles satisfacen:
dR
= αI
dt
De suerte tal que la población total N=I(t)+S(t)+R(t) permanece constante. El hecho de que la
población total permanezca constante en el tiempo es una buena aproximación para brotes
epidémicos que duran sólo unos meses.
Es un echo bien establecido de la biología el que después de un tiempo los recuperados de la

infección pierden su inmunidad y vuelven a ser susceptibles. Este periodo depende de la
naturaleza del virus. Por otra parte se tiene evidencia clínica y experimental que durante el
invierno (que es más húmedo y frío) el periodo de infección del virus es más largo. En el caso

97
de H1N1 no se conocen con precisión estos periodos, pero es posible generar varios
escenarios posibles usando parámetros apropiados para virus similares.
[63]
En los estudios retrospectivos , el modelo se ajusta de manera global a toda la curva
observacional de prevalencia.
En este proceso no solo se estima el parámetro r, sino que también el tiempo de inicio de la
epidemia, así como la condición inicial que reproduce mejor la evolución.
Por otra parte, nuestro interés fue el de generar predicciones para la máxima prevalencia, y la
duración de la epidemia usando los datos iniciales de la curva de incidencia que es la gráfica
de
dI
dt
Con respecto al tiempo, la cual nos da el número de casos nuevos por día, que usualmente es
el dato reportado por los sistemas de monitoreo epidemiológico.
En base a estos datos, al inicio de la epidemia estimamos el parámetro r observando que la

cantidad de infectados satisface al comienzo de la epidemia la ecuación lineal
dI
= (rN − α ) I
dt
Con condiciones iniciales I(t0)=PN donde t0 es el tiempo en el cual la epidemia inicia, P es la

proporción de infectados al inicio de la epidemia y N es la población total.
La solución de la ecuación anterior es
I (t ) = NPe( rN −α )t
Por otra parte los datos de la curva de incidencia solo se refieren a los casos que presentaron
síntomas. Estos son sólo una proporción β de los infectados.
[63]
J. D. Murray. Mathematical Biology.

98
De esta forma la curva de incidencia teórica está dada por
βI (t ) = βPN (rN − α )e( rN −α )t
La misma se ajusta por mínimos cuadrados a los datos observacionales.
Este ajuste da un valor rN=0.57.
Como los valores de rN y α son conocidos debemos de usar un estimado para PN que es la
proporción de infectados al inicio de la epidemia.
El ajuste a posteriori de este modelo para otras influenzas muestra que el modelo ajusta el
comienzo de la epidemia cuando cierta cantidad de uno de cada 104 individuos de la
población está infectado. En este caso suponemos que esto sucede y nos da un valor de
β=1,11 que nos dice que el modelo y los datos son consistentes si uno de cada 9000
individuos infectados es confirmado.
La validez de estas suposiciones iniciales se comprueba a lo largo de la evolución del brote al

verificar que se mantiene el mismo escalamiento supuesto inicialmente.
Las ecuaciones se resuelven numéricamente y los resultados de las simulaciones usando

diferentes tasas de contacto.
Para estudiar el efecto de las medidas de control, observamos que el único parámetro que
puede modificarse por las medidas sanitarias es la tasa de contacto r.
A la fecha no existe una forma de calcular, a partir de los primeros principios, el cambio de r
por efecto del aislamiento.
A pesar de esto es posible generar varios escenarios de evolución que dependen del número r
que resulta de la aplicación de las medidas de control.

99
Se observa la evolución de la epidemia en los datos reales (no sigue incrementándose) al
reducirse la tasa de contacto el 22 de Junio de 0.57 a 0.44 como consecuencia de las medidas
sanitarias.
Observamos que la evolución de la epidemia cambia de manera notable disminuyendo la

máxima prevalencia y alargando su duración sustancialmente.
Esto da una primera idea del efecto de las medidas sobre el tiempo al que ocurre la máxima
prevalencia. Es necesario estimar a partir de los datos las escalas de tiempo y los tamaños de
esta evolución. Esto se hace a posteriori con el modelo suponiendo una dependencia lineal del
parámetro r en el tiempo como resultado de las medidas y de su relajamiento.
6.2. Especificaciones del modelo
Tasa de Decaimiento α: es la inversa del tiempo en que dura la infección.
1
3días → α = = 0,333
3
Tasa de contagio r: Representa a la proporción en que los susceptibles son contagiados. Es

una de las constantes mas importantes del cálculo y en caso de una epidemia esta constante se
puede ir corrigiendo para aproximar mejor el resultado del modelo respecto la realidad.
Ejemplo:
rN = 0,57
0,57 0,57
r= = = 3,65e10 −8
N 15600000
La siguiente ecuación son las derivadas de los infectados respecto al tiempo.

100
Esta función representa la variación de infectados en el tiempo. Es decir, a cualquier tiempo
ser estiman los infectados.
dI (t )
= rSI − αI (A)
dt
(C) (B)
° Removidos R(t) del sistema infeccioso: son los infectados que ya no contagian.
La formula es la siguiente.
dR
R (t ) = = αI
dt
° Los Susceptibles son cada vez menos ya que pasan a ser infectados los que se contagian. Su
valor disminuye de la siguiente forma:
dS
= rSI
dt
En brotes epidémicos de pocos meses es una buena aproximación considerar que la población
permanece constante como:
N = I (t ) + S (t ) + R (t )
Por consiguiente:
S (t ) = N − I (t ) + R(t )
Los valores I,S y R cambian en el tiempo pero N es constante.

101
6.3. Proporción de infectados en el tiempo inicial
° La epidemia inicia en el tiempo “t0” = 0
I (t 0) = PN
5%
Ejemplo: 5% de la población → P = = 0,05
100
La solución al problema seria:
I (t ) = NPe( rN −α ) (D)
Los parámetros se fijan en base a otras epidemias similares. Obviamente se corrigen estos
valores cuando va evolucionando la nueva epidemia y así se logra obtener una estimación
adecuada.
° Valores de otras influenzas:

1
P= = 0,000001
1000000
(Esto es que se inicia la epidemia cuando hay 1 enfermo cada 10000 habitantes)
6.4. Datos estimados para la simulación
Población Argentina 2009: 39000(000)

N = 39000
r = 1,44E-05
α = 0,33333
P = 0,00000001
β = 1,11E+02

102
Realizando la simulación de estos valores al agregarlos en las funciones matemáticas
obtenemos el siguiente grafico.
Figura 4.
Proyecciones obtenidas del modelo SIR de la pandemia del 2009.
Si realizamos una comparación de la simulación con los datos reales descriptos en el capitulo
de pandemia, podemos visualizar que existe una similitud entre el tiempo y pico máximo de la
epidemia.
Figura 5.
Proyecciones obtenidas del modelo SIR de la pandemia del 2009 y su comparación con datos
oficiales

103
Esto brinda como consecuencia un resultado satisfactorio aplicando la simulación de la
pandemia a través del modelo matemático SIR. Permite predecir desde el tiempo inicial “día
0” el pico máximo de cantidad de infectados / día, el cual brinda la posibilidad de tomar
medidas anticipadas para el control y erradicación de la epidemia. Esta práctica difiere del año
2009, dado que las medidas de prevención adoptadas partían de la cantidad de infectados
según el transcurso de los días.
Hay dos puntos importantes que se deben tener en cuenta.
- Primero, cuando la línea simulada (roja) llega al pico y comienza a disminuir, también
disminuye la línea constituida por los datos oficiales (azul). Posteriormente cuando pasan
unos días en que las dos líneas disminuyen, luego del día 60, la línea azul se incrementa
nuevamente para realizar otro pico paralelo al pico anterior, esto significa que hubo un rebrote
epidémico.
- Como segunda aclaración, al realizar la comparación en el gráfico, se puede notar que, entre
el día 20 y el día 45, la línea simulada se encuentra por debajo de los datos oficiales.
Si bien la simulación logró brindar resultados muy similares a los datos publicados
oficialmente del año 2009 en tiempo y cantidad, no logró contemplar los dos puntos
anteriores, los cuales son de suma importancia para el proceso de mitigación.
Finalmente se examino la interacción de la influenza estacional con la gripe H1N1. Al no

haber suficientes datos de campo o experimentales, presentaremos los escenarios basados en
hipótesis simples sobre esta interacción.
La experiencia clínica indica en tal sentido que estos dos virus tienen una muy baja
posibilidad de coexistir en humanos lo que no permitiría la superinfección, pero deja la
posibilidad de efectos de inmunidad cruzada en los dos sentidos, volviendo al infectado
susceptible de una segunda infección por el otro virus.

104
6.5. Desarrollo del sistema y resultados
Luego de realizar el análisis y el desarrollo del modelo matemático con los valores de entrada,
se pasaron las ecuaciones epidemiológicas a un sistema informático, para lo que se utilizo el
lenguaje de programación Visual Basic 6 en la representación de los resultados de las
ecuaciones y del gráfico.
La programación del desarrollo se puede observar en el Anexo III.
Se efectúa el ingreso de los datos según la representación del modelo matemático precitado
sometiéndolos al procesamiento en los correspondientes controles parametritos de entrada.
Figura 6.
Parámetros ingresados para realizar la simulación.

105
Del proceso realizado surge el siguiente reporte:
Figura 7.
Visualización por pantalla del procesamiento de la información.
Luego se carga la información de la columna número 5 (dI(t)/dt) al graficador, obteniendo la

siguiente representación de los datos:
Figura 8.
Cantidad de Infectados por día.
La graficación permite la visualización de la cantidad de infectados según el transcurso de los

días.

106
TERCERA PARTE

107
CAPITULO 7
Este capitulo ofrece la conclusión de la investigación. Se abordan los objetivos planteados y

temas relacionados a la finalización de la tesis.
7. Conclusiones
El empleo de software de simulación para las enfermedades infecciosas ha crecido

significativamente en los últimos años. Se logró corroborar que los mismos permiten
interpretar tendencias epidemiológicas, determinar la prevalencia e incidencia, y a su vez,
proporcionan información útil para la toma de decisiones, como por ejemplo, cuando se
necesitan establecer medidas operativas en el control o erradicación de enfermedades
endémicas.
Estas representaciones son muy útiles porque permiten capturar propiedades esenciales de la
dispersión de una forma simplificada. Al modificar los parámetros del modelo se pueden
representar o descubrir situaciones que, difícilmente, se pueden obtener mediante su
experimentación real. Un ajuste a posteriori a los datos de incidencia, permite modelar el
efecto de medidas de aislamiento en términos de variaciones de la tasa de contacto y obtener
una primera estimación de los tiempos de respuesta a las medidas sanitarias.
Hay que resaltar que existen diversos modelos sencillos, los cuales permiten modelar algunos
fenómenos epidemiológicos de forma adecuada y que se pueden utilizar en sistemas mediante
su codificación en un lenguaje de programación. Tienen la ventaja de que no es preciso ser un
experto en el campo para hacer un uso apropiado de ellos. Dado que estos modelos simples
son muy robustos al cambio de parámetros, como hemos visto en esta investigación, pueden
usarse de manera confiable para predecir aspectos macroscópicos de una epidemia tales como
tiempo de duración y máxima prevalencia, aún cuando los datos no sean muy detallados.

108
Sin embargo, también existen modelos que contemplan un número superior de datos en su
estructura, pero los mismos son muy complejos y hasta incomprensibles para el profano en la
materia.
Queda en claro que hay temas pendientes a ser tratados, como por ejemplo, los rebrotes
epidémicos y una mejor simulación proyectada al inicio de la pandemia, los cuales se podrían
solucionar añadiendo variables que lo especifiquen o realizando simulaciones para ciertos
rangos de tiempo, pudiendo así, contemplar las desviaciones existentes. También, se puede
tratar la adición de elementos más reales al modelo matemático (mayor sofisticación), los
cuales, exigen una mayor cantidad de parámetros a calcular y mayor número de supuestos.
Esto deja abierta la brecha para la realización de futuras investigaciones, que servirán para
realizar replanteos y mejoras al modelo de simulación propuesto.
Los resultados obtenidos en este desarrollo, permiten estudiar en detalle la interacción social
de los individuos y como se propaga el virus como una primera aproximación para cuantificar
las cadenas de infección, pero el problema científico importante que se presenta, es el de
entender como las cadenas de infección se pueden describir en forma cuantitativa en la etapa
previa a la aproximación continua y su transición al desarrollo coherente.
Es decir, que en el modelo matemático usado (SIR), no puede describir la epidemia cuando no
se posee densidades firmes, como por ejemplo, la variable “r”.
Puede suceder, que cuando no se tiene un número suficientes de individuos infectados en las
etapas microscópicas de la evolución de la epidemia o cuando se posee un número elevado de
falsos positivos, da lugar a que las predicciones o cálculos de los modelos presenten un
considerable margen de error. Por ello, los resultados del modelo deben tomarse en estos
casos con cautela. A pesar de que muchos modelos matemáticos no pueden realizar
predicciones precisas, sobre todo por la falta de datos, estos son de gran utilidad para medir el
efecto de las medidas de control mediante las variaciones de los valores de entrada.
Por ultimo, es prudente mencionar que dado que el actual mundo está cada vez más
interconectado e interdependiente, las amenazas de brotes de epidemias son muy altas, por lo
que es sumamente importante fortalecer un sistema de vigilancia epidemiológica para

109
prevenir y combatir la aparición de enfermedades infecciosas capaces de alterar la salud de la
población y la economía regional.
Dado que el simulador presentado se alimenta de variables de ingreso, según características

de la situación sanitaria, sería de gran importancia una asistencia efectiva de parte del ente
regulador del proceso de alertas tempranas, en este caso, el Ministerio Nacional de la Salud, a
fin de agilizar las estimaciones cuantitativas mediante la rápida carga de parámetros, como
por ejemplo, pacientes infectados confirmados.

110
GLOSARIO
A
Abstracción. Acto mental en el que conceptualmente se aísla un objeto o una propiedad de un
objeto.
Advenimiento. Llegada o venida, especialmente de un acontecimiento importante o de una
época.
Afecciones. Enfermedad o dolencia de determinada parte del organismo
Afectación. Acción y efecto de afectar.
Amesetamiento. Proviene de meseta, reducción constante, sin incrementos.
Análisis de regresión. Predecir una medida basándonos en el conocimiento de otra.
Analítica. Que procede por vías de análisis
Análoga. Significa comparación o relación entre varias razones o conceptos
Aplicaciones. Tipo de programa informático diseñado como herramienta para permitir a un
usuario realizar uno o diversos tipos de trabajos.
Arbitrario. Que no depende de la lógica, sino de la voluntad o el capricho.
Asintóticas. Curva a la cual se acerca indefinidamente otra, sin llegar jamás a coincidir.
Asistencia ambulatoria. Asistencia médica y farmacéutica a pacientes sin ingresarlos a un
establecimiento médico.
Asma. Enfermedad crónica del sistema respiratorio caracterizada por vías respiratorias
hiperreactivas.
Auxiliar. Ayudar a una persona, especialmente a librarse de un peligro o a satisfacer una
necesidad importante.
B
Biología molecular. Disciplina científica que tiene como objetivo el estudio de los procesos
que se desarrollan en los seres vivos desde un punto de vista molecular.
Bronquiolitis. Inflamación de las vías aéreas bajas, inflamación de bronquios y bronquiolitos
Bronquitis. Inflamación de las vías aéreas bajas, inflamación de bronquios.
C
Catalizador. Con su presencia o intervención, es capaz de hacer reaccionar un conjunto de
factores.
Causal. Que se establece entre la causa y efecto.
Cepa. Conjunto de especies bacterianas que comparten, al menos, una característica.
Coadyuvan. Contribuir o ayudar en la realización de algo o en el logro de alguna cosa.
Coeficientes. Factor multiplicativo

111
Cognitivas. Facultad, consciente o inconsciente, natural o artificial, de tomar la información
que se recibe o percibe y procesarla en base a conocimientos previamente adquiridos y las
características propias para valorarla.
Coherencia. Relación lógica y adecuada de las partes que forman un todo.
Conceptual. Construcciones o imágenes mentales, por medio de las cuales comprendemos las
experiencias que emergen de la interacción con nuestro entorno.
Concreción. Reducción a lo esencial o a lo preciso de un asunto o materia.
Contingencia. Posibilidad o riesgo de que suceda una cosa. Echo o problema que se plantea
en forma imprevista.
Croup. Enfermedad respiratoria que suele ser desencadenado por una infección viral aguda
de las vías respiratorias superiores.
D
Díadas. Término acuñado por el sociólogo alemán Georg Simmel (1858-1918), en su
investigación sobre la dinámica de los grupos sociales pequeños, para referirse a los grupos
sociales compuestos por dos personas. Los matrimonios, las relaciones de pareja o las
amistades íntimas son grupos de este tipo.
Difteria. Enfermedad grave que consiste en una infección de las vías respiratorias producida
por un bacilo; se caracteriza por la formación de falsas membranas en mucosas, especialmente
las de la faringe, la laringe, nariz y tráquea.
Dinámicas caóticas. Rama de las Matemáticas que trata acerca del comportamiento
cualitativo a largo plazo de un sistema dinámico.
Distribución hipergeométrica. En teoría de la probabilidad la distribución hipergeométrica
es una distribución discreta relacionada con muestreos aleatorios y sin reemplazo.
Distribuciones de probabilidad. Función que asigna a cada suceso definido sobre la variable
aleatoria la probabilidad de que dicho suceso ocurra.
E
Ecuaciones Diferenciales. Ecuación en la que intervienen derivadas de una o más funciones
desconocidas.
Efecto Pygmalion. Describe como la creencia que una persona tiene sobre otra puede influir
en el rendimiento de esta otra persona. Pygmalion fue un rey mítico de Chipre, que era
también escultor. El rey se enamoró de una de sus obras, una escultura de una mujer joven, y
pidió a los dioses que convirtieran su escultura en un ser vivo.
Endocarditis. Enfermedad y proceso inflamatorio localizado en el revestimiento interno de
las cámaras y válvulas cardíacas.

112
Enfermedades metabólicas. Son todas aquellas que están relacionadas con la perturbación
del metabolismo. Pueden ser hereditarias o adquiridas, el metabolismo es un conjunto de
procesos bioquímicos y fisicoquímicos que se realizan en una célula y en el organismo.
Equidistantes. Intermedio, que está en la misma distancia de un punto o entidad que otro.
Escala. Relación matemática que existe entre las dimensiones reales y las del dibujo que
representa la realidad sobre un plano o un mapa.
Escueta. Que es breve y no contiene adornos, rodeos o palabras innecesarias.
Estacional. Propio o característico de una de las estaciones del año.
Estimaciones. Conjunto de técnicas que permiten dar un valor aproximado de un parámetro
de una población a partir de los datos proporcionados por una muestra.
Estocástico. Sistema cuyo comportamiento es intrínsecamente no determinístico. En la
medida que el subsiguiente estado del sistema está determinado tanto por las acciones
predecibles del proceso como por elementos aleatorios.
Estudios de cohorte. Estudio epidemiológico, observacional, analítico, longitudinal
prospectivo o retrospectivo, en el que se hace una comparación de la frecuencia de
enfermedad (o de un determinado desenlace) entre dos poblaciones, una de las cuales está
expuesta a un determinado factor de exposición o factor de riesgo al que no está expuesta la
otra.
Etimologicamente. Hablar del origen de alguna palabra, sus modificaciones a través del uso,
y otros datos relativos a su historia.
Etiología. Es la ciencia que estudia las causas de las cosas. En medicina (patogénesis) se
refiere al origen de la enfermedad.
Ex Post Facto. Posterior al hecho.
Exacerbación. Aumento transitorio de la gravedad de un síntoma o de una enfermedad.
Explicito. Que expresa con claridad una cosa.
F
Factibilidad. Se refiere a la disponibilidad de los recursos necesarios para llevar a cabo los
objetivos o metas señaladas. Generalmente la factibilidad se determina sobre un proyecto.
Falsos positivos. En Medicina es un error por el cual al realizar una prueba complementaria
(un análisis de sangre, etc) su resultado indica una enfermedad, cuando en realidad no la hay.
Farmacocinética. Rama de la farmacología que estudia los procesos a los que un fármaco es
sometido a través de su paso por el organismo. Trata de dilucidar qué sucede con un fármaco
desde el momento en el que es administrado hasta su total eliminación del cuerpo.

113
Fenómenos caóticos. Todo fenómeno real al que se le ha suprimido el azar, pero que sigue
teniendo un comportamiento aparentemente aleatorio, y que está regido por leyes precisas.
Fiabilidad. Probabilidad de que una cosa funcione bien o sea segura.
Fibrosis quística. Enfermedad genética de herencia autosómica recesiva que afecta
principalmente a los pulmones, y en menor medida al páncreas, hígado e intestino.
Fisiología. Es la ciencia biológica que estudia las funciones de los seres vivos.
G
Genes. Fragmento más pequeño de una molécula de DNA que posee información completa
para un carácter determinado segmento corto de ADN. Los genes le dicen al cuerpo cómo
producir proteínas específicas.
Gerontes. Personas que ya se encuentran en lo que se conoce normalmente como “tercera
edad” o que son ancianas y que mantienen otras características tales como no verse obligados
a trabajar.
H
Hepáticas. Referente al hígado.
Hipótesis. Proposición aceptable que ha sido formulada a través de la recolección de
información y datos, aunque no esté confirmada, sirve para responder de forma alternativa a
un problema con base científica.
Homogéneo. Composición y estructuras uniformes.
I
Incidencia. Número de casos nuevos de una enfermedad en una población determinada y en
un periodo determinado.
Incitando. Estimular.
Influenza. Enfermedad respiratoria aguda que afecta a todos los grupos etarios.
Inherente. Que es esencial y permanente en un ser o en una cosa o no se puede separar de él
por formar parte de su naturaleza y no depender de algo externo.
Inmunidad. Estado de tener suficientes defensas biológicas para evitar la infección,
enfermedad u otra invasión biológica no deseada.
Inmunodeficiencias. Estado patológico en el que el sistema inmune no cumple con el papel
de protección que le corresponde dejando al organismo vulnerable a la infección.
Inmunosuprimidos. Inhibición de uno o más componentes del sistema inmunitario
adaptativo o innato (la inflamación), que puede producirse como resultado de una enfermedad
subyacente o de forma intencional mediante el uso de medicamentos (llamados

114
inmunosupresores) u otros tratamientos, como radiación o cirugía, con el propósito de
prevenir o tratar el rechazo de un trasplante o una enfermedad autoinmune.
Interacciones. Acción recíproca entre dos o más objetos, sustancias, personas o agentes.
Interacciones lógicas. Nacido del Diseño de Experimentos, ha sido introducida a finales de
los años 1990. Primero utilizada en análisis de los datos, encontró un campo de aplicación en
los modelos de regresión múltiple no postulados.
L
Ley de potencia. Es un tipo especial de relación matemática entre dos cantidades. Aplicado a
la estadística, si estas dos cantidades son la variable aleatoria y su frecuencia, en una
distribución de ley de potencias, las frecuencias decrecen según un exponente cuando la
variable aleatoria aumenta.
M
Macroscópicos. Que se ve a simple vista sin ayuda del microscopio.
Malaria. Es una enfermedad producida por parásitos del género Plasmodium, y es probable
que se haya transmitido al ser humano a través de los gorilas occidentales.
Matemática experimental. Es un acercamiento a las matemáticas en las que se utiliza el
cálculo numérico para investigar los objetos matemáticos e identificar las propiedades y
patrones.
Mecánica cuántica. Rama de la física que se ocupa de los fenómenos físicos a escalas
microscópicas, donde la acción es del orden de la constante de Planck. Su aplicación ha hecho
posible el descubrimiento y desarrollo de muchas tecnologías, como por ejemplo los
transistores, componentes ampliamente utilizados en casi todos los aparatos que tengan
alguna parte funcional electrónica.
Menester. Falta o necesidad de una cosa.
Meta-análisis. Re-evaluación sistemática y ponderada de los resultados de ensayos clínicos
aleatorizados.
Metodología. Estudio o elección de un método pertinente para un determinado objetivo.
Miocarditis. Inflamación del miocardio, que es la porción muscular del corazón.
Mitigación. Conjunto de medidas que se pueden tomar para contrarrestar o minimizar los
impactos ambientales negativos que pudieran tener algunas intervenciones antrópicas. Estas
medidas deben estar consolidadas en un Plan de mitigación, el que debe formar parte del
estudio de impacto ambiental.

115
Modelo de Watts y Strogats. Se emplea para la construcción de algunas redes de mundo
pequeño. Genéricamente se trata de un modelo de generación de grafos aleatorios con
distancias medias pequeñas y valores altos del coeficiente de agrupamiento.
Morbilidad. Proporción de personas que enferman en un sitio y tiempo determinado.
Muestras. Subconjunto de casos o individuos de una población estadística.
Mutación. Alteración o cambio en la información genética (genotipo) de un ser vivo (muchas
veces por contacto con mutágenos) y que, por lo tanto, va a producir un cambio de
características de éste, que se presenta súbita y espontáneamente, y que se puede transmitir o
heredar a la descendencia.
N
Neurofisiología. Rama de la fisiología que estudia el sistema nervioso.
Nodos. Espacio real o abstracto en el que confluyen parte de las conexiones de otros espacios
reales o abstractos que comparten sus mismas características y que a su vez también son
nodos.
O
Objetivo. Relativo al objeto en sí, independientemente de juicios personales.
Ordenadores analógicos. Tipo de ordenador que utiliza fenómenos electrónicos o mecánicos
para modelar el problema a resolver utilizando un tipo de cantidad física para representar otra.
Ortomixoviridae. Familia de virus RNA que infectan a los vertebrados. Incluyen a los virus
causantes de la gripe.
Otitis media. Inflamación del oído medio, por lo general, como consecuencia de la
disfunción de la trompa de Eustaquio y que, contaminado por bacterias o virus de la
nasofaringe, producirá una infección aguda o, a veces crónico.
P
Paludismo. Enfermedad infecciosa causada por un parásito denominado Plasmodium que se
transmite a través de la picadura de mosquitos infectados.
Parámetros. Dato que se considera como imprescindible y orientativo para lograr evaluar o
valorar una determinada situación.
Patogenicidad. Todas las características que posee un agente patógeno y que provocan daño
en el cuerpo, los tejidos o las células del huésped u hospedero.
Patología. Rama de la medicina encargada del estudio de las enfermedades en los humanos.
Patrón. Tipo de tema de sucesos u objetos recurrentes.
Pericarditis. Enfermedad producida por la inflamación del pericardio, la capa que cubre al
corazón.

116
Periodo de latencia. Lapso entre la exposición a un agente causal de una enfermedad y la
aparición de las manifestaciones propias de esta.
Perturbaciones. Conjunto de esquemas aproximados para describir sistemas cuánticos
complicados en términos de otros más sencillos.
Peste Bubónica. Enfermedad infecciosa aguda extremadamente rara. Zoonosis de la que aún
se producen brotes en regiones donde las condiciones de la vivienda y de higiene son
deficientes.
Plausible. Admisible, recomendable.
Postular. Defender una idea o un principio de interés general.
Presunción. Sospecha.
Prevalencia. Proporción de individuos de un grupo o una población que presentan una
característica o evento determinado en un momento o en un período determinado.
Probabilístico. Es la forma que pueden tomar un conjunto de datos obtenidos de muestreos
de datos con comportamiento que se supone aleatorio.
Procesos. Conjunto de actividades o eventos (coordinados u organizados) que se realizan o
suceden (alternativa o simultáneamente) bajo ciertas circunstancias con un fin determinado.
Este término tiene significados diferentes según la rama de la ciencia o la técnica en que se
utilice.
Proliferación. Multiplicación abundante de una cosa.
Propagación. Conjunto de fenómenos físicos que conducen a las ondas del transmisor al
receptor.
Prototipado virtual. Creación de un modelo virtual, en contraposición a modelo físico y la
interacción con el mismo mediante técnicas de realidad virtual.
Pseudo-pandemia. Imitación, parecido engañoso o falsedad, y se coloca antes de la
disciplina, profesión, concepto, persona o cosa a la que se parece, o aquello que es
directamente falso.
Q
Quarks. Únicas partículas fundamentales que interactúan con las cuatro fuerzas
fundamentales.
R
Resistividad. Resistencia eléctrica específica de cada material para oponerse al paso de una
corriente eléctrica.

117
S
Simulación basada en agentes. Método para la investigación social.
Sistema de ignición. Encender la mezcla aire/combustible en la cámara de combustión en el
momento adecuado.
Sistemas Expertos. Sistemas que emulan el razonamiento de un experto en un dominio
concreto y en ocasiones son usados por éstos.
Sociogramas. Técnica de análisis de datos que concentra su atención el la forma en que se
establecen los vínculos sociales dentro de un grupo cualquiera.
Subjetivo. Que depende de sentimientos, vivencias o intereses personales.
Supuestos. Que no es verdadero pero se pretende hacer pasar por cierto.
T
Tasa de decaimiento. Indicador de la velocidad con que una determinada población reduce
su número de elementos.
Teorema de muestreo. Representación de una señal de tiempo continúo mediante sus
muestras.
Teoría de grafos. Campo de estudio de las matemáticas y las ciencias de la computación, que
estudia las propiedades de los grafos, estructura que constan de dos partes, el conjunto de
vértices, nodos o puntos; y el conjunto de aristas, líneas o lados que pueden ser orientados o
no.
Tos ferina. Enfermedad infecciosa aguda altamente contagiosa de las vías respiratorias altas,
causada por bacilos de la especie Bordetella pertussis. Se caracteriza por inflamación
traqueobronquial y accesos típicos de tos violenta, espasmódica con sensación de asfixia, que
terminan con un ruido estridente durante la inspiración.
Tríadas. Conjunto de tres elementos especialmente vinculados entre sí.
Tuberculosis. Enfermedad infecciosa que suele afectar a los pulmones y es causada por una
bacteria. Se transmite de una persona a otra a través de gotículas generadas en el aparato
respiratorio pacientes con enfermedad pulmonar activa.
U
Unidimensional. Término utilizado para describir figuras que sólo se pueden medir en una
dirección, como una línea, que sólo tiene longitud.
Unívocamente. Que solamente tiene un significado o una interpretación posible.
V
Validación. Acción y efecto de validar (convertir algo en válido, darle fuerza o firmeza).

118
Verificación. Establecimiento de la veracidad de algo. La verificación y reproducibilidad en
un experimento o investigación científica es un paso necesario para probar una teoría. Pero,
aunque resulte positiva, no nos asegura que el resultado verificado sea correcto.
Viruela. Enfermedad infecciosa grave, contagiosa, causada por el Variola virus, que en
algunos casos podía causar la muerte.
Z
Zonificación. Indica la división de un área geográfica en sectores homogéneos conforme a
ciertos criterios.
Zoonosis. Enfermedad que puede transmitirse de animales a seres humanos.

119
BIBLIOGRAFIA
[1]. Mónica Muller. Pandemia. Editorial Sudamericana. 2010.

[2]. Daniel Bernoulli. An attempt at a new analysis of the mortality caused by smallpox and of
the advantages of inoculation to prevent it. AIDS Institute and Department of
Biomathematics, David Geffen School of Medicine at UCLA.Los Angeles, USA. Año 2004.
[3]. Peter Fritzson. Introducción al Modelado y Simulación de Sistemas Técnicos y Físicos.
2006.
[4]. Carlos Gershenson. Sistemas Complejos. 11/12/2000.
http://www.jornada.unam.mx/2000/12/11/cien-sistemas.html
[5]. Juan Sanchez R. Introducción a los modelos. Simulación de sistemas. Universidad
Catolica de Valparaiso. Facultad de Ingeniería.
http://www.material_simulacion.ucv.cl/en%20PDF/Definicion%20de%20la%20simulacion%
20de%20sistemas.pdf
[6]. Simulación Digital. Ingeniería en Sistemas Computacionales. Universidad de estudios
tecnológicos de Jocotitlan. Abril 2008.
[7]. Taller de Informática I Dpto. Computación – F.C.E. y N. - UBA. 2010.
http://www-2.dc.uba.ar/materias/t1/material/simulacion.pdf
[8]. Shannon, Robert; Johannes, James D. System simulation: the art and science.
IEEE Transactions on Systems, Man and Cybernetics. 1976.
http://ieeexplore.ieee.org/xpls/abs_all.jps?arnumber=4309432
[9]. Handbook of simulation principles, methodology, advances, applications, and practice.
New York: Wiley, Co- ublished by Engineering & Management, 1998.
[10]. Silvestre, Moreno, Toscana y Luis. Curso de Simulación Monte Carlo. III Encuentro
Nacional de docentes de Investigación Operativa. Facultad de Cs. Económicas. Universidad
Nacional del Centro de la Provincia de Buenos Aires. 1990.
[11]. Azarang M., Garcia E. Simulación y Análisis de Modelos Estocásticos. Mc. Graw Hill.
México
[12]. Amy Beth Kramer. The Pygmalion Effect: A Self-fulfilling Prophecy. November 10,
2002.
[13]. Mosterín, Jesús. Los lógicos. Madrid: Espasa Calpe. 420 pp. ISBN 978-84-670-2507-1.
(2000, 2007)
[14]. Texto Web. Facultad de Informática de Barcelona.
http://www.fib.upc.edu/retro-informatica/avui/simulacio.html

120
[15]. Oswaldo Ortiz Sánchez. THE GPSS/H SIMULATION LANGUAGE APPLICATION
TO A MINE HAULAGE PROBLEM. Revista del Instituto de Investigación FIGMMG. Vol.
8, N.° 15, 60-68. Universidad Nacional Mayor de San Marcos. 2005.
[16]. Miguel Ángel Villarroel Salgueiro. Software de Simulación. 03/2010.
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r61035.PDF
[17]. Terminal 1 del Aeropuerto de Barcelona. Entre el mar y el aire, el respeto a la tierra.
http://www.promateriales.com/pdf/pm2802.pdf
[18]. Manuel Perera Dominguez. ENIAC, matemáticas y computación científica.
Dpto. de Ciencias de la Computación e Inteligencia Artificial. Universidad de Sevilla.
http://virtual.uptc.edu.co/ova/estadistica/docs/autores/pag/mat/Historia23.pdf
[19]. Definición de Pandemia. Real Academia Española. 05/08/2012
http://lema.rae.es/drae/?val=pandemia
[20]. Definición de Pandemia. Definición ABC. 05/08/2012.
http://www.definicionabc.com/salud/pandemia.php
[21]. Pandemia Gripe A (H1N1) de 2009 – 2010 en Argentina. Wikipedia.
http://es.wikipedia.org/wiki/Pandemia_de_gripe_A_(H1N1)_de_2009-2010_en_Argentina
[22]. Plan de Pandemia de Influenza. Ministerio de Salud de la Nación. 18/04/2009
http://www.otorrino-tornu.com.ar/descarga/producto/738-385-
5_Plan%20de%20Pandemia%20de%20Influenza.pdf
[23]. Pandemia. Annoucing a new FCC.gov. Federal Communication Commisiom.
Washington DC.
http://transition.fcc.gov/pshs/emergency-information/pandemics-spa.html
[24]. Guías Clínicas - Nueva gripe A (H1N1). Fisterra (2009). Consultado el 8 de julio de
2009. http://www.fisterra.com/guias-clinicas/gripe-h1n1-v/
[25]. La situación de la gripe a en Santa Fe. Rafaela (1 de julio de 2009). Consultado el 8 de
julio de 2009.
http://www.rafaela.com/portal/modules.php?name=News&file=article&sid=16711
[26]. Sociedad Argentina de Infectología (SADI), Sociedad Argentina de Pediatría (SAP) y
Comité Nacional de Infectología (junio de 2009). Guías y consensos: Influenza A (H1/N1).
Argentina: Intramed.
http://www.intramed.net/home.asp

121
[27]. Pisani, Francis (10 de mayo de 2009). Influenza: mitigación y ciencia de las redes.
México: El Universo. Consultado el 09/07/09.
http://www.eluniverso.com/2009/05/10/1/1431/6F178BCB3CAD4BFA96E1D2BAFD14C61
C.html
[28]. Lipcovich, Pedro. Veintidós escuelas cerradas. 09/06/2009.
http://www.pagina12.com.ar/diario/sociedad/3-126331-2009-06-09.html
[29]. Rosario 3. Gripe A en Santa Fe: sin nuevos casos y con política de aislamiento.
Consultado el 9/07/09. 15/06/2009.
http://www.rosario3.com/noticias/noticias.aspx?idNot=51930
[30]. Clarín. Más casos de gripe A: cierran el Carlos Pellegrini por dos semanas. 09/06/2009.
http://edant.clarin.com/diario/2009/06/09/um/m-01935926.htm
[31]. Valeria Perasso. Nueva estrategia ante la gripe porcina. BBC Mundo. 18/06/2009.
http://www.bbc.co.uk/mundo/ciencia_tecnologia/2009/06/090617_2319_estrategia_gripe_arg
entina_jrg.shtml
[32]. Los Andes. Cuáles son los grupos de riesgo. 16/06/2009.
http://www.losandes.com.ar/notas/2009/6/16/un-430136.asp
[33]. InfoBAE. La Provincia amplió la red de "consultorios A" para tratar la influenza.
16/06/2009.
http://www.infobae.com/contenidos/454317-101275-0-La-Provincia-ampli%C3%B3-la-red-
consultorios-A-tratar-la-influenza
[34]. Ministerio de Salud de la Nación. Situación de la influenza porcina. Parte Nº 49.
Ministerio de Salud de la Nación. 16/6/2009.
[35]. Se duplicaron los casos de chicos con gripe en Capital. InfoBAE. 14/05/2008.
http://www.infobae.com/contenidos/380041-0-0-Se-duplicaron-los-casos-chicos-gripe-Capital
[36]. Aumentan los casos de bronquiolitis. La Gaceta. 13/05/2009.
http://www.lagaceta.com.ar/nota/326233/Informacion_General/Aumentan_casos_bronquioliti
s.html
[37]. Colapsó el sistema médico a domicilio: los prestadores piden "racionalidad". Clarín.
09/06/2009.
http://edant.clarin.com/diario/2009/06/09/um/m-01935931.htm
[38]. Ausentismo récord en las escuelas por el miedo a la Gripe A. Clarín. 12/06/2009.
http://edant.clarin.com/diario/2009/06/12/sociedad/s-01937344.htm
[39]. Por la gripe se triplicó en un mes el ausentismo en el trabajo. Clarín. 26/06/2009.
http://edant.clarin.com/diario/2009/06/26/sociedad/s-01946691.htm

122
[40]. Gripe porcina: el Gobierno advierte que el invierno agravará la situación. Clarín.
30/4/2009. http://edant.clarin.com/diario/2009/04/30/um/m-01909057.htm
[41]. El Economista. OMS pide seguir atentos a gripe porcina y alerta de llegada a hemisferio
sur. 5/5/2009.
http://ecodiario.eleconomista.es/espana/noticias/1218316/05/09/OMS-pide-seguir-atentos-a-
gripe-porcina-y-alerta-de-llegada-a-hemisferio-sur.html
[42]. La República. Gripe porcina podría repuntar en el invierno de ambos hemisferios.
6/5/2009.
http://ecodiario.eleconomista.es/espana/noticias/1218316/05/09/OMS-pide-seguir-atentos-a-
gripe-porcina-y-alerta-de-llegada-a-hemisferio-sur.html
[43]. La gripe Argentina. Ius Lex - Siglo XXI.03 Julio 2009
http://ius-lex-xxi.blogspot.com.ar/2009_07_03_archive.html
[44]. Articulo "La historia de un virus que cambio la vida de muchos argentinos". Diario
Integración Infantil. Julio-Agosto 2009.
http://infanciahoy.com/imgarchivos/2905_2182009_Periodico%20JULIO%20WEB.pdf
[45]. D. Bernoulli. Essai d' une nouvelle analyse de la mortalité causé par la petite Vérole, et
des avantages de l' inoculation pour la prévenir. Mém de lAcadémie Royale de Science 1760,
1-45.
[46]. Jorge X. Velasco Hernández. Modelos matemáticos en epidemiología: enfoques y
alcances. Programa de Investigación en Matemáticas Aplicadas y Computación. Instituto
Mexicano del Petróleo. México, D.F.
[47]. R. A. Ross. The prevention of Malaria, 2nd. ed., Murray, Londres, 1911.
[48]. W. O. Kermack y A. G. McKendrick. A contribution to the mathematical theory of
epidemics, Proc. Royal Soc. London 115, 700-721. 1927.
[49]. Becker N. The uses of epidemic models. Biometrics. 35:295-305. 1979.
[50]. Diekman O, Heesterbeek JAP, Metz J. On the definition and the computation of the
basic reproduction ratio R0 in models of infectious diseases in heterogeneous populations. J
Math Biol. 28:365-382. 1990.
[51]. Dietz K. Epidemics and Rumors: A survey. JR Stat Soc [Ser A]. 130(4):505-528. 1967.
[52]. Anderson R, May RM. Infectious diseases of humans. Oxford: Oxford University Press.
1991.
[53]. Diekman O, Heesterbeek JAP. Mathematical epidemiology of infectious disease: model
building, analysis and interpretation. New York: John Wiley and Sons. 2000.

123
[54]. Watts DC, Strogatz SH. Collective dynamics of ‘small-world’ networks.Nature.
393:440-442. 1996.
[55]. Kretzschmar M, Morris M. Measures of concurrency in networks and the spread of
infectious diseases. Math Biosci. 133:165-195. 1996.
[56]. Latora V, Marchiori M. Efficient behavior of small-world networks. Phys Rev Lett
2001;87(19):198701-1-198701-4.
[57]. Wasserman S, Faust K. Social Network Analysis: methods and aplications. Cambridge:
Cambridge University Press, 1994.
[58]. Pastor-Satorras R, Vespignani A. Epidemic dynamics and endemic states in complex
networks. Phys Rev E. 63:066117. 2001.
[59]. Barabai AL, Albert R. Emergence of scaling in random networks.Nature. 401:130. 1999.
[60]. Hernández-Suárez C, Castillo-Chávez C. Urn models and vaccine efficacy estimation.
Stat Med. 19:827-835. 2000.
[61]. PROCESO DE GALTON-WATSON. Raydonal Ospina Martinez. Revista Colombiana
de Estadistica. Volumen 24 (2001) No 1, páginas 13 a 26. Universidad Nacional de Colombia.
Departamento de Matemáticas y Estadistica. Bogota-
Colombia.
[62]. Modelo Matemático para Enfermedades Infecciosas. Osvaldo Antonio Montesinos –
Lopez. Facultad de Temática. Universidad de Colima. Mayo-Junio 2007.
[63]. J. D. Murray. Mathematical Biology. Springer Verlag, Londres, 1989.

124
ANEXO I. PLAN DE CONTINGENCIA.
El plan de contingencia aplicado al sistema informático, se agregó para especificar las

características que tienen que tener el sistema en un entorno centralizado. Dado que instalado
en una maquina cliente, el único plan de contingencia induce a instalarlo en otra maquina.
Como plan de contingencia se pensó una instalación en 2 servidores en Cluster, esto significa
que si por algún motivo un servidor deja de funcionar, existe un servidor “On Line” en
paralelo para continuar con el procesamiento de la información.
Los beneficios de realizar el procesamiento en cluster son los siguientes:
Alto Rendimiento.
Alta Disponibilidad.
Alta Eficiencia.
Escalabilidad.
El problema que afectaría al entorno de producción recibiendo incalculables eventos en forma

constante estaría resuelto con la incorporación de este modelo.
A continuación se grafica en modo esquemático su funcionamiento:

125
ANEXO II. DESARROLLO DEL SOFTWARE. COSTO, CANTIDAD DE
RECURSOS Y TIEMPO DE IMPLEMENTACIÓN.
En este apartado se especifican los costos, recursos y tiempo de implementación en el

desarrollo del sistema.
Dado que es un programa complejo pero con una programación reducida, la cual se detalla en
el anexo III, los mayores costos que se afrontan aparecen si se realiza una instalación
centralizada.
Por el lado de equipamiento, se deberá pensar en la compra de dos servidores que puedan
brindar un servicio de gran procesamiento, como así también, un buen hardware de
comunicación y almacenamiento.
Por el lado de recursos, se requiere un área bien constituida de sistemas y profesionales

idóneos en las áreas de matemática y medicina.
El costo y cantidad de recursos necesarios para desarrollar el sistema se detallan a

continuación:
N° Perfil Profesional Horas Estimadas Costo por Hora Totales

1 Project Leader 140 $ 90,00 $ 12.600,00
2 Analista Desarrollador Senior 140 $ 65,00 $ 9.100,00

3 Desarrollador Jr 140 $ 45,00 $ 6.300,00
4 Diseñador Area Comunicaciones 80 $ 60,00 $ 4.800,00

5 Diseñador Base de Datos 70 $ 55,00 $ 3.850,00
6 Soporte de Hardware y redes 120 $ 50,00 $ 6.000,00
TOTAL $ 42.650,00
Cabe aclarar que solo se tuvo en cuenta el área de sistemas. Se estipulan un máximo de 140
horas estimadas de trabajo, las cuales constituyen menos de 1 mes de trabajo. Los valores
están basados en las remuneraciones estimadas a Enero del 2013.

126
ANEXO III. CÓDIGO FUENTE
A continuación se realizara un ejemplo con las variables de entrada y la variable de tiempo en

cero:
Primero realizamos un ciclo que no supere los 140 días como límite de tiempo, ya que los
escenario pandémico de virus de influenza se producen en los meses de frío, donde el virus se
propaga con mayor efectividad debido al factor climático.
Do While t < 140
It = b * p * Poblacion * (rvar * Poblacion - a) * Exp((Poblacion * rvar - a) * t)
‘A continuación se reemplazan las variables de la ecuación anterior por datos reales...
‘0,01 = 1,11E+02 * 0,00000001 * 39500 * (1,44E-05 * 39500 – 0,33333) * Exp ((39500 * 1,44E-05 –
0,33333) * 0)
Rt = a * It
‘0,00 = 0,33333 * 0,01
rsi = (rvar * ((Poblacion) - It - Rt) * It)
‘0,01 =(1,44E-05 * ((39500) - 0,01 - 0,00) * 0,01)
DIt = rsi – Rt
‘0,01 = 0,01 - 0,00
Luego realizamos el paso de los resultados de las ecuaciones al reporte.
If DIt > DItAnterior Then
ListView1.ListItems.Add , , t, , 1
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(1) = FormatNumber(It, 2)
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(2) = FormatNumber(Rt, 2)
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(3) = FormatNumber(rsi, 2)

127
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(4) = FormatNumber(DIt, 0)
PunteroPosicion = t
Else
ListView1.ListItems.Add , , t, , 1
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(1) = FormatNumber(It, 2)
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(2) = FormatNumber(Rt, 2)
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(3) = FormatNumber(rsi, 2)
If PunteroPosicion > 1 Then
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(4) =
ListView1.ListItems.Item(PunteroPosicion + 1).SubItems(4)
PunteroPosicion = PunteroPosicion - 1
Else
ListView1.ListItems.Item(ListView1.ListItems.Count).SubItems(4) = "0"
PunteroPosicion = PunteroPosicion - 1
End If
End If
t=t+1
DItAnterior = DIt
Loop

128

Tesis de Licenciatura PDF

Cargado por

Copyright:

Formatos disponibles

Tesis de Licenciatura PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis de Licenciatura PDF

Cargado por

Copyright:

Formatos disponibles

TESIS DE LICENCIATURA

Utilización de software de simulación mediante

Nicolás Ignacio Rivanera

También a todos aquellos que colaboraron con sus conocimientos y compromiso…

Trabajo de Tesis - Licenciatura en Informática.

Trabajo de Tesis - Licenciatura en Informática.

Tercera parte………………………………………………………………………… 107

CAPITULO 7………………………………………………………………………… 108

Trabajo de Tesis - Licenciatura en Informática.

Trabajo de Tesis - Licenciatura en Informática.

Trabajo de Tesis - Licenciatura en Informática.

En aquel tiempo me llamo la atención el poder que representaba la velocidad del

Trabajo de Tesis - Licenciatura en Informática.

Demostrar que en informática no se debe atar ninguna innovación a un campo de acción

Nicolás Ignacio Rivanera

Trabajo de Tesis - Licenciatura en Informática.

Esta investigación, propone, mediante un modelo matemático estocástico, el uso de un

Se planteará la contribución de esta herramienta en la ayuda a la toma de decisiones dentro

Palabras claves: Software de simulación, Modelos matemáticos, Pandemia, Toma de

Trabajo de Tesis - Licenciatura en Informática.

By means of a stochastic mathematical model, this research proposes using a pandemic

Keywords: Software simulation, Stochastic mathematical models, Pandemic, Decision-

Trabajo de Tesis - Licenciatura en Informática.

Trabajo de Tesis - Licenciatura en Informática.

El riesgo que presenta una pandemia de estas características ha generado la necesidad de

Trabajo de Tesis - Licenciatura en Informática.

Luego de la Segunda Guerra Mundial resultó necesario mejorar el entendimiento de los

Hoy en día, la construcción de modelos matemáticos es una de las herramientas más

La gran importancia que ha cobrado la matemática como una herramienta conceptual, da la

La simulación digital implica la construcción de procesos experimentales. El objetivo es

Trabajo de Tesis - Licenciatura en Informática.

El presente trabajo tiene los siguientes objetivos:

- Demostrar la flexibilidad en la reconfiguración de las variables de entrada como cantidad de

Trabajo de Tesis - Licenciatura en Informática.

Si bien se explican todos los modelos matemáticos y se detallan cronológicamente las

1.4. Metodología de la investigación

La metodología de esta investigación incluyen los siguientes pasos:

1. Se seleccionó bibliografía de diferentes publicaciones, libros y revistas, referentes al

2. A través de la lectura bibliografía se logró una familiarización de los diversos tipos de

3. Se recurrió a desarrollos realizados por matemáticos destacados en el ámbito de la materia

Trabajo de Tesis - Licenciatura en Informática.

6. Se diseñó, diagramó y programó un software de simulación.

7. Se realizó un ajuste de parámetros a los datos tempranos de la epidemia, para poder

1.5. Estructura del trabajo de tesis

Esta tesis se encuentra dividida en tres partes:

- La primera, ofrece el marco teórico e introductorio, con diferentes conceptos de Sistemas,

- Por ultimo, en la tercera parte se propone la conclusión.

Trabajo de Tesis - Licenciatura en Informática.

Trabajo de Tesis - Licenciatura en Informática.

En muchos sistemas, las mismas variables actúan como entradas y salidas.

De acuerdo a nuestra definición de sistema, la observación es esencial si se desea estudiar un

Trabajo de Tesis - Licenciatura en Informática.

- El experimento podría ser demasiado costoso si en vez de utilizar la simulación se utilizara

- El experimento podría ser demasiado peligroso si el sistema no fuera confiable.

Si nos ajustamos a un modelo para un sistema y este es lo suficientemente fiable, entonces

1.7. Sistemas complejos

Algunos niveles de abstracción que podemos identificar por ejemplo:

Trabajo de Tesis - Licenciatura en Informática.

La tendencia actual de las ciencias es explicar cada nivel de abstracción.