La pandemia de la enfermedad del coronavirus 2019 (Covid-19) destacó la importancia del modelado matemático para asesorar a los organismos científicos e informar la formulación de políticas públicas. El modelado permite desarrollar un marco teórico flexible en el que se puedan explorar diferentes escenarios sobre la propagación de enfermedades y estrategias para prevenirlo. Este trabajo reúne perspectivas sobre el modelado matemático de enfermedades infecciosas, destaca los diferentes marcos de modelado que se han utilizado para modelar Covid-19 e ilustra algunos de los modelos que nuestros grupos han desarrollado y aplicado específicamente para Covid-19. Discutimos tres modelos para la propagación de CoVID-19: el modelo modificado de recuperación con infectados con exposición susceptible que incorpora el rastreo de contacto (modelo SEIR-TTI) y describe la propagación de Covid-19 entre estas cohortes de población, el modelo más detallado basado en agentes basado en agentes llamado Covasim que describe la transmisión entre individuos y el modelo basado en reglas (RBM), que puede considerarse como una combinación de ambos. Mostramos las metodologías clave de estos enfoques, sus diferencias, así como las formas en que están interconectadas. Ilustramos su aplicabilidad para responder preguntas pertinentes asociadas con la pandemia Covid-19, como cuantificar y pronosticar los impactos de diferentes estrategias de prueba-trace-isolate (TTI).
Mientras escribimos esto en octubre de 2022, el mundo permanece agarrado por la pandemia Covid-19 causada por la propagación de un síndrome respiratorio agudo severo coronavirus (SARS-CoV-2). Desde el surgimiento de este nuevo virus, las ciencias matemáticas, en particular el modelado, han estado a la vanguardia de la toma de decisiones políticas a su alrededor.
Los modelos matemáticos y computacionales son una forma de comprender los procesos en sistemas complejos que subyacen a las observaciones empíricas y generan posibles trayectorias futuras de estos sistemas. Estrictamente hablando, los modelos matemáticos se refieren al marco real de componer un conjunto de ecuaciones o enfoques teóricos, mientras que los modelos computacionales se refieren a los enfoques numéricos y computacionales utilizados para resolver el marco matemático. En la práctica, estos términos se usan indistintamente ya que resolver analíticamente los modelos matemáticos prácticos rara vez es posible; Por lo tanto, a menudo simplemente nos referimos a ambos como modelos. El propósito general de los modelos es permitir un marco flexible en el que se puedan probar diferentes escenarios, se pueden plantear y evaluar diferentes preguntas relacionadas con el comportamiento futuro, y se puede predecir un comportamiento futuro potencial. Hay una diferencia entre los modelos explicativos que intentan explicar el comportamiento actual y los modelos predictivos que extienden esto al futuro, y discutiremos esto más a fondo en la Sección 1.2.
El objetivo general del modelado matemático es generar respuestas a las preguntas que no podemos obtener de las observaciones. Las respuestas se utilizan para comprender, administrar y predecir el comportamiento futuro de los sistemas y procesos complejos, por ejemplo, para informar las políticas públicas y la toma de decisiones futuras. El estadístico George Box dijo: “Todos los modelos están equivocados; Algunos modelos son útiles «. Es importante comprender que el modelado es como cualquier otra tecnología: se puede aplicar adecuadamente o no, puede producir una producción que admite una interpretación útil, o no. En la Sección 1.3, discutimos la noción de un modelo «correcto»; Es importante comprender esta noción de corrección en el contexto de la utilidad del modelado matemático.
El modelado matemático proporciona un marco que, dados los datos, facilita la comprensión de cómo los cambios dentro del marco pueden afectar los resultados. El modelado combinado con datos puede explicar el comportamiento pasado, predecir y pronosticar el comportamiento futuro, y evaluar cómo los cambios pueden alterar estas predicciones. Explicar las tendencias pasadas y actuales y predecir las tendencias futuras son dos aspectos diferentes del modelado. La clara distinción entre los dos conceptos fue destacada por varios científicos como Forster y Sober (1994), Forster (2002), Hitchcock y Sober (2004) y Dowe et al. (2007).
El modelado explicativo combina la teoría con datos para probar hipótesis y explicar el comportamiento. El modelado de regresión, o el ajuste de la curva a los datos, es un tipo de modelado explicativo que se usa ampliamente en las ciencias estadísticas. El modelado explicativo puede responder preguntas como «¿Qué cohorte de población está en mayor riesgo de infección»? Al mirar hacia atrás y encontrar los parámetros clave (covariables) que ayudan a explicar los patrones observados en los datos. Estos tipos de modelos tienen una larga historia para ayudar a explicar patrones en enfermedades y salud pública. Mientras continúa la trayectoria de la curva que mejor explicaba que las tendencias históricas podrían usarse en teoría para predecir tendencias futuras, el modelo estadístico mejor capaz de explicar las tendencias pasadas puede no ser muy adecuada para pronosticar las tendencias futuras.
¿Qué es un modelo matemático y ejemplos?
El modelado matemático impacta todos los aspectos de nuestras vidas, y aquí veré una serie de ejemplos del mundo real que muestran cuán importante es. Este artículo se deduce de otro artículo donde observé la pregunta más general de «¿Qué es el modelado matemático»?
Estos a menudo comienzan a partir de leyes bastante conocidas, y luego se simplifican. Esto se hace con mayor frecuencia resolviendo el tamaño de diferentes efectos, e ignorando aquellos que se consideran demasiado pequeños para marcar una gran diferencia con el resultado final. Esto se puede hacer matemáticamente o por experimentos. A veces, esto se combina con suposiciones sobre cómo se comportará el sistema para simplificar el número de posibilidades que deben estudiarse.
Vale la pena considerar dos ejemplos, que muestran el poder predictivo real de este proceso. El primero proviene de la mecánica celestial. Después de que Newton había escrito las leyes de movimiento para el sistema solar, se descubrió que eran muy precisas para predecir los caminos de los planetas conocidos. Sin embargo, el 13 de marzo de 1781, William Herschel descubrió el planeta Urano. Cuando se trazó su órbita, se descubrió que, aunque casi estuvo de acuerdo con las predicciones de la mecánica newtoniana, había pequeñas discrepancias. En esta etapa, la confianza en la precisión del modelo subyacente era tal que incluso estas pequeñas discrepancias causaron una gran preocupación. (¡Esto no sucedería con un modelo de biología o las ciencias sociales!)
Se postuló que debe haber una causa, y una explicación fue que había otro planeta, que estaba perturbando la órbita de Urano. Usando el modelo newtoniano para el sistema solar, fue posible calcular la ubicación de este planeta. Este cálculo fue realizado de forma independiente, por John Couch Adams en Cambridge, y por Urbain Le Verrier en París. Ambos obtuvieron respuestas muy similares, y en respuesta a los cálculos de Le Verrier, Johan Galle descubrió el planeta en 1846. Ahora llamamos a este planeta Neptuno, y se ilustra a continuación con Urano a la izquierda.
¿Qué es un modelo en matemáticas?
Cuando planteé esta pregunta a los maestros, escuché las siguientes respuestas:
- «¡Usando la base diez bloques!»
- «¡Usando una matriz para multiplicar!»
- «Lo hago, ahora lo haces».
- «¡Usar manipuladores para representar conceptos matemáticos!»
- «¡Mostrando a los estudiantes cómo graficar una ecuación!»
- «¡Resolver un problema matemático del mundo real!»
Si eres una consulta y un purista 5e, este es el momento en que esperas, ¡exponiendo el error! Esperaba la mayoría de estas respuestas, ya que sabía que la mayoría de estos ejemplos estaban en la siguiente diapositiva, ya que no demuestra modelar con matemáticas… y esencialmente les estaba diciendo que todos estaban equivocados. Discutimos algunos ejemplos para matemáticas primarias y secundarias y revelé la definición:
El modelado de las matemáticas es el proceso de elegir y usar matemáticas y estadísticas apropiadas para analizar situaciones empíricas, comprenderlas mejor y mejorar las decisiones.
No esperaba la vehemencia con la que los maestros defendieron sus respuestas después de los ejemplos y la definición de modelado con matemáticas. Desde su perspectiva, modelar un número con manipuladores, que representa una función con la tabla de valores o resolver un sistema de ecuaciones con gráficos encajaría totalmente en esta definición.
Pero estos ejemplos no fueron modelados con matemáticas. ¡Había tocado un nervio y, la peor parte, fue justo antes del almuerzo para que todos tenían hambre! Decidí que era hora de un almuerzo muy necesario, más para mi beneficio que el de ellos porque necesitaba tiempo para reagruparme.
¿Dónde se aplica un modelo matemático?
El modelado matemático es un método que representa y explica sistemas y ocurrencias reales utilizando fórmulas matemáticas, descripciones y enfoques. Los profesionales usan modelos matemáticos para examinar, analizar y predecir el comportamiento y los eventos. También lo usan para resolver problemas complejos y responder preguntas. Un modelo matemático sigue estos pasos básicos:
Defina las variables que desea usar en su modelo.
Analice y evalúe el modelo y sus resultados para validar su precisión.
Informe los resultados a su equipo, cliente o audiencia.
Cuanto más complejo sea el problema, más variables, suposiciones e iteraciones podrías necesitar hacer. Los modelos matemáticos extremadamente complejos generalmente se ingresan en programas de computadora para crear modelos de computadora. Los ejemplos de modelado de computadora basado en matemáticas incluyen modelos económicos y predicciones meteorológicas.
Los modelos matemáticos se pueden clasificar de varias maneras, dependiendo de su estructura, que incluya:
Lineal: la relación entre todas las variables en un modelo es lineal o directa y secuencial.
No lineal: la relación entre todas las variables en un modelo no es lineal.
Dinámica: el modelo considera los cambios con el tiempo.
Inductivo: el modelo se basa en la observación o la experiencia.
Flotante: el modelo no es deductivo ni inductivo.
El modelado matemático demuestra la importancia de las matemáticas para responder preguntas y resolver problemas.
Si bien los campos de ingeniería, computadora y ciencias utilizan más modelos matemáticos, puede usarla para tomar decisiones y predicciones sobre casi cualquier cosa. Las formas de usar el modelado matemático incluyen:
Explicando conceptos como el origen del universo
¿Qué es la toma de decisiones en matemáticas?
En ICME IV, nos recordaron que en la Edad Media el algoritmo de la División Long era tan nuevo y avanzado que al menos una escuela decidió enseñar una larga división y anunciaba esto con la esperanza de atraer a los estudiantes. Esto subraya dos propiedades de larga data del plan de estudios escolar: es cambiante y aquellos que han tomado decisiones para cambiarlo lo han hecho para una variedad de razones con respecto a lo que es mejor para las personas para quienes se pretende el plan de estudios. Sin embargo, los estudiantes de matemáticas en todo el mundo rara vez piensan que sus experiencias escolares están formadas por personas y sujetas a la toma de decisiones. Es más probable que crean que la aritmética y otros aspectos de las matemáticas son hechos de la vida que han sido parte del plan de estudios escolar desde el principio de los tiempos.
- Educación matemática
- Transferir justificación
- Prueba de Aptitud Académica
- Prueba de ingreso
- Álgebra temprana
Estas palabras clave fueron agregadas por máquina y no por los autores. Este proceso es experimental y las palabras clave pueden actualizarse a medida que mejora el algoritmo de aprendizaje.
Esta sugerencia no aparece en el informe de la conferencia sobre el plan de estudios de matemáticas K-12, Snowmass, Colorado, 21 al 24 de junio de 1973 (Bloomington, en: Mathematics Education Development Center, Indiana University, 1973), porque en ese informe requirió algún consenso grupal.
David Berliner. «Tiempo asignado, tiempo comprometido y aprendizaje académico en la instrucción matemática de la escuela primaria». Documento presentado en la reunión anual del Consejo Nacional de Maestros de Matemáticas, San Diego, California, 1978.
¿Cómo se toma un decisión?
Saber cómo decidir te ayudará mucho en la vida y el trabajo privado. Esto se debe a que adquirir un «método» servirá para superar la sensación de bloque y aplicar este esquema a cada situación. Aquí están los pasos que recomiendo aplicar.
El primer paso es «preparar el terreno» para su decisión.
¿Qué significa? Bueno, no recomiendo tomar decisiones impulsadas por la prisa y las reacciones emocionales. Cada opción, especialmente si es importante, debe ser el resultado de reflejos específicos y agudos, que se tomará cuando sea completamente brillante. Puedes reconectarte contigo mismo y preparar el suelo de esta manera:
- Pon tu tiempo. Sí, te parecerá extraño, pero el primer paso para tomar una decisión es establecer un tiempo para hacerlo. Un momento en que puedes dedicarte a la reflexión sin interferencia. Por ejemplo, puede ser un momento particular del día, en el que sabe que tiene la serenidad adecuada para concentrarse.
- Marque esta vez en su calendario y dedica la atención correcta a él
- Liberado de la emoción. Como dije, cada opción importante debe estar mediada por un razonamiento y no por reacciones excesivamente emocionales
- Examine todas las hipótesis posibles. Si tiene que dar un paso importante, no se limite a las opciones más obvias. Reflexione sobre todas las posibilidades y prepare su decisión examinando cualquier hipótesis
Una vez que se ha creado el mejor entorno para tomar decisiones, es hora de examinar la situación específicamente. En algunos casos (raros), la decisión de tomar viajes solo, pero es mucho más probable que haya una serie de factores relacionados a considerar.
¿Qué es un modelo matemático y su aplicación en la industria o el sector productivo?
La aplicación de modelos matemáticos en el modelado económico es muy amplia y compleja, y se utiliza principalmente en el cálculo y el análisis de la macroeconomía entre los factores de producción, entre el capital y el trabajo, y en el campo de la microeconomía. Es particularmente importante utilizar el modelado matemático para resolver problemas prácticos en algunos casos especiales.
Una función de producción es una descripción matemática de la relación cuantitativa entre las entradas de factores, la producción de productos y el progreso tecnológico en un proceso de producción. La función de producción se puede utilizar para describir una empresa o proceso de producción industrial. Al estudiar problemas macroeconómicos, el proceso de producción también se puede describir considerando todo el sistema económico como una empresa completa. Se utiliza ampliamente en la investigación de la teoría económica, el modelado de producción, la medición del progreso técnico, el análisis de la capacidad de producción y el pronóstico económico. Desde 1928, cuando los investigadores propusieron la función de producción, los economistas han prestado gran atención a la función de producción. Los modelos de función de producción incluyen la función de producción de Cobb-Douglas, la elasticidad constante de la función de producción de sustitución, la elasticidad variable de la función de producción de sustitución y la función de producción logarítmica trascendental [15].
La función de producción más utilizada es la función de producción de Cobb-Douglas cuya forma general se muestra en la siguiente fórmula:
En la fórmula, y representa la salida, K y L representan la entrada de capital y mano de obra, A, α y β son parámetros y a> 0, 0
Hay algunas formas mejoradas de la función de producción de Cobb-Douglas. Una de ellas es la función de producción trascendental, cuya forma se muestra en la siguiente fórmula: Si es igual a cero, la fórmula se simplifica a la forma de la función de producción de Cobb-Douglas. Tome el logaritmo como se muestra en la siguiente fórmula: Para esta función, el producto marginal puede aumentar antes de que finalmente caiga. Esta función también permite que la elasticidad de la salida y la elasticidad de sustitución varíen con los cambios de entrada. El propósito de este artículo es mostrar, al confiar en diferentes ejemplos de proyectos industriales concretos, cuál puede ser el impacto de los resultados matemáticos, incluso muy abstracto y teórico, en el contexto del modelado y la resolución efectiva de los problemas de optimización industrial. La experiencia muestra que en una proporción muy importante de casos (al menos 50 %), los problemas que surgen en la optimización industrial son combinatorias en el sentido de que consisten en determinar una solución óptima (una combinación) entre un conjunto de soluciones (de combinaciones) terminado, pero de cardinalidad tan alta que no es posible proceder mediante la lista completa de todas las combinaciones. Los modelos matemáticos relevantes para modelar este tipo de problema no caen bajo las disciplinas matemáticas exclusivamente «tradicionales» como el análisis, el análisis funcional o la topología, sino también lo que se acuerda llamar matemáticas discretas. Enfatizaremos, en el resto de este artículo, en algunas de las principales herramientas matemáticas involucradas, esencialmente, en el modelado y la resolución efectiva de los problemas combinatorios que se pueden encontrar en la optimización industrial, en particular: programación lineal (ver párrafo 4); La combinatorial poliédrica que proporciona las herramientas teóricas para construir algoritmos de resolución exacta prácticamente efectiva para muchos problemas combinatorios difíciles (ver párrafo 5). Se presentarán varios ejemplos, tomados de varios proyectos industriales, y permitirán ilustrar la forma en que estas herramientas teóricas pueden intervenir, primero en términos de modelado (con el objetivo de elegir la mejor representación posible del problema), luego, luego en el nivel algoritmos de resolución efectiva. El modelo matemático muestra que el crecimiento en un negocio de ingresos recurrente se basa no en principios matemáticos lineales, sino en aritmética exponencial. La tasa de victorias generalmente se determina como el número de victorias en comparación con el número de oportunidades. Esta es una función lineal, e implica que necesita el doble de la cantidad de oportunidades para lograr el doble de la cantidad de victorias. Sin embargo, esta forma de ver los glosas de tasa de ganancia sobre lo que realmente sucede durante un ciclo de ventas, y cómo se pueden mejorar esos momentos en el ciclo de ventas para lograr el crecimiento exponencial altamente deseado en lugar de lineal. Cuando desglosamos el ciclo de ventas en términos de actividades, vemos que el ciclo de ventas se compone de una serie de reuniones. En cada reunión, el cliente determina si todavía está interesado en el producto; En caso afirmativo, se produce una reunión posterior, y si no, el ciclo de ventas termina allí. Para llegar a una victoria, cada reunión tiene su propia tasa de conversión; Si una reunión se ‘convierte’, se produce la próxima reunión. Luego se deduce que la tasa de victorias se convierte en el agregado de todas las tasas de conversión de reuniones individuales. Continuando en este sentido, el ciclo de ventas se convierte en el agregado del tiempo entre todas las reuniones. Por lo tanto, el ciclo de ventas puede considerarse como una fórmula matemática simple, donde la tasa de victorias es igual a la multiplicación de cada una de las tasas de conversión de reuniones individuales. Del mismo modo, la fórmula de la tasa de victorias también puede considerarse como la tasa de conversión promedio por reunión, elevada al poder del número de reuniones, que es una relación exponencial. Artículos Relacionados:¿Qué es un modelo matemático y su aplicación en la industria?
¿Qué es un modelo matemático en una empresa?
