Gislaine S.

Jacinto EBB- TURMA A

Atividade 1: Considere os dados experimentais de crescimento microbiano de Pseudomonas em

leite UHT, a uma temperatura constante de 25C, com pH de 6,5, sendo que os dados selecionados
foram medidos no Australian Food Safety Centre of Excellence da Universidade da Tasmnia,
localizada em Hobart, Austrlia

a) Ajuste um modelo logstico para estes dados (Estime o valor da taxa de crescimento k),
simulando valores para o populao de Pseudomonas para um perodo de 0 a 120 minutos.
Considere como populao inicial igual a 40.

Inicialmente preciso fornecer os dados experimentais para o programa:

tempo=c(0,5,10,20,25,40,50,60,70,90)

pop=c(39,49,56,69,75,91,95,97,98,99)

Para transpor os dados em um grfico, preciso utilizar o comando plot, e para gravar os dados
em uma tabela com as colunas de tempo e populao, utiliza-se o comando data frame:

plot(tempo,pop,pch=16)

dados=data.frame(time=tempo,P=pop)

Figura 1: Grfico do crescimento microbiano em funo do tempo.

A funo dP/dt = K*P*(1-(P/N)) descreve o modelo logstico a ser ajustado.

Onde k a constante de crescimento, P a populao e N o valor mximo de indivduos que o

ambiente capaz de sustentar

No script preciso fazer o requerimento dos pacotes FME e deSolve indicando a funo no
programa:
require(deSolve)

require(FME)

eq = function(time,y , parms){

with( as.list( c(y, parms) ), {

dP.dt=k*P*(1-(P/N))

return( list( c(dP.dt) ) ) } ) }

Estabelecida a funo, para se ajustar o modelo logstico preciso utilizar o comando modCost
para definir uma funo custo e o comando e modFit para fazer o ajuste .Alm disso preciso
atribuir valores para k e N, "um chute". Logo, o script utilizado :

cost=function(K){ solu1=ode(times=tempo, y=y0, eq, parms=K, method = "rk4")

modCost(solu1,dados,weight='none') }

K=c(k=0.2, N=50);

y0 = c(P=40);

t=seq(0,120, by=0.05)

fit=modFit(f=cost, p=K);

coef(fit)

Atribuindo o valor 0.2 para K e 50 para N, o valor estimado pelo programa para as variveis foram de
k=0.06273674 e N=100.31635697

Para encontrar a soluo considerando os valores dos coeficientes e visualizando esse resultado, ou
seja, o valor da populao em um tempo variando de 0.05 segundos, utiliza-se o seguinte comando.

soludados=ode(times=t, y=y0, eq, parms=coef(fit), method = "rk4")

head(soludados,10)

Figura 2: Variao da populao em funo do tempo

Para plotar o grfico com a curva ajustada:

plot(soludados,obs=dados,type="l",col=2,lwd=2,lty=2,xlab="tempo", ylab="P(t)",
obspar=list(pch=16) )
legend("bottomright",col=2,lwd=2,lty=2,legend=c("Ajuste de dados") )

Figura 3: Grfico do modelo ajustado com os dados experimentais.

c) Estime o tempo em que a populao de Pseudomona ir ultrapassar 95.

Para estimar o tempo em que a populao bacteriana ir ultrapassar 95, preciso encontrar entre
os valores da populao um tempo que esteja prximo a 95. Para isso, deve-se procurar valores
entre 95 e 95.1, por exemplo.

soludados[which(soludados[,2] > 95 & soludados[,2] < 95.1) ,]

Figura 4 Variao da populao em funo do tempo no perodo solicitado

Logo, em 52.6 minutos a populao ultrapassar 95 indivduos.

d) Considere a taxa de crescimento estimada anteriormente, altere a populao mxima para 105
(N=105) e uma populao inicial igual a 30. Simule dados para este modelo e plote o grfico desta
soluo com a soluo anterior

Para ajustar o modelo logstico considerando a taxa de crescimento estimada (k=0,06276), e

alterando a populao mxima para 105 (N=105), com uma populao inicial de 30 (P(0)=30), busca-
se os valores de k, atribui-se o valor de N e de P(0), e utiliza-se o comando ode para encontrar a
soluo do modelo.

k=coef(fit)[1];
N=105; y0=c(P=30)

t=seq(0,120,by=0.05)

soludados2=ode(times=t, y=y0, eq, parms=c(k,N), method = "rk4")

Para visualizar um grfico com as duas solues, para o N estimado com P(0)=40 e para o N=105 com
P(0)=30, utiliza-se o comando plot.

plot(soludados,soludados2,obs=dados,type="l",col=1:2,lwd=2,lty=2:3,xlab="tempo",ylab="P(t)",obsp
ar=list(pch=16) )

legend("bottomright", col=1:2, lwd=2, lty=2:3, legend=c("Ajuste de dados", "Novo ajuste"))

Figura 5: Grfico comparando os dois modelos.