El lenguaje del Determinismo y las EDOs

import numpy as np 
import matplotlib.pyplot as plt 

def i(i0, beta, t): return n*i0/(i0-(i0-n)*np.exp(-n*beta*t))

def s(i0, beta, t_array): return n-i(i0, beta, t_array)
#def s(*args): return n-i(*args)

if __name__=='__main__':

    #poblacion total fija
    n = 100.0
    #Parametros modificables
    i0 = 1.0
    beta = 0.003

    t_array = np.arange(0, 50, 1)
    i_array = i(i0, beta, t_array)
    s_array = s(i0, beta, t_array)

    plt.plot(t_array, i_array, label='Infectados')
    plt.plot(t_array, s_array, label='Suceptibles')
    plt.grid(True)
    plt.legend()
    plt.show()

    fig = plt.figure(figsize=(16,8))
    for color, beta in zip(['r','b','k','g'],[0.01, 0.005, 0.004, 0.002]):
        t_array = np.arange(0, 50, 1)
        i_array = i(i0, beta, t_array)
        s_array = s(i0,beta, t_array)
        plt.plot(t_array,i_array, c=color, label='infectados (beta={}'.format(beta))

    plt.grid(True)
    plt.legend(fontsize=25)
    plt.xticks(fontsize=25)
    plt.yticks(fontsize=25)
    plt.show()

Estoy disfrutando mucho este taller, repasando y aprendiendo cosas geniales.

¡Tengo una duda!

En este problema, ¿cómo se elige el valor final de la rapidez de propagación (beta)?
¿Simplemente lo comparamos con los datos reales y decimos que ese valor se ajusta?

Saludos Pacho 😃

Me llamó la antención el artificio de la ecuación de Bernoulli. Les comparto este video para ententer mejor este tipo de ecuaciones deferenciales:
https://www.youtube.com/watch?v=Z-78QrHg2fM

Tengo cuaderno y lapiz para escribir, dibujar y graficar el ejercicio como lo voy entendiendo para darle forma a lo que estoy leyendo y me está ayudando a aprender y comprender lo que estoy haciendo.

Hola, alguien me podría por fa explicar como se resolvió la ecuación diferencial de Bernoulli [3]? Es no me es muy clara la estructura.
Gracias 😃