Informe - Facundo Lucianna Corrección 1 PDF

Trabajo Final: Anlisis de sensitividad para la ecuacin logstica - Facundo A.
Lucianna
Ecuaciones Diferenciales en Derivadas Parciales Una Aplicacin a Bioingeniera

-1-

Anlisis de sensitividad para la ecuacin logstica
Por Facundo A. Lucianna - Ecuaciones Diferenciales en Derivadas Parciales Una Aplicacin a
Bioingeniera
Introduccin
La intencin del enunciado para este informe es lograr que el autor del mismo simule un sistema
al cual se le hace mediciones e intentar estimar los parmetros del modelo que intenta explicar
este sistema. El modelo es la ecuacin Verhulst utilizada ampliamente en modelos de crecimiento
de poblaciones, propagacin de enfermedades epidmicas y difusin en redes sociales [1]. La
ecuacin es la siguiente:
() () (
()
) ()
Donde x representa el tamao de la poblacin en el tiempo t, r es la constante de crecimiento, K
es la capacidad de carga [1] y adems se tiene como condicin inicial que x(t
0
) = x
0
. La solucin de
esta ecuacin es una funcin logstica. La funcin logstica es una funcin en donde su crecimiento
inicialmente es aproximadamente exponencial comenzando desde un valor inicial; al cabo de un
tiempo, aparece la competencia entre algunos miembros de la poblacin por algn recurso crtico
y la tasa de crecimiento disminuye; finalmente, en la madurez, el crecimiento se detiene [1]. Esta
funcin posee una forma sigmoidea.
Para la estimacin de los parmetros se tomaron dos mtodos separados que se diferencian en
que instantes de tiempo se realizan las diferentes mediciones:
1) Instantes de tiempo distribuidos uniformemente.
2) Elegidos segn la mayor variacin de la solucin calculada a travs de las
sensitividades tradicionales.
La sensitividad tradicional (TSF, por sus siglas en ingls) es una herramienta comn usada para
medir la variacin de la salida (en este caso x) de un sistema con respecto a los cambios en sus
parmetros = (
1
,
2
,...,
p
). Asumiendo que x es suave, las sensitividades se definen como la
derivada parcial de x con respecto a cada
i
[2, 4]. Para la ecuacin Verhulst los parmetros son =
(r, K, x
0
).
Una vez obtenido los instantes de tiempo en donde realizar las mediciones, estas se simulan
mediante la solucin exacta del problema utilizando el vector de parmetros * = (0,7, 17, 0,1)
ms un ruido normal de media cero y desvo estndar de 0,1. Y como mtodo de optimizacin y
estimacin de los parmetros se utiliz el mtodo de mnimos cuadrados.
Finalmente, con los resultados de las estimaciones de los parmetros se van a comparar los
diferentes mtodos utilizados.
Trabajo Final: Anlisis de sensitividad para la ecuacin logstica - Facundo A. Lucianna

-2-

Resolucin matemtica
En esta seccin se va a resolver la ecuacin diferencial (ecuacin Verhulst) y adems se van a
obtener las sensitividades con sus correspondientes verificaciones.
Resolucin de la ecuacin diferencial
Sea ,
, se tiene la ecuacin (1)
() () (
()
)
Con su condicin inicial x(t
0
) = x
0
,
Despejando,
()
()
( ())
()
()
( ())

Reescribiendo x como dx/dt, se tiene
()
( ())
()
Descomponiendo el denominador en fracciones simples:
()
( ())
()
( ())
( ())
()
()
( ())

( ())
()

Reemplazando en (2):
()
( ())
()
( ())

()
( ())
()

-3-

Con () ()
Aplicando la integral en ambos lados
()
( ())

E integrando,
()
( ())

|()|
| ()|
Se toma que debido a que una poblacin siempre es positiva y K es la capacidad
mxima que puede llegar a crecer (en un tiempo infinito), por lo que se quita el valor absoluto,
(()) ( ())
(
()
( ())
)
(
()
( ())
)
(
()
( ())
)
(
()
( ())
)
Aplicando la exponencial en ambos miembros,
()
( ())

()
( ())

()
( ())

()
( ())
()
()

-4-

()
()

() (

()

)

()

)

()
)

()
()
Usando la condicin inicial (x(t
0
) = x
0
) en (4)
(

Para simplificar el problema, se va a elegir como t
0
= 0,

()
Reemplazando (5) en (4), la solucin queda,
()

()
Calculo de la sensitividades
Como se explic previamente, las sensitividades tradicionales se calculan realizando la derivada
parcial de x(t) con respecto a cada uno de los parmetros:
Sensitividad con respecto a r
()
Sensitividad con respecto a K
)
(
()

-5-

Sensitividad con respecto a x
0

()
Verificacin de sensitividades
Para verificar si las TSFs estn bien calculadas, las mismas tienen que ser solucin de la ecuacin
diferencial, estando esta derivada con respecto al parmetro.
Parmetro r
Derivando a (1) con respecto a r, se obtiene
()
Reemplazando (6) y (7) en el lado derecho de (10) se obtiene

)
(

)
(

)
(

)
(
) (

)
(
()
Y calculando a

Primero se obtiene la derivada de (6)
()

)
(
()
Y ahora derivando a (12) con respecto a r,

-6-

)
(
) (

)
(
()
Que es igual a (11)
Parmetro K
Derivando a (1) con respecto a K, se obtiene
()

)
(
()
Y calculando a
, derivando a (12) con respecto a K,
)
(
)
(

)
(
()
Que es igual a (15)
Parmetro x
0

Derivando a (1) con respecto a x
0
, se obtiene
()


-7-

(

)
(

(

)
(
)
(
()
Y calculando a
, derivando a (12) con respecto a x

0
,
)(

)
(
)
(
()
Que es igual a (19)
Obtencin de intervalos de medicin
Para comparar las distintas estimaciones se van a tomar 3, 5, 10 y 15 de t en el intervalo [0; 20]
segundos.
Instantes de tiempo distribuidos uniformemente
Para este caso, simplemente se tomaron los tiempos distribuidos uniformemente. En la tabla 1
estn los instantes correspondientes para el nmero de mediciones.
Nmero de mediciones Instantes de tiempo
3 t
1
= 0; t
2
= 10; t
3
= 20
5 t
1
= 0; t
2
= 5; t
3
= 10; t
4
= 15; t
5
= 20
10
t
1
= 0; t
2
= 2,23; t
3
= 4,45; t
4
= 6,67; t
5
= 8,89; t
6
= 11,12; t
7
= 13,34;
t
8
=15,56; t
9
= 17,78; t
10
= 20
15
t
1
= 0; t
2
= 1,43; t
3
= 2,86; t
4
= 4,28; t
5
= 5,71; t
6
= 7,14; t
7
= 8,57;
t
8
= 10; t
9
= 11,43; t
10
= 12,86; t
11
=14,29; t
12
= 15,71; t
13
= 17,14;
t
14
= 18,57; t
15
= 20
Tabla 1: Instantes de tiempo utilizados cuando se toman a intervalos constantes.
OBS: Los intervalos se obtuvieron utilizando la funcin linspace de Matlab.
Elegidos segn la mayor variacin de la solucin calculada a travs de las TSFs
Para este caso se graficaron el valor absoluto de las tres sensitividades obtenidas en la seccin
anterior con los valores del vector parmetro
inicial
= (1, 10, 0,1). Se va a utilizar este vector debido
a que son aquellos con que se van a iniciar el algoritmo de optimizacin. El porqu de estos
valores en particular radica en el hecho de que son los rdenes de magnitud de los parmetros,
dato que es muy probable que se sepa cuando se trabaja con modelos.
En la figura 1, 2 y 3 se encuentran las grficas de las TSFs s
r
, s
K
y s
x0
respectivamente. Luego de ellas
se obtuvieron los instantes de tiempo de la tabla 2.


-8-

Figura 1: Grafica de sensitividad s
r
. Figura 2: Grafica de sensitividad s
K
.

Figura 3: Grafica de sensitividad s
x0
. Figura 4: Grafica de la solucin de la ecuacin Verhulst
usando el vector parmetros verdadero

Nmero de mediciones Instantes de tiempo
3 t
1
= 3,5; t
2
= 5,02; t
3
= 14
5 t
1
= 5,02; t
2
= 6; t
3
= 8; t
4
= 13; t
5
= 16
10
t
1
= 4,5; t
2
= 5,02; t
3
= 5,5; t
4
= 6; t
5
= 7; t
6
= 7,5; t
7
= 8; t
8
=15; t
9
= 18;
t
10
= 20
15
t
1
=4; t
2
= 4,5; t
3
= 5,02; t
4
= 5,3; t
5
= 5,5; t
3
= 6; t
7
= 6,3; t
8
= 7;
t
9
= 7,5; t
10
= 8; t
11
=15,5; t
12
= 16; t
13
= 17,5; t
14
= 19; t
15
= 20
Tabla 2: Instantes de tiempo utilizados cuando se toman en cuenta las zonas de mxima sensibilidad.


-9-

Algoritmo de optimizacin de parmetros
Para encontrar el valor de los parmetros se utiliz el mtodo de cuadrados mnimos. Este
algoritmo ya viene implementado en Matlab [3]. Se utiliza como entrada del algoritmo:
1) La funcin logstica como modelo base a adaptar.
2) Como datos de entrada se simula un conjunto de mediciones reales utilizando la solucin
de la ecuacin con el vector parmetros * ms ruido normal de media cero y desvo
estndar de 0,1 en los instantes de tiempo dado en las tabla 1 o 2.
3) Como punto de partida para este mtodo, se inicializa los valores de los parmetros
utilizando el vector
inicial

El algoritmo, para encontrar las estimaciones de los parmetros, minimiza la suma de los
cuadrados de los residuos. El residuo para el i-esimo dato se define como la diferencia entre el
valor observado (dato de entrada simulado) y la estimacin de aplicar el modelo [3].
Presentacin de los resultados
Para poder encontrar resultados que se puedan apoyar estadsticamente, para cada uno de los 8
casos posibles de estimacin de parmetros se realizaron 100 ejecuciones del algoritmo de
optimizacin y con ellos se calcularon la media de los parmetros, desvo estndar y el intervalo de
confianza de la media en un 95%. El intervalo de confianza, utilizando el teorema del lmite
central, se lo calcula de la siguiente forma:

Donde z
0,025
es el valor de una distribucin Normal estndar que deja a su derecha una
probabilidad de 0,025,
es la media de las N mediciones y
es el desvio estndar de la muestra.

Adems se calcul el modulo del error relativo de los parmetros obtenidos con respecto al
verdadero valor del parmetro.

( )
( )

Resultados
Desde la figura 5 hasta la 10 se encuentran, para cada parmetro, graficado la media y los
intervalos de confianza al 95% para las diferentes cantidades de instantes de tiempos y modo de
eleccin de los mismos. Los datos crudos y su procesamiento se adjuntan en un archivo de Excel
que acompaa al informe. En las figuras 11 y 12 se encuentra graficado en grafica de cajas los
resultados del error relativo para las 100 pruebas de los diferentes casos.

-10-

Figura 5: Grafica en donde se observa a los
puntos de colores como la media del
parmetro r y la barra es el intervalo de
confianza al 95% para los diferentes mtodos
de eleccin de instantes de tiempo para el
caso de 3 instantes. La lnea roja es el valor
verdadero del parmetro.
Figura 6: Grafica en donde se observa a los puntos de colores como la
media del parmetro r y la barra es el intervalo de confianza al 95%
para los diferentes mtodos de eleccin de instantes de tiempo para 5,
10 y 15 instantes. La lnea roja es el valor verdadero del parmetro.

parmetro K y la barra es el intervalo de
media del parmetro K y la barra es el intervalo de confianza al 95%
TSF TSF
TSF
TSF

-11-

parmetro x
0
y la barra es el intervalo de
media del parmetro x
0
y la barra es el intervalo de confianza al 95%

Figura 11: Diagrama de caja del error relativo del vector obtenido para los diferentes mtodos de eleccin de
instantes de tiempo para el caso de 3 instantes.
TSF
TSF

-12-

Figura 12: Diagrama de caja del error relativo del vector obtenido para los diferentes mtodos de eleccin de
instantes de tiempo para los casos de 5, 10 y 15 instantes.
Discusin y Conclusiones
En las grficas se puede observar cuando se trabaja con 3 instantes de tiempo, para el caso donde
se usa la TSF para obtenerlos, se logra estimar mucho mejor al valor verdadero de los parmetros
con menos variabilidad. Fue tanta la diferencia que se tuvo que graficar por aparte del resto de las
pruebas. Cuando se utiliz 3 instantes de tiempos obtenidos uniformemente, los verdaderos
valores de los parmetros estuvieron siempre por fuera de los intervalos de confianza.
Observando los diagramas de cajas del error relativo para estos casos, se observa que en instantes
uniformes, los valores estn mucho ms dispersos y la media est ms alejada del 0 (caso donde la
estimacin es exactamente el valor verdadero) que en cuando se usan instantes con TSF.
Cuando se utilizan 5 instantes de tiempo, la diferencia sigue siendo apreciable, sobretodo en la
varianza. El error relativo sigue siendo mayor para los instantes de tiempos obtenidos de forma
uniforme con mayor dispersin.
Ya para los 10 o 15 instantes de tiempos, no se observan mayores diferencias entre uno u otro
debido a que seguramente, a que al haber tantos instantes, para el caso uniforme se cubre
bastante todo le dominio por lo que la estimacin no va a cambiar mucho de cuando se usa los
instantes de tiempos en funcin de las sensitividades. Aunque si es interesante notar, que la
media en los casos de TSF, al igual de cuando se us 3 y 5 instantes, estuvieron ms cerca de los
verdaderos valores de los parmetros.
En general, los resultados muestran que cuando se utilizan pocos instantes de tiempo obtenidos
de zona en donde las TSFs son grandes, se logra estimar mejor los parmetros.

-13-

Con una correcta utilizacin de esta herramienta en problemas de contorno de experiencias
reales, se puede lograr mejores resultados sin tener que realizar tantas mediciones en las
estimaciones de parmetros. Ya cuando se utilizan ms instantes, esta ventaja se ve mermada.
Cabe comentar, que en la mayora de los problemas de contorno en las ciencias, no se puede
obtener la solucin utilizando el mtodo clsico de resolucin, por lo que en esos casos, al no
tener la solucin del problema, no se puede obtener las TSFs. Para solucionar esto, se obtienen
ecuaciones diferenciales para las sensitividades y se intenta obtenerlas en un sentido dbil [4].
Referencias
[1] Wikipedia, Funcin logstica, Enero 2014. [Online]. Disponible:
https://es.wikipedia.org/wiki/Funci%C3%B3n_log%C3%ADstica.
[2] N. Saintier, D. Rubio, y M. I. Troparevsky, Diseo ptimo para Estimar los Parmetros de un
Modelo de Crecimiento Bacterial, en V Latin American Congress on Biomedical Engineering CLAIB,
2011, pp. 16-21.
[3] MathWorks, Least-Squares Fitting, Febrero 2014. [Online]. Disponible:
http://www.mathworks.com/help/curvefit/least-squares-fitting.html.
[4] M. I. Troparevsky, D. Rubio, y N. Saintier, Sensitivity Analysis for the EEG Forward Problem,
en Front. Comput. Neuro., 2010, 4: 138.

Informe - Facundo Lucianna Corrección 1 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Informe - Facundo Lucianna Corrección 1 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Trabajo Final: Anlisis de sensitividad para la ecuacin logstica - Facundo A.

, se tiene la ecuacin (1)

, derivando a (12) con respecto a K,

, derivando a (12) con respecto a x

es la media de las N mediciones y

es el desvio estndar de la muestra.

Você também pode gostar