¡Descarga MODELOS MATEMÁTICOS -INTRODUCCIÓN y más Apuntes en PDF de Matemáticas solo en Docsity!
Tema 1
MODELOS MATEM ATICOS´
1.1. Introducci´on
Una de las herramientas m´as interesantes que actualmente disponemos para analizar y predecir el comportamiento de un sistema biol´ogico es la construcci´on y posterior simulaci´on de un modelo matem´atico. Son muchas las razones que justifican la edad de oro que hoy en d´ıa vive la modelizaci´on matem´atica, pero debemos de destacar, en primer lugar, el mejor conocimiento de los procesos biol´ogicos, y en segundo lu- gar, el espectacular avance de los ordenadores y el software matem´atico.
Puesto que este material es una introducci´on al estudio de los Modelos Matem´aticos en Biolog´ıa, es conveniente comenzar esta primera secci´on precisando lo que enten- demos por un modelo matem´atico.
Con frecuencia la palabra modelo tiene distintas interpretaciones, nosotros la apli- caremos en el sentido dado por el profesor Sixto R´ıos, ([59]): “un modelo es un objeto, concepto o conjunto de relaciones, que se utiliza para representar y estudiar de forma simple y comprensible una porci´on de la realidad emp´ırica”.
Por tanto, un modelo es la representaci´on de un proceso. Si en un fen´omeno biol´ogi- co se conocen los procesos internos y las relaciones entre ellos, entonces es posible conocer las ecuaciones (que depender´an de si el modelo es discreto o continuo) que lo describan y a las que llamaremos un modelo matem´atico del fen´omeno biol´ogico.
Como es natural, de un mismo fen´omeno biol´ogico se puede construir muchos mode- los matem´aticos diferentes entre s´ı, cuyo grado de eficacia depender´a del conoci- miento de los procesos que se investigan y de las posibilidades de experimentaci´on.
Generalmente los m´etodos que se utilizan para estudiar un fen´omeno biol´ogico son la construcci´on de un modelo matem´atico o bien el uso del m´etodo cient´ıfico, el cual
2 Tema 1 Modelos matem´aticos
est´a basado en:
- La observaci´on y en la descripci´on.
- El desarrollo de hip´otesis o explicaciones.
- La comprobaci´on por experimentaci´on de dichas hip´otesis.
- La aplicaci´on de estos conocimientos en la resoluci´on de problemas similares.
Supongamos un problema concreto, como por ejemplo, determinar la cantidad de conejos que existir´an dentro de un a˜no conocida la poblaci´on actual, en un entorno que presenta cierta estabilidad. Ante esta situaci´on, podemos recurrir a observa- ciones anteriores e intentar dar una estimaci´on del dato pedido. Es decir, podemos hacer uso de una herramienta estad´ıstica y proponer un resultado m´as o menos acer- tado seg´un la complejidad de la t´ecnica empleada. Pero si el problema que abordamos es tal, que apenas disponemos de datos actuales o pasados, debemos de elaborar un modelo que sea capaz de dar soluci´on al problema planteado y adem´as nos aporte informaci´on, de tal manera que nuestra actuaci´on en el futuro sea la m´as acertada. Esta ´ultima situaci´on es la que se presenta con m´as frecuencia cuando se estudia un fen´omeno biol´ogico.
Es evidente, que una de las ventajas del uso de los modelos matem´aticos es su bajo costo, si lo comparamos con los modelos f´ısicos. Por ejemplo, es mucho m´as barato y r´apido elaborar un modelo matem´atico que describa la evoluci´on de la poblaci´on de conejos que empezar con un determinado n´umero de conejos y esperar cierto tiempo para poder experimentar con ellos.
1.2. Elaboraci´on de modelos matem´aticos
Los modelos y la realidad est´an relacionados a trav´es de dos procesos: la abstra- cci´on y la interpretaci´on. El primero de ellos nos obliga a encontrar cuales son los elementos m´as importantes del problema y cuales son los accesorios. Para saber si un elemento es o no importante tendremos que ver su efecto relativo en la evoluci´on del sistema. En cuanto a la interpretaci´on, debemos de entenderla como la manera en que las componentes del modelo (par´ametros, variables) y su comportamiento pueden estar relacionadas con las componentes, caracter´ısticas y comportamiento del sistema real que queremos modelar.
Por tanto, la primera de las fases necesaria para construir un modelo matem´atico es la abstracci´on, para ello tenemos que establecer ciertas hip´otesis, definir las variables y desarrollar las matem´aticas adecuadas para poder resolver el problema. La fase siguiente es tratar de simplificar las herramientas matem´aticas utilizadas. Los resul- tados que se deducen del modelo matem´atico nos deber´ıan llevar a poder efectuar algunas predicciones sobre el mundo real. El paso siguiente ser´ıa recoger datos de la situaci´on de la que se ha extra´ıdo el modelo y compararlos con las predicciones.
4 Tema 1 Modelos matem´aticos
¿Confirman los datos o los experimentos dichos resultados?
A continuaci´on utilizaremos un ejemplo elemental, en concreto la evoluci´on de un cultivo de cierto tipo de c´elulas, para construir un modelo matem´atico.
Descripci´on del fen´omeno real y objetivos del modelo. Para conocer como evoluciona el cultivo realizamos diversos experimentos y observamos un r´apido crecimiento de la poblaci´on. El tipo de preguntas que podemos hacer son las siguientes: ¿c´omo var´ıa el n´umero de c´elulas con el tiempo?, ¿qu´e tipo de variables influyen en su desarrollo?.
Elecci´on de variables. En la fase de experimentaci´on se ha podido observar que la c´elula crece, se divide en dos y cada una de ellas inicia de nuevo el proceso de crecimiento. Se detecta adem´as que el tiempo necesario para que crezca una c´elula y se duplique es aproximadamente 20 minutos. Por tanto, el tiempo de vida de una c´elula, podemos considerarlo como una variable que interviene en el problema. Es evidente que existen muchas otras variables, las cuales pueden ser clasificadas en variables de entrada, que son las que pueden influir en los resultados, y variables de salida, que corresponden a los resultados. En nuestro problema, seleccionamos como variable de salida el n´umero de c´elulas existente en el cultivo en el tiempo t. El tiempo t transcurrido desde el instante inicial ser´a la variable independiente.
Relaciones cualitativas entre las variables. De los experimentos realizados se desprende que bajo las mismas condiciones de partida, el n´umero de c´elulas del cultivo crece con el tiempo.
Recopilaci´on de datos. En la Tabla 1.1 aparecen los datos recogidos en la fase de experimentaci´on. Observemos que los datos recopilados permiten ser ajustados por los valores, 100, 2 × 100 , 22 × 100 , 23 × 100 , 24 × 100 , · · · , que corresponden a un crecimiento exponencial. Este ´ultimo paso es el verdadera- mente importante en el proceso de modelado.
Instante Tiempo N´um. c´elulas 0 0 100 1 20 209 2 2 × 20 415 3 3 × 20 790 4 4 × 20 1610 · · · · · · · · ·
Tabla 1.
Modelo emp´ırico de crecimiento. Como consecuencia de la etapa anterior, se observa que el proceso de multiplicaci´on de las c´elulas se puede describir
1.2 Elaboraci´on de modelos matem´aticos 5
como “una duplicaci´on de la poblaci´on cada 20 minutos”. Tanto en esta fase co- mo en las anteriores, juegan un papel fundamental los m´etodos de recopilaci´on y an´alisis de datos.
Construcci´on del modelo matem´atico. Empezamos generalizando la situa- ci´on anterior, en el sentido siguiente: sea N el n´umero de c´elulas en el cultivo en el instante inicial, y supongamos que la poblaci´on se multiplica por α en T mi- nutos. Bajo estas hip´otesis tendremos en los instantes 0, 1 ×T, 2 ×T, 3 ×T, · · · , las poblaciones N, αN, α^2 N, α^3 N, · · ·. En consecuencia, si y(t) representa al n´umero de c´elulas en el cultivo en el instante t, sabemos que:
y(0) = N , y(t) = α y(t − 1).
Consecuencias del modelo. Del modelo construido podemos deducir al- gunos resultados:
- Es inmediato comprobar que de las hip´otesis anteriores se obtiene
y(t) = N αt^.
- Tambi´en es f´acil encontrar el n´umero de per´ıodos T necesarios para pasar de N c´elulas a N˜.
t ≈
ln N˜ − ln N ln α
Aplicaci´on pr´actica. Encontrar el n´umero de per´ıodos de tiempo necesarios para pasar de 400 c´elulas a 3210
ln 3210 − ln 400 ln 2
Validaci´on del modelo. Es el proceso de contrastar las predicciones pro- puestas por el modelo con los datos experimentales. Es evidente que si exis- ten grandes diferencias entre estos valores debemos de rechazar el modelo propuesto. Una buena herramienta de trabajo en esta fase son los tests de hip´otesis.
Predicci´on. Una vez que por la etapa anterior nos hemos asegurado de la validez del modelo, pasamos a la etapa de predicci´on. Por ejemplo, en la situaci´on que estamos analizando, si queremos obtener 3.200 c´elulas a partir de 400 c´elulas, necesitamos que pasen 3 per´ıodos que equivalen a 60 minutos.
Nuevo proceso de modelizaci´on. Si llegamos a la conclusi´on de que nuestro modelo no es v´alido, entonces debemos retomar los datos experimentales y proponer uno nuevo que sea m´as adecuado.
1.3 Clasificaci´on de los modelos matem´aticos biol´ogicos 7
La recta T = 0. 21 N + 40.4 que ajusta a los datos es un modelo matem´atico que representa a la temperatura como una funci´on de la frecuencia de los chirridos de los grillos.
Figura 1.1. N´umero de chirridos por minutos y temperatura.
Antes de estudiar las propiedades matem´aticas del modelo, es conveniente plantearse las siguientes preguntas:
¿C´omo de buena es la recta encontrada en relaci´on a la propuesta por Dolbear?
¿Cu´ando puede aplicarse el modelo encontrado?
¿Cu´al es el rango de temperatura v´alido del modelo?
¿C´omo de exacto es el modelo y c´omo puede ser mejorado?
Las respuestas a este tipo de preguntas nos ayudar´ıan a conocer las complejas rela- ciones entre el problema biol´ogico y el modelo matem´atico. Las dos primeras pre- guntas son de naturaleza biol´ogica y las matem´aticas juegan un papel muy limitado. Si comparamos el modelo de Dolbear con la ecuaci´on encontrada observamos lige- ras diferencias entre los coeficientes, pero esto podr´ıa deberse al tipo de grillos que estemos analizando. Sin embargo, si comprobamos que las observaciones de dos clases de grillos diferentes son muy parecidas, entonces el modelo puede ser un buen term´ometro biol´ogico. A la hora de su aplicaci´on su uso est´a limitado, ya que los gri- llos s´olo chirr´ıan durante unos pocos meses al a˜no y adem´as cuando la temperatura sea superior a 10 grados cent´ıgrados.
1.3. Clasificaci´on de los modelos matem´aticos bio-
l´ogicos
Seg´un la filosof´ıa con la que abordemos el mundo que nos rodea, as´ı ser´a el tipo de modelo matem´atico que podemos construir. En concreto podemos clasificarlos en:
8 Tema 1 Modelos matem´aticos
Modelos deterministas: Son aquellos que a cada valor de la variable inde- pendiente corresponde otro valor de la variable dependiente. Son especialmente ´utiles en los sistemas que evolucionan con el tiempo, como son los sistemas din´amicos. En ellos podemos conocer el estado del sistema transcurrido cierto tiempo una vez que hemos dado valores a los distintos par´ametros que apare- cen en el modelo.
Los modelos continuos son ´utiles cuando tratamos de estudiar procesos en los que se observa continuidad en el tiempo y en este caso lo adecuado es hacer uso de las ecuaciones diferenciales. Sin embargo, al estudiar algunos mode- los biol´ogicos, como son la din´amica de las poblaciones, puede apreciarse que estamos ante un proceso discreto. Ahora, las ecuaciones en diferencias nos ofrecen muchas posibilidades para deducir como cambian las propiedades del sistema biol´ogico al variar los par´ametros del modelo.
En concreto, las matem´aticas utilizadas para la evaluaci´on de los modelos de- terministas son:
- Ecuaciones en diferencias.
- Teor´ıa de bifurcaciones.
- Ecuaciones diferenciales (ordinarias y parciales).
- An´alisis num´erico.
Modelos probabil´ısticos: Si en un modelo determinista, como por ejemplo el log´ıstico y′(t) = ry(t)(1 − y(t)/k), el par´ametro r var´ıa aleatoriamente, lo que hacemos es sustituir valores constantes por otros que cambian con cierta probabilidad. En este caso estamos ante un modelo probabil´ıstico. Por ejemplo:
Modelos mixtos:
- Ecuaciones diferenciales estoc´asticas.
Modelos discretos matriciales: Son los m´as frecuentes cuando el sistema que estamos modelando est´a dividido en una serie de clases. En un momento dado, el estado del sistema puede representarse por un vector. El paso de una etapa a otra se realiza a trav´es de una matriz conocida con el nombre de matriz de transici´on.
- Cadenas de Markov.
- Modelos de Leslie.
- Modelos de Lefkovitch.
De una manera muy general, y desde el punto de vista de la Biolog´ıa, podemos clasificar los modelos matem´aticos en los siguientes grupos:
10 Tema 1 Modelos matem´aticos
por tanto, con un gran n´umero de errores. A este respecto, una frase que frecuente- mente se comenta es la siguiente: “Los modelos son err´oneos ... pero muchos de ellos son ´utiles.” Entonces, ¿c´omo pueden ser ´utiles si est´an equivocados?, la respuesta a esta pregunta puede ser que por la misma raz´on que en el pasado mapas err´oneos, donde se supon´ıa que la tierra era plana y con distancias equivocadas, fueron muy ´utiles para viajar.
A finales del siglo XIX Federico Engels se lamentaba de lo poco que estaban intro- ducidas las Matem´aticas en la Biolog´ıa. Por ejemplo, en su obra “Dial´ectica de la Naturaleza”, aparece el siguiente testimonio “Biolog´ıa = 0 ”. Es dif´ıcil encontrar en esta ´epoca alg´un intento de aplicar las Matem´aticas en el estudio de la Biolog´ıa.
Todo cambia a principios del siglo XX, cuando Michaelis y Menten proponen un modelo bioqu´ımico (que a´un se utiliza hoy en d´ıa), para describir la cat´alisis enzi- m´atica. Dos a˜nos despu´es, Lee present´o un modelo para explicar los parad´ojicos efectos de las radiaciones sobre las c´elulas. Ahora, tenemos que trasladarnos hasta mediados de siglo para encontrar otro ejemplo interesante. Bas´andose en la pro- puesta de Galileo de establecer relaciones cuantitativas entre magnitudes medibles, se intentaba encontrar un modelo que relacionase la intensidad de un est´ımulo y la duraci´on del mismo. El esfuerzo fue in´util, poni´endose de manifiesto que para tener ´exito en el modelado es importante atender no solamente a la experimentaci´on, sino tambi´en acertar en el tipo de relaciones cuantitativas a estudiar. Adem´as, a la hora de construir un modelo es fundamental saber separar la informaci´on relevante que conocemos del problema de la que no lo es.
El contraste con esta ´ultima situaci´on lo encontramos en el modelo de Hodking y Huxley para la generaci´on y transmisi´on del impulso nervioso. En este caso, se propon´ıan relaciones entre variables que f´ısicamente ten´ıan sentido. Este modelo construido en 1952 suele ponerse como ejemplo de modelo matem´atico aplicado a la Biolog´ıa, de hecho, algunos autores piensan que juega un papel en la Neurolog´ıa semejante a las ecuaciones de Maxwell en el estudio del Electromagnetismo, ya que a trav´es de ´el es posible explicar todas las propiedades experimentales conocidas respecto a la generaci´on y propagaci´on del impulso nervioso. Al mismo tiempo, el modelo suger´ıa que la din´amica de muchos procesos biol´ogicos deb´ıa ser no lineal.
A partir de este momento, empieza la edad de oro para la construcci´on y posterior interpretaci´on de modelos matem´aticos aplicados a la Biolog´ıa. En los a˜nos 60 se publicaron un gran n´umero de trabajos, especialmente los relacionados con el sistema nervioso, muchos de ellos con escaso inter´es pr´actico. El siguiente paso importante se da en la d´ecada de los 70 cuando se descubre que las soluciones de sistemas din´amicos presentaban un comportamiento ca´otico. Un ejemplo lo encontramos en el modelo log´ıstico de R. May, que supuso toda una revoluci´on comparable al impacto causado por el modelo de Hodgkin y Huxley. La teor´ıa del caos inmediatamente entusiasm´o a bi´ologos, f´ısicos y matem´aticos, dedicados al estudio de los modelos matem´aticos.
De toda formas, muchas situaciones muy distintas, como pueden ser la actividad
1.5 Breve introducci´on hist´orica 11
cerebral, el electrocardiograma, la din´amica de poblaciones, el desarrollo embrio- nario, la evoluci´on de las enfermedades, son escenarios muy dif´ıciles de modelar a trav´es de modelos elementales. Sin embargo, podemos realizar las simplifica- ciones convenientes que expliquen parcialmente el comportamiento del sistema o bien aplicar unas nuevas herramientas matem´aticas, como es el uso de la geometr´ıa fractal, para explicar la variabilidad de la frecuencia del coraz´on.
