Sei sulla pagina 1di 5

MODELACIÓN DE LA TASA DE CAMBIO DE ALTURA EN UNA BOTELLA CON

ECUACIONES DIFERENCIALES
Ángela Cáceres Martínez1, Jonathan Camilo Cadena Silva1, David Orlando Holguín Mejía1.
1. Universidad Nacional de Colombia, Sede Bogotá, Facultad de Ingeniería

acaceresm@unal.edu.co, jcadenas@unal.edu.co, dholguinm@unal.edu.co


RESUMEN
A través de los años se han desarrollado diversos modelos usando ecuaciones
diferenciales. Estas han permitido modelar sucesos experimentales como cotidianos, como
el simple drenaje de un líquido a través de un escape puesto a propósito en su depósito con
respecto al tiempo, ayudando a encontrar cierta lógica en ellos; todo esto desde la premisa
de que, sin importar la situación evaluada, esta puede ser representada de una manera
matemática, con la cual se pueda llegar a predecir su comportamiento. La interpretación de
estos modelos por parte de los estudiantes les permite identificar la relevancia de las
ecuaciones diferenciales para abordar problemas complejos y reales, mejorando su
capacidad de interpretación de problemas y análisis matemático.
PALABRAS CLAVE: Drenaje, modelación, líquido, análisis matemático, ecuaciones
diferenciales.
INTRODUCCIÓN
Las ecuaciones diferenciales pueden ser aplicadas en diversos escenarios y problemas,
logrando estimar valores cada vez más cercanos a los reales. Todo esto gracias a un
modelo planteado que se empleara a lo largo del presente informe. El problema a
considerar será el cambio de altura con respecto al tiempo de un líquido, que dependerá de
una constante, que será estimada a partir de la aplicación de métodos numéricos a la
ecuación diferencial que describe la tasa de cambio de altura, por medio del programa
Octave.
En el presente informe se explicarán las funciones utilizadas para poder modelar con el
menor error posible el experimento de la botella, así mismo, se hará evidencia de cómo a
partir de un motor matemático es posible determinar el mejor parámetro C que modele los
resultados finales en el experimento.
MARCO TEÓRICO
Algunos conceptos del marco teórico que se deben tener en cuenta para la buena
comprensión del informe son los siguientes:

• Tasa de cambio:
Se refiere a la medida en la cual una ​variable​ se modifica con relación a otra. Se trata de la
magnitud que compara dos variables a partir de sus unidades de cambio.

• EDO para cambio de altura:

• NMSE (Normalized mean square error).


El error cuadrático medio normalizado no presentan ninguna unidad de medida o escala.
Entre más cercano a 0, el ajuste del modelo será más preciso.
DESARROLLO

Con ayuda de Octave se procede a determinar por medio de código cual de los tres
modelos se correlaciona mejor con los datos experimentales dados.

1. Según los datos y parámetros suministrados en la página 5, comparar los tres


modelos, calculando un indicador para identificar el modelo que mejor explica los datos.

Table 1. Chinese hamster V79 fibroblast tumor


Parámetros:

Modelo Von Bertanlanffy:

Código:

Gráfica:

Error = 0.011928

Modelo Logístico:

Código:

Gráfica:

Error: 0.016631

Modelo Gompertz:

Código:
Gráfica:

Error: 0.0080458

2. Según los datos y parámetros suministrados en la página 7, comparar los tres


modelos, calculando un indicador para identificar el modelo que mejor explica los datos.

Table 2. Mouse tumor CM.37 T.1


Parámetros:

Modelo Von Bertanlanffy:

Código:

Gráfica:

Error= 0.071938

Modelo Logístico:

Código:

Gráfica:

Error = 0.084687
Modelo Gompertz:
Código:

Gráfico:
Error = 0.071708

RESULTADOS

Después de contrastar cada uno de los errores obtenidos en base a los datos de la tabla
número 1, se puede identificar que el modelo que mejor se adapta a los datos
experimentales es el Gompertz, al igual que sucede en la tabla 2, donde este modelo sigue
siendo el que presenta un menor valor de error.

ANÁLISIS Y CONCLUSIONES
Los modelos para el crecimiento de tumores cancerígenos permiten dar una aproximación
razonable para algunos casos, siempre y cuando se contrasten los valores de error y se
escoja el más óptimo.
Se compararon 3 modelos en específico con una misma tabla de valores experimentales,
con el fin de decidir cuál de estos es más preciso. Teniendo como punto de partida ciertos
parámetros que se pueden considerar óptimos para cada modelo, se esperó como resultado
el menor error posible de cada uno de ellos.
El modelo Von Bertalanffy en contraste con los datos de la tabla 1, presenta un mayor
incremento en el volumen del tumor en los primeros días, para luego llegar a acercarse a un
promedio de los valores experimentales que presentan una gran dispersión a medida que
pasa el tiempo. Con respecto a los datos de la tabla 2, el mayor incremento en el volumen
con respecto al tiempo es más notable, pues presenta una gran diferencia entre los datos y
las predicciones. Sin embargo, al momento de compararlo con los demás modelos, este
ocupa el segundo lugar en cuanto a precisión, teniendo tan solo 0,00023 de diferencia con
respecto al error más bajo en la segunda tabla.
El modelo de crecimiento logístico en ambos experimentos fue el que presentó un valor de
error más amplio, sin embargo, la tendencia que muestra la gráfica para este modelo es
bastante interesante, dado que a pesar de que es el menos acertado para la totalidad de los
datos, al tratarse de los primeros diez a veinte días de crecimiento muestra el mejor
acoplamiento entre función y resultados obtenidos experimentalmente, la dispersión
aumenta considerablemente en la tabla 1 en el intervalo de los veinte a cuarenta días y en
la tabla 2 se ve un apreciable distanciamiento de los resultados a partir el día veinte, lo cual
evidencia el porqué de la magnitud de su error.
Ya por último se tiene el Modelo de Gompertz, el cual, al graficarse junto a los datos
experimentales, muestra una mayor afinidad de las predicciones con la información
suministrada. Este modelo no se puede clasificar como el más exacto a simple vista, o
según su gráfica, dado que de por si la función no se empalma con la gran mayoría de los
datos. Sin embargo, la dispersión que estos presentan con el modelo no es de gran
magnitud. Es por ello que la clasificación se debe limitar al error calculado, que para ambos
casos este error determina que este método es el más preciso de lo tres.
REFERENCIAS
[1] ASCO, The state of cancer care in America, 2017: A report by the American Society of
Clinical Oncology. 2017. J. Oncol. Pract. 13(4): e353–e394.
[2] Collins, V.P., R.K. Loeffler and H. Tivey. 1956. Observations on growth rates of human
tumors. Am. J. Roentgeol. Radium Ther. Nucl. Med. 76(5): 988–1000.
[3] Bertalanffy, L. von. 1957. Quantitative laws in metabolism and growth. Q. Rev. Bioi. 32:
217– 231.
[4] Nonlinear model fitting using Excel. https://youtu.be/3Fd4ukzkxps. Accessed 29 July
2018. [5] Gompertz, B. 1825. On the nature of the function expressive of the law of human
mortality, and on a new method of determining the value of life contingencies. Phil. Trans.
Roy. Soc., 27(5): 13–85.
[6] Loizides, C., D. Iacovides, M.M. Hadjiandreou, G. Rizki, A. Achilleos, K. Strati and G.D.
Mitsis. 2015. Model-based tumor growth dynamics and therapy response in a mouse model
of de novo carcinogenesis. PLOS ONE. 10(12): 1–18.
[7] Maru˘si´c, M. 1996. Mathematical models of tumor growth, Lect. Math. Colloquium
Croatian Math. Soc., Osijek. 175–192, June 7.
[8] Maru˘si´c, M., Z. Bajzer, J.P. Freyer and S.Vuk-Pavlovi´c. 1994. Analysis of growth of
multicellular ˘ tumour spheroids by mathematical models. Cell Prolif. 27: 74–94. 8 Modeling
Cancer Growth
[9] Mendelsohn, M. L. 1963. Cell proliferation and tumor growth. Cell Proliferation. Oxford:
Blackwell Scientific Publications. 190–210
[10] Murphy, H., H. Jaafari and H. Dobrovolny,. 2016. Differences in predictions of ODE
models of tumor growth: a cautionary example. BMC Cancer , 16: 163–172.
[11] Verhulst, P.F. 1845. Recherches math´ematiques sur la loi d’accroissement de la
population. Nouv. m´em. de l’Academie Royale des Sci. et Belles-Lettres de Bruxelles. 18:
1–41.

Potrebbero piacerti anche