Documente Academic
Documente Profesional
Documente Cultură
2007
ndice general
Resumen viii
Prefacio x
v
vi NDICE GENERAL
5. Aplicaciones a la medicina 81
5.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2. Monitoreo del dao heptico y carga viral libre de biopsias . . 82
5.2.1. Biopsias y carga viral . . . . . . . . . . . . . . . . . . . 82
5.2.2. Modelo reducido . . . . . . . . . . . . . . . . . . . . . 83
5.2.3. Estabilidad de los estados de equilibrio . . . . . . . . . 84
5.2.4. Estimacin numrica de los parmetros . . . . . . . . . 89
5.2.5. Diagnstico a dos pacientes con hepatitis C . . . . . . 100
5.2.6. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . 110
5.3. Dinmica del VHC con carga viral y ALT . . . . . . . . . . . 111
5.3.1. Modelo reducido con ALT . . . . . . . . . . . . . . . . 111
5.3.2. Estimacin numrica de los parmetros . . . . . . . . . 113
5.3.3. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . 119
5.4. Modelo adimensionado del VHC . . . . . . . . . . . . . . . . . 119
5.4.1. Modelo reducido y adimensionado . . . . . . . . . . . . 119
5.4.2. Estimacin numrica de los parmetros . . . . . . . . . 121
5.4.3. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . 125
NDICE GENERAL vii
Referencias 144
Resumen
B) es cerrado en Rp+n .
La aplicacin ms relevante se hace en la medicina, en particular, se
resolvi va modelacin matemtica el problema que plante en una sesin
del seminario de Medicina Terica en 1997, el Dr. Jos L. Fuentes Allen:
Problema. Con slo datos clnicos y de laboratorio (carga viral, niveles
de transaminasas, entre otros) dar una evaluacin del dao heptico de un
enfermo de hepatitis C sin biopsias percutneas.
Importancia. La biopsia percutnea, en ese entonces, era el mejor medio
para la evaluacin del dao heptico, pero su aplicacin presenta diversos
inconvenientes: es cara, no es able, es dolorosa, y no est exenta de riesgo a
enfermedades oportunistas.
viii
Resumen ix
Una primera respuesta al problema fue dado por Avendao et al. (2002)
[AVN], quines propusieron un modelo matemtico de cuatro poblaciones
(hepatocitos sanos y enfermos, carga viral y clulas T citotxicas) para el
estudio de la dinmica de la hepatitis C. El modelo presenta dos posibles
estados de equilibrio, que se les llama trivial y no trivial (individuo sano y
enfermo endmico). En trminos de su parmetro umbral R0 , se demuestra
que si R0 1 entonces el estado de equilibrio no trivial no existe y que el
trivial es global y asintticamente estable, y que si R0 > 1 entonces el estado
no trivial existe y es local y asintticamente estable. El primer resultado
es un hallazgo terico relevante, pues predice la curacin de un enfermo de
hepatitis C bajo tratamiento, hallazgo corroborado en Watanabe et al. (2003)
[WTN]. Tambin se deduce que es posible la curacin de un enfermo crnico
de hepatitis C bajo tratamiento con al menos cuatro medicamentos.
En esta investigacin se da una respuesta denitiva al problema planteado
mediante simulacin numrica, estableciendo que es posible monitorear el
dao heptico y la evolucin de la carga viral, sin la necesidad de biopsia y
sin los inconvenientes antes referidos para cada una de las biopsias de uso
actual. Esto es posible gracias al modelo matemtico de la hepatitis C y a la
estimacin numrica de sus parmetros, considerando solamente mediciones
de la carga viral y la propuesta de razonables condiciones iniciales, que bien
la clnica puede aportar.
Tambin se hace una revisin crtica del artculo debido a Perelson y
Nelson (1999) [PE1]. Como resultado de esta revisin, se introduce un par-
metro umbral R0 en trminos del cul se reformulan los resultados del trabajo
antes citado. Esto es, se describe completamente la dinmica de la enferme-
dad en base al valor del parmetro umbral R0 . Ms an, se demuestra que
si R0 1 entonces el estado de equilibrio correspondiente al individuo sano
es globalmente asintticamente estable. Lo que dice que si R0 1 para cier-
to individuo, sin importar el nivel de la carga viral de infeccin V0 > 0, el
individuo eventualmente se cura. Este resultado es tambin un hallazgo te-
rico relevante, pues predice la cura de un enfermo de SIDA bajo tratamiento
(1999), hallazgo corroborado recientemente por el reporte dado a conocer
por el Dr. Itzchak Levy y otros investigadores del Centro Mdico Sheba,
del hospital Tel Hashomer, de Tel Aviv, Israel, en la XII Conferencia sobre
Retrovirus e Infecciones Oportunistas, celebrado en Boston, Estados Unidos
(Febrero de 2005).
Prefacio
x
Prefacio xi
donde
m
g() = yi (ti ; t0 , , )2Wi , = ( T , T )T .
2 i=0
Para hacer una evaluacin del grado del dao heptico (inamacin, ci-
catrizacin, lesiones o cirrosis) a un enfermo de hepatitis C, se le practica
una biopsia en el hgado.
Prefacio xiii
Como tambin se dijo antes, una primera respuesta al problema fue dado
por Avendao et al. (2002) [AVN], quines propusieron un modelo matemti-
co de cuatro poblaciones (hepatocitos sanos y enfermos, carga viral y clulas
T citotxicas) para el estudio de la dinmica de la hepatitis C (Seccin 2.2).
La respuesta denitiva al problema es dada va simulacin numrica, esta-
bleciendo que es posible la estimacin numrica de los parmetros del modelo
reducido de tres poblaciones dado por el sistema:
Hs = s kHs V s Hs
He = kHs V e He
V = pHe V V ,
1998 [PE2] y Perelson et al., 1996 [PE3]) y el mtodo que se est usando
en esta tesis, mostrando que este ltimo mtodo mejora algunas limitaciones
del usado por Perelson. El mtodo de Perelson, consiste en hallar una cuasi
solucin steady-state (solucin analtica) para la carga viral que ajusta a
datos experimentales, va el criterio de mnimo de cuadrados, para determinar
solo algunos de los parmetros que aparecen en el modelo.
Finalmente, en el Captulo 6 se hace una aplicacin a nanzas al mostrar
que es factible la estimacin numrica del parmetro de volatilidad, que apa-
rece en el modelo generalizado de Black-Scholes (6.2). La volatilidad es una
variable crucial en los mercados de opciones, y es la nica que no se puede
observar directamente.
Captulo 1
1.1. Introduccin
En este captulo se formula el problema de identicacin de parmetros
en sistemas de EDOs (Seccin 1.3), que se aborda en los Captulos 4, 5 y 6.
El problema se presenta en dos partes:
A) El problema de identicabilidad, que consiste en dar condiciones su-
cientes para garantizar la existencia y unicidad de al menos un mnimo local
de la funcin objetivo g() dada por (1.30).
B) El problema de encontrar una estimacin para , para los casos de
modelos particulares en la medicina (modelo reducido para la dinmica de
la hepatitis C), y del modelo generalizado de Black-Scholes en Finanzas.
Tambin se presenta una breve introduccin de los mtodos clsicos para
resolver problemas de Min Qs no lineal (Seccin 1.2); as como una serie de
ejemplos de estimacin de parmetros en EDOs (Seccin 1.4), que se han
trabajado en diferentes campos de la ciencia y la tecnologa. Finalmente, se
plantea en la Seccin 1.5 la necesidad de la propuesta de buenos valores ini-
ciales de los parmetros para poder garantizar que el proceso de optimizacin
involucrado resulte convergente.
1
2 1.2. Conceptos bsicos
y
T T
Y = y1T , y2T , . . . , ym Rmn ,
el vector de observaciones dadas en la tabla (1.2). Entonces el problema de
estimacin de parmetros, consiste en determinar en de tal manera que
la funcin objetivo g : R+ dada por
m
1
g() = Y F ()22 yi f (ti ; )22 , , (1.4)
2 2 i=1
1.2.2. Notacin
En esta tesis, se adoptarn algunas de las notaciones usadas por Dennis
Jr. y Schnabel (1983) [SCH], Kelley (1999) [KEL], y Nocedal y Wright (1999)
[WRG]. Los vectores se entendern como vectores columna. Los vectores de
parmetros y denotarn respectivamente el vector terico (exacto) y la
solucin aproximada del problema de minimizacin con la funcin objetivo
(1.4). La sucesin {k }k0 denotar una sucesin de iteraciones, y por 0
la iteracin inicial (Seccin 1.5). La isima componente de un vector se
denotar en casos necesarios por ()i (ntese el parntesis), y la isima
componente de un vector k por (k )i . La derivada parcial de g() respecto a
()i se denotar por g
i
o i g. En particular, para la funcin f dada (1.1) se
f
usar con frecuencia i , i f o simplemente fi para sus derivadas parciales
respecto a ()i .
Para Rp se denotar por g() Rp el gradiente de g() dado por
T
T
T T
g g g
g() = () , () , . . . , () ,
1 2 p
2
g()
cuando existe, y H() denotar el Hessiano de g(), donde hij () = i j
cuando existe. Es claro que H() es el Jacobiano del g(), sin embargo,
H() tiene una estructura que, desde el punto de vista numrico, es ms
manejable que la de un Jacobiano para una funcin no lineal general, Kelley
(1999) [KEL]. Si g() es de clase C k , k 2, entonces el Hessiano H() es
simtrico, es decir, hij () = hji() (por la igualdad de las derivadas parciales
mixtas). Para Rp se usar la norma Euclidiana
p
2 = ()2i ,
i=1
1
g() = g( ) + g( )T ( ) + ( )T H( )( ) + ( )
2
donde
( )
0 cuando .
22
p
f (t; ) = ()i hi (t), Rp (1.5)
i=1
con
hi : [t0 , T ] Rn ,
donde
h1 (t1 ) h2 (t1 ) hp (t1 )
h1 (t2 ) h2 (t2 ) hp (t2 )
A= .. .. .. .. ,
. . . .
h1 (tm ) h2 (tm ) hp (tm )
es un matriz por bloques mn p, con bloques de tamao n 1. As que la
funcin g() a minimizar toma la forma vectorial
1
g() = Y A22 , . (1.6)
2
Aqu el problema de estimacin lineal tiene la interpretacin geomtrica
siguiente: determinar tal que A sea el punto del subespacio generado por
los vectores columna de A ms cercano a Y . Vase la Figura 1.1.
6Rmn
Yr
* r = Y A
O
C
1Cr
I
A
im(A)
0
AT A = AT Y . (1.7)
2
2.5 n3/2 [(A)]2 u , (1.8)
2
puesto que (AT A) = [(A)]2 , donde es la solucin exacta de (1.7) y
es la solucin numrica, es decir, solucin de (AT A + E) = AT Y con
E2 < (2/3)n3/2 A22 u , u la unidad de redondeo, y bajo elsupuesto de
que AT A y AT Y se calculan sin error. Ntese que si (A) = 1/ u, entonces
de (1.8) se obtiene que 2 / 2 1, por lo que puede carecer de
sentido la resolucin de las ecuaciones normales (1.7), an por el mtodo de
Cholesky. Actualmente se preere usar mtodos que tomen en cuenta estas
dicultades, como el mtodo de descomposicin QR de Householder, y el
mtodo de Gram-Schmidt modicado, entre otros (vanse Golub y Van Loan
(1996) [GVL], Bjorck (1996) [BJR]).
Cuando la funcin f es no lineal respecto a los parmetros, se tiene el
problema de estimacin no lineal. Este conjunto de problemas es el objeto
de estudio de este trabajo. Ahora bien, la funcin objetivo F : Rmn
puede verse como una variedad sumergida en Rmn (genricamente esta varie-
dad es de dimensin p en Rmn ). As que el problema de estimacin no lineal,
se puede interpretar geomtricamente como: determinar el punto F () sobre
la variedad denida por F (), que est ms cerca del punto Y en Rmn . Es
claro que si es el punto donde g() alcanza tal mnimo, debe cumplirse que
el g() = 0, lo cual implica que el vector residual r = Y F ()
es ortogonal
al plano tangente a la variedad denida por F () en el punto F (). En la
Figura 1.2 se ilustra el caso en el que la variedad vive en R .3
Rmn r = Y F ( )
Y F ( )
g() = g(k ) + hk () + ( k ) ,
donde
( k )
0 cuando k
k 22
y
1
hk () = g(k )T ( k ) + ( k )T H(k )( k ) , ,
2
es el modelo cuadrtico de g() en k . Una siguiente aproximacin k+1 de ,
se obtiene al minimizar hk (). As que k+1 debe ser solucin del sistema
k+1 k = H 1 (k )g(k ) .
1
T
m
1
g() = Y F ()22 = r rj , ,
2 2 j=1 j
g
m
m
T
= rj rj = rjT f (tj ; ) ,
j=1
j=1
F () = F (k ) + JF (k )( k ) + ( k ) ,
donde
( k )
0 cuando k .
k 2
Ahora se aproxima el problema no lineal de minimizar la funcin objetivo
g() dada en (1.4) por un problema lineal, es decir
1
g()
= Y F (k ) JF (k )( k )22 . (1.16)
2
De acuerdo con (1.6) y (1.7) se deduce de (1.16) el algoritmo de Gauss-
Newton:
1. Dar un punto inicial 0 .
2. Resolver el sistema
si k >> 1.
Marquardt (1963) propuso un algoritmo para la seleccin de k (Bard,
1974 [BRD]). Van Domselaar y Hemker (1975) [DMS] y Dennis Jr. (1976)
[DEN], recomiendan usar la descomposicin de valores singulares de JF (k ):
La direccin dGN
k dada en (1.18) sigue siendo de descenso si B Rpp es
simtrica y semidenida positiva, y se cumple la condicin
Lema 1.3.1 (de Gronwall [MDG]). Sean : [a, b] R una funcin continua
y : [a, b] R continua y no negativa. Si una funcin continua : [a, b] R
satisface que
t
(t) (t) + (s)(s)ds , a t b .
a
Entonces
t
t
(t) (t) + (s)(s)e s ( )d
ds , a t b.
a
|#
t0 t0 | < , 0 2 < y 0 2 < ,
el problema de Cauchy: y = f (t, y, ), y(# t0 ) = , tiene solucin nica (t)
#
# #
# t0 , , ) sobre [t0 , T ] con (
(t; #
# t0 ) = , y se satisface que
(t)
# (t)2 < , para toda t [#
t0 , T ], t0 < #
t0 < T .
G(s)2 L(s)
# (s)2 + A 0 2 , s [#
t0 , t] ,
# (t)2 0 2 + M|#
(t) t0 t0 | + A 0 2 (t #
t0 )
t
+ L(s) (s)
# 2 ds , t# t0 . (1.23)
t0
# (t)2 M|#
(t) t0 t0 | eL(tt0 ) + 0 2 eL(tt0 )
A
+ 0 2 e L(tt0 )
1 , t# t0 . (1.24)
L
16 1.3. Identicacin de parmetros en EDOs
Tomando
&
L
= min , > 0,
3(M + 1)eL(T t0 ) 3A e t0 ) 1
L(T
Problema de investigacin
Dada una tabla T de valores observados de la solucin (t; t0 , , ) del
problema (1.20) con y(t0 ) = :
' ( )
T T
(
n ( yi = (ti ; t0 , , ) + i ,
T = ti , yi [t0 , T ] R ( D, (1.25)
i=0:m
donde los i Rn son errores de observaciones como antes.
En principio = ( T , T )T tiene un valor terico exacto , pero
desconocido. El problema se plantea en dos partes:
A) Dar condiciones sucientes para garantizar la existencia local y unici-
dad de , problema de identicabilidad de (Captulo 4).
B) Encontrar una estimacin = ( T , T )T para de tal manera
del problema (1.20), sea la que mejor se
que la solucin (t) = (t; t0 , , )
ajuste a los valores observados de la tabla T; para los casos del modelo
reducido para la dinmica de la hepatitis C (Seccin 5.2) (Alavez-Ramrez et
al., 2007 [AFL]), del modelo bsico de la dinmica viral con ALT (Seccin 5.3)
(Alavez-Ramrez et al., 2006 [ALR]), del modelo reducido y adimensionado
del VHC (Seccin 5.4) (Alavez-Ramrez et al., 2006 [ALG]), y del modelo
generalizado de Black-Scholes (Captulo 6).
En este punto es oportuno aclarar que se pueden distinguir varios casos
de problemas de identicacin, pero en este trabajo se abordar solamente
los siguientes:
1. Problema clsico (datos completos). Es el caso cuando son conocidos
los valores de t0 , = 2 () y la tabla T de valores observados de todas
1. Formulacin del problema 17
m
Y F ()pW =: yi (ti ; t0 , , )pWi ,
i=0
*
es la norma p Holder pesada sobre Rn dada por zpWi = nj=1 wij |zj |p .
Aqu, sin embargo, resolver numricamente el problema (1.26) para p
= 2 es
muy difcil, pues la mayora de las tcnicas de optimizacin emplean infor-
macin sobre la primera derivada de la funcin objetivo, y para p = 1 por
ejemplo, la funcin norma no es diferenciable. Para p > 1 y p
= 2, resulta
que el problema (1.26) es no lineal, an cuando la funcin F () sea lineal.
As que la opcin ms viable es tratar el problema para p = 2, lo que reduce
el problema de identicacin de parmetros en el sentido ms elemental y
popular conocido como el criterio clsico de Min Qs siguiente:
Dada una tabla T de valores observados como en (1.25) de la solucin
(t) = (t; t0 , , ) del problema (1.20), encontrar
= arg min g() , (1.29)
donde
1
m
1
g() = Y F ()2W yi (ti ; t0 , , )2Wi , , (1.30)
2 2 i=0
con F () y Y como en (1.27) y (1.28), respectivamente.* Y zWi es la norma
Euclidiana pesada sobre Rn denida por z2Wi = nj=1 wij |zj |2 , donde Wi =
diag {wi1 , wi2, . . . , win } con wij > 0 como antes.
El problema de identicabilidad de parmetros en EDOs, consiste en dar
condiciones sucientes para garantizar la existencia y unicidad de al menos
un mnimo local de la funcin objetivo g().
Al considerar conocido = 2 () se disminuye signicativamente la di-
mensin del espacio de parmetros de p + n a p, y con ello, el tiempo de
mquina para evaluar la funcin a ajustar y sus correspondientes Jacobia-
nos. As se tiene el subproblema de mnimo de cuadrados:
Dada una tabla T de valores observados como en (1.25) de la solucin
y(t) = (t; t0 , y0, ) del problema (1.20), encontrar Rp tal que
1
m
= arg min yi (ti ; t0 , y0, )2Wi . (1.31)
2
i=1
Aspectos numricos
El mtodo ms popular para resolver numricamente el problema de Min
Qs no lineal, es el mtodo de Gauss-Newton en su variante de Levenberg-
Marquardt el cual consiste en lo siguiente:
1. Formulacin del problema 19
de integradores que funcionen bien para ambos casos, sti y no sti, como es
el caso de los integradores dicotmicamente estables (England et al. (2002)
[EN1], Dueas et al. (1999) [EN2], y England y Mattheij (1998) [EN3]).
2. El problema es muy mal condicionado. La estimacin de Min
Qs para , con frecuencia resulta ser extremadamente sensible a pequeas
perturbaciones en los datos, dando lugar a estimaciones con intervalos de in-
certidumbre tan grandes que hacen a dichas estimaciones carentes de utilidad
prctica (es decir, el problema de Min Qs no lineal es mal condicionado). Es
el caso del problema de Robertson (1966) (Edsberg y Wedin, 1995 [EDS]),
del modelo bsico de la dinmica viral con ALT que se resume en la Seccin
5.3 (Alavez-Ramrez et al., 2006 [ALR]), y del modelo reducido y adimensio-
nado del VHC que tambin se resume en la Seccin 5.4 (Alavez-Ramrez et
al., 2006 [ALG]).
1.4. Ejemplos
En esta seccin se presentan varios ejemplos de problemas de estimacin
de parmetros en modelos descritos por sistemas de EDOs, y algunas de sus
caractersticas ms importantes.
J J 31 23
J J
13J J
32
JJ
^
J
J
A3
6
g() = (y2 (tj ) y 2 (tj ))2 ,
j=1
Tabla 1.2: Resultados de la estimacin de parmetros del modelo (1.34). Los tres
se calcularon con la funcin ode45 de MATLAB.
valores de g()
1
c Datos
0.9
y1
0.8 y2
0.7
y
0.6
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
minutos
Figura 1.4: Datos y resultados grcos de DIFFPAR del modelo (1.34).
2
g() = 2
wkl (ykl ykl ) ,
k l
donde los pesos wkl se eligen como en el mtodo 1, y ykl se obtiene por inte-
gracin numrica del sistema (1.36). El procedimiento usado para minimizar
g() es el siguiente:
1. Se halla una estimacin inicial 0 de los parmetros aplicando el mtodo
1 a la funcin G().
2. Se integra numricamente el sistema de EDOs (1.36) con una tcnica
de Runge-Kutta de cuarto orden, y se calcula g(0 ).
3. Se aplica la tcnica de optimizacin global de Bremermann (1970) para
mejorar la estimacin, la cual se describe ms adelante.
1. Formulacin del problema 25
Parmetros: 1 2 3 4
Valores exactos: 1.000 1.000 1.000 1.000
Mtodo 1: 0.885 0.899 0.782 0.790
Mtodo 2: 1.016 0.967 0.963 0.993
Error: 1.6 % 3.3 % 3.7 % 0.7 %
DIFFPAR: 1.0332 1.0466 9.2866 101 9.3155 101
Error: 3.32 % 4.66 % 7.13 % 6.84 %
1.4 c Presas y1
Depredadores y2
1.3
1.2
y
1.1
0.9
0.8
0.7
0 1 2 3 4 5 6 7 8 9 10
tiempo
Figura 1.5: Resultados grcos obtenidos con DIFFPAR de la estimacin de par-
metros del sistema Lotka-Volterra. Los datos estn uniformemente espaciados en
intervalos de 0.2 unidades de tiempo.
Parmetros: 1 2 3 4
Valores exactos: 1.0 0.5 10.0 5.0
Error (mtodo 1): 0.041 0.040 0.61 0.39
Error (mtodo 2): 0.012 0.021 0.17 0.07
DIFFPAR: 1.1746 4.0357 9.9834 4.8808
Error: 17.46 % 707.14 % 0.17 % 2.38 %
0.08
0.07
c Datos
y2
0.06 y3
y 0.05
0.04
0.03
0.02
0.01
respecto a los valores exactos son muy grandes, lo que conrma que el sistema
es muy mal condicionado con respecto a los datos y parmetros iniciales.
4500
4000 c Datos
y3
3500
3000
y
2500
2000
1500
1000
500
0
0 0.5 1 1.5 2 2.5 3 3.5
tiempo
Figura 1.7: Resultados grcos obtenidos con DIFFPAR de la estimacin de pa-
rmetros del sistema (1.37). Los datos generados para y3 estn uniformemente
espaciados en intervalos de 0.036 unidades de tiempo.
30 1.4. Ejemplos
donde 1 = r y 2 = r/K .
Cuando se tienen m especies de competidores bajo condiciones especcas,
el sistema que modela el crecimiento est dado por
N i = bi aij Nj Ni ,
j=1
horas, los mismos que se muestran en la Tabla 1.6 (Gutirrez y Snchez, 1998
[JLF]). Para ello, se resuelve el problema de Min Qs (1.29) correspondiente
con DIFFPAR, usando los primeros siete datos de la Tabla 1.6.
En la Tabla 1.7, se muestran los resultados obtenidos con los resultados
que se reportan en Gutirrez y Snchez (1998) [JLF]. Los resultados grcos
se muestran en la Figura 1.8. Es importante decir que Gutirrez y Snchez
usan tcnicas muy elementales para estimar los parmetros, y obtienen re-
sultados muy buenos.
Parmetros: N0 r K
Gutirrez y Snchez: 10.24 0.53 665.0
DIFFPAR: 10.28 0.52 656.7
Tabla 1.7: Resultados de la estimacin de parmetros del modelo logstico (1.38).
700
600
500
N
400
300
c Datos
200
Gutirrez y Snchez
DIFFPAR
100
0
0 2 4 6 8 10 12 14 16 18
horas
Figura 1.8: Datos y crecimiento de la densidad de la levadura. El mximo error
cometido con respecto a los datos, con el ajuste de Gutirrez y Snchez es de
7.73 % , mientras que con el ajuste obtenido con DIFFPAR es de 7.08 % .
t 0.25 0.50 0.75 1.00 1.50 2.00 3.0 4.00 6.00 12.0 24.0 48.0
y1 215.6 189.2 176.0 162.8 138.6 121.0 101.2 88.0 61.6 22.0 4.4 0.0
Tabla 1.8: Mediciones de la concentracin de sulsoxazol en la sangre de un humano.
3
y1 y2
Suero 1 - Profundidad
?2
Parmetros: 1 2 3 1 Residual
Ralston et al.: 0.3145 0.2285 0.9248 243.8 34.38
DIFFPAR: 0.31454 0.22849 0.92479 243.84 34.38
Tabla 1.9: Resultados de la estimacin de parmetros del modelo (1.39). Los valores
obtenidos por DIFFPAR coinciden en cuatro dgitos signicativos con los valores
obtenidos por Ralston et al. Adems, g() = 17.1901 y g()
2 = 4.3712 103 .
250
c Datos
200 y1
y y2
150
100
50
0
0 5 10 15 20 25 30 35 40 45
horas
Figura 1.10: Datos y decaimiento de la concentracin de sulsoxazol en la sangre
de un humano.
34 1.5. Clculo de parmetros iniciales
si
tj fi tj , s
2
g() = tj , , (1.40)
i=1 j=1
2.1. Introduccin
En este captulo se revisan dos modelos sobre la dinmica de enferme-
dades virales. Por un lado, se presenta una breve revisin del modelo para
la dinmica de la hepatitis C, propuesto en Avendao et al. (2002) [AVN]
(Seccin 2.2). Este modelo desempea un papel central en este trabajo, ya
que de l se deducir el modelo reducido para la dinmica de la hepatitis C,
que se usar para resolver el problema de evaluacin del dao heptico en un
enfermo de hepatitis C sin necesidad de biopsias (Seccin 5.2). Tambin se
hace nfasis en la estrategia para la curacin de un enfermo crnico de hepa-
titis C (Seccin 2.2.3). Por otro lado, se hace un anlisis crtico del modelo
estndar del SIDA que se estudia en el artculo de Perelson y Nelson (1999)
[PE1] (Seccin 2.3). Como aportacin sobre el anlisis de este ltimo modelo,
se introduce un parmetro umbral R0 y se caracteriza la estabilidad de los
estados de equilibrio en funcin de dicho parmetro umbral. En particular,
se prueba el Teorema 2.3.2 que establece la estabilidad global del estado de
equilibrio trivial cuando R0 1.
35
36 2.2. Dinmica de la hepatitis C
por da, y mueren a una tasa de mortalidad per cpita V . Y dado que los
hepatocitos infectados He mueren a causa de la replicacin del VHC en su
interior, se supondr que mueren a una tasa de mortalidad per cpita e ,
e s . T (t) es la poblacin (celulas/mm3 ) de clulas T citotxicas al tiem-
po t, tambin llamadas clulas T killer (clulas de tipo CD8+ que destruyen
las clulas infectadas). Se supone que las clulas T citotxicas destruyen a los
hepatocitos infectados He a una tasa proporcional al producto del nmero
de hepatocitos infectados He por el nmero de clulas T killer, con constante
de proporcionalidad . Bajo la presencia de los VHC, las clulas T citotxi-
cas se reproducen de manera proporcional a la carga viral V con una tasa
de saturacin T (1 T /Tmax ), donde T es la tasa de reproduccin de las
clulas T citotxicas al ignorar el supuesto de saturacin, y Tmax es el nivel
mximo de clulas T citotxicas en el organismo. Por otro lado, se supone
que dichas clulas mueren a una tasa per cpita de mortalidad T .
Modelos similares han sido estudiados por Neumann et al. (1998) [PE2],
Perelson (2002) [PE5], Ribeiro et al. (2003) [PE4] y Wodarz (2003) [WDR].
Un primer aspecto por resaltar es que el dominio de denicin del sistema
(2.1) con sentido biolgico es el conjunto positivo:
$ ( %
R4+ = (Hs , He , V, T )T R4 ( 0 Hs , 0 He , 0 V y 0 T .
Aunque en realidad si e s , se demuestra en Avendao et al. (2002)
[AVN], que la dinmica de este sistema est restringida al subconjunto posi-
tivamente invariante con respecto al sistema (2.1): R4+ :
& (
( 0 Hs HM , 0 He HM , Hs + He HM ,
(
= (Hs , He , V, T )
T
R4+ ( ,
( 0 V VM y 0 T TM
AV 2 + BV + C = 0 ,
el cual existe, es nica, y satisface que 0 < V < VM cuando R0 > 1. Los
coecientes de la ecuacin cuadrtica estn dados por
A = kT V (Tmax + e ) > 0 ,
B = T s V Tmax + ke V T Tmax T e s V (R0 1) ,
C = e s V T Tmax (R0 1) < 0 si R0 > 1 .
40 2.2. Dinmica de la hepatitis C
Clulas j k
u Clulas j
g
u p-
hepticas hepticas
sanas Virus infectadas
? ?Carga viral
kc pc
(a) (b)
Figura 2.1: Estrategia para la cura de la hepatitis C. (a) Virus infectando clulas
hepticas sanas a una tasa k. Se propone reducir la tasa de infeccin a una tasa
crtica kc . (b) Clulas hepticas infectadas produciendo carga viral a una tasa p.
Se propone reducir la tasa de replicacin viral a una tasa crtica pc .
o sea que, Ts1 < Tmax .
44 2.3. Dinmica de un modelo para el SIDA
Proposicin 2.3.1. Si R0 1, entonces I0 = (Ts1 , 0, 0)T es el nico estado
de equilibrio admisible del sistema (2.3).
Proposicin 2.3.2. El estado de equilibrio I1 = (Ts2 , Te , V )T del sistema
(2.3) es admisible si y slo si R0 > 1.
En este ltimo caso, se tiene que 0 < Ts2 < Ts1 (< Tmax ).
Claramente es un autovalor de J0 , mientras que sus otros autovalo-
res son las races del polinomio cuadrtico:
() = 2 + (e + V ) + e V (1 R0 )
La importancia de este anlisis est fuera de duda. Sin embargo, dado que
en el presente trabajo la estabilidad global del equilibrio, es la fundamental y
2. Dinmica de enfermedades virales 47
e V kp
Y como Ts2 = , se tiene que 1 T = 0; por lo que
kp e V s2
() = ( + b) 2 + (e + V ) + k 2 pTs2 V,
o sea que
() = 3 + (a + b)2 + ab + c , (2.17)
donde
a = e + V , c = k 2 pTs2 V (= e V kV )
y b dado por (2.16).
Por el criterio de Routh-Hurwitz (Gantmacher, 1960 [GNM]), el polinomio
cbico () ser estable si
( (
( a+b 1 (
1 = a + b , 2 = det (( ( = a(a + b)b c ,
c ab (
y ( (
( a+b 1 0 (
( (
3 = det (( c ab a + b ( = c2 ,
(
( 0 0 c (
p
que se muestra en la Figura 2.3, donde VM Tmax .
V
Claramente I0 = (Ts1 , 0, 0)T 0 .
2. Dinmica de enfermedades virales 49
V
(0, 0, VM )T
0
(0, Tmax , 0)T
Te
I0 = (Ts1 , 0, 0)T
(Tmax , 0, 0)T
Ts
Tmax Tmax
Lema 2.3.3. Si Ts1 o si Ts1 > y
2 2
s Tmax 4 (qs s Tmax ) 1 , (2.19)
Demostracin. Por ver que el campo vectorial denido por el sistema (2.3)
sobre la frontera de 0 , no apunta hacia afuera de 0 . Pero esto es claro
sobre las caras Ts = 0, Te = 0, V = 0 y V = VM .
Cara Ts = Ts1 . El vector normal unitario apuntando hacia afuera de 0
sobre esta cara es n = (1, 0, 0)T . As se tiene que
( (
( (
Ts , Te , V n ( ( = Ts ((
Ts =Ts1
Ts =Ts1
T
= qs + s Ts1 1 s1
s Ts1 kTs1 V.
Tmax
Dado que (2.6) es equivalente a qs + s (1 Ts1 /Tmax ) s Ts1 = 0 , se
sigue que
(
(
Ts , Te , V n (( = kTs1
V 0.
Ts =Ts1
1
En particular, se debe vericar que qs < s Tmax .
50 2.3. Dinmica de un modelo para el SIDA
y como
T
qs = s Ts1 s Ts1 1 s1 ,
Tmax
es posible reescribir (2.20) como
(
(
Ts , Te , V n (( s (Tmax Ts1
) + s [(Ts )|C (Ts1 )] , (2.21)
C
donde
Ts
(Ts ) = Ts 1 .
Tmax
De lo cual se tienen dos casos a estudiar:
a) Caso Ts1 12 Tmax .
As, si Ts1 12 Tmax entonces (Ts ) (Ts1 ) 0 para 0 Ts Ts1 .
Consecuentemente, de (2.21) se sigue que
(
(
Ts , Te , V n (( 0 ,
C
lo que dice que el campo vectorial denido por el sistema (2.3) apunta hacia
adentro de 0 sobre la cara C.
2. Dinmica de enfermedades virales 51
b) Caso Ts1 > 12 Tmax .
Ahora, si Ts1 > 12 Tmax , considrese el punto 0 < Ts1 < 12 Tmax tal que
(Ts1 ) = (Ts1 ) (vase Figura 2.4). Luego, si 0 Ts Ts1 < 12 Tmax se
est en la situacin del caso antes tratado, y el campo vectorial asociado al
sistema (2.3) apunta hacia dentro de 0 .
r
6
-
1
0 Ts1 2 Tmax Ts1 Tmax
Lo que dice que el campo vectorial denido por el sistema (2.3) no apunta
hacia fuera de 0 sobre su cara C.
As que basta considerar la dinmica de evolucin de la enfermedad del
SIDA sobre este conjunto 0 invariante positivo.
Con el objetivo de investigar la estabilidad global de I0 , se introduce la
funcin U : 0 R+ :
U(Ts , Te , V ) = pTe + e V .
En el siguiente lema, se prueba que sta es funcin de Lyapunov para el
sistema (2.3) y para el estado de equilibrio I0 .
Lema 2.3.4. Si R0 1 entonces U 0 en 0 .
Demostracin. La derivada de U a lo largo de las trayectorias solucin de
(2.3) est dada por
T
kp
U = (U) Ts , Te , V = p Te +e V = e V 1
T
Ts V .
e V
kp
Pero como R0 = T , se tiene que
e V s1
Ts
U = e V 1 R0 V . (2.23)
Ts1
Y dado que R0 1, se sigue que en 0 : U e V (1 R0 )V 0 .
Ahora, se aplicar el Teorema de LaSalle-Lyapunov que a continuacin
se enuncia y cuya demostracin se puede encontrar, por ejemplo, en LaSalle
(1960) [LSL]):
Teorema 2.3.1 (LaSalle-Lyapunov [LSL]). Sea D un abierto conexo de Rn ,
f : D Rn continua y localmente Lipschitz, y D compacto y posi-
tivamente invariante con respecto a y = f (y). Sea U : D R una fun-
cin continuamente diferenciable en D tal que U 0 en , y su deriva-
da U 0 a lo largo de las trayectorias solucin de y = f (y) en . Sea
E = {y | U (y) = 0} y M el mximo conjunto invariante contenido en
E. Entonces, cualquier trayectoria solucin de y = f (y) con condicin inicial
en se aproxima a M cuando t .
2. Dinmica de enfermedades virales 53
En ambos casos (a) y (b) se tiene que las soluciones de los sistemas res-
tringidos (2.24) y (2.25) convergen asintticamente a la solucin de equilibrio
trivial I0 = (Ts1 , 0, 0)T .
Como consecuencia de los Lemas 2.3.3, 2.3.4 y 2.3.5, se ha probado el
siguiente teorema que es la aportacin ms importante en este punto.
Teorema 2.3.2. Bajo la condicin (2.4) y si la condicin (2.19) tiene lugar,
y adems R0 1, entonces el estado de equilibrio trivial I0 = (Ts1 , 0, 0)T es
globalmente asintticamente estable en un conjunto R+ que contiene a
3
0 .
54 2.3. Dinmica de un modelo para el SIDA
2500
2000
V
1500
1000
500
0 I0 0
0 200
200 400
400 600
600 800
800
1000 1000
Te 1200 1200 Ts
Figura 2.5: Espacio fase del modelo estndar del SIDA cuando R0 = 0.9 . Las
trayectorias que inician en una vecindad local biolgicamente admisible de I0 no
crecen mucho, lo que signica que la carga viral correspondiente tampoco crece
mucho antes de iniciar el descenso hacia el punto de equilibrio global.
celulas/mm3 x 10
5 UI/mL
800 5
4
600
3
C. sanas
400 Carga viral
C. infectadas 2
200
1
0 0
0 50 100 150 0 50 100 150
(a) das (b) das
5
x 10
700
600 4
500
3
400 Carga viral
300
C. sanas 2
200 C. infectadas
1
100
0 0
0 50 100 150 0 50 100 150
Figura 2.6: Evolucin de las clulas T CD4+ sanas e infectadas y carga viral del
VIH-1. Caso en que hay cura: (a) y (b). Caso del enfermo endmico: (c) y (d).
Sensibilidad de parmetros en
EDOs
3.1. Introduccin
En este captulo se deducen las ecuaciones de sensibilidad que se requie-
ren resolver para aproximar la solucin del problema de Min Qs no lineal
(1.29) por el mtodo de Gauss-Newton. Tambin se hace una breve introduc-
cin sobre el anlisis de incertidumbre de las variables de estado a cambios
de valores de los parmetros (Seccin 3.3), as como una breve introduccin
sobre los intervalos de conanza. En la Seccin 3.4, se escriben las ecuacio-
nes de sensibilidad del modelo reducido de la dinmica de la hepatitis C
dado por (5.1), y se describe brevemente la informacin que el usuario debe
proporcionar a DIFFPAR, para resolver el problema de Min Qs no lineal
correspondiente.
56
3. Sensibilidad de parmetros en EDOs 57
donde (t0 ) = Inn , y derivndolo con respecto de se obtiene
t
f f
= + + ds , (3.5)
t0 y
donde (t0 ) = (t0 ) = 0 si el valor inicial (t0 ) = 0 es independiente
del vector de parmetros .
Si se derivan las ecuaciones (3.5) y (3.4) con respecto de t, se obtienen
dos sistemas de ecuaciones diferenciales lineales de primer orden con valores
iniciales, dados por
0
S0
= fy + f , (t0 ) =
(3.6)
= fy , (t0 ) = Inn
y
1
i
f1
y1
f1
y2
f1
yn
1
i
f
d
2
i
2
= y1
f2
y2
f2
yn
2
i
(3.8)
dt
..
.
..
.
..
.
..
.
..
.
..
.
n
i
fn
y1
fn
y2
fn
yn
n
i
donde '
0 si i
= j
ij =
1 si i = j
es la delta de Kronecker.
Si se resuelven simultneamente los problemas de valores iniciales (1.20)
y (3.6), se necesitaran resolver 2n EDOs para cada parmetro, en total
2n(p + n) EDOs para avanzar de t0 a ti . Una estrategia que usa por ejemplo
Leis y Kramer (1988) [LE2] es resolver primero el problema de valores iniciales
(1.20), y luego usa la solucin obtenida para construir (interpolar) fy y f
para resolver el problema de valores iniciales (3.6). Es claro de (3.7) y (3.8)
que el sistema as desacoplado, requiere para encontrar (ti ) y (ti ) resolver
desde t0 hasta ti , (p + n)n problemas de valores iniciales ms el problema de
valores iniciales (1.20), un total de (p + n + 1)n problemas de valores iniciales
para cada ti , i = 1 : m, que desde luego es menor que 2n(p + n).
Una vez determinado 1 = (1 , 1 ), se resuelve el nuevo problema de
valores iniciales
y = f (t, y, 1) , y(t0 ) = 1 ,
60 3.3. Anlisis de incertidumbre
donde
2
Si(t) =: Si (t) ,
yi (t)
se le puede llamar trayectoria de sensibilidad relativa del modelo. Una
escritura alternativa para la ecuacin (3.11) es
yi (t)
k yi (t)
k
p
= . (3.12)
yi(t) k=1
yi (t) k ()k
g() + 1 ( )
= g() T H( )
, (3.13)
2
donde H = H() es el Hessiano de la funcin objetivo g() dado por (1.30).
Si H es denida positiva, se sigue de (3.13) que
( ) 2 ,
T H( ) (3.14)
62 3.3. Anlisis de incertidumbre
m
H
= (S(tk ))T Wk S(tk ) ,
k=0
y
1 Hs V Hs 0 0 0
f =
0 Hs V 0 He 0 0
,
0 0 0 0 He V
entonces, los sistemas a resolver estn dados por el sistema (5.1) y 9 sistemas
de ecuaciones de sensibilidad. Uno de estos sistemas es
H H
k
s
s kV 0 kHs k
s
Hs V
d
He =
H
k kV e kHs
e
k
+ Hs V .
dt
V
k
0 p V V
k
0
Identicabilidad de parmetros en
EDOs
4.1. Introduccin
En este captulo se investiga el problema de identicabilidad de parme-
tros en EDOs, que consiste en dar condiciones sucientes para garantizar la
existencia y unicidad de al menos un mnimo local de la funcin objetivo
g() dada por (1.30). Se prueban resultados relevantes como la Proposicin
4.3.1, donde se establece la coercitividad de g() respecto a condiciones ini-
ciales , y el Teorema 4.4.1 que da condiciones para la coercitividad de g()
respecto a parmetros . El resultado terico ms importante que se aporta
es el Teorema 4.5.1 que da condiciones para la identicabilidad de , en el
caso de que el sistema de EDOs sea lineal con respecto a .
65
66 4.2. Concepto de identicabilidad
1
g(n ) < + , para toda n 1 ,
n
por lo que {n }n1 se puede elegir de tal manera que la sucesin {g(n )}n1
sea montona decreciente. De aqu la siguiente denicin:
Denicin 4.2.1. Una sucesin {n }n0 en Rp+n se dice minimizante
de la funcin objetivo g(), si satisface las dos condiciones siguientes:
A) g(n+1) < g(n ) , n 0,
B) lim g(n ) = inf g() .
n
A) Es identicable estricto.
B) Es estable.
para toda , ,
= y toda t (0, 1).
4.3. Identicabilidad de
Se demuestra en la siguiente proposicin que la funcin objetivo g(),
siempre es coercitiva con respecto al vector de condiciones iniciales .
para toda = ( T , T )T e i = 0 : m .
Si L y A son las constantes de Lipschitz de f (t, y, ) con respecto a y y
respectivamente, entonces
ti ti
f (s, (s; t , , ), )ds f (s, (s; t , , ), )ds
1 0 1 1 1 2 0 2 2 2
t0 t0 Wi
ti
f (s, 1 (s; t0 , 1 , 1 ), 1 ) f (s, 2(s; t0 , 2 , 2 ), 2 )Wi ds
t0
ti
wi [L1 (s; t0 , 1 , 1 ) 2 (s; t0 , 2 , 2 )2 + A1 2 2 ] ds
t0
ti
ti
wi L 1 (s; t0 , 1 , 1 )2 ds + wi L 2 (s; t0 , 2 , 2 )2 ds +
t0 t0
wi A1 2 2 (ti t0 ) ,
donde wi = max wij .
j=1:n
As que
70 4.3. Identicabilidad de
ti
f (s, 1 (s; t0 , 1 , 1 ), 1 )ds
wi A1 2 2 (ti t0 )+
t0 Wi
ti ti
wi L 1 (s; t0 , 1 , 1 )2 ds + 2 (s; t0 , 2 , 2 )2 ds + (4.2)
t0
t0
ti
f (s, 2(s; t0 , 2 , 2 ), 2 )ds
; i = 1 : m.
t0 Wi
para alguna i.
Por otro lado, para un 2 (t; t0 , 2 , 2 ) jo, se sigue de (4.2) para 1 =
que
ti
lim f (s, (s; t0, , ), )ds < + cuando Wi ,
W t0
i Wi
lim g() = + .
W
m
g() |yi |2 < + cuando || ,
2 i=0
1
2 1
2
m m
g() = wi1 yi1 1 e1 (ti t0 ) + wi2 yi2 2 e2 (ti t0 ) ,
2 i=0 2 i=0
1
2
m
g() = wi2 yi2 2 e2 (ti t0 ) ,
2 i=0
4.4. Identicabilidad de
Se investiga ahora bajo qu condiciones la funcin objetivo g() es coer-
citiva con respecto al vector de parmetros . Un primer resultado es el
siguiente lema:
Demostracin. Dado M > 0 arbitrario, existen R1 > 0 tal que 2 > R1
g() > M, y R2 > 0 tal que 2 > R2 implica g() > M. Para
implica
R = 2 max {R1 , R2 } > 0, se satisface que 2 > R implica g() > M.
El siguiente ejemplo es importante para los propsitos de este trabajo.
Se tiene
(t; t0 , , ) = e(tt0 ) , t t0 , > 0
y
1
(( (2
m
g() = yi e(ti t0 ) ( , = (, )T .
2 i=0
Es claro que
g() + cuando 2 ,
por lo que g es coercitiva.
El Ejemplo 4.4.1 no es accidente, pues si
f (t, y, ) = (t, y) ,
donde (t, y) es una funcin matricial n p, t t0 , y Rn y Rp ,
entonces se tiene el siguiente teorema:
Teorema 4.4.1. Sea f (t, y, ) = (t, y) con (t, y) matriz n p continua
y globalmente Lipschitz con respecto a y Rn . Si dado t > t0 existe > 0
tal que ti
(s, (s; t , , ))ds , (4.4)
0 2
t0 Wi
T
para toda = T , T Rp+n , y ti t para alguna i = 1 : m; donde
(t; t0 , , ) es solucin del problema de valores iniciales
y = (t, y) , y(t0 ) = .
Entonces
1
T
m
g() = yi (ti ; t0 , , )2Wi , = T , T Rp+n
2 i=1
es coercitiva.
Demostracin. Por la Proposicin 4.3.1 y el Lema 4.4.1 es suciente con
mostrar que g() es coercitiva con respecto a . Pero esto se sigue para jo
y del hecho de que
ti
(ti ; t0 , , ) = + (s, (s; t0 , , ))ds , i 1 ,
t0
para t = t1 .
74 4.4. Identicabilidad de
(t, y) = y , t t0 , y R ,
por lo que
|||t t0 ||| || , t t = t1 ,
Por lo tanto
, .
1 (t; t0 , , ) 2 (t; t0 , , ) 0
(t, (t; t0 , , )) = .
0 0 2 (t; t0 , , )
Y , .
t a(t, , ) b(t, , ) 0
(s, (s; t0 , , ))ds = ,
t0 0 0 b(t, , )
donde
1 2 2 1 (tt0 ) 2 2 3 (tt0 )
a(t, , ) = 1 e 1 + e 1
1 3 1 3 (3 1 )
, .
k2
= 1 (t t0 ) + 1 1k1 + 2 2 1i 3k2i (t t0 )k
k=2
k! i=0
1 (t t0 ) 1 (t t0 ) , t t = t1 ,
por lo que
a(t, , ) 1 (t t0 ) , t t = t1 , (4.6)
y
2 3 (tt0 )
b(t, , ) = e 1 2 (t t0 ) 2 (t t0 ) , t t = t1 . (4.7)
3
A) En el caso de datos completos se tiene la desigualdad del Teorema
4.4.1, pues
t
2
(s, (s; t , , ))ds = wi1 2 a2 + 2 b2 + 21 2 ab + wi2 2 b2
0 1 2 3
t0 Wi
para t t = t1 , donde
' )
10
= wi1 |t t0 | min 1 , 2 , 31 2 1 2 |t t0 | > 0.
3
As que tambin en este caso se satisface la desigualdad del Teorema 4.4.1,
en consecuencia tambin la funcin objetivo g() es coercitiva con respecto a
= (1 , 2 , 3 , 1 , 2 )T .
C) En el caso de datos parciales con solo observaciones sobre y2 , no es
posible establecer la desigualdad del Teorema 4.4.1. En este caso, no se puede
asegurar que g() es coercitiva.
II) Cuando 1 = 3 , las soluciones de (4.5) resultan ser
1 (t; t0 , , ) = (2 2 (t t0 ) + 1 ) e1 (tt0 ) , t t0 ,
y
2 (t; t0 , , ) = 2 e1 (tt0 ) , t t0 .
En este caso
y1 y2 1
y= ,
y2 0 2
por lo que
, .
1 (t; t0 , , ) 2 (t; t0 , , )
(t, (t; t0 , , )) = .
2 (t; t0 , , ) 0
Y , .
t a(t, , ) b(t, , )
(s, (s; t0 , , ))ds = ,
t0 b(t, , ) 0
78 4.4. Identicabilidad de
donde
2 2 1 2 2 1 (tt0 )
a(t, , ) = (t t0 )e1 (tt0 )
+ 1 e 1
1 1 1
1k k2 2
= 1 (t t0 ) + 1 + (t t0 )k+1
k=1
(k + 1)! 1
1 (t t0 ) 1 (t t0 ), t t = t1 ,
y
2 1 (tt0 )
b(t, , ) = e 1 2 (t t0 ) 2 (t t0 ) , t t = t1 .
1
4.5. Conclusiones
Las conclusiones que se han obtenido sobre el problema de identicabili-
dad son las siguientes:
A) es cerrado en Rp+n .
T
para toda = T , T Rp+n , y ti t para alguna i = 1 : m ;
donde (t; t0 , , ) es solucin del problema de valores iniciales
y = (t, y) , y(t0) = .
C) es convexo no vaco.
D) La funcin objetivo
1
T
m
g() = yi (ti ; t0 , , )2Wi , = T , T Rp+n ,
2 i=1
es estrictamente convexa.
Aplicaciones a la medicina
5.1. Introduccin
En este captulo, se muestra que es posible monitorear la evolucin de la
carga viral y el dao heptico en un enfermo de hepatitis C, sin la necesidad
de biopsia alguna (Secciones 5.2 y 5.3). Esto es posible gracias al modelo
matemtico de la hepatitis C, a la estimacin numrica de sus parmetros,
considerando solamente mediciones de la carga viral y la propuesta de razona-
bles condiciones iniciales, que bien la clnica puede aportar.
Tambin se muestra mediante la comparacin numrica (Seccin 5.5), que
el mtodo que se est usando en esta tesis para estimar parmetros en EDOs,
mejora algunas limitaciones del mtodo de Perelson (Neumann et al., 1998
[PE2] y Perelson et al., 1996 [PE3]).
81
82 5.2. Monitoreo del dao heptico y carga viral libre de biopsias
Hs = s kHs V s Hs
He = kHs V e He (5.1)
V = pH e V V
y0 = (Hs0 , He0 , V0 )T .
kps
R0 = , (5.2)
e s V
V
(0, 0, VM )T
He
I0 = (Hmax , 0, 0)T
Hs
Estados de equilibrio
Los puntos de equilibrio del sistema (5.1) se obtienen resolviendo el sis-
tema de ecuaciones algebraicas:
0 = s kHs V s Hs
0 = kHs V e He (5.4)
0 = pHe V V
s
Hs = . (5.6)
s + kV
(pks s e V ke V V ) V = 0 . (5.7)
2 + (e + V ) + e V (1 R0 ) = 0 ,
p() = 3 + (a + b)2 + ab + c ,
donde
a = s R0 > 0
b = e + V > 0 . (5.9)
c = e s V (R0 1)
Las condiciones necesarias y sucientes del Teorema de Routh-Hurwitz
(Gantmacher, 1960 [GNM]), para que las races del polinomio p() tengan
parte real negativa son:
1 = det(a + b) = a + b > 0 ,
88 5.2. Monitoreo del dao heptico y carga viral libre de biopsias
a+b 1
2 = det = (a + b)ab c > 0 ,
c ab
y
a+b 1 0
3 = det c ab a + b = c2 > 0 .
0 0 c
De (5.9) se observa que c > 0 si R0 > 1. Por lo que solo resta vericar
que 2 > 0. En efecto, se tiene que
(a + b)ab c = (s R0 + e + V ) s R0 (e + V ) e s V (R0 1)
= (s R0 + e ) (e + V ) s R0 + s 2V R0 + e s V > 0 .
U(Hs , He , V ) = pHe + e V .
12000
10000
8000
V
6000
4000
2000
I0
0 1000
0 2000
500 3000
1000 4000
1500
He 2000
5000
Hs
Figura 5.2: Espacio fase del modelo reducido cuando R0 = 0.6 . Las trayectorias
que inician en un entorno local biolgicamente admisible de I0 no crecen mucho,
lo que signica que la carga viral correspondiente tampoco crece mucho. Esto es
razonable para que el individuo infectado de la hepatitis C se cure.
Identicabilidad
Todos los parmetros en el modelo reducido son no negativos, por lo que
el espacio de parmetros admisibles lo denen los vectores positivos de la
forma: = (s , k, s , e , p, V , Hs0 , He0 , V0 )T . Bajo el supuesto de que solo se
dispone de un nmero suciente de observaciones de la carga viral V dada
por la tabla:
T = {(ti , Vi ) [t0 , T ] R | Vi = V (ti ; t0 , , ) + i , i = 0 : m} ,
donde i R son errores de observaciones como en la Tabla 1.25, la funcin
objetivo g() del problema de Min Qs (1.29) se reduce a
1
m
g() = wi(Vi V (ti ; t0 , , ))2 , (5.11)
2 i=0
T
donde = (Hs0 , He0, V0 )T , = (s , k, s, e , p, V )T y = T , T .
Los pesos wi se calcularon de acuerdo con las frmulas
wi = 1/Vi2 si Vi > u
, (5.12)
wi = 0 si Vi u
5. Aplicaciones a la medicina 91
Tabla 5.2: Datos generados con el modelo reducido y perturbados con un ruido del
orden del 10 % con distribucin normal, en el caso en que tericamente hay cura.
A la carga viral negativa se tom como cero.
5. Aplicaciones a la medicina 93
Tabla 5.3: Datos generados con el modelo reducido y perturbados con un ruido del
orden del 10 % con distribucin normal, en el caso endmico.
94 5.2. Monitoreo del dao heptico y carga viral libre de biopsias
Param. k e p V V0 R0
3.0 105 5 100 5 400 0.6
3.0982 10 5
5.1820 106.92 5.1227 406.36 6.2394 101
Error 3.27 % 3.64 % 6.92 % 2.45 % 1.59 % 3.99 %
celulas/mm3
5000
4900
4800
4700
4600
Hs
4500
4400
4300
c Poblacin inicial conocida
4200
Poblacin exacta
4100 Poblacin estimada
4000
3900
0 20 40 60 80 100 120 140 160 180 200
das
Figura 5.3: Evolucin de los hepatocitos sanos cuando tericamente hay cura.
96 5.2. Monitoreo del dao heptico y carga viral libre de biopsias
celulas/mm3
500
450
400
350
c Poblacin inicial conocida
He Poblacin exacta
300 Poblacin estimada
250
200
150
100
50
0 5 10 15 20 25 30
das
Figura 5.4: Decaimiento de los hepatocitos enfermos cuando tericamente hay cura.
UI/L
4500
4000
2000
1500
1000
500
0 1 2 3 4 5 6 7 8 9 10
das
Figura 5.5: Evolucin de la carga viral del VHC cuando tericamente hay cura.
5. Aplicaciones a la medicina 97
Caso endmico
Con la opcin EDOs sti y con parmetros logaritmizados durante la ite-
racin, e iniciando el descenso desde 0 = (100, 104, 2.0 102 , 15, 500, 30)T
y 0 = (4 500, 500, 700)T , se alcanza el punto 1 = (100, 3.3353 105 , 2.0
102 , 5.5508, 214.62, 5.3910)T y 1 = (4 500, 500, 413.68)T . Reiniciando el
descenso desde 1 y 1 con la misma opcin anterior, se obtienen los re-
sultados que se muestran en la Tabla 5.7. Los intervalos de conanza a 95 %
de los parmetros estimados en este caso son tambin bastante razonables
(Tabla 5.8). Los resultados grcos de la poblacin de los hepatocitos sanos
y enfermos, y la evolucin de la carga viral, se muestran en las Figuras 5.6,
5.7 y 5.8. En la Tabla 5.9, se muestran otros resultados obtenidos desde 1 y
1 , todos consistentes con los resultados de la Tabla 5.7.
Param. k e p V V0 R0
3 105 5 200 5 400 1.2
3.0530 105 5.0338 190.63 4.9477 412.14 1.1684
Error 1.77 % 0.68 % 4.68 % 1.05 % 3.04 % 2.63 %
celulas/mm3
5000
4500
Hs
4000
3500
2500
das
celulas/mm3
30
25
c Poblacin inicial conocida
Poblacin exacta
20
Poblacin estimada
He
15
10
das
UI/L
1200
1000
Carga inicial exacta
c Carga inicial estimada
800 Carga viral exacta
Carga viral estimada
V
600
400
200
Tiempo Carga viral Carga viral Tiempo Carga viral Carga viral
(t) (log10 V ) (copias/mL) (t) (log10 V ) (copias/mL)
0 hrs. 6.61 4.073803 106 29 hrs. 6.19 1.548817 106
2 hrs. 6.74 5.495409 106 34 hrs. 6.00 1.000000 106
4 hrs. 6.76 5.754399 106 2 das 6.15 1.412538 106
7 hrs. 6.74 5.495409 106 3 das 6.14 1.380384 106
10 hrs. 6.81 6.456542 106 4 das 5.81 6.456542 105
14 hrs. 6.43 2.691535 106 7 das 6.00 1.000000 106
19 hrs. 6.19 1.548817 106 9 das 6.10 1.258925 106
24 hrs. 6.07 1.174898 106 11 das 5.84 6.918310 105
Tabla 5.10: Valores de la carga viral del paciente 1H (Neumann et al., 1998 [PE2]).
5. Aplicaciones a la medicina 101
Tiempo Carga viral Carga viral Tiempo Carga viral Carga viral
(t) (log10 V ) (copias/mL) (t) (log10 V ) (copias/mL)
0 hrs. 5.60 3.98107 105 29 hrs. 3.84 6.91831 103
2 hrs. 5.67 4.67735 105 34 hrs. 3.69 4.89779 103
7 hrs. 5.71 5.12861 105 2 das 3.19 1.54882 103
10 hrs. 4.82 6.60693 104 3 das 3.30 1.99526 103
14 hrs. 4.60 3.98107 104 5 das 2.70 5.01187 102
19 hrs. 4.26 1.81970 104 7 das 2.70 5.01187 102
24 hrs. 4.03 1.07152 104 9 das 2.00 1.00000 102
Tabla 5.11: Valores de la carga viral del paciente 3D (Neumann et al., 1998 [PE2]).
Parm. k e p V V0 R0
1.1715 104 1.0110 101 7.3784 101 1.7071 5 537.7 2.50
0 = (15.4, k, 3.08 103 , 1, 10, 20)T , con 2.36 106 k 1.19 103 .
EDOs k e p V V0 R0
No sti 1.1767 104 1.0066 101 7.3549 101 1.7071 5 537.3 2.52
Sti 1.1767 104 1.0066 101 7.3549 101 1.7072 5 537.3 2.52
Tabla 5.15: Otros resultados de la estimacin de parmetros del paciente 1H. Caso
= 6.7108 101 y g()
no sti: g() 2 = 1.8838 104 . Caso sti: g() =
2 = 1.8729 104 .
6.7108 101 y g()
104 5.2. Monitoreo del dao heptico y carga viral libre de biopsias
7000
c Datos
6000
Poblacin inicial
Carga viral
5000 Hepatocitos sanos
y Hepatocitos infectados
4000
3000
2000
1000
0
0 2 4 6 8 10
das
celulas/mm3
4500
4000
Poblacin inicial
Hepatocitos sanos
3500
Hs
3000
2500
2000
1500
1000
500
0 500 1000 1500
das
celulas/mm3
2000
1800
Poblacin inicial infectada
1600 Hepatocitos infectados
1400
He
1200
1000
800
600
400
200
das
x 10
5 copias/mL
5
4.5
3.5
V 3
2.5
1.5
0.5
das
Parm. k e p V V0 R0
1.0358 102 4.2007 101 4.1249 103 4.0493 432.36 0.13
0 = (15.4, k, 3.08 103 , 1, 10, 20)T , con 7.88 104 k 7.12 102 .
B) Si He0
= 500 celulas/mm3 , entonces 600 Hs0 8 000 .
C) Si He0
= 1000 celulas/mm3 , entonces 1000 Hs0 8 000 .
4500
Poblacin inicial
4000
Hepatocitos sanos
Hepatocitos infectados
3500
c Datos
y
3000 Carga viral
2500
2000
1500
1000
500
0 1 2 3 4 5 6 7 8 9
das
celulas/mm3
5000
4500
4000
Hs
3500
3000
Poblacin inicial
Hepatocitos sanos
2500
2000
1500
das
celulas/mm3
2500
Poblacin inicial
Hepatocitos infectados
2000
He
1500
1000
500
0 5 10 15 20 25 30
das
x 10
5 copias/mL
4.5
4
Carga inicial del VHC
3.5 Carga viral
3
V
2.5
1.5
0.5
0 5 10 15 20 25 30
das
5.2.6. Conclusiones
Las conclusiones ms importantes son:
Sin la necesidad de efectuar biopsia alguna (que como se dijo antes, nica-
mente evala el dao heptico pero no mide la carga viral).
Monitoreo, que por eso mismo, no tiene ninguno de los inconvenientes
que conllevan todas las biopsias (percutnea, laparoscpica e intravenosa)
hasta ahora empleadas, como es el dolor, los riesgos a contraer infecciones
oportunistas, conabilidad, entre otros.
5. Aplicaciones a la medicina 111
= (s , k, s , e , p, V , A , s , e , A , Hs0, He0 , V0 , A0 )T .
1
1
m m
g() = wi1 (Vi V (ti ; t0 , , ))2 + wi2 (Ai A(ti ; t0 , , ))2 (5.16)
2 i=0 2 i=0
se minimiz la funcin objetivo (5.16) del modelo bsico con ALT (5.14). Los
resultados obtenidos se muestran en la Tabla 5.23.
Tabla 5.20: Parmetros usados para generar datos en el caso cuando tericamente
hay cura.
Caso endmico
Tambin se generaron datos con un ruido del orden del 10 % usando los
valores de los parmetros:
k = 2.8 105 L/UI da, p = 10.0 UI/celulas da, A = 0.65 da1 ,
y los dems como en la Tabla 5.20, junto con las condiciones iniciales:
Hs0 = 4 300 celulas/mm3 , He0 = 700 celulas/mm3 ,
V0 = 1 200 UI/L , y A0 = 1.5 104 UI/L .
Los datos obtenidos se muestran en la cuarta y quinta columna de la
Tabla 5.21. Con los parmetros iniciales:
0 = (15.4, 6.0 105 , 3.08 103, 0.5, 12.0, 4.0)T y 0 = (4 300, 700, 2 000)T ,
se minimiz la funcin objetivo (5.11) del modelo reducido (5.1), y con
0 = (15.4, 6.0 105, 3.08 103 , 0.5, 15.0, 10.0, 8.5 105 , 8.0 107 ,
8.5 107 , 1.0)T y 0 = (4 300, 700, 2 000, 4.0 103 )T ,
se minimiz la funcin objetivo (5.16) del modelo (5.14). Los resultados ob-
tenidos en este caso se muestran en la Tabla 5.24.
116 5.3. Dinmica del VHC con carga viral y ALT
Tabla 5.21: Datos generados con el modelo bsico de la dinmica viral con ALT y
perturbados con un ruido del orden del 10 %, en el caso en que tericamente hay
cura.
5. Aplicaciones a la medicina 117
Tabla 5.22: Datos generados con el modelo bsico de la dinmica viral con ALT y
perturbados con un ruido del orden del 10 %, en el caso endmico. En la estimacin
de parmetros no se us el dato que corresponde a dos horas en ambos modelos.
118 5.3. Dinmica del VHC con carga viral y ALT
Tabla 5.23: Caso cuando tericamente hay cura: modelo reducido vs. modelo bsico
de la dinmica viral con ALT. V. Estmr : valores de los parmetros estimados con el
modelo reducido. V. EstALT : valores estimados con el modelo de la dinmica viral
con ALT.
Tabla 5.24: Caso endmico: modelo reducido vs. modelo bsico de la dinmica viral
con ALT. V. Estmr : valores de los parmetros estimados con el modelo reducido.
V. EstALT : valores estimados con el modelo de la dinmica viral con ALT.
5. Aplicaciones a la medicina 119
5.3.3. Conclusiones
Las conclusiones obtenidas son las siguientes:
Conclusin 5.3.1. La precisin de los parmetros k, e , p, V y V0 esti-
mados por el modelo bsico de la dinmica viral con ALT (5.14) son rela-
tivamente mejores que los estimados por el modelo reducido (5.1), en el caso
cuando tericamente hay cura (Tabla 5.23), pero en el caso endmico son
prcticamente las mismas (Tabla 5.24). En ambos casos, se obtiene la mis-
ma precisin para el parmetro umbral R0 . As que incorporar la ecuacin
adicional que describe la dinmica del nivel de las enzimas ALT en el modelo
reducido, no inuye signicativamente en la estimacin de los parmetros in-
volucrados para determinar el parmetro umbral, ni mejora la estimacin de
dicho parmetro umbral. Los intervalos de conanza al 95 % de los parme-
tros relacionados con las enzimas ALT se obtienen con extremos negativos,
el cual contradice el hecho de que todos los parmetros involucrados son posi-
tivos (Alavez-Ramrez et al., 2006 [ALR]).
Por lo que
kVmax e pHM V
k = , e = , p = , V = y Vmax VM .
s s s Vmax s
En Alavez-Ramrez et al. (2006) [ALG], se prueba que si e 1, entonces
la dinmica del sistema (5.17) est restringida al subconjunto positivamente
invariante R3+ :
& (
( 0 hs 1 , 0 he 1 ,
(
= (hs , he , v)T R3+ ( .
( 0 hs + he 1 y 0 v VM /Vmax
1.5
v
1
0.5
0
0
I0
0.1 0.4
0.6
0.2
0.8
0.3 1
he 0.4 1.2 hs
Figura 5.17: Espacio fase del modelo reducido y adimensionado (5.17) cuando el
parmetro umbral R0 = 0.36756 , que ilustra la estabilidad asinttica global de I0 .
m
g() = wi(vi v(i ; 0 , , ))2 , (5.18)
2 i=0
T
donde = (hs0 , he0 , v0 )T , = (k , p , e , V )T y = T , T . Los pesos
se tomaron como wi = 1, i = 0 : m.
Para la estimacin numrica de los parmetros se reportan dos casos,
cuando tericamente hay cura de la hepatitis C y cuando no la hay, en que se
generaron 14 datos para cada caso con el modelo reducido (5.1), en un lapso
de 0 a 20 das. El ruido que se introdujo a los datos es del orden del 10 % con
distribucin normal de acuerdo con (5.13), en los valores numricos obtenidos
para la carga viral V . Para el proceso de minimizacin de (5.18), se escalaron
los datos con Vmax igual al mximo valor de la carga viral perturbada en cada
caso.
122 5.4. Modelo adimensionado del VHC
Tabla 5.25: Datos generados y perturbados en el caso en que tericamente hay cura.
C. viral gen. es la carga viral generada, y C. viral pert. es la carga viral perturbada.
Tabla 5.26: Parmetros estimados con el modelo adimensionado cuando hay cura.
Tabla 5.27: Intervalos de conanza a 95 % en el caso cuando hay cura. Los intervalos
de conanza son muy grandes salvo el intervalo que corresponde a v0 , y tres de ellos
con extremos negativos.
Caso endmico
Los datos se generaron con k = 2.8 105 L UI1 da1 , p = 10.0
1
UI celulas1 da , y dems parmetros que corresponden al modelo re-
ducido que se dan en la Tabla 5.20, junto con las condiciones iniciales que se
dan en la Seccin 5.3.2, en el caso crnico. Los datos generados y perturbados
se muestran en la Tabla 5.28. El proceso de minimizacin de la funcin objeti-
vo (5.18) se inici desde: 0 = (10, 40, 9 500, 2 000)T y 0 = (0.86, 0.14, 0.8)T .
Los resultados obtenidos se muestran en la Tabla 5.29, y los intervalos de
conanza a 95 % de los parmetros estimados se dan en la Tabla 5.30.
Tiempo C. viral gen. C. viral pert. Tiempo C. viral gen. C. viral pert.
(t) (UI/L) (UI/L) (t) (UI/L) (UI/L)
0 hrs. 1 200.0000 1 305.9414 3 das 1 402.5718 1 556.5244
2 hrs. 1 201.6375 1 190.8653 4 das 1 462.5268 1 282.8238
4 hrs. 1 205.1615 1 302.2679 6 das 1 557.9091 1 401.1814
8 hrs. 1 215.1470 1 188.1577 8 das 1 615.5077 1 540.9159
16 hrs. 1 239.1031 1 379.6730 10 das 1 632.9527 1 779.4732
24 hrs. 1 263.8896 1 440.2570 15 das 1 520.5331 1 270.2268
2 das 1 335.9135 1 243.2592 20 das 1 268.9412 1 340.6514
5.4.3. Conclusiones
Conclusin 5.4.1. A pesar de que se reduce el nmero de parmetros que se
requieren estimar para determinar el parmetro umbral R0 , la estimacin de
los parmetros p y V no son buenos en ambos casos (cuando tericamente
hay cura y endmico), pues los errores correspondientes son muy grandes
(Tablas 5.26 y 5.29). Sin embargo, es importante notar que la estimacin
del parmetro umbral R0 es muy bueno en el caso endmico. Otro problema
signicativo son los intervalos de conanza de los parmetros estimados k , p
y V (Tablas 5.27 y 5.30), pues son muy grandes y con extremos negativos,
el cual contradice el hecho de que todos los parmetros en el modelo son
positivos.
que describe el decaimiento viral desde t0 hasta los primeros 2 das de terapia,
y es usado para estimar los parmetros V0 , t0 , V y , con datos de pacientes
observados de 0 a 2 das.
Ahora, bajo la hiptesis de que el mayor efecto del IFN es en el bloqueo
de la produccin viral, es razonable tomar = 0 y considerar > 0 como la
ecacia antiviral durante el tratamiento. Tambin se supone que el sistema
se encuentra en equilibrio antes del tratamiento, y que la concentracin de
clulas sanas Hs permanece aproximadamente en el estado de equilibrio Hsc =
e V /pk, despus de dos semanas de que se administr el medicamento. Por
lo que de la segunda y tercera ecuacin de (5.19) se obtiene la ecuacin
diferencial de segundo orden
V +(e + V ) V +e V [1 (1 )aR0 ] V = 0 , (5.21)
con valores iniciales V (t0 ) = V0 y V (t0 ) = V V0 ; donde a = (s /s )Hsc
y R0 el parmetro umbral dado por (5.2). El discriminante de la ecuacin
caracterstica de (5.21) es
= (e V )2 + 4(1 )e V 0 .
donde
V 2 1 0
A= y 1,2 = (e + V ) (e V )2 + 4(1 )e V .
1 2 2
En cambio, = 0 si y slo si e = V y = 1, y en este caso la solucin
de (5.21) se reduce a (5.20) con = 1 . Dado que los valores de V0 , t0 , V
y lo estiman en (5.20), usan los valores estimados de dichos parmetros
en (5.22) para estimar e con datos de pacientes observados de 0 a 14 das.
Para la estimacin de los parmetros trabajaron con el logaritmo de (5.20) y
(5.22), usando en el proceso de Min Qs no lineal la subrutina DNLS1 el cual
5. Aplicaciones a la medicina 127
Tiempo Carga viral Carga viral Tiempo Carga viral Carga viral
(t) (log10 V ) (copias/mL) (t) (log10 V ) (copias/mL)
0 hrs. 6 1.000000 10 29 hrs.
6 4.56 3.6308 104
2 hrs. 5.96 9.120110 10 34 hrs.
5 4.88 7.5858 104
4 hrs. 5.99 9.772370 105 2 das 4.86 7.2444 104
7 hrs. 6.12 1.318257 10 3 das
6 4.64 4.3652 104
10 hrs. 5.94 8.709640 105 4 das 4.50 3.1623 104
14 hrs. 4.94 8.709600 10 5 das
4 4.49 3.0903 104
19 hrs. 5.27 1.862090 105 7 das 4.26 1.8197 104
24 hrs. 4.88 7.585800 10 9 das
4 4.18 1.5136 104
Tabla 5.31: Valores obtenidos de la Figura 1-2D en Neumann et al. (1998) [PE2].
Tabla 5.32: Tcnica de Perelson vs. DIFFPAR. Los valores de la segunda y tercera
columna se reportan en Neumann et al. (1998) [PE2]. El error de las estimaciones
con DIFFPAR se obtuvieron de las estimaciones de los intervalos de conanza de
los parmetros. RSR es la norma del residual sin retardo, y RCR la norma del
residual con retardo t0 .
5.5.3. Conclusiones
Conclusin 5.5.1. El mtodo que se est aplicando en esta tesis para es-
timar parmetros en EDOs mejora algunas deciencias de la tcnica de
Perelson. Por ejemplo, reduce sustancialmente los intervalos de conanza
de los parmetros e y V , y estima por lo menos tres parmetros ms (k, p
y V0 ) del modelo reducido (5.1). Sobre todo del parmetro umbral R0 que al
resultar mayor que 1 (Tabla 5.32), marca la tendencia hacia la enfermedad
crnica del paciente 2D (Tabla 5.31).
130 5.5. Comparacin de dos mtodos de estimacin . . .
Tabla 5.33: Tcnica de Perelson vs. DIFFPAR: diagnstico de la carga viral obser-
vada de la Tabla 5.31.
5. Aplicaciones a la medicina 131
copias/mL
5
10
Figura 5.18: Datos y decaimiento de la carga viral durante los primeros dos das.
copias/mL
5
10
4
10
0 1 2 3 4 5 6 7 8 9
das
Figura 5.19: Datos y decaimiento de la carga viral durante los primeros nueve das.
Captulo 6
Aplicaciones a nanzas
6.1. Opciones
Un producto nanciero derivado es aqul cuyo precio se encuentra en fun-
cin de otro llamado activo subyacente. Por lo que la cantidad de derivados
en un mercado nanciero es muy amplio, pero son cuatro los ms utilizados:
forwards, futuros, swaps y opciones (Mndez, 2005 [MND]). Las opcio-
nes son ejemplos de derivados que cotizan en la bolsa, es decir, instrumentos
cuyo valor depende de los precios de otros instrumentos ms bsicos, tales
como las acciones o los bonos. Se puede denir una opcin como un contrato
que da derecho a quin lo posee a comprar o vender un activo a un pre-
cio preestablecido durante un periodo o una fecha determinada (Laciana y
Menndez, 2004 [LYM]). En este tipo tipo de acuerdos existen dos clases de
operadores: los compradores y los vendedores de opciones. Las posiciones del
comprador y el vendedor son asimtricas, dado que el comprador mediante
el pago de una prima adquiere un derecho (que puede o no ejercer segn le
convenga), mientras que el vendedor adquiere una obligacin que es compen-
sada mediante el cobro de la prima (Laciana y Menndez, 2004 [LYM]). Las
opciones se pueden pensar como un seguro tradicional, es decir, que cuando
132
6. Aplicaciones a nanzas 133
2
+ (r q)S + a(t, S)S 2 2 r = 0 , t < T, S R+ , (6.2)
t S S
con condicin de frontera: (T, S) = (S K)+/ .
O la ecuacin parablica prospectiva de Dupire
2
(q r)K a(T, K)K 2 + q = 0 , T > t0 , K R+ , (6.3)
T K K 2
con condicin de frontera: (t0 , K) = (S0 K)+/ .
Crpey (2003) [CRY], demuestra que (6.1), (6.2) o (6.3) se satisfacen para
cualquier funcin a(t, S) de volatilidad local, acotado, positivo y medible.
En el caso especial cuando la volatilidad a 2 /2 es constante o es
una funcin solo del tiempo, se conocen frmulas explcitas para los precios
6. Aplicaciones a nanzas 135
tiva:
= (r q)SS + a(, S)S 2 S2 2 r , > 0, S > 0
(0, S) = max {S K, 0} , S 0
(6.6)
(, 0) = 0 , 0
(, Smax ) = Smax Ker , 0 .
j+1 j1 j+1 2j + j1
= (r q)Sj + aj Sj2 rj ,
2h h2
donde
Sj = S0 + jh , j = 1 : M
j (, Sj ) y aj a(, Sj ) ,
donde
Sj aj ( ) r q
j ( ) = Sj
h2 2h
2Sj2 aj ( )
j ( ) = r +
h2
Sj aj ( ) r q
j ( ) = Sj +
h2 2h
yj ( ) j ( ) .
La regin de integracin del sistema (6.7) se muestra en la Figura 6.1.
El sistema de EDOs (6.7) es tridiagonal, y se puede escribir como:
y = A(, a( ))y + b
y0 = (y1 (0), y2(0), . . . , yM 1(0))T
6. Aplicaciones a nanzas 137
donde
1 1 1 (, S0 )
2 2 2 0
3 3 3 0
A= .. .. .. ; b= .. .
. . . .
M 2 M 2 M 2 0
M 1 M 1 M 1 (, SM )
La matriz A(, a( )) del sistema es estrictamente diagonal dominante, si
j ( ) > 0.
6 (, SM ) = SM Ker
SM
h
SM1 r
..
.
S2 r
h
S1 r
S0 = 0 h -
0 = 0 (, 0) = 0 T
k k
m M 1
2
g() = wij yij j (i ; 0 , y0 , ) , (6.8)
2 i=0 j=1
138 6.3. Estimacin del parmetro de volatilidad
salvo para los resultados que se reportan en las Tablas 6.8 y 6.10, que se us
wijk = 1 para i = 0 : m, j = 1 : M 1 .
donde p(S) es el interpolante cbico de los puntos (0, 0), (1.5, 0.25), (3.5, 0.03)
y (5, 0.22). Los datos generados para cada mes se les perturb con un 10 %
de ruido de acuerdo con la frmula (5.13), y son los que se muestran en
las Tablas 6.1, 6.3, 6.5, 6.7 y 6.9, respectivamente. Las estimaciones de akj
obtenidos en cada mes, se muestran en las Tablas 6.2, 6.4, 6.6, 6.8 y 6.10,
respectivamente.
Tabla 6.1: Datos generados con ruido sobre el intervalo [0, 1/12] (primer mes).
Tabla 6.3: Datos generados con ruido sobre el intervalo [1/12, 1/6] (segundo mes).
Tabla 6.5: Datos generados con ruido sobre el intervalo [1/6, 1/4] (tercer mes).
Tabla 6.7: Datos generados con ruido sobre el intervalo [1/4, 1/3] (cuarto mes).
Tabla 6.9: Datos generados con ruido sobre el intervalo [1/3, 5/12] (quinto mes).
[ACD] lvarez, P. E., Crespo, J., Diago, M. M., Garca, M. C., Garca-
Samaniego, J., Morillas, R. M., Planas, R., Romero, J. del, Sol, R.:
Hepatitis C. Barcelona, Madrid: Ediciones Mayo (2003).
[AVN] Avendao, R., Esteva, L., Flores, J. A., Fuentes Allen, J. L., Gmez,
G. and Lpez-Estrada, Je.: A mathematical model for the dynamics
of hepatitis C. J. Theor. Med., 4(2), 109-118 (2002).
[BRD] Bard, Y.: Nonlinear Parameter Estimation. New York, London: Aca-
demic Press (1974).
144
BIBLIOGRAFA 145
[PE8] Dahari, H., Ribeiro, R. M., Rice, Ch. M., and Perelson, A. S.: Mat-
hematical Modeling of Subgenomic Hepatitis C Virus Replication in
Huh-7 Cells. J. Virol., 81(2), 750-760 (2007).
[SCH] Dennis, J. E. Jr. and Schnabel, R. B.: Numerical Methods for Uncons-
trained Optimization and Nonlinear Equations. Prentice-Hall (1983).
[DEN] Dennis, J. E. Jr.: Nonlinear least squares and equations, in The State
of the Art in Numerical Analysis, D. Jacobs, ed., London: Academic
Press, 269-312 (1977).
146 BIBLIOGRAFA
[EN2] Dueas, E., England, R., Lpez-Estrada, Je.: Multiple Shooting with
Dichotomically Stable Formulae for Linear Boundary-Value Problems.
Computers and Mathematics with Applications, 38, 143-159 (1999).
[EDS] Edsberg, L., Wedin, P..: Numerical tools for parameter estima-
tion in ODE-systems. Optimization Methods and Software, 6, 193-217
(1995).
[EN1] England, R., Lamour, R., Lpez-Estrada, Je.: Multiple shooting using
a dichotomically stable integrator for solving dierential-algebraic
equations. Applied Numerical Mathematics, 42, 117-131 (2002).
[EN3] England, R., Mattheij, R. M. M.: Boundary value problems and di-
chotomic stability. SIAM J. Numer. Anal., 25(5), 1037-1054 (1998).
[FLS] Friedman, L. S.: Controversies in liver biopsy: who, where, when, how,
why?. Curr. Gastroenterol. Rep., 6(1), 30-6 (2004).
[GVL] Golub, G. H., Van Loan, Ch. F.,: Matrix Computations, 3rd. ed.,
Baltimore, London: The Johns Hopkins University Press (1996).
[HAI] Hairer, E., Nrsett, S. P. and Wanner, G.: Solving Ordinary Die-
rential Equations I (Nonsti Problems). Berlin, Heidelberg: Springer-
Verlag (1987).
[INN] Iannelli, M., Loro, R., Milner, F.A., Pugliese, A. and Rabbiolo, G.:
Numerical analysis of a model for the apread of HIV/AIDS. SIAM J.
Numer. Anal., 33(3), 864-882 (1996).
[PE6] Layden, T. L., Layden, J. E., Ribeiro, R. M., Perelson, A. S.: Mathe-
matical modeling of viral kinetics: a tool to understand and optimize
therapy. Clin. Liver Dis., 7, 163-178 (2003).
[LE2] Leis, J. R. and Kramer, M. A.: The simultaneous solution and sensi-
tivity analysis of systems described by ordinary dierential equations.
ACM Trans. Math. Software, 14(1), 45-60 (1988).
148 BIBLIOGRAFA
[MAS] Mahal, A. S., Knauer, C. M., and Gregory, P. B.: Bleeding After Liver
Biopsy. West. J. med., 134, 11-14 ()1981.
[MSM] Mangia, A., Santoro, R., Minerva, N., Ricci, G., L., Carretta, V.,
Persico, M., Vinelli, F., Scotto, G., Bacca, D., Annese, M., Romano,
M., Zechini, F., Sogari, F., Spirito, F., and Andriulli, A.: Peginterferon
alfa-2b and Ribavirin for 12 vs. 24 Weeks in HCV Genotype 2 or 3.
N. Engl. J. Med., 352(25), 2609-2617 (2005).
[PE2] Neumann, A. U., Lam, N. P., Dahari, H., Gretch, D. R., Wiley, Th. E.,
Layden, Th. J., Perelson, A. S.: Hepatitis C Viral Dynamics in Vivo
and the Antiviral Ecacy of Interferon- Therapy. Science, 282, 103-
107 (1998).
[OHB] Olsson, R., Hagerstrand, I., Broom, U., Danielsson, ., Jarnerot, G.,
Loof, L., Prytz, H., Rydn, B-O, Wallerstedt, S.: Sampling variability
of percutaneous liver biopsy in primary sclerosing cholangitis. J. Clin.
pathol., 48, 933-935 (1995).
BIBLIOGRAFA 149
[OL2] Olvera Sotres, E.: Splines de Ajuste con Nodos Libres y un Mtodo
para Estimacin de Parmetros en Modelos Denidos por Ecuacio-
nes Diferenciales Ordinarias. Tesis de Maestra, Facultad de Ciencias,
UNAM (1986).
[PE5] Perelson, A. S.: Modelling viral and immune system dynamics. Nature
Reviews | Immunology, 2, 28-36 (2002).
[RLS] Ralston, M. L., Jennrich, R. I., Sampson, P. F. and Uno, F. K.: Fitting
models dened by dierential equations. U. of Waterloo: Gentleman J.
F., Proc. of Compt. Sei. and Stat., 12th Annual Symp. on the Interface
(1979).
[SHS] Sarrazin, C., Hendricks, D. A., Sedarati, F., and Zeuzem, S.: Assess-
ment, by Transcription-Mediated Amplication, of Virologic Response
in Patients with Chronic Hepatitis C Virus Treated with Peginterferon
2a. J. Clin. Microbiol., 39(8), 2850-2855 (2001).
[SHR] Sherlock, S.: Needle biopsy of the liver: A review. J. Clin. Path., 15,
291-304 (1962).
[TKH] Tikhonov, A. N. and Arsenin, V. Y.: Methods for the solution of ill-
posed problems [in Russian]. Moscow: Nauka (1986). English transla-
tion of the rst edition in: Solutions of ill-posed problems. Washington:
V. H. Winston & Sons, and New York-Toronto-London-Sydney: John
Wiley & Sons (1977).
[VAR] Varah, J. M.: A spline least squares method for numerical parameter
estimation in dierential equations. SIAM J. Sci. Stat. Comput., 3(1),
(1982).
[VLL] Vera de Len, L., Jurez, N. J. A., Daz, G. M., Mndez, N. J., Chirino,
S. R. A., Dehesa, V. M., Casillas, D. L., Rizo, R. M. T., Torres, I. R.,
Cano, D. C., Nava, E. J., Ramos, G. M., Hernndez, M. E., Wong, G.
S., Flix, T. M., Corona, L. M. C., Zrate, N. A. R., Rangel, J. M.,
Rodrguez, H. H., Gonzlez, O. V., Tirado, E. M. P., Villanueva, C.
M. A., Orta, F. R., Manteca, A. J. L., Vzquez A. I., Gonzlez, M. J.,
Razcn, H. O., Torres, L. P., Bazn, P. C.: Panorama epidemiolgico
y situacional de la hepatitis C en Mxico. Rev. Gastroenterol. Mx.,
70(1), 25-32 (2005).
[WTN] Watanabe, H., Saito, T., Shinzawa, H., Okumoto, K., Hattori, E.,
Adachi, T., Takeda, T., Sugahara, K., Ito, J., Saito, K., Togashi, H.,
Suzuki, R., Hayashi, M., Miyamura, T., Matsuura, Y., Kawata, S.:
Spontaneous elimination of serum hepatitis C virus (HCV) RNA in
chronic HCV Carriers: A population-based cohort study. J. Medical
Virology, 71, 56-61 (2003).
BIBLIOGRAFA 151
[WEF] White, E. F., Garfein, R. S., Brouwer, K. C., Lozada, R., Ramos, R.,
Firestone-Cruz, M., Prez, S. G., Magis-Rodrguez, C., Conde-Glez, C.
J., Strathdee, S. A.: Prevalence of hepatitis C virus and HIV infection
among injection drug users in two Mexican cities bordering the U. S.
Salud Pblica de Mxico, 49(3), 165-172 (2007).
[WDR] Wodarz, D.: Hepatitis C virus dynamics and pathology: the role
of CTL and antibody responses. J. General Virology, 84, 1743-1750
(2003).
[YAS] Yasui, K., Okanoue, T., Murakami, Y., Itoh, Y., Minami, M.,
Sakamoto, S., Sakamoto, M., Nishioji, K.: Dynamics of hepatitis C
viremia following Interferon- Administration. J. of Infection Disea-
ses, 177, 1475-1479 (1998).