2.2. Modelado Matemático y Simulación (MMS)

2.2. Modelado Matemático y Simulación (MMS)

Esta área se enfoca en el proceso de crear, analizar y validar modelos matemáticos para representar sistemas del mundo real. Cubre tanto paradigmas de modelado continuo como discreto, así como enfoques deterministas y estocásticos. Los estudiantes aprenden a formular modelos, implementar simulaciones y evaluar críticamente los resultados mediante análisis de sensibilidad y cuantificación de incertidumbre. Este conocimiento es esencial para aplicar matemáticas computacionales a problemas complejos en ciencia, ingeniería y otros dominios.

Tabla 2.2: Lista de KUs del área de Modelado Matemático y Simulación.

2.2.1. MMS/Formulación de Modelos Matemáticos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Proceso y ciclo de modelado
  • Modelos continuos vs. discretos
  • Modelos deterministas vs. estocásticos
  • Identificación de supuestos y técnicas de simplificación
  • Análisis dimensional y escalado

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Describir el ciclo completo de modelado desde la definición del problema hasta la interpretación de la solución [Familiarizarse]
  2. Clasificar modelos como continuos/discretos y deterministas/estocásticos [Evaluar]
  3. Identificar y justificar supuestos apropiados para simplificación de modelos [Evaluar]
  4. Aplicar análisis dimensional para reducir la complejidad de modelos físicos [Usar]

2.2.2. MMS/Simulación de Sistemas Discretos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Teoría de colas y modelos
  • Autómatas celulares y modelos basados en agentes
  • Métodos de simulación Monte Carlo
  • Cadenas y procesos de Markov
  • Simulación de eventos discretos

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Formular y analizar modelos simples de colas [Usar]
  2. Implementar autómatas celulares y simulaciones basadas en agentes [Usar]
  3. Aplicar métodos Monte Carlo para simulación probabilística [Usar]
  4. Analizar cadenas de Markov para transiciones de estado y comportamiento en estado estacionario [Evaluar]
  5. Diseñar simulaciones de eventos discretos para análisis de sistemas [Usar]

2.2.3. MMS/Simulación de Sistemas Continuos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Modelos de Ecuaciones Diferenciales Ordinarias (EDOs)
  • Modelos de Ecuaciones Diferenciales Parciales (EDPs)
  • Métodos de diferencias finitas para EDPs
  • Selección e implementación de solucionadores
  • Sistemas stiff y métodos adaptativos

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Formular modelos de EDOs y EDPs para sistemas físicos [Usar]
  2. Implementar métodos de diferencias finitas para EDPs simples [Usar]
  3. Seleccionar solucionadores numéricos apropiados para diferentes tipos de EDOs/EDPs [Evaluar]
  4. Manejar sistemas stiff usando métodos numéricos apropiados [Usar]

2.2.4. MMS/Análisis de Sensibilidad y Robustez  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Análisis de sensibilidad local (derivadas parciales)
  • Análisis de sensibilidad global (índices de Sobol)
  • Método de Morris y técnicas de screening
  • Análisis de robustez y escenarios del peor caso
  • Propagación de incertidumbre

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Realizar análisis de sensibilidad local usando métodos basados en derivadas [Usar]
  2. Aplicar técnicas de análisis de sensibilidad global (ej., índices de Sobol) [Usar]
  3. Usar el método de Morris para screening de factores [Usar]
  4. Evaluar la robustez del modelo bajo variaciones de parámetros [Evaluar]
  5. Cuantificar la propagación de incertidumbre a través de modelos [Evaluar]

2.2.5. MMS/Validación y Verificación de Modelos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Verificación: corrección del código numérico
  • Validación: comparación con datos experimentales
  • Cuantificación de Incertidumbre (UQ) en modelos
  • Calibración de modelos y estimación de parámetros
  • Pruebas y métricas de bondad de ajuste

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Distinguir entre verificación y validación en modelado [Familiarizarse]
  2. Aplicar técnicas de verificación para garantizar la corrección del código [Usar]
  3. Validar modelos usando datos experimentales y pruebas estadísticas [Usar]
  4. Calibrar parámetros del modelo usando técnicas de optimización [Usar]
  5. Aplicar métodos de cuantificación de incertidumbre para evaluar la confiabilidad del modelo [Usar]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono