- ES Español (Latinoamérica)

- EN English

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.
| Área de Conocimiento (KA) | Core Tier1 | Core Tier2 |
2.2.1 Formulación de Modelos Matemáticos | 1 | 1 |
2.2.2 Simulación de Sistemas Discretos | 1 | 1 |
2.2.3 Simulación de Sistemas Continuos | 1 | 1 |
2.2.4 Análisis de Sensibilidad y Robustez | 1 | 1 |
2.2.5 Validación y Verificación de Modelos | 1 | 1 |
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:
- Describir el ciclo completo de modelado desde la definición del problema hasta la interpretación de la solución [Familiarizarse]
- Clasificar modelos como continuos/discretos y deterministas/estocásticos [Evaluar]
- Identificar y justificar supuestos apropiados para simplificación de modelos [Evaluar]
- 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:
- Formular y analizar modelos simples de colas [Usar]
- Implementar autómatas celulares y simulaciones basadas en agentes [Usar]
- Aplicar métodos Monte Carlo para simulación probabilística [Usar]
- Analizar cadenas de Markov para transiciones de estado y comportamiento en estado estacionario [Evaluar]
- 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:
- Formular modelos de EDOs y EDPs para sistemas físicos [Usar]
- Implementar métodos de diferencias finitas para EDPs simples [Usar]
- Seleccionar solucionadores numéricos apropiados para diferentes tipos de EDOs/EDPs [Evaluar]
- 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:
- Realizar análisis de sensibilidad local usando métodos basados en derivadas [Usar]
- Aplicar técnicas de análisis de sensibilidad global (ej., índices de Sobol) [Usar]
- Usar el método de Morris para screening de factores [Usar]
- Evaluar la robustez del modelo bajo variaciones de parámetros [Evaluar]
- 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:
- Distinguir entre verificación y validación en modelado [Familiarizarse]
- Aplicar técnicas de verificación para garantizar la corrección del código [Usar]
- Validar modelos usando datos experimentales y pruebas estadísticas [Usar]
- Calibrar parámetros del modelo usando técnicas de optimización [Usar]
- Aplicar métodos de cuantificación de incertidumbre para evaluar la confiabilidad del modelo [Usar]