- ES Español (Latinoamérica)

- EN English

4.7. Modelado y Simulación Matemática (MMS)
Esta área cubre las herramientas matemáticas para describir y simular fenómenos del mundo real, abarcando ecuaciones diferenciales ordinarias y parciales, sistemas dinámicos, métodos de perturbación, dinámica de fluidos, teoría de control y modelado basado en agentes.
| Área de Conocimiento (KA) | Core Tier1 | Core Tier2 |
4.7.1 Ecuaciones Diferenciales Ordinarias de Primer Orden | 1 | 1 |
4.7.2 Ecuaciones Diferenciales de Orden Superior y Sistemas | 1 | 1 |
4.7.3 Ecuaciones en Derivadas Parciales | 1 | 1 |
4.7.4 Sistemas Dinámicos y Caos | 1 | 1 |
4.7.5 Análisis Asintótico y Métodos de Perturbación | 1 | 1 |
4.7.6 Dinámica de Fluidos Matemática | Electivo | |
4.7.7 Teoría de Control Matemático | 1 | 1 |
4.7.8 Ecuaciones Diferenciales Estocásticas | 1 | 1 |
4.7.9 Modelado Basado en Agentes y Sistemas Complejos | Electivo | |
4.7.1. MMS/Ecuaciones Diferenciales Ordinarias de Primer Orden (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Métodos de solución, aplicaciones y análisis cualitativo de ecuaciones diferenciales ordinarias de primer orden: técnicas de solución exacta, modelado de fenómenos físicos y comportamiento cualitativo de soluciones.
Temas:
Core
- EDOs de primer orden: separables, lineales, ecuaciones exactas y factores integrantes
- Aplicaciones y modelado con EDOs de primer orden: crecimiento y decaimiento, problemas de mezcla, ley de enfriamiento de Newton y ley de Torricelli
- Análisis cualitativo de EDOs autónomas de primer orden: campos de direcciones, soluciones de equilibrio y estabilidad
Aprendizaje esperado (Learning Outcomes):
Core:
- Clasificar EDOs de primer orden y seleccionar el método de solución apropiado (separación de variables, ecuación lineal, ecuación exacta o factor integrante) [Familiarizarse]
- Formular y resolver modelos de primer orden para crecimiento y decaimiento, problemas de mezcla, la ley de enfriamiento de Newton y la ley de Torricelli [Usar]
- Analizar cualitativamente EDOs autónomas de primer orden mediante campos de direcciones, e identificar puntos de equilibrio y su estabilidad [Evaluar]
4.7.2. MMS/Ecuaciones Diferenciales de Orden Superior y Sistemas (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Teoría y métodos de solución para EDOs de orden superior y sistemas lineales: ecuaciones características, sistemas de valores propios, teoremas de existencia y unicidad, y métodos de transformada de Laplace.
Temas:
Core
- EDOs lineales de orden superior: ecuaciones características, variación de parámetros y coeficientes indeterminados
- Sistemas de EDOs lineales: exponencial de matriz, métodos de valores propios y retratos de fase
- Teoremas de existencia y unicidad (Picard-Lindelöf) y continuación de soluciones
- Métodos de transformada de Laplace para resolver EDOs con forzamiento discontinuo
Aprendizaje esperado (Learning Outcomes):
Core:
- Enunciar el teorema de existencia y unicidad de Picard-Lindelöf e interpretar sus implicancias para la continuación de soluciones de una EDO de orden superior [Familiarizarse]
- Resolver sistemas lineales de EDOs usando métodos de valores propios y esbozar sus retratos de fase [Usar]
- Aplicar la transformada de Laplace para resolver EDOs con funciones de forzamiento a trozos e impulsivas [Evaluar]
4.7.3. MMS/Ecuaciones en Derivadas Parciales (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Clasificación y solución de EDPs: ecuaciones de calor, onda y Laplace; características; métodos de Fourier; y soluciones débiles.
Temas:
Core
- Clasificación de EDPs lineales de segundo orden: elípticas, parabólicas e hiperbólicas
- Series de Fourier y separación de variables para las ecuaciones de calor y onda
- Funciones de Green para las ecuaciones de Laplace y Poisson
- Método de características para EDPs de primer orden e hiperbólicas; formación de choques
- Soluciones débiles, espacios de Sobolev y formulaciones variacionales de problemas elípticos
Aprendizaje esperado (Learning Outcomes):
Core:
- Clasificar una EDP de segundo orden e identificar la estrategia de solución apropiada [Familiarizarse]
- Aplicar separación de variables y series de Fourier para resolver problemas de valor inicial y de frontera [Usar]
- Derivar formulaciones débiles de EDPs elípticas y demostrar la existencia de soluciones usando el teorema de Lax-Milgram [Evaluar]
4.7.4. MMS/Sistemas Dinámicos y Caos (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Análisis del plano de fase, estabilidad, bifurcaciones, ciclos límite, atractores extraños y caos en sistemas continuos y discretos.
Temas:
Core
- Retratos de fase de sistemas 2D: equilibrios, estabilidad y ciclos límite
- Teoría de estabilidad de Lyapunov y teorema de linealización (Hartman-Grobman)
- Teoría de bifurcaciones: silla-nodo, pitchfork, Hopf y bifurcaciones globales
- Caos: sistema de Lorenz, sensibilidad a condiciones iniciales y exponentes de Lyapunov
- Mapas en tiempo discreto: puntos fijos, duplicación de período y mapa logístico
Aprendizaje esperado (Learning Outcomes):
Core:
- Esbozar retratos de fase de sistemas autónomos 2D y clasificar equilibrios por estabilidad [Familiarizarse]
- Aplicar el método de Lyapunov y el teorema de Hartman-Grobman para evaluar la estabilidad de equilibrios [Usar]
- Identificar tipos de bifurcación en sistemas parametrizados y rastrear la evolución de conjuntos invariantes [Evaluar]
4.7.5. MMS/Análisis Asintótico y Métodos de Perturbación (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Expansiones asintóticas, teoría de perturbación regular y singular, capas límite y múltiples escalas.
Temas:
Core
- Expansiones asintóticas y símbolos de orden de Landau (\(O\), \(o\), \(\sim\))
- Teoría de perturbación regular para ecuaciones algebraicas y EDOs
- Teoría de perturbación singular y expansiones asintóticas acopladas (capas límite)
- Método de múltiples escalas y aproximación WKB
- Método de Laplace y fase estacionaria para evaluación asintótica de integrales
Aprendizaje esperado (Learning Outcomes):
Core:
- Construir una expansión de perturbación regular para una EDO con un parámetro pequeño [Familiarizarse]
- Aplicar expansiones asintóticas acopladas para resolver problemas de perturbación singular con capas límite [Usar]
- Usar el método de múltiples escalas para analizar oscilaciones de variación lenta y términos seculares [Evaluar]
4.7.6. MMS/Dinámica de Fluidos Matemática ↑ Volver arriba
Mecánica del continuo, ecuaciones de Euler y Navier-Stokes, vorticidad, flujo potencial y modelado de turbulencia.
Temas:
Non Core
- Hipótesis del continuo, derivada material y teorema del transporte de Reynolds
- Ecuaciones de Euler para flujo no viscoso: forma conservativa, vorticidad y flujo potencial
- Ecuaciones de Navier-Stokes: deducción, soluciones exactas y análisis dimensional
- Teoría de la capa límite: ecuaciones de Prandtl y solución de Blasius
- Turbulencia: promediado de Reynolds, modelo \(k\)-\(\varepsilon\) y simulación numérica directa
Aprendizaje esperado (Learning Outcomes):
NonCore:
- Derivar las ecuaciones de Navier-Stokes a partir de principios de conservación e identificar el significado físico de cada término [Familiarizarse]
- Analizar flujos no viscosos usando las ecuaciones de Euler y aplicar el principio de Bernoulli [Usar]
- Aplicar la teoría de la capa límite para estimar el arrastre sobre una placa plana y comparar con la solución de Blasius [Evaluar]
4.7.7. MMS/Teoría de Control Matemático (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Modelos de espacio de estados, controlabilidad y observabilidad, diseño de realimentación, estabilidad (Lyapunov) y control óptimo.
Temas:
Core
- Representación en espacio de estados de sistemas lineales: funciones de transferencia y realizaciones
- Controlabilidad y observabilidad: condiciones de rango y descomposición de Kalman
- Estabilización por realimentación: asignación de polos, diseño LQR y principio de separación
- Estabilidad de Lyapunov para sistemas no lineales y estabilidad entrada-salida
- Control óptimo: Principio de Máximo de Pontryagin y ecuación de Hamilton-Jacobi-Bellman
Aprendizaje esperado (Learning Outcomes):
Core:
- Determinar la controlabilidad y observabilidad de un sistema lineal a partir de sus matrices de espacio de estados [Familiarizarse]
- Diseñar un controlador por realimentación de estados mediante asignación de polos u optimización LQR [Usar]
- Aplicar el Principio de Máximo de Pontryagin para resolver un problema básico de control óptimo [Evaluar]
4.7.8. MMS/Ecuaciones Diferenciales Estocásticas (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Cálculo de Itô, EDEs impulsadas por movimiento browniano, ecuación de Fokker-Planck y simulación numérica de EDEs.
Temas:
Core
- Integral de Itô, variación cuadrática y fórmula de Itô
- Existencia y unicidad de soluciones de EDEs bajo condiciones de Lipschitz
- Ecuación de Fokker-Planck: deducción y conexión con EDEs
- Fórmula de Feynman-Kac y conexiones con EDPs parabólicas
- Esquemas de Euler-Maruyama y Milstein para simulación numérica de EDEs
Aprendizaje esperado (Learning Outcomes):
Core:
- Enunciar la fórmula de Itô y aplicarla para calcular la diferencial de una función de un proceso estocástico [Familiarizarse]
- Derivar la ecuación de Fokker-Planck a partir de una EDE dada e interpretarla como un flujo de probabilidad [Usar]
- Implementar el esquema de Euler-Maruyama para simular trayectorias de una ecuación diferencial estocástica [Evaluar]
4.7.9. MMS/Modelado Basado en Agentes y Sistemas Complejos ↑ Volver arriba
Modelado basado en agentes, emergencia, modelos de redes, sistemas adaptativos complejos y metodología de simulación.
Temas:
Non Core
- Modelos basados en agentes (ABMs): principios de diseño, reglas y emergencia de comportamiento a nivel macro
- Modelos de redes complejas: Erdős-Rényi, Barabási-Albert y redes de mundo pequeño
- Autómatas celulares: Juego de la Vida de Conway, métodos de lattice Boltzmann y universalidad
- Dinámica de sistemas: modelos de stock-flujo y bucles de realimentación (Forrester)
- Metodología de simulación: calibración, análisis de sensibilidad y validación de modelos
Aprendizaje esperado (Learning Outcomes):
NonCore:
- Describir los principios del modelado basado en agentes y explicar cómo los patrones a nivel macro emergen de reglas locales [Familiarizarse]
- Construir un modelo basado en agentes de un sistema social o biológico y analizar su comportamiento emergente [Usar]
- Validar un modelo de simulación mediante análisis de sensibilidad y comparación con datos empíricos [Evaluar]