7.41. Modelado Matemático (Obligatorio)

7.41. Modelado Matemático (Obligatorio)

Figura 7.41: Mapa de Conexión. MA361 Modelado Matemático

7.41.1. Justificación ↑ Volver arriba

Este curso introduce los principios fundamentales del modelado matemático para representar, analizar y predecir el comportamiento de sistemas en diversas áreas como ciencias, ingeniería y negocios. Se enfatiza la formulación de modelos a partir de problemas reales, su resolución mediante herramientas matemáticas y computacionales, y la interpretación crítica de los resultados. El curso desarrolla la capacidad de abstracción y la aplicación de matemáticas avanzadas para resolver problemas complejos del mundo real.

7.41.2. Objetivos Generales ↑ Volver arriba

  1. Comprender los principios fundamentales y las etapas del proceso de modelado matemático.
  2. Formular modelos matemáticos a partir de problemas concretos en diferentes contextos científicos y tecnológicos.
  3. Aplicar métodos analíticos y numéricos para resolver los modelos planteados.
  4. Interpretar críticamente los resultados de las simulaciones y validar los modelos con datos reales.
  5. Desarrollar habilidades para comunicar efectivamente los modelos y sus conclusiones.

7.41.3. Contribución a los resultados (Outcomes) ↑ Volver arriba

ABET-1) Habilidad para identificar, formular y resolver problemas técnicos o científicos ampliamente definidos mediante la aplicación de conocimientos de matemáticas y ciencias y/o temas técnicos en áreas relevantes para la disciplina. (Usage)
ABET-3) Habilidad para desarrollar y llevar a cabo experimentos o probar hipótesis, analizar e interpretar datos y utilizar el juicio científico para obtener conclusiones. (Usage)

7.41.4. Contenido ↑ Volver arriba

7.41.4.1. Formulación de Modelos Matemáticos (16 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba

Referencias Bibliográficas: (Giordano et al., 2013; Lin and Segel, 2009)

Temas

  1. Proceso y ciclo de modelado
  2. Modelos continuos vs. discretos
  3. Modelos deterministas vs. estocásticos
  4. Identificación de supuestos y técnicas de simplificación
  5. Análisis dimensional y escalado

Aprendizaje esperado (Learning Outcomes)

  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]
7.41.4.2. Simulación de Sistemas Continuos (16 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba

Referencias Bibliográficas: (Braun et al., 2013; Giordano et al., 2013)

Temas

  1. Modelos de Ecuaciones Diferenciales Ordinarias (EDOs)
  2. Modelos de Ecuaciones Diferenciales Parciales (EDPs)
  3. Métodos de diferencias finitas para EDPs
  4. Selección e implementación de solucionadores
  5. Sistemas stiff y métodos adaptativos

Aprendizaje esperado (Learning Outcomes)

  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]
7.41.4.3. Simulación de Sistemas Discretos (16 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba

Referencias Bibliográficas: (Giordano et al., 2013; Meerschaert, 2013)

Temas

  1. Teoría de colas y modelos
  2. Autómatas celulares y modelos basados en agentes
  3. Métodos de simulación Monte Carlo
  4. Cadenas y procesos de Markov
  5. Simulación de eventos discretos

Aprendizaje esperado (Learning Outcomes)

  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]
7.41.4.4. Análisis de Sensibilidad y Robustez (16 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba

Referencias Bibliográficas: (Banks et al., 2010; Giordano et al., 2013)

Temas

  1. Análisis de sensibilidad local (derivadas parciales)
  2. Análisis de sensibilidad global (índices de Sobol)
  3. Método de Morris y técnicas de screening
  4. Análisis de robustez y escenarios del peor caso
  5. Propagación de incertidumbre

Aprendizaje esperado (Learning Outcomes)

  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]
7.41.4.5. Validación y Verificación de Modelos (16 horas) [Habilidades ABET-1,ABET-3] ↑ Volver arriba

Referencias Bibliográficas: (Giordano et al., 2013; Lin and Segel, 2009; Meerschaert, 2013)

Temas

  1. Verificación: corrección del código numérico
  2. Validación: comparación con datos experimentales
  3. Cuantificación de Incertidumbre (UQ) en modelos
  4. Calibración de modelos y estimación de parámetros
  5. Pruebas y métricas de bondad de ajuste

Aprendizaje esperado (Learning Outcomes)

  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]

7.41.5. Referencias Bibliográficas ↑ Volver arriba

Giordano, F. R., Fox, W. P., and Horton, S. B. (2013). A First Course in Mathematical Modeling. Cengage Learning, 5th edition.

Lin, C. C. and Segel, L. A. (2009). Mathematics Applied to Deterministic Problems in the Natural Sciences. Society for Industrial and Applied Mathematics, 1st edition.

Braun, M., Coleman, C. S., and Drew, D. A. (2013). Differential Equation Models. Springer, 1st edition.

Meerschaert, M. M. (2013). Mathematical Modeling. Academic Press, 4th edition.

Banks, J., II, J. S. C., Nelson, B. L., and Nicol, D. M. (2010). Discrete-Event System Simulation. Prentice Hall, 5th edition.

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

Escanea para abrir en tu teléfono