Universidad Pública de Navarra



Año Académico: 2023/2024 | Otros años:  2022/2023 
Graduado o Graduada en Ciencia de Datos por la Universidad Pública de Navarra
Código: 505416 Asignatura: EVALUACIÓN DE MODELOS MATEMÁTICOS DE SIMULACIÓN
Créditos: 3 Tipo: Optativa Curso: 4 Periodo: 2º S
Departamento: Ingeniería
Profesorado:
CASALI SARASIBAR, FRANCISCO JAVIER   [Tutorías ] CAMPO BESCOS, MIGUEL ÁNGEL (Resp)   [Tutorías ]
BARBERENA RUIZ, IÑIGO   [Tutorías ]

Partes de este texto:

 

Módulo/Materia

  • Materia Nivel 1: Optatividad
  • Materia Nivel 2: Optatividad

Subir

Descripción/Contenidos

Conceptos básicos de modelización de sistemas complejos. Evaluación de modelos matemáticos de simulación. Análisis de sensibilidad global y de incertidumbre de modelos. Parametrización de modelos. Postprocesado de los resultados. Simulación en clúster de computación.

Subir

Competencias genéricas

  • CB2- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
  • CB3- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
  • CB4- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado

Subir

Competencias específicas

  • CG1- Aplicar la capacidad analítica y de abstracción, la intuición y el pensamiento lógico adquiridos para identificar y analizar problemas complejos y buscar y formular soluciones en un entorno multidisciplinar.
  • CG2- Expresar, argumentar y razonar adecuadamente sobre los aspectos que son propios del grado, siendo capaces de plantear nuevas preguntas, integrarlas en el contexto adecuado y generar un avance en el conocimiento científico y profesional.
  • CG4- Colaborar en trabajos propios de la actividad investigadora e iniciar estudios de posgrado con orientación profesional o a la investigación.
  • CE3- Identificar las variables del medio físico de interés para los seres vivos, conociendo las variaciones de las mismas y su impacto en los ecosistemas y su funcionamiento.
  • CE4- Entender la estructura y dinámica de las poblaciones y las consecuencias de la alteración de los ecosistemas así como las posibles variables implicadas en la estabilidad de los mismos.
  • CE25- Capacidad para el tratamiento, análisis y presentación de datos experimentales mediante los procedimientos adecuados y las herramientas informáticas necesarias.

Subir

Resultados aprendizaje

  • RA1. Comprender los principios básicos de modelización matemática de sistemas naturales complejos.
  • RA2. Realizar análisis de sensibilidad de modelos matemáticos
  • RA3. Analizar la incertidumbre de modelos matemáticos

Subir

Metodología

Metodología-Actividad Horas presenciales Horas no presenciales
A1- Clases expositivas/participativas 13  
A2- Prácticas 13  
A3- Realización de trabajos/proyectos en grupo 2 13
A4- Estudio y trabajo autónomo del estudiante   30
A5- Tutorías   2
A6- Pruebas de evaluación 2  
Total 30 45

Subir

Idiomas

Castellano.

Subir

Evaluación

 

Resultados de
aprendizaje		 Actividad de
evaluación		 Peso (%) Carácter
recuperable		 Nota mínima
requerida
RA1, RA2, RA3 Trabajos e informes 40% Recuperable mediante la entrega del informe corregido según las indicaciones del profesor  
RA1, RA2, RA3 Exposición oral 10% Sí  
RA1, RA2, RA3 Prueba escrita. 50% Recuperable mediante prueba escrita Para aprobar la asignatura es necesaria una calificación final mayor o igual que 5/10

 

 

Subir

Temario

  • Tema 1. Introducción a sistemas complejos. Modelos matemáticos.
  • Tema 2. Análisis de sensibilidad local. Análisis de sensibilidad global y de incertidumbre de modelos, método de Sobol y Morris.
  • Tema 3. Simulación en clúster de computación. Herramientas de scripting: preprocesado y postprocesado.
  • Tema 4. Técnicas rápidas de visualización de resultados.


(*) Nota: no se diferencia entre temario teórico y práctico ya que toda la docencia se impartirá en un aula de informática, aplicándose con casos prácticos los algoritmos explicados en cada tema.

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


  • Bolker B., 2008. Ecological Models and Data in R. Princeton University Press. ISBN: 0691125228
  • Saltelli A., S. Tarantola, F. Campolongo and M. Ratto, 2004. Sensitivity analysis in practice. A Guide to Assessing Scientific Models. John Wiley & Sons Ltd. Chichester, UK. 219 p. ISBN: 9780470870938
  • Saltelli A., M. Ratto, F. Campolongo, J. Cariboni, D. Gatelli, M. Saisana and S. Tarantola, 2008. Global Sensitivity Analysis. The Primer. John Wiley & Sons Ltd. Chichester, UK. 292 p.
  • Saltelli A., M. Ratto, S. Tarantola and F. Campolongo, 2005. Sensitivity Analysis for Chemical Models. Chem. Rev. 105, 7, 2811-282.
  • Healy K., 2018. Data Visualization: A Practical Introduction. Princeton University Press. 292 p. ISBN: 0691181616

Subir

Lugar de impartición

Aula de informática, los casos prácticos se desarrollarán en la misma aula de informática

Subir