Módulo/Materia
- Materia de Nivel 1: Optatividad
- Materia de Nivel 2: Optatividad
Subir
Descripción/Contenidos
Aplicaciones en industria: uso de la Ciencia de Datos en procesos de simulación, prediccio¿n y modelización en diferentes procesos industriales.
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
- CB5- Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
Subir
Competencias específicas
- 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.
- CG5- Identificar las soluciones más adecuadas y efectivas para los problemas que se planteen el marco de la Ciencia de Datos, teniendo en cuenta tanto las características propias del problema como el entorno del mismo.
- CE7- Analizar, validar e interpretar modelos matemáticos de situaciones reales, utilizando las herramientas del cálculo diferencial e integral en varias variables, variable compleja, transformadas integrales y métodos numéricos para resolverlos.
- CE13- Utilizar los fundamentos teóricos para el desarrollo de modelos de simulación con aplicaciones en industria y epidemiología.
- CE19- Poder evaluar la complejidad computacional de un problema, e identificar estrategias algorítmicas que puedan conducir a su resolución.
Subir
Resultados aprendizaje
- RA 1. Tener un conocimiento más amplio y profundo sobre aspectos específicos del ámbito de la ciencia de datos.
Este RA se materializa en los siguientes items:
- Formular modelos que describen el comportamiento de fenómenos físico-químicos y biológicos de diversa índole.
- Conocer y aplicar las técnicas computacionales existentes para la simulación de los modelos propuestos.
- Determinar las ventajas y limitaciones que presenta cada uno de los métodos utilizados en la resolución de los modelos.
- Interpretar los resultados obtenidos en casos prácticos de simulación.
- Manejar un entorno de programación (Python, MATLAB) que permita implementar las técnicas estudiadas y visualizar los resultados obtenidos mediante representaciones gráficas y animaciones.
Subir
Metodología
Metodología-Actividad |
Horas presenciales |
Horas no presenciales |
A1- Clases expositivas/participativas |
14 |
|
A2- Prácticas |
14 |
|
A3- Actividades de aprendizaje cooperativo |
|
|
A4- Realización de trabajos/proyectos en grupo |
|
13.5 |
A5- Estudio y trabajo autónomo del estudiante |
|
30 |
A6- Tutorías |
|
1.5 |
A7- Pruebas de evaluación |
2 |
|
Total |
30 |
45 |
Subir
Evaluación
Resultados de aprendizaje |
Sistema de evaluación |
Peso (%) |
Carácter recuperable |
RA1 |
Registro del profesor de la asistencia y participación activa |
5 |
No recuperable |
RA1 |
Realización individual de pruebas escritas sobre los contenidos tratados en las sesiones prácticas |
50. Calificación mínima para ponderar en la nota final: 5/10 |
Recuperable mediante la realización de una prueba escrita en el período de evaluación de recuperación |
RA1 |
Elaboración de un trabajo individual o en grupo sobre uno de los casos prácticos propuestos |
30. Calificación mínima para ponderar en la nota final: 5/10 |
Recuperable mediante la entrega del trabajo corregido según las indicaciones del profesor |
RA1 |
Presentación oral del trabajo |
15 |
No recuperable |
Subir
Temario
En esta asignatura, se presentan modelos que gobiernan sistemas biológicos de diversa naturaleza y se describen algunas técnicas computacionales para su simulación. Mediante el uso de dichas técnicas, es posible predecir el comportamiento de fenómenos provenientes de campos tales como la ecología de poblaciones, la epidemiología, la cinética enzimática, la formación de biofilms, la transmisión neuronal, el crecimiento tumoral, la formación de patrones en mamíferos y moluscos, la diferenciación celular, la filotaxis en plantas...
- 1. Introducción.
- 1.1. Fundamentos de modelización y simulación.
- 1.2. Fases de la modelización: del proceso biológico al modelo computacional.
- 2. Modelos biológicos de reacción.
- 2.1. Modelos depredador-presa. Dinámica de poblaciones en ecosistemas.
- 2.2. Modelos epidemiológicos. Dinámica de las enfermedades infecciosas.
- 2.3. Modelos de cinética enzimática. Autocatálisis: sistemas activador-inhibidor.
- 2.4. Técnicas de simulación: métodos de integración en tiempo.
- 3. Modelos biológicos de difusión.
- 3.1. Modelos de difusión a través de membranas celulares. Conservación de masa. Leyes de Fick.
- 3.2. Modelos de biofilms. Difusión dependiente de la densidad.
- 3.3. Técnicas de simulación: métodos de diferencias finitas en espacio.
- 4. Modelos biológicos de reacción-difusión.
- 4.1. Modelos de reacción-difusión. Aplicaciones: transmisión neuronal, crecimiento tumoral, formación de patrones en mamíferos y moluscos, diferenciación celular, filotaxis en plantas...
- 4.2. Técnicas de simulación: método de líneas.
Subir
Programa de prácticas experimentales
- 1. Introducción al entorno de programación. Entrada y salida de datos. Representaciones gráficas y animaciones.
- 2. Proyecto 1: simulación de modelos biológicos de reacción. Métodos de integración en tiempo. Aplicaciones.
- 3. Proyecto 2: simulación de modelos biológicos de difusión. Métodos de diferencias finitas en espacio. Aplicaciones.
- 4. Proyecto 3: simulación de modelos biológicos de reacción-difusión. Método de líneas. Aplicaciones.
Subir
Bibliografía
Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.
La bibliografía básica de la asignatura es la siguiente:
- 1. R.J. LeVeque. Finite Difference Methods for Ordinary and Partial Differential Equations: Steady-State and Time-Dependent Problems. SIAM, 2007.
- 2. J.D. Murray. Mathematical Biology. I: An Introduction. 3ª ed., Springer-Verlag, 2002.
- 3. J.D. Murray. Mathematical Biology. II: Spatial Models and Biomedical Applications. 3ª ed., Springer-Verlag, 2003.
La bibliografía complementaria de la asignatura es la siguiente:
- 1. H. Meinhardt. The Algorithmic Beauty of Sea Shells. 3ª ed., Springer-Verlag, 2003.
- 2. J. Müller, C. Kuttler. Methods and Models in Mathematical Biology. Deterministic and Stochastic Approaches. Springer-Verlag, 2015.
- 3. G. de Vries, T. Hillen, M. Lewis, J. Müller, B. Schönfisch. A Course in Mathematical Biology. Quantitative Modeling with Mathematical and Computational Methods. SIAM, 2006.
Subir
Idiomas
Castellano.
Subir
Lugar de impartición
Campus Arrosadía, Universidad Pública de Navarra.
Subir