Universidad Pública de Navarra - Nafarroako Univertsitate Publikoa

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

Subir

Idiomas

Castellano.

Subir

Evaluación

Si en alguna de las actividades de evaluación no se cumpliera el mínimo para ponderar, la nota de la asignatura sería como máximo 4,9 sobre 10 (suspenso).

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 o 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.  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: método de diferencias finitas en espacio y método de líneas.

4.    Modelos biológicos de reacción-difusión

4.1.  Modelos de dispersión genética. La ecuación de Fisher.

4.2.  Sistemas de reacción-difusión. Modelos de transmisión neuronal, crecimiento tumoral, formación de patrones en mamíferos y moluscos, diferenciación celular, filotaxis en plantas.

Subir

Programa de prácticas experimentales

1. Introducción al entorno de programación. Entrada y salida de datos. Representaciones gráficas y animaciones.
2. Simulación de modelos biológicos de reacción. Modelo de Lotka-Volterra. Métodos de integración en tiempo.
3. Simulación de modelos biológicos de difusión. Modelo de difusión estacionario. Método de diferencias finitas en espacio. Modelo de difusión evolutivo. Método de líneas.
4. Simulación de modelos biológicos de reacción-difusión. La ecuación de Fisher. Modelos de formación de patrones.

Subir

Bibliografía

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

Bibliografía básica:

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.

Bibliografía complementaria:

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

Lugar de impartición

Campus Arrosadía, Universidad Pública de Navarra.

Subir