Titulación | Tipo | Curso |
---|---|---|
Matemática Computacional y Analítica de Datos | OB | 3 |
Puede consultar esta información al final del documento.
Es necesario tener los conocimientos de cálculo, probabilidad y álgebra linear de primero y saber programar en Python. Se recomienda haber cursado las asignaturas de Ecuaciones Diferenciales Ordinarias y Optimización (de segundo curso) y Ecuaciones con Derivadas Parciales (de tercer curso).
Uno de los objetivos del análisis de datos es tratar de describir el mundo real y predecir su comportamiento.
Esto conlleva una tarea de modelización que incluye aspectos como el análisis del problema, la adopción de hipótesis simplificadoras, la comparación de resultados del modelo con hechos empíricos, el refinamiento progresivo del modelo y la simulación de los componentes del sistema modelado.
El objetivo general de la asignatura es que los y las alumnas adquieran la habilidad de formular modelos adecuados a las necesidades del problema real y que puedan analizarlos formalmente o computacionalmente según convenga.
Modelización y Simulación es una asignatura con una importante componente práctica, situándose como nexo que entre las matemáticas y el mundo real y que pretende vincularlos en ambas direcciones.
El ciclo de la modelización matemática.
Análisis dimensional.
Modelización con ecuaciones diferenciales.
Análisis de errores.
Validación y verificación de modelos.
Procesos estocásticos.
Simulación de Eventos Discretos.
Introducción a las cadenas de Markov.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases de teoría | 20 | 0,8 | |
Tipo: Supervisadas | |||
Proyecto | 30 | 1,2 | |
Tipo: Autónomas | |||
Desarrollo del proyecto y estudio personal | 96 | 3,84 |
La docencia combinará teoría y el Aprendizaje Basado en Retos (ABR) mediante un proyecto que se realizará en equipo.
El problema del proyecto es diferente para cada equipo y deberá ser validado por el profesor. De forma opcional se puede elegir un proyecto de la oficina Aprenentatge Servei (ApS).
El proyecto lo desarrollará cada equipo con la máxima autonomía posible.
La realización del proyecto debe desembocar en una memoria final.
Además de entregarla en forma escrita, los resultados de esta memoria se presentarán en una exposición oral.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Examens | 45% | 2 | 0,08 | CM27, KM22, SM20, SM21, SM23 |
Memoria escrita y entregas | 30% | 0 | 0 | CM25, CM27, KM22, SM20, SM21, SM22, SM23 |
Presentaciónes oral | 25% | 2 | 0,08 | CM25, SM20, SM21 |
La evaluación de la asignatura se basará en:
Para aprobar la asignatura es necesario:
En caso de no superar el mínimo establecido en los exámenes, la nota del curso será la del examen suspendido por debajo de 4.0.
De cada uno de los exámenes habrá una segunda convocatoria ("recuperación" en la terminología oficial de la UAB). La asistencia a esta segunda convocatoria anulará automáticamente la nota de la primera. Dentro de la misma convocatoria, los exámenes de las diferentes partes pueden ser el mismo día. Esta asignatura no prevé el sistema de evaluación única.
Dado que la mayor parte del trabajo gira en torno a un proyecto que se desarrolla a lo largo de todo el curso, la evaluación tiene un carácter continuado, y su resultado final no es recuperable.
Aunque una buena parte del trabajo se hará en equipo, la evaluación tiene carácter individual. Si se considera necesario, se podrán hacer entrevistas individuales así como exámenes escritos sobre el proyecto.
Para la eventual asignación de Matrículas de Honor no se tendrán en cuenta las notas de la segunda convocatoria.
En esta asignatura se permite el uso de tecnologías de Inteligencia Artificial (IA) exclusivamente en tareas de apoyo, como la búsqueda bibliográfica o de información, la corrección de textos o las traducciones. El estudiante deberá identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas empleadas e incluir una reflexión crítica sobre cómo éstas han influido en el proceso y el resultado final de la actividad.
La no transparencia en el uso de la IA en las actividadades evaluables se considerará falta de honestidad académica que, al igual que la copia o plagio en las entregas o hacer cualquier tipo de trampa en un examen, conllevan el suspenso automático de la asignatura o sanciones mayores en casos de gravedad.
- Edwards, D. & Hamson, M. (2001) Guide to mathematical modelling. 2nd ed. Houndmills; Palgrave.
- Dym, C. L. (2004) Principles of mathematical modeling. 2nd ed. Amsterdam; Elsevier Academic Press.
- Olinick, M. (2014) Mathematical modeling in the social and life sciences. Hoboken, New Jersey; John Wiley & Sons.
- Giordano, F. R. et al. (2014) A first course in mathematical modeling. 5th ed. International ed. Australia; Brooks/Cole, Cengage Learning.
- Coleman, H. W. & Steele, W. G. (2018) Experimentation and uncertainty analysis for engineers. 4Th ed. Hoboken, NJ, USA; Wiley.
- Law, A. M. (2015) Simulation modeling and analysis. 5th ed. International edition. New York; Mcgraw-Hill.
- Kroese, D. P. et al. (2011) Handbook of Monte Carlo methods. Hoboken, N.J; Wiley.
Durante el curso se indicará el software necesario y, si fuese necesario, leas instrucciones necesarias para instalarlo.
La información proporcionada es provisional hasta el 30 de noviembre de 2025. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
Nombre | Grupo | Idioma | Semestre | Turno |
---|---|---|---|---|
(PLAB) Prácticas de laboratorio | 1 | Catalán | segundo cuatrimestre | manaña-mixto |
(SEM) Seminarios | 1 | Catalán | segundo cuatrimestre | manaña-mixto |
(TE) Teoría | 1 | Catalán | segundo cuatrimestre | manaña-mixto |