Modelización de Sistemas Biológicos. Modelización de Sistemas Biológicos (por Computadora) FIUNER
|
|
- Esteban Crespo Torregrosa
- hace 5 años
- Vistas:
Transcripción
1 Modelización de Sistemas Biológicos Modelización de Sistemas Biológicos (por Computadora) FIUNER
2 Objetivos Presentar las bases de la modelización. Comprender las etapas implicadas en el proceso de modelización. Aprender a modelizar sistemas biológicos de diferentes naturalezas. Analizar algunos ejemplos de modelos biológicos.
3 Por qué modelizar? El estudio científico teórico de una situación se centra generalmente en un modelo, que es algo que imita las características relevantes de la situación que se esta estudiando... Teorización ahorro de costos Fenómeno Características Imitar relevantes
4 Definición... Esquema teórico de un sistema o realidad compleja que se elabora para facilitar su comprensión y estudio... Lo que sirve de objeto de imitación..??? Sistema Esquema => Facilitar (Realidad compleja) (Teorico) Comprensión
5 Ejemplo: Modelos del átomo
6 Para que sirven? Entendimiento Predicción Control Estudiar o comprender el sistema real Riñón Concentración de orina Clearence de creatinina. Predecir su comportamiento Proyectar alguna modificación o intervención Probar cosas imposibles en el caso real Otras razones: Económicas: modelos de cinética química, paisajes energéticos Sociales: epidemiología
7 Para qué sirven? Predicción: Cantidad de escuelas y hospitales Evolución de una endemia o pandemia Comportamiento de un tejido excitable Nivel de expresión de determinados genes Meteorología Fenómenos sociales.
8 Control Para qué sirven?
9 Para qué sirven Proy. Final: Control del Suministro de Oxígeno en Neonatos Pretérmino
10 Limitación de la modelización Los experimentos controlados son aquellos en los que el entorno y las condiciones del sistema están bajo completo control del experimentador. El problema fundamental en el desarrollo de modelos biológicos, económicos ó sociales es la dificultad o imposibilidad de realizar experimentos controlados en grandes sistemas animados.
11 Modelos de fenómenos biológicos a ESCALA MICRO Modelización molecular Paisajes energéticos La generación del potencial de acción en una célula nerviosa Cómo se propaga la despolarización de un tejido Cómo actúa el Interferón β en la dinámica del Cáncer El juego de roles en el Sistema Inmunitario humano
12 Modelos de fenómenos biológicos a ESCALA MESO La respuesta de la pupila a un cambio instantáneo en la intensidad de luz La respuesta sistema cardiovascular frente a un cambio en la volemia El ajuste transitorio del balance energético del cuerpo durante una cirugía El control del nivel de glucosa en sangre mediado por la insulina
13 Ejemplo micro/meso: el sistema nervioso señales Modelo... Modelización Tejido nervioso sistema N y j ( t) f wij xi ( t) i1
14 Ejemplo sistema meso: el aparato fonador L y[ n] ai y[ n i] x[ n] i1
15 Modelos de fenómenos epidemiológicos y ambientales ESCALA MACRO Cómo se propaga la Gripe A en humanos Qué rol juegan barreras farmacológicas, mecánicas y culturales en la propagación del HIV/SIDA Cómo impacta la implantación o suplantación de una especie en un ecosistema Qué rol juegan los incendios forestales en bosques nativos Predic. meteorológica
16 Fenómenos Sociológicos La "dinámica de grupos" (comportamiento dinámico colectivo de conjuntos de individuos que realizan una tarea específica) está siendo estudiada cuantitativamente mediante modelos con resultados muy satisfactorios. Fenómenos: Complejos Emergentes Generativos
17 Fenómenos Económicos La respuesta de un sistema bancario a las fluctuaciones del mercado La respuesta de una industria a variaciones en la demanda de los consumidores La bolsa de valores
18 Dinámica Es el estudio de cómo los sistemas cambian con el tiempo y de las causas que fuerzan dichos cambios...
19 Simulación La siguiente definición fue dada por Shannon*: La Simulación es el proceso del diseño de un modelo de un sistema real y la realización de experimentos en ese modelo, con el propósito de comprender el comportamiento del sistema, ó bien de evaluar las distintas estrategias (dentro de los límites impuestos por un criterio ó conjunto de criterios) para la operación del sistema Obtener respuestas a situaciones aún no observadas en el sistema real mediante interacción con el modelo *Shannon RE. System Simulation. The Art and Science. Prentice-Hall, Englewood Cliffs, NY, 1975.
20 Modelos y simulación... El objetivo de un modelo es suministrar los medios necesarios para obtener información adicional sobre el comportamiento de un sistema La simulación ayuda en esa investigación al permitir una interacción con el modelo. N N 2 N 1 t
21 Modelos y simulación... No involucra necesariamente el uso de computadoras (ej: modelos a escala) Es importante tener claros los límites o alcances del modelo y el modelizador
22 Modelos y simulación... Problemas aplicados Aplicabilidad Precisión ReducirCostos Sistemas imposibles de describir con matemáticas tradicionales Alta no-linealidad Aleatoriedad Problemas teóricos Simplicidad Certeza conceptual Mejora del conocimiento
23 Simulación computacional... Recientemente se ha acuñado el término experimentación numérica para hacer referencia a la simulación computacional de experimentos complejos
24 Simulación computacional... Computadoras analógicas Supercomputadoras Computadoras personales FPGAs, Clusters, GPUs
25 Algo de historia... En 1931, durante su estancia en el MIT, Vannevar Bush inventó el analizador diferencial, un aparato para resolver rápida y automáticamente problemas matemáticos En la década de 1960, se lanza el Proyecto Apolo. La misión Hombre a la Luna fue el suceso Nº1 en la historia de la simulación basada en computadoras. Se simuló el equipo físico y los procedimientos operacionales usados en la misión.
26 Algo de historia... En la década del 70 los esfuerzos se concentraron en el desarrollo de modelos de políticas gubernamentales. La motivación para este esfuerzo fue el deseo de encaminar proyectos de desarrollo económico, social y del medio ambiente. Se desarrollaron así, técnicas para la modelización de sistemas grandes y complejos En la década del 90 la potencia de las computadoras personales ha acercado esta herramienta a más científicos y profesionales
27 Clasificación de modelos De acuerdo a su forma: Conceptuales Diagramáticos Físicos Formales (matemáticos), , , ) ( );,...,,, ( ) ( );,...,,, ( ) ( );,...,,, ( N N N N N N N q t q q q q t f dt dq q t q q q q t f dt dq q t q q q q t f dt dq
28 Clasificación de modelos De acuerdo a la estrategia de resolución del sistema Compartimentales Poblacionales Analogías Autómatas Determinísticos Probabilísticos»Agentes
29 Analogías Cuándo usar una determinada estrategia de modelización Es factible discernir claramente la existencia de elementos físicos concentrados e idealizados que disipan o almacenan energía (cinética o potencial). Existe un esquema físico sencillo del sistema a modelizar Siempre es factible y provechoso extrapolar la naturaleza del sistema a un sistema análogo para encontrar sus ecuaciones matem.
30 Cuándo usar una determinada estrategia de modelización Compartimental: El sistema puede ser subdividido en un conjunto acotado de subsistemas (variables endógenas) El Sistema es estable Existe una ley de cierre o conservación
31 Cuándo usar una determinada estrategia de modelización Poblacional Están en juego poblaciones o especies: a nivel micro (células, virus, bacterias...) a nivel macro (individuos, plantas, animales, etc.)
32 Cuándo usar una determinada Autómatas estrategia de modelización Sistema complejo conformado por subsistemas elementales iguales entre sí Subsistemas acoplados Subsistemas con un conjunto acotado de estados Subsistemas fijados a una matriz (el autómata celular)
33 Agentes Cuándo usar una determinada estrategia de modelización Sistema complejo conformado por subsistemas elementales parecidos entre sí Subsistemas acoplados Subsistemas con un conjunto acotado de estados o conformaciones o entropías Con pocos formalismos (pueden reproducirse, morirse, etc..) Se mueven en espacios acotados Pueden evolucionar Dislocados
34 Etapas de la modelización... Las etapas en el proceso de modelización dependen del medio físico involucrado, las dimensiones y complejidad del sistema, el tiempo disponible, etc. Como en todo intento de sistematizar un proceso complejo, el propuesto no es el único posible No existen recetas mágicas para la confección de un modelo
35 Etapas de la modelización... Para casos sencillos la delimitación entre etapas puede no ser clara (dos o más etapas juntas). Para sistemas complejos puede ser posible una subdivisión más fina. No obstante ello, cualquiera sea el sistema en estudio, el procedimiento para su modelización, incorporará de alguna forma cada una de las siguientes cinco etapas.
36 Etapas de la modelización... I. MODELO CONCEPTUAL: describir en lenguaje sencillo y general el sistema, conocimiento acerca del mismo, partes que abarca, leyes que lo rigen, técnica para su modelado, objetivos y alcances. II. MODELO FISICO: esquematizar el sistema a ser estudiado e imaginar un modelo físico simple, cuyo comportamiento sea suficientemente aproximado al del sistema real y esté de acuerdo con la etapa anterior.
37 Etapas de la modelización... III. IV. MODELO MATEMATICO: encontrar y escribir las ecuaciones o reglas que representan el modelo físico. COMPORTAMIENTO DINAMICO: estudiar el modelo matemático por resolución (o integración) de las ecuaciones. V. DECISIONES DE DISEÑO: elegir los parámetros del sistema, y/o aumentar o modificar la complejidad del sistema, de manera que se comporte como se desea ( como la realidad?).
38 Observación Se detallarán principalmente las etapas I, II y III porque: La etapa IV constituye la resolución de las ecuaciones por métodos clásicos o numéricos La etapa V depende de criterios del investigador y del problema en cuestión y pueden utilizarse técnicas de identificación paramétrica para resolver el problema de manera automática.
39 Modelo Conceptual En primer lugar deben definirse: Objetivos Alcances Limitaciones Restricciones
40 Modelo Conceptual Objetivos: qué se quiere obtener? Teórico Aplicado Entendim Predicc Ctrol y manejo Generaliz. Medición
41 Modelo Conceptual Alcance: cuán complicado se tolera el modelo Cantidad de variables Puntos de vista Linealidad Invariancia temporal Aleatoriedad Ergodicidad
42 Modelo Conceptual Limitaciones: inherentes al sistema de resolución: representación, precisión de la representación Restricciones: condicionantes impuestas por el entorno: accesibilidad a datos de la entrada presupuesto disponibilidad de tiempo de máquina
43 Modelo conceptual... Primera descripción documentada de nuestro problema, delimitación del ámbito; definición de variables de entradas, salidas y parámetros. Sentido común, deducción lógica e intuición, conocimiento del investigador acerca del problema, experiencia práctica con modelos anteriores.
44 Modelo conceptual... El primer paso, la observación del sistema, no requiere ninguna medición, en base a ello se realizan algunas hipótesis y se describe el funcionamiento del sistema.
45 Modelo conceptual... Desde el punto de vista del modelo, el mundo puede ser dividido en: a) Las cosas cuyos efectos pueden ser despreciados. b) Las cosas que afectan al modelo pero que cuyo comportamiento el modelo no estudia. c) Las cosas para las que el modelo es diseñado, y debe estudiar su comportamiento.
46 Modelo conceptual... El modelo ignora completamente el primer ítem (variables desechadas). Las constantes y funciones del segundo ítem, son externas y se las define como parámetros y variables exógenas (entradas o variables independientes). Finalmente las funciones del tercer ítem son las que el modelo busca estudiar y son llamadas variables endógenas (salidas o variables dependientes).
47 Modelo conceptual... Estas tres categorías (desechadas, entradas y salidas) son importantes en la modelización Si se comete un error al despreciar algunas variables, el modelo no va a ser suficientemente bueno
48 Modelo conceptual... Si son consideradas demasiadas variables, el modelo va a ser demasiado complejo No es posible maximizar simultáneamente generalidad, realismo y precisión de un modelo
49 Modelo conceptual... Cuando alguien se enfrente a un problema, lo hará de una forma limitada e influenciada por una cantidad de variables. Cuanto más abierto, comunicativo y creativo se pueda ser, mejores serán los modelos.
50 Modelo conceptual... Resultado de la etapa: Notas con la descripción cualitativa del sistema.
51 Modelo físico... Se entiende como un sistema físico imaginario, que se asemeja al sistema real en sus rasgos sobresalientes, pero que es más simple, más "ideal", y en consecuencia, más sencillo su estudio Al construirlo, se efectúan numerosas aproximaciones
52 Modelo físico: aproximaciones Despreciar pequeños efectos El medio es inalterado por el sistema Sistemas cerrados Experim. Controlados Reemplazar parámetros "distribuidos" por concentrados
53 Modelo físico Suponer relaciones simples lineales "causaefecto" entre las variables físicas Suponer que los parámetros físicos no cambian con el tiempo Despreciar incertidumbre y ruido
54 Modelo físico... Aproximación Despreciar pequeños efectos Suponer la dinámica del sistema independiente del medio Reemplazar parámetros distribuidos por concentrados Suponer el sistema lineal Suponer parámetros constantes Despreciar incertidumbre y ruido Simplificación Reduce el número y complejidad de las ecuaciones diferenciales (ED) Permite trabajar con sistemas invariantes Conduce a ED ordinarias, en lugar de ED parciales Produce ED lineales Permite aplicar el principio de superposición Evita el tratamiento estadístico
55 Modelo físico... Resultado de la etapa: Esquema, circuito o plano descriptivo del sistema.
56 Modelo matemático... Selección de las variables físicas con las cuales se describe el estado instantáneo del sistema, y en cuyos términos estudiamos su comportamiento. Consideración de leyes físicas naturales a las que obedecen los elementos individuales del sistema Consideración de leyes de conservación, equilibrio o compatibilidad entre elementos.
57 Modelo matemático... Resultado de la etapa: Conjunto de ecuaciones o reglas de funcionamiento. x aix y v aiv z l ail m b y j b z j b m j
58 Y luego? Ahora sólo nos resta resolver las ecuaciones y hallar los parámetros para ir sintonizando el modelo con la realidad. Comportamiento Dinámico Decisiones de diseño
59 Comportamiento Dinámico Resolución de las ecuac. matemáticas: Forma analítica cerrada 1 N dn N(t) = No. e r t dt r Linealización: series de taylor Principio de superposic. Transformada de Laplace Invariancia temporal y convolución Análisis de Espacio de Estado
60 Comportamiento Dinámico Linealización: series de Taylor Invariancia temporal y convolución Análisis de Espacio de Estado ), ( ), ( y x g dt dy y x f dt dx... ) ( ) ( ), (... ) ( ) ( ), ( * ), ( * ), ( * * ), ( * ), ( * ), ( * * ), ( * * * * * * * * * * * * y y dy dg x x dx dg y x g dt dy y y dy df x x dx df y x f dt dx y x y x y x y x y x y x N k k n h k x n y 1 ) ( ) ( ) ( N k k k n h k x n y 1 ) ( ) ( ) ( ) ( ) ( t x b t y a dt dy a dt y d a dt y d N N N N N x b z a z a z a dt dz z dt t dz dt t dy t z t y t z N N N : ) ( ) ( ) ( ) ( ) (
61 Comportamiento Dinámico Métodos analíticos Métodos Numéricos Métodos de paso simple Euler Runge y Kuta Métodos de paso múltiple Métodos Predictor-Corrector
62 Decisiones de Diseño Cuál de todos los postulados fue erróneo??
63 Ejemplo Se estudiará un modelo de crecimiento de población a largo plazo, se tratará de predecir cómo la población va a crecer en número a lo largo de algunas generaciones. N(t) t
64 Ejemplo Se tomarán como const./variables independientes la tasa neta de crecimiento r por individuo, el tiempo t y el tamaño de la población N o en el tiempo t=0. La tasa neta de crecimiento es la tasa de nacimientos menos la tasa de mortandad. Hay solamente una variable dependiente, el tamaño de la población en el tiempo t, que se escribe como N(t)
65 Ejemplo: ecuación de Malthus Se asumirá que únicamente el valor presente de N(t) y sus derivadas son relevantes para determinar los futuros valores de N(t). Se considerará que r es una constante. Todas estas suposiciones constituyen la base de nuestro modelo conceptual
66 Ejemplo Todo esto llevará a un modelo crudo con la siguiente relación básica (modelo matemático): Cuya solución es: 1 N dn r dt N(t) = No. e r t
67 Ejemplo La prueba del modelo propuesto para el crecimiento a largo plazo indica que éste debe ser rechazado. Sin embargo podría ser útil para crecimiento a corto plazo. Es claro que el crecimiento de la población depende del tamaño de la población Además se debe agregar que si la población crece demasiado la tasa de mortalidad va a exceder a la de natalidad (recursos limitados) Todo esto implica un replanteo de nuestro modelo físico.
68 Ejemplo Si a esto lo traducimos otra vez en lenguaje matemático, debemos reemplazar r por r(n(t)) que es una función decreciente de N(t) para N(t) grande, y se hace negativo cuando N(t) es muy grande. Por lo tanto: 1 N dn r( N ) dt
69 Ejemplo Ahora el modelo es, en algún sentido, menos útil que el previo, porque el obtener el r(n(t)) exacto es bastante difícil. También se podría agregar un factor de aleatoriedad a la ecuación. A medida que se van teniendo en cuenta más factores, la ecuación se irá tornando cada vez más compleja.
70 Ejemplo Con este ejemplo se puede observar que no se puede formular un modelo adecuado si no se sabe: 1) Qué es lo que se desea obtener del modelo 2) Cuán complicado se tolera el modelo La complejidad y la demanda de datos crecen simultáneamente y generalmente el crecimiento de esta demanda es exponencial ( curso de la dimensionalidad ).
71 Ejemplo 1.Explicación y predicción de los cambios en la población. 2.El crecimiento es proporcional a la población. 3. dn/dt = r N N = No si to = 0 6. No satisfactorio para población. 5. Crecimiento sin límites si r > 0 4. N = No e rt
72 Ejemplo 2.El crecimiento es proporcional a a) N b) N/Ninf 3. dn/dt = = rn (1-N/Ninf) 6. Modelo satisfactorio. 5. si t...> inf N...> Ninf dn/dt...>.0 N = Ninf/ {1+[ [(Ninf/No)-1]* e -rt }
73 Observaciones Modelización Local Modelización Global Modelado de sistemas Modelado de señales. entrada sistema salida Problemas directos y problemas inversos.
74 Pautas para evaluar un modelo Completitud. Complejidad. Generalización. Ajuste al propósito.
75 Pautas para evaluar un modelo Completitud: Si un modelo es completo (sin pérdida o inversible), todos los aspectos de la entrada están representados en su salida (modelización de señales). Ésto permite una reconstrucción completa de la señal a partir de la representación del modelo. El caso con pérdida aparece en presencia de ruido, imprecisión o porque el modelo no posee suficiente potencia expresiva para representar totalmente a la entrada.
76 Pautas para evaluar un modelo Complejidad: En el caso de obtener varios modelos completos, o igualmente ' completos entre sí, se debería disponer de otro elemento que permita seleccionar al mejor de entre ellos. El principio de la denominada navaja de Occam sugiere elegir el más simple.
77 Pautas para evaluar un modelo Complejidad: La navaja de Occam (o principio de economía) se atribuye al fraile franciscano inglés del siglo XIV Guillermo de Ockham. En su forma más simple indica: Las explicaciones nunca deben multiplicar las causas sin necesidad. Cuando dos explicaciones se ofrecen para un fenómeno, la explicación completa más simple es preferible.
78 Pautas para evaluar un modelo Complejidad: Se requiere definir qué se entiende por complejidad y dónde debe medirse. Puede medirse términos intrínsecos al modelo (por ejemplo su estructura) Flujograma - Diagrama de Estados Objetos/clases representación lograda por el mismo (por ejemplo la cantidad de elementos del código). El mismo flujograma programado por lenguajes distintos: los objetos son importantes en Agentes, no en Compartim. No es posible disminuir ambas complejidades al mismo tiempo (si se mantiene la completitud). Existe también un compromiso entre completitud y complejidad.
79 Pautas para evaluar un modelo Generalización: Los buenos modelos concuerdan con la realidad en todas sus expresiones (o al menos las que nos interesan) 1. capacidad del modelo para generalizar 2. predecir el comportamiento de la realidad en base a nuevos datos del ambiente (entradas).
80 Pautas para evaluar un modelo Ajuste al propósito: Un modelo constituye sólo un medio para llegar a un fin, una base para describir un problema o decidir un curso de acción. De esta forma su valor puede ser determinado en función de su utilidad para alcanzar su meta final. Cuán ajustada es la consecución de los Objetivos y Alcances planteados
81 Bibliografía Modeling Biological Systems, J.W. Haefner, Springer, NY, 2005 Physiological Control Systems, Michael C. Khoo, IEEE Press, Modelling with Diferencial Equations", Burghes-Borrie. "An introduction to Mathematical Modelling", Bender. "Elementos de Biomatematica", Engel, Sec Gral de la OEA., Programa Regional de Desarrollo Cientifico, "Foundations of Mathematical Biology", Rosen, Vol I, II. "Computer Modelling of Complex Biological Systems", S. Sitharama Iyengar, CRC Press. "Modelling and Control in Biomedical Systems", Cobelli-Mariani, "Dynamics of Physical systems", R. Cannon, McGraw-Hill. "Matemáticas para Biólogos", Hadeler "Farmacocinética Clínica", John G. Wagner, Ed. Reverté, S.A., "Drugs and Pharmaceutical Sciences", Gibaldi "Introducción a la Bioingenieria", Marcombo-Boixareu Editores, 1988.
Modelos y realidad. Modelización de Sistemas Biológicos por Computadora. Organización Curso. Objetivos. Otras Definiciones... Definición de Modelo
Modelización de Sistemas Biológicos por Computadora Modelos y realidad Mundo real Modelo Teoría Identificación de detalles relevantes para la descripción y traducción de objetos reales en variables del
Más detallesModelización de Sistemas Biológicos. Modelización de Sistemas Biológicos (por Computadora) FIUNER
Modelización de Sistemas Biológicos Modelización de Sistemas Biológicos (por Computadora) FIUNER Objetivos Presentar las bases de la modelización. Comprender las etapas implicadas en el proceso de modelización.
Más detallesModelos y realidad. Modelización de Sistemas Biológicos por Computadora. Objetivos. Organización. Definición... Definición...
Modelos y realidad Modelización de Sistemas Biológicos por Computadora Objetivos Presentar las bases de la modelización. Comprender las etapas implicadas en el proceso de modelización. Aprender a modelizar
Más detallesModelización de Sistemas Biológicos (Parte I) Bioingeniería I FIUNER
Modelización de Sistemas Biológicos (Parte I) Bioingeniería I FIUNER Objetivos Presentar las bases de la modelización. Comprender las etapas implicadas en el proceso de modelización. Aprender a modelizar
Más detallesSistemas compartimentales. Modelización de Sistemas Biológicos (por Computadora) FIUNER
Sistemas compartimentales Modelización de Sistemas Biológicos (por Computadora) FIUNER Organización Parte I Introducción: concepto de modelo Etapas de la modelización Modelos Poblacionales Modelos Compartimentales
Más detallesOrganización. Modelización por analogías. Modelos por analogías. Modelización de Sistemas Biológicos (Parte I) Parte I
Organización Modelización de Sistemas Biológicos (Parte I) FIUNER Parte I Introducción: concepto de modelo Etapas de la modelización Modelos Compartimentales Modelos Poblacionales Modelos por Analogías
Más detallesModelización de Sistemas Biológicos (por computadora) Parte I Modelización por Analogías FIUNER
Modelización de Sistemas Biológicos (por computadora) Parte I Modelización por Analogías FIUNER Organización Parte I Introducción: concepto de modelo Etapas de la modelización Modelos Poblacionales Modelos
Más detallesModelización de Sistemas Biológicos (Parte I) FIUNER
Modelización de Sistemas Biológicos (Parte I) FIUNER Organización Parte I Introducción: concepto de modelo Etapas de la modelización Modelos Compartimentales Modelos Poblacionales Modelos por Analogías
Más detallesModelización de Sistemas Biológicos (por computadora) Parte I Modelización por Analogías FIUNER
Modelización de Sistemas Biológicos (por computadora) Parte I Modelización por Analogías FIUNER Organización Parte I Introducción: concepto de modelo Etapas de la modelización Modelos Compartimentales
Más detallesModelos basados en Agentes FI-UNER
Modelos basados en Agentes FI-UNER Modelos Globales Modelos Locales Modelo de Boids Motivación Necesidad de traslación de cada individuo Necesidad de poder variar la cantidad de células Necesidad de trabajar
Más detallesIntroducción. Dinámica de sistemas físicos. Ing. Juan Antonio Villanueva Ortega
Introducción Dinámica de sistemas físicos Ing. Juan Antonio Villanueva Ortega Sistemas del mundo real Pero que es un sistema? Un Sistema es una entidad formada por un conjunto de entradas, un conjunto
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesDinámica Molecular de Proteínas Modelado y Simulación Computacional
Dinámica Molecular de Proteínas Modelado y Simulación Computacional Profesores: Eliana K. Asciutto & Ignacio J. General 2 do cuatrimestre 2017 Escuela de Ciencia y Tecnología UNSAM Dinámica Molecular de
Más detallesClasificación de los sistemas
Clasificación de los sistemas Para clasificar los sistemas tomaremos en cuenta las características que poseen los modelos matemáticos empleados. La siguiente clasificación jerárquica permite señalar el
Más detallesJornada sobre Técnicas de Modelado y Simulación
Jornada sobre Técnicas de Modelado y Simulación Introducción al Modelado y Simulación Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA - Universidad Nacional de Rosario. CIFASIS
Más detallesMétodos, Algoritmos y Herramientas
Modelado y Simulación de Sistemas Dinámicos: Métodos, Algoritmos y Herramientas Ernesto Kofman Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA - Universidad Nacional de Rosario.
Más detallesMT 221 Modelado. Elizabeth Villota
MT 221 Modelado Elizabeth Villota Objetivos Definir que es un modelo y su uso para responder preguntas relacionadas a un sistema. Introducir los conceptos de estado, dinámica, entradas y salidas. Proveer
Más detallesFORMATO CONTENIDO DE CURSO O SÍLABO
1. INFORMACIÓN GENERAL DEL CURSO Facultad Ingeniería Fecha de Actualización 18/01/2016 Programa Ingeniería Química Semestre 8 Nombre Control y Simulación de Procesos Código 72303 Prerrequisitos Cursando
Más detallesUNIVERSIDAD AUTONOMA METROPOLITANA
isalátkalta UNIVERSIDAD AUTONOMA METROPOLITANA PROGRAMA DE ESTUDIOS r-- UNIDAD IZTAPALAPA DIVISION CIENCIAS BASICAS E INGENIERIA --, 1 / 5 NOMBRE DEL PLAN LICENCIATURA EN FISICA CLAVE UNIDAD DE ENSEÑANZA
Más detallesEcuaciones diferenciales I
Universidad de Sonora División de Ciencia Exactas y Naturales Departamento de Física Licenciatura en Física Ecuaciones diferenciales I Eje formativo: Básico Requisitos: Carácter: Horas: Cálculo diferencial
Más detallesEcuaciones diferenciales ordinarias
Tema 9 Ecuaciones diferenciales ordinarias Versión: 13 de mayo de 29 9.1 Introducción El objetivo de este tema es exponer muy brevemente algunos de los conceptos básicos relacionados con las ecuaciones
Más detallesINGENIERÍA MECATRÓNICA EN COMPETENCIAS PROFESIONALES
INGENIERÍA MECATRÓNICA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE MATEMÁTICAS PARA INGENIERÍA II PROPÓSITO DE APRENDIZAJE DE LA ASIGNATURA CUATRIMESTRE El alumno resolverá ecuaciones diferenciales a través
Más detallesINGENIERÍA EN ENERGÍAS RENOVABLES EN COMPETENCIAS PROFESIONALES ASIGNATURA DE MATEMÁTICAS PARA INGENIERÍA II
INGENIERÍA EN ENERGÍAS RENOVABLES EN COMPETENCIAS PROFESIONALES ASIGNATURA DE MATEMÁTICAS PARA INGENIERÍA II 1. Competencias Plantear y solucionar problemas con base en los principios y teorías de física,
Más detallesINGENIERÍA EN AGRICULTURA SUSTENTABLE Y PROTEGIDA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE MATEMÁTICAS PARA INGENIERÍA II
INGENIERÍA EN AGRICULTURA SUSTENTABLE Y PROTEGIDA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE MATEMÁTICAS PARA INGENIERÍA II 1. Competencias Plantear y solucionar problemas con base en los principios y
Más detallesLinealización de sistemas
Linealización de sistemas Ignacio Díaz Blanco Ecuaciones diferenciales y dinámica Definición de Modelo Modelo: (definición de la RAE) 4. m. Esquema teórico, generalmente en forma matemática, de un sistema
Más detallesFactores cuantitativos en la Toma de Decisiones. Conceptos generales y modelos
Factores cuantitativos en la Toma de Decisiones Conceptos generales y modelos Modelos y la toma de decisiones El proceso racional de toma de decisiones utiliza modelos y reglas matemáticas Estos modelos
Más detallesModelización de Sistemas Biológicos (por computadora) Parte I Modelos de Transmisión de enfermedades infecciosas FIUNER
Modelización de Sistemas Biológicos (por computadora) Parte I Modelos de Transmisión de enfermedades infecciosas FIUNER Enfermedades Infecciosas Tasa de Infección Modelo SIR S: Individuos susceptibles
Más detallesModelos malthusianos. Tema 3. Ecuaciones diferenciales. Modelo de Malthus discreto. Modelos malthusianos. Ejemplo
Tema 3. Ecuaciones diferenciales Las ecuaciones diferenciales son una potente herramienta matemática para elaborar modelos. En una ecuación diferencial la incógnita es una función. Una ecuación expresa
Más detallesTema 3. Ecuaciones diferenciales
Tema 3. Ecuaciones diferenciales 1 / 39 Las ecuaciones diferenciales son una potente herramienta matemática para elaborar modelos. En una ecuación diferencial la incógnita es una función. Una ecuación
Más detallesModelos biológicos. Juan Ruiz Álvarez, Marcos Marvá Ruiz. Matemáticas (Grado en Biología)
Modelos biológicos 1 1 Departamento de Física y Matemáticas. Universidad de Alcalá de Henares. Contenidos Introducción 1 Introducción 2 3 Índice Introducción 1 Introducción 2 3 Introducción Una aplicación
Más detallesGUÍA DOCENTE DE LA ASIGNATURA
Página 1 de 5 Grado/Máster en: Centro: Asignatura: Código: Tipo: Materia: Módulo: Experimentalidad: Idioma en el que se imparte: Inglés Curso: 4 Semestre: 1 Nº Créditos 4,5 Nº Horas de dedicación del estudiante:
Más detallesCONTENIDO PROGRAMÁTICO
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2014/11/28 Revisión No. 1 AC-DO-F-8 Página 1 de 6 ECUACIONES DIFERENCIABLES CÓDIGO 100105 PROGRAMA Ingenierías ÁREA DE FORMACIÓN Ciencias Básicas. SEMESTRE Quinto
Más detallesDEPARTAMENTO DE MATEMÁTICAS Página 1
DEPARTAMENTO DE MATEMÁTICAS Página 1 APROBADO EN EL CONSEJO DE LA FACULTAD DE CIENCIAS EXACTAS ACTA 13 DEL 21 ABRIL 2010 PROGRAMAS DEL DEPARTAMENTO DE MATEMÁTICAS El presente formato tiene la finalidad
Más detallesUNIVERSIDAD DE ANTIOQUIA FACULTAD DE CIENCIAS EXACTAS Y NATURALES MEDELLÍN - COLOMBIA. Evaluaciones 4 otros total: 64 horas de clase
UNIVERSIDAD DE ANTIOQUIA FACULTAD DE CIENCIAS EXACTAS Y NATURALES MEDELLÍN - COLOMBIA PROGRAMA DE CURSO DE PREGRADO INSTITUTO DEQUÍMICA ÁREA DE FISICOQUÍMICA CÓDIGO DEL CURSO: CNQ- NOMBRE: TEORÍA DE LA
Más detallesContenidos. Actividades Estocásticas Tipos de Modelos Métodos Numéricos Optimización Programación Lineal Aplicaciones con Solver Excel
Contenidos Modelación de Sistemas Actividades Estocásticas Tipos de Modelos Métodos Numéricos Optimización Programación Lineal Aplicaciones con Solver Excel Modelación de Sistemas Sistema: Conjunto de
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO DINÁMICA DE SISTEMAS FÍSICOS 1547 5 09 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Ingeniería de Control y
Más detallesFecha de elaboración: Agosto de Fecha de última actualización: Julio de 2010
PROGRAMA DE ESTUDIO Programa Educativo: Área de Formación : Licenciatura en Matemáticas Transversal Programa elaborado por: Modelos Matemáticos Horas teóricas: 3 Horas prácticas: 2 Total de Horas: 5 Total
Más detallesModelos de crecimiento de poblaciones
5 Abril 2016 Modelos de crecimiento de poblaciones BIBLIOGRAFIA Gotelli (1998), capítulos 1 y 2 Begon (2006), capítulo 5 Krebs (2009), capítulo 8 Pianka (1982), capítulo 5 TEMAS DE HOY 5 Abril 2016 Modelos
Más detallesTema 2 Análisis Dinámico de Sistemas 2º Ing. Telecomunicación. Octubre de 2003 Análisis Dinámico de Sistemas (2º Teleco, EPSIG) 1 de 30
Tema 2 Análisis Dinámico de Sistemas 2º Ing. Telecomunicación Octubre de 2003 Análisis Dinámico de Sistemas (2º Teleco, EPSIG) 1 de 30 Ecuaciones Diferenciales y Dinámica definición de la RAE Modelo: (definición
Más detallesTEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Más detallesUNIVERSIDAD DE SONORA
UNIVERSIDAD DE SONORA Unidad Regional Centro División de Ingeniería Departamento de Ingeniería Química y Metalurgia Asignatura: Ecuaciones Diferenciales Clave: 6895 Antecedente: Cálculo Diferencial e Integral
Más detallesCONTROL POR ALIMENTACIÓN DIRECTA (FEEDFORWARD) CONTROL EN LAZO ABIERTO VS. CONTROL EN LAZO CERRADO
CONTROL EN LAZO ABIERTO VS. CONTROL EN LAZO CERRADO Mantener el nivel del líquido en el tanque a un valor constante Control en lazo abierto No realimentación Controlador no observa la salida del sistema
Más detallesContenidos Control y Automatización
Tema 2: Modelos Matemáticos Susana Borromeo Juan Antonio Hernández Tamames Curso 2014-2015 Contenidos 1. Conceptos básicos. 2. Modelado matemático de sistemas Físicos. Linealización. Función de Transferencia
Más detallesESCUELA: UNIVERSIDAD DEL ISTMO
1.-IDENTIFICACIÓN ESCUELA: UNIVERSIDAD DEL ISTMO CLAVE: 303 GRADO: ING. EN COMPUTACION, TERCER SEMESTRE TIPO DE TEÒRICA ANTECEDENTE CURRICULAR: 30.- OBJETIVO GENERAL El estudiante conocerá la importancia
Más detallesTema 2: Representación y modelado de sistemas dinámicos
Fundamentos de Control Automático 2º G. Ing. Tecn. Industrial Tema 2: Representación y modelado de sistemas dinámicos Índice del tema Tema 2: Representación y modelado de sistemas dinámicos 2. Señales
Más detallesFUNDAMENTOS Y MODELOS MATEMÁTICOS DE LOS SISTEMAS DE CONTROL UNIDAD 1
FUNDAMENTOS Y MODELOS MATEMÁTICOS DE LOS SISTEMAS DE CONTROL UNIDAD 1 Contenido El concepto de realimentación. Establecimiento de las ecuaciones diferenciales que rigen a un sistema. Función de transferencia.
Más detallesIntroducción. Alfonso Cubillos. Programa de Ing. Mecánica Universidad de Ibagué. Aplicaciones computacionales de la Mecánica de Materiales
Programa de Ing. Mecánica Universidad de Ibagué Aplicaciones computacionales de la Mecánica de Materiales Agosto 2007 Cuál es la definición de Mecánica? Cuál es la definición de Mecánica? La mecánica es
Más detallesEcuaciones Diferenciales Ordinarias
Nivelación de Matemática MTHA UNLP EDO 1 Ecuaciones Diferenciales Ordinarias 1. Introducción Una ecuación diferencial ordinaria es una ecuación de la forma: F (x, y, y,..., y (n) ) = 0 que expresa una
Más detalles2 OBJETIVOS TERMINALES: Al finalizar el curso el estudiante estará en capacidad de:
MATERIA: Ecuaciones Diferenciales CÓDIGO: 08278 REQUISITOS: Cálculo en Varias Variables (08275) PROGRAMAS: Ingeniería Industrial, Ingeniería Telemática, Química PERIODO ACADÉMICO: 2016-2 INTENSIDAD SEMANAL:
Más detallesUNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS BASICAS, TECNOLOGIA E INGENIERIA
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS BASICAS, TECNOLOGIA E INGENIERIA 299310 SIMULACION Wilson Almanza M. (Director Nacional) Protocolo Académico AÑO 2013 Director de curso: Ing.
Más detallesUNIVERSIDAD DE PUERTO RICO EN HUMACAO DEPARTAMENTO DE BIOLOGÍA PRONTUARIO DEL CURSO MÉTODOS COMPUTACIONALES APLICADOS A SISTEMAS BIOLÓGICOS INTD 4055
UNIVERSIDAD DE PUERTO RICO EN HUMACAO DEPARTAMENTO DE BIOLOGÍA PRONTUARIO DEL CURSO MÉTODOS COMPUTACIONALES APLICADOS A SISTEMAS BIOLÓGICOS INTD 4055 Preparado por: DR. DENNY S. FERNÁNDEZ DEL VISO DR.
Más detallesEcología de Sistemas:
Ecología de Sistemas: Aplicación de procedimientos de análisis de sistemas a la Ecología Bases para su desarrollo: Alta potencia de cálculo Simplificación formal de los ecosistemas complejos El carácter
Más detallesMetodología para la generación de modelos dinámicos Proceso integrador para la toma de decisiones
Metodología para la generación de modelos dinámicos Proceso integrador para la toma de decisiones APLICACIONES Solución a problemas dinámicos y complejos de alta incertidumbre Formulación de estrategias
Más detallesCarrera: ELB Participantes Representante de las academias de ingeniería eléctrica de los Institutos Tecnológicos.
.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Métodos Numéricos ELB-058 4-0-8.- HISTORIA DEL PROGRAMA Lugar y fecha de elaboración
Más detallesCarrera: Ingeniero Químico Asignatura: Área del Conocimiento: Control Digital Licenciatura Ingeniero Químico Abril de 2010
Carrera: Ingeniero Químico Asignatura: Control Digital de Procesos Área del Conocimiento: Acentuacion Procesos Generales de la Asignatura: Nombre de la Asignatura: Clave Asignatura: Nivel: Carrera: Frecuencia
Más detallesMODELIZACION 01. Universidad Nacional de La Pampa Facultad de Ciencias Económicas y Jurídicas 18 - Métodos Cuantitativos para la Administración
Bibliografía Mathur y Solow; Investigación de Operaciones - El arte de la toma de decisiones. Ed. Prentice Hall Anderson, Sweeney y Williams; Introducción a los modelos cuantitativos para Administración.
Más detallesCAPITULO I. Simulación En Minería
CAPITULO I Simulación En Minería En un esfuerzo por rastrear la historia de la Simulación en minería desde la publicación del primer documento en 1961 hasta nuestros días, las contribuciones importantes
Más detallesCRITERIOS DE EVALUACIÓN 4º ESO- MATEMÁTICAS
CRITERIOS DE EVALUACIÓN 4º ESO- MATEMÁTICAS 1º CRITERIO Resolver problemas de la vida y otras materias del ámbito académico utilizando los distintos números y operaciones, junto con sus propiedades, adecuando
Más detallesManual de Prácticas de Laboratorio de [ECOLOGIA] [UNIDAD II] Página Crecimiento poblacional: Modelos de crecimiento poblacional.
[UNIDAD II] Página 33.5. Crecimiento poblacional: Modelos de crecimiento poblacional. La ausencia de evidencia no es evidencia de ausencia.5.1. Introducción Carl Sagan Las poblaciones silvestres de plantas
Más detallesAsignaturas antecedentes y subsecuentes Cálculo Diferencial, Cálculo Integral, Álgebra Lineal I, Cómputo Científico y Programación
PROGRAMA DE ESTUDIOS ANÁLISIS NUMÉRICO I Área a la que pertenece: Área de Formación Integral Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0033 Asignaturas antecedentes y subsecuentes
Más detallesCRITERIOS DE EVALUACIÓN DE MATEMÁTICAS DE 4º ESO (Currículo oficial)
CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS DE 4º ESO (Currículo oficial) Los criterios de evaluación que se exponen son los correspondientes al Real Decreto 1631/2006 al que remite el Decreto 231/2007 de 31
Más detallesPara llevar a cabo una simulación, se requiere implementar las siguientes etapas:
SIMULACIÓN: La simulación se define como una técnica numérica utilizada para representar un proceso o fenómeno mediante otro más simple que permite analizar sus características. Esta técnica emplea relaciones
Más detallesELABORACIÓN DE LA MATRIZ DE ESPECIFICACIONES DE CADA UNA DE LAS MATERIAS OBJETO DE LA EBAU Matemáticas II. 2º Bachillerato
Bloque 1. Procesos, métodos y actitudes en matemáticas. 20% Expresa verbalmente de forma razonada el proceso seguido en la resolución de un problema, con el rigor y la precisión adecuados. Analiza y comprende
Más detallesBloque de asignaturas troncales generales según modalidad. CIENCIAS Matemáticas II. 2º Bachillerato. Matriz de especificaciones
experiencias, y comentando de manera personal y detallada las noticias y los puntos de vista de las personas a las que se dirige. Escribe, en cualquier soporte, cartas formales de carácter académico o
Más detallesMODELADO DE SISTEMAS
MODELADO DE SISTEMAS OBJETIVOS Introducir el concepto de modelo matemático y función de transferencia. Partiendo de los sistemas físicos se desarrolla el modelo matemático en forma de función de transferencia
Más detallesNombre de la Asignatura Matemáticas IV( ) INFORMACIÓN GENERAL Escuela. Departamento Unidad de Estudios Básicos
Código 008-2824 UNIVERSIDAD DE ORIENTE INFORMACIÓN GENERAL Escuela Departamento Unidad de Estudios Básicos Ciencias Horas Semanales 06 Horas Teóricas 03 Pre-requisitos 008-2814 Total Horas Semestre 90
Más detalles1. INTRODUCCIÓN N A LOS MODELOS (#1)
1. INTRODUCCIÓN N A LOS MODELOS (#1) Qué es un modelo y para qué sirve? Un modelo es una representación formal de un fenómeno real. En general los modelos que veremos aquí serán cuantitativos. Los modelos
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO ESCUELA SUPERIOR DE ZIMAPÁN INGENIERÍA EN PROCESAMIENTO DE RECURSOS MINERALES ECUACIONES DIFERENCIALES
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO ESCUELA SUPERIOR DE ZIMAPÁN INGENIERÍA EN PROCESAMIENTO DE RECURSOS MINERALES ECUACIONES DIFERENCIALES ing. Edgar García Maldonado Enero Junio 018 Resumen (abstract)
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS Sistemas de Control Digital Área a la que pertenece: Área de Formación Integral Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0187 Asignaturas antecedentes y
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: SEMESTRE: 5 (QUINTO) MODALIDAD
Más detallesTermodinámica de procesos fuera del equilibrio
Termodinámica de procesos fuera del equilibrio Felipe Moreno M. * Resumen Veremos algunas consideraciones sobre procesos que ocurren fuera del estado de equilibrio en un sistema termodinámico. Para que
Más detallesMATEMÁTICAS II MATRIZ DE ESPECIFICACIONES DE LA ASIGNATURA DE MATEMÁTICAS II ESTÁNDARES DE APRENDIZAJE AL BLOQUE
MATRIZ DE ESPECIFICACIONES DE LA ASIGNATURA DE MATEMÁTICAS II BLOQUES DE CONTENIDO PORCENTAJE ASIGNADO AL BLOQUE ESTÁNDARES DE APRENDIZAJE Bloque 1. Procesos, métodos y actitudes en matemáticas. 30 % Expresa
Más detallesEcuaciones diferenciales: Métodos y modelos
Ecuaciones diferenciales: Métodos y modelos Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Asignatura Materia Departamento responsable Ecuaciones diferenciales: Métodos y modelos Optatividad
Más detallescréditos: Fecha de elaboración: Julio de 2004 Fecha de última actualización:
Programa Licenciatura en Ciencias Educativo: Computacionales PROGRAMA DE ESTUDIO Área de Integral Profesional Formación: Horas teóricas: 1 Horas prácticas: 4 Total de Horas: 5 Total de Modelación y Simulación
Más detallesSEMILLERO EN AUTOMÁTICA
SEMILLERO EN AUTOMÁTICA Sesión 07: Continuación Los Modelos en Ingeniería M.Sc, Ing. Jhon Alexander Isaza Hurtado jhonisaza@itm.edu.co 24 de Septiembre de 2012 Objetos y Modelos Modelo de Negocios Canvas
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Ecuaciones diferenciales. CURSO ACADÉMICO - SEMESTRE Segundo semestre
ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE ASIGNATURA Ecuaciones diferenciales CURSO ACADÉMICO - SEMESTRE 2015-16 - Segundo semestre GA_10MI_105000117_2S_2015-16 Datos Descriptivos Nombre de la Asignatura Titulación
Más detallesAsignaturas antecedentes y subsecuentes Análisis Numérico II
PROGRAMA DE ESTUDIOS Análisis Numérico I Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0033 Asignaturas antecedentes y subsecuentes Análisis
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA PROGRAMA DE LA ASIGNATURA DE: DINÁMICA Y CONTROL DE PROCESOS
Más detallesCONTENIDO PROGRAMÁTICO
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2013/12/03 Revisión No. 1 AC-DO-F-8 Página 1 de 7 ECUACIONES DIFERENCIABLES CÓDIGO 100105 PROGRAMA Ingenierías ÁREA DE FORMACIÓN Ciencias Básicas. SEMESTRE Quinto
Más detallesUniversidad Autónoma del Estado de México Facultad de Ingeniería. Licenciatura de Ingeniería en Sistemas Energéticos Sustentables
Universidad Autónoma del Estado de México Facultad de Ingeniería Licenciatura de Ingeniería en Sistemas Energéticos Sustentables Programa de Estudios Dinámica de Sistemas Elaboró: Dr. Eder Guzmán Baltazar
Más detallesINFORME APLICACIÓN 2016
INFORME APLICACIÓN 2016 pág. 1 Conformación Examen de ciencias básicas La prueba consta de 140 ítems, distribuida así: Conformación de la prueba Componente Número de Preguntas Matemáticas Física 40 Química
Más detallesUNIVERSIDAD DE GUADALAJARA
UNIVERSIDAD DE GUADALAJARA PROGRAMA DE ASIGNATURA NOMBRE DE MATERIA CÓDIGO DE MATERIA DEPARTAMENTO ÁREA DE FORMACIÓN ECUACIONES DIFERENCIALES ORDINARIAS I MT140 CIENCIAS BIOLOGICAS BÁSICA COMUN CENTRO
Más detallesGrado en Biología Universidad de Alcalá Curso Académico 2017/2018 Curso 1º Cuatrimestre 1º
MATEMÁTICAS Grado en Biología Universidad de Alcalá Curso Académico 2017/2018 Curso 1º Cuatrimestre 1º Nombre de la asignatura: Matemáticas Código: 650001 Titulación en la que se imparte: Grado en Biología
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal ,0 2,0 5,0. Horas de Cátedra
PROGRAMA DE CURSO Código Nombre MA2601 Ecuaciones Diferenciales Ordinarias Nombre en Inglés Ordinary Differential Equations SCT Unidades Docentes Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo
Más detallesPROGRAMA DE CURSO. Nombre en Inglés Ordinary Differential Equations SCT ,0 2,0 5,0
PROGRAMA DE CURSO Código MA2601 Nombre Ecuaciones Diferenciales Ordinarias Nombre en Inglés Ordinary Differential Equations es Horas de Horas Docencia Horas de Trabajo SCT Docentes Cátedra Auxiliar Personal
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal ,0 2,0 5,0. Horas de Cátedra
PROGRAMA DE CURSO Código MA2G1 Nombre Ecuaciones Diferenciales Ordinarias Nombre en Inglés Ordinary Differential Equations SCT Unidades Docentes Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo
Más detallesPRESENCIA DE LAS CCBB EN LOS OBJETIVOS DE ETAPA: ESO CURSO: 3º MATERIA: AMBITO CIENTÍFICO-TECNOLÓGICO
PRESENCIA DE LAS CCBB EN LOS OBJETIVOS DE MATERIA: AMBITO CIENTÍFICO-TECNOLÓGICO 4. Tratamiento de la información y tratamiento digital. 8. Autonomía e iniciativa personal. OBJETIVOS MATERIA 1 2 3 4 5
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 ASIGNATURA 53000942 - PLAN DE ESTUDIOS 05AR - CURSO ACADÉMICO Y SEMESTRE 2018/19 - Primer semestre Índice Guía de Aprendizaje 1. Datos descriptivos...1
Más detallesCONTROL EN LAZO ABIERTO VS. CONTROL EN LAZO CERRADO
CONTROL EN LAZO ABIERTO VS. CONTROL EN LAZO CERRADO Mantener el nivel del líquido en el tanque a un valor constante Control o en lazo abierto No realimentación Controlador no observa la salida del sistema
Más detallesPROPUESTA PROGRAMACION ANUAL MINIMA
1100033 Inducción a la Vida Universitaria X X X X X 1100037 Introducción a la Ingeniería X X X X 1100038 Introducción al Desarrollo Sustentable X X X X X X 1100040 Taller de Planeación y Ejecución de Proyectos
Más detallesCRITERIOS DE EVALUACIÓN EN LA E. S. O
CRITERIOS DE EVALUACIÓN EN LA E. S. O CRITERIOS DE EVALUACIÓN 1º E. S. O... 2 CRITERIOS DE EVALUACIÓN 2º E. S. O... 3 CRITERIOS DE EVALUACIÓN 3º E. S. O... 4 CRITERIOS DE EVALUACIÓN 4º E. S. O opción A...
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
CONOCIMIENTOS MÍNIMOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II CONTENIDOS DESTREZAS Álgebra Sistemas lineales Matrices, operaciones con matrices. Rango de una matriz Propiedades y cálculo de determinantes
Más detalles