
Análisis de Datos en Astrofísica
Código: 104416Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Matemática Computacional y Analítica de Datos | OP | 4 |
Profesor/a de contacto
- Nombre :
- Manuel Delfino Reznicek
- Correo electrónico :
- manuel.delfino@uab.cat
Equipo docente
- Carles Sanchez Alonso
- Cosimo Nigro
- María del Pilar Casado Lechuga
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
No hay prerequisitos formales. Se recomienda:
- haber completado las asignaturas troncales de los tres primeros cursos del Grado
- conocer la programación en python
- haber estudiado Física al menos a nivel de escuela secundaria
Objetivos
La visión que tiene la humanidad del Universo cambió radicalmente en el siglo XX. La evolución de las técnicas de detección ha aumentado el número de objetos visibles en el cielo de unos pocos cientos a muchos miles de millones. Además, los objetos se pueden observar a través de radiación electromagnética en una amplia gama de longitudes de onda, desde radio e infrarrojo hasta la banda visible y los rayos X. Las técnicas experimentales de la física de partículas elementales se han adaptado para extender las observaciones de objetos celestes, por ejemplo a través de fotones de mayor energía (rayos gamma). Estas técnicas también permiten, por primera vez, la observación del cielo a través de mensajeros no electromagnéticos, es decir, partículas cargadas ("rayos cósmicos") y, muy recientemente, neutrinos. Finalmente, gigantescos interferómetros láser muy precisos han observado recientemente ondas gravitacionales, que brindan otra forma de observar objetos celestes.
Todas estas formas de observar el Universo están produciendo enormes cantidades de datos que se deben filtrar, calibrar, analizar y comparar con las predicciones teóricas. Esto requiere la reducción de los datos en sistemas de alto rendimiento y simulaciones en sistemas de altas prestaciones, combinadas con análisis estadísticos sofisticados y estimaciones de incertidumbre. Las técnicas de Big Data e Inteligencia Artificial se están aplicando cada vez más en el campo. El objetivo del curso es explorar estas técnicas en el contexto del Grado.
Resultados de aprendizaje
- CM32 (Evaluar el grado de cumplimiento de los requisitos necesarios para aplicar cada procedimiento estadístico avanzado.) Evaluar el grado de cumplimiento de los requisitos necesarios para aplicar cada procedimiento estadístico avanzado.
- CM33 (Extraer conclusiones relevantes de problemas aplicados mediante la aplicación de métodos estadísticos avanzados.) Extraer conclusiones relevantes de problemas aplicados mediante la aplicación de métodos estadísticos avanzados.
- KM27 (Reconocer las ventajas e inconvenientes de las distintas metodologías estadísticas cuando se aplican a las diversas disciplinas.) Reconocer las ventajas e inconvenientes de las distintas metodologías estadísticas cuando se aplican a las diversas disciplinas.
Contenidos
- Introducción: Observación del cielo: Física, modelos y simulaciones, observaciones e instrumentos.
- Estudio de caso: Estudios ópticos del cielo: medición de la expansión del universo
- Estudio de caso: obtención de imágenes de los telescopios Cherenkov atmosféricos: medición del universo no térmico
- Estudio de caso: El Universo violento: Astronomía de neutrinos con enormes volúmenes de hielo o agua instrumentados
- Estudio de caso: El Universo violento: detección de ondas gravitacionales con interferómetros láser
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Clases Magistrales | 15 | 0,6 | |
| Tutorías con profesores | 5 | 0,2 | |
| Desarrollo de soluciones y programas | 50 | 2 | |
| Estudios de casos | 25 | 1 | |
| Estudio | 45 | 1,8 |
El curso se organizará en 5 módulos de 2-3 semanas de duración. La introducción a cada módulo se dará en Clases Magistrales. Posteriormente, los estudiantes trabajarán en la comprensión de una serie de estudios de caso (oficialmente clasificadas como Prácticas de Laboratorio - PLAB), analizarán críticamente las soluciones existentes y propondrán mejoras. Los alumnos realizarán las actividades de PLAB en sus propios ordenadores personales.
Utilización de IA: Para esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) en tareas de apoyo, como la búsqueda bibliográfica o de información, la corrección de textos o las traducciones. Además, el apoyo de IA a la generación de código y el uso de técnicas de IA en el propio análisis de datos de astrofísica se irá introduciendo en el temario. El estudiante tendrá que identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas utilizadas e incluir una reflexión crítica sobre cómo éstas han influido en el proceso y el resultado final de la actividad. La no transparencia del uso de la IA en esta actividad evaluable se considerará falta de honestidad académica y puede acarrear una penalización parcial o total en la nota de la actividad, o sanciones mayores en casos graves.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Presentaciones y participación en Estudios de Caso | 86% | 8 | 0,32 | CM32, CM33, KM27 |
| Pruebas de Evaluación Continuada | 14% | 2 | 0,08 | CM32, CM33, KM27 |
Esta asignatura no contempla el sistema de evaluación única.
Los aspectos más teóricos serán evaluados a través de una Prueba de Evaluación Continuada de 2 horas de duración que contribuye 14% a la nota global y no es recuperable.
Los aspectos más prácticos serán evaluados a través de Presentaciones y Participación en las Prácticas de Laboratorio (PLAB) sobre los Estudios de Caso.
Las clases de PLAB no son recuperables. La asistencia a las clases de PLAB contribuirá 26% a la nota global.
Los alumnos deberán de demostrar el aprendizaje realizado en cada Estudio de Caso mediante una Presentación que resuma sus actividades. Cada Presentación contribuirá un 15% a la nota global (para un total de 60%).
Bibliografía
Física per a la ciència i la tecnologia Electricitat i magnetisme / La llum / Física moderna : mecànica quàntica, relativitat i estructura de la matèria / Paul A. Tipler, Gene Mosca ; obra coordina per David Jou i Mirabent i Josep Enric Llebot Rabagliati. 2nd ed. Barcelona: Editorial Reverté, 2010. (versión electrónica disponible a través de la Biblioteca de la UAB).
Statistical Data Analysis, G. Cowan, ISBN: 0198501552, 1998.
Python Pocket Reference, O’Reilly, Mark Lutz, ISBN: 0596158084, 2009.
Fundamental Astronomy, Hannu Karttunen, Pekka Kröger, Heikki Oja, Markku Poutanen, Karl Johan Donner. ISBN: 978-3-662-53045-0, 2016
Particle Physics Reference Library : Volume 2: Detectors for Particles and Radiation / Edited by Christian W. Fabjan, Herwig Schopper. Ed. Christian W. Fabjan and Herwig Schopper. Cham, Switzerland: Springer Nature, 2020. Web.
Full Text Access:
https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991010351516706709
Software
Cualquier tipo de hoja de cálculo (LibreOffice Calc, Google Sheets, Microsoft Excel, etc.)
Páginas online que generan gráficos (desmos.com, geogebra, etc.)
python
Jupyter notebooks
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. 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
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TE) Teoría | 1 | Catalán/Español | segundo cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 1 | Catalán/Español | segundo cuatrimestre | tarde |