Guia en format PDF
Logo

Estadística i Anàlisi de Dades

Codi: 44079
Crèdits: 9
2026/2027
Titulació Tipus Curs
Física d'Altes Energies, Astrofísica i Cosmologia / High Energy Physics, Astrophysics and Cosmology OB 1

Professor/a de contacte

Nom :
Abelardo Moralejo Olaizola
Correu electrònic :
abelardo.moralejo@uab.cat

Equip docent

Marc Manera Miret
Abelardo Moralejo Olaizola
Carles Sanchez Alonso
Jorge Carretero Palacios
Pau Tallada Crespi
Martin Borstad Eriksen
Francesc d'Assis Torradeflot Curero

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

És necessari un ordinador personal amb una instal·lació en execució de Python 3.

Per a això, instal·leu Python 3 amb l'Anaconda installer. D'aquesta manera, la vostra distribució de Python contindrà tots els paquets associats necessaris per a aquest curs.

Seguiu aquests passos:

1. Descarregueu el programa d’instal·lació d'Anaconda per a Python 3 https://www.anaconda.com/download/

2. Seguiu les instruccions d’instal·lació: les versions de la interfície d’interfície gràfica o de la terminal funcionen bé. Si se us demana, seleccioneu l'opció per afegir el directori anaconda nou a la vostra ruta.

Es recomana l’ús de GNU/Linux

Objectius

En aquest curs aprendrem a destil·lar coneixements científics a partir de dades experimentals, un procés que es basa en mètodes estadístics. Aprendrem els conceptes bàsics de probabilitat i estadística (en els seus marcs freqüentistes i bayesians). A més, estudiarem i practicarem diversos mètodes estadístics i tècniques d’anàlisi de dades que s’utilitzen habitualment en els camps de la Física d’Altes Energies, Astrofísica i Cosmologia. Amb aquest objectiu, aprendrem i practicarem l’ús d’estadístiques modernes i eines de programari d’anàlisi.

Resultats d'aprenentatge

  • CA04 (Adoptar les tècniques estadístiques per resoldre problemes d’anàlisi de dades, tant de l’àmbit de la física de partícules, l’astrofísica i la cosmologia, com d’àmbits propers però diferents.) Adoptar les tècniques estadístiques per resoldre problemes d’anàlisi de dades, tant de l’àmbit de la física de partícules, l’astrofísica i la cosmologia, com d’àmbits propers però diferents.
  • KA03 (Identificar les tècniques d’anàlisi de dades a problemes tant de l’àmbit de la física de partícules, l’astrofísica i la cosmologia, com d’àmbits propers però diferents.) Identificar les tècniques d’anàlisi de dades a problemes tant de l’àmbit de la física de partícules, l’astrofísica i la cosmologia, com d’àmbits propers però diferents.
  • SA04 (Avaluar críticament dades experimentals i estadístiques aplicades a la física d’altes energies, l’astrofísica, la cosmologia i la física de partícules utilitzant eines d’anàlisi adequades.) Avaluar críticament dades experimentals i estadístiques aplicades a la física d’altes energies, l’astrofísica, la cosmologia i la física de partícules utilitzant eines d’anàlisi adequades.
  • SA05 (Aplicar les tècniques de Montecarlo per modelar problemes reals de física.) Aplicar les tècniques de Montecarlo per modelar problemes reals de física.
  • SA06 (Aplicar les tècniques d’anàlisi de dades a problemes tant de l’àmbit de la física de partícules, l’astrofísica i la cosmologia, com d’àmbits propers però diferents.) Aplicar les tècniques d’anàlisi de dades a problemes tant de l’àmbit de la física de partícules, l’astrofísica i la cosmologia, com d’àmbits propers però diferents.
  • SA07 (Aplicar programes informàtics d’anàlisi estadística tant de l’àmbit de la física de partícules, l’astrofísica i la cosmologia, com d’àmbits propers però diferents.) Aplicar programes informàtics d’anàlisi estadística tant de l’àmbit de la física de partícules, l’astrofísica i la cosmologia, com d’àmbits propers però diferents.
  • SA08 (Fer servir de manera adequada programes informàtics d’anàlisi estadística en l’àmbit de la física de partícules, l’astrofísica i la cosmologia.) Fer servir de manera adequada programes informàtics d’anàlisi estadística en l’àmbit de la física de partícules, l’astrofísica i la cosmologia.
  • SA09 (Fer servir fonts bibliogràfiques especialitzades, articles científics i recursos digitals en anglès per aprofundir en els conceptes d’estadística i anàlisi de dades.) Fer servir fonts bibliogràfiques especialitzades, articles científics i recursos digitals en anglès per aprofundir en els conceptes d’estadística i anàlisi de dades.

Continguts

Part 1: Conceptes bàsics sobre tècniques de probabilitat, estadística i Monte Carlo


Part 2: Python per a estadístiques i anàlisi de dades


Part 3: Estimació de paràmetres, prova d'hipòtesi i \"Unfolding\"


Part 4: Estadístique Bayesiane

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Estudi de la teoria i exemples pràctics 64 2,56 CA04, KA03, SA04, SA05, SA06, SA07, SA08, SA09
Discussió, grups de treball, resolució de problemes 60 2,4 CA04, KA03, SA04, SA05, SA06, SA07, SA08, SA09
Clases 56 2,24 CA04, KA03, SA04, SA05, SA06, SA07, SA08, SA09
  • Classes teòriques que inclouen exemples pràctics en els camps de la Física d'Altes Energies, Astrofísica i Cosmologia
  • Exercicis i tasques que hauran de resoldre els estudiants sols o en grups petits
  • Discussió de problemes durant les classes i tutories
  • Sessions presencials sobre eines de programari per a estadístiques i anàlisi de dades (en llenguatge de programació Python)
  • Explicació i discussió de codis de mostra / algorismes en llenguatges de programació de Python durant les classes i tutorials

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Resolució d'un examen de síntesi final 45% 5 0,2 CA04, KA03, SA04, SA06
Resolució dels exercicis de classe 50% 40 1,6 CA04, KA03, SA04, SA05, SA06, SA07, SA08, SA09
Assistència i participació activa a les classes 5% 0 0 CA04, KA03, SA04, SA05, SA06

L'avaluació tindrà en compte:


  • Assistència i participació activa a les classes teòriques
  • Resolució d'exercicis específics al llarg del curs*
  • Resolució d'un examen final


* Els alumnes resoldran els exercicis plantejats a classe fora de l'horari lectiu. L'avaluació podrà incloure una sessió presencial de discussió dels resultats amb el professorat


Per a aquelles i aquells estudiants que no superin el curs després del procediment regular d'avaluació, hi haurà una ronda d'avaluació de recuperació que consistirà en un examen de síntesi. No hi haurà marca de llindar perquè pugui optar a la ronda d'avaluació de recuperació, llevat del requisit general d'haver estat avaluat/avaluada com a mínim en un 66% de les activitats totals de qualificació en la primera ronda.


Aquesta assignatura/mòdul no preveu el sistema d’avaluació única.


En aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) com a part integrant del desenvolupament del treball, sempre que el resultat final reflecteixi una contribució significativa de l'estudiant en l'anàlisi i la reflexió personal. L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l’ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització en la nota de l'activitat, o sancions majors en casos de gravetat


Bibliografia

 

  • G. Bohm and G. Zech; \"Introduction to Statistics and Data Analysis for Physicists\", 3rd Edition, 2017, Verlag Deutsches Elektronen-Synchrotron (available on-line https://s3.cern.ch/inspire-prod-files-d/da9d786a06bf64d703e5c6665929ca01)
  • F. James; \"Statistical Methods in Experimental Physics\", 2nd Edition, 2006, World Scientific
  • G. Cowan; \"Statistical Data Analysis\", 1998, Oxford University Press
  • A. Gelman, J. B. Carlin, H. S. Stern, et al. \"Bayesian Data Analysis\", 3rd Edition, 2013, CRC Press

Programari

Introduirem i farem ús de el llenguatge de programació Python (vegeu la secció "Prerequisits" per obtenir informació detallada sobre la instal·lació)

En particular, estudiarem i farem servir les següents llibreries Python: NumPy, pandas, matplotlib, SciPy i scikit learn

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TEm) Teoria (màster) 1 Anglès primer quadrimestre matí-mixt