Guía docente de Tratamiento de Datos (M44/56/3/40)

Curso 2023/2024
Fecha de aprobación por la Comisión Académica 18/07/2023

Máster

Máster Universitario en Física: Radiaciones, Nanotecnología, Partículas y Astrofísica

Módulo

Módulo Común

Rama

Ciencias

Centro Responsable del título

International School for Postgraduate Studies

Semestre

Primero

Créditos

3

Tipo

Optativa

Tipo de enseñanza

Presencial

Profesorado

  • David Blanco Navarro
  • María Carmen Carrión Pérez

Tutorías

David Blanco Navarro

Email
  • Tutorías 1º semestre
    • Lunes 9:00 a 10:00 (Decanato F.Ciencias)
    • Viernes 9:00 a 14:00 (Decanato F.Ciencias)
  • Tutorías 2º semestre
    • Lunes 14:00 a 15:00 (Decanato F.Ciencias)
    • Martes 14:00 a 15:00 (Decanato F.Ciencias)
    • Miércoles 14:00 a 15:00 (Decanato F.Ciencias)
    • Jueves 14:00 a 15:00 (Decanato F.Ciencias)
    • Viernes 9:00 a 11:00 (Decanato F.Ciencias)

María Carmen Carrión Pérez

Email
  • Tutorías 1º semestre
    • Martes 12:00 a 14:00 (Dpcho.99-Dpto. Física Aplicadadpcho.99-Dpto. Física Aplicadadpcho.99-Dpto.)
    • Miércoles 12:00 a 14:00 (Dpcho.99-Dpto. Física Aplicadav)
    • Jueves 12:00 a 14:00 (Dpcho.99-Dpto. Física Aplicada)
  • Tutorías 2º semestre
    • Martes 12:00 a 14:00 (Dpcho.99-Dpto. Física Aplicada)
    • Miércoles 12:00 a 14:00 (Dpcho.99-Dpto. Física Aplicada)
    • Jueves 12:00 a 14:00 (Dpcho.99-Dpto. Física Aplicada)

Breve descripción de contenidos (Según memoria de verificación del Máster)

Análisis y tratamiento avanzado de datos y errores. Técnicas Monte Carlo, modelos y estimación de parámetros.

Prerrequisitos y/o Recomendaciones

Los requisitos para cursar esta asignatura son los propios del acceso al Máster.

Competencias

Competencias Básicas

  • CB6. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
  • CB7. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB8. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  • CB9. Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB10. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Resultados de aprendizaje (Objetivos)

Conocer los conceptos fundamentales de análisis y tratamiento avanzado de datos y errores.

Conocer las técnicas Monte Carlo y sus aplicaciones.

Construir estimadores de parámetros y realizar ajustes por diferentes métodos avanzados.

Resolver problemas de estimación de parámetros.

Manejar herramientas numéricas avanzadas para el desarrollo de la materia.

Programa de contenidos Teóricos y Prácticos

Teórico

1. Incertidumbre en medidas.

2. Variables aleatorias y distribuciones de probabilidad.

3. Análisis de errores.

4. Mínimos cuadrados lineales.

5. Mínimos cuadrados no-lineales 

6. Procesos estocásticos.

7. Estimación espectral.

Bibliografía

Bibliografía fundamental

P.R. Bevington, D.K. Robinson, Data reduction and error analysis for the physical sciences, McGraw-Hill, 2003.

•J.R. Taylor, Introduction to Error Analysis, 1997.

•A. C. Melissinos, J. Napolitano, Experiments in Modern Physics, NY Academic Press, 2003.

•W. Mendenhall and T. Sincich, Statistics for engineers and the sciences, Prentice-Hall, 1995.

•W.H. Press, S.A. Teukolsky, W.T. Vetterling, and B.P. Flannery, Numerical Recipes: The Art of Scientific Computing, Third Edition, Cambridge University Press, 2007.

•E. R. Dietz, D. W. Preston, The Art of Experimental Physics, John Wiley & Sons, 2009.

•D.S. Sivia, Data Analysis: A Bayesian Tutorial (Oxford University Press 1996)

Enlaces recomendados

Metodología docente

Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final.)

Evaluación Ordinaria

  • Realización de examen final o evaluación de actividades propuestas por el profesor 50%.
  • Evaluación de las entregas de los informes/memorias realizadas por los alumnos 40%.
  • Evaluación de los trabajos realizados por el alumnado durante el curso o de un trabajo final de la materia 10%.

Evaluación Extraordinaria

• Conjuntos de ejercicios a entregar durante el curso 100%.

• En caso de no entregar los ejercicios o de querer mejorar la calificación, examen final 100%, previa petición mediante correo electrónico del alumno.

Evaluación única final

• Examen final 100%.

Información adicional