Guía docente de Tratamiento de Datos (M44/56/2/40)
Máster
Módulo
Rama
Centro Responsable del título
Semestre
Créditos
Tipo
Tipo de enseñanza
Profesorado
- David Blanco Navarro
- María Carmen Carrión Pérez
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 incertidumbres.
4. Uso de métodos Monte Carlo en análisis de incertidumbre.
4. Regresión.
5. Redes Neuronales.
Bibliografía
Bibliografía fundamental
•P.R. Bevington, D.K. Robinson, Data reduction and error analysis for the physical sciences, McGraw-Hill, 2003.
•“Guides in Metrology Committee: JCGM,” BIPM. Accessed: Oct. 17, 2024. [Online]. Available: https://www.bipm.org/en/committees/jc/jcgm
•J.R. Taylor, Introduction to Error Analysis, 1997.
•GUM. Evaluation of measurement data — Guide to the expression of uncertainty in measurement,” BIPM. Accessed: Mar. 28, 2025. [Online]. Available: https://www.bipm.org/en/doi/10.59161/jcgm100-2008e
•“Evaluation of measurement data — Supplement 1 to the ‘Guide to the expression of uncertainty in measurement’ — Propagation of distributions using a Monte Carlo method.” Accessed: Mar. 28, 2025. [Online]. Available: https://www.bipm.org/doi/10.59161/JCGM101-2008
•“Guide to the expression of uncertainty in measurement — Part 6: Developing and using measurement models,” Jan. 2020. doi: 10.59161/JCGMGUM-6-2020.
•L. Berlyand and P.-E. Jabin, Mathematics of Deep Learning : an introduction. in De Gruyter graduate. Berlin/Boston: Walter de Gruyter GmbH, 2023.
Bibliografía complementaria
•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
• 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 Extraordinaria
• Examen final 100%.
Evaluación única final
• Examen final 100%.