Análise de Dados em Astronomia

AGA-0505

Primeiro Semestre de 2024
Professor: Laerte Sodré Jr.

laerte.sodre@iag.usp.br

Monitor: Erik Vinicius Lima

erik.vini@usp.br

aulas: sala B-301 (Laboratório de Informática)

Horário:

Objetivos:

ensinar noções práticas de estatística aplicada à análise de dados

foco em técnicas úteis para a Astronomia

aplicações em R (ver https://www.r-project.org/)

curso prático: entender e saber aplicar os conceitos

Avaliação:

esquema sugerido do TCD:

  • 1. página de rosto:

  • -título do trabalho

  • -nome do aluno e número USP

  • -resumo do trabalho (1 parágrafo)

  • 2. corpo do trabalho

  • -1 introdução: apresentação do problema

  • -2 objetivos: apresente em um parágrafo o objetivo do trabalho

  • -3 dados: apresentação dos dados utilizados e pré-processamento (se for o caso); caso se trate de dados simulados, descrever a simulação

  • -4 metodologia: as ferramentas usadas na análise

  • -5 resultados: aplicação das ferramentas aos dados

  • -6 conclusões: resuma os principais resultados e o que você conclui

  • -7 referências: artigos e webpages usadas

  • -8 apêndice: o código usado

    • Sejam objetivos e sucintos! Conseguir isso é uma arte!

    Data limite de entrega do TCD: 28/06/2024, 24h


    Programa

  • 1. Introdução: Probabilidades e Estatística

  • 2. Probabilidades

  • 3. Distribuições de Probabilidades

  • 4. Simulações

  • 5. Testes de Hipótese

  • 6. O Método da Máxima Verossimilhança

  • 7. Inferência Bayesiana

  • 8. Comparação Bayesiana de Modelos

  • 9. Aprendizado de Máquina: Princípios Gerais

  • 10. Aprendizado de Máquina: Regressão e Classificação

  • 11. Aprendizado de Máquina: Deep Learning

  • 12. Séries Temporais

    • Aulas

    Aula 1- Introdução: probabilidades e estatística
  • aula 1 (pdf)
  • R1.html
  • dados: novais.txt

    Aula 2- Distribuições de probabilidades
  • aula 2 (pdf)
  • R2.html
  • completando o quadrado (pdf)

    Aula 3- Probabilidades
  • aula 3 (pdf)
  • R3.html

    Aula 4- Amostragem e Simulações
  • aula 4 (pdf)
  • R4.html

    Aula 5- Testes de Hipóteses, Comparação de Distribuições e Análise de Correlação
  • aula 5 (pdf)
  • R5.html

    Aula 6- O Método da Máxima Verossimilhança
  • aula 6 (pdf)
  • R6.html
  • dados: tab_virgo.dat
  • dados: NGC4472_profile.dat

    Aula 7- Inferência Bayesiana
  • aula 7 (pdf)
  • R7.html
  • dados: contagensX.dat

    Aula 8- Modelos Bayesianos
  • aula 8 (pdf)
  • R8.html

    Aula 9- Aprendizado de Máquina: Princípios Gerais
  • aula 9 (pdf)
  • R9.html
  • dados: ell.dat
  • dados: rmixgmr.dat
  • dados: spec100c.dat- espectro do contínuo + linhas de absorção de 100 galáxias
  • dados: spec100cl.dat- idem mais as linhas de emissão
  • dados: zspec.dat- redshifts espectroscópicos entre 0 e 0.5 em uma certa região do céu
  • dados: qso_est_gal.dat- fotometria do S-PLUS de 3000 objetos classificados como QSOs, estrelas ou galáxias

    Aula 10- Aprendizado de Máquina: Regressão e Classificação
  • aula (pdf)
  • R10.html
  • dados: splus-mag-z.dat
  • dados: dadosparaestrelagalaxia.dat

    Aula 11- Aprendizado de Máquina: Deep Learning
  • aula (pdf)
  • R11.html

    Aula 12- Séries Temporais
  • aula (pdf)
  • R12.html
  • dados: GX.dat
  • dados: Kepler2.dat
  • dados: SN_m_tot_V2.0.txt