Instituto de Investigación e Ingeniería Ambiental
Orientado al análisis e interpretación de datos para la extracción de información sustantiva y al diseño de experiencias para la obtención de modelos que describan adecuadamente un sistema en estudio. Se dictará del 7 de abril al 11 de junio. Actividad arancelada.
Dirigido a estudiantes de posgrado y a profesionales dedicados a cualquier área de la ciencia o la ingeniería.
Docente: Jorge Magallanes
Lugar de cursada: Campus Miguelete
Carga horaria:
Clases teóricas: 40 horas
Clases prácticas: 30 horas (10 prácticas)
Nota: no están incluidas las clases de repaso previas a la evaluación
Cronograma semanal del curso
Una clase teórica semanal de 3 horas: los martes de 14 a 17h
Una clase semanal teórica de 1 hora seguida de una clase práctica de 3 horas: los jueves de 13:30 a 17:30h
Total: 7 horas semanales
Modalidad: Teórico- Práctico
Conocimientos previos al curso:
Nivel imprescindible de conocimientos previos: curso básico de estadística, dominio elemental de Excel y Windows.
Conocimientos necesarios y deseables (no imprescindibles): Esto significa que el alumno deberá manejar estos conocimientos durante el curso; si no los adquirió anteriormente, deberá hacerlo durante el desarrollo del mismo. Éstos son: dominio inicial de Matlab y álgebra lineal básica.
Informes e inscripción: alumnos3ia@unsam.edu.ar
Contenidos:
Primera parte: Técnicas lineales
Tema 1: Introducción a los problemas de variables múltiples
Aquí se enfoca el problema de caracterizar un sistema. La dificultad o facilidad para caracterizarlo dependerá del número de variables con que se describe el mismo. Al aumentar el número de variables se facilita la caracterización pero se complica la interpretación, por eso la ‘reducción dimensional’ es el objetivo central que buscan las técnicas de análisis lineal. Aquí se muestran en forma introductoria algunos de esos métodos que se analizarán con detalle durante el curso.
– “Caracterización” en ciencia y tecnología
– Necesidad de la de reducción dimensional
Tema 2: Análisis por Componentes Principales, Modelos y Análisis de Factores
Esta es una de las principales técnicas de reducción dimensional y sin duda la más difundida entre las técnicas lineales. Mientras que los cálculos pueden ser “transparentes” al operador, la interpretación de los resultados puede simplificar grandemente el entendimiento de un sistema. Además es una herramienta fundamental para determinar el número de parámetros realmente necesarios para caracterizar un sistema. Otras variantes inspiradas en los mismos principios ofrecen una gama de métodos de análisis de datos.
Objetivo del análisis. Noción del cálculo. Interpretación de los CP, de los pesos y de los ‘scores’. La reducción dimensional a través de los CP.
– Otros modelos con principios similares.
Tema 3: Calibración multivariada
Este tópico es esencial en química analítica, pero en realidad es aplicable a la calibración de cualquier instrumento que nos entregue, como resultado de la medición, un vector (ó matriz) de datos en lugar de un dato único. Como es sabido, los instrumentos modernos se caracterizan por brindar una cantidad de información mucho mayor que los de tecnologías pasadas y se hace imprescindible contar con técnicas de cálculo que procesen adecuadamente esta información adicional.
Calibración univariante
Calibración multivariada
Tema 4: Análisis de “Clusters” (grupos)
Este es otro método de reducción dimensional, pero sus principios radican en establecer la similitud entre los integrantes de un conjunto de datos y la posibilidad de observar “clusters” o subgrupos de datos similares. Estas técnicas son una herramienta esencial en tareas de clasificación y pueden aplicarse en forma consecutiva al análisis por CP . Se ejemplifican aquí algunas aplicaciones que van desde el análisis de ‘outlayers’ al estudio de fases móviles en una cromatografía.
– Ejemplos en el campo de la química
Epílogo de la primera parte: Modelos y métodos estadísticamente lineales y no lineales.
Segunda parte: Redes neuronales artificiales (RNA)
Las redes neuronales artificiales están inspiradas en el proceso cibernético de las neuronas reales. Estas redes pueden ejecutar sencillas funciones con mucha eficiencia y su característica principal es que pueden aplicarse a sistemas no lineales. Sus utilidades son muy variadas en los campos de la ciencia y la tecnología. Algunos de sus usos generales son la clasificación de objetos, el análisis de la estructura de datos, la optimización de sistemas y el modelado empírico.
Tema 1: introducción general a las redes neuronales artificiales
Tema 2: Tipos de redes
Tercera parte: Diseño de experimentos y Modelos empíricos
Hasta ahora se han enunciado algunas técnicas orientadas al tratamiento de datos para extraer información. Sin embargo no nos hemos referido al tema de cómo obtener esa serie de datos. El diseño de experimentos es una técnica esencialmente multivariable. Sus objetivos son optimizar la precisión del cálculo de parámetros utilizando una cantidad mínima de experimentos. Estos métodos apuntan a la obtención de algoritmos o gráficos que describan un modelo capaz de representar nuestro sistema en estudio.
Tema 1: Introducción al diseño de experimentos
Tema 2: Distintos tipos de diseños.
– Criterios de calidad del diseño
Epílogo: Discusión teórico-práctica de los criterios para evaluar el armado de un modelo de interés propuesto por los asistentes.