Análise de Dados em Astronomia
AGA-0505
Primeiro Semestre de 2026
Professor: Laerte Sodré Jr.laerte.sodre@iag.usp.br
Monitor: Pierre Augusto Ré Marthopierre@usp.br
aulas: sala B-301 (Laboratório de Informática)
Horário:
- 3a.f 14:00 - 16:00
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:
- listas: entregar ANTES da aula seguinte (ou subtração de 0.1 na nota por dia de atraso); o máximo atraso permitido será de 2 semanas
mande por email ao professor e ao monitor um arquivo pdf com a seguinte nomenclatura:
nome do aluno + número do exercício.pdf (exemplo: laertesodre02.pdf)
- prova 1: 28/4
- prova 2: 23/6
- prova substitutiva: 7/7
- nota final: 20% prova 1, 20% prova 2; 50% listas de exercícios; 10% participação nas aulas
os exercícios são individuais!
você pode trabalhar com outros alunos, mas deverá apresentar seus próprios materiais e código, mostrando a lógica por trás do trabalho
você pode usar o chatGPT ou outra ferramenta, mas não apresente materiais gerados por IA como se fossem seus e verifique sempre se eles estão certos!
Programa
1. Introdução: Probabilidades e Estatística
2. Estatística Descritiva
3. Probabilidades
4. Distribuições de Probabilidades
5. Amostragem e Simulações
6. Inferência Bayesiana
7. Comparação Bayesiana de Modelos
8. Alguns Métodos Frequentistas
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 estatísticaaula 1 (pdf) aula1_R.html perguntas 1 dados: novais.txt
Aula 2- Estatística Descritivaaula 2 (pdf) aula2_R.html perguntas 2
Aula 3- Probabilidadesaula 3 (pdf) aula3_R.html perguntas 3
Aula 4- Distribuições de probabilidadesaula 4 (pdf) aula4_R.html perguntas 4 completando o quadrado (pdf)
Aula 5- Amostragem e Simulaçõesaula 5 (pdf) aula5_R.html perguntas 5
Aula 6- Inferência Bayesianaaula 6 (pdf) aula6_R.html perguntas 6 dados: contagensX.dat dados: McConnell_Ma_2013_ascii.txt
Aula 7- Comparação de Modelosaula 7 (pdf) aula7_R.html perguntas 7
Aula 8- Alguns Métodos Frequentistasaula 8 (pdf) aula8_R.html perguntas 8 dados: tab_virgo.dat dados: NGC4472_profile.dat
Aula 9- Aprendizado de Máquina: Princípios Geraisaula 9 (pdf) aula9_R.html perguntas 9 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: qso_est_gal.dat- fotometria do S-PLUS de 3000 objetos classificados como QSOs, estrelas ou galáxias
Aula 10- Aprendizado de Máquina: Regressão e Classificaçãoaula (pdf) aula10_R.html perguntas 10 dados: splus-mag-z.dat dados: dadosparaestrelagalaxia.dat
Aula 11- Aprendizado de Máquina: Deep Learningaula (pdf) aula11_R.html perguntas 11
Aula 12- Séries Temporaisaula (pdf) aula12_R.html perguntas 12 dados: GX.dat dados: Kepler2.dat dados: SN_m_tot_V2.0.txt