OFERTA ACADÉMICA
Quimiometría y Cualimetría
Título obtenido: El Instituto de Investigación e Ingeniería Ambiental de la UNSAM otorgará un certificado de aprobación y/o asistencia.
Duración:

Clases teóricas:   36 horas
Clases prácticas: 30 horas (10 prácticas)
Cronograma semanal del curso
-Una clase teórica semanal de 3 horas, los miércoles de 14 a 17 hs.
-Una clase semanal teórica de 1 hora seguida de una clase práctica de 3 horas, los viernes de 13 a 17 hs.
Total: 7 horas semanales

Modalidad: Presencial
El objetivo fundamental de este curso es proveer a los asistentes con las herramientas básicas imprescindibles para aplicar estos conocimientos a sus problemas profesionales que involucren varias o múltiples variables experimentales. Esta característica aparece en actividades tan variadas como la química, la biología, el medioambiente, la ingeniería, la arqueología, etc.

Las vacantes son limitadas
Inicio: miércoles 6 de abril de 2016.
Finalización del dictado: viernes 10 de junio.
Posteriormente: Clase/s de repaso a pedido de los asistentes.
Evaluación

El curso trata sobre distintas técnicas de estadística multivariada, algorítmicas y no algorítmicas, tales como Técnicas lineales de análisis de datos, diseño de experimentos, optimización de procesos, experiencias e instrumentación; redes neuronales artificiales, etc. (ver programa del curso).

Está orientado a profesionales de las ciencias exactas y naturales e ingeniería como así también a alumnos de grado o posgrado que hayan cursado un primer curso de estadística básica.
Está abierto a Doctorandos de otras Universidades y graduados de carreras afines.

La quimiometría trata sobre el análisis e interpretación de datos para la extracción de información sustantiva, como así también al diseño de experiencias orientadas a la obtención de modelos que describan adecuadamente un sistema en estudio. Estos sistemas objeto de estudio son esencialmente multivariados, es decir, dependen de un número grande de variables. El desarrollo es teórico práctico y su objetivo es que el participante obtenga un manejo suficiente de los criterios expuestos como para poder resolver los problemas específicos que se le presentan en su especialidad.

Conocimientos previos al curso
-Nivel imprescindible de conocimientos previos: curso básico de estadística, dominio de Excel y Windows.
-Conocimientos facilitantes y deseables (no imprescindibles): dominio inicial de Matlab y álgebra lineal básica.


 
Sede de cursada:
Edificio del 3iA, Universidad Nacional de General San Martín - 25 de Mayo y Francia. C.P.: 1650. San Martín, Provincia de Buenos Aires, Argentina
 
Informes:
Consultas: Dr. Jorge F. Magallanes  e-mail: jorfemag@gmail.com
Contenidos mínimos de las asignaturas

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
-              Caracterización con múltiples variables
-              El espacio multidimensional
-              Necesidad de la  de reducción dimensional
-              Dendrogramas
-              Modelos, Clases y Distancias
-              Concepto de covarianza, correlación y distancias angulares en el espacio multidimensional

 

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.

-              Análisis por CP a través de un ejemplo de clasificación de especies
-              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.
-              El cálculo e interpretación del análisis de factores
-              Ejemplos de aplicaciones en química analítica

 

Tema 3: Análisis de “Clusters” (subgrupos)

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.

-              Tipos de clasificaciones
-              Utilidad y cálculo de distintos tipos de distancias
      -        Ejemplos en el campo de la química
-              Algoritmos de clústering

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

  • Origen de las redes neuronales artificiales (RNA)
  • Utilidades de las RNA en el campo de la ciencia y tecnología
  • Desde una neurona a una red

 

Tema 2: Tipos de redes

  • Red Hopfield
  • Red ABBAM
  • Mapas auto-organizados y red Kohonen
  • Red de contrapropagación
  • Red de retro-propagación de errores
  • Aplicaciones prácticas

 

Tercera parte: 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.

Tema 1: Calibración univariante

  • El método clásico
  • El método inverso
  • La consideración de los errores según el método de calibración

 

Tema 2: Calibración multivariada

  • Ventaja de la multidetección
  • El método clásico
  • El método inverso
  • Análisis y regresión por componentes principales
  • Cuadrados mínimos parciales: PLS1 y PLS2
  • Sistemas de orden 2: PLS1 trilineal
  • Validación de los modelos

 

Cuarta 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
  

  • Objetivos del diseño experimental
  • Necesidad del diseño experimental en el campo tecnológico
  • Esquema general de un proceso de modelado y optimización
  • Optimización y diseño de experimentos

 Tema 2: Distintos tipos de diseños.

  • Diseño factorial de dos niveles
  • Diseño factorial fraccionario
  • El ‘bloqueo’ en los diseños factoriales
  • Diseño con niveles múltiples
  • Criterios de calidad del diseño
  • Diseños simétricos
  • Diseños de celda uniforme
  • Diseños asimétricos
  • Tecnología de superficie de respuestas
  • ‘Deseabilidad’ en desarrollo de procesos o productos

 

Epílogo: Discusión teórico-práctica de los criterios para evaluar el armado de un modelo.

Plantel docente
Profesores: Dr. Jorge F. Magallanes
Metodología de evaluación
Aprobación del curso: está sujeta a la aprobación del examen final y el 80% de asistencia a las clases. 
Aranceles

Modalidad de Arancel (2016):
     a. General $1800,-
     b. Alumnos de Doctorado y/o Maestrías de Universidades NO UNSAM. $900,-
     c. Alumnos de Doctorado y/o Maestrías de la UNSAM y personal de CNEA. Exentos.
El pago del arancel cubre los materiales de estudio.

Consultas: Dr. Jorge F. Magallanes e-mail: jorfemag@gmail.com

Inscripción: alumnos3ia@unsam.edu.ar

El pago del arancel se deberá realizar mediante transferencia bancaria a la cuenta Nº 00313235/89 del Banco de la Nación Argentina, sucursal San Martín Nº 3245, a nombre de Universidad Nacional de General San Martín.
Enviar copia de la transferencia realizada vía E-Mail a alumnos3ia@unsam.edu.ar, indicando el nombre del cursante, preferentemente a través de un archivo adjunto escaneado para que el Servicio Administrativo de la UNSAM identifique y registre el pago efectuado. (El mismo efectiviza la inscripción y confirma la vacante).

Nombre de la cuenta: Universidad Nacional de General San Martín
Nombre del banco: Banco de la Nación Argentina
Nombre de sucursal: San Martín
Número de sucursal: 3245
Número de cuenta: 313235/89
Tipo de cuenta: cuenta corriente en pesos
CBU: 01100402-20000313235894
CUIT Nº: 30-66247391-6
Fecha de inicio
18/08/2016
Fecha de fin
18/08/2016
Bibliografia
  1. Chemometrics: a textbook. D.L. Massart, B.G.M. Vandeginste, S.N. Deming, Y Michotte and L. Kaufman ELSEVIER. The Netherlands, 1988.
  2. D.L. Massart; B.G.M. Vandeginste; L.M.C. Buydens; S. De Jong; P.J. Lewi and J. Smeyers-Verbeke. Hanbook of Chemometrics and Qualimetrics. Parts A and B Elsevier, Amsterdam 1997.  
  3. Jure Zupan; Johann Gasteiger, Neural Networks in Chemistry and Drug Design. 2nd Edition,. Wiley-VCH, Weinheim,  1999.
  4. Richard G. Brereton. Introduction to multivariate calibration in analytical chemistry. Analyst, 2000,125, 2125-2154.
  5. Teuvo Kohonen Self-Organizing Maps,  Springer-Verlag, Berlin, 1995.
  6. Intelligent Data Analysis. Michael Berthold and David J. Hand (Eds.). Second Edition. Springer-Verlag. Germany. 2003.
  7. C.F. Jeff Wu and Michel Hamada. Experiments. Planning, análisis and parameter designs optimization. John Willey & Sons, Inc. USA, .2000.
  8. Darren Redfern and Colin Campbell. The Matlab 5 Hanbook. Springer-Verlag New Yorc, Inc. 1998.
  9. Application of Factor Analysis to Polarographic Data. Determination of the Number of Species Present in Metal Ion-Ligand Systems. Erwin Baumgartner, Raquel G. Gettar, Francisco D. Mingorance and Jorge F. Magallanes. Talanta 36(1989)1111-1115.
  10. Authomatic Clasification of Steels by Processing EDX Spectra with Artifitial Neural Networks. Jorge F. Magallanes and Cristina Vazquez. - J. Chem. Inf. And Comput. Sci. 38(1998)605-609
Informes
Consultas: Dr. Jorge F. Magallanes  e-mail: jorfemag@gmail.com

 

Quimiometría y Cualimetría

Título obtenido:

El Instituto de Investigación e Ingeniería Ambiental de la UNSAM otorgará un certificado de aprobación y/o asistencia.

Duración:

Clases teóricas:   36 horas
Clases prácticas: 30 horas (10 prácticas)
Cronograma semanal del curso
-Una clase teórica semanal de 3 horas, los miércoles de 14 a 17 hs.
-Una clase semanal teórica de 1 hora seguida de una clase práctica de 3 horas, los viernes de 13 a 17 hs.
Total: 7 horas semanales

Modalidad:

Presencial

Sede de cursada:

Edificio del 3iA, Universidad Nacional de General San Martín - 25 de Mayo y Francia. C.P.: 1650. San Martín, Provincia de Buenos Aires, Argentina

Informes:

Consultas: Dr. Jorge F. Magallanes  e-mail: jorfemag@gmail.com
El objetivo fundamental de este curso es proveer a los asistentes con las herramientas básicas imprescindibles para aplicar estos conocimientos a sus problemas profesionales que involucren varias o múltiples variables experimentales. Esta característica aparece en actividades tan variadas como la química, la biología, el medioambiente, la ingeniería, la arqueología, etc.

Las vacantes son limitadas
Inicio: miércoles 6 de abril de 2016.
Finalización del dictado: viernes 10 de junio.
Posteriormente: Clase/s de repaso a pedido de los asistentes.
Evaluación

El curso trata sobre distintas técnicas de estadística multivariada, algorítmicas y no algorítmicas, tales como Técnicas lineales de análisis de datos, diseño de experimentos, optimización de procesos, experiencias e instrumentación; redes neuronales artificiales, etc. (ver programa del curso).

Está orientado a profesionales de las ciencias exactas y naturales e ingeniería como así también a alumnos de grado o posgrado que hayan cursado un primer curso de estadística básica.
Está abierto a Doctorandos de otras Universidades y graduados de carreras afines.

La quimiometría trata sobre el análisis e interpretación de datos para la extracción de información sustantiva, como así también al diseño de experiencias orientadas a la obtención de modelos que describan adecuadamente un sistema en estudio. Estos sistemas objeto de estudio son esencialmente multivariados, es decir, dependen de un número grande de variables. El desarrollo es teórico práctico y su objetivo es que el participante obtenga un manejo suficiente de los criterios expuestos como para poder resolver los problemas específicos que se le presentan en su especialidad.

Conocimientos previos al curso
-Nivel imprescindible de conocimientos previos: curso básico de estadística, dominio de Excel y Windows.
-Conocimientos facilitantes y deseables (no imprescindibles): dominio inicial de Matlab y álgebra lineal básica.


 
Buscá   
tu
carrera
Carrera
Nivel
Título
  búsqueda avanzada
Facebook/unsamoficial
Twitter/unsamoficial
Youtube/unsamoficial
  ...
Google+ LinkedIn Instagram Pinterest