Magíster en Ciencias, Mención Computación / En la presente era de datos masivos, la astronomía requiere de herramientas automatizadas para el análisis de información asociada al comportamiento de objetos a lo largo del tiempo. El desarrollo de proyectos de observación sinópticos plantea muchos desafíos en lo que respecta a obtener descripciones relevantes de los aspectos subyacentes de muchos procesos variables en el tiempo. En particular, el estudio de los Núcleos Activos de Galaxia (AGN) resulta de especial interés; dado su comportamiento estocástico en el tiempo y la singular estructura en la variación temporal de su emisión electromagnética. El uso de algoritmos de aprendizaje computacional ha sido de gran éxito en aspectos de identificación de objetos según su morfología y análisis espectral; es de mucho valor el replicar esos resultados en el análisis de dominio temporal. Con este fin es que se puso a prueba distintas configuraciones de arquitecturas de algoritmos de Deep Learning, en particular Convolutional Neural Networks y Recurrent Neural Networks, con el fin de realizar tareas de clasificación de AGN a partir de sus curvas de luz. Estos se pusieron a prueba sobre datos simulados mediante un modelo matemático y sobre 6102 curvas de luz reales obtenidas a partir de observaciones de los campos extragalácticos COSMOS, Stripe82 y XMM-LSS. Los resultados fueron favorables sobre datos simulados, alcanzando un puntaje ROC AUC máximo de 0.96, pero no así sobre datos reales, donde el puntaje máximo alcanzado fue de 0.55 ROC AUC. Esta diferencia puede explicarse debido al reducido número de datos reales del que se dispuso a la hora de entrenar los distintos clasificadores, y a que el modelo de simulación permitió generar un mucho mayor número de curvas de entrenamiento, lo cual permitió un mucho mejor aprendizaje a partir de estas. El presente trabajo entregó información cuantitativa sobre lo importantes que son ciertas características de las curvas de luz, en particular la regularidad de su muestreo y el número de observaciones, en el desempeño de estos tipos de modelos de clasificación de Deep Learning. Junto con esto, se plantea un flujo en el procedimiento de manejo de datos de curvas de luz para clasificación, desde su recolección desde archivos de formato estándar (FITS) hasta la validación de los modelos, que puede ser reutilizado en el futuro en aplicaciones de Deep Learning sobre series de tiempo. Se sugiere, además, el añadir en próximas implementaciones métodos para manejo de incertidumbre debido a ausencia de mediciones, tales como modelos gráficos, de estado oculto o estocásticos.

El fraude con tarjetas de crédito es uno de los problemas más importantes a los que se enfrentan actualmente las entidades financieras. Si bien la tecnología ha permitido aumentar la seguridad en las tarjetas de crédito con el uso de claves PIN, la introducción de chips en las tarjetas, el uso de claves adicionales como tokens y mejoras en la reglamentación de su uso, también es una necesidad para las entidades bancarias, actuar de manera preventiva frente a este crimen. Para actuar de manera preventiva es necesario monitorear en tiempo real las operaciones que se realizan y tener la capacidad de reaccionar oportunamente frente a alguna operación dudosa que se realice. La técnica de Clustering frente a esta problemática es un método muy utilizado puesto que permite la agrupación de datos lo que permitiría clasificarlos por su similitud de acuerdo a alguna métrica, esta medida de similaridad está basada en los atributos que describen a los objetos. Además esta técnica es muy sensible a la herramienta Outlier que se caracteriza por el impacto que causa sobre el estadístico cuando va a analizar los datos. / ---The credit card fraud is one of the most important problems currently facing financial institutions. While technology has enhanced security in credit cards with the use of PINs, the introduction of chips on the cards, the use of additional keys as tokens and improvements in the regulation of their use, is also a need for banks, act preemptively against this crime. To act proactively need real-time monitoring operations are carried out and have the ability to react promptly against any questionable transaction that takes place. Clustering technique tackle this problem is a common method since it allows the grouping of data allowing classifying them by their similarity according to some metric, this measure of similarity is based on the attributes that describe the objects. Moreover, this technique is very sensitive to Outlier tool that is characterized by the impact they cause on the statistic when going to analyze the data. / Tesis

En esta memoria se ha estudiado, por primera vez y de manera exhaustiva, los efectos de la inconsistencia dinámica que está bien demostrado que existe entre las teorías oficiales de precesión y nutación, denominadas IAU2006 e IAU2000 respectivamente. Se ha cuantificado sus efectos en el análisis de datos de observación reales así como las interacciones que se inducen entre las dos componentes de las desviaciones del polo celeste, clasificadas de manera tradicional como precesión y nutación dependiendo fundamentalmente de su origen y de la longitud de su periodo. Se ha examinado los tres modelos de correcciones de las series de nutación que fueron propuestos a principios de 2018 por Escapa y Capitaine para su consideración por la comunidad científica y por los órganos correspondientes de la Unión Astronómica Internacional. Dichas correcciones se basan en todos los resultados previos obtenidos independientemente por ambos autores y sus respectivos colaboradores con el fin de lograr la consistencia dinámica completa de ambas teorías. La terna de modelos de corrección analizada incluye el antiguo modelo recogido en la Convenciones del IERS que ignora los efectos debidos a la diferencia de los valores de referencia de la oblicuidad de la eclíptica y la velocidad de precesión en longitud usados en las teorías IAU2000 e IAU2006, denominado (a) en el documento de trabajo citado de Escapa y Capitaine, otro modelo denominado (c) en este documento, que es el único que proporciona consistencia dinámica completa, así como un modelo simplificado, el (b) que está formado solo por todos los términos seculares mixtos del (c). Se ha realizado experimentos numéricos extendidos a diferentes intervalos de tiempo. Uno coincide con el periodo de ajuste de la teoría IAU2006, aproximadamente 1984-2003 ya que la versión en vigor se publicó en 2003. Otros se extienden hasta casi la actualidad, de 1984 a septiembre de 2018 y también de 1990 a 2018 si se suprimen las observaciones de la época inicial del VLBI que adolecían de mayores errores. Finalmente, se analizan los tres modelos en intervalos temporales de mayor longitud para los que no existen observaciones VLBI, por lo que en este caso los métodos no pueden ponderarse con los pesos asociados a las observaciones. La metodología fundamental procede analizando los residuales de las series originales y ajustando a cada modelo polinomios con grados que varían desde el 1 hasta el 5, ya que este último es el grado de los polinomios del modelo IAU2006, cuya obtención se basa en procedimientos empíricos. En los ajustes se emplean métodos de mínimos cuadrados ponderados, se calculan los valores de las desviaciones cuadráticas medias o WRMS de los datos originales y los residuales de cada ajuste, así como los errores formales de los coeficientes: También se realizan pruebas de significación estadística tanto para los ajustes individuales como para la comparación de modelos regresivos encajados, aunque suelen tener escaso poder de discriminación ya que casi siempre resultan muy significativas. Se obtiene que, aunque el efecto de las tres correcciones de la teoría de nutación sobre la varianza de los residuales es pequeño, pues solo reducen los valores del WRMS en pocos microsegundos de arco cuando se aplican a las series oficiales de datos de observación del IERS, existe un efecto sobre el propio modelo de precesión que podría denominarse “indirecto” y que es de mucha mayor trascendencia. Puede este resumirse diciendo que, mientras que la presencia de los términos seculares mixtos en los modelos de corrección implica que no pueden aproximarse por polinomios de grados hasta el 5 (salvo el idénticamente nulo) en intervalos de tiempo suficientemente largos, aunque insignificantes cuando se comparan con los 25.000 años del periodo de la precesión, como por ejemplo dos siglos, en cambio en intervalos de tiempo más cortos, particularmente en todos aquellos comprendidos dentro del periodo de observaciones VLBI dichos polinomios son capaces de aproximar las correcciones con gran precisión. Así, en el intervalo de ajuste 1984-2003, los polinomios absorben más del 90% de la varianza de los tres modelos estudiados. La cifra disminuye al aumentar la longitud del intervalo, de modo que en el periodo 1984-2018 baja al 60% y en las simulaciones del intervalo 1990-2030 solo absorbe un 50% de la varianza, de modo que el modelo IAU2006 se va deteriorando de manera clara aunque no alarmante y sus efectos serán más notorios en poco más de diez años. La consecuencia más directa de este hecho es que los coeficientes del actual modelo IAU2006 contienen contribuciones espurias que no se deben realmente al movimiento de precesión sino a la falta de aplicación de las correcciones del modelo de nutación en el periodo de ajuste 1984-2003. Los experimentos muestran también que ya es posible determinar correcciones al modelo de precesión que no se limiten a calcular desviaciones y tendencias, y que pueden efectuarse ajustes de los datos de la serie IERS EOP 14 C04 hasta los grados tercero y cuarto de manera que todos los coeficientes son muy significativos y el WRMS de los residuales de dichos ajustes es menor que para el grado 1. Además, los resultados para polinomios de grado superior al dos son más estables en cuanto a los valores de sus coeficientes. Por otra parte, los órdenes de magnitud de los términos de grados 0 y 1 son similares a los obtenidos en otros estudios de las series de datos que limitan su análisis al grado 1, por supuesto sin contemplar efectos de las correcciones aquí analizadas.

Los asteroides cercanos a la Tierra (NEAs en inglés) son un grupo de asteroides cuyas órbitas alrededor del Sol cruzan la órbita de la Tierra. Su proximidad a nuestros telescopios e instrumentos permite estudiarlos con mayor facilidad; pero además de esto, presentan un mayor riesgo de impacto que otros asteroides, y por lo tanto un posible peligro para la vida en nuestro planeta. Debido a esto, estudiar y caracterizar los miembros este grupo de asteroides es de alta importancia no sólo para el conocimiento científico, pero también para la humanidad. En septiembre del 2022, la NASA realizó una prueba de impacto con una sonda a un asteroide a través de la misión DART, con el objetivo de ver si un impacto controlado puede cambiar la órbita de un posible colisionador. El objetivo de esta misión fue Dimorphos, un satélite que orbita el NEA Didymos. En este trabajo reportamos la observación, fotometría, y análisis de un grupo de NEAs, utilizando principalmente un telescopio del Observatorio Ínter-Americano Cerro Tololo en Chile para las observaciones y el software MPO Canopus para el análisis fotométrico. Se extrajeron curvas de luz para los asteroides observados, y se pudieron calcular periodos de rotación para ellos, comparándolos con la literatura y resultados previos. Uno de los asteroides observados fue Didymos (en colaboración con la misión DART), debido a que nuestro lugar y fechas de observación nos pusieron en una posición excelente para poder observarlo en fechas previas al impacto.

Aplica el análisis FOE que es reducir un conjunto de datos originales que contiene varias variables a un segundo conjunto de datos que contenga un número mucho menor de variables, con la condición de que estas nuevas variables contengan la máxima fracción posible de la información contenida en el primer conjunto de datos. Este segundo conjunto datos se obtiene luego de determinar los autovalores y autovectores de la matriz covarianza (Wilks, 1995). El método se ha aplicado a un conjunto de datos de Temperatura de la Superficie del Mar (TSM), estimando primero sus anomalías y construyendo la matriz covarianza, que será utilizada en el método DVS (Descomposición en Valores Singulares) para encontrar los patrones espaciales y temporales (componentes principales). Se han utilizado datos de nivel Level 4, es decir datos sobre los que se ha realizado un procesamiento adicional tal como el llenado de pixeles faltantes mediante técnicas de interpolación o la combinación de datos de diversos sensores. El área de estudio es el Océano Pacífico Ecuatorial (Latitud: 30ºN-30ºS, Longitud: 140ºE-70ºO). El objetivo es identificar los patrones (también denominados modos) más importantes de la variabilidad de la TSM en el Pacífico Ecuatorial, asociar estos modos con fenómenos como El Niño – Oscilación Sur (ENSO), y posteriormente utilizar las primeras componentes principales para encontrar los índices de variabilidad correspondientes al Pacífico Central (ENSO-CP) y al Pacífico Este (ENSO-EP). Finalmente para validar los índices estimados, se los compara con aquellos obtenidos por instituciones nacionales e internacionales. / Tesis