Esta charla ofrece una introducción práctica a los recursos y programas más utilizados en investigación astrofísica, orientada a estudiantes de doctorado y jóvenes investigadores. Se abordan los principales servicios de bases de datos astronómicas, como SIMBAD, MAST, ESO Archive y Aladin, que permiten la búsqueda, visualización y descarga de datos observacionales e información bibliográfica.

Asimismo, se presentan programas esenciales para el análisis de imágenes y espectros SAOImage DS9 y QFitsView, así como herramientas para la gestión y visualización de catálogos y tablas con TOPCAT, incluyendo funciones de cross-matching, estadística y representación gráfica de datos astronómicos.

Finalmente, se introduce la importancia de la documentación científica y el control de versiones, con énfasis en el uso de LaTeX (Overleaf) para la redacción colaborativa de artículos y tesis, BibTeX/Zotero para la gestión de referencias, y Git/GitHub como sistemas de control de versiones y colaboración en proyectos de investigación.

Los modelos tradicionales de regresión lineal, habitualmente resueltos mediante mínimos cuadrados ordinarios (OLS), suelen pasar por alto las incertidumbres de medida, lo que puede generar sesgos en la estimación de los parámetros. Este seminario presenta un enfoque bayesiano para la regresión lineal utilizando técnicas de Markov Chain Monte Carlo (MCMC) a través de Stan, destacando sus ventajas a la hora de tratar con incertidumbres reales en los datos.

Como ejemplo, analizaremos la relación entre la masa del agujero negro central y la dispersión de velocidades de la galaxia anfitriona, realizando regresiones lineales bayesianas tanto con como sin errores de medida. Exploraremos cómo las herramientas de Stan facilitan la implementación de este tipo de modelos, permitiendo a los asistentes aplicar esta metodología en sus propias investigaciones.

La caracterización de incertidumbres y su adecuada propagación son aspectos fundamentales en ciencia y tecnología, y en astrofísica adquieren especial relevancia debido a la abundancia de medidas y observaciones con incertidumbres relativamente altas. En estos casos —a menudo con distribuciones asimétricas— las fórmulas analíticas tradicionales de propagación comienzan a fallar, ya que son aproximaciones válidas únicamente para variables aleatorias normales. Además, la necesidad de procesar y reducir grandes volúmenes de datos hace imprescindible el uso de herramientas de programación como Python.

En este contexto, resulta muy útil disponer de librerías que permitan manejar incertidumbres de forma cómoda, automática y precisa. En esta charla presentaré RichValues, una librería desarrollada durante mi doctorado y en continua actualización, que facilita el trabajo con valores que incluyen incertidumbres, límites superiores/inferiores e intervalos uniformes. Estos “valores enriquecidos” pueden integrarse en vectores o arrays de NumPy y en tablas o dataframes de Pandas, y transformarse mediante cualquier función, propagando las incertidumbres de forma automática, rápida y precisa.

La librería permite importar y exportar estos valores desde o hacia tablas en texto plano (por ejemplo, en formato CSV), realizar ajustes de datos considerando incertidumbres y obteniendo parámetros con sus correspondientes errores, preservar correlaciones, representar gráficamente los valores con Matplotlib, y utilizar funciones de densidad de probabilidad personalizadas. Se mostrará su uso a través de ejemplos y pequeños tutoriales, disponibles en GitHub: github.com/andresmegias/richvalues

Las aplicaciones del Aprendizaje Profundo (Deep Learning) abarcan multitud de campos: desde la detección de objetos y la conversión de audio a texto, hasta la clasificación de imágenes y muchos otros. Adquirir una base sólida en este ámbito puede aportar nuevas ideas y metodologías para afrontar la investigación, proporcionando las herramientas necesarias para que cada estudiante pueda profundizar en la aplicación del Deep Learning en su propio campo.

En esta sesión se abordarán los fundamentos del aprendizaje profundo utilizando TensorFlow, uno de los frameworks más populares, y Keras, su API de alto nivel integrada. Se explorarán los conceptos esenciales de las redes neuronales: capas, funciones de activación, retropropagación y técnicas de entrenamiento. Todo ello se desarrollará a través de un ejemplo práctico que recorrerá el flujo de trabajo típico: carga y preprocesamiento de datos, definición del modelo, entrenamiento, inferencia, evaluación, mejora del rendimiento y visualización en TensorBoard.

Se requieren conocimientos básicos de programación en Python.

La detección de estructuras de bajo brillo superficial en imágenes astronómicas constituye un reto fundamental en el estudio de galaxias y cúmulos, ya que gran parte de la información se encuentra en regiones tenues y difíciles de caracterizar mediante herramientas tradicionales de segmentación. NoiseChisel, parte del paquete GNU Astronomy Utilities (Gnuastro), propone un enfoque innovador basado en el análisis estadístico del ruido, en contraste con los métodos convencionales centrados en la detección directa de señal. Este cambio de paradigma permite extraer estructuras débiles sin necesidad de asumir modelos previos.

En esta charla presentaré brevemente NoiseChisel y mostraré de forma práctica sus comandos básicos, así como algunas de sus posibles aplicaciones en distintos contextos de investigación astronómica: desde la segmentación de regiones de formación estelar H II y la identificación de estructuras difusas, hasta la mejora en la selección de fuentes en entornos densos.

La reducción precisa y eficiente de datos es un paso fundamental para transformar espectros astronómicos en bruto en productos listos para el análisis científico. PypeIt es una tubería de reducción de datos de código abierto basada en Python, diseñada para ofrecer una reducción flexible y automatizada de datos espectroscópicos provenientes de una amplia variedad de instrumentos.

En esta charla presentaré las capacidades principales de PypeIt, con especial atención a sus algoritmos de calibración en longitud de onda, sustracción del cielo y extracción espectral. Utilizando datos del espectrógrafo infrarrojo cercano MOSFIRE, instalado en el telescopio Keck, mostraré el flujo de trabajo para la reducción de espectros multiobjeto, destacando las mejores prácticas y comentando desafíos frecuentes y estrategias para resolverlos.

El objetivo es proporcionar a los participantes una comprensión clara de cómo integrar PypeIt en sus propios programas de observación para optimizar el análisis espectroscópico.

Existe una gran diversidad de códigos de simulaciones cosmológicas, que difieren en sus enfoques e implementaciones. Leer y manejar datos provenientes de distintas simulaciones puede resultar complejo cuando se utilizan códigos diferentes. Para abordar este problema, existe el paquete de Python YT, que permite trabajar de forma unificada con diversos formatos de simulación.

Por otra parte, también existen múltiples programas de halo finder, cada uno con sus propios formatos y tipos de salida. Para leer y manejar estos distintos outputs, se puede utilizar el paquete ytree. Combinando ambas herramientas, es posible interactuar con libertad entre todas las combinaciones posibles de simulaciones y catálogos de halos, facilitando así el análisis comparativo y la integración de resultados.

El camino que deben recorrer los investigadores jóvenes en España hasta lograr un empleo estable siempre ha sido largo y complicado, pero en los últimos años la situación ha empeorado significativamente. Por un lado, la competitividad ha aumentado notablemente: según datos de la SEA, entre 2020 y 2022 el número de investigadores predoctorales y postdoctorales creció un 24 % y un 27 %, respectivamente, frente a un aumento de solo un 5 % en las plazas de plantilla. Esta creciente competencia obliga a los jóvenes doctores a acumular un amplio abanico de méritos en sus currículos si quieren tener opciones reales de estabilizarse.

En esta charla se repasarán los principales caminos disponibles en la carrera científica, las oportunidades de financiación y becas existentes, así como los méritos y estrategias más relevantes para conseguir una plaza estable en el sistema de investigación español.