1. Introducción a la meteorología: Conceptos básicos, atmósfera y sistemas climáticos.
2. Termodinámica atmosférica: Procesos de calentamiento, humedad y estabilidad.
3. Dinámica atmosférica: Fuerzas, viento geostrófico, balance de fuerzas y vorticidad.
4. Formación de nubes y precipitación: Microfísica de nubes, procesos de colisión-coalescencia e hielo.
5. Tipos de tormentas: Tormentas ordinarias, multicelulares, líneas de turbonada y superceldas.
6. Análisis de superficies y niveles superiores: Interpretación de mapas sinópticos y radiosondeos.
7. Radar meteorológico: Principios, tipos de radares, interpretación de datos y detección de fenómenos.
8. Satélites meteorológicos: Tipos de satélites, canales espectrales y aplicaciones en el análisis de tormentas.
9. Predicción numérica del tiempo (NWP): Modelos atmosféricos, resolución, parámetros físicos y limitaciones.
10. Simulación numérica de tormentas: Modelos de alta resolución, inicialización, validación y aplicaciones.

‘

1. Introducción a la estadística para ciencias atmosféricas: variables, distribuciones, conceptos básicos.
2. Análisis exploratorio de datos (EDA): visualización, resumen estadístico, identificación de patrones en datos de tormentas.
3. Probabilidad y distribuciones de probabilidad: distribuciones comunes en meteorología (normal, exponencial, Weibull, Gumbel).
4. Inferencia estadística: estimación de parámetros, intervalos de confianza, pruebas de hipótesis aplicadas a datos de tormentas.
5. Regresión lineal y correlación: modelado de relaciones entre variables predictoras y características de tormentas (intensidad, duración, trayectoria).
6. Análisis de series temporales: modelado de la evolución temporal de tormentas, detección de tendencias y patrones estacionales.
7. Introducción a Machine Learning: conceptos básicos, tipos de aprendizaje (supervisado, no supervisado, reforzamiento).
8. Preprocesamiento de datos para Machine Learning: limpieza, normalización, selección de características relevantes en el contexto de tormentas.
9. Modelos de clasificación: regresión logística, máquinas de soporte vectorial (SVM), árboles de decisión y aplicaciones para predicción de formación o intensificación de tormentas.
10. Evaluación de modelos de Machine Learning: métricas de rendimiento, validación cruzada, ajuste de hiperparámetros para optimizar la predicción de tormentas.

‘

1. Introducción a la Estadística Avanzada: Repaso de conceptos básicos y fundamentos.
2. Regresión Lineal Múltiple: Modelos, supuestos, diagnóstico y selección de variables.
3. Modelos Lineales Generalizados (GLM): Regresión logística, Poisson y otros tipos de GLM.
4. Técnicas de Remuestreo: Bootstrap, validación cruzada y su aplicación en la evaluación de modelos.
5. Análisis de Componentes Principales (PCA): Reducción de dimensionalidad y exploración de datos.
6. Análisis de Series Temporales: Descomposición, suavizado exponencial y modelos ARIMA.
7. Modelos de Clasificación: Árboles de decisión, Random Forest y máquinas de soporte vectorial (SVM).
8. Evaluación de Modelos Predictivos: Métricas de rendimiento, curvas ROC y análisis de umbrales.
9. Modelización Jerárquica y Multinivel: Introducción y aplicaciones en datos agrupados.
10. Ética y Consideraciones Prácticas en la Modelización Predictiva.

‘

1. Introducción a la estadística marina: conceptos básicos y aplicaciones
2. Recopilación y gestión de datos oceanográficos: fuentes, calidad y formatos
3. Estadística descriptiva: medidas de tendencia central, dispersión y visualización
4. Distribuciones de probabilidad: normal, binomial, Poisson y su aplicación en el ámbito marino
5. Inferencia estadística: estimación de parámetros, intervalos de confianza y pruebas de hipótesis
6. Análisis de varianza (ANOVA) y diseño experimental en investigaciones marinas
7. Regresión lineal simple y múltiple: modelado de relaciones entre variables marinas
8. Series temporales marinas: análisis, descomposición y predicción
9. Técnicas de suavizado y filtrado para datos oceanográficos
10. Análisis de componentes principales (PCA) y reducción de dimensionalidad en datos marinos

‘

1. Introducción a la estadística oceánica: datos oceanográficos y su importancia.
2. Estadística descriptiva: medidas de tendencia central, dispersión y forma en datos oceánicos.
3. Probabilidad y distribuciones: distribuciones comunes en oceanografía (normal, log-normal, Weibull).
4. Inferencia estadística: estimación de parámetros y pruebas de hipótesis aplicadas a datos oceánicos.
5. Análisis de series temporales: descomposición, autocorrelación y análisis espectral de datos oceánicos.
6. Regresión lineal: modelado de relaciones entre variables oceanográficas.
7. Análisis de varianza (ANOVA): comparación de medias entre grupos en estudios oceanográficos.
8. Modelos lineales generalizados (GLM): modelado de datos no normales en oceanografía.
9. Análisis de componentes principales (PCA): reducción de dimensionalidad en datos oceanográficos multivariados.
10. Introducción al modelado predictivo: conceptos básicos y aplicaciones en oceanografía.

‘

1. Introducción a la estadística marina: variables, distribuciones y muestreo.
2. Análisis exploratorio de datos oceanográficos: temperatura, salinidad, corrientes.
3. Regresión lineal y modelos lineales generalizados: aplicaciones en ciencias marinas.
4. Series temporales marinas: análisis de Fourier, espectrogramas y predicción.
5. Simulación numérica de fluidos: ecuaciones de Navier-Stokes y modelos de turbulencia.
6. Modelado de olas: teoría lineal, espectros de olas y simulación de oleaje.
7. Modelos de transporte de sedimentos y dispersión de contaminantes.
8. Técnicas de análisis de incertidumbre y sensibilidad en modelos marinos.
9. Validación y calibración de modelos numéricos utilizando datos observacionales.
10. Introducción a la computación de alto rendimiento y paralelización de código.

‘

1. Introducción al análisis estadístico del oleaje: conceptos básicos y aplicaciones
2. Teoría del oleaje lineal (Airy): características, parámetros y limitaciones
3. Espectro del oleaje: definición, tipos (JONSWAP, Pierson-Moskowitz), parámetros espectrales
4. Análisis de series temporales de oleaje: métodos de procesamiento, filtrado y caracterización
5. Distribuciones estadísticas del oleaje: Weibull, Rayleigh, ajuste y validación
6. Simulación numérica del oleaje: modelos de propagación (SWAN, WAVEWATCH III)
7. Condiciones de contorno y mallado en la simulación numérica
8. Calibración y validación de modelos numéricos con datos observacionales
9. Análisis de resultados: altura significativa, periodo pico, dirección media
10. Aplicaciones prácticas: diseño de estructuras marítimas, predicción del oleaje

‘

1. Introducción al análisis estadístico en oceanografía: Fundamentos y aplicaciones
2. Estadística descriptiva: Medidas de tendencia central, dispersión y forma en datos oceanográficos
3. Probabilidad y distribuciones: Distribuciones comunes en oceanografía (normal, log-normal, Weibull)
4. Inferencia estadística: Estimación de parámetros y pruebas de hipótesis en datos oceanográficos
5. Regresión lineal y no lineal: Modelado de relaciones entre variables oceanográficas
6. Análisis de series temporales: Descomposición, autocorrelación y espectro de potencia en datos oceanográficos
7. Introducción a la simulación numérica de océanos: Modelos y métodos
8. Discretización y esquemas numéricos: Métodos de diferencias finitas, volúmenes finitos y elementos finitos
9. Modelos de advección-difusión: Simulación del transporte de propiedades en el océano
10. Validación y verificación de modelos numéricos: Métricas de error y análisis de sensibilidad

‘

1. Introducción a los modelos de predicción: fundamentos y aplicación en meteorología marina
2. Datos meteorológicos: recolección, procesamiento y análisis
3. Modelos numéricos de predicción: tipos, principios y algoritmos utilizados
4. Análisis de tormentas marinas: identificación, clasificación y patrones de comportamiento
5. Técnicas de modelado: simulación, validación y verificación de resultados
6. Herramientas de visualización de datos: gráficos, mapas y software especializado
7. Estudio de casos: ejemplos prácticos de tormentas marinas y sus predicciones
8. Impacto ambiental de las tormentas marinas: efectos en la ecología y la economía
9. Desarrollo de estrategias de mitigación y respuesta ante tormentas marinas
10. Trabajo de investigación y redacción del Trabajo Final de Máster: enfoques y recomendaciones