Mostrando entradas con la etiqueta Videos. Mostrar todas las entradas
Mostrando entradas con la etiqueta Videos. Mostrar todas las entradas

27/4/24

APUNTES SOBRE LA TEORÍA DE LA INFORMACIÓN

 
 
 

 

La teoría de la información también denominada teoría matemática de la comunicación, es un área de la matemática informática y la probabilidad matemática, que estudia el procesamiento de los datos al transmitir información mediante un mensaje, desde un emisor hasta un receptor a través de un determinado canal; en este sentido, estudia la capacidad que tienen los sistemas de comunicación para procesar e intercambiar información de manera sistemática, midiéndola y representándola. La teoría de la información fue propuesta en 1949 por Claude Shannon y Warren Weaver, con aportes previos de Markovi y Hartley y posteriores como el de Alan Turing; los estudios dedicados a este campo del conocimiento tienen el objetivo de mejorar los canales de comunicación para enviar mensajes sin afectar su calidad.


¿Quiénes son Shannon y Weaver?

Claude Elwood Shannon (30 de abril de 1916, Petoskey, Míchigan, EE.UU.  24 de febrero del 2001, Medford, Massachusetts). Fue un ingeniero eléctrico y matemático, denominado el "padre de la teoría de la información", realizó sus estudios de matemáticas y electrónica en la Universidad de Michigan, alcanzando grado de doctor en 1940 en el Instituto de Tecnología de Massachusetts. En 1948, publicó su artículo "A Mathematical Theory of Communication", en el que se consideraron las bases de la teoría de la información, llegando a entender cuánta información tiene el mensaje transmitido por un canal, también para resolver diferentes tipos de problemas en un sistema, como por ejemplo mejorar la fiabilidad de las comunicaciones.

En su obra, Shannon logra transformar la percepción de la información introduciendo métodos matemáticos para analizar su cuantificación en bits y estudiar la probabilidad de distorsión, redundancia y ruido en la comunicación. También establece el teorema del muestreo, dejando claro que todas las fuentes de información se pueden medir y que cada canal tiene una capacidad máxima para una determinada transmisión. Las aportaciones de Shannon también se extienden a la teoría de la criptografía, la computación y la inteligencia artificial.


 

Warren Weaver (Reedsburg, Wisconsin, EE.UU., 17 de julio de 1894 - New Milford, Connecticut, 24 de noviembre de 1978). Fue un científico estadounidense que trabajo en diversas disciplinas como matemáticas, física y biología así como en la traducción automática, estudió en la Universidad de Wisconsin-Madison y trabajó en la Fundación Rockefeller y en Instituto Sloan-Kettering para la Investigación del Cáncer. Warren Weaver es reconocido por su colaboración con Claude Shannon en la formulación de la teoría matemática de la comunicación, pues la amplió al pasar del lenguaje de las máquinas a la comunicación en general, juntos crearon el esquema lineal de la comunicación: fuente-codificador-canal-descodificador-destino. Este modelo permitió una mejor comprensión de la función de los medios y los filtros técnicos en la comunicación.



Principales objetivos de la Teoría de la Información

- Calcular la cantidad de información que podemos obtener de un conjunto de datos.
- Desarrollar métodos adecuados para almacenar, procesar y transmitir información.
- Estudiar la transmisión de la información a través de un canal de comunicación, teniendo en cuenta el ruido y otras perturbaciones.
- Lograr la máxima transferencia de información minimizando la redundancia.
- Desarrollar algoritmos y técnicas de compresión de datos para almacenar información compacta, conservando su validez.
- Asegurar la seguridad y confiabilidad de los sistemas de comunicación.
- Aplicar los principios de la teoría de la información en campos como la ingeniería de las comunicaciones, la criptografía, la compresión de datos, la inteligencia artificial, la biología, etc.

Elementos - Modelo de Shannon y Weaver

El modelo de Shannon-Weaver, conocido también como el modelo lineal de la comunicación principalmente consta de los siguientes elementos:

 

ARTE DIGITAL Y MATEMÁTICAS EN "ANIMATION VS MATH"

 

Como era de esperar, la matemáticas y el arte digital se entrelazan en una agradable combinación, como podemos verlo en "Animation vs Math"; en este proyecto se nos presentan a personajes animados embarcándose en aventuras dentro de un mundo matemático. Sus creadores son artistas digitales que ilustran historias a través de la creatividad visual y los principios matemáticos dando forma a historias originales y entretenidas, para nuestra suerte, este proyecto se encuentra publicado en las redes sociales, permitiéndonos apreciar y disfrutar de una experiencia divertida inspirada en estas disciplinas.


(Fuente)


Ficha técnica:
Título: Animation vs. Math
Dirección: Alan Becker
Guion: Terkoiz
Música: Scott Buckley    
Edición: Dan Loeb
Productora: 18th Century Bear
Duración: 14 minutos
Año de estreno: 2023
Géneros: Animación, Acción, Aventura, Comedia, Ciencia ficción.




 





"En el sentido filosófico, la observación muestra y el experimento enseña." (Claude Bernard, 1813-1878)


 

10/6/23

DISECCIONES DE DUDENEY Y EL ACERTIJO DEL MERCERO

 


 

Las disecciones geométricas consisten en transformar una figura en otra, esto implica cortar la figura en dos o más piezas que luego se reorganizan para formar otra figura; uno de los casos más conocidos se refiere a las "disecciones de Dudeney" que son rompecabezas geométricos creados por el matemático Henry Dudeney, donde se plantea convertir un triangulo equilátero en un cuadrado, usando la menor cantidad de cortes rectos posibles; para resolverlo, se requiere pensamiento lógico y creativo y, cierta afición por los desafíos intelectuales.

 

¿Quién fue Dudeney? 

Henry Ernest Dudeney (1857-1930), fue un escritor, matemático y lógico, muy conocido por sus acertijos y rompecabezas; nació el 10 de abril de 1857 en Mayfield, East Sussex - Inglaterra y murió el 23 de abril de 1930 en Lewes. Desde joven mostró un talento excepcional en la resolución de problemas matemáticos, fue colaborador y editor de acertijos para "The Strand Magazine", además, se destacó como escritor con sus libros: The Canterbury Puzzles (1907), Amusements in Mathematics (1917), The World's Best Word Puzzles (1925), Modern Puzzles (1926), etc. Dudeney participó también en la Sociedad Matemática de Londres (Society Mathematical of London) defendiendo la educación matemática; en la actualidad, sus retos lógicos son ampliamente conocidos por los aficionados de los acertijos y de las matemáticas recreativas.


El acertijo del Mercero

El "Acertijo del Mercero" es uno de los acertijos más conocidos de Dudeney, publicado en 1907, en su libro "The Canterbury Puzzles" (Los Acertijos de Canterbury). Este acertijo implica cortar una pieza de tela en formas específicas con el menor número de cortes para satisfacer las necesidades de los clientes sin desechar material.


El Acertijo del Mercero
(Henry E. Dudeney)


Se hicieron muchos intentos, por mucho tiempo infructuosos, para convencer al Mercero, que era de la partida, de que propusiera un acertijo de algún tipo. Al fin, en una de las paradas de los peregrinos, dijo que les enseñaría algo que “les retorcería el cerebro como se retuerce la cuerda de una campana”. De hecho, estaba gastándoles una broma, pues él ignoraba si existía una respuesta al acertijo que les presentaba. Enseñó un trozo de tela con forma de triángulo equilátero perfecto, como se ve en la ilustración y dijo: “¿Es alguno de vosotros diestro en el corte de género? Estimo que no. Cada hombre a su oficio, y el estudioso puede aprender del lacayo, y el sabio del necio. Mostradme, pues, si podéis, de qué manera puede cortarse este trozo de género en cuatro piezas, para que puedan reunirse y formar un cuadrado perfecto.

Bien, algunos de los más avezados de la compañía encontraron el modo de realizarlo en cinco piezas, pero no así en cuatro. Mas cuando presionaron al Mercero para que les diera la solución correcta, tuvo que admitir, luego de varias evasivas, que no conocía la manera de hacerlo en ningún número de piezas. “Por San Francisco,” dijo, “cualquier bribón puede, creo yo, poner un acertijo, pero es para los conocedores el resolverlo.” Gracias a esto, se salvó por poco de una golpiza. Pero el punto curioso es que yo he encontrado que de hecho puede resolverse con sólo cuatro piezas, y sin revertir ninguna al unirlas. El método de hacerlo es sutil, pero pienso que el lector encontrará que es un problema muy interesante.


Solución


La ilustración muestra cómo el trozo triangular de tela puede cortarse en cuatro piezas, que unidas formarán un cuadrado perfecto. Divida al medio AB por D y BC por E; trace la recta AE hasta F, haciendo que EF sea igual a EB; divida al medio AF en G, y describa el arco AHF; trace EB hasta H, y EH será el largo del lado del cuadrado requerido; desde E, con distancia EH, describa el arco HJ, y tome JK igual a BE; ahora, desde los puntos D y K baje perpendiculares a EJ hasta L y M. Si ha hecho esto con precisión, ya tendrá las directivas para los cortes.
…
Agrego aquí una ilustración que muestra el acertijo en una forma práctica bastante curiosa, ya que fue realizado en caoba lustrada, con pernos de bronce para uso ante ciertos auditorios. Se verá que las cuatro piezas forman una especie de cadena, y que cuando se cierran en una dirección forman el triángulo, y cuando se cierran en la otra forman el cuadrado.


 

Obtenido de... "Los acertijos de Canterbury y otros problemas curiosos" (Henry E. Dudeney) - Ediciones Juan Granica S.A. España, 1988.

 

Este problema fue expuesto en la Royal Institution, en junio de 1905 como: “Un Nuevo Problema de Superposición: una demostración de que un triángulo equilátero puede ser dividido en cuatro piezas que pueden volver a unirse para formar un cuadrado, con algunos ejemplos de un método general para transformar todos los triángulos en cuadrados, por disección.”

 

23/4/22

P-VALOR



El  p-valor (p-value) también conocido como valor de p o valor de probabilidad, es una medida que nos permite evaluar la significancia estadística de los resultados observados durante un estudio o experimento, ayudándonos a tomar decisiones sobre las hipótesis planteadas; es una herramienta fundamental para la inferencia estadística y la interpretación de resultados obtenidos en una investigación al contrastar hipótesis; representa la probabilidad de observar los datos recolectados, o datos aún más extremos, en caso de que la hipótesis nula fuera realmente cierta.

Entonces, el p-valor proporciona la medida de lo probable que es obtener los resultados que hemos observado si es que la hipótesis nula fuera cierta; esta probabilidad oscila entre 0 y 1, y cuanto menor es el p-valor, mayor es la evidencia que nos lleva a descartar la hipótesis nula, obteniéndose un resultado más significativo. El p-valor se utiliza en pruebas de hipótesis estadísticas donde comparamos un estadístico de muestra (media, proporción, diferencia entre grupos, etc.) con su distribución bajo la hipótesis nula; los resultados se consideran significativos si el p-valor es menor que un nivel de significancia previamente fijado (por ejemplo 0.05), donde se rechaza la hipótesis nula, y se acepta la hipótesis alternativa.

Es importante recalcar, que el p-valor no indica la probabilidad de que la hipótesis nula sea cierta o falsa, sino la probabilidad de obtener los resultados que hemos observado en el caso de que la hipótesis nula fuese cierta; además, el p-valor por sí solo no proporciona información suficiente.


CONSIDERACIONES SOBRE P-VALOR

a) Tamaño de la Muestra: El tamaño de la muestra puede influir en la precisión del p-valor, es decir, que en muestras pequeñas los resultados tienden a ser menos confiables, mientras que con muestras grandes, se pueden alcanzar resultados estadísticamente significativos.

b) Nivel de significancia (α): El nivel de significancia previamente definido (comúnmente 0.05), determina el umbral de rechazo de la hipótesis nula (H₀). Es importante elegir un nivel de significancia apropiado respecto al contexto del estudio y las consecuencias de cometer un error tipo I (rechazar la hipótesis nula cuando no debe ser rechazada).

c) Tamaño del efecto: Además del p-valor,es importante considerar el tamaño del efecto; que es la magnitud de la fuerza  de la relación entre dos variables o la diferencia observada entre los grupos. Un p-valor puede ser estadísticamente significativo, pero si el tamaño del efecto es pequeño, el resultado puede tener poca relevancia práctica.

d) Contexto del estudio: Al interpretar el p-valor, se debe considerar el contexto del estudio y la pregunta de investigación en su totalidad, pues su importancia varía según el contexto.

e) Replicabilidad y robustez: Los resultados estadísticamente significativos deben ser replicados en estudios independientes, teniendo en cuenta la robustez de los resultados; un solo p-valor significativo no garantiza la validez o la replicabilidad de los resultados.

f) Posibles sesgos y limitaciones: Es necesario tener en cuenta los posibles sesgos en el diseño del estudio o las limitaciones en el método analítico a la hora de interpretar los resultados, pues los sesgos son influyentes por lo que deben ser considerados en la interpretación del p-valor.


BENEFICIOS DEL P-VALOR

a) Objetividad: El p-valor proporciona una medida objetiva de evidencia en contra de la hipótesis nula, tomando como base, datos observados en la muestra.

b) Estandarización: El p-valor proporciona una medida estandarizada que facilita la comparación de la significancia estadística entre distintos estudios o análisis, sin considerar las unidades de medida o escalas utilizadas.

c) Guía para la toma de decisiones: El p-valor puede servir como guía directa para la toma de decisiones al realizar pruebas de hipótesis estadísticas; ya que, si p-valor fuese inferior al nivel de significancia predefinido, se rechazaría la hipótesis nula en favor de la hipótesis alternativa; por ejemplo en los casos típicos sobre la toma de decisiones basadas en evidencias, donde los resultados de los p-valores significativos influyen en la formulación de políticas y la toma de decisiones clínicas.

d) Comunicación científica: El p-valor es una medida utilizada para resumir la evidencia estadística en trabajos científicos y sus análisis.

e) Interpretación de resultados: El p-valor permite dar una interpretación estadística de los resultados, para comprender y demostrar su importancia en diferentes estudios.



LIMITACIONES DEL P-VALOR

a) Poca interpretabilidad, ya que describe la probabilidad de observar los datos cuando la hipótesis nula es cierta, pero no proporciona información sobre la magnitud del efecto.

b) Uso inadecuado, se observa en una inferencia causal basada únicamente en la significancia estadística, llegando a mal interpretarse el resultado.

c) Sesgo de publicación y selección, que lleva a sobre valorar la importancia de resultados estadísticamente significativos o también subestimar la evidencia en contra de la hipótesis nula.

d) Dependencia del tamaño de la muestra, al obtener resultados estadísticamente significativos en muestras grades, sin considerar el tamaño del efecto.

e) Niveles arbitrarios de significancia, por ejemplo si la selección de α=0.05 es arbitraria, entonces la interpretación de los resultados también puede resultar arbitraria.

f) Replicabilidad y reproducibilidad, los estudios con resultados estadísticamente significativos no siempre serán replicables en estudios independientes, lo que genera dudas sobre su validez y robustez.

g) Limitaciones en estudios exploratorios, pues la significancia con p-valor puede resultar poco útil, pues podría aumentar la probabilidad de falsos positivos o errores en la información obtenida.


UMBRALES DE P-VALOR MÁS USADOS

Para determinar la significancia estadística en términos de p-valor, debemos considerar los umbrales de rechazo de la hipótesis nula que denominamos nivel de significancia (α). Los umbrales de p-valor más empleados son: 0.05, 0.01, 0.001 y 0.10; estos valores indican las probabilidades del 5%, 1%, 0.1% y 10% respectivamente, de que los resultados obtenidos sean estadísticamente significativos si la hipótesis nula fuese verdadera. De estos umbrales, el más utilizado es 0.05, si el p-valor es menor que 0.05 entonces se considera que los resultados son estadísticamente significativos; para un p-valor de 0.01 la exigencia es mayor, pues requiere más evidencia para poder rechazar la hipótesis nula; en caso de p-valor menor a 0.001, la exigencia y la certeza de los resultados es aún mayor; mientras que el valor 0.1 es el nivel de significancia es menos estricto que los anteriores y se utiliza en estudios exploratorios o cuando se desea ser más permisivo al rechazar la hipótesis nula.

Estos valores pueden variar según contexto de la investigación, la naturaleza de los datos o las preferencias del investigador por cierta disciplina o ámbito de estudio.


P-valor < 0.05

Significa que existe una probabilidad menor al 5% de que los resultados observados se deban al azar o a la casualidad, este valor es ampliamente utilizado en muchos ámbitos científicos y de investigación, pues intenta buscar el equilibrio entre ser lo suficientemente riguroso como para evitar el riesgo de cometer errores de tipo I (falsos positivos), y ser lo suficientemente sensible como para detectar hallazgos significativos; algunos ámbitos son:

- Ciencias sociales: Psicología, economía, ciencia política, sociología, etc.
- Ciencias de la salud: Medicina, sanidad pública, nutrición, etc.
- Ciencias biológicas: Biología, bioquímica, biotecnología, etc.
- Ciencias ambientales: Ecología, geografía ambiental, geología, climatología, etc.
- Ciencias de la computación: Ciencia de datos, Inteligencia artificial, etc.
- Ingeniería: Civil, mecánica, eléctrica, etc.


P-valor < 0.01

Es utilizado comúnmente en ámbitos donde se exige mayor control sobre el error de tipo I, pues un falso positivo puede resultar considerablemente significativo; incluyen ámbitos como:
- Investigación médica: Al evaluar nuevos tratamientos o intervenciones médicas.
- Ciencias de la salud pública: Los resultados de una investigación pueden marcar la dirección de las decisiones políticas en salud.
- Ciencias ambientales: Al evaluar riesgos de impactos ambientales.
- Ciencias económicas: En el análisis económico, financiero y  la evaluación de políticas económicas.
- Ingeniería: Al evaluar la seguridad y las estructuras.


P-valor < 0.001

Se utiliza en disciplinas donde se necesita una evidencia muy fuerte para rechazar la hipótesis nula, pues las investigaciones en tales ámbitos, traen consecuencias importantes y los riesgos son muy altos, algunas de estas disciplinas son:

- Ciencias médicas: Ensayos clínicos de nuevos fármacos o de tratamientos.
- Salud pública: Estudios relacionados con la prevención de enfermedades, el control de epidemias o  políticas de salud pública.
- Ciencias ambientales: Estudio de los efectos de los contaminantes medioambientales.
- Ingeniería de la seguridad: Estudios donde la precisión de los datos tiene consecuencias significativas en la seguridad pública.
- Investigación biomédica: Estudios relacionados con la genética, biología molecular o patogenia de enfermedades.


P-valor < 0.1

Se utiliza en disciplinas donde se puede tolerar un mayor riesgo de error tipo I (falsos positivos) y donde la rigurosidad estadística no es tan crítica como en otros ámbitos, pues se acepta un mayor margen de error en favor de la exploración, la innovación o la obtención de información preliminar; se pueden incluir:

- Estudios exploratorios: En estudios donde se exploran nuevas ideas, teorías o relaciones.
- Estudios piloto: Antes de realizar estudios más grandes y costosos, a menudo se realizan estudios piloto o investigaciones preliminares.
- Estudios de observación: En estudios como encuestas de opinión o estudios de mercado.
- Estudios de ingeniería: En las etapas iniciales del diseño o desarrollo de productos, donde se están explorando distintas estrategias y soluciones.


DEFINICIÓN MATEMÁTICA

El p-valor indica la probabilidad (P) de que un resultado o prueba estadística Kn es mayor o igual a un valor observado kn asumiendo una hipótesis nula (H₀) verdadera:

\[p-valor=P(K_n≥k_n | H_0 \text{ verdadera})\]

Si el p-valor es pequeño, indica que, bajo la hipótesis nula, los datos observados son improbables, lo que nos lleva a rechazar la hipótesis nula, en favor de la hipótesis alternativa; por otro lado, si el valor de p-valor es grande, indica que los datos observados son consistentes con la hipótesis nula. Las pruebas estadísticas pueden ser normal, t-student, chi-cuadrada, entre otras.

 


5/6/21

IA vs ML vs DL


Estos últimos años hemos sido testigos de una serie de grandes avances en el campo de la tecnología digital, específicamente en Inteligencia Artificial (AI) y aprendizaje automático (Machine Learning); desde el perfeccionamiento de complejos sistemas de recomendación hasta mejoras en los sistemas de procesamiento de lenguaje natural, estas tecnologías están evolucionando a una velocidad acelerada y están abriendo nuevas oportunidades a nivel mundial.

La IA hace referencia a la capacidad que tienen las máquinas para realizar tareas que normalmente requerían de la inteligencia humana, mientras que el Machine Learning se dedica exclusivamente al diseño de algoritmos y modelos para que las máquinas puedan aprender de los datos y mejorar su desempeño con el tiempo y el Deep Learning, como técnica de Machine Learning, utiliza las redes neuronales profundas para abordar problemas complejos como el reconocimiento de imágenes y el procesamiento del lenguaje natural.

Si hablamos de aplicaciones, estas tecnologías tienen una extensa variedad, desde asistentes virtuales y chatbots que interactúan de forma completamente natural con los usuarios, hasta sistemas de recomendación personalizados. Se utilizan, también en la automatización industrial, para predecir fallos en la maquinaria o para optimizar procesos concretos; por otra parte, tiene aplicación en el diagnóstico médico, para detectar patrones y anomalías que podrían pasar desapercibidos por los profesionales de la salud. Los vehículos autónomos, la traducción automática o el análisis de sentimientos, constituyen otras áreas donde estas tecnologías son muy importantes, revolucionando industrias y transformando el modo de vida y la forma de trabajar que hasta ahora tenemos.

En definitiva la IA, el Machine Learning y el Deep Learning están modificando nuestro mundo de maneras impensables, pues traen con ellos numerosos beneficios; sin embargo, su uso indebido o poco ético podría tener consecuencias negativas para la sociedad, pues a medida que los algoritmos se vuelven más precisos, también existe el riesgo de fraudes, violación de la privacidad, promoción de la desinformación, etc., por ello, es fundamental desarrollar y aplicar estas tecnologías con responsabilidad, siguiendo principios éticos que promuevan igualdad, transparencia y seguridad; y así, garantizar que los beneficios constituyan un progreso real y positivo para toda la humanidad.

 

 Referencia: (1), (2), (3).

 

Para entender mejor la comparación entre IA, ML y DL, así como sus beneficios, se recomienda ver el siguiente vídeo...

 

(Fuente)

 

6/6/20

¿POR QUÉ TENEMOS 12 NOTAS MUSICALES?


La relación entre la música y las matemáticas es indudable, las notas musicales, las tonalidades, los tiempos, las composiciones están estrechamente conectadas con las matemáticas. Podemos observar un ejemplo en el siguiente vídeo:



15/6/19

ESTADÍSTICA DESCRIPTIVA E INFERENCIAL

La estadística descriptiva e inferencial son dos ramas de la estadística, la primera se encarga de la recolección, análisis y presentación de datos para facilitar su uso y la segunda permite analizar los datos de una población a partir de una muestra. La explicación precisa, podemos encontrarlo en canal de YouTube PsicoFacil.


Primera Parte 
 

Segunda Parte
 

1/7/18

LA HISTORIA DEL UNO




La Historia del 1, originalmente “The Story of 1”, es un entretenido documental que explica los orígenes del número 1. Fue dirigida por Nick Murphy y presentado por Terry Jones bajo la producción de la BBC del Reino Unido en el año 2005. 




MATEMÁTICA ALTERNATIVA


 

Créditos:
Director: David Maddox 
Guionistas: David Maddox, Malcolm Morrison 
Producido por: Liz Cardenas & David Maddox 
Fotografia: David Blood 
Director de arte: David Pink 
Musica: Damon Criswell 
Actores: Allyn Carrell, Paul T. Taylor, Hope Whitaker, Mykle McCoslin, Bryan Massey, Cole Whitaker, Sean McGraw, Wilbur Penn, etc.








"En el sentido filosófico, la observación muestra y el experimento enseña." (Claude Bernard, 1813-1878)

4/6/17

TEORÍA DE LOS JUEGOS



La teoría de Juegos, es un área de las matemáticas que consiste en estudiar el efecto de las decisiones de un agente sobre otras decisiones, situaciones o entornos, creándose una interdependencia estratégica. Se suele utilizar en arboles de decisión y aplicar los números a problemas sociales, económicos y políticos. En conflictos y problemas, su uso ayuda a generar hipótesis y plantear soluciones. Los siguientes vídeos explican claramente el concepto de la teoría de juegos y el equilibrio de Nash a través de la experimentación del dilema del prisionero: 


 
 




FLATLAND – PLANILANDIA

Flatland: A Romance of Many Dimensions (Planilandia: Una novela de muchas dimensiones) es una novela escrita por el teólogo ingles Edwin A. Abbott, publicada en 1984. La historia se basa en un mundo bidimensional llamado Flatland cuyos habitantes son polígonos vivientes; el personaje principal, un Cuadrado, tiene un sueño sobre las líneas y su mundo unidimensional, además es visitado por una esfera, quien le muestra la existencia del mundo tridimensional, es aquí donde cuadrado es instruido y empieza a conjeturar sobre la existencia de otras dimensiones...



Flatland: The Film and The Movie 

Flatland: The Film y Flatland: The Movie (cortometraje), son películas de animación basadas en la novela de Edwin Abbott, ambas estrenadas en el año 2007, al igual que la obra original, estas adaptaciones nos cuentan las vicisitudes del personaje principal "un cuadrado"...

Flatland: The Film 

Créditos:
Título: Flatland: The Film 
Duración: 95 minutos 
Año: 2007 
Género: Animación, Ciencia ficción 
País: Estados Unidos 
Director: Ladd Ehlinger Jr. 
Guión: Tom Whalen 
Escritor: Edwin A. Abbott (novela original) 
 Producido por: FX Vitolo 
Música: Mark Slater 
Editado: Ladd Ehlinger Jr. 
Productora: Flatland productions 
Voces: Ashley Blackwell, Simon G. Hammond, Chris Carter, Greg Trent, Ladd Ehlinger Jr., Karen Ehlinger, etc.


Flatland: The Movie

Créditos
Título: Flatland: The Movie 
Duración: 34 minutos 
Año: 2007 
Género: Animación, Ciencia ficción 
País: Estados Unidos 
Directores: Dano Johnson y Jeffrey Travis 
Producido por: Seth Caplan y Will Wallace 
Guión: Seth Caplan, Dano Johnson y Jeffrey Travis 
Escritor: Edwin A. Abbott (novela original) 
Música: Kaz Boyle 
Productora: Producciones Flat World 
Voces: Martin Sheen, Kristen Bell, Tony Hale, Michael York, Joe Estevez, etc.











"La generación de números aleatorios es demasiado importante como para dejarla al azar." (Robert R. Coveyou, 1915-1996)

11/4/16

EL MÉTODO CIENTÍFICO

A continuación se presenta un Corto Animado producido por Universidad de Barcelona, donde de forma visual, se explica cada fase del método científico, desde el planteamiento de la hipótesis hasta su verificación mediante la experimentación, para finalmente obtener los resultados del estudio.



Créditos:
Título: Ciencia Animada. Episodio 1. El Método Científico
Dirección: Margarita Becerra (La UB divulga)
Asesor científico: Claudi Mans
Animación: Luis Pérez
Edición: Sabrina Menéndez
Música: Todo el largo verano
Producción: Universidad de Barcelona
Sitio: http://www.ub.edu/laubdivulga

RAMANUJAN Y EL NÚMERO π




Créditos
Título: Ramanujan and the Number π 
Serie: Amazing Moments in Science
Duración: 2 minutos 30 segundos.
Año: 2016
Productora: OpenMind

6/6/15

AMOR Y ESTADÍSTICA

Amor y Estadística (A veces para encontrar el amor hay que echar cuentas), es un cortometraje español que trata sobre las probabilidades en la búsqueda de la pareja ideal. Fue finalista de la XI edición del festival Jameson Notodofilmfest y del Certamen de cortometrajes Angelika, escrito y dirigido por Óscar Arenas y Carlos Caro, con la interpretación de los actores Diego Villena, Eva Flórez y Vicente Esplugues.


22/4/14

LA HISTORIA DE ÉVARISTE GALOIS





En el año 2008 se publica la película "3:19 Nada es casualidad" del director mexicano Dany Saadia, en esta película que incluye un interesante corto de animación, relata la trágica historia de Évariste de Galois (1811-1832), genio matemático del algebra moderna reconocido, posterior a su muerte, por desarrollar los fundamentos de la teoría de grupos. La película fue producida por la industria española Volya Productions y Fábrica Interactiva de México, siendo ganadora de varios premios en festivales cinematográficos.