|
Guía DocenteCurso Facultade de Informática |
| Mestrado Universitario en Bioinformática para Ciencias da Saúde |
 Asignaturas |
| Probabilidade. estatística e elementos de biomatemática |
| Contidos |
|
|
|
| Datos Identificativos | 2022/23 | |||||||||||||
| Asignatura | Probabilidade. estatística e elementos de biomatemática | Código | 614522007 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Período | Curso | Tipo | Créditos | |||||||||
| Mestrado Oficial | 1º cuadrimestre |
Primeiro | Obrigatoria | 6 | ||||||||||
|
||||||||||||||
| Temas | Subtemas |
| 1. Revisión de conceptos básicos de probabilidade e estatística. |
a. Probabilidade. Variables aleatorias e distribucións notables discretas e continuas. Distribucións multivariantes. b. Inferencia estatística: estimación, contrastes de hipóteses e intervalos de confianza. |
| 2. Revisión da linguaxe de programación estatística R. | a. Introdución ao R. Primeiros pasos. Funcións internas. Axuda en R. Funcións, bucles, vectores. Funcións estatísticas. Gráficas. Recursividade. R studio. b. Principais distribucións de probabilidade en R. c. Introdución á simulación en R. d. Estatística descritiva en R. e. Contrastes de hipóteses e intervalos de confianza con R. |
| 3. Modelos estatísticos lineais. | a. O modelo de regresión linear simple. Hipóteses básicas. Estimación. Contrastes. Predición. Diagnose do modelo. b. O modelo de regresión linear múltiple. Hipóteses básicas. Estimación. Contrastes. Predición. Diagnose do modelo. c. Modelos básicos do deseño experimental. Análise da Varianza (ANOVA) dunha e dúas vías, sen e con interación. Hipóteses básicas. Estimación. Contrastes. Diagnose do modelo. d. O problema dos contrastes múltiples. False discovery rate. |
| 4. Introdución aos procesos estocásticos. | a. Paseo aleatorio simple. b. Proceso de Poisson e procesos de renovación. Procesos de nacemento e morte. c. Procesos Markovianos. Cadeas de Markov. |
| 5. Introdución aos métodos de remostraxe. | a. O Bootstrap uniforme. Cálculo da distribución Bootstrap: distribución exacta e distribución aproximada por Monte Carlo. Exemplos. Aplicación do Bootstrap á estimación da precisión e o nesgo dun estimador. b. Modificacións do Bootstrap uniforme. Bootstrap paramétrico, simetrizado e suavizado. Discusión e exemplos. c. Métodos bootstrap para a construción de intervalos de confianza: método percentil, percentil-t, percentil-t simetrizado. Exemplos. Estudos de simulación. |
|
