Preténdese que os alumnos adquiran competencias na identificación de situacións nas que a teoría de probabilidade e os métodos da inferencia estatística son ferramentas axeitadas para a análise cuantitativa de bases de datos xerados na área de bioinformática. Para iso, tratarase de que os estudantes complementen o seu coñecemento dos conceptos básicos de probabilidade e inferencia estatística, obteñan soltura no manexo do software estatístico R, utilizando un gran número de recursos, e que o alumno se introduza na programación nesta contorna. Tamén preténdese que os alumnos se familiaricen cos modelos probabilísticos de procesos estocásticos en tempo discreto e adquiran unha formación básica en técnicas de remostraxe (Bootstrap) como ferramenta para a posta en marcha e avaliación de diferentes algoritmos estatísticos.
Competencias
COMPETENCIAS DO TíTULO
TipoA
Código
Profesionalizador
AP5
CE5 – Desenvolvemento de habilidades no manexo de técnicas estatísticas e a súa aplicación a conxuntos de datos no campo da Bioinformática
AP6
CE6 – Capacidade para identificar as ferramentas software e fontes de datos de bioinformática máis relevantes, e adquirir destreza no seu uso
AP10
CE10 - Elaborar un proxecto de investigación bioinformática, anticipando obstáculos e as posibles estratexias alternativas para solucionalos.
TipoB
Código
Profesionalizador
BP1
CB6 – Posuír e comprender o coñecemento que fornecen unha base ou oportunidade de orixinalidade no desenvolvemento e / ou aplicación de ideas, a miúdo nun contexto de investigación.
BP4
CB9 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e principios subxacentes a públicos especializados e non especializados, de xeito claro e inequívoco
BP5
CB10 – Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun xeito que terá de ser en gran parte auto-orientado ou autónomo.
TipoC
Código
Profesionalizador
CP3
CT3 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida
CP6
CT6 - Valorar criticamente o coñecemento, a tecnoloxía e a información dispoñibles para resolver os problemas cos que deben enfrontarse
CP8
CT8 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade
Obxectivos de aprendizaxe
Contidos
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.
Planificación
Metodoloxías / probas
Competencias
Horas presenciais
Horas non presenciais / traballo autónomo
Horas totais
Presentación oral
A5 A6 A10 B1 B4 B5 C8
24
36
60
Prácticas a través de TIC
A5 A6 A10 B4 B5 C3 C6
18
36
54
Proba de resposta múltiple
A5 B1 B5 C8
1
9
10
Solución de problemas
A5 A6 A10 B1 B4 B5 C3 C6 C8
4
16
20
Atención personalizada
6
0
6
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado
Metodoloxías
Metodoloxías
Descrición
Presentación oral
Presentación con ordenador
Prácticas a través de TIC
Análise estatística de conxuntos de datos usando R.
Proba de resposta múltiple
Proba de reposta múltiple sobre conceptos.
Solución de problemas
Elección das ferramentas estatísticas e estratexias para resolver problemas. Formulación de modelos lineais. Deseño de experimentos. Formulación de plans de remostraxe.
Atención personalizada
Metodoloxías
Prácticas a través de TIC
Solución de problemas
Descrición
Asistencia e participación nas clases teóricas.
Exame escrito de múltiple opción.
Participación en prácticas e seminarios.
Suposto práctico a realizar polo alumno.
Avaliación
Metodoloxías
Competencias
Descrición
Cualificación
Prácticas a través de TIC
A5 A6 A10 B4 B5 C3 C6
Práctica de ordenador usando o software estatístico libre R.
20
Solución de problemas
A5 A6 A10 B1 B4 B5 C3 C6 C8
Traballo orixinal sobre algún dos temas da materia nun contexto de interés en Bioinformática.
40
Proba de resposta múltiple
A5 B1 B5 C8
Proba de comprensión dos conceptos impartidos.
40
Observacións avaliación
A avaliación realizarase por medio dunha proba sobre
prácticas con R, un traballo individual do/da alumno/a, así como unha
proba escrita de conceptos. A calificación da proba de
conceptos representará o 40% da calificación global, a proba de
práctica en R corresponderá ao 20% mentres que o 40% restante
corresponderá ao traballo individual, que ten que ser presentado en público
polos alumnos.
Para superar a materia será necesario obter unha calificación de alomenos 5 sobre 10 no conxunto da materia.
Na
oportunidade de xullo os alumnos poderán liberarse de facer as probas
correspondentes nas que a súa calificación na
oportunidade de xaneiro fora de alomenos 4 sobre 10.
Na primeira oportunidade (xaneiro-febreiro), so os alumnos que non se
teñan presentado a ningunha das probas avaliables que figuran
arriba obterán a calificación de NON PRESENTADO. En xullo obterán a calificación de NON PRESENTADO os alumnos que non tiveran presentado ao exame final desa data.
Fontes de información
Bibliografía básica
Cao Abad, R., Francisco Fernández, M., Naya Fernández, S., Presedo Quindimil, M.A., Vázquez Brage, M (2001). Introducción a la Estadística y sus Aplicaciones. Pirámide
Ewens, W.J. and Grant, G.R. (2005). Statistical Methods in Bioinformatics. Springer
Peña Sánchez de Rivera, D. (2000). Estadística: Modelos y Métodos. Alianza Editorial
Ross, S.M. (1995). Stochastic Processes. Wiley
Efron, B. and Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman and Hall
Davison, A.C. and Hinkley, D.V. (1997). Bootstrap Methods and their Application. Cambridge University Press
Bibliografía complementaria
Recomendacións
Materias que se recomenda ter cursado previamente
Materias que se recomenda cursar simultaneamente
Introdución ás bases de datos/614522002
Xenómica/614522006
Fundamentos de bioinformática/614522008
Introdución á programación/614522001
Fundamentos de intelixencia artificial/614522003
Materias que continúan o temario
Estruturas de datos e algoritmia para secuencias biolóxicas/614522013
Procesamento avanzado de secuencias biolóxicas/614522020
Intelixencia computacional para datos de alta dimensionalidad/614522024
Traballo fin de mestrado/614522025
Intelixencia computacional para bioinformática/614522012
Métodos estatísticos avanzados en bioinformática/614522009
Observacións
(*)A Guía docente é o documento onde se visualiza a proposta académica
da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do
órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías
Cao Abad, R., Francisco Fernández, M., Naya Fernández, S., Presedo Quindimil, M.A., Vázquez Brage, M (2001). Introducción a la Estadística y sus Aplicaciones. Pirámide