| Mestrado Universitario en Bioinformática para Ciencias da Saúde |
 Asignaturas |
| Probabilidad. estadística y elementos de biomatemática |
| Contenidos |
|
|
|
| Datos Identificativos | 2022/23 | |||||||||||||
| Asignatura | Probabilidad. estadística y elementos de biomatemática | Código | 614522007 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Periodo | Curso | Tipo | Créditos | |||||||||
| Máster Oficial | 1º cuatrimestre |
Primero | Obligatoria | 6 | ||||||||||
|
||||||||||||||
| Tema | Subtema |
| 1. Revisión de conceptos básicos de probabilidad y estadística. |
a. Probabilidad. Variables aleatorias y distribuciones notables discretas y continuas. Distribuciones multivariantes. b. Inferencia estadística: estimación, contrastes de hipótesis e intervalos de confianza. |
| 2. Revisión del lenguaje de programación estadístico R. | a. Introdución al R. Primeros pasos. Funciones internas. Ayuda en R. Funciones, bucles, vectores. Funciones estadísticas. Gráficas. Recursividad. R studio. b. Principales distribuciones de probabilidad en R. c. Introducción a la simulación en R. d. Estadística descriptiva en R. e. Contrastes de hipótesis e intervalos de confianza con R. |
| 3. Modelos estadísticos lineales. | a. El modelo de regresión lineal simple. Hipótesis básicas. Estimación. Contrastes. Predicción. Diagnosis del modelo. b. El modelo de regresión lineal múltiple. Hipótesis básicas. Estimación. Contrastes. Predicción. Diagnosis del modelo. c. Modelos básicos del diseño experimental. Análisis de la Varianza (ANOVA) de una y dos vías, sin y con interacción. Hipótesis básicas. Estimación. Contrastes. Diagnosis del modelo. d. El problema de los contrastes múltiples. False discovery rate. |
| 4. Introducción a los procesos estocásticos. | a. Paseo aleatorio simple. b. Proceso de Poisson y procesos de renovación. Procesos de nacimiento y muerte. c. Procesos Markovianos. Cadenas de Markov. |
| 5. Introducción a los métodos de remuestreo. | a. El bootstrap uniforme. Cálculo de la distribución bootstrap: distribución exacta y distribución aproximada por Monte Carlo. Ejemplos. Aplicación del bootstrap a la estimación de la precisión y el sesgo de un estimador. b. Modificaciones del Bootstrap uniforme. Bootstrap paramétrico, simetrizado y suavizado. Discusión y ejemplos. c. Métodos bootstrap para la construcción de intervalos de confianza: método percentil, percentil-t, percentil-t simetrizado. Ejemplos. Estudios de simulación. |
|
