Máster Online Bioestadística y Bioinformática

1. Fundamentos del análisis descriptivo de datos unidimensionales.

2. Introducción a R y RSTUDIO.

3. Fundamentos de cálculo de Probabilidades I.

4. Fundamentos de cálculo de Probabilidades II.

5. Variables aleatorias discretas.

6. Variables aleatorias continuas.

7. Distribuciones notables discretas.

8. Práctica de R- Principales Objetos de R.

9. Distribuciones notables continuas.

10. Elementos básicos de un vector aleatorio.

11. Práctica con R. Representación y simulación de variables aleatorias con R.

12. Vector de medias y matriz de covarianzas.

13. Estimación de los parámetros de una población.

14. Intervalo de confianza para una proporción.

15. Intervalo de confianza en distribuciones normales.

16. Contraste de hipótesis para una proporción.

17. Contraste de hipótesis para una población normal.

18. Comparación de poblaciones.

19. Práctica de R. Contraste de hipótesis en R.

20. El método de máxima verosimilitud.

21. El método de máxima verosimilitud para la estimación de parámetros. Estimando la media y la varianza de una muestra procedente de una distribución normal mediante el método de máxima verosimilitud.

22. El modelo de regresión lineal simple. Estimación de los parámetros por mínimos cuadrados.

23. Propiedades de los estimadores. Contrastes de hipótesis sobre los parámetros. Predicción.

24. El modelo de regresión lineal múltiple. Estimación de los parámetros por mínimos cuadrados. Propiedades de los estimadores. Contrastes de hipótesis sobre los parámetros. Predicción. Diagnosis del modelo.

25. Ajuste de modelos de regresión lineal (regresión simple y regresión múltiple) con R. Predicción de modelos de regresión lineal con R. Ajuste de modelos polinómicos con R.

26. El modelo de análisis de la varianza (ANOVA). El test F.

27. Support vector machines para regresión.

28. Redes neuronales para regresión.

29. Métodos de selección de variables para regresión. Tipos de métodos de selección de variables. Métodos de filtrado. La correlación. La ganancia de información. El test de Chi Cuadrado.

1. Python: el nuevo desconocido.

2. Características básicas del lenguaje.

3. Programación orientada a objetos y excepciones.

4. Manipulación de datos.

1. Introducción a las ómicas: aplicación.

2. Bases de datos para el análisis e interpretación de datos ómicos.

3. Computación de datos de alto rendimiento (HTS).

4. Introducción a la ultra secuenciación (Next-generation sequencing NGS).

5. Transcriptómica.

6. Análisis de datos de microarrays.

7. Análisis de datos de RNA-seq.

8. Análisis supervisado: Expresión diferencial.

9. Interpretación de datos de expresión.

10. Análisis de exomas (WES).

11. Las otras ómicas.

12. Análisis terciario en ómicas.

13. R: Integración, creación y análisis de herramientas basadas en R para análisis ómico.

Revisión bibliográfica profunda de un tema relacionado con el máster o desarrollo de un proyecto. Contarás con la dirección de uno de tus docentes.