Inicio/Másteres/Máster en Bioestadística y Bioinformática (CEMP)

Máster en Bioestadística y Bioinformática (CEMP)

Doble titulación por la UCAM, que podrás convalidar por 60 ECTS a través de formación a distancia.

¿Quieres recibir información sobre este máster?

Déjanos tus datos y la academia se pondrá en contacto contigo.

 

Sobre este máster

La bioinformática está en auge en los últimos años debido a la situación derivada del SARS-Cov-2. Esta disciplina científica permite manejar e interpretar grandes cantidades de datos, entre ellos los biológicos. A través de la bioinformática es posible extraer el máximo conocimiento de los datos y aplicarlo a la resolución de problemas biológicos y biomédicos. Esto ha propiciado el aumento de la demanda de profesionales especializados en este ámbito.

En CEMP somos especialistas en másteres y posgrados de sanidad, salud y deporte. Preparamos a nuestro alumnado para desarrollarse profesionalmente en un mercado global y competitivo donde ampliar sus oportunidades laborales como experto en su área.

Temario

Fundamentos del análisis descriptivo de datos unidimensionales
Introducción a R y RSTUDIO
Fundamentos de cálculo de Probabilidades I
Fundamentos de cálculo de Probabilidades II
Variables aleatorias discretas
Variables aleatorias continuas
Distribuciones notables discretas
Práctica de R- Principales Objetos de R
Distribuciones notables continuas
Elementos básicos de un vector aleatorio
Práctica con R. Representación y simulación de variables aleatorias con R
Vector de medias y matriz de covarianzas
Estimación de los parámetros de una población
Intervalo de confianza para una proporción
Intervalo de confianza en distribuciones normales
Contraste de hipótesis para una proporción
Contraste de hipótesis para una población normal
Comparación de poblaciones
Práctica de R. Contraste de hipótesis en R
El método de máxima verosimilitud
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.
El modelo de regresión lineal simple. Estimación de los parámetros por mínimos cuadrados.
Propiedades de los estimadores. Contrastes de hipótesis sobre los parámetros. Predicción.
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.
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.
El modelo de análisis de la varianza (ANOVA). El test F.
Support vector machines para regresión.
Redes neuronales para regresión.
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.
Métodos de extracción de variables para regresión. El análisis de componentes principales (PCA).
Métodos de selección y extracción de variables en R.
Construcción rigurosa de un modelo de regresión. Conjuntos de en- trenamiento y de test. Medidas para la capacidad predictiva de un modelo de regresión. El error cuadrático medio. Comparación de modelos de regresión.

Fundamentos del análisis descriptivo de datos unidimensionales
Introducción a R y RSTUDIO
Fundamentos de cálculo de Probabilidades I
Fundamentos de cálculo de Probabilidades II
Variables aleatorias discretas
Variables aleatorias continuas
Distribuciones notables discretas
Práctica de R- Principales Objetos de R
Distribuciones notables continuas
Elementos básicos de un vector aleatorio
Práctica con R. Representación y simulación de variables aleatorias con R
Vector de medias y matriz de covarianzas
Estimación de los parámetros de una población
Intervalo de confianza para una proporción
Intervalo de confianza en distribuciones normales
Contraste de hipótesis para una proporción
Contraste de hipótesis para una población normal
Comparación de poblaciones
Práctica de R. Contraste de hipótesis en R
El método de máxima verosimilitud
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.
El modelo de regresión lineal simple. Estimación de los parámetros por mínimos cuadrados.
Propiedades de los estimadores. Contrastes de hipótesis sobre los parámetros. Predicción.
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.
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.
El modelo de análisis de la varianza (ANOVA). El test F.
Support vector machines para regresión.
Redes neuronales para regresión.
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.
Métodos de extracción de variables para regresión. El análisis de componentes principales (PCA).
Métodos de selección y extracción de variables en R.
Construcción rigurosa de un modelo de regresión. Conjuntos de en- trenamiento y de test. Medidas para la capacidad predictiva de un modelo de regresión. El error cuadrático medio. Comparación de modelos de regresión.

Phyton el nuevo desconocido
Características básicas de lenguaje
Programación orientada a objetos y excepciones
Manipulación de datos

IIntroducción a las ómicas: aplicación
Bases de datos para el análisis e interpretación de datos ómicos
Computación de datos de alto rendimiento (HTS)
Introducción a la ultrasecuenciación (Nex-generation sequencing NGS)
Transcriptómica
Análisis de datos de microarrays
Análisis de datos de RNA-seq
Análisis supervisado: Expresión diferencial
Interpretación de datos de expresión
Análisis de exomas (WES)
Las otras ómicas
Análisis terciario en ómicas
R: Integración, creación y análisis de herramientas basadas en R para análisis ómico.

¿A quién va dirigido?

Este curso está dirigido para personas que quieran trabajar como