Guía docente de Bioestadística y Bioinformática (M53/56/2/8)

Este curso pretende dar una visión global de las principales herramientas probabilísticas y estadísticas involucradas en el desarrollo de la investigación aplicada en el ámbito del análisis de supervivencia y la epidemiología, así como en ámbitos relacionados tales como la Biomatemática, o bien, la Bioinformática. Se resumen los principales aspectos que se trabajarán en este curso mediante los siguientes items:

• Introducción a la probabilidad y procesos estocásticos.
• Inferencia estadística: Estadística paramétrica, no paramétrica y bayesiana.
• Modelos lineales y no lineales: Estimación por mínimos cuadrados y máximo-verosímil.  
• Modelos lineales generalizados.
• Modelos en el análisis de supervivencia y aplicaciones en el ámbito epidemiológico.
• Introducción a los métodos estadísticos en la bioinformática: Contrastes múltiples, reducción de la dimensión, algoritmos de selección. Clusterización.
• Diseños de investigación epidemiológica y demografía.
• Introducción práctica de las técnicas estadísticas analizadas mediante su programación.

Para el desarrollo del Temario Teórico se requieren conocimientos previos sobre Cálculo de Probabilidades, y nociones de probabilidad más avanzadas, referentes al análisis de vectores aleatorios y procesos estocásticos. En el desarrollo del Temario Práctico, se requieren conocimientos básicos sobre lenguajes de programación.

El alumno sabrá/comprenderá:

• Los contenidos de cada uno de los bloques temáticos a partir de las clases presenciales y material del curso.
• Dentro de los contenidos de dichos bloques temáticos se exigirá:

1. Resumir la información muestral mediante estadísticos apropiados.
2. Preprocesamiento y visualización de datos.
3. Conocer la teoría de la probabilidad que permita entender las técnicas bioestadísticas habituales.
4. Aplicar técnicas de inferencia estadística a partir de una muestra para formular conclusiones válidas para la población, dando medida, asimismo, del nivel de confianza de las conclusiones obtenidas.
5. Aplicar intervalos de confianza y contrastes estadísticos para validar hipótesis sobre un conjunto de datos para una, dos o más poblaciones.
6. Detectar la relación existente entre variables y calcular los parámetros necesarios para ajustar modelos lineales y no lineales entre estas variables.
7. Obtener y utilizar datos epidemiológicos y valorar tendencias y riesgos para la toma de decisiones sobre salud. 
8. Aplicar de forma adecuada las técnicas estadísticas sobre inferencia en el contexto  del análisis de supervivencia, y, en general, las técnicas basadas en medidas aleatorias puntuales, para realizar predicciones en estudios epidemiológicos, en  particular, auxiliados por las técnicas estadísticas usuales aplicadas en el mapeo de enfermedades.
9. Aplicar de forma adecuada las técnicas estadísticas adquiridas, en este curso, en el ámbito de la bioinformática.

TEMA 1: MODELOS PROBABILÍSTICOS
Elementos sobre probabilidad. Variable aleatoria. Características de distribuciones. Distribuciones de probabilidad discretas y continuas más frecuentes en bioestadística: Bernoulli, Binomial, Multinomial, Geométrica, Hipergeométrica, Poisson, Uniforme, Exponencial, Erlang, Gamma, log-normal y otras relacionadas. Vectores aleatorios. Normal multivariante.

TEMA 2: PROCESOS ESTOCÁSTICOS
Conceptos básicos sobre procesos de Markov. Procesos de Poisson homogéneos, no homogéneos y doblemente estocásticos. Procesos de segundo orden.
Análisis de series temporales.

TEMA 3: INFERENCIA ESTADÍSTICA: Estadística paramétrica: Estimación puntual, intervalos de confianza, contraste de hipótesis en poblaciones normales. Contrastes de bondad de ajuste, localización, homogeneidad e independencia. Inferencia bayesiana.

TEMA 4: MODELOS LINEALES. ANOVA Y REGRESIÓN: Estimación por mínimos cuadrados y máximo-verosímil. Modelo lineal general. Modelo de Gauss-Markov. Modelo lineal n-dimensional. Modelos de efectos mixtos. Comparación de medias para varios criterios de clasificación. Regresión lineal. Modelos lineales generalizados.

TEMA 5: MODELOS NO LINEALES: Regresión paramétrica no lineal y regresión no paramétrica.

TEMA 6: ANÁLISIS DE SUPERVIVENCIA: Regresión no paramétrica para los tiempos de vida acelerados. Función de supervivencia y función de riesgo. Distribuciones clásicas en el análisis de supervivencia.  Inferencia a partir de datos censurados. Estimación puntual y por intervalos de confianza. Método de máxima verosimilitud.

TEMA 7: MÉTODOS ESTADÍSTICOS EN LA BIOINFORMATICA: Contrastes múltiples, reducción de la dimensión, algoritmos de selección. Clusterización.

TEMA 8: DISEÑOS DE INVESTIGACIÓN EPIDEMIOLÓGICA Y DEMOGRAFÍA: Medidas de asociación y de impacto potencial. Pruebas clínicas, validez y fiabilidad, sesgos. Modelos ROC.

DISEÑO Y PROGRAMACIÓN DE ALGORITMOS PARA:

SIMULACIÓN DE DISTRIBUCIONES DE PROBABILIDAD UNIDIMENSIONALES Y MULTIDIMENSIONALES

IMPLEMENTACIÓN DE TÉCNICAS DE INFERENCIA ESTADÍSTICA PARA POBLACIONES NORMALES:

• ESTIMACIÓN PUNTUAL Y POR INTERVALOS DE CONFIANZA
• CONTRASTE DE HIPÓTESIS PARA POBLACIONES NORMALES
• CONTRASTES DE SIGNIFICACIÓN PARA EL MODELO LINEAL GENERAL

IMPLEMENTACIÓN DE TÉCNICAS ESTADÍSTICAS PARA INFERENCIA SOBRE MODELOS DE SUPERVIVENCIA

• ALGORITMOS  PARA LA ESTIMACIÓN POR MÁXIMA VEROSIMILITUD
• ALGORITMOS  PARA LA ESTIMACIÓN POR INTERVALOS DE CONFIANZA
• ALGORITMOS PARA LA IMPLEMENTACIÓN DE TÉCNICAS DE  REGRESIÓN LINEAL Y NO LINEAL
• MÉTODOS BOOTSTRAP PARA EL CÁLCULO DE INTERVALOS DE CONFIANZA  Y ESTIMACIÓN DE DISTRIBUCIONES DE PROBABILIDAD
• ALGORITMOS DE PREDICCIÓN BASADOS EN REGRESIÓN Y TÉCNICAS DE APRENDIZAJE AUTOMÁTICO

Chernick, M.R., Friis, R.H. (2003). Introductory Biostatistics for the Health Sciences: Modern Applications Including Bootstrap. Wiley.

Cryer, J.D., Chan, K.-S. (2008, 2ª ed.). Time Series Analysis: With Applications in R. Springer.

Durrett, R. (2012, 2ª ed.). Essential of Stochastic Processes. Springer.

Härdle, W., Yuichi, M., Vieu, P. (eds.) (2007). Statistical Methods for Biostatistics and Related Fields. Springer.

Hastie, T., Tibshirani, R., Friedman, J. (2009, 2ª ed.). The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Springer.

Kulkarni, V.G. (2011, 2ª ed.). Introduction to Modeling and Analysis of Stochastic Systems. Springer.

Le, C.T., Eberly, L.E. (2016, 2ª ed.). Introductory Biostatistics. Wiley. 

Peña, D. (2010, 2ª ed.). Regresión y Diseño de Experimentos. Alianza Editorial..

Ugarte, M.D., Militino, A.F., Arnholt, A.T. (2015, 2ª ed.). Probability and Statistics with R. CRC Press.

Vittinghoff, E., Glidden, D.V., Shiboski, S.C., McCulloch, C.E. (2012, 2ª ed.). Regression Methods in Biostatistics: Linear,  Logistic, Survival, and Repeated Measures Models. Springer.

Dalgaard, P. (2008, 2ª ed.). Introductory Statistics with R. Springer.

Norman, G.R., Streiner, D.L. (2008, 3º ed.). Biostatistics. The Bare Essentials. B.C. Decker Inc.

Shahbaba, B. (2012). Biostatistics with R. An Introduction to Statistics Through Biological Data. Springer.

Shumway, R.H., Stoffer, D.S. (2017, 4ª ed.). Time Series Analysis and its Applications. With R Examples. Springer.

Wassertheil-Smoller, S., Smoller, J. (2015, 4ª ed.). Biostatistics and Epidemiology. A Primer for Health and Biomedical Professionals. Springer.

• https://link.springer.com/search
• https://www.sciencedirect.com/browse/journals-and-books
• https://cran.r-project.org/

• MD01 Lección magistral 
• MD02 Resolución de problemas y estudio de casos prácticos 
• MD03 Prácticas de laboratorio 
• MD05 Tutorías académicas 
• MD06 Realización de trabajos individuales o en grupos 

• E1: Valoración de las pruebas, ejercicios, prácticas o problemas realizados individualmente o en grupo a lo largo del curso. Ponderación mínima: 10%. Ponderación máxima: 25%.
• E2: Realización, exposición y defensa final de informes, trabajos, proyectos y memorias realizadas de forma individual o en grupo. Ponderación mínima: 10%. Ponderación máxima: 20%.
• E3: Realización de exámenes parciales o finales escritos. Ponderación mínima: 55%. Ponderación máxima: 75%.
• E4: Valoración de la asistencia y participación del alumno en clase y en los seminarios, y sus aportaciones en las actividades desarrolladas. Ponderación mínima: 5%. Ponderación máxima: 10%

Se contemplan los mismos criterios de evaluación en la convocatoria extraordinaria. Más concretamente:

• E1: Valoración de las pruebas, ejercicios, prácticas o problemas realizados individualmente o en grupo a lo largo del curso. Ponderación mínima: 10%. Ponderación máxima: 25%.
• E2: Realización, exposición y defensa final de informes, trabajos, proyectos y memorias realizadas de forma individual o en grupo. Ponderación mínima: 10%. Ponderación máxima: 20%.
• E3: Realización de exámenes parciales o finales escritos. Ponderación mínima: 55%. Ponderación máxima: 75%.
• E4: Valoración de la asistencia y participación del alumno en clase y en los seminarios, y sus aportaciones en las actividades desarrolladas. Ponderación mínima: 5%. Ponderación máxima: 10%

El artículo 8 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que podrán acogerse a la evaluación única final, el estudiante que no pueda cumplir con el método de evaluación continua por causas justificadas. Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación, si ésta se ha producido con posterioridad al inicio de las clases, lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La evaluación, en tal caso, consistirá en una prueba final única. 

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

R, entorno de software libre para computación y gráficos estadísticos (https://cran.rproject.org/)