Disponer de una titulación universitaria relacionada con el máster: • Estadística, • Matemáticas • Medicina • Farmacia • Biología • Ciencias Ambientales • Biotecnología • Bioquímica • Química • Veterinaria • Ciencias y Tecnología de Alimentos • Ingeniería • Informática • Otras titulaciones afines
Comentarios:
Este Máster en Bioestadística y Bioinformática te prepara para aplicar y desarrollar nuevas técnicas computacionales en la investigación biomédica y para trabajar en empresas del sector biotecnológico y entornos hospitalarios.
Nuestro Máster online en Bioestadística y Bioinformática te enseñará como aplicar herramientas informáticas para almacenar, organizar, analizar e interpretar enormes volúmenes de datos con el fin de extraer el máximo conocimiento de ellos y aplicarlo a la resolución de problemas biológicos y biomédicos.
Con este máster te adentrarás en un sector en pleno auge y con una elevada demanda de perfiles profesionales.
¿Por qué estudiar el Máster en Leer más Bioestadística y Bioinformática?
Porque además de contar con profesores de prestigio y un plan de estudios orientado a no perder nunca el Norte, podemos presumir de acompañar a nuestros alumnos hasta sus metas profesionales. Te contamos más sobre nuestro plan de empleabilidad del que empezarás a disfrutar desde el momento de tu matrícula.
POSIBILIDAD DE REALIZAR EL MÁSTER EN INGLÉS.
Salidas profesionales:
• Laboratorios biomédicos y de biotecnología • Centros de investigación públicos y privados • Laboratorios de diagnóstico • Empresas farmacéuticas • Compañías de biotecnología • Multinacionales de desarrollo biomédico
Profesorado:
Tus profesores te abrirán las puertas de una formación en Bioestadística y Bioinformática orientada a la empleabilidad a través de la especialización.
Titulación que se obtiene:
Recibirás tu título propio de CEMP, la acreditación universitaria de UDIMA* y la acreditación EQAC*.Leer menos
Módulo 1: Bioquímica y Biología Molecular (15 ECTS)
- La célula: estructura - Componentes de las células: (visión general) + glúcidos - Lípidos - Péptidos -ADN - ARN - Cromosomas - Genes y genoma - Estudio de los cromosomas - Mutaciones y polimorfismos - División celular - Dogma central de la biología molecular Leer más - Replicación y reparación del ADN - Transcripción - Traducción - Control de la expresión genética en procariotas - Control de la expresión genética en eucariotas I - Control de la expresión genética en eucariotas II - Epigenética - PCR - Tecnología del ADN recombinante - Secuenciación - Hibridación de ácidos nucleicos: arrays - Movilidad de la célula y transporte - Proteínas de membrana - Espectrometría de masas - Cristalografía de rayos X - Predicción de estructura de proteínas - Inmunología básica - Virus: estructura y función
Módulo 2: Bioestadística y R (15 ECTS)
- 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.
Módulo 3: Phyton (10 ECTS)
- Phyton el nuevo desconocido - Características básicas de lenguaje - Programación orientada a objetos y excepciones - Manipulación de datos
Módulo 4: Introducción a base de datos y Análisis de datos Ómicos (10 ECTS)
- Introducción 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.
Deja tu opinión
