Logo

Bioestadística

Codi: 101965
Crèdits: 6
2026/2027
Titulació Tipus Curs
Genètica FB 2

Professor/a de contacte

Nom :
Marta Coronado Zamora
Correu electrònic :
marta.coronado@uab.cat

Equip docent

David Castellano Esteve

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

Les pròpies d'accés al grau.

És molt convenient haver superat l'assignatura de Matemàtiques de 1r curs per a un bon desenvolupament d'aquesta assignatura.

Objectius

Les eines estadístiques són fonamentals per a la recerca i l'anàlisi de dades en Genètica i Genòmica. En aquesta assignatura de Bioestadística, aprendrem a descriure, analitzar i interpretar dades experimentals, així com a comunicar els resultats de manera rigorosa i efectiva. Aquesta assignatura introdueix els conceptes fonamentals de l'estadística, el maneig de dades amb R i les tècniques bàsiques de visualització de dades per representar la informació de forma clara i reproduïble.

Els objectius del curs són:

  • Comprendre els conceptes fonamentals de l'estadística descriptiva i inferencial.
  • Desenvolupar la capacitat d'aplicar mètodes estadístics adequats per respondre preguntes biològiques, especialment en l'àmbit de la Genètica i la Genòmica.
  • Aprendre a formular hipòtesis, interpretar els resultats de les anàlisis estadístiques i avaluar-ne les limitacions.
  • Adquirir competències bàsiques en l'ús de R per al maneig de dades, l'anàlisi estadística i la generació de visualitzacions.
  • Desenvolupar la capacitat de comunicar resultats estadístics de manera clara, rigorosa i efectiva mitjançant taules i figures.
  • Introduir els principis del disseny experimental i de la reproduïbilitat en l'anàlisi de dades biològiques.
  • Introduir altres aproximacions modernes a l'anàlisi de dades, com l'estadística bayesiana i les tècniques d'aprenentatge automàtic, incloent-hi el Deep Learning, i entendre'n el paper complementari dins l'anàlisi de dades en genètica.

Resultats d'aprenentatge

  • CM07 (Validar hipòtesis biològiques mitjançant l’aplicació de models estadístics i el disseny de contrastos de significació.) Validar hipòtesis biològiques mitjançant l’aplicació de models estadístics i el disseny de contrastos de significació.
  • CM08 (Dissenyar experiments i estratègies d’anàlisi estadística adequats per a la resolució de problemes genètics.) Dissenyar experiments i estratègies d’anàlisi estadística adequats per a la resolució de problemes genètics.
  • CM09 (Comunicar amb claredat i rigor els resultats i troballes derivades de l’anàlisi estadística en informes científics i tècnics.) Comunicar amb claredat i rigor els resultats i troballes derivades de l’anàlisi estadística en informes científics i tècnics.
  • KM05 (Identificar els mètodes estadístics descriptius i inferencials i les eines informàtiques per a l’anàlisi de dades biològiques i integrar-hi la detecció de biaixos de sexe i gènere.) Identificar els mètodes estadístics descriptius i inferencials i les eines informàtiques per a l’anàlisi de dades biològiques i integrar-hi la detecció de biaixos de sexe i gènere.
  • SM05 (Fer servir programari estadístic i recursos computacionals per al càlcul i el disseny experimental en l’àmbit de la biomedicina.) Fer servir programari estadístic i recursos computacionals per al càlcul i el disseny experimental en l’àmbit de la biomedicina.
  • SM06 (Analitzar dades quantitatives mitjançant l’execució de procediments estadístics i programació per a la resolució de problemes biològics.) Analitzar dades quantitatives mitjançant l’execució de procediments estadístics i programació per a la resolució de problemes biològics.

Continguts

Bloc 1. Introducció a la bioestadística i visualització de dades

  • Importància de mostrar les dades correctament
  • Estadística descriptiva
  • Introducció a R
  • Visualització de dades amb ggplot2

Bloc 2. Distribucions de probabilitat i intervals de confiança

  • Distribucions de probabilitat: binomial i Poisson
  • Distribució normal i teorema del límit central
  • Eines per visualitzar distribucions
  • Estimació: error estàndard i intervals de confiança

Bloc 3. Inferència estadística i contrast d'hipòtesis

  • Raonament estadístic i creació d'hipòtesis
  • Inferència: lògica del contrast d'hipòtesis
  • Contrast per remostreig: permutació i bootstrap
  • Errors tipus I i II, mida de l'efecte i potència
  • T-test d'una mostra, dues mostres i aparellat, i la seva alternativa no paramètrica: Wilcoxon
  • ANOVA d'una via, post-hoc i ANOVA com a model lineal
  • ANOVA de dues vies i la seva versió no paramètrica: Kruskal-Wallis
  • Repàs i problemes integradors

Bloc 4. Models lineals i relacions entre variables quantitatives i categòriques

  • Correlació
  • Regressió lineal: simple i múltiple
  • Regressió logística i models lineals generalitzats, GLM
  • Test de Chi-quadrat i test exacte de Fisher

Bloc 5. Correcció de contrastos múltiples i inferència causal

  • Comparacions múltiples: FWER i FDR, amb els mètodes de Bonferroni, Holm i Benjamini-Hochberg
  • Inferència causal: correlació, confusió i grafs causals o DAGs

Bloc 6. Mètodes i temes avançats

  • Estadística bayesiana: Bayes, priors, posteriors i intervals creïbles, estimació de la posterior i MCMC
  • Deep learning i models de llenguatge LLM: del perceptró a les xarxes neuronals

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Tutories de grup 4 0,16
Pràctiques d'ordinador 12 0,48
Elaboració de treballs 20 0,8
Hores d'estudi 60 2,4
Seminaris de problemes 11 0,44
Clases de teoria 30 1,2

Els continguts de l'assignatura de Bioestadística s'orienten a proporcionar a l'estudiantat una introducció general als conceptes bàsics de l'estadística per entendre el raonament estadístic i utilitzar adequadament aquestes eines en el disseny i l'anàlisi d'experiments.

Classes de teoria: L'alumnat adquireix els coneixements científics propis de l'assignatura assistint a les classes de teoria, que complementarà amb l'estudi personal dels temes exposats. La classe serà dinàmica i interactiva, incorporant eines de participació activa per fomentar la comprensió i la reflexió sobre els conceptes exposats.

Classes de problemes-seminaris: Els coneixements adquirits a les classes de teoria s'apliquen a la resolució de casos pràctics. Aquestes sessions es dedicaran a la resolució de problemes, la discussió de conceptes i aplicacions, així com a la presentació i exposició de temes per part de l'estudiantat, fomentant la participació activa, el pensament crític i la capacitat de comunicació científica.

Classes de pràctiques amb ordinador: Aquesta part del curs és essencial per consolidar els coneixements adquirits. L'estudiantat aprendrà a utilitzar el llenguatge R i diversos paquets estadístics per implementar les anàlisis vistes a teoria. A més, es treballaran tècniques bàsiques de visualització de dades per comunicar els resultats de manera clara i efectiva.

A més, com a novetat del curs 2026/27, l'assignatura participarà en el projecte d'innovació docent AIR-LAB, on treballarem amb dades reals sobre la qualitat de l'aire recollides al campus. Aquestes dades, generades i analitzades pels mateixos estudiants, permetran aplicar els coneixements de bioestadística i visualització de dades en un context real. Aquest primer any l'activitat es planteja com a prova pilot no avaluable: l'alumnat, organitzat en grups, analitzarà aquestes dades i presentarà els resultats al final del curs.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Proves escrites. Primer parcial 20% 2 0,08 CM07, KM05, SM06
Presentació d'un seminari 20% 1 0,04 CM08, CM09, SM05
Proves escrites. Segon parcial 30% 3 0,12 CM07, CM08, KM05, SM06
Seminaris de problemes i treballs pràctics 10% 5 0,2 CM07, CM08, CM09, KM05, SM05, SM06
Prova pràctica 20% 2 0,08 CM07, CM09, SM05, SM06

Les competències d'aquesta assignatura s'avaluaran mitjançant avaluació contínua, que inclou exàmens escrits, proves pràctiques i treballs individuals.

El sistema d'avaluació s'organitza en tres mòduls, cadascun dels quals tindrà un pes específic en la qualificació final.

Teoria

L'avaluació es realitzarà mitjançant dues proves parcials. El primer parcial tindrà un pes del 20% i el segon parcial un pes del 30%. La prova final de recuperació està adreçada a l'alumnat que no hagi superat alguna de les proves parcials i tindrà el mateix pes en la nota final que el parcial corresponent.

Seminaris de problemes i presentació oral

L'avaluació dels seminaris de problemes es durà a terme mitjançant la resolució d'exercicis breus a classe. L'alumnat haurà de resoldre i discutir els problemes davant els seus companys. Aquest apartat representa el 10% de la nota final de l'assignatura.

També es realitzarà una presentació oral en grup en què l'estudiantat exposarà l'anàlisi estadística d'un conjunt de dades o d'un cas d'estudi. Aquesta activitat tindrà un pes del 20% de la qualificació final de l'assignatura i serà avaluada mitjançant un sistema combinat d'autoavaluació, coavaluació entre iguals i avaluació per part del professorat.

Pràctiques

L'avaluació d'aquest apartat es realitzarà mitjançant una prova pràctica a l'aula d'informàtica. En aquesta sessió, l'alumnat haurà d'utilitzar el programari estadístic adequat, introduir les dades d'un estudi, proposar una anàlisi i respondre a preguntes concretes. Aquesta prova tindrà un pes del 20% de la nota final.

Consideracions

L'alumnat haurà de notificar per correu electrònic, durant el primer dia de classe, si opta per l'avaluació contínua o per l'avaluació única.

Els percentatges corresponents a seminaris i pràctiques s'aplicaran sempre que l'estudiant hagi obtingut, com a mínim, una qualificació de 4 en cada parcial de teoria o en la prova de recuperació corresponent. Aquesta qualificació de 4 no equival a haver superat teoria, que requereix una qualificació igual o superior a 5, però sí que permet promitjar-la amb les notes de seminaris i pràctiques.

La nota final de l'assignatura es calcularà ponderant les qualificacions de cada apartat (teoria, seminaris i pràctiques). No obstant això, s'exigirà una qualificació igual o superior a 4 en el primer i segon parcial, o en la prova de recuperació, per poder calcular la nota final.

L'alumnat que hagi superat l'assignatura mitjançant les avaluacions parcials i vulgui millorar la seva qualificació podrà presentar-se a la prova de recuperació de teoria. La presentació a aquesta prova implica la renúncia a la nota obtinguda prèviament en el parcial corresponent.

L'alumnat que, havent optat per l'avaluació contínua, no hagi participat en l'avaluació contínua ni en el lliurament dels treballs de problemes, podrà ser avaluat mitjançant la prova final. En aquest cas, la qualificació final no podrà superar el 70% de la nota màxima. Aquest límit del 70% s'aplica exclusivament a qui hagi optat per la via d'avaluació contínua; no afecta l'alumnat que hagi optat per l'avaluació única, la prova de la qual pot arribar al 100% de la nota final.

Caldrà obtenir una qualificació final igual o superior a 5 per superar l'assignatura.

L'alumnat repetidor haurà de realitzar totes les activitats d'avaluació, incloent-hi el lliurament de problemes, la participació en la presentació del seminari i l'avaluació pràctica.

L'assistència a les sessions pràctiques és obligatòria.

Per participar en la recuperació, l'alumnat haurà d'haver estat prèviament avaluat en activitats el pes conjunt de les quals equivalgui, com a mínim, a dues terceres parts de la qualificació total de l'assignatura. Per tant, l'alumnat obtindrà la qualificació de "No avaluat" quan les activitats realitzades representin menys del 67% de la nota final.

Avaluació única

L'avaluació única consistirà en un únic examen que inclourà teoria (70%), pràctiques d'ordinador (15%) i problemes (15%). Aquesta prova suposarà el 100% de la nota final.

L'examen d'avaluació única coincidirà amb la data de la segona prova parcial de l'avaluació contínua, mentre que la part pràctica coincidirà amb la data de l'examen pràctic de l'avaluació contínua. La recuperació de l'avaluació única coincidirà amb la recuperació de l'avaluació contínua.

Ús de la IA

En aquesta assignatura es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) exclusivament en tasques de suport, com la cerca bibliogràfica o d'informació, la revisió del codi en R, la correcció de textos o les traduccions. L'estudiantat haurà d'identificar clarament quines parts han estat generades amb aquestes tecnologies, especificar les eines utilitzades i incloure una reflexió crítica sobre com han influït en el procés i en el resultat final de l'activitat. La manca de transparència en l'ús de la IA es considerarà una manca d'honestedat acadèmica i podrà comportar una penalització parcial o total de l'activitat, així com sancions addicionals en els casos més greus.

Protocol en cas de frau

La realització de qualsevol irregularitat en un acte d'avaluació (frau acadèmic, plagi o ús indegut de la IA, excepte en els casos autoritzats) que pugui conduir a una alteració significativa de la qualificació suposarà la qualificació d'aquest acte amb un 0. Si la guia docent estableix l'obtenció d'una nota mínima en aquesta activitat per superar l'assignatura o es produeixen diverses irregularitats en la mateixa assignatura, la qualificació final serà de 0. A més, es podrà iniciar un procediment disciplinari contra l'estudiant que incorri en alguna d'aquestes irregularitats.

Bibliografia

Biblioteca de Biociències:

  • Faulín, Francisco Javier [i altres]. (2025). Bioestadística amigable. (5ª ed.) Elsevier Faulí (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991011225055106709)
  • Grafen, Alan& Hails, Rosemary. (2002). Modern statistics for the life sciences. Oxford Graf University Press (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991008801599706709)
  • Howell, David C. (1992). Statistical methods for psychology. (3rd ed.) Duxbury Press How (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991002129609706709)
  • Martínez González, Miguel Ángel. (2025). Bioestadística amigable. (5th ed.) Mart (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991011198009206709)
  • Pagano, Marcello & Mattie, Heather & Gauvreau, Kimberlee. (2022). Principles of Paga biostatistics. (3nd ed.) CRC Press (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991011201610106709)
  • Shahbaba, Babak. (2012). Biostatistics with R : an introduction to statistics through Sha biological data. (1st ed.) Springer (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991010406543506709)
  • Sokal, Robert R. & Rohlf, F. James. (2012). Biometry : the principles and practice of Soka statistics in biological research. (Extensively rev. 4th ed) WH Freeman (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991011158282906709)
  • Vu, Julie & Harrington, David O. (2020). Introductory statistics for the life and biomedical Vu, sciences. (1st ed.) OpenIntro (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991011220759006709)
  • McElreath, R. (2020). Statistical rethinking : a Bayesian course with examples in R and Stan (Second Edition). CRC Press. (https://bibcercador.uab.cat/permalink/34CSUC_UAB/tidafd/alma991010621135306709)
  • Pearl, J., Mackenzie, D., & García, G. (2020). Pearl, Judea, Book of why. Castellà<br>El Libro del porqué : la nueva ciencia de la causa y el efecto. Pasado & Presente. (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1fbc57r/alma991010842529906709)
  • Tuffery, S. (2023). Deep learning : from big data to artificial intelligence with R. Wiley. (https://bibcercador.uab.cat/permalink/34CSUC_UAB/1fbc57r/alma991010729983706709)

GitHub/Internet:

  • Rodenburg, F. J. (2020). Introduction to biostatistics. https://github.com/FransRodenburg/Biostatistics-Book-Series
  • Rodenburg, F. J. (2021). Elements of biostatistics. https://github.com/FransRodenburg/Biostatistics-Book-Series
  • Lawson, J. (2014). Design and Analysis of Experiments with R (1st ed.). Chapman and Hall/CRC. https://doi.org/10.1201/b17883

Programari

S’utilitzarà el programari R i l’entorn de desenvolupament RStudio, emprant paquets específics per a l’anàlisi estadística i la visualització de dades (com ara ggplot2, dplyr, tidyr, entre d’altres). Tot el programari necessari estarà instal·lat i disponible als ordinadors de la facultat.

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TE) Teoria 62 Català/Castellà primer quadrimestre matí-mixt
(PAUL) Pràctiques d'aula 621 Anglès primer quadrimestre matí-mixt
(PLAB) Pràctiques de laboratori 621 Català/Castellà primer quadrimestre matí-mixt
(PAUL) Pràctiques d'aula 622 Anglès primer quadrimestre matí-mixt
(PLAB) Pràctiques de laboratori 622 Català/Castellà primer quadrimestre matí-mixt
(PLAB) Pràctiques de laboratori 623 Català/Castellà primer quadrimestre matí-mixt