Logo

Bioestadística

Código: 101965
Créditos: 6
2026/2027
Titulación Tipo Curso
Genètica FB 2

Profesor/a de contacto

Nombre :
Marta Coronado Zamora
Correo electrónico :
marta.coronado@uab.cat

Equipo docente

David Castellano Esteve

Idiomas de los grupos

Puede consultar esta información al final del documento.

Prerrequisitos

Los propios del acceso al grado.

Es muy recomendable haber superado la asignatura de Matemáticas de 1r curso para un buen seguimiento y desarrollo de la asignatura.

Objetivos

Las herramientas estadísticas son fundamentales para la investigación y el análisis de datos en Genética y Genómica. En esta asignatura de Bioestadística, aprenderemos a describir, analizar e interpretar datos experimentales, así como a comunicar los resultados de manera rigurosa y efectiva. Esta asignatura introduce los conceptos fundamentales de la estadística, el manejo de datos con R y las técnicas básicas de visualización de datos para representar la información de forma clara y reproducible.

Los objetivos del curso son:

  • Comprender los conceptos fundamentales de la estadística descriptiva e inferencial.
  • Desarrollar la capacidad de aplicar métodos estadísticos adecuados para responder preguntas biológicas, especialmente en el ámbito de la Genética y la Genómica.
  • Aprender a formular hipótesis, interpretar los resultados de los análisis estadísticos y evaluar sus limitaciones.
  • Adquirir competencias básicas en el uso de R para el manejo de datos, el análisis estadístico y la generación de visualizaciones.
  • Desarrollar la capacidad de comunicar resultados estadísticos de manera clara, rigurosa y efectiva mediante tablas y figuras.
  • Introducir los principios del diseño experimental y de la reproducibilidad en el análisis de datos biológicos.
  • Introducir otras aproximaciones modernas al análisis de datos, como la estadística bayesiana y las técnicas de aprendizaje automático, incluyendo el Deep Learning, y entender su papel complementario dentro del análisis de datos en genética.


Resultados de aprendizaje

  • CM07 (Validar hipótesis biológicas mediante la aplicación de modelos estadísticos y el diseño de contrastes de significación.) Validar hipótesis biológicas mediante la aplicación de modelos estadísticos y el diseño de contrastes de significación.
  • CM08 (Diseñar experimentos y estrategias de análisis estadístico adecuados para la resolución de problemas genéticos.) Diseñar experimentos y estrategias de análisis estadístico adecuados para la resolución de problemas genéticos.
  • CM09 (Comunicar con claridad y rigor los resultados y hallazgos derivados del análisis estadístico en informes científicos y técnicos. .) Comunicar con claridad y rigor los resultados y hallazgos derivados del análisis estadístico en informes científicos y técnicos. .
  • KM05 (Identificar los métodos estadísticos descriptivos e inferenciales y las herramientas informáticas para el análisis de datos biológicos, integrando la detección de sesgos de sexo y género.) Identificar los métodos estadísticos descriptivos e inferenciales y las herramientas informáticas para el análisis de datos biológicos, integrando la detección de sesgos de sexo y género.
  • SM05 (Utilizar software estadístico y recursos computacionales para el cálculo y el diseño experimental en el ámbito de la biomedicina.) Utilizar software estadístico y recursos computacionales para el cálculo y el diseño experimental en el ámbito de la biomedicina.
  • SM06 (Analizar datos cuantitativos mediante la ejecución de procedimientos estadísticos y programación para la resolución de problemas biológicos.) Analizar datos cuantitativos mediante la ejecución de procedimientos estadísticos y programación para la resolución de problemas biológicos.

Contenidos

Bloque 1. Introducción a la bioestadística y visualización de datos

  • Importancia de mostrar los datos correctamente
  • Estadística descriptiva
  • Introducción a R
  • Visualización de datos con ggplot2

Bloque 2. Distribuciones de probabilidad e intervalos de confianza

  • Distribuciones de probabilidad: binomial y Poisson
  • Distribución normal y teorema del límite central
  • Herramientas para visualizar distribuciones
  • Estimación: error estándar e intervalos de confianza

Bloque 3. Inferencia estadística y contraste de hipótesis

  • Razonamiento estadístico y creación de hipótesis
  • Inferencia: lógica del contraste de hipótesis
  • Contraste por remuestreo: permutación y bootstrap
  • Errores tipo I y II, tamaño de efecto y potencia
  • T-test de una muestra, dos muestras y pareado, y su alternativa no paramétrica: Wilcoxon
  • ANOVA de una vía, post-hoc y ANOVA como modelo lineal
  • ANOVA de dos vías y su versión no paramétrica: Kruskal-Wallis
  • Repaso y problemas integradores

Bloque 4. Modelos lineales y relaciones entre variables cuantitativas y categóricas

  • Correlación
  • Regresión lineal: simple y múltiple
  • Regresión logística y modelos lineales generalizados, GLM
  • Test de Chi-cuadrado y test exacto de Fisher

Bloque 5. Corrección de contrastes múltiples e inferencia causal

  • Comparaciones múltiples: FWER y FDR, con los métodos de Bonferroni, Holm y Benjamini-Hochberg
  • Inferencia causal: correlación, confusión y grafos causales o DAGs

Bloque 6. Métodos y temas avanzados

  • Estadística bayesiana: Bayes, priors, posteriors e intervalos creíbles, estimación de la posterior y MCMC
  • Deep learning y modelos de lenguaje LLM: del perceptrón a las redes neuronales


Actividades formativas y Metodología

Título Horas ECTS Resultados de aprendizaje
Tutorías de grupo 4 0,16
Prácticas de ordenador 12 0,48
Elaboracion de trabajos 20 0,8
Horas de estudio 60 2,4
Seminarios de problemas 11 0,44
Clases de teoría 30 1,2

Los contenidos de la asignatura de Bioestadística se orientan a proporcionar al estudiantado una introducción general a los conceptos básicos de la estadística para entender el razonamiento estadístico y utilizar adecuadamente estas herramientas en el diseño y análisis de experimentos.

Clases de teoría: El alumnado adquiere los conocimientos científicos propios de la asignatura asistiendo a las clases de teoría, que complementará con el estudio personal de los temas expuestos. La clase será dinámica e interactiva, incorporando herramientas de participación activa para fomentar la comprensión y la reflexión sobre los conceptos expuestos.

Clases de problemas-seminarios: Los conocimientos adquiridos en las clases de teoría se aplican a la resolución de casos prácticos. Estas sesiones se dedicarán a la resolución de problemas, la discusión de conceptos y aplicaciones, así como a la presentación y exposición de temas por parte del estudiantado, fomentando la participación activa, el pensamiento crítico y la capacidad de comunicación científica.

Clases de prácticas con ordenador: Esta parte del curso es esencial para consolidar los conocimientos adquiridos. El estudiantado aprenderá a utilizar el lenguaje R y diversos paquetes estadísticos para implementar los análisis vistos en teoría. Además, se trabajarán técnicas básicas de visualización de datos para comunicar los resultados de manera clara y efectiva.

Además, como novedad del curso 2026/27, la asignatura participará en el proyecto de innovación docente AIR-LAB, donde trabajaremos con datos reales sobre la calidad del aire recogidos en el campus. Estos datos, generados y analizados por los propios estudiantes, permitirán aplicar los conocimientos de bioestadística y visualización de datos en un contexto real. Este primer año la actividad se plantea como prueba piloto no evaluable: el alumnado, organizado en grupos, analizará estos datos y presentará los resultados al final del curso.


Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.

Evaluación

Actividades de evaluación continuada

Título Peso Horas ECTS Resultados de aprendizaje
Pruebas escritas. Primer parcial 20% 2 0,08 CM07, KM05, SM06
Presentación de un seminario 20% 1 0,04 CM08, CM09, SM05
Pruebas escritas. Segundo parcial 30% 3 0,12 CM07, CM08, KM05, SM06
Seminarios de problemas y trabajos prácticos 10% 5 0,2 CM07, CM08, CM09, KM05, SM05, SM06
Prueba práctica 20% 2 0,08 CM07, CM09, SM05, SM06

Las competencias de esta asignatura se evaluarán mediante evaluación continua, que incluye exámenes escritos, pruebas prácticas y trabajos individuales.

El sistema de evaluación se organiza en tres módulos, cada uno de los cuales tendrá un peso específico en la calificación final.

Teoría

La evaluación se realizará mediante dos pruebas parciales. El primer parcial tendrá un peso del 20% y el segundo parcial un peso del 30%. La prueba final de recuperación está dirigida al alumnado que no haya superado alguna de las pruebas parciales y tendrá el mismo peso en la nota final que el correspondiente parcial.

Seminarios de problemas y presentación oral

La evaluación de los seminarios de problemas se llevará a cabo mediante la resolución de ejercicios breves en clase. El alumnado deberá resolver y discutir los problemas ante sus compañeros. Este apartado representa el 10% de la nota final de la asignatura.

También se realizará una presentación oral en grupo en la que el estudiantado expondrá el análisis estadístico de un conjunto de datos o de un caso de estudio. Esta actividad tendrá un peso del 20% de la calificación final de la asignatura y será evaluada mediante un sistema combinado de autoevaluación, coevaluación entre iguales y evaluación por parte del profesorado.

Prácticas

La evaluación de este apartado se realizará mediante una prueba práctica en el aula de informática. En esta sesión, el alumnado deberá utilizar el software estadístico adecuado, introducir los datos de un estudio, proponer un análisis y responder a preguntas concretas. Esta prueba tendrá un peso del 20% de la nota final.

Consideraciones

El alumnado deberá notificar por correo electrónico, durante el primer día de clase, si opta por la evaluación continua o por la evaluación única.

Los porcentajes correspondientes a seminarios y prácticas se aplicarán siempre que el estudiante haya obtenido, como mínimo, una calificación de 4 en cada parcial de teoría o en la prueba de recuperación correspondiente. Esta calificación de 4 no equivale a haber superado teoría, que requiere una calificación igual o superior a 5, pero sí permite promediarla con las notas de seminarios y prácticas.

La nota final de la asignatura se calculará ponderando las calificaciones de cada apartado (teoría, seminarios y prácticas). No obstante, se exigirá una calificación igual o superior a 4 en el primer y segundo parcial, o en la prueba de recuperación, para poder calcular la nota final.

El alumnado que haya superado la asignatura mediante las evaluaciones parciales y desee mejorar su calificación podrá presentarse a la prueba de recuperación de teoría. La presentación a esta prueba implica la renuncia a la nota obtenida previamente en el parcial correspondiente.

El alumnado que, habiendo optado por la evaluación continua, no haya participado en la evaluación continua ni en la entrega de los trabajos de problemas, podrá ser evaluado mediante la prueba final. En este caso, la calificación final no podrá superar el 70% de la nota máxima. Este límite del 70% se aplica exclusivamente a quienes hayan optado por la vía de evaluación continua; no afecta al alumnado que haya optado por la evaluación única, cuya prueba puede alcanzar el 100% de la nota final.

Será necesario obtener una calificación final igual o superior a 5 para superar la asignatura.

El alumnado repetidor deberá realizar todas las actividades de evaluación, incluyendo la entrega de problemas, la participación en la presentación del seminario y la evaluación práctica.

La asistencia a las sesiones prácticas es obligatoria.

Para participar en la recuperación, el alumnado deberá haber sido previamente evaluado en actividades cuyo peso conjunto equivalga, como mínimo, a dos terceras partes de la calificación total de la asignatura. Por tanto, el alumnado obtendrá la calificación de "No evaluado" cuando las actividades realizadas representen menos del 67% de la nota final.

Evaluación única

La evaluación única consistirá en un único examen que incluirá teoría (70%), prácticas de ordenador (15%) y problemas (15%). Esta prueba supondrá el 100% de la nota final.

El examen de evaluación única coincidirá con la fecha de la segunda prueba parcial de la evaluación continua, mientras que la parte práctica coincidirá con la fecha del examen práctico de la evaluación continua. La recuperación de la evaluación única coincidirá con la recuperación de la evaluación continua.

Uso de la IA

En esta asignatura se permite el uso de tecnologías de Inteligencia Artificial (IA) exclusivamente en tareas de apoyo, como la búsqueda bibliográfica o de información, la revisión del código en R, la corrección de textos o las traducciones. El estudiantado deberá identificar claramente qué partes han sido generadas con estas tecnologías, especificar las herramientas utilizadas e incluir una reflexión crítica sobre cómo han influido en el proceso y en el resultado final de la actividad. La falta de transparencia en el uso de la IA se considerará una falta de honestidad académica y podrá conllevar una penalización parcial o total de la actividad, así como sanciones adicionales en los casos más graves.

Protocolo en caso de fraude

La realización de cualquier irregularidad en un acto de evaluación (fraude académico, plagio o uso indebido de la IA, salvo en los casos autorizados) que pueda conducir a una alteración significativa de la calificación supondrá la calificación de dicho acto con un 0. Si la guía docente establece la obtención de una nota mínima en esta actividad para superar la asignatura o se producen varias irregularidades en la misma asignatura, la calificación final será de 0. Además, podrá iniciarse un procedimiento disciplinario contra el estudiante que incurra en alguna de estas irregularidades.


Bibliografía

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

Software

Se utilizará el software R y el entorno de desarrollo RStudio, empleando paquetes específicos para el análisis estadístico y la visualización de datos, como ggplot2, dplyr, tidyr, entre otros. Todo el software necesario estará instalado y disponible en los ordenadores de la facultad.

Grupos e idiomas de la asignatura

La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura

Tipo de docencia Grupo Idioma Semestre Turno
(TE) Teoría 62 Catalán/Español primer cuatrimestre manaña-mixto
(PAUL) Prácticas de aula 621 Inglés primer cuatrimestre manaña-mixto
(PLAB) Prácticas de laboratorio 621 Catalán/Español primer cuatrimestre manaña-mixto
(PAUL) Prácticas de aula 622 Inglés primer cuatrimestre manaña-mixto
(PLAB) Prácticas de laboratorio 622 Catalán/Español primer cuatrimestre manaña-mixto
(PLAB) Prácticas de laboratorio 623 Catalán/Español primer cuatrimestre manaña-mixto