Lección 3. Modelos de evolución molecular. Transiciones. Transversiones. Transiciones. Inferencia filogenética Mutación y substitución
|
|
- Beatriz Mora Velázquez
- hace 7 años
- Vistas:
Transcripción
1 Mutación y substitución Mutación (µ: cambio de base en la secuencia de DN de evolución molecular Substitución (µ: mutación que se fija en una población (o especie P(substitución = Nºmutaciones * P(fijación Curso nálisis filogenético Máster de Bioestadística 2006 Universidad de Santiago de Compostela Marzo 2006 Neutralidad: P(substitución = µ2n * 1/(2N = µ El proceso de substitución molecular ransiciones y transversiones Purina Purina ransiciones ransversiones ransiciones Pirimidina Pirimidina
2 Saturación La relación entre tiempo y diferencias observadas no es linear Saturación: cuando todos los sitios han cambiado y cualquier substitución adicional no puede aumentar el número de diferencias observadas Corrección evolutiva Podemos estimar de alguna manera el número real de cambios que se han producido entre dos secuencias? Bóvidos, COII, 684 bp 20 Myr asas de substitución Proceso de Markov homogéneo Matriz de tasas de substitución instántanea (Q (substituciones por sitio por unidad de tiempo!µ(" C r C + " G r G + " r µr C " C µr G " G µr " µr C "!µ(r C " + r CG " G + r C " µr CG " G µr C " ( Q = ( µr G " µr GC " C!µ(r G " + r GC " C + r G " µr G " ( ( µr " µr C " C µr G " G!µ(r " + r C " C + r G " G ' Substituciones por sitio por unidad de tiempo µ = tasa de substitución media instantánea r ij = tasa de substitución relativa i->j! = frecuencias en el equilibrio, constantes en el tiempo Probabilidades de cambio Podemos calcular la probabilidad de substitución a lo largo de una rama de longitud t (µ " tiempo P t = e Qt! p p C p G p p C p CC p CG p C P t = p G p GC p GG p G " p p C p G p?
3 Modelo de Jukes y Cantor (JC69 Derivación JC69 1 párametro (0 libres Sea r ij = r ii = µ 3 El número de eventos (X esperados en una rama después de un tiempo t es 4/3ut C G " 0 4 P(X = 0 = e!" 0! = e! 3 µt P(X > 0 = 1! e! 4 3 µt Si hay algún evento, la probabilidad de que el último resulte en cambio es p ij(t = 3 " 4 4 1! e! 3 µt '!= D S Diferencias por sitio esperadas Número esperado de cambios µt! = DJC =! 3 4 ln " 1! 4 3 D S ' Distancia Jukes y Cantor (JC69 Modelo de Kimura 2 parámetros (K80 G C ti :tv =! = " D K 80 = 1 2 ln " 1 1! 2P! Q ' ln " 1 1! 2Q ' mtdn 9.0 Diferencias por sitio = D S Longitud de rama = µt 12S rrn globinas pseudoglobina
4 Modelo de Felsenstein 1981 (F81 G Modelo de Hasegawa-Kishino-Yano (HKY85 G C C Variación en la composición de bases, pero común a todas las secuencias Eubacteria (G+C = Permite diferentes tasas de transiciones y transversiones Permite diferencias en la frecuencia de las bases Modelo general de tiempo reversible (GR o REV Relaciones ente modelos b G Modelos anidados a c d f C e Permite 6 tasas diferentes de substituciones reversibles Permite diferencias en la frecuencia de las bases
5 sunciones de los modelos de substitución odos los sitios nucleotídicos cambian de forma independiente La tasa de substitución es constante en el tiempo y entre los distintos linajes La frecuencia de las bases está en el equilibrio Las probabilidades condicionales de substitución nucleotídicas son las mismas para todos los sitios y no cambian con el tiempo Independencia Implica que el cambio en un sitio no afecta la probabilida de cambio en otro sitio Hay excepciones claras, como el rrn: Composición de las bases Implica que la composición de las bases es la misma a lo largo del tiempo y en distintos linajes Variación de las tasas entre sitios Implica que todos los sitios cambian con las misma probabilidad Diferentes regiones de la molécula de DN pueden cambiar con tasas diferentes Hay excepciones: Nuevos parámetros: Proporción de sitios invariables Variación de las tasas de substitución entre sitios
6 Proporción de sitios invariables Variación de las tasas entre sitios Puede haber una proporción de sitios que cambian libremente y una proporción de sitios invariables (p-inv Distribución gamma ( = ' no hay variación < 1 variación importante asa: 0.5/Myr p-inv=20 asa: 2/Myr p-inv=50 Estimas empíricas de alpha Muchas combinaciones
7 Modelos de codones Regiones codificantes Matrices 61 x 61 0 si!los!codones!difieren!en!más!de!una! posición! j!transversiones!sinónimas p ij = "! j!!transiciones!sinónimas ( = d N / d S! j!transversiones!no!sinónimas '"! j!transiciones!no!sinónimas Muse y Gaut 94 Modelos de aminoácidos Modelos mecánicos Matrices empíricas: PM, BLOSUM, J, WG, mtrev, etc. (+I, +G, +F P ij Poisson e! µt (i = j ( t = 1 20! 1 20 e! µt (i " j Relevancia de los modelos Efecto del modelo en la topología El uso de un modelo de evolución u otro puede cambiar el resultado del análisis de secuencias Estimación de parámetros (ti/tv,!,p i,.. opología Confidencia filogenética Contraste de hipótesis : NJ K80 B: NJ GR + G Hay differencias en la posición del subtipo
8 Bondad de los modelos Selección de modelos: el principio de parsimonia La máxima verosimilitud bajo la distribución multinomial se puede utilizar como referencia máxima de ajuste con la que comparar la verosimilitud de cualquier modelo. L = b!" (p b n b n secuencias de longitud N (excluyendo gaps. es un conjunto de 4 n patrones nucleotídicos posibles por sitio, p b es la probabilidad de que un sitio exhibe el patrón b en y n b es el numero de veces en el que se observa el patrón b en los N nucleótidos. est de la razón de las verosimilitudes (LR LR = 2 (! 1!! 0 LRs jerárquicos (hlrs! logaritmo de la verosimilitud maximizada bajo el modelo 1 más complejo! 2 logaritmo de la verosimilitud maximizada bajo el modelo más simple. Si los modelos son anidados, el LR se distribuye como una * 2 (o una * 2 mixta.
9 Criterio de información de kaike (IC El IC es un estimador asintóticamente insesgado de la información Kullback-Leibler. El IC penaliza la función de verosimilitud por el número de parámetros (K. Seleccionaremos el modelo con menor IC. IC =!2! + 2K Para muestras pequeñas (+ n/k < 40: Diferencias de IC Diferencias en IC (, i son ICs reescalados con el IC mínimo, que tendrá un, i =0! i = IC i " min IC grandes rasgos:, i a 1-2 del mejor modelo deberían recibir consideración, i a 3-7 del mejor modelo tiene mucho menos apoyo, i > 10 no tienen apoyo IC c = IC + 2K(K + 1 n! K! 1 Pesos de kaike La cantidad exp(-1/2, i aproxima la verosimilitud relativa de los modelos dados los datos Métodos Bayesianos Factores de Bayes B ij = P(D M i P(D M j Los pesos de kaike (w i se pueden interpretar como la probabilidad de que un modelo es la mejor aproximación a la verdad, dados los datos. w i = exp(!1 / 2" i R r =1 exp(!1 / 2" r Probabilidades posteriores P(M i D = Criterio de información Bayesiano (BIC! P(D M i P(M i R r =1 P(D M r P(M r BIC =!2! + K log n
10 Inferencia promediada por los modelos Modelos y filogenias La inferencia de parámetros y árboles (!! se puede realizar usando todos los modelos, de forma ponderada: ˆ! = " R w i=1 i I(M i! i w + (! " w + (! = w i I! (M i R i=1 " I! (M i = 1 si! está en el modelo M i 0 si no es así Modelo IC! " GR E GR SYM SYM HKY E-04 HKY E-04 K E-06 K E-06 GR E-09 SYM E-11 HKY E-12 F E-12 F E-12 K E-14 JC E-15 JC E-15 F E-20 JC E-23 JC E-77 F E-74 K E-69 HKY E-67 SYM E-66 GR E-64 Filogenia multimodelo Importancia y promedio de los parámetros Parámetro f fc fg f iv rc rg r rcg rc pinv(i alpha(g pinv(ig alpha(ig Importancia Estimas promediadas por modelo
11 Ventajas del IC sobre hlr El IC proviene de la teoría de la información. No tratamos de modelizar los datos, si no la información que contienen Compara varios modelos simultáneamente. Los modelos no tienen que ser anidados Desconocemos el modelo verdadero. El IC está diseñado para aproximar la realidad, no para identificarla La incertidumbre de la selección se puede cuantificar utilizando las diferencias en IC o los pesos de kaike Permite obtener estimas promediando varios modelos diferentes
Pablo Vinuesa 2007, 1
Curso fundamenteal de Inferencia Filogenética Molecular Pablo Vinuesa (vinuesa@ccg.unam.mx) Progama de Ingeniería Genómica, CCG, UNAM http://www.ccg.unam.mx/~vinuesa/ Tutor: PDCBM, Ciencias Biológicas,
Más detallesPablo Vinuesa 2008, 1
Genómica Evolutiva I - Inferencia Filogenética y Evolución Molecular Semestre 2008-2 Pablo Vinuesa (vinuesa@ccg.unam.mx) Progama de Ingeniería Genómica, CCG-UNM, México http://www.ccg.unam.mx/~vinuesa/
Más detallesHerramientas moleculares
MÁSTER UNIVERSITARIO EN BIODIVERSIDAD EN ÁREAS TROPICALES Y SU CONSERVACIÓN UNIVERSIDAD INTERNACIONAL MENÉNDEZ PELAYO Este documento puede utilizarse como documentación de referencia de esta asignatura
Más detalles= " G. = 0.25 ) b. En los modelos más complejos: cuatro frecuencias diferentes, una para cada nucleótido (" A = " T # " G # " C # " T
TEMA 3.4. Selección del modelo evolutivo que mejor se ajuste a nuestros datos INTRODUCCIÓN Contacto: Virginia Valcárcel (virginia.valcarcel@uam.es) Para calcular las distancias entre pares de secuencia,
Más detallesTÉCNICAS INTELIGENTES EN BIOINFORMÁTICA. Evolución Molecular y Filogenia
TÉCNICAS INTELIGENTES EN BIOINFORMÁTICA Evolución Molecular y Filogenia Ignacio Pérez Hurtado de Mendoza Grupo de investigación en Computación Natural Dpto. Ciencias de la Computación e Inteligencia Artificial
Más detallesCaracteres moleculares
PEDECIBA BIOLOGÍA - 2007 Sistemática Biológica: Métodos y Principios Alejandro D Anatro Caracteres moleculares Esquema para esta clase Generalidades Tipos de caracteres moleculares Particularidades del
Más detallesFilogenias. Charles Darwin (1859)
Filogenias Charles Darwin (1859) Filogenia Consiste en el estudio de las relaciones evolutivas entre diferentes grupos de organismos. Su inferencia implica el desarrollo de hipótesis sobre los patrones
Más detallesLección 10. Aplicaciones filogenéticas en epidemiogía
Epidemiología filogenéticas en epidemiogía Curso Análisis filogenético Máster de Bioestadística 26 Universidad de Santiago de Compostela Marzo 26 La epidemiología estudia el origen, distribución, frecuencia,
Más detallesProcesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo
Procesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Cadenas
Más detallesLAB 1 LAB 1/2. Estadística descriptiva. Pruebas de neutralidad. Mismatch distribution. Tajima Fu MacDonald-Kreitman
LAB 1 Estadística descriptiva Pruebas de neutralidad Tajima Fu MacDonald-Kreitman Mismatch distribution LAB 1/2 1-numero de sitios segregantes en una muestra numero de sitios Tajima, 1989 : Var se puede
Más detallesConstrucción y análisis de árboles filogenéticos. Antonio Gómez Tato
Construcción y análisis de árboles filogenéticos Antonio Gómez Tato Introducción Árboles filogenéticos Surgen a partir de la teoría de la evolución de Darwin. Son representaciones gráficas de las relaciones
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesFILOGENIAS MOLECULARES
FILOGENIS MOLECULRES DN se puede usar para estudiar la filogenia de los organismos. partir del patrón de variación del DN se puede deducir el proceso evolutivo. VENTJS DE LOS DTOS MOLECULRES PERMITEN ESTUDIR
Más detalles2008 Pablo Vinuesa, 1
Introducción a la Inferencia Filogenética y Evolución Molecular 23-26 Junio 2008, Fac. C. Biológicas - UANL Pablo Vinuesa (vinuesa@ccg.unam.mx) Centro de Ciencias Genómicas-UNAM, México http://www.ccg.unam.mx/~vinuesa/
Más detallesModelos de mutación y filogenética molecular. Bioinformática, Kevin Yip-CSE-CUHK (Universidad china de Hong-Kong)
Modelos de mutación y filogenética molecular Bioinformática, 6-4-16 Kevin Yip-CSE-CUHK (Universidad china de Hong-Kong) HOY 1. Distancia evolutiva y modelos de mutación 2. Árboles: Las estructuras jerárquicas
Más detallesInformación general. Fundamentos de Análisis de datos. Obligatoria básica o de fundamentación X. Obligatoria profesional
Guía de asignatura Formato institucional Rev. Abril 2013 Información general Asignatura Fundamentos de Análisis de datos Código Tipo de asignatura Obligatoria X Electiva Tipo de saber Número de créditos
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesPablo Vinuesa 2007, 1
Curso fundamenteal de Inferencia Filogenética Molecular Tema 4: Modelos de sustitución de secuencias nucleotídicas 1. Modelos en ciencia y filogenética 2. Procesos y modelos Markovianos Pablo Vinuesa (vinuesa@ccg.unam.mx
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesDISEÑO CURRICULAR ESTADÍSTICA III
UNIVERSIDAD NUEVA ESPARTA FACULTAD DE CIENCIAS DE LA INFORMATICA ESCUELA DE COMPUTACION DISEÑO CURRICULAR ESTADÍSTICA III ESCUELA DE COMPUTACIÓN CÓDIGO DE LA ESCUELA: 10-0762-2 ASIGNATURA: Estadística
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detalles1/19/11! Taller Latinoamericano de Evolución Molecular! 2011! Criterios de Optimización II! Máxima Verosimilitud!
1/19/11 Máxima Verosimilitud (Maximum Likelihood - ML) como una técnica estadística Taller Latinoamericano de Evolución Molecular 2011 R.. Fisher: Fisher, R.. 1912. On the absolute criterion for fitting
Más detallesMASTER'S DEGREE IN BIODIVERSITY AND CONSERVATION IN TROPICAL REGIONS ( )
MASTER'S DEGREE IN BIODIVERSITY AND CONSERVATION IN TROPICAL REGIONS (2012-13) Cód.: P01Z Timesheet: 2013 Viernes, 01 Febrero 2013 Fragmentación del hábitat y efectos de borde (1). Práctica 4. Análisis
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesTeoría neutral de la evolución molecular
Curso de Evolución 2014 Facultad de Ciencias Montevideo, Uruguay http://evolucion.fcien.edu.uy/ http://eva.universidad.edu.uy/ Contexto histórico: Hace muy poco tiempo que empezamos a conocer en profundidad
Más detallesDeriva selección: Pob. grande, deriva pequeña. Estudios de simulación nos dan una idea del efecto de deriva en las poblaciones:
DERIVA GENÉTICA = Genetic drift Deriva genética: cambio producido en las frecuencias alélicas debido al muestreo de los gametos, que se realiza generación tras generación, a causa del tamaño finito de
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesLa teoría de coalescencia
La teoría de coalescencia Proceso estocástico Es un linaje de alelos proyectado hacia el pasado (su ancestro común mas reciente) Aproximación básica usando el modelo de Wright-Fisher Modelo probabilístico
Más detallesEVALUACION DEL EFECTO DE LA EVOLUCIÓN HETEROGENEA SITIO- ESPECIFICA SOBRE LA RECONSTRUCCIÓN FILOGENETICA MEDIANTE PARSIMONIA
EVALUACION DEL EFECTO DE LA EVOLUCIÓN HETEROGENEA SITIO- ESPECIFICA SOBRE LA RECONSTRUCCIÓN FILOGENETICA MEDIANTE PARSIMONIA INTRODUCCION La biología comparada estudia la diversidad de especies analizando
Más detallesIntroducción a la Teoría de la Información
Introducción a la Teoría de la Información Tasa de Entropía de un Proceso Estocástico. Facultad de Ingeniería, UdelaR (Facultad de Ingeniería, UdelaR) Teoría de la Información 1 / 13 Agenda 1 Procesos
Más detallesLección 4. Métodos filogenéticos
Básico La inferencia filogenética es un campo per se del estudio de la evolución, en continuo movimiento y expansión. filogenéticos La inferencia filogenética es un procedimiento de estimación estadística.
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesTema 7. El Teorema de Burke y las redes de colas. Eytan Modiano Instituto Tecnológico de Massachusetts. Eytan Modiano Diapositiva 1
Tema 7 El Teorema de Burke y las redes de colas Instituto Tecnológico de Massachusetts Diapositiva 1 El Teorema de Burke Una propiedad interesante de las colas M/M/1 que simplifica enormemente su combinación
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Teoría
Más detallesTema 4: Alineamiento Múltiple y Filogenias (3)
Bioinformática lásica Bioinformática lásica ema 4: lineamiento Múltiple y Filogenias (3) Sección 3: Filogenias Dr. Oswaldo relles Universidad de Málaga La filogenia estudia las relaciones de parentesco
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
Más detallesCurso de Evolución 2016 Facultad de Ciencias Montevideo, Uruguay
Curso de Evolución 2016 Facultad de Ciencias Montevideo, Uruguay http://evolucion.fcien.edu.uy/ http://eva.universidad.edu.uy/ 10. Evolución molecular. Tasas y patrones de evolución a nivel proteico y
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesAndrea Bayancela Espinel Coordinación y edición: Eugenio Paladines y David Villamar
Determinación de los niveles óptimos del Seguro de Depósitos del Ecuador a partir de su función de distribución de pérdidas esperadas y de la estimación de las probabilidades de riesgo alto de las entidades
Más detallesCUERPO TÉCNICO, OPCION ESTADISTICA
CUERPO TÉCNICO, OPCION ESTADISTICA ESTADÍSTICA TEÓRICA BÁSICA TEMA 1. Fenómenos aleatorios. Conceptos de probabilidad. Axiomas. Teoremas de probabilidad. Sucesos independientes. Teorema de Bayes. TEMA
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detallesConstrucción de árboles filogenéticos
Construcción de árboles filogenéticos Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 23 de julio del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Construcción de árboles filogenéticos 23 de julio del
Más detallesEstadística Económica y Estadística Empresarial
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística y Econometría Licenciatura en Ciencias Económicas Sin docencia. Plan a extinguir Proyecto docente de:
Más detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más detalles1) Características del diseño en un estudio de cohortes.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de cohortes CONCEPTOS CLAVE 1) Características del diseño en un estudio de cohortes. ) Elección del tamaño
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesGenómica comparada. Brown 2002, págs
Genómica comparada 1. Teoría neutralista de la evolución molecular 2. Sustituciones nucleotídicas sinónimas y no-sinónimas. Interpretación de la razón Ka/Ks. 3. Duplicaciones y el destino de los genes
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesModelos para variables categóricas
Gabriel V. Montes-Rojas Modelo logit multinomial Supongamos que la variable dependiente toma muchos valores, ej. y = 0, 1, 2..., J, aunque los valores de y no representan ningún orden en particular. Éste
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detalles1/26/11! Taller Latinoamericano de Evolución Molecular! 2011! Relojes Moleculares:! Fechación de Clados con Datos Moleculares! EL RELOJ MOLECULAR!
Taller Latinoamericano de Evolución Molecular! 2011! Relojes Moleculares:! Fechación de Clados con Datos Moleculares! Prof. Susana Magallón! Enero 27, 2011! EL RELOJ MOLECULAR! La distancia genética entre
Más detallesAndrés M. Pinzón Centro de Bioinformática Instituto de Biotecnología Universidad Nacional de Colombia
Alineamiento: Análisis computacional de secuencias Andrés M. Pinzón Centro de Bioinformática Instituto de Biotecnología Universidad Nacional de Colombia Por qué y para qué... Tengo una secuencia de DNA/Proteína......
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 13
Maestría en Bioinformática Probabilidad y Estadística: Clase 13 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Mayo de 2010 Contenidos 1 Hidden Markov Models
Más detallesCarrera: EMM Participantes Representante de las academias de ingeniería Electromecánica de los Institutos Tecnológicos.
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Electromecánica EMM - 0528 3 2 8 2.- HISTORIA
Más detallesAnálisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina.
Análisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina. Marcos Herrera 1 1 CONICET IELDE - Universidad Nacional de Salta (Argentina) Seminario de Investigación Nº 27 8 de
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesMAXIMA PARSIMONIA EN LA INFERENCIA FILOGENÉTICA DE SECUENCIAS DE ADN
MAXIMA PARSIMONIA EN LA INFERENCIA FILOGENÉTICA DE SECUENCIAS DE ADN - Inferir una filogenia es un proceso de estimación. Se hace la mejor estimación de una historia evolutiva con base en la información
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesINFERENCIA ESTADÍSTICA
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. INFERENCIA ESTADÍSTICA
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesCódigo de barras del ADN. Dra. Analía A. Lanteri División Entomología- Museo de La Plata
Código de barras del ADN Dra. Analía A. Lanteri División Entomología- Museo de La Plata CÓDIGO DE BARRAS DEL ADN Los genes están formados por EXONES (traducen a proteínas) y los INTRONES (no codificantes)
Más detallesTEMA 3.5. Obtención de árboles mediante el método de inferencia bayesiana
TEMA 3.5. Obtención de árboles mediante el método de inferencia bayesiana Contacto: Isabel Draper (Isabel.draper@uam.es) PROGRAMAS NECESARIOS (1) Para la obtención de árboles mediante Inferencia Bayesiana
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesPráctica 1: Alineamientos
Práctica 1: Alineamientos Partimos de un archivo de datos que contiene 5 secuencias de mrna asociado a la CFTR http://madma.usc.es/cursoverano/materiales Abrimos el ClustalX en la carpeta C:\ClustalX de
Más detallesClasificación. Aurea Grané. Análisis Discriminante
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis discriminante Análisis Discriminante y Clasificación Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Supongamos
Más detallesUnidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11
Unidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11 Distribución de Probabilidad Recordamos conceptos: Variable aleatoria: es aquella que se asocia un número o un dato probabilístico, como
Más detallesModelos de sustitución de nucleótidos* (y otros modelos).
Modelos de sustitución de nucleótidos* (y otros modelos). Borrador preliminar, esta NO es una versión final. Ricardo García-Sandoval Facultad de Ciencias, UNAM. r.garciasandoval@gmail.com Contenido 1.
Más detallesCONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN
CONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN Antonio Morillas A. Morillas: C. no paramétricos (II) 1 1. Contrastes de aleatoriedad. Contraste de rachas. 2. Contrastes de localización 2.1 Contraste
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesSistemas de Reconocimiento de Patrones
Sistemas de Reconocimiento de Patrones p. 1/33 Sistemas de Reconocimiento de Patrones Luis Vázquez GTI - IIE Facultad de Ingeniería Universidad de la República Sistemas de Reconocimiento de Patrones p.
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesLICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS
DEPARTAMENT D ECONOMIA APLICADA UNIVERSITAT DE VALENCIA LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS PROGRAMA DE ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA TEMA 1: INTRODUCCIÓN
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Un estimador es una regla que establece cómo calcular una estimación basada en las mediciones contenidas en una muestra
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detalles8.2. Los tests de bondad de ajuste: - El objetivo es verificar una hipótesis propia (ajena a nuestros datos) - Ejemplo datos de otros hospitales sugie
8.. Los datos de frecuencias: - Muy comunes (ejemplo) - Difíciles de analizar por métodos paramétricos (no recomendable) - Desarrollo de métodos propios: - Aproximación Chi-cuadrado (χ 2 ) - Test G (máxima
Más detallesSIMULACION MANUAL PROFESOR: DR. 1 JORGE ACUÑA A.
SIMULACION MANUAL La simulación de un sistema solía hacerse en forma manual lo que acarreaba mucho tiempo y paciencia. Esto restringía tremendamente su uso. La computadora era aún mas lenta. PROFESOR:
Más detallesPRÁCTICA I. Ejercicios Teóricos
PRÁCTICA I TEORÍA DE LA DECISIÓN BAYESIANA Ejercicios Teóricos Ejercicio. En el caso de dos categorías, en la regla de decisión de Bayes el error condicional está dado por la ecuación (7). Incluso si las
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
Más detallesMetodología de la División de Población de Naciones Unidas para las proyecciones de población: World Population Prospects 2017
Metodología de la División de Población de Naciones Unidas para las proyecciones de población: World Population Prospects 2017 Santa Fe, Argentina - 20 de septiembre de 2017 Lina Bassarsky (UNPD) Con colaboración
Más detallesBiología Molecular y Filogenia en Micología
Biología Molecular y Filogenia en Micología Biól. Nicolás Pastor Micología 2014 Por qué usar herramientas moleculares? Sistemática - Delimitación de especies Concepto filogenético de especie Diagnosis
Más detallesCurso de Genética de Poblaciones 2007 Aplicaciones del coalescente Enrique Lessa
Curso de Genética de Poblaciones 2007 Aplicaciones del coalescente Enrique Lessa 1. Ideas básicas. 2. Detalles adicionales del modelo. 3. El modelo neutral estándar. 4. Pruebas de neutralidad: una clasificación.
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detalles