domingo, 10 de junio de 2018
Unidad 3 | Sesión 8 | Actividad 1
S8. Actividad 1
Integración y redacción final del informe
Consultar documento
domingo, 3 de junio de 2018
Unidad 3 | Sesión 7 | Actividad 2
S7. Actividad 2
Aplicación y estructura de la encuesta
Análisis de resultados | Interpretación de encuesta
sábado, 2 de junio de 2018
sábado, 26 de mayo de 2018
Unidad 2 | Sesión 6 | Actividad 2
domingo, 20 de mayo de 2018
UNIDAD 2 | SESIÓN 5 | ACTIVIDAD 2
Análisis y abstracción de información
Archivo de consulta Power Point
Archivo de consulta formato APA_Word
Archivo de consulta Power Point
Archivo de consulta formato APA_Word
sábado, 19 de mayo de 2018
UNIDAD II | SESIÓN 5 | ACTIVIDAD 1
Selección y recopilación de información
Búsqueda de información:
Recopilación de información APA.
Archivo de consulta
Búsqueda de información:
Recopilación de información APA.
Archivo de consulta
domingo, 13 de mayo de 2018
UNIDAD II | SESIÓN 4 | ACTIVIDAD 2
Delimitación
del tema y plan de investigación.
Biología
computacional y el desarrollo de algoritmos eficientes.
Campo profesional: Biotecnología y Sistemas
en Ciencias Computacionales.
Definición del problema:
En un algoritmo biológico/genético, una población de soluciones candidatas (llamadas
individuos, criaturas o fenotipos) a un problema de optimización se desarrolla hacia mejores soluciones.
Cada solución candidata tiene un conjunto de propiedades sus cromosomas o genotipos)
que pueden ser mutados y alterados.
Tradicionalmente, las soluciones se representan en
binario como cadenas de ceros y unos, pero también son posibles otras
codificaciones.
La evolución suele partir de una población de
individuos generados al azar, y es un proceso iterativo, con la población en
cada iteración llamada generación.
En cada generación, se evalúa la aptitud de cada individuo en la población. La aptitud suele ser el valor
de la función objetivo en el problema de optimización que se está resolviendo.
Los individuos más aptos son seleccionados estocásticamente de la población
actual, y el genoma de cada individuo es modificado (recombinado y posiblemente mutado al azar) para formar una nueva generación.
La nueva generación de soluciones candidatas se
utiliza entonces en la siguiente iteración del algoritmo. Comúnmente, el algoritmo termina cuando se ha producido un número
máximo de generaciones, o se ha alcanzado un nivel de aptitud satisfactorio
para la población.
Objetivo general: Analizar
el desarrollo de algoritmos matemáticos y su integración al campo biológico en
alineamientos de secuencias.
Objetivo específico:
Determinar la eficiencia de algoritmos de búsqueda por orden de secuencias.
Cronograma general:
Actividad
|
Período 2018
|
Autorización
del anteproyecto.
|
Mayo 15-22.
|
Capítulo
2. Fundamentos.
|
Mayo 23-30
|
Capítulo
3. Procedimientos.
|
Junio1-7.
|
Capítulo
4. Resultados.
|
Junio 8-15.
|
Capítulo
5. Conclusiones.
|
Junio 16-30.
|
Capítulo
6. Recomendaciones.
|
Julio 1-5.
|
Capítulo
1. Introducción.
|
Julio 6-15.
|
Preliminares
(resumen, agradecimientos, etc.)
|
Julio 16-18
|
Revisión
final.
|
Julio 18-30
|
Primera
entrega informe final.
|
Julio 31.
|
Cronograma específico:
Fundamentos
|
Mayo
|
|||||||||||||
L
|
M
|
M
|
J
|
V
|
S
|
D
|
L
|
M
|
M
|
J
|
V
|
S
|
D
|
|
14
|
15
|
16
|
17
|
18
|
19
|
20
|
21
|
22
|
23
|
24
|
25
|
26
|
27
|
|
Investigación documental
|
||||||||||||||
Selección
y recopilación de información.
|
||||||||||||||
Análisis
y abstracción de información.
|
||||||||||||||
Investigación de campo
|
||||||||||||||
Bitácora
de investigación.
|
||||||||||||||
Planeación
y aplicación de entrevista.
|
Suscribirse a:
Entradas (Atom)