Unidad 3 | Sesión 8 | Actividad 2

S8. Actividad 2

Presentación multimedia y exposición de resultados

Unidad 3 | Sesión 8 | Actividad 1

S8. Actividad 1

Integración y redacción final del informe 

                                                        Consultar documento

Unidad 3 | Sesión 7 | Actividad 2

S7. Actividad 2

Aplicación y estructura de la encuesta

Realizar Encuesta

Archivos de consulta

Análisis de resultados | Interpretación de encuesta

Unidad 3 | Sesión 7 | Actividad 1

Actividad 1. Reto de Pamela y sus amigos

Archivo de consulta

Unidad 2 | Sesión 6 | Actividad 2

Protocolo de Entrevista

Archivo de consulta



Planeación y aplicación de entrevista.

Archivo de consulta

Unidad 2 | Sesión 6 | Actividad 1

Bitácora de investigación

Archivo de consulta

UNIDAD 2 | SESIÓN 5 | ACTIVIDAD 2

Análisis y abstracción de información

Archivo de consulta Power Point
Archivo de consulta formato APA_Word

UNIDAD II | SESIÓN 5 | ACTIVIDAD 1

Selección y recopilación de información

Búsqueda de información:

Recopilación de información APA.

Archivo de consulta

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.

Documento para lectura