INTRODUZIONE E MOTIVAZIONE -Metodo scientifico e struttura di un lavoro scientifico -Biologia/Fisica. -Biologia Numerica (Cell biology by the numbers). -Elementi di logica: proposizioni funzionali, insiemi, eventi. -Logica sfumata. -Eventi, esperimenti, incertezza, probabilità. -Elementi delle probabilità, probabilità condizionate, teorema di Bayes. -Tre modi di inferenza: Deduzione, induzione, abduzione. -Decisioni in condizioni di incertezza. -La scienza prima e dopo l’ inizio dell’era degli elaboratori (fine anni ’70). -Dati/Modelli/Calcoli/Simulazioni. -La nascita della biologia computazionale (in silico). -Biologia e medicina computazionale dei sistemi. IMPOSTARE GLI STRUMENTI Elementi di programmazione e analisi dati in Python e R. Jupyter notebooks. STATISTICA DESCRITTIVA -Variabili discrete, continue e categoriche. -Compressione dei dati: indici statistici di concentrazione (posizione)e dispersione (variabilità). -medie, mode, mediane. -Intervalli di variabilità, percentili, intervalli interquartili, grafici a scatole, varianza e deviazione standard. -Frequenze, istogrammi. -Entropia empirica e informazione. -Incertezza, precisione e sensibilità. RAGIONAMENTO PROBABILISTICO -Idea della probabilità e matematica. -Distribuzioni di probabilità: discrete/continue, momenti. -Ci sono solo probabilità condizionate: P(H|I) -Relevance of Bayes’theorem in computational biology. -le distribuzioni importanti nell’ analisi dei dati. -Teorema del limite centrale, legge dei grandi numeri. -Statistiche non automedianti. STATISTICA INFERENZIALE -Popolazione/campione. -Stima -Apprendimento automatico: apprendimento statistico dai dati. -Apprendimento automatico inferenziale: criteri del massimo a posteriori, massima verosimiglianza e massima entropia nel riconoscimento di schemi(patterns). -Sopra/sotto adattamento (Over/under fitting). -Barre di errore: deviazione standard, errori standard, intervalli di confidenza. TEST DI IPOTESI -principi: ipotesi nulla e ipotesi alternative. -Errori di tipoI e tipo II. -Livelli di confidenza, p-value. - t-test (ipotesi su valori aspettati, campioni appaiati/non appaiati. - Test del chi-quadrato. 
- Test parametrici/non parametrici. CORRELAZIONE E REGRESSIONE -Dipendenza statistica (grado di associazione), test di dipendenza statistica. -Coefficienti di correlazione. -Regressione lineare. CLASSIFICAZIONE E AGGRGAZIONE -Analisi in componenti principali (PCA). -Classificatori binari. -Aggregazione di dati (Clustering). -Statistica del discernimento (ROC curves) IL PROBLEMA DELLA RIPRODUCIBILITA NELLA SCIENZA CONTEMPORANEA

Michael C. Whitlock and Dolph Schluter - The Analysis of Biological Data-W. H. Freeman and Company (2015). Bernard Rosner - Fundamentals of Biostatistics-Brooks Cole (2015). Alberto Boschetti and Luca Massaron-Python_Data_Science-Packt Publishing (2015).