Universität Wien FIND

Due to the COVID-19 pandemic, changes to courses and exams may be necessary at short notice. Inform yourself about the current status on u:find and check your e-mails regularly.

Please read the information on https://studieren.univie.ac.at/en/info.

040775 UK Biometrics 2 (2021W)

3.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Continuous assessment of course work
REMOTE
Fr 03.12. 08:00-09:30 Digital

Registration/Deregistration

Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).

Details

max. 30 participants
Language: German

Lecturers

Classes (iCal) - next class is marked with N

Friday 01.10. 08:00 - 09:30 Digital
Friday 08.10. 08:00 - 09:30 Digital
Friday 15.10. 08:00 - 09:30 Digital
Friday 22.10. 08:00 - 09:30 Digital
Friday 29.10. 08:00 - 09:30 Digital
Friday 05.11. 08:00 - 09:30 Digital
Friday 12.11. 08:00 - 09:30 Digital
Friday 19.11. 08:00 - 09:30 Digital
Friday 26.11. 08:00 - 09:30 Digital
Friday 10.12. 08:00 - 09:30 Digital
Friday 17.12. 08:00 - 09:30 Digital
Friday 07.01. 08:00 - 09:30 Digital
Friday 14.01. 08:00 - 09:30 Digital
Friday 21.01. 08:00 - 09:30 Digital
Friday 28.01. 08:00 - 09:30 Digital

Information

Aims, contents and method of the course

Generell: Bayes'sche Statistik mit Beispielen aus der Biologie und einem Schwerpunkt auf der Errechnung von a-posteriori Wahrscheinlichkeiten.

Im Detail: 1) Einführung in die Bayes'sche Statistik mit Beispielen aus der Genetik.
2) Standardverteilungen und deren konjugierte Verteilungen, ebenfalls mit Beispielen aus der Biologie: Binomialverteilung mit der konjugierten Betaverteilung; Poissonverteilung mit der konjugierten Gammaverteilung; Exponentialverteilung mit der konjugierten Gammverteilung; Normalverteilung mit der Normal-invers-Chiquadratverteilung.
3) empirische Bayes Methode.
4) Bayes'sche Netzwerke, wo die bedingten Abhängigkeiten der Unbekannten durch einen gerichteten azyklischen Pfad dargestellt werden können; hidden-Markov-Modelle als Beispiel dafür (mit Beispielen aus der Mendelgenetik), mit dem Vorwärts-Rückwärts Algorithmus (eine dynamische Programmiermethode) als numerischer Methode um Wahrscheinlichkeiten auszurechnen. 5) kompliziertere Modelle, bei denen dynamisches Programmieren nicht mehr möglich ist (ebenfalls mit vielen biologischen Beispielen). Numerische Methoden: Monte-Carlo Markovketten (Metropolis, Gibbs und Metropolis-Hastings) Algorithmen sowie Expectation-Maximization (EM) Algorithmen.

Assessment and permitted materials

Begleitende Hausübungsbeispiele unterschiedlichen Schwierigkeitsgrads und Umfangs; beides ist in den erreichbaren Punkten pro Beispiel abgebildet.

Minimum requirements and assessment criteria

Werden mehr als die Hälfte der Punkte erreicht, ergibt sich eine positive Note.

Examination topics

Vorlesungstoff

Reading list

Durbin, R., Eddy, S., Krogh, A., and Mitchison, G. (1998). Biological sequence analysis.
Cambridge University Press, Cambridge.

Gelman, A., Carlin, J., Stern, H., and Rubin, D. (1995). Bayesian Data Analysis. Chapman
& Hall.

Association in the course directory

Last modified: Tu 28.09.2021 21:27