Námskeiðið fjallar um tölfræðigreiningu á nýgengi (incidence) og eftirfylgnitíma (survival time) í ferilrannsóknum. Kennd verður notkun Poisson aðhvarfsgreiningarlíkana og aðferða í lifunargreiningu (survival analysis) eins og Kaplan-Meier aðferðarinnar (log-rank), Cox aðhvarfsgreiningar, Poisson aðhvarfsgreiningar og líkana með stikuðum hættuföllum. Notast verður við tölfræðiforritin R. 

Námskeiðið er beint framhald af Líftölfræði I og veitir nemendum praktíska handleiðslu í tölfræðiúrvinnslu í eigin rannsóknarverkefnum. Útreikningar á hlutfallslegri áhættu og leiðréttri hlutfallslegri áhættu. Fylgni og einföld aðhvarfsgreining, margvíð línuleg aðhvarfsgreining og lógistísk aðhvarfsgreining. Þetta námskeið byggir á tveimur meginhugmyndum sem móta þema þess. Spá með tölfræðilegum líkönu. Nemendur læra að smíða líkön — eins og lógistísk (tvíkosta) aðhvarflíkön og Cox áhættu-líkön — sem meta líkur á atburðum út frá fyrirliggjandi gögnum. Mat á aðgreiningargetu líkans
Megináhersla er lögð á að meta hversu vel líkön greina á milli einstaklinga með mismunandi útkomur, með mælikvörðum eins og flatarmáli undir ROC ferli (AUC), samræmisstuðli (concordance index) og öðrum frammistöðumælingum.

Námskeiðið byggist á fyrirlestrum og dæmatímum. Í dæmatímunum verður notast við tölfræðiforritið R.

Í námskeiðinu er fjallað um einfalda og fjölvíða aðhvarfsgreiningu ásamt fervikagreiningu (ANOVA) og samvikagreiningu (ANCOVA). Að auki er farið í tvíkosta aðhvarfsgreiningu (binomial regression) og rætt um hugtök því tengt, svo sem gagnlíkindi (odds) og gagnlíkindahlutfall (odds ratio).
Námskeiðið er framhald af dæmigerðu grunnnámskeiði í tölfræði sem kennd eru á hinum ýmsu sviðum skólans. Farið verður í aðferðir til að meta stika í línulegum líkönum, hvernig smíða má öryggisbil og kanna tilgátur fyrir stikana, hverjar forsendur líkananna eru og hvað hægt sé að gera sé þeim ekki fullnægt. Verkefni eru unnin í tölfræðihugbúnaðinum R.

Námskeiðið er inngangur að faraldsfræðilegum rannsóknaraðferðum og nálgun orsaka. Námskeiðið gefur yfirlit yfir mælingar á tíðni sjúkdóma, áhættu og afstæðri áhættu, gerðir faraldsfræðilegra rannsókna (tilraunir og íhlutandi rannsóknir, hóprannsóknir, tilfella-viðmiðsrannsóknir). Áhersla er lögð á kerfisbundna skekkjuvalda og á aðferðir til að sneiða hjá þeim á undirbúningsstigi rannsókna svo og í úrvinnslu gagna. Nemendur fá þjálfun í því að ritrýna faraldsfræðilegar rannsóknarniðurstöður.

Í námskeiðinu munu nemendur framkvæma hefðbundnar tölfræðiaðferðir á raunverulegum gagnasöfnum. Áhersla verður lögð á fjölbreytu aðhvarfsgreiningu (e. multiple linear regression). Nemendur beita fáguðum aðferðum við myndræna framsetningu sem og sjálfvirka skýrslugerð. Námsmat verður í formi raunhæfra verkefna þar sem nemendur framkvæma ofangreind atriði á raunverulegum gagnasöfnum með það fyrir augum að svara rannsóknarspurningum.

Námskeiðið veitir hagnýta leiðsögn við upphaf framhaldsnáms í lýðheilsuvísindum og faralds- og líftölfræði, þróun viðurkenndra vinnubragða í rannsóknartengdu námi og undirbúning lokaverkefnis á meistarastigi. Farið er yfir heimildaöflun og vistun, uppsetningu og skrif rannsóknaverkefna og ábyrga notkun gervigreindar. Nemendur fá að auki kynningu og grunnþjálfun í tölfræðiforritinu R. Einnig er áhersla á meðhöndlun gagna og þjálfun í vísindalæsi.

Þáttakendur í námskeiðinu öðlast þjálfun í hagnýtum tölfræðiaðferðum eins og þeim er beitt við tölfræðiráðgjöf. Þáttakendur fá að kynnast raunverulegum tölfræðilegum verkefnum með því að aðstoða nemendur í ýmsum deildum skólans. Þáttakendur kynna verkefnin í námskeiðinu, ræða úrlausnarmöguleika og aðstoða síðan nemendurna við úrvinnslu með R og túlkun niðurstaðna.

Námskeiðið fjallar um tölfræðigreiningu á nýgengi (incidence) og eftirfylgnitíma (survival time) í ferilrannsóknum. Kennd verður notkun Poisson aðhvarfsgreiningarlíkana og aðferða í lifunargreiningu (survival analysis) eins og Kaplan-Meier aðferðarinnar (log-rank), Cox aðhvarfsgreiningar, Poisson aðhvarfsgreiningar og líkana með stikuðum hættuföllum. Notast verður við tölfræðiforritin R. 

Námskeiðið veitir hagnýta leiðsögn við undirbúning vísindarannsóknar og er sniðið að nemendum sem eru að undirbúa lokaverkefni á framhaldsstigi. Nemendur fá stutta upprifjun í heimildaöflun og ítarlega þjálfun í kerfisbundinni heimildaleit og gerð yfirlitsgreinar (systematic critical review). Þá er unnið með tilgátuþróun og rannsóknaráætlun skrifuð. Einnig er farið yfir uppbyggingu vísindagreina, vísindaskrif og kynningu á niðurstöðum rannsókna. 

Námskeiðið veitir hagnýta leiðsögn við undirbúning rannsóknar. Heimildaöflun, tilgátuþróun og gerð yfirlitsgreinar (systematic critical review) á fræðasviði fyrirhugaðaðrar rannsóknar. Nemendur fá einnig þjálfun í að vinna rannsóknaráætlun og kynna hana.

Námskeiðið er ætlað nemendum á meistara- eða doktorsstigi sem hafa valið sér svið/rannsóknarspurningu lokaverkefnis. 

Nemendur í MPH námi í lýðheilsuvísindum og MS námi í faralds- og líftölfræði verða að standast námskeiðið áður en vinna við lokaverkefni hefst.

Markmið námskeiðsins er að nemendur öðlist þjálfun í aðferðum og fái innsýn í framkvæmd tiltekins rannsóknarverkefnis í lýðheilsu. Nemendur kynnast fræðilegum bakgrunni þeirrar rannsóknar sem þau starfa við og fá þjálfun í að taka þátt í skilgreindum hluta hennar, en viðfangsefni ráðast af þörfum þess rannsóknarverkefnis sem ráðið er til hverju sinni. Dæmi um starfsþætti væri t.d. þátttaka í undirbúningi rannsóknarverkefnis og ýmis vinna tengd gagnasöfnun og úrvinnslu gagna (hreinsa og/eða greina). Nemendur munu einnig kynnast ólíkum verkþáttum rannsóknarverkefnisins undir handleiðslu þess vísindafólks sem leiðir rannsóknina og í samstarfi við rannsóknarteymið.

Nemendur sækja reglulega fundi með rannsakendum og umsjónarkennara námskeiðsins. Rannsóknarþjálfunin er skipulögð sérstaklega fyrir hvern og einn nemanda með tilliti til efnis og framvindu rannsóknar, leiðbeinanda og bakgrunns nemanda. Námspláss takmarkast af þeim rannsóknarverkefnum sem í gangi eru við Miðstöð í lýðheilsuvísindum hverju sinni og nemendur sækja um skráningu í námskeiðið á skrifstofu námsins.

Meistaranám í Faralds- og líftölfræði er 120 eininga þverfræðilegt framhaldsnám og þar af skal rannsóknarverkefni vera 30 eða 60 einingar. Að öllu jöfnu má skilgreina 60e verkefni sem sjálfstæða rannsókn sem lýkur í vísindagrein, tilbúinni til birtingar, ásamt fræðilegum inngangi. 30e verkefni er fræðileg ritgerð eða kerfisbundið yfirlit yfir þekkingargrunn á ákveðnu sviði lýðheilsuvísinda. Boðið er upp á einstaklingsviðtöl við nýnema undir lok fyrsta misseris námsins, þar sem hugmyndir nemenda um rannsóknarverkefni eru ræddar. Í námskeiðinu Verklag í vísindum á öðru misseri fullvinna nemendur rannsóknaráætlun og velja leiðbeinanda og nefnd (þar sem við á). Þá er gert ráð fyrir að nemendur taki þátt í málstofum, æfingavörnum og mæti á að lágmarki í fimm opnar MPH varnir á námsferlinum. Nánari leiðbeiningar um viðmið og framvindu lokaverkefnis er að finna á hópvef MPH nema í Uglu. Nemar í lýðheilsuvísindum eru vistaðir innan Læknadeildar meðan á námi stendur, en brautskrást frá heimadeild leiðbeinanda.

Markmið meistaraverkefnis er að veita nemanum þjálfun í að hanna, skipuleggja, þróa og framkvæma rannsóknarverkefni, læra að taka tillit til þeirra takmarkana sem ráðast af aðferðum, tækni og reglum, að geta með sjálfstæðum hætti og í rituðu máli skilgreint rannsóknarviðfangsefni sitt, sett fram rannsóknarspurningar og tilgátur.

Meistaranám í Faralds- og líftölfræði er 120 eininga þverfræðilegt framhaldsnám og þar af skal rannsóknarverkefni vera 30 eða 60 einingar. Að öllu jöfnu má skilgreina 60e verkefni sem sjálfstæða rannsókn sem lýkur í vísindagrein, tilbúinni til birtingar, ásamt fræðilegum inngangi. 30e verkefni er fræðileg ritgerð eða kerfisbundið yfirlit yfir þekkingargrunn á ákveðnu sviði lýðheilsuvísinda. Boðið er upp á einstaklingsviðtöl við nýnema undir lok fyrsta misseris námsins, þar sem hugmyndir nemenda um rannsóknarverkefni eru ræddar. Í námskeiðinu Verklag í vísindum á öðru misseri fullvinna nemendur rannsóknaráætlun og velja leiðbeinanda og nefnd (þar sem við á). Þá er gert ráð fyrir að nemendur taki þátt í málstofum, æfingavörnum og mæti á að lágmarki í fimm opnar MPH varnir á námsferlinum. Nánari leiðbeiningar um viðmið og framvindu lokaverkefnis er að finna á hópvef MPH nema í Uglu. Nemar í lýðheilsuvísindum eru vistaðir innan Læknadeildar meðan á námi stendur, en brautskrást frá heimadeild leiðbeinanda.

Markmið meistaraverkefnis er að veita nemanum þjálfun í að hanna, skipuleggja, þróa og framkvæma rannsóknarverkefni, læra að taka tillit til þeirra takmarkana sem ráðast af aðferðum, tækni og reglum, að geta með sjálfstæðum hætti og í rituðu máli skilgreint rannsóknarviðfangsefni sitt, sett fram rannsóknarspurningar og tilgátur.

 Tölulegar aðferðir eru nauðsynlegur hluti margra greina líffræðinnar og nýtast við högun tilrauna og athugana, samantekt niðurstaðna og greiningu þeirra. Nemendur læra þessar aðferðir og meðhöndla fjölbreytt gögn úr líffræði, auk þess að fá þjálfun í að túlka niðurstöður mismunandi aðferða. Helstu aðferðir eru sennileikamat,  línuleg líkön, aðhvarf og fervikagreining og alhæfð línuleg líkön til að greina talningar. Fjölbreytugreining. Endursýnataka (skóþvengur og umröðunarpróf). Kennt verður að nota  tölfræðiforritið R til að framkvæma þær aðferðir sem fjallað er í fyrirlestrum.  Nemendur leysa verkefni sem byggja á líffræðilegum rannsóknum og fá ítarlega þjálfun í notkun R. Greining  á eigin gögnum eða viðameira gagnasetti sem tekið er saman í skýrslu og kynnt í fyrrlestri.

Námsmat: Verkefni 50%  og skriflegt próf 50%. Nemandi þarf að ná lágmarkseinkunn í báðum prófþáttum.

Fjallað verður um helstu líkön sem notuð eru til að vinna með undirliggjandi breytur í sálfræðilegum mælingum. Í fyrra námskeiðinu (Líkön fyrir undirliggjandi breytur I) verður unnið með staðfestandi þáttagreiningalíkön (confirmatory factor models) og formgerðarlíkön (ýmist þekkt sem structural equation models eða path model á ensku). Fjallað verður um forsendur líkananna, úrvinnsluaðferðir, túlkun niðurstaðna og leiðir til að vinna með gögn af ólíku tagi. Í síðara námskeiðinu (Líkön fyrir undirliggjandi breytur II) verður byrjað á að kynna aðferðir til að vinna með gögn þar sem mældar breytur eru flokkabreytur og þaðan farið yfir í náskyld líkön, svarferlalíkön (item response theory). Unnið verður með líkön fyrir tvíkosta gögn og algengustu líkön fyrir fjölkostagögn kynnt. Í seinni hluta námskeiðsins verða viðfangsefnin líkön fyrir langtímagögn sem nýta undirliggjandi breytur, þroskalíkön, (latent growth models), krosstengslalíkön (cross-lagged product models), og líkön fyrir þéttmælingagögn (Intensive longitudinal methods, einnig þekkt sem Daily-diary data, Ambulatory assessment eða Ecological-momentary data). Áhersla er lögð á hagnýta þjálfun í að greina gögn með þessum líkönum með verkefnum auk þess sem fjallað verðu um fræðilegan grunn líkana.

Markmið: Að kenna nemendum að beita ýmsum aðferðum úr Bayesískri tölfræði fyrir greiningu gagna. Námsefni: Fræðileg undirstaða Bayesískrar ályktunartölfræði, fyrirframdreifingar, gagnadreifingar og eftirádreifingar. Bayesísk ályktunartölfræði fyrir stika í einvíðum og margvíðum líkindadreifingum: tvíkosta-; normal-; Possion; veldis-; margvíð normal-; fjölkostadreifing.  Mat á gæðum líkans og samanburður á líkönum: Bayesísk p-gildi; deviance information criterion (DIC). Bayesísk hermun: Markov keðju Monte Carlo (MCMC) aðferðir; Gibbs sampler; Metropolis-Hastings skref; mat á samleitni. Línuleg líkön: normal línuleg líkön; stigskipt normal línuleg líkön; almenn línuleg líkön. Áhersla á greiningu gagna með forritum eins og Matlab og R.

Sennileiki, tæmandi stærð, nægjanleikareglan, þvælistiki, skilyrðingarreglan, óbreytileikareglan, sennileikafræði. Tilgátupróf, einfaldar og samsettar tilgátur, Neyman-Pearson-setningin, styrkleiki, UMP-próf, óbreytileg próf. Umröðunarpróf, sætispróf. Bilmat, öryggisbil, öryggisstig, öryggissvæði. Punktmat, bjagi, meðalferskekkja. Skilaverkefni gilda 30% af lokaeinkunn.

Markmið námskeiðsins er að auka skilning nemenda á sérstökum sviðum innan faraldsfræði, kynna sérstaka aðferðafræði sem tilheyrir viðkomandi sviðum, og að efla hæfni nemenda í að meta gæði og túlka niðurstöður faraldsfræðilegra rannsókna.

Námskeiðið mun fjalla ítarlega um 4-6 sérstök rannsóknarsvið innan faraldsfræðinnar, sem dæmi faraldsfræði fæðinga, næringar, og smitsjúkdóma. Mismunandi umfjöllunarefni kunna að vera valin frá ári til árs. 

Í námskeiðinu er farið yfir skilgreiningar, sögu, markmið, gildissvið, siðfræði og aðferðir lýðheilsuvísinda svo og íslensk- og alþjóðleg lög og sáttmála sem tengjast lýðheilsu. Nokkur áhersla er lögð á lýðheilsu og heilbrigðisvísa í alþjóðlegu samhengi en einnig á íslenska heilbrigðiskerfið, stjórnun og fjármögnun þess svo og samanburð við heilbrigðiskerfi annara þjóða. Ennfremur er farið yfir söfnun heilbrigðisupplýsinga á Íslandi sem á alþjóðavísu og nýtingu þeirra til rannsókna og stefnumótunar í heilbrigðismálum. Einnig er lögð áhersla á þau svið lýðheilsu sem eru á döfinni hverju sinni.

Í þessu námskeiði er fjallað um gerð sjálfsmatskvarða. Kynntar verða fræðilegar undirstöður slíkra mælinga eins og klassíska raungildiskenningu (classical true score theory). Megináherslan verður á hagnýta þjálfun í gerð slíkra mælitækja, álitamál sem rannsakendur standa gjarnan frammi fyrir við gerð þeirra og lausnir á þeim ræddar.

Fyrirlestrar: Erfðaháttur og ættartré. Skipulag erfðaefnis mannsins. Litningar, litningabreytingar, litningagallar. Staðsetning gena. Sambandsgreining /Tölfræðileg nálgun. Erfðagreining. Flóknir erfðagallar, erfðir og umhverfi. Erfðir og krabbamein. Genalækningar. Þróun mannsins og skyldra tegunda. Siðferðileg efni tengd mannerfðafræði, upplýst samþykki og persónuupplýsingar. Gert er ráð fyrir að nemendur hafi almenna undirstöðu í erfðafræði.

Verklegt: Túlkun gagna úr erfðagreiningingum, unnið með tjáningargögn, greining gagna úr litningalitunum, unnið með gögn úr kortlagningu á erfðaþáttum.

Markmið: Að veita bæði hagnýta og fræðilega þekkingu í gerð líkana, mati á stikum og spám í kvikum kerfum. Námsefni: ARMAX og önnur hliðstæð ferli og helstu eiginleikar þeirra. Meðhöndlun á óstöðnuðum ferlum. Sjálffylgni- og samfylgniföll. Mismunandi aðferðir við rófgreiningar. Mat á stikum, þar á meðal aðferð minnstu kvaðrata og sennileikaaðferðin. Tölulegar aðferðir við lágmörkun markfalla. Fjallað er um ýmis vandamál sem geta komið upp við líkangerð, svo sem ef mælingar vantar eða þær eru óeðlilegar. Inngangur að ólínulegum tímaraðalíkönum. Stakræn kerfi á ástandsformi. Lögð er áhersla á að leysa hagnýt verkefni.

Stærðfræðigreining í einni breyti stærð (einföld algebra, föll, margliður, lograr og veldisvísisfallið, samfelldni og markgildi, diff run, staðbundin útgildi ogheildun).
Línuleg algbera (vigrar, fylki, línuleg ofanvörp með fylkjum, andhverfur fylkja og ákveður).
Forritun í R (reikningur, föll og að skipuleggja R-kóða).
Stærðfræðigreining í mörgum breyti stærðum (Jacobi- og Hessefylki og tvöföld heildun).
Stefnan í námskeiðinu er að nálgast mörg stærðfræðileg viðfangsefni með blöndu af (a) fræðilegri undirstöðu (í formi hugtaka frekar en sannana), (b)forritun í R ti l að sjá fyrir sér ýmis viðfangsefni, og (c) að skoða sýnidæmi úr tölfræði. Það verða engir fyrirlestrar, en nemendur geta þó mætt ti l að fáaðstoð með vikulegu verkefnin sín.
Markmið námskeiðsins er að fara yfir þau hugtök í stærðfræðigreiningu, línulegri algebru og forritun sem mest þörf er á í tölfræði. Nemandi sem hefur klárað þetta námskeið ætti að hafa nægan stærðfræðilegan bakgrunn fyrir tölfræðikúrsana sem kenndir eru á meistarastigi í stærðfræðideildinni (og þarmeð alla tölfræðikúrsa sem eru kenndir í öðrum deildum).

Nemendur munu semja sýnidæmi og fjölvalsspurningar og jafningjamat fer fram á því efni.

Námsefni námskeiðsins er opið öllum og má nálgast hér: htt ps://open-educati on-hub.github.io/ccas/.

Kennileg línuleg tölfræðilíkön er 6 ECTS-eininga framhaldsnámskeið um stærðfræðilega undirstöðu línulegra líkana, byggt á einni rúmfræðilegri meginhugmynd: mat er hornrétt ofanvarp og prófanir eru samanburður ofanvarpa á hreiðruð hlutrúm. Fjallað er um ofanvarpsvirkja, fjölvíðu normaldreifinguna og ferningsform, metanleika, aðferð minnstu kvaðrata, Gauss-Markov-setninguna, sennileikamat og alhæfða aðferð minnstu kvaðrata, prófanir og öryggissvæði, og beitingu á fervikagreiningu, aðhvarfsgreiningu og spá. Námskeiðið þróar kenninguna að baki aðferðum sem nemendur kunna úr STÆ312M.

Kennslubók er Christensen, Plane Answers to Complex Questions (4. útgáfa).

Námsmat: lokapróf (50%), miðannarpróf (25%) og fimm kynningar á heimadæmalausnum (25%).

Forkröfur: STÆ203, STÆ107, STÆ312M.

Í námskeiðinu er fjallað um fræði og hagnýtingu slembiþáttalíkana, sem og annarra líkana, til greiningar á háðum útkomubreytum.  Í námskeiðinu verður farið yfir aðferðir fyrir útkomur sem teljast samfelldar og normaldreifðar.  Í slíkum kringumstæðum þarf tölfræðilíkanið bæði að lýsa væntigildi útkoma og fylgni á milli þeirra.  Fræðin á bak við eru því umfram hefðbundina línulega aðhvarfsgreiningu. Til slíkrar greiningar þarf sérstakar tölfræðiaðferðir, sem helstu forrit bjóða uppá, eins og R, STATA og SAS.  Aðallega verður stuðst við R en önnur forrit kynnt til samanburðar eftir þörfum. 

Áherslan í þessu námskeiði er á Bayesísk latent Gaussísk módel (BLGM) sem eru flokkur Bayesískra stigskiptra líkana og beitingu þessarra líkana. Helstu viðfangsefnin eru þrjár gerðir af BLGM: (i) Bayesísk Gaussísk-Gaussísk líkön, (ii) BLGM með einvíðu tengifalli og (iii) BLGM með fjölvíðu tengifalli, sem og fyrirframdreifingar fyrir BLM og útreikningar fyrir eftirádreifingar BLGM. Í fyrri hluta námskeiðsins er farið yfir grunnatriði þessara líkana og gefin heimaverkefni um þetta efni. Í seinni hluta námskeiðsins er sjónum beint að verkefni þar sem gögn eru greind með BLGM. Hver nemandi getur lagt fram gögn sem hún eða hann vill greina. Efni áfangans byggir á fræðilegum grunni. Hins vegar er áherslan á gagnagreiningu sterk og útreikningar og forritun spila stórt hlutverk í námskeiðinu. Þannig mun námskeiðið nýtast nemendum í framtíðarverkefnum þeirra sem snúa að gagnagreiningu.

Línuleg líkön, margvíða normal dreifingin, stigskipt líkön, línuleg líkön með slembiþáttum, skilyrt sennileikamat, óbjagaðir línulegir metlar, bayesísk ályktunartölfræði, tölfræðileg ákvörðunarfræði, Markov keðjur, Monte Carlo heildun, vigtuð hermun, Markov keðju Monte Carlo hermun, Gibbs hermun, Metropolis-Hastings hermun.

Markmið námskeiðsins er að auka skilning nemenda á ítarefnum í faraldsfræði og að efla hæfi nemenda í að meta gæði og túlka niðurstöður faraldsfræðilegra rannsókna.

Námskeiðið mun fjalla ítarlega um framhaldsaðferðir í faraldsfræði. Viðfangsefni kunna að breytast ár frá ári, en sem dæmi: hrif jákvæðrar og neikvæðrar gruggunar (positive and negative confounding), pörun (matching), líkindaskor (propensity score), áhrifsbreytingu (effect modification and interaction), nýlegar aðferðir til að takast á við blöndun (instrumental variables), orsakamyndir (causal diagrams), og hvað á að gera þegar gögn vantar í rannsóknina (missing data). Teknar verða fyrir vísindagreinar sem tengjast faraldsfræðilegum álitamálum í rannsóknum og þær ræddar ítarlega.

Inngangsatriði slembiferla með megináherslu á Markovkeðjur.

Viðfangsefni: Hittitími, stöðuþáttun, óþáttanleiki, lota, endurkvæmni (jákvæð og núll-), hverfulleiki, tenging, endurnýjun, jafnvægi, tíma-viðsnúningur, tenging úr fortíðinni, greinaferli, biðraðir, martingalar, Brownhreyfing.

Námskeiðið fjallar um áföll í æsku og á fullorðinsárum, þ.m.t. ofbeldi, slys og hamfarir, og lífshættuleg veikindi, og tengsl þeirra við sálræna og líkamlega heilsu. Sérstök áhersla verður lögð á að kynna vísindagrunn þessara fræða og veita þjálfun í að lesa úr rannsóknum á þessu sviði. Helstu efnisatriði námskeiðsins eru m.a.:

• Algengi áfalla og streituviðbrögð í kjölfar þeirra.
• Sálrænn vandi í kjölfar áfalla, m.a. áfallastreituröskun, kvíði, þunglyndi, svefnvandi, fíknisjúkdómar og langvarandi sorg.
• Sjúkdómsbyrði áfalla m.a. vegna hjarta- og æðasjúkdóma, krabbameina, sjálfsónæmissjúkdóma og sjálfsvíga.
• Áhrif umhverfis- og erfðafræðilega þátta í þróun sálrænna og líkamlegra sjúkdóma í kjölfar áfalla.
• Þættir sem stuðla að bata í kjölfar áfalla og draga úr áhættu á langvarandi heilsufarsvanda.
• Gagnreynd meðferðarúrræði við áfallastreituröskun.

Námskeiðið er ætlað nemendum sem vilja auka vísindalega þekkingu sína á tengslum áfalla og heilsu og er einungis ætlað nemendum í framhaldsnámi. Námskeiðið byggir á fyrirlestrum umsjónarkennara og valinna gestafyrirlesara sem eru sérfræðingar á sviði áfalla. Lagt verður upp úr umræðum og virkri þátttöku nemenda í tímum. 

Námskeiðið fjallar um tölfræðiúrvinnslu í forritinu R. Gert er ráð fyrir að nemendur hafi grunnþekkingu í tölfræði og tölfræðihugbúnaðnum R. Æskilegt er að nemendur þekki til margbreytu aðhvarfsgreiningar (e. multiple linear regression). Nemendur læra að beita hinum ýmsu tölfræðiaðferðum í R (ss. classification methods, resampling methods, linear model selection og tree-based methods). Námskeiðið er kennt á tólf vikum og verður það á vendikennsluformi þar sem nemendur lesa námsefni og horfa á myndbönd áður en þeir mæta í tíma og fá svo aðstoð með fyrirliggjandi verkefni í tímum.

Markmið námskeiðsins er að auka skilning og færni nemenda í að greina og vinna úr rannsóknargögnum svo þeir séu betur undir það búnir að leysa slík verkefni í framhaldsnámi og vinnu. Farið verður ítarlega yfir þær aðferðir sem mest eru notaðar við greiningar á faraldsfræðigögnum með það að markmiði að nemendur geti sjálfir beitt þeim og geti gengið úr skugga um að allar forsendur haldi.

Í  hverjum tíma leggur kennari fyrir verkefni sem byggja á gögnum úr fyrri rannsóknum sem framkvæmdar hafa verið á rannsóknarstofu í næringarfræði. Farið verður sameiginlega yfir helstu atriði og forsendur hvers verkefnis. Nemendur eiga að greina gögnin m.v. fyrirfram gefnar spurningar. Við tölfræðigreiningar verður mest notast við SPSS en einnig verður SAS kynnt til sögunnar.

Markmið námskeiðsins er að nemendur öðlist skilning og verklega færni til að beita aðhvarfsgreiningu á eigin spýtur. Fjallað er um þau afbrigði aðhvarfsgreiningar sem hvað oftast eru notuð í rannsóknum á sviði félagsvísinda. Farið er í stjórnun breyta, notkun nafnbreyta, línuleg og ólínuleg líkön, aðferðir til þess að prófa miðlun breyta og samvirkni breyta og aðferðir til að nota breytur sem hafa skekkta dreifingu svo eitthvað sé nefnt. Fjallað er um forsendur aðhvarfsgreiningar og aðferðir til að fást við þær. Einnig er fjallað um "logistic" aðhvarfsgreiningu, þar sem háða breytan er tvígild nafnbreyta. Samhliða þessari umfjöllun verður farið í saumana á ályktunartölfræði, notkun marktektarprófa og túlkun niðurstaðna. Áhersla er lögð á að nemendur fái umtalsverða verklega reynslu af því að greina megindleg gögn. Kennari útvegar könnunargögn sem nemendur nota til þess að prófa þær aðferðir sem kenndar eru. Eftir fremsta megni verður reynt að samþætta fræðilegar spurningar og tilgátuprófun. Tölfræðiforritið SPSS fyrir Windows er notað.

Fyrirlestrar: Sameindagrunnur lífsins (efnatengi, lífefni, bygging stórsameinda DNA, RNA og próteina). Erfðamengi dreifkjörnunga og heilkjörnunga. Skipulag erfðaefnisins, litningar, litni og litnisagnir. Stjórn DNA eftirmyndunar og frumuhringsins. DNA eftirmyndun. Aðskilnaður litninga og frumuskipting. Umritun. Stjórn umritunar. Verkun RNA sameinda. Þýðing mRNA í prótein. Stjórnkerfi þýðingar. Hlutverk RNA sameinda í stjórn genatjáningar. Prótein-umbreytingar og umferðarstjórn innan frumna. DNA skemmdir, varðstöðvar og DNA viðgerðir. Endurröðun og viðgerðir á tvíþátta DNA brotum. Stökklar og staðbundin endurröðun. Helstu aðferðir sameindalíffræðinnar og tilraunalífverur.

Umræðutímar: Nemendur hafa framsögu um og ræða valdar rannsóknagreinar og skila inn útdrætti úr greininni.

Verklegar æfingar: Unnið verður að verkefni í sameindaerfðafræði sem tengist rannsóknum kennara og býður upp á notkun helstu aðferða sameindaerfðafræðinnar svo sem genaferjun, DNA mögnun og raðgreiningu, ummyndun og einangrun plasmíða, skerðikortlagningu, og rafdrátt bæði kjarnsýra og próteina.

Próf: Verklegt 10%, umræðufundir og skrifleg verkefni 15%, skriflegt próf 75%.

Líkindi á grundvelli mál- og tegurfræði.

Viðfangsefni: Líkindi, útvíkkunarsetningar, óhæði, væntigildi. Borel-Cantelli-setningin og 0-1 lögmál Kolmogorovs.  Ójöfnur og hin veiku og sterku lögmál mikils fjölda. Samleitni í hverjum punkti, í líkindum, með líkunum einn, í dreifingu og í heildarviki. Tengiaðferðir. Höfuðmarkgildissetningin. Skilyrt líkindi og væntigildi.

Erfðamengjafræði og lífupplýsingafræði samþættast á margvíslega vegu. Erfðatækni opnaði möguleika á raðgreiningu erfðamengja, greiningum á tjáningar- og prótínmengjum. Með raðgreiningum á erfðamengjum þúsundum lífvera opnast möguleikar á að nýta upplýsingarnar til að öðlast þekkingu og skilning á líffræðilegum fyrirbærum. Samanburðaraðferð þróunarkenningar Darwins er fræðilegur grundvöllur fyrir greiningar á slíkum upplýsingum. Sameiginlegir eiginleikar varðveittir í mismunandi lífverum eiga sér grunn í varðveittum hlutum erfðamengja. Að sama skapi liggja rætur nýjunga í svipfari oft í hlutum erfðamengja sem eru mismunandi á milli tegunda. Það á jafnt við um eiginleika dýra, plantna, örvera og fruma, þroskunar og ensímkerfa.

Námskeiðið fjallar um hugmyndafræði og aðferðafræði til samanburðar, um greiningu erfðamengja einstakra lífvera (genomics), umhverfiserfðamengja (metagenomics) og tjáningarmengja (transcriptome) til að svara líffræðilegum, læknisfræðilegum og hagnýtum spurningum. Fyrirlestrar verða um, byggingu og raðgreiningu erfða-, tjáningar- og prótínmengja, sameindaþróun, ólíkar gerðir lífupplýsinga, gagnagrunna, skeljaforrit, inngang að python og R umhverfinu, keyrslu forrita og breytingar á þeim. Æfingar: Sækja gögn í gagnagrunna, Blast, samraðanir og pússlun mengja, samanburður erfðamengja tegunda og greining erfðabreytileika innan tegunda. Unnið verður með gagnagrunna, m.a. flybase, Genebank, ENSEMBL og E.coli. Gögn verða sótt með Biomart og Bioconductor, og fjallað um áreiðanleika gagna í gagnagrunnum. Kynnt verða algrímar er liggja til grundvallar leitar-forrita og forrit kynnt sem hægt er að keyra yfir vefinn, grunnatriði Python-forritunar, opinn hugbúnaður á UNIX/Linux, uppsetning hugbúnaðar af vefnum á eigin tölvum. Greining gagna úr RNA-seq, RADseq og heilraðgreiningum.

Nemendur vinna smærri og stærri verkefni og skila, og kynna munnlega niðurstöður úr stóra verkefninu. Í umræðufundum verða frumheimildir ræddar.

Efni námskeiðsins eru helstu reiknirit sem notuð eru í lífupplýsingafræði. Í upphafi er stutt yfirlit yfir erfðamengjafræði og reiknirit fyrir nemendur af öðrum sviðum. Námskeiðinu er skipt upp í nokkrar einingar og er hverri ætlað að fara yfir einstök verkefni í lífupplýsingafræði sem mótast af rannsóknarverkefnum. Hver eining samanstendur af verkefnislýsingu og aðferðum sem beitt er við úrlausn. Viðfangsefnin verða m.a. mynstraleit, strengjafjarlægð, samröðun gena og erfðamengja, þyrpingagreining, raðgreining og myndun erfðamengja og að lokum aðferðir við úrvinnslu úr háhraðaraðgreiningar gögnum.

Námskeiðið fjallar um tölfræðigreiningu á nýgengi (incidence) og eftirfylgnitíma (survival time) í ferilrannsóknum. Kennd verður notkun Poisson aðhvarfsgreiningarlíkana og aðferða í lifunargreiningu (survival analysis) eins og Kaplan-Meier aðferðarinnar (log-rank), Cox aðhvarfsgreiningar, Poisson aðhvarfsgreiningar og líkana með stikuðum hættuföllum. Notast verður við tölfræðiforritin R. 

Námskeiðið er beint framhald af Líftölfræði I og veitir nemendum praktíska handleiðslu í tölfræðiúrvinnslu í eigin rannsóknarverkefnum. Útreikningar á hlutfallslegri áhættu og leiðréttri hlutfallslegri áhættu. Fylgni og einföld aðhvarfsgreining, margvíð línuleg aðhvarfsgreining og lógistísk aðhvarfsgreining. Þetta námskeið byggir á tveimur meginhugmyndum sem móta þema þess. Spá með tölfræðilegum líkönu. Nemendur læra að smíða líkön — eins og lógistísk (tvíkosta) aðhvarflíkön og Cox áhættu-líkön — sem meta líkur á atburðum út frá fyrirliggjandi gögnum. Mat á aðgreiningargetu líkans
Megináhersla er lögð á að meta hversu vel líkön greina á milli einstaklinga með mismunandi útkomur, með mælikvörðum eins og flatarmáli undir ROC ferli (AUC), samræmisstuðli (concordance index) og öðrum frammistöðumælingum.

Námskeiðið byggist á fyrirlestrum og dæmatímum. Í dæmatímunum verður notast við tölfræðiforritið R.

Í námskeiðinu er fjallað um einfalda og fjölvíða aðhvarfsgreiningu ásamt fervikagreiningu (ANOVA) og samvikagreiningu (ANCOVA). Að auki er farið í tvíkosta aðhvarfsgreiningu (binomial regression) og rætt um hugtök því tengt, svo sem gagnlíkindi (odds) og gagnlíkindahlutfall (odds ratio).
Námskeiðið er framhald af dæmigerðu grunnnámskeiði í tölfræði sem kennd eru á hinum ýmsu sviðum skólans. Farið verður í aðferðir til að meta stika í línulegum líkönum, hvernig smíða má öryggisbil og kanna tilgátur fyrir stikana, hverjar forsendur líkananna eru og hvað hægt sé að gera sé þeim ekki fullnægt. Verkefni eru unnin í tölfræðihugbúnaðinum R.

Námskeiðið er inngangur að faraldsfræðilegum rannsóknaraðferðum og nálgun orsaka. Námskeiðið gefur yfirlit yfir mælingar á tíðni sjúkdóma, áhættu og afstæðri áhættu, gerðir faraldsfræðilegra rannsókna (tilraunir og íhlutandi rannsóknir, hóprannsóknir, tilfella-viðmiðsrannsóknir). Áhersla er lögð á kerfisbundna skekkjuvalda og á aðferðir til að sneiða hjá þeim á undirbúningsstigi rannsókna svo og í úrvinnslu gagna. Nemendur fá þjálfun í því að ritrýna faraldsfræðilegar rannsóknarniðurstöður.

Í námskeiðinu munu nemendur framkvæma hefðbundnar tölfræðiaðferðir á raunverulegum gagnasöfnum. Áhersla verður lögð á fjölbreytu aðhvarfsgreiningu (e. multiple linear regression). Nemendur beita fáguðum aðferðum við myndræna framsetningu sem og sjálfvirka skýrslugerð. Námsmat verður í formi raunhæfra verkefna þar sem nemendur framkvæma ofangreind atriði á raunverulegum gagnasöfnum með það fyrir augum að svara rannsóknarspurningum.

Námskeiðið veitir hagnýta leiðsögn við upphaf framhaldsnáms í lýðheilsuvísindum og faralds- og líftölfræði, þróun viðurkenndra vinnubragða í rannsóknartengdu námi og undirbúning lokaverkefnis á meistarastigi. Farið er yfir heimildaöflun og vistun, uppsetningu og skrif rannsóknaverkefna og ábyrga notkun gervigreindar. Nemendur fá að auki kynningu og grunnþjálfun í tölfræðiforritinu R. Einnig er áhersla á meðhöndlun gagna og þjálfun í vísindalæsi.

Þáttakendur í námskeiðinu öðlast þjálfun í hagnýtum tölfræðiaðferðum eins og þeim er beitt við tölfræðiráðgjöf. Þáttakendur fá að kynnast raunverulegum tölfræðilegum verkefnum með því að aðstoða nemendur í ýmsum deildum skólans. Þáttakendur kynna verkefnin í námskeiðinu, ræða úrlausnarmöguleika og aðstoða síðan nemendurna við úrvinnslu með R og túlkun niðurstaðna.

Námskeiðið fjallar um tölfræðigreiningu á nýgengi (incidence) og eftirfylgnitíma (survival time) í ferilrannsóknum. Kennd verður notkun Poisson aðhvarfsgreiningarlíkana og aðferða í lifunargreiningu (survival analysis) eins og Kaplan-Meier aðferðarinnar (log-rank), Cox aðhvarfsgreiningar, Poisson aðhvarfsgreiningar og líkana með stikuðum hættuföllum. Notast verður við tölfræðiforritin R. 

Námskeiðið veitir hagnýta leiðsögn við undirbúning vísindarannsóknar og er sniðið að nemendum sem eru að undirbúa lokaverkefni á framhaldsstigi. Nemendur fá stutta upprifjun í heimildaöflun og ítarlega þjálfun í kerfisbundinni heimildaleit og gerð yfirlitsgreinar (systematic critical review). Þá er unnið með tilgátuþróun og rannsóknaráætlun skrifuð. Einnig er farið yfir uppbyggingu vísindagreina, vísindaskrif og kynningu á niðurstöðum rannsókna. 

Námskeiðið veitir hagnýta leiðsögn við undirbúning rannsóknar. Heimildaöflun, tilgátuþróun og gerð yfirlitsgreinar (systematic critical review) á fræðasviði fyrirhugaðaðrar rannsóknar. Nemendur fá einnig þjálfun í að vinna rannsóknaráætlun og kynna hana.

Námskeiðið er ætlað nemendum á meistara- eða doktorsstigi sem hafa valið sér svið/rannsóknarspurningu lokaverkefnis. 

Nemendur í MPH námi í lýðheilsuvísindum og MS námi í faralds- og líftölfræði verða að standast námskeiðið áður en vinna við lokaverkefni hefst.

Markmið námskeiðsins er að nemendur öðlist þjálfun í aðferðum og fái innsýn í framkvæmd tiltekins rannsóknarverkefnis í lýðheilsu. Nemendur kynnast fræðilegum bakgrunni þeirrar rannsóknar sem þau starfa við og fá þjálfun í að taka þátt í skilgreindum hluta hennar, en viðfangsefni ráðast af þörfum þess rannsóknarverkefnis sem ráðið er til hverju sinni. Dæmi um starfsþætti væri t.d. þátttaka í undirbúningi rannsóknarverkefnis og ýmis vinna tengd gagnasöfnun og úrvinnslu gagna (hreinsa og/eða greina). Nemendur munu einnig kynnast ólíkum verkþáttum rannsóknarverkefnisins undir handleiðslu þess vísindafólks sem leiðir rannsóknina og í samstarfi við rannsóknarteymið.

Nemendur sækja reglulega fundi með rannsakendum og umsjónarkennara námskeiðsins. Rannsóknarþjálfunin er skipulögð sérstaklega fyrir hvern og einn nemanda með tilliti til efnis og framvindu rannsóknar, leiðbeinanda og bakgrunns nemanda. Námspláss takmarkast af þeim rannsóknarverkefnum sem í gangi eru við Miðstöð í lýðheilsuvísindum hverju sinni og nemendur sækja um skráningu í námskeiðið á skrifstofu námsins.

Meistaranám í Faralds- og líftölfræði er 120 eininga þverfræðilegt framhaldsnám og þar af skal rannsóknarverkefni vera 30 eða 60 einingar. Að öllu jöfnu má skilgreina 60e verkefni sem sjálfstæða rannsókn sem lýkur í vísindagrein, tilbúinni til birtingar, ásamt fræðilegum inngangi. 30e verkefni er fræðileg ritgerð eða kerfisbundið yfirlit yfir þekkingargrunn á ákveðnu sviði lýðheilsuvísinda. Boðið er upp á einstaklingsviðtöl við nýnema undir lok fyrsta misseris námsins, þar sem hugmyndir nemenda um rannsóknarverkefni eru ræddar. Í námskeiðinu Verklag í vísindum á öðru misseri fullvinna nemendur rannsóknaráætlun og velja leiðbeinanda og nefnd (þar sem við á). Þá er gert ráð fyrir að nemendur taki þátt í málstofum, æfingavörnum og mæti á að lágmarki í fimm opnar MPH varnir á námsferlinum. Nánari leiðbeiningar um viðmið og framvindu lokaverkefnis er að finna á hópvef MPH nema í Uglu. Nemar í lýðheilsuvísindum eru vistaðir innan Læknadeildar meðan á námi stendur, en brautskrást frá heimadeild leiðbeinanda.

Markmið meistaraverkefnis er að veita nemanum þjálfun í að hanna, skipuleggja, þróa og framkvæma rannsóknarverkefni, læra að taka tillit til þeirra takmarkana sem ráðast af aðferðum, tækni og reglum, að geta með sjálfstæðum hætti og í rituðu máli skilgreint rannsóknarviðfangsefni sitt, sett fram rannsóknarspurningar og tilgátur.

Meistaranám í Faralds- og líftölfræði er 120 eininga þverfræðilegt framhaldsnám og þar af skal rannsóknarverkefni vera 30 eða 60 einingar. Að öllu jöfnu má skilgreina 60e verkefni sem sjálfstæða rannsókn sem lýkur í vísindagrein, tilbúinni til birtingar, ásamt fræðilegum inngangi. 30e verkefni er fræðileg ritgerð eða kerfisbundið yfirlit yfir þekkingargrunn á ákveðnu sviði lýðheilsuvísinda. Boðið er upp á einstaklingsviðtöl við nýnema undir lok fyrsta misseris námsins, þar sem hugmyndir nemenda um rannsóknarverkefni eru ræddar. Í námskeiðinu Verklag í vísindum á öðru misseri fullvinna nemendur rannsóknaráætlun og velja leiðbeinanda og nefnd (þar sem við á). Þá er gert ráð fyrir að nemendur taki þátt í málstofum, æfingavörnum og mæti á að lágmarki í fimm opnar MPH varnir á námsferlinum. Nánari leiðbeiningar um viðmið og framvindu lokaverkefnis er að finna á hópvef MPH nema í Uglu. Nemar í lýðheilsuvísindum eru vistaðir innan Læknadeildar meðan á námi stendur, en brautskrást frá heimadeild leiðbeinanda.

Markmið meistaraverkefnis er að veita nemanum þjálfun í að hanna, skipuleggja, þróa og framkvæma rannsóknarverkefni, læra að taka tillit til þeirra takmarkana sem ráðast af aðferðum, tækni og reglum, að geta með sjálfstæðum hætti og í rituðu máli skilgreint rannsóknarviðfangsefni sitt, sett fram rannsóknarspurningar og tilgátur.

 Tölulegar aðferðir eru nauðsynlegur hluti margra greina líffræðinnar og nýtast við högun tilrauna og athugana, samantekt niðurstaðna og greiningu þeirra. Nemendur læra þessar aðferðir og meðhöndla fjölbreytt gögn úr líffræði, auk þess að fá þjálfun í að túlka niðurstöður mismunandi aðferða. Helstu aðferðir eru sennileikamat,  línuleg líkön, aðhvarf og fervikagreining og alhæfð línuleg líkön til að greina talningar. Fjölbreytugreining. Endursýnataka (skóþvengur og umröðunarpróf). Kennt verður að nota  tölfræðiforritið R til að framkvæma þær aðferðir sem fjallað er í fyrirlestrum.  Nemendur leysa verkefni sem byggja á líffræðilegum rannsóknum og fá ítarlega þjálfun í notkun R. Greining  á eigin gögnum eða viðameira gagnasetti sem tekið er saman í skýrslu og kynnt í fyrrlestri.

Námsmat: Verkefni 50%  og skriflegt próf 50%. Nemandi þarf að ná lágmarkseinkunn í báðum prófþáttum.

Fjallað verður um helstu líkön sem notuð eru til að vinna með undirliggjandi breytur í sálfræðilegum mælingum. Í fyrra námskeiðinu (Líkön fyrir undirliggjandi breytur I) verður unnið með staðfestandi þáttagreiningalíkön (confirmatory factor models) og formgerðarlíkön (ýmist þekkt sem structural equation models eða path model á ensku). Fjallað verður um forsendur líkananna, úrvinnsluaðferðir, túlkun niðurstaðna og leiðir til að vinna með gögn af ólíku tagi. Í síðara námskeiðinu (Líkön fyrir undirliggjandi breytur II) verður byrjað á að kynna aðferðir til að vinna með gögn þar sem mældar breytur eru flokkabreytur og þaðan farið yfir í náskyld líkön, svarferlalíkön (item response theory). Unnið verður með líkön fyrir tvíkosta gögn og algengustu líkön fyrir fjölkostagögn kynnt. Í seinni hluta námskeiðsins verða viðfangsefnin líkön fyrir langtímagögn sem nýta undirliggjandi breytur, þroskalíkön, (latent growth models), krosstengslalíkön (cross-lagged product models), og líkön fyrir þéttmælingagögn (Intensive longitudinal methods, einnig þekkt sem Daily-diary data, Ambulatory assessment eða Ecological-momentary data). Áhersla er lögð á hagnýta þjálfun í að greina gögn með þessum líkönum með verkefnum auk þess sem fjallað verðu um fræðilegan grunn líkana.

Markmið: Að kenna nemendum að beita ýmsum aðferðum úr Bayesískri tölfræði fyrir greiningu gagna. Námsefni: Fræðileg undirstaða Bayesískrar ályktunartölfræði, fyrirframdreifingar, gagnadreifingar og eftirádreifingar. Bayesísk ályktunartölfræði fyrir stika í einvíðum og margvíðum líkindadreifingum: tvíkosta-; normal-; Possion; veldis-; margvíð normal-; fjölkostadreifing.  Mat á gæðum líkans og samanburður á líkönum: Bayesísk p-gildi; deviance information criterion (DIC). Bayesísk hermun: Markov keðju Monte Carlo (MCMC) aðferðir; Gibbs sampler; Metropolis-Hastings skref; mat á samleitni. Línuleg líkön: normal línuleg líkön; stigskipt normal línuleg líkön; almenn línuleg líkön. Áhersla á greiningu gagna með forritum eins og Matlab og R.

Sennileiki, tæmandi stærð, nægjanleikareglan, þvælistiki, skilyrðingarreglan, óbreytileikareglan, sennileikafræði. Tilgátupróf, einfaldar og samsettar tilgátur, Neyman-Pearson-setningin, styrkleiki, UMP-próf, óbreytileg próf. Umröðunarpróf, sætispróf. Bilmat, öryggisbil, öryggisstig, öryggissvæði. Punktmat, bjagi, meðalferskekkja. Skilaverkefni gilda 30% af lokaeinkunn.

Markmið námskeiðsins er að auka skilning nemenda á sérstökum sviðum innan faraldsfræði, kynna sérstaka aðferðafræði sem tilheyrir viðkomandi sviðum, og að efla hæfni nemenda í að meta gæði og túlka niðurstöður faraldsfræðilegra rannsókna.

Námskeiðið mun fjalla ítarlega um 4-6 sérstök rannsóknarsvið innan faraldsfræðinnar, sem dæmi faraldsfræði fæðinga, næringar, og smitsjúkdóma. Mismunandi umfjöllunarefni kunna að vera valin frá ári til árs. 

Í námskeiðinu er farið yfir skilgreiningar, sögu, markmið, gildissvið, siðfræði og aðferðir lýðheilsuvísinda svo og íslensk- og alþjóðleg lög og sáttmála sem tengjast lýðheilsu. Nokkur áhersla er lögð á lýðheilsu og heilbrigðisvísa í alþjóðlegu samhengi en einnig á íslenska heilbrigðiskerfið, stjórnun og fjármögnun þess svo og samanburð við heilbrigðiskerfi annara þjóða. Ennfremur er farið yfir söfnun heilbrigðisupplýsinga á Íslandi sem á alþjóðavísu og nýtingu þeirra til rannsókna og stefnumótunar í heilbrigðismálum. Einnig er lögð áhersla á þau svið lýðheilsu sem eru á döfinni hverju sinni.

Í þessu námskeiði er fjallað um gerð sjálfsmatskvarða. Kynntar verða fræðilegar undirstöður slíkra mælinga eins og klassíska raungildiskenningu (classical true score theory). Megináherslan verður á hagnýta þjálfun í gerð slíkra mælitækja, álitamál sem rannsakendur standa gjarnan frammi fyrir við gerð þeirra og lausnir á þeim ræddar.

Fyrirlestrar: Erfðaháttur og ættartré. Skipulag erfðaefnis mannsins. Litningar, litningabreytingar, litningagallar. Staðsetning gena. Sambandsgreining /Tölfræðileg nálgun. Erfðagreining. Flóknir erfðagallar, erfðir og umhverfi. Erfðir og krabbamein. Genalækningar. Þróun mannsins og skyldra tegunda. Siðferðileg efni tengd mannerfðafræði, upplýst samþykki og persónuupplýsingar. Gert er ráð fyrir að nemendur hafi almenna undirstöðu í erfðafræði.

Verklegt: Túlkun gagna úr erfðagreiningingum, unnið með tjáningargögn, greining gagna úr litningalitunum, unnið með gögn úr kortlagningu á erfðaþáttum.

Markmið: Að veita bæði hagnýta og fræðilega þekkingu í gerð líkana, mati á stikum og spám í kvikum kerfum. Námsefni: ARMAX og önnur hliðstæð ferli og helstu eiginleikar þeirra. Meðhöndlun á óstöðnuðum ferlum. Sjálffylgni- og samfylgniföll. Mismunandi aðferðir við rófgreiningar. Mat á stikum, þar á meðal aðferð minnstu kvaðrata og sennileikaaðferðin. Tölulegar aðferðir við lágmörkun markfalla. Fjallað er um ýmis vandamál sem geta komið upp við líkangerð, svo sem ef mælingar vantar eða þær eru óeðlilegar. Inngangur að ólínulegum tímaraðalíkönum. Stakræn kerfi á ástandsformi. Lögð er áhersla á að leysa hagnýt verkefni.

Stærðfræðigreining í einni breyti stærð (einföld algebra, föll, margliður, lograr og veldisvísisfallið, samfelldni og markgildi, diff run, staðbundin útgildi ogheildun).
Línuleg algbera (vigrar, fylki, línuleg ofanvörp með fylkjum, andhverfur fylkja og ákveður).
Forritun í R (reikningur, föll og að skipuleggja R-kóða).
Stærðfræðigreining í mörgum breyti stærðum (Jacobi- og Hessefylki og tvöföld heildun).
Stefnan í námskeiðinu er að nálgast mörg stærðfræðileg viðfangsefni með blöndu af (a) fræðilegri undirstöðu (í formi hugtaka frekar en sannana), (b)forritun í R ti l að sjá fyrir sér ýmis viðfangsefni, og (c) að skoða sýnidæmi úr tölfræði. Það verða engir fyrirlestrar, en nemendur geta þó mætt ti l að fáaðstoð með vikulegu verkefnin sín.
Markmið námskeiðsins er að fara yfir þau hugtök í stærðfræðigreiningu, línulegri algebru og forritun sem mest þörf er á í tölfræði. Nemandi sem hefur klárað þetta námskeið ætti að hafa nægan stærðfræðilegan bakgrunn fyrir tölfræðikúrsana sem kenndir eru á meistarastigi í stærðfræðideildinni (og þarmeð alla tölfræðikúrsa sem eru kenndir í öðrum deildum).

Nemendur munu semja sýnidæmi og fjölvalsspurningar og jafningjamat fer fram á því efni.

Námsefni námskeiðsins er opið öllum og má nálgast hér: htt ps://open-educati on-hub.github.io/ccas/.

Kennileg línuleg tölfræðilíkön er 6 ECTS-eininga framhaldsnámskeið um stærðfræðilega undirstöðu línulegra líkana, byggt á einni rúmfræðilegri meginhugmynd: mat er hornrétt ofanvarp og prófanir eru samanburður ofanvarpa á hreiðruð hlutrúm. Fjallað er um ofanvarpsvirkja, fjölvíðu normaldreifinguna og ferningsform, metanleika, aðferð minnstu kvaðrata, Gauss-Markov-setninguna, sennileikamat og alhæfða aðferð minnstu kvaðrata, prófanir og öryggissvæði, og beitingu á fervikagreiningu, aðhvarfsgreiningu og spá. Námskeiðið þróar kenninguna að baki aðferðum sem nemendur kunna úr STÆ312M.

Kennslubók er Christensen, Plane Answers to Complex Questions (4. útgáfa).

Námsmat: lokapróf (50%), miðannarpróf (25%) og fimm kynningar á heimadæmalausnum (25%).

Forkröfur: STÆ203, STÆ107, STÆ312M.

Í námskeiðinu er fjallað um fræði og hagnýtingu slembiþáttalíkana, sem og annarra líkana, til greiningar á háðum útkomubreytum.  Í námskeiðinu verður farið yfir aðferðir fyrir útkomur sem teljast samfelldar og normaldreifðar.  Í slíkum kringumstæðum þarf tölfræðilíkanið bæði að lýsa væntigildi útkoma og fylgni á milli þeirra.  Fræðin á bak við eru því umfram hefðbundina línulega aðhvarfsgreiningu. Til slíkrar greiningar þarf sérstakar tölfræðiaðferðir, sem helstu forrit bjóða uppá, eins og R, STATA og SAS.  Aðallega verður stuðst við R en önnur forrit kynnt til samanburðar eftir þörfum. 

Áherslan í þessu námskeiði er á Bayesísk latent Gaussísk módel (BLGM) sem eru flokkur Bayesískra stigskiptra líkana og beitingu þessarra líkana. Helstu viðfangsefnin eru þrjár gerðir af BLGM: (i) Bayesísk Gaussísk-Gaussísk líkön, (ii) BLGM með einvíðu tengifalli og (iii) BLGM með fjölvíðu tengifalli, sem og fyrirframdreifingar fyrir BLM og útreikningar fyrir eftirádreifingar BLGM. Í fyrri hluta námskeiðsins er farið yfir grunnatriði þessara líkana og gefin heimaverkefni um þetta efni. Í seinni hluta námskeiðsins er sjónum beint að verkefni þar sem gögn eru greind með BLGM. Hver nemandi getur lagt fram gögn sem hún eða hann vill greina. Efni áfangans byggir á fræðilegum grunni. Hins vegar er áherslan á gagnagreiningu sterk og útreikningar og forritun spila stórt hlutverk í námskeiðinu. Þannig mun námskeiðið nýtast nemendum í framtíðarverkefnum þeirra sem snúa að gagnagreiningu.

Línuleg líkön, margvíða normal dreifingin, stigskipt líkön, línuleg líkön með slembiþáttum, skilyrt sennileikamat, óbjagaðir línulegir metlar, bayesísk ályktunartölfræði, tölfræðileg ákvörðunarfræði, Markov keðjur, Monte Carlo heildun, vigtuð hermun, Markov keðju Monte Carlo hermun, Gibbs hermun, Metropolis-Hastings hermun.

Markmið námskeiðsins er að auka skilning nemenda á ítarefnum í faraldsfræði og að efla hæfi nemenda í að meta gæði og túlka niðurstöður faraldsfræðilegra rannsókna.

Námskeiðið mun fjalla ítarlega um framhaldsaðferðir í faraldsfræði. Viðfangsefni kunna að breytast ár frá ári, en sem dæmi: hrif jákvæðrar og neikvæðrar gruggunar (positive and negative confounding), pörun (matching), líkindaskor (propensity score), áhrifsbreytingu (effect modification and interaction), nýlegar aðferðir til að takast á við blöndun (instrumental variables), orsakamyndir (causal diagrams), og hvað á að gera þegar gögn vantar í rannsóknina (missing data). Teknar verða fyrir vísindagreinar sem tengjast faraldsfræðilegum álitamálum í rannsóknum og þær ræddar ítarlega.

Inngangsatriði slembiferla með megináherslu á Markovkeðjur.

Viðfangsefni: Hittitími, stöðuþáttun, óþáttanleiki, lota, endurkvæmni (jákvæð og núll-), hverfulleiki, tenging, endurnýjun, jafnvægi, tíma-viðsnúningur, tenging úr fortíðinni, greinaferli, biðraðir, martingalar, Brownhreyfing.

Námskeiðið fjallar um áföll í æsku og á fullorðinsárum, þ.m.t. ofbeldi, slys og hamfarir, og lífshættuleg veikindi, og tengsl þeirra við sálræna og líkamlega heilsu. Sérstök áhersla verður lögð á að kynna vísindagrunn þessara fræða og veita þjálfun í að lesa úr rannsóknum á þessu sviði. Helstu efnisatriði námskeiðsins eru m.a.:

• Algengi áfalla og streituviðbrögð í kjölfar þeirra.
• Sálrænn vandi í kjölfar áfalla, m.a. áfallastreituröskun, kvíði, þunglyndi, svefnvandi, fíknisjúkdómar og langvarandi sorg.
• Sjúkdómsbyrði áfalla m.a. vegna hjarta- og æðasjúkdóma, krabbameina, sjálfsónæmissjúkdóma og sjálfsvíga.
• Áhrif umhverfis- og erfðafræðilega þátta í þróun sálrænna og líkamlegra sjúkdóma í kjölfar áfalla.
• Þættir sem stuðla að bata í kjölfar áfalla og draga úr áhættu á langvarandi heilsufarsvanda.
• Gagnreynd meðferðarúrræði við áfallastreituröskun.

Námskeiðið er ætlað nemendum sem vilja auka vísindalega þekkingu sína á tengslum áfalla og heilsu og er einungis ætlað nemendum í framhaldsnámi. Námskeiðið byggir á fyrirlestrum umsjónarkennara og valinna gestafyrirlesara sem eru sérfræðingar á sviði áfalla. Lagt verður upp úr umræðum og virkri þátttöku nemenda í tímum. 

Námskeiðið fjallar um tölfræðiúrvinnslu í forritinu R. Gert er ráð fyrir að nemendur hafi grunnþekkingu í tölfræði og tölfræðihugbúnaðnum R. Æskilegt er að nemendur þekki til margbreytu aðhvarfsgreiningar (e. multiple linear regression). Nemendur læra að beita hinum ýmsu tölfræðiaðferðum í R (ss. classification methods, resampling methods, linear model selection og tree-based methods). Námskeiðið er kennt á tólf vikum og verður það á vendikennsluformi þar sem nemendur lesa námsefni og horfa á myndbönd áður en þeir mæta í tíma og fá svo aðstoð með fyrirliggjandi verkefni í tímum.

Markmið námskeiðsins er að auka skilning og færni nemenda í að greina og vinna úr rannsóknargögnum svo þeir séu betur undir það búnir að leysa slík verkefni í framhaldsnámi og vinnu. Farið verður ítarlega yfir þær aðferðir sem mest eru notaðar við greiningar á faraldsfræðigögnum með það að markmiði að nemendur geti sjálfir beitt þeim og geti gengið úr skugga um að allar forsendur haldi.

Í  hverjum tíma leggur kennari fyrir verkefni sem byggja á gögnum úr fyrri rannsóknum sem framkvæmdar hafa verið á rannsóknarstofu í næringarfræði. Farið verður sameiginlega yfir helstu atriði og forsendur hvers verkefnis. Nemendur eiga að greina gögnin m.v. fyrirfram gefnar spurningar. Við tölfræðigreiningar verður mest notast við SPSS en einnig verður SAS kynnt til sögunnar.

Markmið námskeiðsins er að nemendur öðlist skilning og verklega færni til að beita aðhvarfsgreiningu á eigin spýtur. Fjallað er um þau afbrigði aðhvarfsgreiningar sem hvað oftast eru notuð í rannsóknum á sviði félagsvísinda. Farið er í stjórnun breyta, notkun nafnbreyta, línuleg og ólínuleg líkön, aðferðir til þess að prófa miðlun breyta og samvirkni breyta og aðferðir til að nota breytur sem hafa skekkta dreifingu svo eitthvað sé nefnt. Fjallað er um forsendur aðhvarfsgreiningar og aðferðir til að fást við þær. Einnig er fjallað um "logistic" aðhvarfsgreiningu, þar sem háða breytan er tvígild nafnbreyta. Samhliða þessari umfjöllun verður farið í saumana á ályktunartölfræði, notkun marktektarprófa og túlkun niðurstaðna. Áhersla er lögð á að nemendur fái umtalsverða verklega reynslu af því að greina megindleg gögn. Kennari útvegar könnunargögn sem nemendur nota til þess að prófa þær aðferðir sem kenndar eru. Eftir fremsta megni verður reynt að samþætta fræðilegar spurningar og tilgátuprófun. Tölfræðiforritið SPSS fyrir Windows er notað.

Fyrirlestrar: Sameindagrunnur lífsins (efnatengi, lífefni, bygging stórsameinda DNA, RNA og próteina). Erfðamengi dreifkjörnunga og heilkjörnunga. Skipulag erfðaefnisins, litningar, litni og litnisagnir. Stjórn DNA eftirmyndunar og frumuhringsins. DNA eftirmyndun. Aðskilnaður litninga og frumuskipting. Umritun. Stjórn umritunar. Verkun RNA sameinda. Þýðing mRNA í prótein. Stjórnkerfi þýðingar. Hlutverk RNA sameinda í stjórn genatjáningar. Prótein-umbreytingar og umferðarstjórn innan frumna. DNA skemmdir, varðstöðvar og DNA viðgerðir. Endurröðun og viðgerðir á tvíþátta DNA brotum. Stökklar og staðbundin endurröðun. Helstu aðferðir sameindalíffræðinnar og tilraunalífverur.

Umræðutímar: Nemendur hafa framsögu um og ræða valdar rannsóknagreinar og skila inn útdrætti úr greininni.

Verklegar æfingar: Unnið verður að verkefni í sameindaerfðafræði sem tengist rannsóknum kennara og býður upp á notkun helstu aðferða sameindaerfðafræðinnar svo sem genaferjun, DNA mögnun og raðgreiningu, ummyndun og einangrun plasmíða, skerðikortlagningu, og rafdrátt bæði kjarnsýra og próteina.

Próf: Verklegt 10%, umræðufundir og skrifleg verkefni 15%, skriflegt próf 75%.

Líkindi á grundvelli mál- og tegurfræði.

Viðfangsefni: Líkindi, útvíkkunarsetningar, óhæði, væntigildi. Borel-Cantelli-setningin og 0-1 lögmál Kolmogorovs.  Ójöfnur og hin veiku og sterku lögmál mikils fjölda. Samleitni í hverjum punkti, í líkindum, með líkunum einn, í dreifingu og í heildarviki. Tengiaðferðir. Höfuðmarkgildissetningin. Skilyrt líkindi og væntigildi.

Erfðamengjafræði og lífupplýsingafræði samþættast á margvíslega vegu. Erfðatækni opnaði möguleika á raðgreiningu erfðamengja, greiningum á tjáningar- og prótínmengjum. Með raðgreiningum á erfðamengjum þúsundum lífvera opnast möguleikar á að nýta upplýsingarnar til að öðlast þekkingu og skilning á líffræðilegum fyrirbærum. Samanburðaraðferð þróunarkenningar Darwins er fræðilegur grundvöllur fyrir greiningar á slíkum upplýsingum. Sameiginlegir eiginleikar varðveittir í mismunandi lífverum eiga sér grunn í varðveittum hlutum erfðamengja. Að sama skapi liggja rætur nýjunga í svipfari oft í hlutum erfðamengja sem eru mismunandi á milli tegunda. Það á jafnt við um eiginleika dýra, plantna, örvera og fruma, þroskunar og ensímkerfa.

Námskeiðið fjallar um hugmyndafræði og aðferðafræði til samanburðar, um greiningu erfðamengja einstakra lífvera (genomics), umhverfiserfðamengja (metagenomics) og tjáningarmengja (transcriptome) til að svara líffræðilegum, læknisfræðilegum og hagnýtum spurningum. Fyrirlestrar verða um, byggingu og raðgreiningu erfða-, tjáningar- og prótínmengja, sameindaþróun, ólíkar gerðir lífupplýsinga, gagnagrunna, skeljaforrit, inngang að python og R umhverfinu, keyrslu forrita og breytingar á þeim. Æfingar: Sækja gögn í gagnagrunna, Blast, samraðanir og pússlun mengja, samanburður erfðamengja tegunda og greining erfðabreytileika innan tegunda. Unnið verður með gagnagrunna, m.a. flybase, Genebank, ENSEMBL og E.coli. Gögn verða sótt með Biomart og Bioconductor, og fjallað um áreiðanleika gagna í gagnagrunnum. Kynnt verða algrímar er liggja til grundvallar leitar-forrita og forrit kynnt sem hægt er að keyra yfir vefinn, grunnatriði Python-forritunar, opinn hugbúnaður á UNIX/Linux, uppsetning hugbúnaðar af vefnum á eigin tölvum. Greining gagna úr RNA-seq, RADseq og heilraðgreiningum.

Nemendur vinna smærri og stærri verkefni og skila, og kynna munnlega niðurstöður úr stóra verkefninu. Í umræðufundum verða frumheimildir ræddar.

Efni námskeiðsins eru helstu reiknirit sem notuð eru í lífupplýsingafræði. Í upphafi er stutt yfirlit yfir erfðamengjafræði og reiknirit fyrir nemendur af öðrum sviðum. Námskeiðinu er skipt upp í nokkrar einingar og er hverri ætlað að fara yfir einstök verkefni í lífupplýsingafræði sem mótast af rannsóknarverkefnum. Hver eining samanstendur af verkefnislýsingu og aðferðum sem beitt er við úrlausn. Viðfangsefnin verða m.a. mynstraleit, strengjafjarlægð, samröðun gena og erfðamengja, þyrpingagreining, raðgreining og myndun erfðamengja og að lokum aðferðir við úrvinnslu úr háhraðaraðgreiningar gögnum.

Námskeiðið fjallar um tölfræðigreiningu á nýgengi (incidence) og eftirfylgnitíma (survival time) í ferilrannsóknum. Kennd verður notkun Poisson aðhvarfsgreiningarlíkana og aðferða í lifunargreiningu (survival analysis) eins og Kaplan-Meier aðferðarinnar (log-rank), Cox aðhvarfsgreiningar, Poisson aðhvarfsgreiningar og líkana með stikuðum hættuföllum. Notast verður við tölfræðiforritin R. 

Námskeiðið er beint framhald af Líftölfræði I og veitir nemendum praktíska handleiðslu í tölfræðiúrvinnslu í eigin rannsóknarverkefnum. Útreikningar á hlutfallslegri áhættu og leiðréttri hlutfallslegri áhættu. Fylgni og einföld aðhvarfsgreining, margvíð línuleg aðhvarfsgreining og lógistísk aðhvarfsgreining. Þetta námskeið byggir á tveimur meginhugmyndum sem móta þema þess. Spá með tölfræðilegum líkönu. Nemendur læra að smíða líkön — eins og lógistísk (tvíkosta) aðhvarflíkön og Cox áhættu-líkön — sem meta líkur á atburðum út frá fyrirliggjandi gögnum. Mat á aðgreiningargetu líkans
Megináhersla er lögð á að meta hversu vel líkön greina á milli einstaklinga með mismunandi útkomur, með mælikvörðum eins og flatarmáli undir ROC ferli (AUC), samræmisstuðli (concordance index) og öðrum frammistöðumælingum.

Námskeiðið byggist á fyrirlestrum og dæmatímum. Í dæmatímunum verður notast við tölfræðiforritið R.

Í námskeiðinu er fjallað um einfalda og fjölvíða aðhvarfsgreiningu ásamt fervikagreiningu (ANOVA) og samvikagreiningu (ANCOVA). Að auki er farið í tvíkosta aðhvarfsgreiningu (binomial regression) og rætt um hugtök því tengt, svo sem gagnlíkindi (odds) og gagnlíkindahlutfall (odds ratio).
Námskeiðið er framhald af dæmigerðu grunnnámskeiði í tölfræði sem kennd eru á hinum ýmsu sviðum skólans. Farið verður í aðferðir til að meta stika í línulegum líkönum, hvernig smíða má öryggisbil og kanna tilgátur fyrir stikana, hverjar forsendur líkananna eru og hvað hægt sé að gera sé þeim ekki fullnægt. Verkefni eru unnin í tölfræðihugbúnaðinum R.

Námskeiðið er inngangur að faraldsfræðilegum rannsóknaraðferðum og nálgun orsaka. Námskeiðið gefur yfirlit yfir mælingar á tíðni sjúkdóma, áhættu og afstæðri áhættu, gerðir faraldsfræðilegra rannsókna (tilraunir og íhlutandi rannsóknir, hóprannsóknir, tilfella-viðmiðsrannsóknir). Áhersla er lögð á kerfisbundna skekkjuvalda og á aðferðir til að sneiða hjá þeim á undirbúningsstigi rannsókna svo og í úrvinnslu gagna. Nemendur fá þjálfun í því að ritrýna faraldsfræðilegar rannsóknarniðurstöður.

Í námskeiðinu munu nemendur framkvæma hefðbundnar tölfræðiaðferðir á raunverulegum gagnasöfnum. Áhersla verður lögð á fjölbreytu aðhvarfsgreiningu (e. multiple linear regression). Nemendur beita fáguðum aðferðum við myndræna framsetningu sem og sjálfvirka skýrslugerð. Námsmat verður í formi raunhæfra verkefna þar sem nemendur framkvæma ofangreind atriði á raunverulegum gagnasöfnum með það fyrir augum að svara rannsóknarspurningum.

Námskeiðið veitir hagnýta leiðsögn við upphaf framhaldsnáms í lýðheilsuvísindum og faralds- og líftölfræði, þróun viðurkenndra vinnubragða í rannsóknartengdu námi og undirbúning lokaverkefnis á meistarastigi. Farið er yfir heimildaöflun og vistun, uppsetningu og skrif rannsóknaverkefna og ábyrga notkun gervigreindar. Nemendur fá að auki kynningu og grunnþjálfun í tölfræðiforritinu R. Einnig er áhersla á meðhöndlun gagna og þjálfun í vísindalæsi.

Þáttakendur í námskeiðinu öðlast þjálfun í hagnýtum tölfræðiaðferðum eins og þeim er beitt við tölfræðiráðgjöf. Þáttakendur fá að kynnast raunverulegum tölfræðilegum verkefnum með því að aðstoða nemendur í ýmsum deildum skólans. Þáttakendur kynna verkefnin í námskeiðinu, ræða úrlausnarmöguleika og aðstoða síðan nemendurna við úrvinnslu með R og túlkun niðurstaðna.

Námskeiðið fjallar um tölfræðigreiningu á nýgengi (incidence) og eftirfylgnitíma (survival time) í ferilrannsóknum. Kennd verður notkun Poisson aðhvarfsgreiningarlíkana og aðferða í lifunargreiningu (survival analysis) eins og Kaplan-Meier aðferðarinnar (log-rank), Cox aðhvarfsgreiningar, Poisson aðhvarfsgreiningar og líkana með stikuðum hættuföllum. Notast verður við tölfræðiforritin R. 

Námskeiðið veitir hagnýta leiðsögn við undirbúning vísindarannsóknar og er sniðið að nemendum sem eru að undirbúa lokaverkefni á framhaldsstigi. Nemendur fá stutta upprifjun í heimildaöflun og ítarlega þjálfun í kerfisbundinni heimildaleit og gerð yfirlitsgreinar (systematic critical review). Þá er unnið með tilgátuþróun og rannsóknaráætlun skrifuð. Einnig er farið yfir uppbyggingu vísindagreina, vísindaskrif og kynningu á niðurstöðum rannsókna. 

Námskeiðið veitir hagnýta leiðsögn við undirbúning rannsóknar. Heimildaöflun, tilgátuþróun og gerð yfirlitsgreinar (systematic critical review) á fræðasviði fyrirhugaðaðrar rannsóknar. Nemendur fá einnig þjálfun í að vinna rannsóknaráætlun og kynna hana.

Námskeiðið er ætlað nemendum á meistara- eða doktorsstigi sem hafa valið sér svið/rannsóknarspurningu lokaverkefnis. 

Nemendur í MPH námi í lýðheilsuvísindum og MS námi í faralds- og líftölfræði verða að standast námskeiðið áður en vinna við lokaverkefni hefst.

Markmið námskeiðsins er að nemendur öðlist þjálfun í aðferðum og fái innsýn í framkvæmd tiltekins rannsóknarverkefnis í lýðheilsu. Nemendur kynnast fræðilegum bakgrunni þeirrar rannsóknar sem þau starfa við og fá þjálfun í að taka þátt í skilgreindum hluta hennar, en viðfangsefni ráðast af þörfum þess rannsóknarverkefnis sem ráðið er til hverju sinni. Dæmi um starfsþætti væri t.d. þátttaka í undirbúningi rannsóknarverkefnis og ýmis vinna tengd gagnasöfnun og úrvinnslu gagna (hreinsa og/eða greina). Nemendur munu einnig kynnast ólíkum verkþáttum rannsóknarverkefnisins undir handleiðslu þess vísindafólks sem leiðir rannsóknina og í samstarfi við rannsóknarteymið.

Nemendur sækja reglulega fundi með rannsakendum og umsjónarkennara námskeiðsins. Rannsóknarþjálfunin er skipulögð sérstaklega fyrir hvern og einn nemanda með tilliti til efnis og framvindu rannsóknar, leiðbeinanda og bakgrunns nemanda. Námspláss takmarkast af þeim rannsóknarverkefnum sem í gangi eru við Miðstöð í lýðheilsuvísindum hverju sinni og nemendur sækja um skráningu í námskeiðið á skrifstofu námsins.

Meistaranám í Faralds- og líftölfræði er 120 eininga þverfræðilegt framhaldsnám og þar af skal rannsóknarverkefni vera 30 eða 60 einingar. Að öllu jöfnu má skilgreina 60e verkefni sem sjálfstæða rannsókn sem lýkur í vísindagrein, tilbúinni til birtingar, ásamt fræðilegum inngangi. 30e verkefni er fræðileg ritgerð eða kerfisbundið yfirlit yfir þekkingargrunn á ákveðnu sviði lýðheilsuvísinda. Boðið er upp á einstaklingsviðtöl við nýnema undir lok fyrsta misseris námsins, þar sem hugmyndir nemenda um rannsóknarverkefni eru ræddar. Í námskeiðinu Verklag í vísindum á öðru misseri fullvinna nemendur rannsóknaráætlun og velja leiðbeinanda og nefnd (þar sem við á). Þá er gert ráð fyrir að nemendur taki þátt í málstofum, æfingavörnum og mæti á að lágmarki í fimm opnar MPH varnir á námsferlinum. Nánari leiðbeiningar um viðmið og framvindu lokaverkefnis er að finna á hópvef MPH nema í Uglu. Nemar í lýðheilsuvísindum eru vistaðir innan Læknadeildar meðan á námi stendur, en brautskrást frá heimadeild leiðbeinanda.

Markmið meistaraverkefnis er að veita nemanum þjálfun í að hanna, skipuleggja, þróa og framkvæma rannsóknarverkefni, læra að taka tillit til þeirra takmarkana sem ráðast af aðferðum, tækni og reglum, að geta með sjálfstæðum hætti og í rituðu máli skilgreint rannsóknarviðfangsefni sitt, sett fram rannsóknarspurningar og tilgátur.

Meistaranám í Faralds- og líftölfræði er 120 eininga þverfræðilegt framhaldsnám og þar af skal rannsóknarverkefni vera 30 eða 60 einingar. Að öllu jöfnu má skilgreina 60e verkefni sem sjálfstæða rannsókn sem lýkur í vísindagrein, tilbúinni til birtingar, ásamt fræðilegum inngangi. 30e verkefni er fræðileg ritgerð eða kerfisbundið yfirlit yfir þekkingargrunn á ákveðnu sviði lýðheilsuvísinda. Boðið er upp á einstaklingsviðtöl við nýnema undir lok fyrsta misseris námsins, þar sem hugmyndir nemenda um rannsóknarverkefni eru ræddar. Í námskeiðinu Verklag í vísindum á öðru misseri fullvinna nemendur rannsóknaráætlun og velja leiðbeinanda og nefnd (þar sem við á). Þá er gert ráð fyrir að nemendur taki þátt í málstofum, æfingavörnum og mæti á að lágmarki í fimm opnar MPH varnir á námsferlinum. Nánari leiðbeiningar um viðmið og framvindu lokaverkefnis er að finna á hópvef MPH nema í Uglu. Nemar í lýðheilsuvísindum eru vistaðir innan Læknadeildar meðan á námi stendur, en brautskrást frá heimadeild leiðbeinanda.

Markmið meistaraverkefnis er að veita nemanum þjálfun í að hanna, skipuleggja, þróa og framkvæma rannsóknarverkefni, læra að taka tillit til þeirra takmarkana sem ráðast af aðferðum, tækni og reglum, að geta með sjálfstæðum hætti og í rituðu máli skilgreint rannsóknarviðfangsefni sitt, sett fram rannsóknarspurningar og tilgátur.

 Tölulegar aðferðir eru nauðsynlegur hluti margra greina líffræðinnar og nýtast við högun tilrauna og athugana, samantekt niðurstaðna og greiningu þeirra. Nemendur læra þessar aðferðir og meðhöndla fjölbreytt gögn úr líffræði, auk þess að fá þjálfun í að túlka niðurstöður mismunandi aðferða. Helstu aðferðir eru sennileikamat,  línuleg líkön, aðhvarf og fervikagreining og alhæfð línuleg líkön til að greina talningar. Fjölbreytugreining. Endursýnataka (skóþvengur og umröðunarpróf). Kennt verður að nota  tölfræðiforritið R til að framkvæma þær aðferðir sem fjallað er í fyrirlestrum.  Nemendur leysa verkefni sem byggja á líffræðilegum rannsóknum og fá ítarlega þjálfun í notkun R. Greining  á eigin gögnum eða viðameira gagnasetti sem tekið er saman í skýrslu og kynnt í fyrrlestri.

Námsmat: Verkefni 50%  og skriflegt próf 50%. Nemandi þarf að ná lágmarkseinkunn í báðum prófþáttum.

Fjallað verður um helstu líkön sem notuð eru til að vinna með undirliggjandi breytur í sálfræðilegum mælingum. Í fyrra námskeiðinu (Líkön fyrir undirliggjandi breytur I) verður unnið með staðfestandi þáttagreiningalíkön (confirmatory factor models) og formgerðarlíkön (ýmist þekkt sem structural equation models eða path model á ensku). Fjallað verður um forsendur líkananna, úrvinnsluaðferðir, túlkun niðurstaðna og leiðir til að vinna með gögn af ólíku tagi. Í síðara námskeiðinu (Líkön fyrir undirliggjandi breytur II) verður byrjað á að kynna aðferðir til að vinna með gögn þar sem mældar breytur eru flokkabreytur og þaðan farið yfir í náskyld líkön, svarferlalíkön (item response theory). Unnið verður með líkön fyrir tvíkosta gögn og algengustu líkön fyrir fjölkostagögn kynnt. Í seinni hluta námskeiðsins verða viðfangsefnin líkön fyrir langtímagögn sem nýta undirliggjandi breytur, þroskalíkön, (latent growth models), krosstengslalíkön (cross-lagged product models), og líkön fyrir þéttmælingagögn (Intensive longitudinal methods, einnig þekkt sem Daily-diary data, Ambulatory assessment eða Ecological-momentary data). Áhersla er lögð á hagnýta þjálfun í að greina gögn með þessum líkönum með verkefnum auk þess sem fjallað verðu um fræðilegan grunn líkana.

Markmið: Að kenna nemendum að beita ýmsum aðferðum úr Bayesískri tölfræði fyrir greiningu gagna. Námsefni: Fræðileg undirstaða Bayesískrar ályktunartölfræði, fyrirframdreifingar, gagnadreifingar og eftirádreifingar. Bayesísk ályktunartölfræði fyrir stika í einvíðum og margvíðum líkindadreifingum: tvíkosta-; normal-; Possion; veldis-; margvíð normal-; fjölkostadreifing.  Mat á gæðum líkans og samanburður á líkönum: Bayesísk p-gildi; deviance information criterion (DIC). Bayesísk hermun: Markov keðju Monte Carlo (MCMC) aðferðir; Gibbs sampler; Metropolis-Hastings skref; mat á samleitni. Línuleg líkön: normal línuleg líkön; stigskipt normal línuleg líkön; almenn línuleg líkön. Áhersla á greiningu gagna með forritum eins og Matlab og R.

Sennileiki, tæmandi stærð, nægjanleikareglan, þvælistiki, skilyrðingarreglan, óbreytileikareglan, sennileikafræði. Tilgátupróf, einfaldar og samsettar tilgátur, Neyman-Pearson-setningin, styrkleiki, UMP-próf, óbreytileg próf. Umröðunarpróf, sætispróf. Bilmat, öryggisbil, öryggisstig, öryggissvæði. Punktmat, bjagi, meðalferskekkja. Skilaverkefni gilda 30% af lokaeinkunn.

Markmið námskeiðsins er að auka skilning nemenda á sérstökum sviðum innan faraldsfræði, kynna sérstaka aðferðafræði sem tilheyrir viðkomandi sviðum, og að efla hæfni nemenda í að meta gæði og túlka niðurstöður faraldsfræðilegra rannsókna.

Námskeiðið mun fjalla ítarlega um 4-6 sérstök rannsóknarsvið innan faraldsfræðinnar, sem dæmi faraldsfræði fæðinga, næringar, og smitsjúkdóma. Mismunandi umfjöllunarefni kunna að vera valin frá ári til árs. 

Í námskeiðinu er farið yfir skilgreiningar, sögu, markmið, gildissvið, siðfræði og aðferðir lýðheilsuvísinda svo og íslensk- og alþjóðleg lög og sáttmála sem tengjast lýðheilsu. Nokkur áhersla er lögð á lýðheilsu og heilbrigðisvísa í alþjóðlegu samhengi en einnig á íslenska heilbrigðiskerfið, stjórnun og fjármögnun þess svo og samanburð við heilbrigðiskerfi annara þjóða. Ennfremur er farið yfir söfnun heilbrigðisupplýsinga á Íslandi sem á alþjóðavísu og nýtingu þeirra til rannsókna og stefnumótunar í heilbrigðismálum. Einnig er lögð áhersla á þau svið lýðheilsu sem eru á döfinni hverju sinni.

Í þessu námskeiði er fjallað um gerð sjálfsmatskvarða. Kynntar verða fræðilegar undirstöður slíkra mælinga eins og klassíska raungildiskenningu (classical true score theory). Megináherslan verður á hagnýta þjálfun í gerð slíkra mælitækja, álitamál sem rannsakendur standa gjarnan frammi fyrir við gerð þeirra og lausnir á þeim ræddar.

Fyrirlestrar: Erfðaháttur og ættartré. Skipulag erfðaefnis mannsins. Litningar, litningabreytingar, litningagallar. Staðsetning gena. Sambandsgreining /Tölfræðileg nálgun. Erfðagreining. Flóknir erfðagallar, erfðir og umhverfi. Erfðir og krabbamein. Genalækningar. Þróun mannsins og skyldra tegunda. Siðferðileg efni tengd mannerfðafræði, upplýst samþykki og persónuupplýsingar. Gert er ráð fyrir að nemendur hafi almenna undirstöðu í erfðafræði.

Verklegt: Túlkun gagna úr erfðagreiningingum, unnið með tjáningargögn, greining gagna úr litningalitunum, unnið með gögn úr kortlagningu á erfðaþáttum.

Markmið: Að veita bæði hagnýta og fræðilega þekkingu í gerð líkana, mati á stikum og spám í kvikum kerfum. Námsefni: ARMAX og önnur hliðstæð ferli og helstu eiginleikar þeirra. Meðhöndlun á óstöðnuðum ferlum. Sjálffylgni- og samfylgniföll. Mismunandi aðferðir við rófgreiningar. Mat á stikum, þar á meðal aðferð minnstu kvaðrata og sennileikaaðferðin. Tölulegar aðferðir við lágmörkun markfalla. Fjallað er um ýmis vandamál sem geta komið upp við líkangerð, svo sem ef mælingar vantar eða þær eru óeðlilegar. Inngangur að ólínulegum tímaraðalíkönum. Stakræn kerfi á ástandsformi. Lögð er áhersla á að leysa hagnýt verkefni.

Stærðfræðigreining í einni breyti stærð (einföld algebra, föll, margliður, lograr og veldisvísisfallið, samfelldni og markgildi, diff run, staðbundin útgildi ogheildun).
Línuleg algbera (vigrar, fylki, línuleg ofanvörp með fylkjum, andhverfur fylkja og ákveður).
Forritun í R (reikningur, föll og að skipuleggja R-kóða).
Stærðfræðigreining í mörgum breyti stærðum (Jacobi- og Hessefylki og tvöföld heildun).
Stefnan í námskeiðinu er að nálgast mörg stærðfræðileg viðfangsefni með blöndu af (a) fræðilegri undirstöðu (í formi hugtaka frekar en sannana), (b)forritun í R ti l að sjá fyrir sér ýmis viðfangsefni, og (c) að skoða sýnidæmi úr tölfræði. Það verða engir fyrirlestrar, en nemendur geta þó mætt ti l að fáaðstoð með vikulegu verkefnin sín.
Markmið námskeiðsins er að fara yfir þau hugtök í stærðfræðigreiningu, línulegri algebru og forritun sem mest þörf er á í tölfræði. Nemandi sem hefur klárað þetta námskeið ætti að hafa nægan stærðfræðilegan bakgrunn fyrir tölfræðikúrsana sem kenndir eru á meistarastigi í stærðfræðideildinni (og þarmeð alla tölfræðikúrsa sem eru kenndir í öðrum deildum).

Nemendur munu semja sýnidæmi og fjölvalsspurningar og jafningjamat fer fram á því efni.

Námsefni námskeiðsins er opið öllum og má nálgast hér: htt ps://open-educati on-hub.github.io/ccas/.

Kennileg línuleg tölfræðilíkön er 6 ECTS-eininga framhaldsnámskeið um stærðfræðilega undirstöðu línulegra líkana, byggt á einni rúmfræðilegri meginhugmynd: mat er hornrétt ofanvarp og prófanir eru samanburður ofanvarpa á hreiðruð hlutrúm. Fjallað er um ofanvarpsvirkja, fjölvíðu normaldreifinguna og ferningsform, metanleika, aðferð minnstu kvaðrata, Gauss-Markov-setninguna, sennileikamat og alhæfða aðferð minnstu kvaðrata, prófanir og öryggissvæði, og beitingu á fervikagreiningu, aðhvarfsgreiningu og spá. Námskeiðið þróar kenninguna að baki aðferðum sem nemendur kunna úr STÆ312M.

Kennslubók er Christensen, Plane Answers to Complex Questions (4. útgáfa).

Námsmat: lokapróf (50%), miðannarpróf (25%) og fimm kynningar á heimadæmalausnum (25%).

Forkröfur: STÆ203, STÆ107, STÆ312M.

Í námskeiðinu er fjallað um fræði og hagnýtingu slembiþáttalíkana, sem og annarra líkana, til greiningar á háðum útkomubreytum.  Í námskeiðinu verður farið yfir aðferðir fyrir útkomur sem teljast samfelldar og normaldreifðar.  Í slíkum kringumstæðum þarf tölfræðilíkanið bæði að lýsa væntigildi útkoma og fylgni á milli þeirra.  Fræðin á bak við eru því umfram hefðbundina línulega aðhvarfsgreiningu. Til slíkrar greiningar þarf sérstakar tölfræðiaðferðir, sem helstu forrit bjóða uppá, eins og R, STATA og SAS.  Aðallega verður stuðst við R en önnur forrit kynnt til samanburðar eftir þörfum. 

Áherslan í þessu námskeiði er á Bayesísk latent Gaussísk módel (BLGM) sem eru flokkur Bayesískra stigskiptra líkana og beitingu þessarra líkana. Helstu viðfangsefnin eru þrjár gerðir af BLGM: (i) Bayesísk Gaussísk-Gaussísk líkön, (ii) BLGM með einvíðu tengifalli og (iii) BLGM með fjölvíðu tengifalli, sem og fyrirframdreifingar fyrir BLM og útreikningar fyrir eftirádreifingar BLGM. Í fyrri hluta námskeiðsins er farið yfir grunnatriði þessara líkana og gefin heimaverkefni um þetta efni. Í seinni hluta námskeiðsins er sjónum beint að verkefni þar sem gögn eru greind með BLGM. Hver nemandi getur lagt fram gögn sem hún eða hann vill greina. Efni áfangans byggir á fræðilegum grunni. Hins vegar er áherslan á gagnagreiningu sterk og útreikningar og forritun spila stórt hlutverk í námskeiðinu. Þannig mun námskeiðið nýtast nemendum í framtíðarverkefnum þeirra sem snúa að gagnagreiningu.

Línuleg líkön, margvíða normal dreifingin, stigskipt líkön, línuleg líkön með slembiþáttum, skilyrt sennileikamat, óbjagaðir línulegir metlar, bayesísk ályktunartölfræði, tölfræðileg ákvörðunarfræði, Markov keðjur, Monte Carlo heildun, vigtuð hermun, Markov keðju Monte Carlo hermun, Gibbs hermun, Metropolis-Hastings hermun.

Markmið námskeiðsins er að auka skilning nemenda á ítarefnum í faraldsfræði og að efla hæfi nemenda í að meta gæði og túlka niðurstöður faraldsfræðilegra rannsókna.

Námskeiðið mun fjalla ítarlega um framhaldsaðferðir í faraldsfræði. Viðfangsefni kunna að breytast ár frá ári, en sem dæmi: hrif jákvæðrar og neikvæðrar gruggunar (positive and negative confounding), pörun (matching), líkindaskor (propensity score), áhrifsbreytingu (effect modification and interaction), nýlegar aðferðir til að takast á við blöndun (instrumental variables), orsakamyndir (causal diagrams), og hvað á að gera þegar gögn vantar í rannsóknina (missing data). Teknar verða fyrir vísindagreinar sem tengjast faraldsfræðilegum álitamálum í rannsóknum og þær ræddar ítarlega.

Inngangsatriði slembiferla með megináherslu á Markovkeðjur.

Viðfangsefni: Hittitími, stöðuþáttun, óþáttanleiki, lota, endurkvæmni (jákvæð og núll-), hverfulleiki, tenging, endurnýjun, jafnvægi, tíma-viðsnúningur, tenging úr fortíðinni, greinaferli, biðraðir, martingalar, Brownhreyfing.

Námskeiðið fjallar um áföll í æsku og á fullorðinsárum, þ.m.t. ofbeldi, slys og hamfarir, og lífshættuleg veikindi, og tengsl þeirra við sálræna og líkamlega heilsu. Sérstök áhersla verður lögð á að kynna vísindagrunn þessara fræða og veita þjálfun í að lesa úr rannsóknum á þessu sviði. Helstu efnisatriði námskeiðsins eru m.a.:

• Algengi áfalla og streituviðbrögð í kjölfar þeirra.
• Sálrænn vandi í kjölfar áfalla, m.a. áfallastreituröskun, kvíði, þunglyndi, svefnvandi, fíknisjúkdómar og langvarandi sorg.
• Sjúkdómsbyrði áfalla m.a. vegna hjarta- og æðasjúkdóma, krabbameina, sjálfsónæmissjúkdóma og sjálfsvíga.
• Áhrif umhverfis- og erfðafræðilega þátta í þróun sálrænna og líkamlegra sjúkdóma í kjölfar áfalla.
• Þættir sem stuðla að bata í kjölfar áfalla og draga úr áhættu á langvarandi heilsufarsvanda.
• Gagnreynd meðferðarúrræði við áfallastreituröskun.

Námskeiðið er ætlað nemendum sem vilja auka vísindalega þekkingu sína á tengslum áfalla og heilsu og er einungis ætlað nemendum í framhaldsnámi. Námskeiðið byggir á fyrirlestrum umsjónarkennara og valinna gestafyrirlesara sem eru sérfræðingar á sviði áfalla. Lagt verður upp úr umræðum og virkri þátttöku nemenda í tímum. 

Námskeiðið fjallar um tölfræðiúrvinnslu í forritinu R. Gert er ráð fyrir að nemendur hafi grunnþekkingu í tölfræði og tölfræðihugbúnaðnum R. Æskilegt er að nemendur þekki til margbreytu aðhvarfsgreiningar (e. multiple linear regression). Nemendur læra að beita hinum ýmsu tölfræðiaðferðum í R (ss. classification methods, resampling methods, linear model selection og tree-based methods). Námskeiðið er kennt á tólf vikum og verður það á vendikennsluformi þar sem nemendur lesa námsefni og horfa á myndbönd áður en þeir mæta í tíma og fá svo aðstoð með fyrirliggjandi verkefni í tímum.

Markmið námskeiðsins er að auka skilning og færni nemenda í að greina og vinna úr rannsóknargögnum svo þeir séu betur undir það búnir að leysa slík verkefni í framhaldsnámi og vinnu. Farið verður ítarlega yfir þær aðferðir sem mest eru notaðar við greiningar á faraldsfræðigögnum með það að markmiði að nemendur geti sjálfir beitt þeim og geti gengið úr skugga um að allar forsendur haldi.

Í  hverjum tíma leggur kennari fyrir verkefni sem byggja á gögnum úr fyrri rannsóknum sem framkvæmdar hafa verið á rannsóknarstofu í næringarfræði. Farið verður sameiginlega yfir helstu atriði og forsendur hvers verkefnis. Nemendur eiga að greina gögnin m.v. fyrirfram gefnar spurningar. Við tölfræðigreiningar verður mest notast við SPSS en einnig verður SAS kynnt til sögunnar.

Markmið námskeiðsins er að nemendur öðlist skilning og verklega færni til að beita aðhvarfsgreiningu á eigin spýtur. Fjallað er um þau afbrigði aðhvarfsgreiningar sem hvað oftast eru notuð í rannsóknum á sviði félagsvísinda. Farið er í stjórnun breyta, notkun nafnbreyta, línuleg og ólínuleg líkön, aðferðir til þess að prófa miðlun breyta og samvirkni breyta og aðferðir til að nota breytur sem hafa skekkta dreifingu svo eitthvað sé nefnt. Fjallað er um forsendur aðhvarfsgreiningar og aðferðir til að fást við þær. Einnig er fjallað um "logistic" aðhvarfsgreiningu, þar sem háða breytan er tvígild nafnbreyta. Samhliða þessari umfjöllun verður farið í saumana á ályktunartölfræði, notkun marktektarprófa og túlkun niðurstaðna. Áhersla er lögð á að nemendur fái umtalsverða verklega reynslu af því að greina megindleg gögn. Kennari útvegar könnunargögn sem nemendur nota til þess að prófa þær aðferðir sem kenndar eru. Eftir fremsta megni verður reynt að samþætta fræðilegar spurningar og tilgátuprófun. Tölfræðiforritið SPSS fyrir Windows er notað.

Fyrirlestrar: Sameindagrunnur lífsins (efnatengi, lífefni, bygging stórsameinda DNA, RNA og próteina). Erfðamengi dreifkjörnunga og heilkjörnunga. Skipulag erfðaefnisins, litningar, litni og litnisagnir. Stjórn DNA eftirmyndunar og frumuhringsins. DNA eftirmyndun. Aðskilnaður litninga og frumuskipting. Umritun. Stjórn umritunar. Verkun RNA sameinda. Þýðing mRNA í prótein. Stjórnkerfi þýðingar. Hlutverk RNA sameinda í stjórn genatjáningar. Prótein-umbreytingar og umferðarstjórn innan frumna. DNA skemmdir, varðstöðvar og DNA viðgerðir. Endurröðun og viðgerðir á tvíþátta DNA brotum. Stökklar og staðbundin endurröðun. Helstu aðferðir sameindalíffræðinnar og tilraunalífverur.

Umræðutímar: Nemendur hafa framsögu um og ræða valdar rannsóknagreinar og skila inn útdrætti úr greininni.

Verklegar æfingar: Unnið verður að verkefni í sameindaerfðafræði sem tengist rannsóknum kennara og býður upp á notkun helstu aðferða sameindaerfðafræðinnar svo sem genaferjun, DNA mögnun og raðgreiningu, ummyndun og einangrun plasmíða, skerðikortlagningu, og rafdrátt bæði kjarnsýra og próteina.

Próf: Verklegt 10%, umræðufundir og skrifleg verkefni 15%, skriflegt próf 75%.

Líkindi á grundvelli mál- og tegurfræði.

Viðfangsefni: Líkindi, útvíkkunarsetningar, óhæði, væntigildi. Borel-Cantelli-setningin og 0-1 lögmál Kolmogorovs.  Ójöfnur og hin veiku og sterku lögmál mikils fjölda. Samleitni í hverjum punkti, í líkindum, með líkunum einn, í dreifingu og í heildarviki. Tengiaðferðir. Höfuðmarkgildissetningin. Skilyrt líkindi og væntigildi.

Erfðamengjafræði og lífupplýsingafræði samþættast á margvíslega vegu. Erfðatækni opnaði möguleika á raðgreiningu erfðamengja, greiningum á tjáningar- og prótínmengjum. Með raðgreiningum á erfðamengjum þúsundum lífvera opnast möguleikar á að nýta upplýsingarnar til að öðlast þekkingu og skilning á líffræðilegum fyrirbærum. Samanburðaraðferð þróunarkenningar Darwins er fræðilegur grundvöllur fyrir greiningar á slíkum upplýsingum. Sameiginlegir eiginleikar varðveittir í mismunandi lífverum eiga sér grunn í varðveittum hlutum erfðamengja. Að sama skapi liggja rætur nýjunga í svipfari oft í hlutum erfðamengja sem eru mismunandi á milli tegunda. Það á jafnt við um eiginleika dýra, plantna, örvera og fruma, þroskunar og ensímkerfa.

Námskeiðið fjallar um hugmyndafræði og aðferðafræði til samanburðar, um greiningu erfðamengja einstakra lífvera (genomics), umhverfiserfðamengja (metagenomics) og tjáningarmengja (transcriptome) til að svara líffræðilegum, læknisfræðilegum og hagnýtum spurningum. Fyrirlestrar verða um, byggingu og raðgreiningu erfða-, tjáningar- og prótínmengja, sameindaþróun, ólíkar gerðir lífupplýsinga, gagnagrunna, skeljaforrit, inngang að python og R umhverfinu, keyrslu forrita og breytingar á þeim. Æfingar: Sækja gögn í gagnagrunna, Blast, samraðanir og pússlun mengja, samanburður erfðamengja tegunda og greining erfðabreytileika innan tegunda. Unnið verður með gagnagrunna, m.a. flybase, Genebank, ENSEMBL og E.coli. Gögn verða sótt með Biomart og Bioconductor, og fjallað um áreiðanleika gagna í gagnagrunnum. Kynnt verða algrímar er liggja til grundvallar leitar-forrita og forrit kynnt sem hægt er að keyra yfir vefinn, grunnatriði Python-forritunar, opinn hugbúnaður á UNIX/Linux, uppsetning hugbúnaðar af vefnum á eigin tölvum. Greining gagna úr RNA-seq, RADseq og heilraðgreiningum.

Nemendur vinna smærri og stærri verkefni og skila, og kynna munnlega niðurstöður úr stóra verkefninu. Í umræðufundum verða frumheimildir ræddar.

Efni námskeiðsins eru helstu reiknirit sem notuð eru í lífupplýsingafræði. Í upphafi er stutt yfirlit yfir erfðamengjafræði og reiknirit fyrir nemendur af öðrum sviðum. Námskeiðinu er skipt upp í nokkrar einingar og er hverri ætlað að fara yfir einstök verkefni í lífupplýsingafræði sem mótast af rannsóknarverkefnum. Hver eining samanstendur af verkefnislýsingu og aðferðum sem beitt er við úrlausn. Viðfangsefnin verða m.a. mynstraleit, strengjafjarlægð, samröðun gena og erfðamengja, þyrpingagreining, raðgreining og myndun erfðamengja og að lokum aðferðir við úrvinnslu úr háhraðaraðgreiningar gögnum.