Tulosten arviointi. tulosten arviointi. voimmeko luottaa saamiimme tuloksiin?
|
|
- Arto Karjalainen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 tulosten arviointi Tulosten arviointi voimmeko luottaa saamiimme tuloksiin? onko osa saaduista tuloksista sattumanvaraisia? mitkä OSAT puusta ovat luotettavimpia? 1
2 KONSENSUSDIAGRAMMI Useita yhtä pitkiä puita E B D C A F yhtä yksinkertaisia hypoteeseja eli täsmälleen sama määrä muutoksia ominaisuuksien ilmenemismuotojen välillä E B D C A F Konsensuspuu E B D C A F resoluution katoaminen konsensuspuussa on osoitus aineistossa ilmenevästä ristiriidasta 2
3 Tulosten arviointi tukiarvot (support) 3 yleisesti käytettyä menetelmää: Bremer (branch) support Bootstrap Parsimonia jackknifing A B C D E F G
4 A D E F G B C alunperin hypoteesien luotettavuutta arvioitiin puhtaasti ominaisuuksien ilmenemismuotojen välisten muutosten MÄÄRÄN mukaan pituus 14 evolutiivista muutosta lyhin puu A D E F G B C 15 evolutiivista muutosta konsensus puista joiden pituus < 15 4
5 huolimatta SUURISTA eroista monofyleettisten ryhmien synapomorfioissa KAIKKI niistä katoavat konsensuspuussa joka perustuu puihin joiden pituus < 15 A D E F G B C Goodman, M. ym New perspectives in the molecular biological analysis of mammalian phylogeny. Acta Zoologica Fennica 169: Goodman- lahoindeksi (decay index) Bremer, K The limits of amino acid sequence data in angiosperm phylogenetic reconstruction. Evolution 42: etsitään lyhin puu 2. konsensus tällöin katoaville ryhmille = 0 3. uusi haku jossa etsitään puita joiden pituus L < L+1 (L = edellä löydetyn lyhimmän puun pituus), konsensus näistä näille = 1 4. jatketaan kunnes konsensuksesta on kadonnut kaikki resoluutio (jäljellä pelkkä polytomia) 5
6 algoritmit yksinkertaisia, eivät palaa takaisinpäin ohjelmissa mahdollista antaa lisäkäsky niin, että välimuistiin tallentuu lyhimmmän puun lisäksi myös 1, 2, 3 jne. evolutiivista muutosta PIDEMMÄT puut mitä korkeampi on sitä todennäköisempää on, että osa ns. puuavaruudesta jää tarkastelun ulkopuolelle L+3 t TODELLISIA suurempia upper bound L+2 L+1 6
7 A B G D E C F A B G D E C F 1 A B G D E C F A B G D E C F A B G D E C F A B G D E C F koko puulle 7
8 voidaan laskea myös yksittäisille puun osille rajatun (constraint) haun avulla tämä tehdään etsimällä lyhintä puuta sellaista rajoitepuuta käyttäen joka sisältää vain ryhmän jonka tukiarvo halutaan laskea rajoitepuu on muuten vailla resoluutiota etsitään sellaista lyhintä puuta joka on RISTIRIIDASSA rajoitepuun kanssa ryhmän tukiarvo on aiemmin löydetyn lyhimmän puun ja rajoitetta käyttäen löydetyn lyhimmän puun pituuksien välinen erotus A B G D E C F 8
9 Relative Fit Difference RFD = Goloboff, P. & Farris, J.S. ym Methods for quick consensus estimation. Cladistics 17: S26-S34. F - C F 0 < R < 1 F = tarkasteltavan ryhmän synapomorfiat C = em. ryhmän kanssa RISTIRIIDASSA olevien ryhmittelyjen synapomorfiat pystytään erottelemaan toisistaan ominaisuuksia, joilla sama Bremer-tukiarvo esim. F = 5, C = 0 vs. F= 100, C= 95 sama RFD arvot 1 & 0,053 Tulosten arviointi 3 yleisesti käytettyä menetelmää: Bootstrap Parsimonia jackknifing 9
10 Efron, B Bootstrap methods: another look at the jackknife. Ann. Stat. 7: Felsenstein, J Confidence limits on phylogenies: an approach using the bootstrap. Evolution 39: ominaisuudet! ! takson. A ! B ! C ! D ! E ! ominaisuudet! ! takson. A ! B ! C ! D ! E ! A B C D E tehdään uusi alkuperäisen kokoinen matriisi otanta takaisinpanolla (osa alkuperäisistä ominaisuuksista tulee mukaan useita kertoja, osa jää kokonaan ulkopuolelle!) A B C D E BOOTSTRAP A B C D E 97% 52% 87% Kitching, I.J. ym Cladistics. 2. painos. 228 s. Oxford University Press toistetaan useita kertoja( x) tulokset yhdistetään enemmistökompromissipuuksi haittana: autapomorfiat, ominaisuudet joissa ei vaihtelua vaikuttavat lopputulokseen 10
11 Tulosten arviointi 3 yleisesti käytettyä menetelmää: Quenoille, Bootstrap M.H Approximate tests of correlation in time-series. J. R. Statist. Soc. B 11: Parsimonia jackknifing Farris, J.S. ym Parsimony jackknifing outperforms neighbor-joining. Cladistics 12: ominaisuudet! ! takson. A ! B ! C ! D ! E ! ominaisuudet! ! takson. A ! B ! C ! D ! E ! toistetaan useita kertoja( x) A B C D E tehdään uusi matriisi mutta niin, että otetaan mukaan vain OSA alkuperäisistä ominaisuuksista todennäköisyys sille, että ominaisuus jää otannan ulkopuolelle 1/e (~37%) A B C D E A B C D E PARSIMONY JACKKNIFING 97% 87% 52% tulokset yhdistetään enemmistökompromissipuuksi 11
12 Tulosten arviointi kuinka helposti optimaalinen puu muuttuu jos/kun lisäämme matriisiin uusia ominaisuuksia eli saamme lisää informaatiota? kaikki em. lukuarvot ovat EPÄSUORIA tapoja tämän arvioimiseksi emme voi tietää vastausta em. kysymykseen ETUKÄTEEN ko. ominaisuudet ovat MAHDOLLISESTI ristiriidassa toistaiseksi hyväksyttyjen hypoteesien kanssa KAIKKI tukiarvot antavat monissa tapauksissa samankaltaisen tuloksen, samat taksonien ryhmät tulevat esiin Tulosten arviointi GO AND GET MORE DATA vain aidosti UUSIEN ominaisuuksien avulla voimme selvittää muuttuvatko aiemmin esitetyt hypoteesit Grant, T. & Kluge, A.G Data exploration in phylogenetic inference: scientific, heuristic, or neither. Cladistics 19:
13 Tulosten arviointi OG A B C D E uusi analyysi muuttuiko tulos? jos muuttui, miltä osin? YHTEENVETO 3 yleisesti käytettyä tapaa puiden luotettavuuden arviointiin KAIKKIA näistä käytetään yleisesti mutta niiden merkitys on edelleen kiistanalainen ainakin niiden avulla voidaan tuoda esiin ne osat hypoteesista jotka ovat HEIKOIMPIA eli mahdollisesti uuden tiedon myötä helpoimmin kumottavissa hyviä tarkemman tutkimuksen kohteita! 13
Fylogeneettiset puut. Fylogeneettiset puut. UPGMA: esimerkki 2/2 UPGMA
ylogeneettiset puut ylogeneettisen puun rakentaminen koostuu seuraavista vaiheista ) atan valinta (sekvenssi,piirredata) ) Sekvenssien linjaus 3) Puun rakentamismenetelmän/menetelmien valinta: - etäisyysmenetelmät
LisätiedotMolekyylisystematiikka 1.osa
Molekyylisystematiikka 1.osa Johdanto Käsitteet Sukulaisuuksien esittäminen eri formaateissa Puut: eri tavat muodostaa puu, algoritmeja, ohjelmistoja, esimerkki Petri Törönen Vanha materiaali: Päivi Onkamo,
Lisätiedot5.1 Semanttisten puiden muodostaminen
Luku 5 SEMNTTISET PUUT 51 Semanttisten puiden muodostaminen Esimerkki 80 Tarkastellaan kysymystä, onko kaava = (( p 0 p 1 ) (p 1 p 2 )) toteutuva Tätä voidaan tutkia päättelemällä semanttisesti seuraavaan
LisätiedotJohdatus graafiteoriaan
Johdatus graafiteoriaan Syksy 2017 Lauri Hella Tampereen yliopisto Luonnontieteiden tiedekunta 126 Luku 3 Puut 3.1 Puu 3.2 Virittävä puu 3.3 Virittävän puun konstruointi 3.4 Minimaalinen virittävä puu
LisätiedotAlgoritmit 1. Luento 13 Ti 23.2.2016. Timo Männikkö
Algoritmit 1 Luento 13 Ti 23.2.2016 Timo Männikkö Luento 13 Suunnittelumenetelmät Taulukointi Kapsäkkiongelma Ahne menetelmä Verkon lyhimmät polut Dijkstran menetelmä Verkon lyhin virittävä puu Kruskalin
Lisätiedot58131 Tietorakenteet ja algoritmit (syksy 2015) Toinen välikoe, malliratkaisut
Tietorakenteet ja algoritmit (syksy 0) Toinen välikoe, malliratkaisut. (a) Alussa puu näyttää tältä: Lisätään 4: 4 Tasapaino rikkoutuu solmussa. Tehdään kaksoiskierto ensin oikealle solmusta ja sitten
LisätiedotMolekyylisystematiikka, 2. osa
Molekyylisystematiikka, 2. osa Parsimoniamenetelmä, hyvät ja huonot puolet Plussat: Helppo ymmärtää, ei oleta mitään tiettyä evolutiivista mallia Voidaan osoittaa että löytää varmaasti parhaan puun Hypotetisoi
LisätiedotLuku 7. Verkkoalgoritmit. 7.1 Määritelmiä
Luku 7 Verkkoalgoritmit Verkot soveltuvat monenlaisten ohjelmointiongelmien mallintamiseen. Tyypillinen esimerkki verkosta on tieverkosto, jonka rakenne muistuttaa luonnostaan verkkoa. Joskus taas verkko
LisätiedotPoistettavien puiden valinta laatuperustein harvennushakkuulla
Poistettavien puiden valinta laatuperustein harvennushakkuulla Manne Viljamaa TAMK http://puuhuoltooppimispolku.projects.tamk.fi/path.p hp?show=31 1. Harvennushakkuun terminologiasta Käsitteet tuulee olla
LisätiedotJohdatus verkkoteoriaan 4. luento
Johdatus verkkoteoriaan 4. luento 28.11.17 Viikolla 46 läpikäydyt käsitteet Viikolla 47 läpikäydyt käsitteet Verkko eli graafi, tasoverkko, solmut, välit, alueet, suunnatut verkot, isomorfiset verkot,
LisätiedotAlgoritmi on periaatteellisella tasolla seuraava:
Algoritmi on periaatteellisella tasolla seuraava: Dijkstra(V, E, l, v 0 ): S := { v 0 } D[v 0 ] := 0 for v V S do D[v] := l(v 0, v) end for while S V do valitse v V S jolle D[v] on minimaalinen S := S
LisätiedotAlgoritmi III Vierekkäisten kuvioiden käsittely. Metsätehon tuloskalvosarja 7a/2018 LIITE 3 Timo Melkas Kirsi Riekki Metsäteho Oy
Algoritmi III Vierekkäisten kuvioiden käsittely Metsätehon tuloskalvosarja 7a/2018 LIITE 3 Timo Melkas Kirsi Riekki Metsäteho Oy Algoritmi III vierekkäisten kuvioiden käsittely Lähtötietoina algoritmista
LisätiedotTietorakenteet, laskuharjoitus 7, ratkaisuja
Tietorakenteet, laskuharjoitus, ratkaisuja. Seuraava kuvasarja näyttää B + -puun muutokset lisäysten jälkeen. Avaimet ja 5 mahtuvat lehtisolmuihin, joten niiden lisäys ei muuta puun rakennetta. Avain 9
LisätiedotAlgoritmit 1. Luento 8 Ke Timo Männikkö
Algoritmit 1 Luento 8 Ke 1.2.2017 Timo Männikkö Luento 8 Järjestetty binääripuu Solmujen läpikäynti Binääripuun korkeus Binääripuun tasapainottaminen Graafit ja verkot Verkon lyhimmät polut Fordin ja Fulkersonin
LisätiedotA274101 TIETORAKENTEET JA ALGORITMIT
A274101 TIETORAKENTEET JA ALGORITMIT PUURAKENTEET, BINÄÄRIPUU, TASAPAINOTETUT PUUT MIKÄ ON PUUTIETORAKENNE? Esim. Viereinen kuva esittää erästä puuta. Tietojenkäsittelytieteessä puut kasvavat alaspäin.
LisätiedotHarjoitus 6 ( )
Harjoitus 6 (30.4.2014) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on max θ(u,v) s.t. u 0,
LisätiedotAlgoritmi I kuvioiden ja niille johtavien ajourien erottelu. Metsätehon tuloskalvosarja 7a/2018 LIITE 1 Timo Melkas Kirsi Riekki Metsäteho Oy
Algoritmi I kuvioiden ja niille johtavien ajourien erottelu Metsätehon tuloskalvosarja 7a/2018 LIITE 1 Timo Melkas Kirsi Riekki Metsäteho Oy Algoritmi I kuvioiden ja niille johtavien ajourien erottelu
LisätiedotPaikkatiedon käsittely 6. Kyselyn käsittely
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Paikkatiedon käsittely 6. Kyselyn käsittely Antti Leino antti.leino@cs.helsinki.fi 1.2.2007 Tietojenkäsittelytieteen laitos Kysely indeksin
LisätiedotOULUN YLIOPISTO, BIOLOGIAN LAITOS Puututkimus
OULUN YLIOPISTO, BIOLOGIAN LAITOS Puututkimus Puu on yksilö, lajinsa edustaja, eliöyhteisönsä jäsen, esteettinen näky ja paljon muuta. Tässä harjoituksessa lähestytään puuta monipuolisesti ja harjoitellaan
Lisätiedot811312A Tietorakenteet ja algoritmit 2015-2016. V Verkkojen algoritmeja Osa 2 : Kruskalin ja Dijkstran algoritmit
811312A Tietorakenteet ja algoritmit 2015-2016 V Verkkojen algoritmeja Osa 2 : Kruskalin ja Dijkstran algoritmit Sisältö 1. Johdanto 2. Leveyshaku 3. Syvyyshaku 4. Kruskalin algoritmi 5. Dijkstran algoritmi
LisätiedotAasianrunkojäärä. Tilanne Vantaalla 18.11.2015
Aasianrunkojäärä Tilanne Vantaalla 18.11.2015 Aino-Maija Alanko 18.11.2015 Sisällys Yleistä aasianrunkojäärästä Tilannekatsaus Kivipyykintien esiintymäpaikasta Kartoitukset Jatkotoimenpiteet Aino-Maija
LisätiedotKLAPI-ILTA PUUVILLASSA 27.9.2011
KLAPI-ILTA PUUVILLASSA 27.9.2011 MANU HOLLMÉN ESITYKSEN SISÄLTÖ Aluksi vähän polttopuusta Klapikattilatyypit yläpalo alapalo Käänteispalo Yhdistelmä Vedonrajoitin Oikea ilmansäätö, hyötysuhde 2 PUUN KOOSTUMUS
LisätiedotPienpuun paalauksen tuottavuus selville suomalais-ruotsalaisella yhteistyöllä
Pienpuun paalauksen tuottavuus selville suomalais-ruotsalaisella yhteistyöllä Yrjö Nuutinen MMT Metsäteknologia Metla/Joensuu ForestEnergy2020 -tutkimus- ja innovaatio-ohjelman vuosiseminaari 8.-9.10.2013
LisätiedotHarjoitus 1 (20.3.2014)
Harjoitus 1 (20.3.2014) Tehtävä 1 Piirretään tilanteesta verkko, jossa kaupungeille on annetttu seuraavat numerot: 1 = Turku 2 = Tampere 3 = Hämeenlinna 4 = Imatra 5 = Jyväskylä. 5 2 149(5) 190(4) 113(1)
LisätiedotPoiminta- ja pienaukkohakkuut. kaupunkimetsissä
Poiminta- ja pienaukkohakkuut kaupunkimetsissä Sauli Valkonen Metsäntutkimuslaitos (METLA) 19.12.2012 1 Poimintahakkuu (eri-ikäismetsätalous, jatkuva kasvatus jne...) yksittäisiä suuria, "kypsiä" puita
LisätiedotGraafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria
Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:
LisätiedotHarjoitus 4 (7.4.2014)
Harjoitus 4 (7.4.2014) Tehtävä 1 Tarkastellaan Harjoituksen 1 nopeimman reitin ongelmaa ja etsitään sille lyhin virittävä puu käyttämällä kahta eri algoritmia. a) (Primin algoritmi) Lähtemällä solmusta
LisätiedotKASVIKUNTA kl 2016
526128 KASVIKUNTA kl 2016 Luennot klo 10-12 salissa 6602 11.4. Ma johdanto kasvikuntaan 12.4. Ti Chlorophyta 14.4. To Streptophyta 15.4. Pe vanhimmat alkiolliset kasvit 18.4. Ma maksasammalet 19.4. Ti
LisätiedotTilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä
Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien
LisätiedotSSL syysseminaari 29.10.2013 Juha Hyssälä
SSL syysseminaari 29.10.2013 Juha Hyssälä Lääketieteellisessä tutkimuksessa on perinteisesti käytetty elinaika-analyysissä Coxin suhteellisen vaaran mallia ja/tai tämän johdannaisia. Kyseinen malli kuitenkin
LisätiedotViimeistely Ajourien huomiointi puutiedoissa ja lopullinen kuviointi. Metsätehon tuloskalvosarja 5/2018 LIITE 4 Timo Melkas Kirsi Riekki Metsäteho Oy
Viimeistely Ajourien huomiointi puutiedoissa ja lopullinen kuviointi Metsätehon tuloskalvosarja 5/2018 LIITE 4 Timo Melkas Kirsi Riekki Metsäteho Oy Viimeistely ajourien huomiointi ja lopullinen kuviointi
LisätiedotMat Lineaarinen ohjelmointi
Mat-.34 Lineaarinen ohjelmointi 5..7 Luento Kertausta Lineaarinen ohjelmointi - Syksy 7 / LP ja Simplex Kurssin rakenne Duaalisuus ja herkkyysanalyysi Verkkotehtävät Kokonaislukutehtävät Lineaarinen ohjelmointi
LisätiedotKorvausvastuun ennustejakauma bootstrap-menetelmän avulla
Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Sari Ropponen 13.5.2009 1 Agenda Korvausvastuu vahinkovakuutuksessa Korvausvastuun arviointi Ennustevirhe Ennustejakauma Bootstrap-/simulointimenetelmä
LisätiedotAlgoritmit 1. Luento 7 Ti Timo Männikkö
Algoritmit 1 Luento 7 Ti 31.1.2017 Timo Männikkö Luento 7 Järjestetty binääripuu Binääripuiden termejä Binääripuiden operaatiot Solmun haku, lisäys, poisto Algoritmit 1 Kevät 2017 Luento 7 Ti 31.1.2017
LisätiedotEnglannin lausekerakenteita ja taulukkojäsentäminen
Englannin lausekerakenteita ja taulukkojäsentäminen Kontekstittomat jäsennysmenetelmät Lili Aunimo lili.aunimo@helsinki.fi Helsingin yliopisto Kieliteknologia Lili Aunimo Englannin lausekerakenteita ja
LisätiedotKertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 1: Yleinen lineaarinen malli 1 Määritelmä
Lisätiedot2.8. Kannanvaihto R n :ssä
28 Kannanvaihto R n :ssä Seuraavassa kantavektoreiden { x, x 2,, x n } järjestystä ei saa vaihtaa Vektorit ovat pystyvektoreita ( x x 2 x n ) on vektoreiden x, x 2,, x n muodostama matriisi, missä vektorit
LisätiedotLineaarisen kokonaislukuoptimointitehtävän ratkaiseminen
Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen Jos sallittuja kokonaislukuratkaisuja ei ole kovin paljon, ne voidaan käydä kaikki läpi yksitellen Käytännössä tämä ei kuitenkaan ole yleensä mahdollista
Lisätiedot(p j b (i, j) + p i b (j, i)) (p j b (i, j) + p i (1 b (i, j)) p i. tähän. Palaamme sanakirjaongelmaan vielä tasoitetun analyysin yhteydessä.
Loppu seuraa suoralla laskulla: n n Tave TR = p j (1 + b (i, j)) j=1 = 1 + 1 i
LisätiedotV. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen
V. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen Luento omatoimisen luennan tueksi algoritmiikan tutkimusseminaarissa 23.9.2002. 1 Sisältö Esitellään ongelmat Steiner-puu Kauppamatkustajan
Lisätiedotv 8 v 9 v 5 C v 3 v 4
Verkot Verkko on (äärellinen) matemaattinen malli, joka koostuu pisteistä ja pisteitä toisiinsa yhdistävistä viivoista. Jokainen viiva yhdistää kaksi pistettä, jotka ovat viivan päätepisteitä. Esimerkiksi
LisätiedotLaskennan vaativuus ja NP-täydelliset ongelmat
Laskennan vaativuus ja NP-täydelliset ongelmat TRAK-vierailuluento 13.4.2010 Petteri Kaski Tietojenkäsittelytieteen laitos Tietojenkäsittelytiede Tietojenkäsittelytiede tutkii 1. mitä tehtäviä voidaan
LisätiedotKertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Viikko 1: Yleinen lineaarinen malli 1 Määritelmä
LisätiedotStabiloivat synkronoijat ja nimeäminen
Stabiloivat synkronoijat ja nimeäminen Mikko Ajoviita 2.11.2007 Synkronoija Synkronoija on algoritmi, joka muuntaa synkronoidun algoritmin siten, että se voidaan suorittaa synkronoimattomassa järjestelmässä.
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[TILTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2011 http://www.uta.fi/~strale/tiltp1/index.html 30.9.2011 klo 13:07:54 HARJOITUS 5 viikko 41 Ryhmät ke 08.30 10.00 ls. C8 Leppälä to 12.15 13.45 ls. A2a Laine
LisätiedotMiten käytän tulisijaa oikein - lämmitysohjeita
Miten käytän tulisijaa oikein - lämmitysohjeita Eija Alakangas, VTT Biohousing & Quality Wood Älykäs Energiahuolto EU-ohjelma 1. Puu kuivuu. Vesihöyry vapautuu. 2. Kaasumaiset palavat ainekset vapautuvat
LisätiedotMatriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo
Matriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo Antti Rasila 2016 Vektoriavaruuden kannan olemassaolo Jos {v 1, v 2,..., v k } on äärellisulotteisen vektoriavaruuden V lineaarisesti riippumaton
LisätiedotBOOTSTRAPPING? Jukka Nyblom Jyväskylän yliopisto. Metodifestivaali
BOOTSTRAPPING? Jukka Nyblom Jyväskylän yliopisto Metodifestivaali 28.5.2009 1 1 Mitä ihmettä on bootstrap? Webster: 1. a loop of leather or cloth sewn at the top rear, or sometimes on each side of a boot
Lisätiedot4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen
4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen Käypä kantaratkaisu löytyy helposti, esimerkiksi tapauksessa Ax b, b 0 x 0 jolloin sen määräävät puutemuuttujat. Tällöin simplex-menetelmän alustus
LisätiedotAlgoritmit 2. Luento 11 Ti Timo Männikkö
Algoritmit 2 Luento 11 Ti 24.4.2018 Timo Männikkö Luento 11 Rajoitehaku Kapsäkkiongelma Kauppamatkustajan ongelma Paikallinen etsintä Lyhin virittävä puu Vaihtoalgoritmit Algoritmit 2 Kevät 2018 Luento
Lisätiedot1. asukasinfo aiheesta 19.3.2014 Pro Westend ry toimitti saadun asukaspalautteen pohjalta 6/2014 kaupungille
PRO WESTEND RY JA WESTENDIN LIIKEKESKUKSEN ALUEEN KAAVAMUUTOSHANKE 1. asukasinfo aiheesta 19.3.2014 Pro Westend ry toimitti saadun asukaspalautteen pohjalta 6/2014 kaupungille Virallisen kaavalausunnon
LisätiedotLineaariset kongruenssiyhtälöryhmät
Lineaariset kongruenssiyhtälöryhmät LuK-tutkielma Jesse Salo 2309369 Matemaattisten tieteiden laitos Oulun yliopisto Sisältö Johdanto 2 1 Kongruensseista 3 1.1 Kongruenssin ominaisuuksia...................
LisätiedotAlgoritmit 1. Luento 13 Ma Timo Männikkö
Algoritmit 1 Luento 13 Ma 26.2.2018 Timo Männikkö Luento 13 Suunnittelumenetelmät Taulukointi Kapsäkkiongelma Ahne menetelmä Verkon lyhimmät polut Dijkstran menetelmä Verkon lyhin virittävä puu Kruskalin
LisätiedotAVL-puut. eräs tapa tasapainottaa binäärihakupuu siten, että korkeus on O(log n) kun puussa on n avainta
AVL-puut eräs tapa tasapainottaa binäärihakupuu siten, että korkeus on O(log n) kun puussa on n avainta pohjana jo esitetyt binäärihakupuiden operaatiot tasapainotus vie pahimmillaan lisäajan lisäys- ja
Lisätiedot10. Painotetut graafit
10. Painotetut graafit Esiintyy monesti sovelluksia, joita on kätevä esittää graafeina. Tällaisia ovat esim. tietoverkko tai maantieverkko. Näihin liittyy erinäisiä tekijöitä. Tietoverkkoja käytettäessä
LisätiedotTehtävän V.1 ratkaisuehdotus Tietorakenteet, syksy 2003
Tehtävän V.1 ratkaisuehdotus Tietorakenteet, syksy 2003 Matti Nykänen 5. joulukuuta 2003 1 Satelliitit Muunnetaan luennoilla luonnosteltua toteutusta seuraavaksi: Korvataan puusolmun p kentät p. key ja
Lisätiedotwww.biohousing.eu.com Tehokas ja ympäristöystävällinen tulisijalämmitys käytännön ohjeita
www.biohousing.eu.com Tehokas ja ympäristöystävällinen tulisijalämmitys käytännön ohjeita 1 Vähemmän päästöjä ja miellyttävää lämpöä tulisijasta 1. Käytä kuivaa polttopuuta 2. Hanki tutkittu, tehokas ja
LisätiedotDeterminantti. Määritelmä
Determinantti Määritelmä Oletetaan, että A on n n-neliömatriisi Merkitään normaaliin tapaan matriisin A alkioita lyhyesti a ij = A(i, j) (a) Jos n = 1, niin det(a) = a 11 (b) Muussa tapauksessa n det(a)
LisätiedotEvoluutio ja luominen. Mian tekemä esitys Jannen esittämänä
Evoluutio ja luominen Mian tekemä esitys Jannen esittämänä Väite: tiedemiehet ovat todistaneet evoluutioteorian todeksi Evoluutioteorialla tässä tarkoitan teoriaa, jonka mukaan kaikki elollinen on kehittynyt
LisätiedotMatriisien tulo. Matriisit ja lineaarinen yhtälöryhmä
Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty
LisätiedotLIITO-ORAVASELVITYS VAMMALAN KUKKURISSA
LIITO-ORAVASELVITYS VAMMALAN KUKKURISSA 2013 LIITO-ORAVASELVITYS VAMMALAN KUKKURISSA 2013 Selvityksen tarkoitus Liito-oravaselvityksessä oli tarkoitus löytää selvitysalueella mahdollisesti olevat liito-oravan
Lisätiedot2 k -faktorikokeet. Vilkkumaa / Kuusinen 1
2 k -faktorikokeet Vilkkumaa / Kuusinen 1 Motivointi 2 k -faktorikoe on k-suuntaisen varianssianalyysin erikoistapaus, jossa kaikilla tekijöillä on vain kaksi tasoa, matala (-) ja korkea (+). 2 k -faktorikoetta
LisätiedotHarjoitus 6 ( )
Harjoitus 6 (21.4.2015) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s. t. g(x) 0 h(x) = 0 x X olevan optimointitehtävän Lagrangen duaali on missä max θ(u, v) s. t.
LisätiedotKymmenen vuotta maastolaserkeilaustutkimusta käytännön kokemuksia
Kymmenen vuotta maastolaserkeilaustutkimusta käytännön kokemuksia MMT Ville, Kankare Laserkeilaustutkimuksen huippuyksikkö Metsätieteiden laitos, Helsingin yliopisto Kymmenen vuotta maastolaserkeilaustutkimusta
LisätiedotKoskenkylän päiväkoti Vanha Viipurintie 2, 07700 Koskenkylä
1510021096 15.9.2015 Loviisan kaupunki Koskenkylän päiväkoti Vanha Viipurintie 2, 07700 Koskenkylä Ramboll Finland Oy Niemenkatu 73, 15140 Lahti Puh. +358 20 755 611 Sisällys LAADUNVARMISTUS 3 ESIPUHE
LisätiedotNeliömatriisin adjungaatti, L24
Neliömatriisin adjungaatti, L24 1 2 1 3 Matriisi = A = 7 4 6 5 2 0 ( ) 7 6 Alimatriisi = A 12 = 5 0 Minori = det(a 12 ) = 7 6 5 0 = 30 Kofaktori = ( 1) 1+2 det(a 12 ) = 30 2 Määritelmä n n neliö-matriisin
LisätiedotDiskreetit rakenteet
Diskreetit rakenteet 811120P 5 op 7. Oulun yliopisto Tietojenkäsittelytieteiden laitos 2015 / 2016 Periodi 1 Mikä on verkko? verkko (eli graafi) koostuu solmuista ja väleistä, jotka yhdistävät solmuja
Lisätiedot2.5 Liikeyhtälö F 3 F 1 F 2
Tässä kappaleessa esittelen erilaisia tapoja, joilla voiat vaikuttavat kappaleen liikkeeseen. Varsinainen kappaleen pääteea on assan liikeyhtälön laatiinen, kun assaan vaikuttavat voiat tunnetaan. Sitä
LisätiedotKandidaatintyön esittely: Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu
Kandidaatintyön esittely: Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu Vilma Virasjoki 19.11.2012 Ohjaaja: DI Jouni Pousi Valvoja: Professori Raimo P.
LisätiedotLahopuu ja tekopökkelöt: vaikutukset lahopuukovakuoriaislajistoon. Juha Siitonen, Harri Lappalainen. Metsäntutkimuslaitos, Vantaan toimintayksikkö
Lahopuu ja tekopökkelöt: vaikutukset lahopuukovakuoriaislajistoon Juha Siitonen, Harri Lappalainen Metsäntutkimuslaitos, Vantaan toimintayksikkö Lahopuusto, aineisto ja menetelmät Lahopuut 1 cm mitattiin
LisätiedotJäsenyysverkostot Kytkökset ja limittyneet aliryhmät sosiaalisten verkostojen analyysissä
Jäsenyysverkostot Kytkökset ja limittyneet aliryhmät sosiaalisten verkostojen analyysissä Hypermedian jatko-opintoseminaari 2008-2009 20.3.2009 Jaakko Salonen TTY / Hypermedialaboratorio jaakko.salonen@tut.fi
Lisätiedot(a) L on listan tunnussolmu, joten se ei voi olla null. Algoritmi lisäämiselle loppuun:
Tietorakenteet ja algoritmit, kevät 201 Kurssikoe 1, ratkaisuja 1. Tehtävästä sai yhden pisteen per kohta. (a) Invariantteja voidaan käyttää algoritmin oikeellisuustodistuksissa Jokin väittämä osoitetaan
LisätiedotAlgoritmit 2. Luento 4 Ke Timo Männikkö
Algoritmit 2 Luento 4 Ke 22.3.2017 Timo Männikkö Luento 4 Hajautus Yhteentörmäysten käsittely Avoin osoitteenmuodostus Hajautusfunktiot Puurakenteet Solmujen läpikäynti Algoritmit 2 Kevät 2017 Luento 4
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 4 3.4.017 Tehtävä 1 Tarkastellaan harjoituksen 1 nopeimman reitin ongelmaa ja etsitään sille lyhin virittävä puu käyttämällä kahta eri algoritmia. a) (Primin algoritmi) Lähtemällä
LisätiedotKognitiivinen mallintaminen 1
Kognitiivinen mallintaminen 1 Uutta infoa: Kurssin kotisivut wikissä: http://wiki.helsinki.fi/display/kognitiotiede/cog241 Suorittaminen tentillä ja laskareilla (ei välikoetta 1. periodissa) Ongelmanratkaisu
Lisätiedot110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3
4 Matriisit ja vektorit 4 Matriisin käsite 42 Matriisialgebra 0 2 2 0, B = 2 2 4 6 2 Laske A + B, 2 A + B, AB ja BA A + B = 2 4 6 5, 2 A + B = 5 9 6 5 4 9, 4 7 6 AB = 0 0 0 6 0 0 0, B 22 2 2 0 0 0 6 5
LisätiedotTietorakenteet ja algoritmit
Tietorakenteet ja algoritmit Rekursio Rekursion käyttötapauksia Rekursio määritelmissä Rekursio ongelmanratkaisussa ja ohjelmointitekniikkana Esimerkkejä taulukolla Esimerkkejä linkatulla listalla Hanoin
Lisätiedot1 Tieteellinen esitystapa, yksiköt ja dimensiot
1 Tieteellinen esitystapa, yksiköt ja dimensiot 1.1 Tieteellinen esitystapa Maan ja auringon välinen etäisyys on 1 AU. AU on astronomical unit, joka määritelmänsä mukaan on maan ja auringon välinen keskimääräinen
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.34 Lineaarinen ohjelmointi..27 Luento 5 Simplexin implementaatioita (kirja 3.2-3.5) Lineaarinen ohjelmointi - Syksy 27 / Luentorunko (/2) Simplexin implementaatiot Naiivi Revised Full tableau Syklisyys
LisätiedotHakusuosikit. Unifaun Online 2015-12-16
Hakusuosikit Unifaun Online 2015-12-16 2 Sisältö 1 Hakusuosikit... 3 1.1 Käsitteitä... 3 1.2 Symboleita ja painikkeita... 3 1.3 Luo Hakusuosikki... 4 1.4 Hakusuosikin käyttö... 7 1.5 Poista hakusuosikki...
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 6 24.4.2017 Tehtävä 1 Määritelmän (ks. luentomonisteen s. 107) mukaan yleisen muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on min θ(u,v)
LisätiedotMat Lineaarinen ohjelmointi
Mat-.34 Lineaarinen ohjelmointi 9..7 Luento Kokonaislukuoptimoinnin algoritmeja (kirja.-.) Lineaarinen ohjelmointi - Syksy 7 / Luentorunko Gomoryn leikkaava taso Branch & Bound Branch & Cut Muita menetelmiä
Lisätiedot811312A Tietorakenteet ja algoritmit, 2015-2016. VI Algoritmien suunnitteluparadigmoja
811312A Tietorakenteet ja algoritmit, 2015-2016 VI Algoritmien suunnitteluparadigmoja Sisältö 1. Hajota ja hallitse-menetelmä 2. Dynaaminen taulukointi 3. Ahneet algoritmit 4. Peruuttavat algoritmit 811312A
Lisätiedot811312A Tietorakenteet ja algoritmit Kertausta jälkiosasta
811312A Tietorakenteet ja algoritmit 2016-2017 Kertausta jälkiosasta IV Perustietorakenteet Pino, jono ja listat tunnettava Osattava soveltaa rakenteita algoritmeissa Osattava päätellä operaatioiden aikakompleksisuus
LisätiedotPerusnäkymä yksisuuntaiseen ANOVAaan
Metsämuuronen 2006. TTP Tutkimuksen tekemisen perusteet ihmistieteissä Taulukko.51.1 Analyysiin mukaan tulevat muuttujat Mja selite Merkitys mallissa F1 Ensimmäinen faktoripistemuuttuja Selitettävä muuttuja
LisätiedotOhjelmoinnin peruskurssi Y1
Ohjelmoinnin peruskurssi Y1 CSE-A1111 30.9.2015 CSE-A1111 Ohjelmoinnin peruskurssi Y1 30.9.2015 1 / 27 Mahdollisuus antaa luentopalautetta Goblinissa vasemmassa reunassa olevassa valikossa on valinta Luentopalaute.
LisätiedotSuhteellisia osuuksia ilmaistaessa käytetään prosenttilukujen ohella myös murtolukuja.
PROSENTTILASKUT Prosenttilaskuun ja sen sovelluksiin, jotka ovat kerto- ja jakolaskun sovelluksia, perustuu suuri osa kaikesta laskennasta, jonka avulla talousyksikön toimintaa suunnitellaan ja seurataan.
LisätiedotTeknillinen korkeakoulu T-76.115 Tietojenkäsittelyopin ohjelmatyö. Testitapaukset - Koordinaattieditori
Testitapaukset - Koordinaattieditori Sisällysluettelo 1. Johdanto...3 2. Testattava järjestelmä...4 3. Toiminnallisuuden testitapaukset...5 3.1 Uuden projektin avaaminen...5 3.2 vaa olemassaoleva projekti...6
LisätiedotDeterminantti. Määritelmä
Determinantti Määritelmä Oletetaan, että A on n n-neliömatriisi. Merkitään normaaliin tapaan matriisin A alkioita lyhyesti a ij = A(i, j). (a) Jos n = 1, niin det(a) = a 11. (b) Muussa tapauksessa n det(a)
LisätiedotTEKIJÄNOIKEUSNEUVOSTO LAUSUNTO 2016:2
TEKIJÄNOIKEUSNEUVOSTO LAUSUNTO 2016:2 Asia Hakijat valokuvakehysten tekijänoikeussuoja A Oy Annettu 2.2.2016 Tiivistelmä Taideteollisesti valmistettu suorakaiteen muotoinen, koristeaiheeton valokuvakehys
Lisätiedot58131 Tietorakenteet ja algoritmit Uusinta- ja erilliskoe ratkaisuja (Jyrki Kivinen)
58131 Tietorakenteet ja algoritmit Uusinta- ja erilliskoe 12.9.2018 ratkaisuja (Jyrki Kivinen) 1. [10 pistettä] Iso-O-merkintä. (a) Pitääkö paikkansa, että n 3 + 5 = O(n 3 )? Ratkaisu: Pitää paikkansa.
LisätiedotMetsätuholakiesitys ja monimuotoisuus
Metsätuholakiesitys ja monimuotoisuus Sini Eräjää, 24.1.2013 Lain tarkoitus (1 ) Tämän lain tarkoituksena on metsien hyvän terveydentilan ylläpitäminen ja metsätuhojen torjuminen. (Työryhmämuistio 2012)
Lisätiedotmonitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof.
Epätäydellisen preferenssiinformaation hyödyntäminen monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi 15.1.2018 Ohjaaja: Prof. Kai Virtanen Valvoja: Prof. Kai Virtanen Tausta Päätöspuu
LisätiedotTohtoriohjelman käytänteet vanhaa, uutta, lainattua ja itse keksittyä. OHA-forum 30.9.2015 Oulun yliopistossa Suunnittelija Sirje Liukko
Tohtoriohjelman käytänteet vanhaa, uutta, lainattua ja itse keksittyä OHA-forum 30.9.2015 Oulun yliopistossa Suunnittelija Sirje Liukko Aalto-yliopisto Kemian tekniikan korkeakoulu - Tohtoriohjelmalla
LisätiedotAlgoritmit 2. Luento 12 Ke Timo Männikkö
Algoritmit 2 Luento 12 Ke 26.4.2017 Timo Männikkö Luento 12 Rajoitehaku Kauppamatkustajan ongelma Lyhin virittävä puu Paikallinen etsintä Vaihtoalgoritmit Geneettiset algoritmit Simuloitu jäähdytys Algoritmit
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisihajotelmat: Schur ja Jordan Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi Matriisihajotelmat:
LisätiedotKieli merkitys ja logiikka. 2: Helpot ja monimutkaiset. Luento 2. Monimutkaiset ongelmat. Monimutkaiset ongelmat
Luento 2. Kieli merkitys ja logiikka 2: Helpot ja monimutkaiset Helpot ja monimutkaiset ongelmat Tehtävä: etsi säkillinen rahaa talosta, jossa on monta huonetta. Ratkaisu: täydellinen haku käy huoneet
LisätiedotKÄYTTÖOHJE ILMAVERHOT vesilämmitys R 515 MAN. / AUT.
KÄYTTÖOHJE ILMAVERHOT vesilämmitys R 55 MAN. / AUT. Jäätymissuoja-anturi Termostaatti 0-0 V BMS ON-OFF OVIKOSKETIN 0-0 V ON-OFF BMS -REPORT OUT IN IN IN OUT Ovikosketin mek. / magn. OUT J4 J6 J5 J6 OHJAUS
Lisätiedot"Voiko olla elämää ilman metsiä?" Vuorenmäen koulun 1a luokan ja 1-2 d luokkien ilmiöpohjainen oppimiskokonaisuus Kevät 2015
"Voiko olla elämää ilman metsiä?" Vuorenmäen koulun 1a luokan ja 1-2 d luokkien ilmiöpohjainen oppimiskokonaisuus Kevät 2015 Laaja-alainen oppimiskokonaisuus Laaja-alainen osaaminen vuosiluokilla 1-2 korostaa:
Lisätiedot7.4 Variability management
7.4 Variability management time... space software product-line should support variability in space (different products) support variability in time (maintenance, evolution) 1 Product variation Product
Lisätiedot