Evoluutiovoimat. Ydinkysymykset. Mikä on mutaation, valinnan ja sattuman merkitys evoluutiossa?

Koko: px
Aloita esitys sivulta:

Download "Evoluutiovoimat. Ydinkysymykset. Mikä on mutaation, valinnan ja sattuman merkitys evoluutiossa?"

Transkriptio

1 Evoluutiovoimat Ydinkysymykset Mikä on mutaation, valinnan ja sattuman merkitys evoluutiossa? -sattuman sysäily: populaatiokoon vaikutus -valinta: positiivinen, tasapainottava ja negatiivinen -mutaatiot: neutraalien, positiivisten ja haitallisten mutaatioiden osuus kaikista uusista mutaatioista ja niiden kohtalo -evoluutioteoriat -neutraalihypoteesin testaus

2 2.5 Millä todennäköisyydellä uusi mutaatio fiksoituu (jolloin sillä on merkitystä lajin evoluutiossa)? Tn=?

3 Mutaatioon vaikuttaa yhtä aikaa sekä valinta että äärellisestä populaatiokoosta johtuva ajautuminen. Esim. kodominantin mutaation fiksoitumistodennäköisyys: (,, -genotyyppien fitnessit 1, 1+s, 1+2s) P = (1 - e -4N esq ) / (1-e -4N es ) (Kimura 1962) Fiksoitumistodennäköisyyteen vaikuttavat:

4 Sijoitetaan alkufrekvenssi yhtälöön P = (1 - e -4N esq ) / (1-e -4N es ) alussa on vain yksi mutanttialleeli joten alkufrekvenssi q = 1/(2N) : P = (1-e (-2N es)/n )/(1-e -4N es ) Erikoistapauksia: kun N e = N: P = (1-e -2s )/(1-e -4Ns ) kun s = 0 (neutraaali mutaatio) : P = 1/(2N) /s/ = pieni: P = 2s/(1-e -4Ns ) s = pieni ja positiivinen ja N on suuri: P ~ 2s

5 >> Haitallisen mutaation todennäköisyys fiksoitua on sitä suurempi mitä pienempi populaatio. Esimerkki (GL s. 55) : populaatiossa (N=N e =1000) syntyy uusi mutaatio. Millä todennäköisyydellä se fiksoituu populaatioon kun a) se on neutraali b) sillä on 0,001 kelpoisuusetu c) kun se on haitallinen s = -0,001? (Entä kun N = ?) Vast. a) P=1/(2N) = 1/(2x1000) = 0,0005 (0,00005) b) P=2s = 2x 0,001 = 0,002 (0,002) c) P= (1-e -2s )/(1-e -4Ns )=(1- e -2x-0,001 )/(1-e -4x1000x-0,001 ) = 0, (10-20 ) Katsele laskujen tuloksia ja päättele ovatko seuraavat väittämät oikein vai väärin? >> Edullinen mutaatio fiksoituu aina populaatioon. >> Haitallinen mutaatio ei fiksoidu koskaan.

6 esim. Jos N=1000, neutraali mutaatio: 4000 sukupolvea edullinen mutaatio, s=0,1: 152 sukupolvea edullinen mutaatio, s=0,2: 76 sukupolvea 2.6 Fiksaatioon kuluva aika (ehdollinen fiksaatioaika): Olettaen että mutaatio fiksoituu, kuinka paljon siihen kuluu aikaa? Uuden mutaation alkufrekvenssi on 1/2N. T=? -Neutraalin mutaation fiksaatioon kuluu aikaa t = 4N sukupolvea -Edullisen mutaation fiksaatioon kuluu aikaa t = (2/s)ln(2N) sukupolvea (,, -genotyyppien fitnessit 1, 1+s, 1+2s)

7 2.8 Geenisubstituution nopeus =korvautumisten määrä/aikayksikkö=k Neutraalit mutaatiot Kussakin sukupolvessa syntyy µ mutaatiota/geeni, eli diploidissa populaatiossa 2N µ mutaatiota. Näistä jokaisen fiksaatiotodennäköisyys on 1/2N, joten substituutionopeudeksi saadaan: K = (2N µ ) x (1/2N) = µ >> neutraalievoluution nopeuteen vaikuttaa ainoastaan mutaationopeus

8 Mutaationopeus mutaatiot ovat niin harvinaisia että ei saada helposti tutkittua yhden sukupolven yli mutta voidaan arvioida neutraaleissa alueissa tapahtuneiden nukleotidisubstituutioiden perusteella jos eroamisaika tiedetään. Esim. Kahden lajin eräs pseudogeenialue linjattiin ja havaittiin että 5%:ssa nukleotidipaikoista emäs oli erilainen lajien välillä. Lajit ovat fossiiliaineiston perusteella eronneet 2,5 miljoonaa vuotta sitten. Oletetaan että sukupolvenväli on 1 vuosi. Mikä on mutaationopeus tällä alueella? Vast. Keskimäärin substituutioita/nukleotidipaikka on ~0,05. Substituutionopeus on 0,05/ 2x2,5 milj. v. = 1 x 10-8 subst./nukleotidipaikka/sukupolvi. >>Mutaationopeus = 1 x 10-8 /nukleotidipaikka/sukupolvi

9 Edulliset mutaatiot Mutaatiota syntyy taajuudella 2N µ /sukupolvi ja kunkin fiksoitumistodennäköisyys on 2s. K = 2N µ x 2s = 4Ns µ 1/K on kahden perättäisen geenisubstituution välinen aika.

10 GL s.56 Edullisten ja neutraalien mutaatioiden kohtalo, Nei 1987

11

12 2.9 Evoluutioteoriat Mitkä evoluutiovoimat ovat tärkeimpiä evoluutiossa? Sattuma vai valinta? Ja jos valinta on tärkeä niin millainen valinta? Riippuen siitä mikä painotus annetaan eri evoluutiovoimille, on erilaisia evolutiivisia selitysmalleja. -neutralistit: mutaatio, ajautuminen, puhdistava valinta Sattuma Alleelit -selektionistit: positiivinen ja balansoiva valinta Mutaatio Valinta Negatiivinen Positiivinen Balansoiva

13 Selektionistit Darwinismi (luonnonvalinta) + Mendelismi (mutaatiot synnyttävät uutta muuntelua,mendelin lait) > Neodarwinismi eli synteettinen evoluutioteoria, noudattaa selektionististä ajatusmallia: -substituutiot ovat edullisten alleelien substituutioita -polymorfismit ovat seurausta balansoivasta valinnasta.

14 Neutralistit 1960-l. lähtien löydettiin paljon polymorfismeja proteiinitasolla (allotsyymit) 1968 Mootoo Kimura julkaisi neutraaliteoriansa : -molekyylitasolla suurin osa substituutioista ja lajin sisällä suurin osa polymorfismeista on neutraaleja tai lähes neutraaleja (nearly neutral) Lähes neutraali: /s/ < 1/(2N e ) -alleelifrekvenssien muutokset johtuvat ajautumisesta. -polymorfian määrä riippuu vain populaation efektivisestä koosta ja mutaationopeudesta: θ = 4N e µ (= π mutaation ja driftin tasapainossa vakaassa populaatiossa)

15 Uusien mutaatioiden fitnesarvojen jakaumasta suurin näkemysero: Yhtä mieltä: Suurin osa uusista mutaatioista on haitallisia ja ne poistuvat populaatioista nopeasti > eivät osallistu substituutioihin tai polymorfismeihin merkittävästi. Kiistanalaista: (Tehollisesti) neutraalien ja edullisten mutaatioiden välinen suhde. Frankham s.161

16 Neutraaliteorian testaus: Neutraaliteorian mukaan sekä lajin sisäinen polymorfia että lajien väliset erot ovat neutraaleja tai lähes neutraaleja mutaatioita. Monet neutraaliteorian testit perustuvat siihen että jos mutaatiot ovat neutraaleja, substituutionopeus korreloi positiivisesti lajin sisäisen muuntelun kanssa. Neutr. substituutionopeus (divergenssi lajien välillä) µ Neutraalin muuntelun määrä lajin sisällä 4N e µ

17 HKA-testi Verrataan lajien välisiä eroja lajien sisäiseen muunteluun eri genomin osissa. Jos neutraaliteoria pitää paikkansa, lajin sisäisen polymorfian määrän suhde lajien välisiin eroihin on sama eri genomin osissa. Lokus 1 (mut. nopeus pieni) Lokus 2 (mut. nopeus suuri) Erot Polymorfia Erot Polymorfia

18 Esimerkki: maissi tb 1 Polymorfismi (theta/bp x 1000) Divergenssi (parittaiset erot/bp x 1000) Tb1 NTR Tb1 TU 0,93 2,43 52,5 12,73 X2 = 13,58, P=0,004 Wang et al Nature 398:236 teosintti maissi maissin tb1- mutantti >> Maississa on tb1-geenin NTR alueella vähemmän polymorfiaa kuin odotetaan. Maissin domestikaation aikana on suosittu tiettyä NTR-alueen mutaatiota. Mutaation nopea fiksoituminen on aiheuttanut polymorfian vähenemisen ympäröivältäkin alueelta.

19 McDonaldin ja Kreitmanin testi: Verrataan proteiinia koodaavaa aluetta kahdessa lajissa. Jos neutraaliteoria pitää paikkansa, lajien välisten synonyymisten ja eisynonyymisten fiksoitujen erojen suhde on sama kuin synonyymisten ja ei-synonyymisten polymorfismien suhde. Synonyyminen: emäsmuutos ei johda aminohapon muutokseen. Neutraaleja. Ei-synonyyminen: emäsmuutos johtaa aminohapon muutokseen. Osa haitallisia, ne karsiutuvat nopeasti eivätkä ole polymorfisia tai fiksoidu lajien välille. Lajien erot Polymorfia Syn. Ei-syn. Syn. Ei-syn.

20 Esim. Drosophila melanogaster ja D. simulans, glukoosi- 6-fosfaattidehydrogenaasi-lokus GL s.64 >> ei-synonyymisiä eroja lajien välillä on enemmän kuin neutraaliteorian mukaan odotetaan, joten päätellään että lajien välillä on tapahtunut aminohappokorvautumisia positiivisen suuntaavan valinnan tuloksena.

21 Kirjallisuutta: James F. Crow Mid-Century Controversies in Population Genetics. Annual Review of Genetics 42 (doi: /annurev.genet ) Hughes AL Near neutrality: leading edge of the neutral theory of molecular evolution. Ann N Y Acad Sci. 1133:

Evoluutiovoimat. Mikä on mutaation, valinnan ja sattuman merkitys evoluutiossa?

Evoluutiovoimat. Mikä on mutaation, valinnan ja sattuman merkitys evoluutiossa? Evoluutiovoimat Mikä on mutaation, valinnan ja sattuman merkitys evoluutiossa? -sattuman sysäily: populaatiokoon vaikutus -valinta: positiivinen, tasapainottava ja negatiivinen -mutaatiot: neutraalien,

Lisätiedot

Molekyylipopulaatiogenetiikka

Molekyylipopulaatiogenetiikka Molekyylipopulaatiogenetiikka Hedrick 2005, kappale 8, pp. 452-462, 428-449 Demografian ja valinnan vaikutukset koalesenssipuihin Valinnan havaitseminen TajimanD Divergenssin ja polymorfismin vertailu

Lisätiedot

Molekyylievoluutio. (753327A, S), 4 op syksy Photo Marie-Hélène Müller

Molekyylievoluutio. (753327A, S), 4 op syksy Photo Marie-Hélène Müller Molekyylievoluutio (753327A, 753627S), 4 op syksy 2011 Photo Marie-Hélène Müller Molekyylievoluutio (753327A, 753627S), 4 op, syksy 2011 -Helmi Kuittinen p. 553 1803, PT312, helmi.kuittinen@oulu.fi harj.

Lisätiedot

Sekvenssievoluutio ja fylogeniat

Sekvenssievoluutio ja fylogeniat Sekvenssievoluutio ja fylogeniat Miksi sekvenssien evoluutionopeus vaihtelee? -erot korvautumisnopeudessa geenien tai geenin eri osien välillä, -erot korvautumisnopeudessa eri fylogeneettisten linjojen

Lisätiedot

III Perinnöllisyystieteen perusteita

III Perinnöllisyystieteen perusteita Perinnöllisyystieteen perusteita III Perinnöllisyystieteen perusteita 15. Populaatiogenetiikka ja evoluutio 1. Avainsanat 2. Evoluutio muuttaa geenipoolia 3. Mihin valinta kohdistuu? 4. Yksilön muuntelua

Lisätiedot

Darwin nuorena. Darwinin syntymästä on 201 vuotta ja "Lajien synnystä" 151 vuotta.

Darwin nuorena. Darwinin syntymästä on 201 vuotta ja Lajien synnystä 151 vuotta. Darwin nuorena Darwinin syntymästä on 201 vuotta ja "Lajien synnystä" 151 vuotta. Evoluutio on dynaaminen prosessi, joka pohjautuu populaatiogenetiikkaan Darwinin suurin ansio oli luonnonvalinta adaptaation

Lisätiedot

Evoluutio. BI Elämä ja evoluutio Leena Kangas-Järviluoma

Evoluutio. BI Elämä ja evoluutio Leena Kangas-Järviluoma Evoluutio BI Elämä ja evoluutio Leena Kangas-Järviluoma 1 Evoluutio lajinkehitystä, jossa eliölajit muuttuvat ja niistä voi kehittyä uusia lajeja on jatkunut elämän synnystä saakka, sillä ei ole päämäärää

Lisätiedot

Sekvenssievoluutio ja fylogeniat

Sekvenssievoluutio ja fylogeniat Sekvenssievoluutio ja fylogeniat Miksi ja miten nukleotidikorvautumiset lasketaan havaittujen sekvenssierojen perusteella? -sekvenssien linjaus -mitä eroa on eroilla ja korvautumisilla - nukleotidikorvautumisten

Lisätiedot

Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi.

Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi. 9.10.2018/1 MTTTP1, luento 9.10.2018 KERTAUSTA TESTAUKSESTA, p-arvo Asetetaan H 0 H 1 Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi. Lasketaan otoksesta testisuureelle arvo. 9.10.2018/2

Lisätiedot

Lataa Evoluutiobiologia - Mats Björklund. Lataa

Lataa Evoluutiobiologia - Mats Björklund. Lataa Lataa Evoluutiobiologia - Mats Björklund Lataa Kirjailija: Mats Björklund ISBN: 9789524950763 Sivumäärä: 260 Formaatti: PDF Tiedoston koko: 29.63 Mb Evoluutioteoria on kaikkea biologista tietoa yhdistävä

Lisätiedot

Perinnöllisyyden perusteita

Perinnöllisyyden perusteita Perinnöllisyyden perusteita Eero Lukkari Tämä artikkeli kertoo perinnöllisyyden perusmekanismeista johdantona muille jalostus- ja terveysaiheisille artikkeleille. Koirien, kuten muidenkin eliöiden, perimä

Lisätiedot

Evolutiivinen stabiilisuus populaation

Evolutiivinen stabiilisuus populaation Antti Toppila sivu 1/20 Optimointiopin seminaari Syksy 2008 Evolutiivinen stabiilisuus populaation määrittämisessä Antti Toppila 24.9.2008 Antti Toppila sivu 2/20 Optimointiopin seminaari Syksy 2008 Sisältö

Lisätiedot

Mitä (biologinen) evoluutio on?

Mitä (biologinen) evoluutio on? Mitä (biologinen) evoluutio on? Näinkö se menee? - (Erityisesti evoluutioteorian alkuaikoina) eliölajien muuttumista ajan kuluessa. - Nykyisin populaatioiden geenikoostumuksen muutosta ajan kuluessa (kun

Lisätiedot

LUOMINEN JA EVOLUUTIO

LUOMINEN JA EVOLUUTIO LUOMINEN JA EVOLUUTIO Maailman syntyminen on uskon asia Evoluutioteoria Luominen Teoria, ei totuus Lähtökohta: selittää miten elollinen maailma olisi voinut syntyä, jos mitään yliluonnollista ei ole Ei

Lisätiedot

Evoluutio ja luominen. Mian tekemä esitys Jannen esittämänä

Evoluutio 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

Lisätiedot

Evoluutioteorian kehitys Darwinista nykypäivään

Evoluutioteorian kehitys Darwinista nykypäivään Evoluutioteorian kehitys Darwinista nykypäivään Petter Portin Charles Darwin (1809 82) on oikeutetusti evoluutioteorian isä. Silti hän ei ole ensimmäinen, joka esitti ajatuksen eliökunnan vähittäisestä

Lisätiedot

S Laskennallinen systeemibiologia

S Laskennallinen systeemibiologia S-114.2510 Laskennallinen systeemibiologia 3. Harjoitus 1. Koska tilanne on Hardy-Weinbergin tasapainossa luonnonvalintaa lukuunottamatta, saadaan alleeleista muodostuvien eri tsygoottien genotyyppifrekvenssit

Lisätiedot

Mutaatio. PopGen Original slides by Outi Savolainen

Mutaatio. PopGen Original slides by Outi Savolainen Mutaatio PopGen 2011 17.11.2011 Original slides by Outi Savolainen Mutaatio 1. Satunnainen: spontaani ja indusoitu mutaatio 2. Mutaation luonne: erilaisia malleja 3. Mutaatiotaajuuden estimointi 4. Mutaatio

Lisätiedot

Sukusiitostaantuma mikä, miksi, milloin?

Sukusiitostaantuma mikä, miksi, milloin? Sukusiitostaantuma mikä, miksi, milloin? Katariina Mäki 2008 Artikkeli pohjautuu tanskalaisten kotieläintieteilijöiden Kristensenin ja Sørensenin tekemään katsaukseen sukusiitoksesta. He ovat yhdistelleet

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 6.10.2015/1 MTTTP1, luento 6.10.2015 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla

Lisätiedot

Steven Kelly & Mia+Janne

Steven Kelly & Mia+Janne Luomisoppi evoluutio Steven Kelly & Mia+Janne Tämä ei ole väittely! Pidetään kiinni yhteisestä uskosta: Alussa Jumala loi Se, että on Luoja, ratkaisee paljon: käytetään sitä rohkeasti apologiassa Eri mielipiteitä

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla

Lisätiedot

Naudan perinnöllisen monimuotoisuuden tutkimus

Naudan perinnöllisen monimuotoisuuden tutkimus Naudan perinnöllisen monimuotoisuuden tutkimus Terhi Iso-Touru 25.5.2012 Emeritusprofessori Kalle Maijalan 85-vuotisjuhlaseminaari Naudan domestikaatio eli kesyttäminen yli 45 kiloa painavia kasvinsyöjälajeja

Lisätiedot

Ihmisten erilaisuuden geneettinen perusta

Ihmisten erilaisuuden geneettinen perusta hmisten erilaisuuden geneettinen perusta etter ortin hmisen genomin tutkimus on astunut uuteen vaiheeseen kun on alettu tutkia ihmisen geneettisen monimuotoisuuden määrää ja laatua. seita tätä tutkimushanketta

Lisätiedot

Siirtogeenisten puiden ympäristövaikutukset

Siirtogeenisten puiden ympäristövaikutukset Helmi Kuittinen Siirtogeenisten puiden ympäristövaikutukset e e m t a Aluksi Riskinarvioinnissa arvioidaan siirtogeenisen materiaalin käytön ympäristö-(ja terveys)vaikutuksia. Kunkin siirtogeenisen puun

Lisätiedot

Patogeenisten bakteerien evoluutio isännän sisällä

Patogeenisten bakteerien evoluutio isännän sisällä Patogeenisten bakteerien evoluutio isännän sisällä Ida Holmberg Oulun yliopisto 750376A LuK-tutkielma Kevät 2017 Avainsanat: antibioottiresistenssi, luonnonvalinta, mutaatio, virulenssi 1 Sisällysluettelo

Lisätiedot

Laboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät

Laboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät Jarmo Koskiniemi Maataloustieteiden laitos Helsingin yliopisto 0504151624 jarmo.koskiniemi@helsinki.fi 03.12.2015 Kolkunjoen taimenten geneettinen analyysi Näytteet Mika Oraluoma (Vesi-Visio osk) toimitti

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1 Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää

Lisätiedot

Biologia. Pakolliset kurssit. 1. Eliömaailma (BI1)

Biologia. Pakolliset kurssit. 1. Eliömaailma (BI1) Biologia Pakolliset kurssit 1. Eliömaailma (BI1) tuntee elämän tunnusmerkit ja perusedellytykset sekä tietää, miten elämän ilmiöitä tutkitaan ymmärtää, mitä luonnon monimuotoisuus biosysteemien eri tasoilla

Lisätiedot

Miten geenit elelevät populaatioissa, vieläpä pitkiä aikoja?

Miten geenit elelevät populaatioissa, vieläpä pitkiä aikoja? Miten geenit elelevät populaatioissa, vieläpä pitkiä aikoja? Populaatio on lisääntymisyhteisö ja lisääntymisjatkumo Yksilöt ovat geenien tilapäisiä yhteenliittymiä, mutta populaatiossa geenit elelevät

Lisätiedot

Miten letaalialleeleita käsitellään Drosophilalla? Välttämätön taito esimerkiksi alkionkehityksen alkuvaiheiden selvittämisessä

Miten letaalialleeleita käsitellään Drosophilalla? Välttämätön taito esimerkiksi alkionkehityksen alkuvaiheiden selvittämisessä Miten letaalialleeleita käsitellään Drosophilalla? Välttämätön taito esimerkiksi alkionkehityksen alkuvaiheiden selvittämisessä Balansoitu kanta Koejärjestely perustuu ns. balansoidun kannan käyttöön.

Lisätiedot

4. Evoluutioteoria. 4.1. Mitä evoluutio on? 4.2. Tieteellisen teorian yleisiä ominaisuuksia 4.3. Evoluutioteorian historiaa 4.4. Mitä darwinismi on?

4. Evoluutioteoria. 4.1. Mitä evoluutio on? 4.2. Tieteellisen teorian yleisiä ominaisuuksia 4.3. Evoluutioteorian historiaa 4.4. Mitä darwinismi on? 4. Evoluutioteoria 4.1. Mitä evoluutio on? 4.2. Tieteellisen teorian yleisiä ominaisuuksia 4.3. Evoluutioteorian historiaa 4.4. Mitä darwinismi on? 4.4.1. Jatkuva muutos 4.4.2. Yhteinen alkuperä 4.4.3.

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

vauriotyypit Figure 5-17.mhc.restriktio 9/24/14 Autoimmuniteetti Kudosvaurion mekanismit Petteri Arstila Haartman-instituutti Patogeeniset mekanismit

vauriotyypit Figure 5-17.mhc.restriktio 9/24/14 Autoimmuniteetti Kudosvaurion mekanismit Petteri Arstila Haartman-instituutti Patogeeniset mekanismit vauriotyypit Kudosvaurion mekanismit Autoimmuniteetti Petteri Arstila Haartman-instituutti Antigeenin tunnistus HLA:ssa pitää sisällään autoimmuniteetin riskin: jokaisella on autoreaktiivisia lymfosyyttejä

Lisätiedot

Neandertalinihmisen ja nykyihmisen suhde molekyyligenetiikan valossa

Neandertalinihmisen ja nykyihmisen suhde molekyyligenetiikan valossa Neandertalinihmisen ja nykyihmisen suhde molekyyligenetiikan valossa Petter Portin Kysymys siitä, ovatko nykyihminen (Homo sapiens) ja neandertalinihminen (Homo neanderthalensis) kaksi eri lajia vai saman

Lisätiedot

Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri

Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri Taustaa: NMDD-projekti 2011-2012 Rahoitus: pohjoismaiden ministerineuvosto Vast.tutkija: Maarten Nauta, DTU Epävarmuusanalyysin Bayes-mallinnus,

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen

Lisätiedot

Evolutiivisesti stabiilin strategian oppiminen

Evolutiivisesti stabiilin strategian oppiminen Evolutiivisesti stabiilin strategian oppiminen Janne Laitonen 8.10.2008 Maynard Smith: s. 54-60 Johdanto Käytös voi usein olla opittua perityn sijasta Tyypillistä käytöksen muuttuminen ja riippuvuus aikaisemmista

Lisätiedot

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen) 1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi

Lisätiedot

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden 1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella

Lisätiedot

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka

Lisätiedot

Markov-ketjut pitkällä aikavälillä

Markov-ketjut pitkällä aikavälillä 2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin

Lisätiedot

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita

Lisätiedot

1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x

1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X

Lisätiedot

/1. MTTTP5, luento Kertausta. Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin

/1. MTTTP5, luento Kertausta. Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin 30.11.2017/1 MTTTP5, luento 30.11.2017 Kertausta H 0 : µ = µ 0 Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin = / ~ 0,1. Kaava 5.1 30.11.2017/2 Esim. Tutkija

Lisätiedot

DNA RNA proteiinit transkriptio prosessointi translaatio regulaatio

DNA RNA proteiinit transkriptio prosessointi translaatio regulaatio replikaatio repair mitoosi meioosi fertilisaatio rekombinaatio repair mendelistinen genetiikka DNA-huusholli Geenien toiminta molekyyligenetiikka DNA RNA proteiinit transkriptio prosessointi translaatio

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio 17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla

Lisätiedot

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu 1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)

Lisätiedot

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely 3.12.2018/1 MTTTP5, luento 3.12.2018 6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely H 0 : = 0 Oletetaan, että populaatiossa viallisia %. Olkoon X 1, X

Lisätiedot

Suomalaisen maatiaiskanan säilytysohjelman koulutuspäivä, Riihimäki, 25.10.2014 Pasi Hellstén

Suomalaisen maatiaiskanan säilytysohjelman koulutuspäivä, Riihimäki, 25.10.2014 Pasi Hellstén Suomalaisen maatiaiskanan säilytysohjelman koulutuspäivä, Riihimäki, 25.10.2014 Pasi Hellstén Sisäsiittoisuudella tarkoitetaan perinnöllisyystieteessä lisääntymistä, jossa pariutuvat yksilöt ovat enemmän

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

Lisätiedot

Avainsanojen poimiminen Eeva Ahonen

Avainsanojen poimiminen Eeva Ahonen Avainsanojen poimiminen 5.10.2004 Eeva Ahonen Sisältö Avainsanat Menetelmät C4.5 päätöspuut GenEx algoritmi Bayes malli Testit Tulokset Avainsanat Tiivistä tietoa dokumentin sisällöstä ihmislukijalle hakukoneelle

Lisätiedot

Tilastollinen testaaminen tai Tilastollinen päättely. Geneettinen analyysi

Tilastollinen testaaminen tai Tilastollinen päättely. Geneettinen analyysi Tilastollinen testaaminen tai Tilastollinen päättely Geneettinen analyysi Tilastollisen testaamisen tarkoitus Tilastollisten testien avulla voidaan tutkia otantapopulaatiota (perusjoukkoa) koskevien väittämien

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010 TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Evoluutiopohjainen monitavoiteoptimointi MCDM ja EMO Monitavoiteoptimointi kuuluu

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014 1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

Diskreettiaikainen dynaaminen optimointi

Diskreettiaikainen dynaaminen optimointi Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u

Lisätiedot

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0. 806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

Näihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8,

Näihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8, TKK, Matematiikan laitos Gripenberg/Harhanen Mat-1.432 Matematiikan peruskurssi K2 Harjoitus 4, (A=alku-, L=loppuviikko, T= taulutehtävä, P= palautettava tehtävä, W= verkkotehtävä ) 12 16.2.2007, viikko

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

x 7 3 4x x 7 4x 3 ( 7 4)x 3 : ( 7 4), 7 4 1,35 < ln x + 1 = ln ln u 2 3u 4 = 0 (u 4)(u + 1) = 0 ei ratkaisua

x 7 3 4x x 7 4x 3 ( 7 4)x 3 : ( 7 4), 7 4 1,35 < ln x + 1 = ln ln u 2 3u 4 = 0 (u 4)(u + 1) = 0 ei ratkaisua Mallivastaukset - Harjoituskoe E E a) x 7 3 4x x 7 4x 3 ( 7 4)x 3 : ( 7 4), 7 4,35 < 0 x 3 7 4 b) 0 / x + dx = 0 ln x + = ln + ln 0 + = ln 0 Vastaus: ln c) x 4 3x 4 = 0 Sijoitetaan x = u Tulon nollasääntö

Lisätiedot

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: 4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2

Lisätiedot

Virkaanastujaisesitelmä Anneli Hoikkala. Evoluutotutkimus: ekologiaa ja molekyyligenetiikkaa

Virkaanastujaisesitelmä Anneli Hoikkala. Evoluutotutkimus: ekologiaa ja molekyyligenetiikkaa Virkaanastujaisesitelmä 26.10.2003 Anneli Hoikkala Evoluutotutkimus: ekologiaa ja molekyyligenetiikkaa Evoluutiotutkimus on ollut kauan hyvin kiistelty tieteen ala. Evoluutioteoria on tuonut uudenlaisen

Lisätiedot

läheisyydessä. Piirrä funktio f ja nämä approksimaatiot samaan kuvaan. Näyttääkö järkeenkäyvältä?

läheisyydessä. Piirrä funktio f ja nämä approksimaatiot samaan kuvaan. Näyttääkö järkeenkäyvältä? BM20A5840 - Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2017 1. Tunnemme vektorit a = [ 1 2 3 ] ja b = [ 2 1 2 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien

Lisätiedot

52746 Geneettinen analyysi

52746 Geneettinen analyysi 52746 Geneettinen analyysi Kaikille yhteiset luennot (3 kpl) Maanantai 3.2. Klo 10.15-12 Biokeskus 2 auditorio 1041 Todennäköisyyslaskennan kertaus, merkitys perinnöllisyystieteessä! Keskiviikko 5.2. Tilastotiede

Lisätiedot

E p1 = 1 e 2. e 2. E p2 = 1. Vuorovaikutusenergian kolme ensimmäistä termiä on siis

E p1 = 1 e 2. e 2. E p2 = 1. Vuorovaikutusenergian kolme ensimmäistä termiä on siis 763343A IINTEÄN AINEEN FYSIIA Ratkaisut 3 evät 2017 1. Tehtävä: CsCl muodostuu Cs + - ja Cl -ioneista, jotka asettuvat tilakeskeisen rakenteen vuoropaikoille (kuva). Laske tämän rakenteen Madelungin vakion

Lisätiedot

Evoluutiopuu. Aluksi. Avainsanat: biomatematiikka, päättely, kombinatoriikka, verkot. Luokkataso: 6.-9. luokka, lukio

Evoluutiopuu. Aluksi. Avainsanat: biomatematiikka, päättely, kombinatoriikka, verkot. Luokkataso: 6.-9. luokka, lukio Evoluutiopuu Avainsanat: biomatematiikka, päättely, kombinatoriikka, verkot Luokkataso: 6.-9. luokka, lukio Välineet: loogiset palat, paperia, kyniä Kuvaus: Tehtävässä tutkitaan bakteerien evoluutiota.

Lisätiedot

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2 MS-C50 Osittaisdifferentiaaliyhtälöt Harjoitukset syksy 07. Oletetaan että vektorikenttä E E E E : R R on kaksi kertaa jatkuvasti derivoituva E C R. Näytä että E E. Derivaatat lasketaan komponenteittain

Lisätiedot

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai

Lisätiedot

Sukusiitoksesta sukulaistumiseen - jalostustietojärjestelmä työkaluna. Rovaniemi Susanna Back, Suomen Hippos ry

Sukusiitoksesta sukulaistumiseen - jalostustietojärjestelmä työkaluna. Rovaniemi Susanna Back, Suomen Hippos ry Sukusiitoksesta sukulaistumiseen - jalostustietojärjestelmä työkaluna Rovaniemi 22.3.2018 Susanna Back, Suomen Hippos ry Sukulaisuussuhde Kahden yksilön yhteisten geenien todennäköinen osuus Riippuu eläinten

Lisätiedot

Tilastollisia peruskäsitteitä ja Monte Carlo

Tilastollisia peruskäsitteitä ja Monte Carlo Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia

Lisätiedot

A130A0650-K Tilastollisen tutkimuksen perusteet 6 op Tentti / Anssi Tarkiainen & Maija Hujala

A130A0650-K Tilastollisen tutkimuksen perusteet 6 op Tentti / Anssi Tarkiainen & Maija Hujala Kaavakokoelma, testinvalintakaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1 a) Konepajan on hyväksyttävä alihankkijalta saatu tavaraerä, mikäli viallisten komponenttien

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä Sekalaiset tehtävät, 11. syyskuuta 005, sivu 1 / 13 Tehtäviä Tehtävä 1. Johda toiseen asteen yhtälön ax + bx + c = 0, a 0 ratkaisukaava. Tehtävä. Määrittele joukon A R pienin yläraja sup A ja suurin alaraja

Lisätiedot

3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4

3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4 Ü µ ½ ¾Ü¾µ Ü¾Ê 3.11.2006 1. Satunnaismuuttujan tiheysfunktio on ¼ ļ ܽ ܾ ÜÒµ Ä Ü½ ÜÒµ Ò Ä Ü½ ܾ ÜÒµ ܽ µ ܾ µ ÜÒ µ Ò missä tietenkin vaaditaan, että ¼. Muodosta :n ¾Ä ܽ ÜÒµ Ò ½¾ ܾ Ò ½ ¾Ü¾½µ ½ ¾Ü¾Òµ

Lisätiedot

&idx=2&uilang=fi&lang=fi&lvv=2015

&idx=2&uilang=fi&lang=fi&lvv=2015 20.10.2015/1 MTTTP5, luento 20.10.2015 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa

Lisätiedot

811120P Diskreetit rakenteet

811120P Diskreetit rakenteet 811120P Diskreetit rakenteet 2016-2017 ari.vesanen (at) oulu.fi 5. Rekursio ja induktio Rekursio tarkoittaa jonkin asian määrittelyä itseensä viittaamalla Tietojenkäsittelyssä algoritmin määrittely niin,

Lisätiedot

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2 HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.

Lisätiedot

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

x 4 e 2x dx Γ(r) = x r 1 e x dx (1) HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1

Lisätiedot

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: 4. Tyhjentyvyys Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: Voidaanko päätelmät perustaa johonkin tunnuslukuun t = t(y) koko aineiston y sijasta? Mitä

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 6 1 Korkolaskentaa Oletetaan, että korkoaste on r Jos esimerkiksi r = 0, 02, niin korko on 2 prosenttia Tätä korkoastetta käytettään diskonttaamaan tulevia tuloja ja

Lisätiedot

MTTTP5, luento Luottamusväli, määritelmä

MTTTP5, luento Luottamusväli, määritelmä 23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A

Lisätiedot

Markov-kustannusmallit ja kulkuajat

Markov-kustannusmallit ja kulkuajat 2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua

Lisätiedot

MAA2.3 Koontitehtävät 2/2, ratkaisut

MAA2.3 Koontitehtävät 2/2, ratkaisut MAA.3 Koontitehtävät /, ratkaisut. (a) 3x 5x 4 = 0 x = ( 5) ± ( 5) 4 3 ( 4) 6 (b) (x 4) = (x 4)(x + 4) (x 4)(x 4) = (x 4)(x + 4) x 8x + 6 = x 6 x 6 8x = 3 : 8 x = 4 = 5 ± 73 6 (c) 4 x + x + = 0 4 x + 4x

Lisätiedot

Kuva 1: Yksinkertainen siniaalto. Amplitudi kertoo heilahduksen laajuuden ja aallonpituus

Kuva 1: Yksinkertainen siniaalto. Amplitudi kertoo heilahduksen laajuuden ja aallonpituus Kuva 1: Yksinkertainen siniaalto. Amplitudi kertoo heilahduksen laajuuden ja aallonpituus värähtelytiheyden. 1 Funktiot ja aallot Aiemmin käsiteltiin funktioita ja miten niiden avulla voidaan kuvata fysiikan

Lisätiedot

Evoluutioteorian todennäköisyydestä

Evoluutioteorian todennäköisyydestä Evoluutioteorian todennäköisyydestä Esipuhe Evoluutioteoriaa voidaan kritisoida erityisen hyvin käyttämällä apuna todennäköisyyslaskentaa. Evoluutioteorian mukaan elämän synty ja lajien monimuotoisuus

Lisätiedot

Demonstraatiot Luento 7 D7/1 D7/2 D7/3

Demonstraatiot Luento 7 D7/1 D7/2 D7/3 TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 7 7.2.2008 D7/ Tarkastellaan piirikytkentäisen järjestelmän n-kanavaista

Lisätiedot

Esimerkki: Tietoliikennekytkin

Esimerkki: Tietoliikennekytkin Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen

Lisätiedot

Positional cloning. Pedigreessä etenevä ominaisuus kartoitetaan ensin karkeasti ja sitten tehdään yhä tarkempaa työtä molekyylimarkkereilla.

Positional cloning. Pedigreessä etenevä ominaisuus kartoitetaan ensin karkeasti ja sitten tehdään yhä tarkempaa työtä molekyylimarkkereilla. Positional cloning Pedigreessä etenevä ominaisuus kartoitetaan ensin karkeasti ja sitten tehdään yhä tarkempaa työtä molekyylimarkkereilla. Lopulta kohdegeeni sekvensoidaan ja mutaatio tai mutaatiot tunnistetaan

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015

https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa

Lisätiedot

T Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1

T Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1 T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:

Lisätiedot

Kvantitatiivinen genetiikka

Kvantitatiivinen genetiikka Kvantitatiivinen genetiikka - määrällisten ominaisuuksien periytymisen hallinta - mendelismi oli aluksi vastatuulessa siksi että darwinistit, joilla oli paljon valtaa Britanniassa, olivat tottuneet määrällisen

Lisätiedot

Geenikartoitusmenetelmät. Kytkentäanalyysin teoriaa. Suurimman uskottavuuden menetelmä ML (maximum likelihood) Uskottavuusfunktio: koko aineisto

Geenikartoitusmenetelmät. Kytkentäanalyysin teoriaa. Suurimman uskottavuuden menetelmä ML (maximum likelihood) Uskottavuusfunktio: koko aineisto Kytkentäanalyysin teoriaa Pyritään selvittämään tiettyyn ominaisuuteen vaikuttavien eenien paikka enomissa Perustavoite: löytää markkerilokus jonka alleelit ja tutkittava ominaisuus (esim. sairaus) periytyvät

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin

Lisätiedot

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 8, MALLIRATKAISUT Tehtävä. Oletetaan että uv on neliö ja (u, v) =. Osoita, että kumpikin luvuista u ja v on neliö. Ratkaisu. Olkoon p i alkuluku, joka jakaa luvun

Lisätiedot