Sekvenssievoluutio ja fylogeniat
|
|
- Riitta Helmi Myllymäki
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Sekvenssievoluutio ja fylogeniat Miksi ja miten nukleotidikorvautumiset lasketaan havaittujen sekvenssierojen perusteella? -sekvenssien linjaus -mitä eroa on eroilla ja korvautumisilla - nukleotidikorvautumisten arviointi nukleotidieroista (Jukes-Cantor, Kimura-2-P-menetelmät) -nukleotidikorvautumisten arviointi synonyymisissä ja ei synonyymisissä paikoissa -mitä menetelmää käytetään?
2 3.2. Korvautumiset proteiinia koodaavalla alueella Nukleotidipaikkojen luokittelu synonyymisiksi/eisynonyymisiksi Koodaavalla alueella erotetaan: -synonyymiset erot M S / synonyyminen nukleotidipaikka N S -ei-synonyymiset erot M A / ei-synonyyminen nukleotidipaikka N A Ser Thr Glu Met Cys Leu TCA ACT GAG ATG TGT TTA TCG ACA GAG ATA TGT CTA Ser Thr Glu Ile Cys Leu
3
4
5 Nukleotidipaikkojen luokittelu synonyymisiksi/ei-synonyymisiksi ei ole suoraviivaista, koska 1) tilanne muuttuu ajan myötä esim. CGG(Arg) >TGG(Trp) 3. paikka on ensin synonyyminen, sitten ei-synonyyminen 2) paikat eivät aina ole täydellisesti synonyymisiä tai eisynonyymisiä esim. 3. paikka 1/3 syn. 2/3 ei-syn. GAT(Asp) > GAC(Asp) GAG(Glu) GAA(Glu)
6 i = mahdollisten synonyymisten muutosten määrä nukleotidipaikassa Paikka on i/3 synonyyminen ja (3-i)/3 ei-synonyyminen Esim. TTT Esim. ACT Kun verrataan kahta sekvenssiä, lasketaan synonyymisten ja eisynonyymisten paikkojen määrä erikseen kahdessa sekvenssissä ja otetaan niistä keskiarvo
7 Nukleotidierojen luokittelu synonyymisiksi vs. ei-synonyymisiksi Helppoa kun vain yksi nukleotidiero kodonia kohti Esim. GTC(Val) > GTT(Val) Esim. GTC(Val) > GCC(Ala) Jos useampi kuin yksi ero/kodoni, täytyy määritellä järjestys jossa substituutiot ovat tapahtuneet Esim. CCC(Pro) > CAA(Gln) I vaihtoehto: CCC(Pro) <> CCA(Pro) <> CAA(Gln) 1 syn ja 1 ei-syn subst. II vaihtoehto: CCC(Pro) <> CAC(His) <> CAA(Gln) 2 ei-syn. subst.
8 Ratkaisumahdollisuudet: 1) Nei ja Gojobori (1986) Kumpikin tie on yhtä todennäköinen (painottamaton menetelmä) CCC(Pro) > CAA(Gln): 0,5(1 syn.+1 ei-syn.)+0,5(2 ei-syn.) > 1,5 ei-syn. ja 0,5 syn. ero 1) Painotetaan sitä tietä joka on etukäteen päätetyllä kriteerillä todennäköisempi (painotettu menetelmä) Eri kodonivaihtumisten todennäköisyyksistä on empiiristä tietoa, voidaan käyttää hyväksi.
9 Esim. Kun kaikki 3 nukleotidia kodonissa ovat vaihtuneet CTT > AGG 1) CTT(Leu) <> ATT(Ile) <> AGT(Ser) <> AGG(Arg) 2) CTT(Leu) <> ATT(Ile) <> ATG(Met) <> AGG(Arg) 3) CTT(Leu) <> CGT(Arg) <> AGT(Ser) <> AGG(Arg) 4) CTT(Leu) <> ATT(Leu) <> AGT(Met) <> AGG(Arg) 5) CTT(Leu) <> ATT(Arg) <> AGT(Arg) <> AGG(Arg) 6) CTT(Leu) <> ATT(Leu) <> AGT(Arg) <> AGG(Arg)
10 K A :n ja K S :n laskeminen käyttäen Jukesin ja Cantorin korjausta Lasketaan -synonyymiset erot M S -synonyymiset nukleotidipaikat N S -ei-synonyymiset erot M A -ei-synonyymiset nukleotidipaikat N A -syn. erot/syn. nukleotidipaikka: p S = M S / N S -ei-syn. erot/ei-syn. nukleotidipaikka p A = M A / N A substituutiot: -K S = - ¾ ln(1 (4/3) p S ) -K A = - ¾ ln(1 (4/3) p A )
11 K A :n ja K S :n laskeminen luokittelemalla nukleotidipaikat degeneraation mukaan, ja nukleotidierot transitioiksi ja transversioiksi. (Li et al. 1985) -hyöty: voidaan käyttää Kimuran 2 parametrin mallia 0-degener. 2-degener. 4-degener. ts tv ts tv ts tv EROT > SUBSTITUUTIOT ei-syn. transitiot syn. syn. transversiot ei-syn
12 Degeneraatio UUU Phe 3/3 ei-syn. 0-kert. degeneroitunut UCU Ser (0-fold degenerate) UAU Tyr UGU Cys UUU Phe 1/3 syn. 2/3 ei-syn. 2-kert. degeneroitunut UUC UUA Leu UUG UCU Ser 3/3 syn. 4-kert. degeneroitunut UCC UCA UCG
13 1) Luokitellaan nukleotidipaikat: Ei-degeneroitunut nukleotidipaikka: kaikki muutokset ovat eisynonyymisiä Kaksinkertaisesti degeneroitunut nukleotidipaikka: yksi muutoksista on synonyyminen. (Erikoistapaus: Ileu 3. paikka luetaan tähän kategoriaan, vaikka on oikeasti kolminkertaisesti degeneroitunut) Nelinkertaisesti degeneroitunut nukleotidipaikka: Kaikki kolme muutosta ovat synonyymisiä. Esim. TTT (Phe) 1. ja 2. paikka ei-degener. 3. paikka kaksinkert. degener. GTT (Val) 3. paikka nelinkert. degener. >>>Lasketaan montako 0-, 2 ja 4-kertaisesti degeneroitunutta nukleotidipaikkaa kahdessa sekvenssissä on keskimäärin: Lasketaan erikseen kahdessa sekvenssissä montako 0, 2 tai 4- kertaisesti degeneroitunutta nukleotidipaikkaa niissä on ja otetaan sekvenssien keskiarvo > L 0, L 2 ja L 4.
14 2) Lasketaan transitiot (S i ) ja transversiot (V i ) i kertaisesti degeneroituneissa nukleotidipaikoissa (i=0, 2 ja 4) kahden sekvenssin välillä koska -ei-degeneroituneissa paikoissa: kaikki substituutiot ovat ei-synonyymisiä -4-kertaisesti degeneroituneissa paikoissa: kaikki substituutiot ovat synonyymisiä -2-kertaisesti degeneroituneissa paikoissa: -selkärankaisten mitokondrioissa transitiot (C<>T,A<>G) ovat synonyymisiä ja transversiot (C<>A, C<>G, T<>A, T<>G) eisynonyymisiä.
15 -Universaalissa koodissa on kaksi poikkeusta: 1) Arg (CGA, CGG, AGA, AGG) 1. paikka: transversio C<>A on synonyyminen; toinen transversio C>G (A>T) on eisynonyyminen) 2) Ileu (ATT, ATC, ATA) : 3. paikka: C<>A transversio luetaan S 2 :een (transitioksi), C<>T ja C<>G V 2 :een (transversioksi). T>C, T>A, C>A luetaan S 2 :een (transitioksi) T>G, C>G, A>G luetaan V 2 :een (transversioksi)
16 3) Lasketaan transitioerot/ i-kertaisesti degeneroitunut nukleotidipaikka kahden sekvenssin välillä: P i =S i /L i Lasketaan transversioerot i-kertaisesti degeneroitunut nukleotidipaikka kahden sekvenssin välillä: Q i =V i /L i 4) Kimuran 2 parametrin mallia käyttäen arvioidaan transitionaaliset A i ja transversionaaliset substituutiot B i kahden sekvenssin välillä A i = ½ ln(a i )+ ¼ ln(b i ) B i = ½ ln(b i ) a i = 1/(1-2P i -Q i ) b i = 1/(1-2Q i )
17 5) Lasketaan K A ja K S : Kaikki korvautumiset/ i:nnen tyyppisesti degeneroitunut paikka: K i = A i + B i K 4 = A 4 + B 4 = synon. korvautumisten määrä/ 4-kertaisesti degeneroitunut nukleotidipaikka K 0 = A 0 + B 0 = ei-synonyymiset korvautumiset/ ei-degeneroitunut nukleotidipaikka. Kaksinkertaisesti degeneroiduista nukleotidipaikoista voi laskea 1/3 synonyymisiksi ja 2/3 ei-synonyymisiksi K S = (L 2 A 2 + L 4 K 4 ) / (L 2 /3 + L 4 ) = 3(L 2 A 2 + L 4 K 4 ) / (L 2 + 3L 4 ) K A = (L 2 B 2 + L 0 K 0 ) / (2L 2 /3 + L 0 ) = 3 (L 2 B 2 + L 0 K 0 ) / (2L 2 + 3L 0 )
18 Li (1993) ja Pamilo ja Bianchi (1993) menetelmä: Perustuu siihen että transitionaaliset synonyymiset nukleotidierot estimoidaan ottamalla painotettu keskiarvo (L 2 A 2 +L 4 A 4 ) / (L 2 + L 4 ) 2- ja 4-kertaisesti degeneroiduista paikoista: K S = (L 2 A 2 + L 4 A 4 ) / (L 2 + L 4 ) + B 4 -ja vastaavasti transversionaaliset ei-synonyymiset nukleotidierot estimoidaan ottamalla painotettu keskiarvo (L 0 B 0 + L 2 B 2 ) / (L 0 + L 2 ) 0- ja 2-kertaisesti degeneroiduista paikoista: K A = A 0 + (L 0 B 0 + L 2 B 2 ) / (L 0 + L 2 )
19 3.3. Aminohappokorvautumiset kahden proteiinin välillä -Millaista informaatiota aminohapposekvensseissä on verrattuna DNA-sekvensseihin? Glu-Gly Gly-Ser-Ser-Trp-Leu-Leu-Leu-Gly-Ser Glu-Gly Gly-Ser-Ser-Tyr-Leu-Leu-Ile-Gly-Ser Asp-Gly Gly-Ser-Ala-Trp-Leu-Leu-Leu-Gly-Ser Asp-Gly Gly-Ser-Ala-Tyr-Leu-Leu-Ala-Gly-Ser GAA-GGA-AGC-TCC-TGG-TTA-CTC-CTG-GGA-TCC GAG-GGT-TCC-AGC-TAT-CTA-TTA-ATT-GGT-AGC GAC-GGC-AGT-GCA-TGG-TTG-CTT-TTG-GGC-AGT GAT-GGG-TCA-GCT-TAC-CTC-CTG-GCC-GGG-TCA
20 aminohappoerojen osuus p=n/l N = aminohappoerojen määrä L=proteiinin pituus aminohappoina Aminohappokorvautumisten määrä/aminohappo (olettaen että muutosnopeus on sama kaikille aminohapoille, jolloin niiden määrä/paikka noudattaa Poisson-jakaumaa): D = -ln(1-p)
21 Useimmiten aminohapoilla on erilaiset toiminnalliset rajoitteet ja siksi evoluutionopeus on erilainen. Kun evoluutionopeus eri aminohappopaikoissa vaihtelee gammajakauman mukaan, etäisyys on dg = α[(1-p) -1/α -1] Yang 1996 TREE, 11,
22 clade L serpins in Caenorhabditis species [Frontiers in Bioscience 11, , January 1, 2006] Cliff J. Luke 1, Stephen C. Pak 1, David J. Askew 1, Yuko S. Askew 1, Justin E. Smith 2 and Gary A.Silverman
23 3.4. Sekvenssien linjaus - etsitään nukleotidi/aminohapposarjoja jotka ovat samassa järjestyksessä eri sekvensseissä -tavoitteena on samaa alkuperää olevien (homologisten) sekvenssien tunnistus ja vertailu Ovatko kaksi sekvenssiä homologisia? Mitkä ovat sellaisia homologisia osia joista voidaan arvioida nukleotidikorvautumisten tapahtuminen?
24 Linjauksen hyvyyden arviointi: Kumpi linjaus on parempi? AT--GCGTCGTT ATGCGTCGTT ** ***** ** ** *** ATCCGCGTC--- ATCCG-CGTC Linjauskriteerit:
25 Maksimoidaan sekvenssien samankaltaisuus k max S = x - Σ w k z k k=1 x = Identtisten nukleotidien/aminohappojen osuus z k = k pituisten linjausaukkojen lkm w k = k pituisen linjausaukon antama rangaistus w k =g+r k Uuden aukon tekemisestä, g Aukon pituudesta r (rangaistus r pituuden k funktiona) Kokeillaan eri linjauksia ja valitaan paras linjaus = se jossa samankaltaisuus S on suurin. - transitiot (C<>T tai A<>G) ovat yleisempiä kuin transversiot (C<>A, C<>G, T<>A, T<>G,): transitioista voidaan antaa pienempi rangaistus kuin transversioista -myös aminohapoille on samankaltaisuusmatriiseja (BLOSUM, PAM); jos aminohappo muuttuu samankaltaiseksi, rangaistus on vähäisempi kuin jos se muuttuu erilaiseksi.
26 Globaali ja lokaali linjaus Algoritmi määrittelee ne laskennalliset vaiheet joiden avulla linjaus suoritetaan. Needleman-Wunsch algoritmi -optimoi linjauksen hyvyyden sekvenssin päästä päähän (globaali linjaus) -linjaus on pitkä ja sisältää paljon aukkoja Smith-Waterman algoritmi -optimoi sen että paikallisesti linjaus on mahdollisimman hyvä (lokaali linjaus) -linjaus on lyhyt, vähän aukkoja -sopii kun kahdessa sekvenssissä on homologiaa vain osassa niiden pituudesta. -esim. BLAST
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,
Lisätiedotlpar1 IPB004065, IPB002277, and IPB Restriction Enyzme Differences from REBASE Gained in Variant Lost from Reference
lpar1 IPB465, IPB2277, and IPB5385 Genomic Sequence Coding Sequence For help interpreting these results, view the PARSENP Introduction page. # View On Sequence Nucleotide Change Effect Restriction Enyzme
Lisätiedot111111111111111111 II IIII II II 11111111111111111111
111111111111111111 II IIII II II 11111111111111111111 F10008 (12) PATENTTIJULKAISU PATENTSICRIFT (10) FI B (45) Patentti myönnetty - Patent beviljats 15.04.1999 (51) Kv.lk.6 - Int.k1.6 SUOMI-FINLAND (FI)
LisätiedotPeptidi ---- F ----- K ----- V ----- R ----- H ----- A ---- A. Siirtäjä-RNA:n (trna:n) (3 ) AAG UUC CAC GCA GUG CGU (5 ) antikodonit
Helsingin yliopisto/tampereen yliopisto Henkilötunnus - Biokemian/bioteknologian valintakoe Sukunimi 24.5.2006 Etunimet Tehtävä 3 Pisteet / 20 Osa 1: Haluat selvittää -- F -- K -- V -- R -- H -- A peptidiä
LisätiedotSekvenssievoluutio ja fylogeniat
Sekvenssievoluutio ja fylogeniat Miksi sekvenssien evoluutionopeus vaihtelee? -erot korvautumisnopeudessa geenien tai geenin eri osien välillä, -erot korvautumisnopeudessa eri fylogeneettisten linjojen
Lisätiedot111111111 1111 11111! 11 0 1111(111 11101113111111 1 11 11111111111111111
111111111 1111 11111! 11 0 1111(111 11101113111111 1 11 11111111111111111 (12) PATENTTIJULKAISU PATENTSKRIFT (10) FI B (45) Patentti myönnetty - Patent beviljats 15.07.1999 SUOMI-FINLAND (FI) (51) Kv.lk.6
LisätiedotBioteknologian tutkinto-ohjelma Valintakoe Tehtävä 3 Pisteet / 30
Tampereen yliopisto Bioteknologian tutkinto-ohjelma Valintakoe 21.5.2015 Henkilötunnus - Sukunimi Etunimet Tehtävä 3 Pisteet / 30 3. a) Alla on lyhyt jakso dsdna:ta, joka koodaa muutaman aminohappotähteen
LisätiedotMiten fylogenioita voidaan käyttää hyväksi eliökunnan historian tutkimisessa?
Miten fylogenioita voidaan käyttää hyväksi eliökunnan historian tutkimisessa? -fylogeneettisen puun käsite -fylogenioiden tavalliset rakennusmenetelmät (parsimonia, UPGMA, neighbor joining, maximum likelihood)
LisätiedotMolekyylievoluutio. (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.
LisätiedotEvoluutiovoimat. Ydinkysymykset. Mikä on mutaation, valinnan ja sattuman merkitys evoluutiossa?
Evoluutiovoimat Ydinkysymykset Mikä on mutaation, valinnan ja sattuman merkitys evoluutiossa? -sattuman sysäily: populaatiokoon vaikutus -valinta: positiivinen, tasapainottava ja negatiivinen -mutaatiot:
Lisätiedot5a) TTATTTGAGGTGAGCGAGGGAGAGAGAGA GAGAGTGAGAGCGAATCAAGA----
5a) CG32582: melanogaster (above), yakuba (below) Martinez/Needleman-Wunsch DNA Alignment Minimum Match: 9; Gap Penalty: 1.10; Gap Length Penalty: 0.33 9960 9970 9980 9990 10000 10010 10020 ATCCCCAATCGCTTTTGTGCAAGAAAATATATAGACGAAATTATTTCCTACGATTAATCCTTTGTATCGG
LisätiedotPäähaku, molekyylibiotieteiden kandiohjelma Valintakoe klo
Päähaku, molekyylibiotieteiden kandiohjelma Valintakoe 26.4.2019 klo 9.00 13.00 Kirjoita henkilö- ja yhteystietosi tekstaamalla. Kirjoita nimesi latinalaisilla kirjaimilla (abcd...), älä esimerkiksi kyrillisillä
Lisätiedot6 GEENIT OHJAAVAT SOLUN TOIMINTAA nukleiinihapot DNA ja RNA Geenin rakenne Geneettinen informaatio Proteiinisynteesi
6 GEENIT OHJAAVAT SOLUN TOIMINTAA nukleiinihapot DNA ja RNA Geenin rakenne Geneettinen informaatio Proteiinisynteesi GENEETTINEN INFORMAATIO Geeneihin pakattu informaatio ohjaa solun toimintaa ja siirtyy
LisätiedotEukaryotic Comparative Genomics
Eukaryotic Comparative Genomics Detecting Conserved Sequences Charles Darwin Motoo Kimura Evolution of Neutral DNA A A T C TA AT T G CT G T GA T T C A GA G T A G CA G T GA AT A GT C T T T GA T GT T G T
LisätiedotSukunimi 26. 05. 2005 Etunimet Tehtävä 3 Pisteet / 20
Helsingin yliopisto/tampereen yliopisto Henkilötunnus - Biokemian/bioteknologian valintakoe Sukunimi 26. 05. 2005 Etunimet Tehtävä 3 Pisteet / 20 3: Osa 1 Tumallisten solujen genomin toiminnassa sekä geenien
LisätiedotMethods S1. Sequences relevant to the constructed strains, Related to Figures 1-6.
Methods S1. Sequences relevant to the constructed strains, Related to Figures 1-6. A. Promoter Sequences Gal4 binding sites are highlighted in the color referenced in Figure 1A when possible. Site 1: red,
Lisätiedot11111111111 1111111 1 111111 1111111 II 1111111111111 1111 F I 000103122B
11111111111 1111111 1 111111 1111111 II 1111111111111 1111 F I 000B (12) PATENTTIJULKAISU PATENTSKRIFT (10) FI B (45) Patentti myönnetty - Patent beviljats 30.04.1999 (51) Kv.lk.6 - Int.k1.6 SUOMI-FINLAND
LisätiedotDNA 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
Lisätiedota) dominoivaan: esiintyy joka sukupolvessa, sairaille vanhemmille voi syntyä terveitä lapsia
1. Sukupuut Seuraavat ihmisen sukupuut edustavat periytymistä, jossa ominaisuuden määrää yksi alleeli. Päättele sukupuista A-F, mitä periytymistapaa kukin niistä voi edustaa. Vastaa taulukkoon kirjaimin
LisätiedotOngelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan?
Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan? 2012-2013 Lasse Lensu 2 Ihmisen, eläinten ja kasvien hyvinvoinnin kannalta nykyaikaiset mittaus-,
LisätiedotProteiinin rakenteen selvittämisestä ja visualisoinnista
TKK Solubiosysteemien perusteet syksy 2002 Harkkatyö M.Tarvainen Proteiinin rakenteen selvittämisestä ja visualisoinnista 1. Yleistä proteiineista 2. Röntgensädekristallografia 3. Ydinmagneettinen resonanssimenetelmä
LisätiedotAlgoritmit lyhyiden sekvenssien rinnastamiseen referenssigenomia vasten. Krista Longi
Algoritmit lyhyiden sekvenssien rinnastamiseen referenssigenomia vasten. Krista Longi 19.05.2014 DNA:n sekvensointi DNA:n pilkotaan lyhyiksi mallipalasiksi, templaateiksi, joiden emäsjärjestys selvitetään.
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotSekvenssien rinnastus. Rinnastus: helppoa tai vaikeaa
Sekvenssien rinnastus Rinnastus: helppoa tai vaikeaa Kaksi tai useampia (DNA tai proteiini) sekvenssejä: miten samankaltaisia sekvenssit ovat missä sekvenssikohdissa samankaltaisuutta esiintyy Kattava
LisätiedotVASTAUS 1: Yhdistä oikein
KPL3 VASTAUS 1: Yhdistä oikein a) haploidi - V) ihmisen sukusolu b) diploidi - IV) ihmisen somaattinen solu c) polyploidi - VI) 5n d) iturata - III) sukusolujen muodostama solulinja sukupolvesta toiseen
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:
LisätiedotAlgoritmit 1. Demot Timo Männikkö
Algoritmit 1 Demot 1 25.-26.1.2017 Timo Männikkö Tehtävä 1 (a) Algoritmi, joka laskee kahden kokonaisluvun välisen jakojäännöksen käyttämättä lainkaan jakolaskuja Jaettava m, jakaja n Vähennetään luku
LisätiedotHMM ja geenien etsintä
Kuten makovin mallien yhteydessä, niin HMM halutulla topologialla voidaan opettaa tunnistamaan geenejä. Ohessa eäs geenitunnistukseen käytetty topologia, joka tunnistaa ihmisen geenit (5 -> 3 ). Edellä
LisätiedotAlgoritmit 1. Demot Timo Männikkö
Algoritmit 1 Demot 1 31.1.-1.2.2018 Timo Männikkö Tehtävä 1 (a) Algoritmi, joka tutkii onko kokonaisluku tasan jaollinen jollain toisella kokonaisluvulla siten, että ei käytetä lainkaan jakolaskuja Jaettava
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI Ohjaamattomassa oppimisessa on tavoitteena muodostaa hahmoista ryhmiä, klustereita, joiden sisällä hahmot ovat jossain mielessä samankaltaisia ja joiden välillä
LisätiedotGLP-1 analogit lihavuuden hoidossa. Aila Rissanen Lihavuustutkimusyksikkö ja Syömishäiriöklinikka HYKS aila.rissanen@hus.fi
GLP-1 analogit lihavuuden hoidossa Aila Rissanen Lihavuustutkimusyksikkö ja Syömishäiriöklinikka HYKS aila.rissanen@hus.fi 1. Knudsen ym. J Med Chem 2000;43:1664 9; Merchenthaler et al. J Comp Neurol 1999;403:261
LisätiedotBayesilainen päätöksenteko / Bayesian decision theory
Bayesilainen päätöksenteko / Bayesian decision theory Todennäköisyysteoria voidaan perustella ilman päätösteoriaa, mutta vasta päätösteorian avulla siitä on oikeasti hyötyä Todennäköisyyteoriassa tavoitteena
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotDarwin: Tutkimusprojektin esittely
1 Darwin: Tutkimusprojektin esittely Tutkimusongelma: voidaanko ohjelmistoarkkitehtuuri generoida automaattisesti? Suomen Akatemian rahoittama tutkimusprojekti 2009-2011 TTY & TaY yhteistyö Ks. http://practise.cs.tut.fi/project.php?project=darwin
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.
LisätiedotLampiran 1 Komposisi media pertumbuhan yang digunakan A. Media nutrien agar (NA) - Agar 1.5% - Nutrient broth 0.8%
LAMPIRAN 8 9 Lampiran 1 Komposisi media pertumbuhan yang digunakan A. Media nutrien agar (NA) - Agar 1.5% - Nutrient broth 0.8% B. Media King s B agar - Agar 1.5% - Pepton 2% - K 2 HPO 4 0.15% - MgSO 4.4H
Lisätiedotf(n) = Ω(g(n)) jos ja vain jos g(n) = O(f(n))
Määritelmä: on O(g(n)), jos on olemassa vakioarvot n 0 > 0 ja c > 0 siten, että c g(n) kun n > n 0 O eli iso-o tai ordo ilmaisee asymptoottisen ylärajan resurssivaatimusten kasvun suuruusluokalle Samankaltaisia
LisätiedotAvainsanat: perimä dna rna 5`-ja 3`-päät replikaatio polymeraasientsyymi eksoni introni promoottori tehostajajakso silmukointi mutaatio
Avainsanat: perimä dna rna 5`-ja 3`-päät replikaatio polymeraasientsyymi eksoni introni promoottori tehostajajakso silmukointi mutaatio Perinnöllinen informaatio sijaitsee dna:ssa eli deoksiribonukleiinihapossa
LisätiedotKaksi pisteytystapaa DNA-sekvenssien luokitteluun
Kaksi pisteytystapaa DNA-sekvenssien luokitteluun Marjo Salinto marjosalinto@cshelsinkifi Tiedon louhinta biomolekyyliaineistoista Helsingin yliopisto, tietojenkäsittelytieteen laitos Raportti C-2003-52,
LisätiedotBioteknologian tutkinto-ohjelma. 1. a) Rastita, mitkä seuraavista väittämistä ovat oikein ja mitkä väärin. (10 p.)
Tampereen yliopisto Bioteknologian tutkinto-ohjelma Valintakoe 21.5.2015 Henkilötunnus - Sukunimi Etunimet Tehtävä 1 Pisteet / 30 1. a) Rastita, mitkä seuraavista väittämistä ovat oikein ja mitkä väärin.
LisätiedotKuluttajan teoriaa tähän asti. Luento 6. Hyötyfunktion ja indifferenssikäyrien yhteys. Kuluttajan hyöty. Laajennuksia. Kuluttajan ylijäämä
Kuluttajan teoriaa tähän asti Valintojen tekemistä niukkuuden vallitessa - Tavoitteen optimointia rajoitteella Luento 6 Kuluttajan ylijäämä 8.2.2010 Budjettirajoite (, ) hyödykeavaruudessa - Kulutus =
LisätiedotMonitavoiteoptimointi
Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa
Lisätiedotg - s Eä;t;i;s!itää# EiäErE ii:ääg Eä E *läeäfiäeräsil* E sis $ä äce:;!ääfät ;1*iEs ;tää:gi g;ää*f ;ij !äef ä:e'geä;:ä Elä tä Efiäilii: ; g E
H!äf ä'gä;ä lä tä fäl ; $ä äc;!ääfät ;1* ;tääg ä;t;;!tää# är ääg ä *läääeräl* tä*äätäääägtätg B g - ü ;;*ä9äää g;ää*f ' g ;j ä u e *; t t ;; t ü t p ä; u ä; e r * g t g U ).l t r A ä O.* 6) l- C ) t n
LisätiedotSisällys. 3. Muuttujat ja operaatiot. Muuttujat ja operaatiot. Muuttujat. Operaatiot. Imperatiivinen laskenta. Muuttujat. Esimerkkejä: Operaattorit.
3. Muuttujat ja operaatiot Sisällys Imperatiivinen laskenta. Muuttujat. Nimi ja arvo. Muuttujan nimeäminen. Muuttujan tyyppi.. Operandit. Arvon sijoitus muuttujaan. Aritmeettiset operaattorit. Arvojen
LisätiedotLogistinen regressio, separoivat hypertasot
Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen
LisätiedotBayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly
Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä
LisätiedotMediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin
Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä
LisätiedotOsakesalkun optimointi. Anni Halkola Turun yliopisto 2016
Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.
LisätiedotTampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus
Tampereen yliopisto Tietokonegrafiikka 201 Tietojenkäsittelytiede Harjoitus 6 1..201 1. Tarkastellaan Gouraudin sävytysmallia. Olkoon annettuna kolmio ABC, missä A = (0,0,0), B = (2,0,0) ja C = (1,2,0)
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.3140 Lineaarinen ohjelmointi 4.10.2007 Luento 4 Ekstreemipisteiden optimaalisuus ja Simplex (kirja 2.4-2.6, 3.1-3.2) Lineaarinen ohjelmointi - Syksy 2007 / 1 Luentorunko Degeneroituvuus Ekstreemipisteiden
LisätiedotAlgoritmit 2. Luento 13 Ti Timo Männikkö
Algoritmit 2 Luento 13 Ti 30.4.2019 Timo Männikkö Luento 13 Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Ositus ja rekursio Rekursion toteutus Algoritmit 2 Kevät 2019 Luento 13 Ti 30.4.2019
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
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
LisätiedotVirhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.
Virhearviointi Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhelajit A. Tilastolliset virheet= satunnaisvirheet, joita voi arvioida tilastollisin menetelmin B. Systemaattiset virheet = virheet, joita
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotHaitallinen valikoituminen: Kahden tyypin malli
Haitallinen valikoituminen: Kahden tyypin malli Mat-2.4142 Optimointiopin seminaari Mikko Hyvärinen 29.1.2008 Haitallinen valikoituminen kahden tyypin malli Haitallinen valikoituminen tarkoittaa että päämies
LisätiedotKatkonnanohjaus evoluutiolaskennan keinoin
Katkonnanohjaus evoluutiolaskennan keinoin Askel kohti optimaalista tavaralajijakoa Veli-Pekka Kivinen HY, Metsävarojen käytön laitos Katkonnanohjauksen problematiikkaa Miten arvo-/tavoitematriisit tulisi
LisätiedotUTLAGGNINGSSKRIFT 86508 A 61K 39/104, 35/74 //(A 61K 39/104, C 12R 1:385) (32) (33) (31) Etuoikeus - Prioritet 24.06.
(B) (11) ICUULUTUSJULICAISU UTLAGGNINGSSKRIFT 86508 c ) (51) Kv.lk.5 Int.c1.5 1 A 61K 39/104, 35/74 //(A 61K 39/104, C 12R 1:385) (21)Patenttihakemus Patentansökning 872750 SUOMIFINLAND (FI) Patentti ja
LisätiedotNollasummapelit ja bayesilaiset pelit
Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1
LisätiedotII 1111111 11 1 111011 1111111 1111110111111111
(12 ) PATENTTIJULKAISU PATENTSKRIFT (10) FI 101552 B II 1111111 11 1 111011 1111111 1111110111111111 F 1000101552B (45) Patentti myönnetty - Patent beviljats 15.07.98 SUOMI-FINLAND (FI) Patentti- ja rekisterihallitus
LisätiedotDNA (deoksiribonukleiinihappo)
DNA (deoksiribonukleiinihappo) Kaksoiskierre (10 emäsparin välein täysi kierros) Kaksi sokerifosfaattirunkoa. Huomaa suunta: 5 päässä vapaana fosfaatti (kiinni sokerin 5. hiilessä) 3 päässä vapaana sokeri
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
Lisätiedot3. Muuttujat ja operaatiot 3.1
3. Muuttujat ja operaatiot 3.1 Sisällys Imperatiivinen laskenta. Muuttujat. Nimi ja arvo. Muuttujan nimeäminen. Muuttujan tyyppi. Operaattorit. Operandit. Arvon sijoitus muuttujaan. Aritmeettiset operaattorit.
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
LisätiedotSupplementary Information
Supplementary Information Supplementary Table 1. Strain table Strain name Genotype Reference CEN.PK111-27B MATa leu2 trp1 Euroscarf TC-49 TC-50 pdc5::aro4* aro10::aro7* This study TC-50 MATa leu2 trp1
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
LisätiedotNimi sosiaaliturvatunnus
Valintakoe 2013 / Biokemia Nimi sosiaaliturvatunnus 1. Selitä: (3,0 p) a) Mitä ovat eksonit ja intronit ja miten ne eroavat toisistaan? b) Mitä eläinsolulle tapahtuu, jos se laitetaan sen sisällä olevaa
LisätiedotAvainsanojen 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
LisätiedotKuva maailmasta Pakettiverkot (Luento 1)
M.Sc.(Tech.) Marko Luoma (1/20) M.Sc.(Tech.) Marko Luoma (2/20) Kuva maailmasta Pakettiverkot (Luento 1) WAN Marko Luoma TKK Teletekniikan laboratorio LAN M.Sc.(Tech.) Marko Luoma (3/20) M.Sc.(Tech.) Marko
LisätiedotMallipohjainen klusterointi
Mallipohjainen klusterointi Marko Salmenkivi Johdatus koneoppimiseen, syksy 2008 Luentorunko perjantaille 5.12.2008 Johdattelua mallipohjaiseen klusterointiin, erityisesti gaussisiin sekoitemalleihin Uskottavuusfunktio
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7 8
Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Kevät 2011 1 Iteratiivisista menetelmistä Tähän mennessä on tarkasteltu niin sanottuja suoria menetelmiä, joissa (likimääräinen) ratkaisu saadaan
LisätiedotEsimerkki 1 Ratkaise differentiaaliyhtälö
Esimerkki 1 Ratkaise differentiaaliyhtälö x 2 y xy =1/x. 1 / K. Tuominen kimmo.i.tuominen@helsinki.fi MApu II 1/20 20 Esimerkki 2 Ratkaise differentiaaliyhtälö x(ln y)y y ln x =0. 2 / K. Tuominen kimmo.i.tuominen@helsinki.fi
LisätiedotProteiinien kontaktiresidyjen ennustaminen. Tuomo Hartonen Teoreettisen fysiikan syventävien opintojen seminaari
Proteiinien kontaktiresidyjen ennustaminen Tuomo Hartonen Teoreettisen fysiikan syventävien opintojen seminaari 13.12.12 Terminologiaa Aminohappo = proteiinien rakennuspalikka, luonto käyttää 20 erilaista
LisätiedotDNA:n informaation kulku, koostumus
DNA:n informaation kulku, koostumus KOOSTUMUS Elävien bio-organismien koostumus. Vety, hiili, happi ja typpi muodostavat yli 99% orgaanisten molekyylien rakenneosista. Biomolekyylit voidaan pääosin jakaa
LisätiedotSGN-2500 Johdatus hahmontunnistukseen 2007 Luennot 4 ja 5
SGN-2500 Johdatus hahmontunnistukseen 2007 Luennot 4 ja 5 Jussi Tohka jussi.tohka@tut.fi Signaalinkäsittelyn laitos Tampereen teknillinen yliopisto SGN-2500 Johdatus hahmontunnistukseen 2007Luennot 4 ja
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
LisätiedotTilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.
Kertaus Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Luokiteltu aineisto. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Hajontaluvut luokittelemattomalle
LisätiedotDemonstraatiot 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
LisätiedotVuoden 2005 eläkeuudistuksen
Vuoden 2005 eläkeuudistuksen vaikutus eläkkeelle siirtymiseen Roope Uusitalo HECER, Helsingin yliopisto Aktuaariyhdistys 23.10. 2013 Tutkimuksen tavoite Arvioidaan vuoden 2005 uudistusten kokonaisvaikutus
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotTilastollinen 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
LisätiedotDemonstraatiot Luento
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 8 Demonstraatiot Luento 8..8 D/ Tarkastellaan seuraavaa yksinkertaista piirikytkentäistä (runko)verkkoa.
LisätiedotOhjelmoinnin perusteet Y Python
Ohjelmoinnin perusteet Y Python T-106.1208 1.4.2009 T-106.1208 Ohjelmoinnin perusteet Y 1.4.2009 1 / 56 Tentti Ensimmäinen tenttimahdollisuus on pe 8.5. klo 13:00 17:00 päärakennuksessa. Tämän jälkeen
LisätiedotLuku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti
Luku 6 Dynaaminen ohjelmointi Dynaamisessa ohjelmoinnissa on ideana jakaa ongelman ratkaisu pienempiin osaongelmiin, jotka voidaan ratkaista toisistaan riippumattomasti. Jokaisen osaongelman ratkaisu tallennetaan
Lisätiedotd Todista: dx xn = nx n 1 kaikilla x R, n N Derivaatta Derivaatta ja differentiaali
6. Derivaatta 6.. Derivaatta ja differentiaali 72. Olkoon f () = 4. Etsi derivaatan määritelmän avulla f ( 3). f ( 3) = 08. 73. Muodosta funktion f () = derivaatta suoraan määritelmän mukaan, so. tarkastelemalla
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
LisätiedotKaksiluokkainen tapaus, lineaarinen päätöspinta, lineaarisesti erottuvat luokat
1 Tukivektoriluokittelija Tukivektorikoneeseen (support vector machine) perustuva luoikittelija on tilastollisen koneoppimisen teoriaan perustuva lineaarinen luokittelija. Perusajatus on sovittaa kahden
Lisätiedota. Piirrä aspartaamin hydrolyysituotteiden rakenteet ionisoitumattomassa muodossa (4 p)
Molekyylibiotieteiden valintakoe 25.4.2018: Mallivastaukset Kysymys 1 Keinotekoinen makeutusaine aspartaami on rakenteeltaan metyloitu dipeptidi (kuva), jonka hydrolyysi tuottaa kaksi aminohappoa, asparagiinihapon
LisätiedotOsakesalkun optimointi
Osakesalkun optimointi Anni Halkola Epäsileä optimointi Turun yliopisto Huhtikuu 2016 Sisältö 1 Johdanto 1 2 Taustatietoja 2 3 Laskumetodit 3 3.1 Optimointiongelmat........................ 4 4 Epäsileän
LisätiedotAukkoja sekvensseissä. Tuomo Hartonen Teoreettisen fysiikan syventävien opintojen seminaari
Aukkoja sekvensseissä Tuomo Hartonen Teoreettisen fysiikan syventävien opintojen seminaari 25.04.13 Terminologiaa Aminohappo = proteiinien rakennuspalikka, proteiinit rakentuvat 22:sta erilaisesta, 20
LisätiedotTIES592 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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 10 To 6.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 10 To 6.10.2011 p. 1/35 p. 1/35 Numeerinen integrointi Puolisuunnikassääntö b a f(x)dx = h 2 (f 0 + f
Lisätiedot/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
LisätiedotMS-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
Lisätiedot2. Arvon ja hyödyn mittaaminen
2. Arvon ja hyödyn mittaaminen 1 2 Arvon ja hyödyn mittaaminen 2.1 Miksi tarvitsemme arvofunktiota? Arvofunktio on preferenssien (mieltymysten) matemaattinen kuvaus. Arvofunktio kuvaa päätöskriteeriä vastaavan
LisätiedotTRADITIONAL Aito ja alkuperäinen.
TRADITIONAL Aito ja alkuperäinen. Aina kun kaivataan korkeaa lääkinnällistä tehoa, on TRADITIONAL -sukka luotettava klassikko. Niinpä se on paras vaihtoehto kun tarvitaan kompressiohoitoa esimerkiksi veritulpan
Lisätiedot806109P 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