Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan?

Koko: px
Aloita esitys sivulta:

Download "Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan?"

Transkriptio

1

2 Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan? Lasse Lensu 2

3 Ihmisen, eläinten ja kasvien hyvinvoinnin kannalta nykyaikaiset mittaus-, analyysi- ja diagnosointimenetelmät ovat hyödyllisiä ja joissakin tapauksissa (elin)tärkeitä. Moderneilla menetelmillä voidaankin kerätä yksityiskohtaista tietoa luonnosta ja sen eliöistä. Mittausten monipuolistumisen ja paremman kattavuuden myötä datan ja informaation käsittelytarpeet muuttuvat entistä haastavammiksi ja muistuttavat "neulojen etsimistä heinäsuovasta". Miten bioinformaatiota kannattaisi käsitellä ja hallita? Lasse Lensu 3

4 Tietojenkäsittelyn perusteet 2 Bioinformaatio ja merkkijonot Lasse Lensu 4

5 Bioinformaatio ja merkkijonot Lasse Lensu 5

6 Bioinformaatio ja merkkijonot Bioinformatiikka: DNA, sekvensointi, geenit, perimä, sairaudet Tapaus 1: Merkkijonot ja niiden haku Tapaus 2: Biomimetiikkaa Lasse Lensu 6

7 Bioinformatiikka Tuimala J Ikonen L Tarve: Biologiset tietokannat paisuivat niin suuriksi, että niissä olevan tiedon etsimiseksi ja analysoimiseksi tarvittiin tietokoneistettuja ratkaisuja. Väline: Suurten aineistojen käsittelyyn luotiin tehokkaita algoritmeja ja tietokantaratkaisuja. Mahdollisuudet: tietokoneiden suorituskyvyn parantuminen Internetin merkitys tiedon jakamisessa Lasse Lensu 7

8 Bioinformatiikan määritelmä Informaatiotieteen ja biologian yhtymäkohtaan syntynyt tieteenala, jonka tarkoituksena on kehittää biologisten ongelmien ratkaisemiseen soveltuvia tietoteknisiä välineitä Informaatioteknologia ja sen menetelmät, joita käytetään biologisen datan tallentamiseen, ylläpitämiseen ja analysoimiseen Osa laskennallista biologiaa Lasse Lensu 8

9 Bioinformatiikan tarkoitus Bioinformatiikka organisoi aineistoa siten, että se saadaan tutkijoiden saataville, ja että he voivat liittää tähän informaatioon omia tuloksiaan (esim. GenBank, ArrayExpress). Bioinformatiikassa kehitetään työkaluja, jotka auttavat tutkijoita aineistojen analysoinnissa. Bioinformatiikan työkaluja ja tietoa käytetään aineistojen analysointiin siten, että tulokset voidaan tulkita biologisesti mielekkäällä tavalla Lasse Lensu 9

10 GenBank DNA-sekvenssien tietokanta Nukleotidit: DNA: deoksiribonukleiinihappo RNA: ribonukleiinihappo Molekyylin muodostavat pentoosisokerin (D tai R) ja fosforihapon lisäksi typpiemäkset adeniini (A), guaniini (G), sytosiini (C) ja tymiini (T) tai urasiili (U; RNA) Lasse Lensu 10

11 GenBank Lasse Lensu 11

12 GenBank Lasse Lensu 12

13 Tapaus 1: Merkkijonot Tieto ei tyypillisesti jakaannu valmiiksi riippumattomiin tietueisiin, jotka koostuisivat pienistä yksilöityvistä paloista. Tällaista tietyn merkistön symbolien järjestettyä jonoa kutsutaan merkkijonoksi (string). Merkkijonotyypit: Tekstijono (text string) Bittijono (binary string) Merkkijonojen käsittelyn perustoimintoihin kuuluu hahmon (pattern) eli alimerkkijonon haku merkkijonon sisältä Lasse Lensu 13

14 Merkkijonon haku: raaka tapa Sedgewick, R., 1990 Raakaa voimaa käyttävä (brute-force) algoritmi etsii hahmon ensimmäistä esiintymistä merkkijonossa. Raa'an voiman haku saattaa vaatia nm vertailua, missä n on merkkijonon pituus ja m hahmon pituus Lasse Lensu 14

15 Merkkijonon haku: Knuth-Morris-Pratt Raakaa algoritmia voidaan parantaa tiedolla, että poikkeavuuden esiintyessä jo hyväksytyt merkit ovat tiedossa hahmon perusteella. Knuth-Morris-Pratt (KMP): merkkijonoon viittaavaa indeksiä i ei tarvitse siirtää taaksepäin tunnettujen merkkien ohi. Ennen varsinaisen haun aloittamista hahmon perusteella voidaan määrittää aputaulukko, johon sijoitetaan hahmoon viittaavalle indeksille j uudet arvot poikkeavuuden esiintyessä. KMP vaatii enintään n+m vertailua, missä n on merkkijonon pituus ja m hahmon pituus Lasse Lensu 15

16 Merkkijonon haku: Knuth-Morris-Pratt Lasse Lensu 16

17 Merkkijonon haku: Boyer-Moore Koska merkkijonossa peruuttaminen ei ole vaikeata, niin hakualgoritmia voidaan kehittää huomattavasti. Boyer-Mooren (BM) algoritmin etenemisessä käytetään poikkeavan merkin heuristiikkaa: se perustuu hahmon läpikäymiseen oikealta vasemmalle sekä aputaulukkoon laskettuihin uudelleenaloituspisteisiin. Haussa voidaan edetä koko hahmon pituuden verran eteenpäin, mikäli hahmossa esiintyviä merkkejä ei esiinny merkkijonossa. BM algoritmi vaatii enintään n+m vertailua, missä n on merkkijonon pituus ja m hahmon pituus Lasse Lensu 17

18 Merkkijonon haku: Boyer-Moore Lasse Lensu 18

19 Merkkijonon haku: Rabin-Karp Kaikkien m:n pituisten osamerkkijonojen voidaan ajatella olevan hajakoodaustaulun avaimia. Tähän ajatukseen perustuu Rabin-Karpin algoritmi, joka laskee hajakoodifunktion arvon sekä haettavalle hahmolle (pituus m) että merkkijonon (pituus n) kaikille m:n pituisille osamerkkijonoille verraten hajakoodifunktion antamia arvoja keskenään. Rabin-Karpin algoritmin kompleksisuus on suurella todennäköisyydellä lineaarinen, mutta huonoimmassa tapauksessa se voi vaatia nm toimintoa Lasse Lensu 19

20 Merkkijonon haku: Rabin-Karp Hajakoodi voidaan laskea seuraavasti: x=a [i] d m 1 a[i 1] d m 2 a[i m 1] missä a sisältää osamerkkijonon merkit ja d on lukujärjestelmän kantaluku. Kun haku siirtyy käsittelemään seuraavaa mahdollista hahmon sijaintia merkkijonon sisällä, ei hajakoodia tarvitse laskea alusta alkaen uudelleen. Hajakoodin laskennassa x korvataan seuraavalla lausekkeella: x a [i] d m 1 d a [i m] Lasse Lensu 20

21 Sekvenssitiedosta (oikeasti) Samankaltaisen hakemisesta: Ala Arg Asn Asp Cys... Ala Arg Asn Asp Cys Rinnastuksesta: ACGTACGT ACGTACGT VEEGYR ACCTAC T : ACCTAC T FEESYM BLAST: 5 (osuma), -4 (huti) Lasse Lensu 21

22 Yhteenveto Ihmisen, eläinten ja kasvien tutkimuksen ja hyvinvoinnin kannalta nykyaikaiset mittaus-, analyysi- ja diagnosointimenetelmät ovat hyödyllisiä. Bioinformatiikka: organisoi aineistoa siten, että se saadaan tutkijoiden saataville ja käyttöön kehittää työkaluja, jotka auttavat tutkijoita aineistojen analysoinnissa työkaluja ja tietoa hyödynnetään aineistojen analysointiin biologisesti mielekkäällä tavalla Lasse Lensu 22

Algoritmit 2. Luento 13 Ti Timo Männikkö

Algoritmit 2. Luento 13 Ti Timo Männikkö Algoritmit 2 Luento 13 Ti 2.5.2017 Timo Männikkö Luento 13 Merkkijonon sovitus Horspoolin algoritmi Laskennallinen vaativuus Päätösongelmat Epädeterministinen algoritmi Vaativuusluokat NP-täydellisyys

Lisätiedot

Peptidi ---- F ----- K ----- V ----- R ----- H ----- A ---- A. Siirtäjä-RNA:n (trna:n) (3 ) AAG UUC CAC GCA GUG CGU (5 ) antikodonit

Peptidi ---- 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

Lisätiedot

Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä?

Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä? Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä? 2012-2013 Lasse Lensu 2 Ongelma 2: Voidaanko dataa tai informaatiota tallettaa tiiviimpään tilaan koodaamalla se uudelleen? 2012-2013 Lasse

Lisätiedot

Algoritmit 2. Luento 3 Ti Timo Männikkö

Algoritmit 2. Luento 3 Ti Timo Männikkö Algoritmit 2 Luento 3 Ti 21.3.2017 Timo Männikkö Luento 3 Järjestäminen eli lajittelu Kekorakenne Kekolajittelu Hajautus Yhteentörmäysten käsittely Ketjutus Algoritmit 2 Kevät 2017 Luento 3 Ti 21.3.2017

Lisätiedot

Algoritmit lyhyiden sekvenssien rinnastamiseen referenssigenomia vasten. Krista Longi

Algoritmit 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.

Lisätiedot

Ongelma 1: Ovatko kaikki tehtävät/ongelmat deterministisiä?

Ongelma 1: Ovatko kaikki tehtävät/ongelmat deterministisiä? Ongelma 1: Ovatko kaikki tehtävät/ongelmat deterministisiä? 2013-2014 Lasse Lensu 2 Ongelma 2: Milloin ongelmat muuttuvat oikeasti hankaliksi? 2013-2014 Lasse Lensu 3 Ongelma 3: Miten hankalia ongelmia

Lisätiedot

Algoritmit 1. Luento 7 Ti Timo Männikkö

Algoritmit 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

Lisätiedot

Algoritmit 2. Luento 6 Ke Timo Männikkö

Algoritmit 2. Luento 6 Ke Timo Männikkö Algoritmit 2 Luento 6 Ke 29.3.2017 Timo Männikkö Luento 6 B-puun operaatiot B-puun muunnelmia Nelipuu Trie-rakenteet Standarditrie Pakattu trie Algoritmit 2 Kevät 2017 Luento 6 Ke 29.3.2017 2/31 B-puu

Lisätiedot

Ongelma 1: Ovatko kaikki tehtävät/ongelmat deterministisiä?

Ongelma 1: Ovatko kaikki tehtävät/ongelmat deterministisiä? Ongelma 1: Ovatko kaikki tehtävät/ongelmat deterministisiä? 2012-2013 Lasse Lensu 2 Ongelma 2: Milloin ongelmat muuttuvat oikeasti hankaliksi? 2012-2013 Lasse Lensu 3 Ongelma 3: Miten hankalia ongelmia

Lisätiedot

Esimerkkejä vaativuusluokista

Esimerkkejä vaativuusluokista Esimerkkejä vaativuusluokista Seuraaville kalvoille on poimittu joitain esimerkkejä havainnollistamaan algoritmien aikavaativuusluokkia. Esimerkit on valittu melko mielivaltaisesti laitoksella tehtävään

Lisätiedot

Tehtävä 2: Loppuosataulukko

Tehtävä 2: Loppuosataulukko Tehtävä 2: Loppuosataulukko Tutustu tarkoin seuraavaan tekstiin ja vastaa sitä hyväksi käyttäen tehtävän loppuosassa esitettyihin viiteen kysymykseen. Annetun merkkijonon (ns. hahmo) esiintymän haku pidemmästä

Lisätiedot

Ohjelmoinnin perusteet Y Python

Ohjelmoinnin perusteet Y Python Ohjelmoinnin perusteet Y Python T-106.1208 10.2.2010 T-106.1208 Ohjelmoinnin perusteet Y 10.2.2010 1 / 43 Kertausta: listat Tyhjä uusi lista luodaan kirjoittamalla esimerkiksi lampotilat = [] (jolloin

Lisätiedot

Perinnöllisyystieteen perusteita III Perinnöllisyystieteen perusteita. BI2 III Perinnöllisyystieteen perusteita 9. Solut lisääntyvät jakautumalla

Perinnöllisyystieteen perusteita III Perinnöllisyystieteen perusteita. BI2 III Perinnöllisyystieteen perusteita 9. Solut lisääntyvät jakautumalla Perinnöllisyystieteen perusteita III Perinnöllisyystieteen perusteita 9. Solut lisääntyvät jakautumalla 1. Avainsanat 2. Solut lisääntyvät jakautumalla 3. Dna eli deoksiribonukleiinihappo sisältää perimän

Lisätiedot

Nukleiinihapot! Juha Klefström, Biolääketieteen laitos/biokemia ja genomibiologian tutkimusohjelma Helsingin yliopisto.

Nukleiinihapot! Juha Klefström, Biolääketieteen laitos/biokemia ja genomibiologian tutkimusohjelma Helsingin yliopisto. Nukleiinihapot! Juha Klefström, Biolääketieteen laitos/biokemia ja genomibiologian tutkimusohjelma Helsingin yliopisto Juha.Klefstrom@helsinki.fi Nukleiinihapot! kertausta matkan varrella, vähemmän kuitenkin

Lisätiedot

Abstraktiot ja analyysi algoritmit ja informaation esitykset

Abstraktiot ja analyysi algoritmit ja informaation esitykset 01110111010110 11110101010101 00101011010011 01010111010101 01001010101010 10101010101010 Abstraktiot ja analyysi algoritmit ja informaation esitykset Petteri Kaski Tietotekniikan laitos Aalto-yliopisto

Lisätiedot

Luku 8. Aluekyselyt. 8.1 Summataulukko

Luku 8. Aluekyselyt. 8.1 Summataulukko Luku 8 Aluekyselyt Aluekysely on tiettyä taulukon väliä koskeva kysely. Tyypillisiä aluekyselyitä ovat, mikä on taulukon välin lukujen summa tai pienin luku välillä. Esimerkiksi seuraavassa taulukossa

Lisätiedot

Biopolymeerit. Biopolymeerit ovat kasveissa ja eläimissä esiintyviä polymeerejä.

Biopolymeerit. Biopolymeerit ovat kasveissa ja eläimissä esiintyviä polymeerejä. Biopolymeerit Biopolymeerit ovat kasveissa ja eläimissä esiintyviä polymeerejä. Tärkeimpiä biopolymeerejä ovat hiilihydraatit, proteiinit ja nukleiinihapot. 1 Hiilihydraatit Hiilihydraatit jaetaan mono

Lisätiedot

Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin?

Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin? Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin? 2013-2014 Lasse Lensu 2 Algoritmit ovat deterministisiä toimintaohjeita

Lisätiedot

uv n, v 1, ja uv i w A kaikilla

uv n, v 1, ja uv i w A kaikilla 2.8 Säännöllisten kielten rajoituksista Kardinaliteettisyistä on oltava olemassa (paljon) ei-säännöllisiä kieliä: kieliä on ylinumeroituva määrä, säännöllisiä lausekkeita vain numeroituvasti. Voidaanko

Lisätiedot

TAMPEREEN TEKNILLINEN YLIOPISTO

TAMPEREEN TEKNILLINEN YLIOPISTO TAMPEREEN TEKNILLINEN YLIOPISTO Digitaali- ja Tietokonetekniikan laitos TKT-3200 Tietokonetekniikka ASSEMBLER: QSORT 11.08.2010 Ryhmä 00 nimi1 email1 opnro1 nimi2 email2 opnro2 nimi3 email3 opnro3 1. TEHTÄVÄ

Lisätiedot

Algoritmit 2. Luento 4 Ke Timo Männikkö

Algoritmit 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

Lisätiedot

Tietorakenteet ja algoritmit - syksy 2015 1

Tietorakenteet ja algoritmit - syksy 2015 1 Tietorakenteet ja algoritmit - syksy 2015 1 Tietorakenteet ja algoritmit - syksy 2015 2 Tietorakenteet ja algoritmit Johdanto Ari Korhonen Tietorakenteet ja algoritmit - syksy 2015 1. JOHDANTO 1.1 Määritelmiä

Lisätiedot

Ongelma(t): Miten tietokoneen komponentteja voi ohjata siten, että ne tekevät yhdessä jotakin järkevää? Voiko tietokonetta ohjata (ohjelmoida) siten,

Ongelma(t): Miten tietokoneen komponentteja voi ohjata siten, että ne tekevät yhdessä jotakin järkevää? Voiko tietokonetta ohjata (ohjelmoida) siten, Ongelma(t): Miten tietokoneen komponentteja voi ohjata siten, että ne tekevät yhdessä jotakin järkevää? Voiko tietokonetta ohjata (ohjelmoida) siten, että se pystyy suorittamaan kaikki mahdolliset algoritmit?

Lisätiedot

Tietorakenteet, laskuharjoitus 7, ratkaisuja

Tietorakenteet, 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

Lisätiedot

811120P Diskreetit rakenteet

811120P Diskreetit rakenteet 811120P Diskreetit rakenteet 2016-2017 1. Algoritmeista 1.1 Algoritmin käsite Algoritmi keskeinen laskennassa Määrittelee prosessin, joka suorittaa annetun tehtävän Esimerkiksi Nimien järjestäminen aakkosjärjestykseen

Lisätiedot

TAMPEREEN TEKNILLINEN YLIOPISTO

TAMPEREEN TEKNILLINEN YLIOPISTO TAMPEREEN TEKNILLINEN YLIOPISTO Digitaali- ja Tietokonetekniikan laitos TKT-3200 Tietokonetekniikka ASSEMBLER: QSORT 06.09.2005 Ryhmä 00 nimi1 email1 opnro1 nimi2 email2 opnro2 nimi3 email3 opnro3 1. TEHTÄVÄ

Lisätiedot

DNA, RNA ja proteiinirakenteen ennustaminen

DNA, RNA ja proteiinirakenteen ennustaminen S-114.500 Solubiosysteemien perusteet Harjoitustyö Syksy 2003 DNA, RNA ja proteiinirakenteen ennustaminen Ilpo Tertsonen, 58152p Jaakko Niemi, 55114s Sisällysluettelo 1. Alkusanat... 3 2. Johdanto... 4

Lisätiedot

Algoritmit 1. Luento 12 Ke Timo Männikkö

Algoritmit 1. Luento 12 Ke Timo Männikkö Algoritmit 1 Luento 12 Ke 15.2.2017 Timo Männikkö Luento 12 Pikalajittelu Pikalajittelun vaativuus Osittamisen tasapainoisuus Lajittelumenetelmien vaativuus Laskentalajittelu Lokerolajittelu Kantalukulajittelu

Lisätiedot

Perinnöllisyystieteen perusteita III Perinnöllisyystieteen perusteita

Perinnöllisyystieteen perusteita III Perinnöllisyystieteen perusteita Perinnöllisyystieteen perusteita III Perinnöllisyystieteen perusteita 10. Valkuaisaineiden valmistaminen solussa 1. Avainsanat 2. Perinnöllinen tieto on dna:n emäsjärjestyksessä 3. Proteiinit koostuvat

Lisätiedot

måndag 10 februari 14 Jaana Ohtonen Kielikoulu/Språkskolan Haparanda

måndag 10 februari 14 Jaana Ohtonen Kielikoulu/Språkskolan Haparanda GENETIIKKA: KROMOSOMI DNA & GEENI Yksilön ominaisuudet 2 Yksilön ominaisuudet Perintötekijät 2 Yksilön ominaisuudet Perintötekijät Ympäristötekijät 2 Perittyjä ominaisuuksia 3 Leukakuoppa Perittyjä ominaisuuksia

Lisätiedot

Äärellisten automaattien ja säännöllisten kielten ekvivalenssi

Äärellisten automaattien ja säännöllisten kielten ekvivalenssi Äärellisten automaattien ja säännöllisten kielten ekvivalenssi Osoitamme seuraavan keskeisen tuloksen: Lause 1.8: [Sipser Thm. 1.54] Kieli on säännöllinen, jos ja vain jos jokin säännöllinen lauseke esittää

Lisätiedot

4.3. Matemaattinen induktio

4.3. Matemaattinen induktio 4.3. Matemaattinen induktio Matemaattinen induktio: Deduktion laji Soveltuu, kun ominaisuus on osoitettava olevan voimassa luonnollisilla luvuilla. Suppea muoto P(n) : Ominaisuus, joka joka riippuu luvusta

Lisätiedot

VAPAAEHTOISILLA TEHTY TESTIMITTAUS HARMONIFIN TM SUOJAAVIEN VAIKUTUKSIEN SELVITTÄMISEKSI SÄHKÖMAGNEETTISEN KENTÄN MILLIMETRIN AALLONPITUUSALUEELLA

VAPAAEHTOISILLA TEHTY TESTIMITTAUS HARMONIFIN TM SUOJAAVIEN VAIKUTUKSIEN SELVITTÄMISEKSI SÄHKÖMAGNEETTISEN KENTÄN MILLIMETRIN AALLONPITUUSALUEELLA VAPAAEHTOISILLA TEHTY TESTIMITTAUS HARMONIFIN TM SUOJAAVIEN VAIKUTUKSIEN SELVITTÄMISEKSI SÄHKÖMAGNEETTISEN KENTÄN MILLIMETRIN AALLONPITUUSALUEELLA ELIMISTÖSI HARMONIASSA Email: info@nanosmart.fi Web: www.nanosmart.fi

Lisätiedot

Rekursio. Funktio f : N R määritellään yleensä antamalla lauseke funktion arvolle f (n). Vaihtoehtoinen tapa määritellä funktioita f : N R on

Rekursio. Funktio f : N R määritellään yleensä antamalla lauseke funktion arvolle f (n). Vaihtoehtoinen tapa määritellä funktioita f : N R on Rekursio Funktio f : N R määritellään yleensä antamalla lauseke funktion arvolle f (n). Vaihtoehtoinen tapa määritellä funktioita f : N R on käyttää rekursiota: Rekursio Funktio f : N R määritellään yleensä

Lisätiedot

Vaihtoehtoinen tapa määritellä funktioita f : N R on

Vaihtoehtoinen tapa määritellä funktioita f : N R on Rekursio Funktio f : N R määritellään yleensä antamalla lauseke funktion arvolle f (n). Vaihtoehtoinen tapa määritellä funktioita f : N R on käyttää rekursiota: 1 (Alkuarvot) Ilmoitetaan funktion arvot

Lisätiedot

jäsentäminen TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho 26. marraskuuta 2015 TIETOTEKNIIKAN LAITOS

jäsentäminen TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho 26. marraskuuta 2015 TIETOTEKNIIKAN LAITOS TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 26. marraskuuta 2015 Sisällys Tunnistamis- ja jäsennysongelma Olkoon G = (N, Σ, P, S) kontekstiton kielioppi ja

Lisätiedot

Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen

Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari 1 1. JOHDANTO 1.1 Määritelmiä 1.2 Tietorakenteen ja algoritmin valinta 1.3 Algoritmit ja tiedon määrä 1.4 Tietorakenteet ja toiminnot 1.5 Esimerkki:

Lisätiedot

Algoritmit 1. Luento 1 Ti Timo Männikkö

Algoritmit 1. Luento 1 Ti Timo Männikkö Algoritmit 1 Luento 1 Ti 10.1.2017 Timo Männikkö Luento 1 Algoritmi Algoritmin toteutus Ongelman ratkaiseminen Algoritmin tehokkuus Algoritmin suoritusaika Algoritmin analysointi Algoritmit 1 Kevät 2017

Lisätiedot

Kääreluokat (oppikirjan luku 9.4) (Wrapper-classes)

Kääreluokat (oppikirjan luku 9.4) (Wrapper-classes) Kääreluokat (oppikirjan luku 9.4) (Wrapper-classes) Kääreluokista Javan alkeistietotyypit ja vastaavat kääreluokat Autoboxing Integer-luokka Double-luokka Kääreluokista Alkeistietotyyppiset muuttujat (esimerkiksi

Lisätiedot

OHJ-1010 Tietotekniikan perusteet 4 op Syksy 2012

OHJ-1010 Tietotekniikan perusteet 4 op Syksy 2012 OHJ-1010 Tietotekniikan perusteet 4 op Syksy 2012 Luento 6: Tiedon esittäminen tietokoneessa, osa 1 Tekijät: Antti Virtanen, Timo Lehtonen, Matti Kujala, Kirsti Ala-Mutka, Petri M. Gerdt et al. Luennon

Lisätiedot

Sinulle on annettu bittijono, ja tehtäväsi on muuttaa jonoa niin, että jokainen bitti on 0.

Sinulle on annettu bittijono, ja tehtäväsi on muuttaa jonoa niin, että jokainen bitti on 0. A Bittien nollaus Sinulle on annettu bittijono, ja tehtäväsi on muuttaa jonoa niin, että jokainen bitti on 0. Saat käyttää seuraavia operaatioita: muuta jokin bitti vastakkaiseksi (0 1 tai 1 0) muuta kaikki

Lisätiedot

Luento 2: Tiedostot ja tiedon varastointi

Luento 2: Tiedostot ja tiedon varastointi HELIA 1 (19) Luento 2: Tiedostot ja tiedon varastointi Muistit... 2 Päämuisti (Primary storage)... 2 Apumuisti (Secondary storage)... 2 Tiedon tallennuksen yksiköitä... 3 Looginen taso... 3 Fyysinen taso...

Lisätiedot

Kiinnostuspohjainen topologian hallinta järjestämättömissä vertaisverkoissa

Kiinnostuspohjainen topologian hallinta järjestämättömissä vertaisverkoissa Kiinnostuspohjainen topologian hallinta järjestämättömissä vertaisverkoissa Lektio 20.12.2012, Annemari Soranto Tietotekniikan laitos annemari.k.soranto@jyu.fi 1 Agenda Vertaisverkon määritelmä Haku vertaisverkossa

Lisätiedot

KEMIA 25.3.2011 lyhennettyjä ratkaisuja. 1. a) Vesiliukoisia: B, C, D, F, G

KEMIA 25.3.2011 lyhennettyjä ratkaisuja. 1. a) Vesiliukoisia: B, C, D, F, G KEMIA 25.3.2011 lyhennettyjä ratkaisuja 1. a) Vesiliukoisia: B,, D, F, G b) Ioniyhdisteitä: B,, F c) Happamia: d) Hiilitabletti on erittäin hienojakoista hiiltä (aktiivihiiltä). Suuren pinta alansa johdosta

Lisätiedot

Jokaisella tiedostolla on otsake (header), joka sisältää tiedostoon liittyvää hallintatietoa

Jokaisella tiedostolla on otsake (header), joka sisältää tiedostoon liittyvää hallintatietoa Tietojen tallennusrakenteet Jokaisella tiedostolla on otsake (header), joka sisältää tiedostoon liittyvää hallintatietoa tiedot tiedostoon kuuluvista lohkoista esim. taulukkona, joka voi muodostua ketjutetuista

Lisätiedot

Ongelma 1: Miten tieto kannattaa koodata, jos sen halutaan olevan hyvin vaikeasti luettavaa?

Ongelma 1: Miten tieto kannattaa koodata, jos sen halutaan olevan hyvin vaikeasti luettavaa? Ongelma 1: Miten tieto kannattaa koodata, jos sen halutaan olevan hyvin vaikeasti luettavaa? 2012-2013 Lasse Lensu 2 Ongelma 2: Miten tietoa voidaan (uudelleen)koodata tehokkaasti? 2012-2013 Lasse Lensu

Lisätiedot

Tietojenkäsittelyteorian alkeet, osa 2

Tietojenkäsittelyteorian alkeet, osa 2 TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 12. syyskuuta 2016 Sisällys vs Ovat eri asioita! Älä sekoita niitä. Funktiot Funktio f luokasta A luokkaan B, merkitään

Lisätiedot

Jäsennys. TIEA341 Funktio ohjelmointi 1 Syksy 2005

Jäsennys. TIEA341 Funktio ohjelmointi 1 Syksy 2005 Jäsennys TIEA341 Funktio ohjelmointi 1 Syksy 2005 Muistutus: Laskutehtävä ja tulos data Laskutehtava = Luku Double Yhteen Laskutehtava Laskutehtava Vahennys Laskutehtava Laskutehtava Tulo Laskutehtava

Lisätiedot

Solun perusrakenne I Solun perusrakenne. BI2 I Solun perusrakenne 3. Solujen kemiallinen rakenne

Solun perusrakenne I Solun perusrakenne. BI2 I Solun perusrakenne 3. Solujen kemiallinen rakenne Solun perusrakenne I Solun perusrakenne 3. Solujen kemiallinen rakenne 1. Avainsanat 2. Solut koostuvat molekyyleistä 3. Hiilihydraatit 4. Lipidit eli rasva-aineet 5. Valkuaisaineet eli proteiinit rakentuvat

Lisätiedot

Ohjelmoinnin perusteet Y Python

Ohjelmoinnin perusteet Y Python Ohjelmoinnin perusteet Y Python T-106.1208 9.2.2009 T-106.1208 Ohjelmoinnin perusteet Y 9.2.2009 1 / 35 Listat Esimerkki: halutaan kirjoittaa ohjelma, joka lukee käyttäjältä 30 lämpötilaa. Kun lämpötilat

Lisätiedot

Laskennan mallit (syksy 2009) Harjoitus 11, ratkaisuja

Laskennan mallit (syksy 2009) Harjoitus 11, ratkaisuja 582206 Laskennan mallit (syksy 2009) Harjoitus 11, ratkaisuja 1. Seuraavissa laskennoissa tilat on numeroitu sarakkeittain ylhäältä alas jättäen kuitenkin hyväksyvä tila välistä. Turingin koneen laskenta

Lisätiedot

Pitkäaikaistallennus. CSC - Tieteen tietotekniikan keskus IT2008 Ari Lukkarinen

Pitkäaikaistallennus. CSC - Tieteen tietotekniikan keskus IT2008 Ari Lukkarinen Pitkäaikaistallennus CSC - Tieteen tietotekniikan keskus IT2008 Ari Lukkarinen Mitä on pitkäaikaistallennus? Tiedon tallennuksen aikajänne ylittää tallennusjärjestelmän sekä laite-että ohjelmistokomponenttien

Lisätiedot

7/20: Paketti kasassa ensimmäistä kertaa

7/20: Paketti kasassa ensimmäistä kertaa Ohjelmointi 1 / syksy 2007 7/20: Paketti kasassa ensimmäistä kertaa Paavo Nieminen nieminen@jyu.fi Tietotekniikan laitos Informaatioteknologian tiedekunta Jyväskylän yliopisto Ohjelmointi 1 / syksy 2007

Lisätiedot

Algoritmit 1. Luento 3 Ti Timo Männikkö

Algoritmit 1. Luento 3 Ti Timo Männikkö Algoritmit 1 Luento 3 Ti 17.1.2017 Timo Männikkö Luento 3 Algoritmin analysointi Rekursio Lomituslajittelu Aikavaativuus Tietorakenteet Pino Algoritmit 1 Kevät 2017 Luento 3 Ti 17.1.2017 2/27 Algoritmien

Lisätiedot

Sisällys. 3. Muuttujat ja operaatiot. Muuttujat ja operaatiot. Muuttujat. Operaatiot. Imperatiivinen laskenta. Muuttujat. Esimerkkejä: Operaattorit.

Sisällys. 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

Lisätiedot

3. Muuttujat ja operaatiot 3.1

3. 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.

Lisätiedot

Se mistä tilasta aloitetaan, merkitään tyhjästä tulevalla nuolella. Yllä olevassa esimerkissä aloitustila on A.

Se mistä tilasta aloitetaan, merkitään tyhjästä tulevalla nuolella. Yllä olevassa esimerkissä aloitustila on A. Tehtävä. Tämä tehtävä on aineistotehtävä, jossa esitetään ensin tehtävän teoria. Sen jälkeen esitetään neljä kysymystä, joissa tätä teoriaa pitää soveltaa. Mitään aikaisempaa tehtävän aihepiirin tuntemusta

Lisätiedot

Taulukot. Jukka Harju, Jukka Juslin 2006 1

Taulukot. Jukka Harju, Jukka Juslin 2006 1 Taulukot Jukka Harju, Jukka Juslin 2006 1 Taulukot Taulukot ovat olioita, jotka auttavat organisoimaan suuria määriä tietoa. Käsittelylistalla on: Taulukon tekeminen ja käyttö Rajojen tarkastus ja kapasiteetti

Lisätiedot

Algoritmit 1. Luento 8 Ke Timo Männikkö

Algoritmit 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

Lisätiedot

802328A LUKUTEORIAN PERUSTEET OSA III BASICS OF NUMBER THEORY PART III. Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO

802328A LUKUTEORIAN PERUSTEET OSA III BASICS OF NUMBER THEORY PART III. Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO 8038A LUKUTEORIAN PERUSTEET OSA III BASICS OF NUMBER THEORY PART III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 016 Sisältö 1 Irrationaaliluvuista Antiikin lukuja 6.1 Kolmio- neliö- ja tetraedriluvut...................

Lisätiedot

LUENTO 3 Kyösti Ryynänen Seutuviikko 2014, Jämsä

LUENTO 3 Kyösti Ryynänen Seutuviikko 2014, Jämsä LUENTO 3 Kyösti Ryynänen Seutuviikko 2014, Jämsä MITEN MATERIA KOODAA MATERIAA? 1 PROTEIINISYNTEESI DNA SISÄLTÄÄ GENEETTISEN KOODIN EMÄSJÄRJESTYKSEN MUODOSSA DNA:N EMÄSJÄRJESTYS KOPIOIDAAN (TRANSKRIPTIO)

Lisätiedot

Nimi sosiaaliturvatunnus. Vastaa lyhyesti, selkeällä käsialalla. Vain vastausruudun sisällä olevat tekstit, kuvat jne huomioidaan

Nimi sosiaaliturvatunnus. Vastaa lyhyesti, selkeällä käsialalla. Vain vastausruudun sisällä olevat tekstit, kuvat jne huomioidaan 1. a) Seoksen komponentit voidaan erotella toisistaan kromatografisilla menetelmillä. Mihin kromatografiset menetelmät perustuvat? (2p) Menetelmät perustuvat seoksen osasten erilaiseen sitoutumiseen paikallaan

Lisätiedot

f(n) = Ω(g(n)) jos ja vain jos g(n) = O(f(n))

f(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

Lisätiedot

DNA:n informaation kulku, koostumus

DNA: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

Lisätiedot

Ohjelmoinnin peruskurssi Y1

Ohjelmoinnin 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.

Lisätiedot

Yhteistyöaineiden edustajan puheenvuoro

Yhteistyöaineiden edustajan puheenvuoro Yhteistyöaineiden edustajan puheenvuoro Professori Ilkka Virtanen Talousmatematiikka Johdatus laskentatoimen ja rahoituksen tutkielmatyöskentelyyn 21.10.2002 Vaasan yliopisto Johdatus laskentatoimen ja

Lisätiedot

A274101 TIETORAKENTEET JA ALGORITMIT

A274101 TIETORAKENTEET JA ALGORITMIT A274101 TIETORAKENTEET JA ALGORITMIT PUURAKENTEET, BINÄÄRIPUU, TASAPAINOTETUT PUUT MIKÄ ON PUUTIETORAKENNE? Esim. Viereinen kuva esittää erästä puuta. Tietojenkäsittelytieteessä puut kasvavat alaspäin.

Lisätiedot

Ohjelmoinnin perusteet Y Python

Ohjelmoinnin perusteet Y Python Ohjelmoinnin perusteet Y Python T-106.1208 11.2.2009 T-106.1208 Ohjelmoinnin perusteet Y 11.2.2009 1 / 33 Kertausta: listat Tyhjä uusi lista luodaan kirjoittamalla esimerkiksi lampotilat = [] (jolloin

Lisätiedot

ELÄMÄN MÄÄRITTELEMINEN. LUENTO 1 Kyösti Ryynänen Seutuviikko 2014, Jämsä MITÄ ELÄMÄ ON? EI-ELÄVÄ LUONTO ELÄVÄ LUONTO PAUL DAVIES 26.3.

ELÄMÄN MÄÄRITTELEMINEN. LUENTO 1 Kyösti Ryynänen Seutuviikko 2014, Jämsä MITÄ ELÄMÄ ON? EI-ELÄVÄ LUONTO ELÄVÄ LUONTO PAUL DAVIES 26.3. LUENTO 1 Kyösti Ryynänen Seutuviikko 2014, Jämsä MITEN ELÄMÄÄ VOIDAAN MÄÄRITELLÄ? MAA-ELÄMÄN RAKENNUSSARJAN SISÄLTÖ 1 ELÄMÄN MÄÄRITTELEMINEN ASTROBIOLOGIA TARVITSEE JA EDELLYTTÄÄ KOSMOLOGISTA JA UNIVERSAALIA

Lisätiedot

Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida?

Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida? Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida? 2 Tieto on koodattu aikaisempaa yleisemmin digitaaliseen muotoon,

Lisätiedot

58131 Tietorakenteet (kevät 2009) Harjoitus 6, ratkaisuja (Antti Laaksonen)

58131 Tietorakenteet (kevät 2009) Harjoitus 6, ratkaisuja (Antti Laaksonen) 58131 Tietorakenteet (kevät 2009) Harjoitus 6, ratkaisuja (Antti Laaksonen) 1. Avaimet 1, 2, 3 ja 4 mahtuvat samaan lehtisolmuun. Tässä tapauksessa puussa on vain yksi solmu, joka on samaan aikaan juurisolmu

Lisätiedot

TIEA241 Automaatit ja kieliopit, kevät 2011 (IV) Antti-Juhani Kaijanaho. 19. tammikuuta 2012

TIEA241 Automaatit ja kieliopit, kevät 2011 (IV) Antti-Juhani Kaijanaho. 19. tammikuuta 2012 TIEA241 Automaatit ja kieliopit, kevät 2011 (IV) Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 19. tammikuuta 2012 Sisällys Sisällys Muistathan A B -konstruktion 0 k 1 i 2 s 3 s 4 a 5 0 k 1 o 2 i 3 r 4

Lisätiedot

TYÖKALUT HAKUKONEOPTIMOINTIIN

TYÖKALUT HAKUKONEOPTIMOINTIIN TYÖKALUT HAKUKONEOPTIMOINTIIN 1 GOOGLE ANALYTICS Google Analytics on työkalu sivustosi kävijöiden analysoimiseen. Saat sen avulla helposti tietoja kävijöistäsi, joita muuten joutuisit vain arvailemaan.

Lisätiedot

Tiedon louhinnan teoria (ja käytäntö) OUGF kevätseminaari 2004 Hannu Toivonen

Tiedon louhinnan teoria (ja käytäntö) OUGF kevätseminaari 2004 Hannu Toivonen Tiedon louhinnan teoria (ja käytäntö) OUGF kevätseminaari 2004 Hannu Toivonen hannu.toivonen@cs.helsinki.fi 1 2 A 1 4 8 2 2 1 2 6 2 A 2 4 3 7 3 2 8 4 2 A 4 5 2 4 5 5 2 6 4 A 7 2 3 7 5 4 5 2 2 A 5 2 4 6

Lisätiedot

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx. Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin

Lisätiedot

3. Laskennan vaativuusteoriaa

3. Laskennan vaativuusteoriaa 3. Laskennan vaativuusteoriaa tähän asti puhuttu siitä, mitä on mahdollista laskea äärellisessä ajassa siirrytään tarkastelemaan laskemista kohtuullisessa ajassa vaihtoehtoisesti voidaan laskenta-ajan

Lisätiedot

Mitä CRM olisi ilman ajantasaisia kontaktitietoja?

Mitä CRM olisi ilman ajantasaisia kontaktitietoja? Mitä CRM olisi ilman ajantasaisia kontaktitietoja? Fonecta Oy Uoma Oy (Onesta Solutions Oy) Microsoft Dynamics CRM 4.0 lanseeraus Messukeskus, 14.02.2008 Yritys- ja päättäjätietojen integraatio Fonecta

Lisätiedot

Ohjelmointi 1 Taulukot ja merkkijonot

Ohjelmointi 1 Taulukot ja merkkijonot Ohjelmointi 1 Taulukot ja merkkijonot Jussi Pohjolainen TAMK Tieto- ja viestintäteknologia Johdanto taulukkoon Jos ohjelmassa käytössä ainoastaan perinteisiä (yksinkertaisia) muuttujia, ohjelmien teko

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

Harjoitus 7. 1. Olkoon olemassa luokat Lintu ja Pelikaani seuraavasti:

Harjoitus 7. 1. Olkoon olemassa luokat Lintu ja Pelikaani seuraavasti: Harjoitus 7 1. Olkoon olemassa luokat Lintu ja Pelikaani seuraavasti: class Lintu //Kentät private int _siivenpituus; protected double _aivojenkoko; private bool _osaakolentaa; //Ominaisuudet public int

Lisätiedot

Rekisterit tutkimusaineistona: tieteenfilosofis-metodologiset lähtökohdat

Rekisterit tutkimusaineistona: tieteenfilosofis-metodologiset lähtökohdat Reijo Sund Rekisterit tutkimusaineistona: tieteenfilosofis-metodologiset lähtökohdat Rekisterit tutkimuksen apuvälineenä kurssi, Biomedicum, Helsinki 25.05.2009 Kevät 2009 Rekisterit tutkimusaineistona

Lisätiedot

APUTAULUKKO Työaika: 108 t 45 min Kaavamainen esitys sen tuntimäärän osoittamiseksi, joka voidaan jättää puskurityöaikaan RVLTAS:n perusteella.

APUTAULUKKO Työaika: 108 t 45 min Kaavamainen esitys sen tuntimäärän osoittamiseksi, joka voidaan jättää puskurityöaikaan RVLTAS:n perusteella. 29.11.2002 RVLTAS (VM 4.3.2003) Päivitetty 1.10.2007 LIITE 9 APUTAULUKKO : 108 t 45 min Laskentaperuste: 0 21 108 t 45 min 114 t 45 min 6 t 00 min - laskentapäivän arvo 5:10 1 20 101 t 30 min 109 t 17

Lisätiedot

SELECT-lauseen perusmuoto

SELECT-lauseen perusmuoto SQL: Tiedonhaku SELECT-lauseen perusmuoto SELECT FROM WHERE ; määrittää ne sarakkeet, joiden halutaan näkyvän kyselyn vastauksessa sisältää

Lisätiedot

4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA. T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen

4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA. T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen 4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen 1 2 TI-Nspire CX CAS kämmenlaite kevään 2013 pitkän matematiikan kokeessa Tehtävä 1. Käytetään komentoa

Lisätiedot

Hakusuosikit. Unifaun Online 2015-12-16

Hakusuosikit. 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...

Lisätiedot

Ohjelmoinnin perusteet Y Python

Ohjelmoinnin perusteet Y Python Ohjelmoinnin perusteet Y Python T-106.1208 7.2.2011 T-106.1208 Ohjelmoinnin perusteet Y 7.2.2011 1 / 39 Kännykkäpalautetteen antajia kaivataan edelleen! Ilmoittaudu mukaan lähettämällä ilmainen tekstiviesti

Lisätiedot

Tutkimustiedon hallinnan ohjelmistotekniset haasteet. Aleksi Kallio, CSC Datan käsittely ja analyysi tutkimuksessa,

Tutkimustiedon hallinnan ohjelmistotekniset haasteet. Aleksi Kallio, CSC Datan käsittely ja analyysi tutkimuksessa, Tutkimustiedon hallinnan ohjelmistotekniset haasteet Aleksi Kallio, CSC Datan käsittely ja analyysi tutkimuksessa, 4.4.2007 Sisältö Ohjelmoijan näkökulma datan hallintaan Eli terveisiä sorvin äärestä,

Lisätiedot

3.7 Todennäköisyysjakaumia

3.7 Todennäköisyysjakaumia MAB5: Todennäköisyyden lähtökohdat 4 Luvussa 3 Tunnusluvut perehdyimme jo jakauman käsitteeseen yleensä ja normaalijakaumaan vähän tarkemmin. Lähdetään nyt tutustumaan binomijakaumaan ja otetaan sen jälkeen

Lisätiedot

Farmaseuttinen etiikka

Farmaseuttinen etiikka Farmaseuttinen etiikka Etiikka, tiede ja arvot Luento 5. Farmasian tdk. 14.11. Markus Neuvonen markus.neuvonen@helsinki.fi Reduktionistisen ohjelman pyramidi: Humanistiset Yhteiskuntatieteet Psykologia

Lisätiedot

Ohjelmoinnin perusteet Y Python

Ohjelmoinnin perusteet Y Python Ohjelmoinnin perusteet Y Python T-106.1208 9.2.2011 T-106.1208 Ohjelmoinnin perusteet Y 9.2.2011 1 / 46 Kännykkäpalautetteen antajia kaivataan edelleen! Ilmoittaudu mukaan lähettämällä ilmainen tekstiviesti

Lisätiedot

1 Rajoittamaton optimointi

1 Rajoittamaton optimointi Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y

Lisätiedot

Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa Linkkikeskukset ja auktoriteetit (hubs and authorities) -algoritmi

Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa Linkkikeskukset ja auktoriteetit (hubs and authorities) -algoritmi Kurssin loppuosa Diskreettejä menetelmiä laajojen 0-1 datajoukkojen analyysiin Kattavat joukot ja niiden etsintä tasoittaisella algoritmilla Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa

Lisätiedot

Luku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti

Luku 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

Lisätiedot

Algoritmit 1. Luento 5 Ti Timo Männikkö

Algoritmit 1. Luento 5 Ti Timo Männikkö Algoritmit 1 Luento 5 Ti 24.1.2017 Timo Männikkö Luento 5 Järjestetty lista Järjestetyn listan operaatiot Listan toteutus taulukolla Binäärihaku Binäärihaun vaativuus Algoritmit 1 Kevät 2017 Luento 5 Ti

Lisätiedot

Matemaatikot ja tilastotieteilijät

Matemaatikot ja tilastotieteilijät Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat

Lisätiedot

Kaksi pisteytystapaa DNA-sekvenssien luokitteluun

Kaksi pisteytystapaa DNA-sekvenssien luokitteluun Kaksi pisteytystapaa DNA-sekvenssien luokitteluun Marjo Salinto marjosalinto@cshelsinkifi Tiedon louhinta biomolekyyliaineistoista Helsingin yliopisto, tietojenkäsittelytieteen laitos Raportti C-2003-52,

Lisätiedot

Arkkitehtuurikuvaus. Ratkaisu ohjelmistotuotelinjan monikielisyyden hallintaan Innofactor Oy. Ryhmä 14

Arkkitehtuurikuvaus. Ratkaisu ohjelmistotuotelinjan monikielisyyden hallintaan Innofactor Oy. Ryhmä 14 Arkkitehtuurikuvaus Ratkaisu ohjelmistotuotelinjan monikielisyyden hallintaan Innofactor Oy Ryhmä 14 Muutoshistoria Versio Pvm Päivittäjä Muutos 0.4 1.11.2007 Matti Eerola 0.3 18.10.2007 Matti Eerola 0.2

Lisätiedot

Algebralliset tietotyypit ym. TIEA341 Funktio ohjelmointi 1 Syksy 2005

Algebralliset tietotyypit ym. TIEA341 Funktio ohjelmointi 1 Syksy 2005 Algebralliset tietotyypit ym. TIEA341 Funktio ohjelmointi 1 Syksy 2005 Tällä luennolla Algebralliset tietotyypit Hahmonsovitus (pattern matching) Primitiivirekursio Esimerkkinä binäärinen hakupuu Muistattehan...

Lisätiedot

1. (a) Seuraava algoritmi tutkii, onko jokin luku taulukossa monta kertaa:

1. (a) Seuraava algoritmi tutkii, onko jokin luku taulukossa monta kertaa: Tietorakenteet, laskuharjoitus 10, ratkaisuja 1. (a) Seuraava algoritmi tutkii, onko jokin luku taulukossa monta kertaa: SamaLuku(T ) 2 for i = 1 to T.length 1 3 if T [i] == T [i + 1] 4 return True 5 return

Lisätiedot