Kvantitatiivinen genetiikka moniste s. 56

Samankaltaiset tiedostot
Kvantitatiivinen genetiikka

Frequencies. Frequency Table

Data-analyysi II. Sisällysluettelo. Simo Kolppo [Type the document subtitle]


Esim Brand lkm keskiarvo keskihajonta A ,28 5,977 B ,06 3,866 C ,95 4,501

Harjoittele tulkintoja

SPSS-perusteet. Sisältö

Perusnäkymä yksisuuntaiseen ANOVAaan

voidaan hylätä, pienempi vai suurempi kuin 1 %?

Teema 10: Regressio- ja varianssianalyysi

Ohjeita kvantitatiiviseen tutkimukseen

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3

MTTTP1, luento KERTAUSTA

MTTTP1, luento KERTAUSTA

MTTTP1, luento KERTAUSTA

Tilastollisten menetelmien perusteet II TILTP3 Luentorunko

1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 2

Kandidaatintutkielman aineistonhankinta ja analyysi

Perinnöllisyys. Enni Kaltiainen

VARIANSSIANALYYSI ANALYSIS OF VARIANCE

Teema 3: Tilastollisia kuvia ja tunnuslukuja

alleelipareja dominoiva dominoiva resessiivinen

Sisällysluettelo 6 REGRESSIOANALYYSI. Metsämuuronen: Monimuuttujamenetelmien perusteet SPSS-ympäristössä ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON...

Opetus talteen ja jakoon oppilaille. Kokemuksia Aurajoen lukion tuotantoluokan toiminnasta Anna Saivosalmi

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)

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

TKMS7a-f/LRS20a-f/MAS2/KVS2/TMS82a-f/JOM/TJM/YRM Monimuuttujamenetelmien soveltaminen taloustieteissä. Tentti

I Keskiarvot ja hajonnat muuttujista 3-26 niin, että luokittelevana muuttujana on muuttuja 2 eli sukupuoli

Ohjeita tilastollisen tutkimuksen toteuttamiseksi SPSS for Windows -ohjelmiston avulla

MTTTP5, luento Luottamusväli, määritelmä

Perinnöllisyystieteen perusteita III Perinnöllisyystieteen perusteita

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =

Graph. COMPUTE x=rv.normal(0,0.04). COMPUTE y=rv.normal(0,0.04). execute.

1. USEAN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA OSITTAISKORRELAATIO

Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?

voidaan hylätä, pienempi vai suurempi kuin 1 %?

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

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

SPSS-pikaohje. Jukka Jauhiainen OAMK / Tekniikan yksikkö

Korrelaatiokerroin. Hanna Heikkinen. Matemaattisten tieteiden laitos. 23. toukokuuta 2012

Kvantitatiiviset tutkimusmenetelmät maantieteessä

Prospektiteoreettinen näkökulma

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):

Raija Leppälä. Ohjeita tilastollisen tutkimuksen toteuttamiseksi IBM SPSS Statistics -ohjelmiston avulla

Mat Tilastollisen analyysin perusteet. Painotettu PNS-menetelmä. Avainsanat:

SPSS OPAS. Metropolia Liiketalous

Demotehtävä + liitteet (muuttujaluettelo, käytettävät analyysimenetelmät hypoteeseineen, osa SPSS-ohjelman tulostuslistasta)

E80. Data Uncertainty, Data Fitting, Error Propagation. Jan. 23, 2014 Jon Roberts. Experimental Engineering

1. a) Luettele hyvän kvantitatiivisen tutkimuksen perusvaatimukset. b) Miten tutkimusraportissa arvioit tutkimuksen luotettavuutta?

a. Mustan ja lyhytkarvaisen yksilön? b. Valkean ja pitkäkarvaisen yksilön? Perustele risteytyskaavion avulla.

1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT

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

SPSS ohje. Metropolia Business School/ Pepe Vilpas

Genetiikan perusteet. Tafel V Baur E. (1911) Einführung in die experimentelle Vererbungslehre. Verlag von Gebrüder Borntraeger, Berlin.

Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4

Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 2003 LKM 14.8% 11.2% 19.7% 4.9% 3.6% 45.

S Laskennallinen systeemibiologia

vkp 4*(1+0)/(32-3)-1= vkp 2*(1+0)/(32-3)=

1. REGRESSIOMALLIN SYSTEMAATTISEN OSAN MUOTO

(d) Laske selittäjään paino liittyvälle regressiokertoimelle 95 %:n luottamusväli ja tulkitse tulos lyhyesti.

Sisällysluettelo 6 VARIANSSIANALYYSI. Metsämuuronen: Monimuuttujamenetelmien perusteet SPSS-ympäristössä ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON...

2. Aineiston kuvailua

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Residuaalit. Residuaalit. UK Ger Fra US Austria. Maat

4 Riippuvuus 1. Esimerkki 4. Korrelaation laskeminen SPSS-ohjelmalla rajatusta aineistosta

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Populaatiosimulaattori. Petteri Hintsanen HIIT perustutkimusyksikkö Helsingin yliopisto

Ilmoittaudu Weboodissa klo (sali L4) pidettävään 1. välikokeeseen!

1 TILASTOJEN KÄYTTÖ 7. Mitä tilastotiede on 7 Historiaa 8 Tilastotieteen nykyinen asema 9 Tilastollisen tutkimuksen vaiheet 10

MONIMUUTTUJAMENETELMISTÄ RAKENNEYHTÄLÖMALLINNUKSEEN MUUTTUJIEN NORMAALISUUS. Statistics

RISTIINTAULUKOINTI JA Χ 2 -TESTI

Tehtävä 1. (a) JYVÄSKYLÄN YLIOPISTO Matematiikan ja tilastotieteen laitos Parametrittomat ja robustit menetelmät Harjoitukset 7, vastaukset

Jakaumien merkitys biologisissa havaintoaineistoissa: Löytyykö ratkaisu Yleistetyistä Lineaarisista (Seka)Malleista?

Lauri Tarkkonen: Erottelu analyysi

Tilastotieteen johdantokurssin harjoitustyö. 1 Johdanto Aineiston kuvaus Riippuvuustarkastelut...4

, Määrälliset tutkimusmenetelmät 2 4 op

III Perinnöllisyystieteen perusteita

Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta?

Perhevapaiden palkkavaikutukset

Coimisiún na Scrúduithe Stáit State Examinations Commission. Leaving Certificate Marking Scheme. Finnish. Higher Level

} Vastinkromosomit. Jalostusta selkokielellä. Miten niin voidaan jalostaa?

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Pertti Vilpas Metropolia 1. KVANTITATIIVINEN TUTKIMUS

3. Useamman selittäajäan regressiomalli. p-selittäaväaäa muuttujaa. Y i = + 1 X i p X ip + u i

Christina Gustafsson. Tilastollinen tietojenkäsittely STAT2100 IBM SPSS Statistics 22 for Windows Osa 2

TUTKIMUSOPAS. SPSS-opas

pisteet Frekvenssi frekvenssi Yhteensä

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Harjoitukset 4 : Paneelidata (Palautus )

7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)

Kvantitatiivisen tutkimuksen peruskurssi (5 op) - ay407040a

Maksimit ja minimit 1/5 Sisältö ESITIEDOT: reaalifunktiot, derivaatta

Kvantitatiiviset menetelmät

Muuttujien väliset riippuvuudet esimerkkejä

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

SPSS-ohjeita. Metropolia Pertti Vilpas

X-kromosominen periytyminen. Potilasopas. TYKS Perinnöllisyyspoliklinikka PL 52, Turku puh (02) faksi (02)

Polttoaineen laadun ja poltossa käytetyn ilmamäärän vaikutukset palamisen hallintaan uudenlaista pellettipoltinta käytettäessä

Transkriptio:

Kvantitatiivinen genetiikka moniste s. 56 - määrällisten ominaisuuksien periytymisen hallinta - mendelismi oli aluksi vastatuulessa siksi että darwinistit, joilla oli paljon valtaa Britanniassa, olivat tottuneet määrällisen genetiikan piirteisiin: jatkuvat jakautumat, vähittäinen muutos jne - oli myös kehitetty BIOMETRIA (eli tilastotiede), jonka toimialaa määrällisten ominaisuuksien genetiikka on vieläkin (normaali- ym. jakautumat, korrelaatiot, regressiot ) PITUUDEN MUUNTELU JA HERITABILITEETTI IHMISPOPULAATIOSSA

Sulkeisliike normaalijakautumaan järjesty

Joitakin määrällisten ominaisuuksien hallinnan juttuja Keskiarvo Varianssi Keskihajonta Korrelaatio Regressio

Nilsson-Ehle (ruotsalainen) esitti ensimmäisenä mendelistisen mallin määrälliselle ominaisuudelle 908 Tutkittavana hällä oli vehnänjyvän punertava väri

Kühn: Grundriss der Vererbungslehre, 950

Kvantitatiivisen periytymisen malli aa Aa AA --------------------------- ------ --------------------- -a 0 +d +a q 2 2pq p 2 m = p 2 a -q 2 a + 2pqd = a (p - q)(p + q) + 2pqd = a(p-q) +2pqd Jos d = 0, m = a ( - 2q) jos d =, m = a ( - 2 q 2 )

Kahden alleeliparin vaikutuksen yhdistäminen AA Aa aa p 2 2pq q 2 BB r 2 2a a + d 0 Bb 2rs a + d 2d d -a bb s 2 0 d - a -2a

Pyyhitäänpä dominanssi pois: AA Aa aa p 2 2pq q 2 BB r 2 2a a 0 Bb 2rs a 0 -a bb s 2 0 -a -2a aabb AABb AAbb Aabb AABB AaBB AaBb aabb aabb p 2 r 2 2rsp 2 +2pqr 2 q 2 r 2 +p 2 s 2 +4pqrs 2rsq 2 +2pqs 2 q 2 s 2 2a a 0 -a -2a 4 6 4

Pascalin kolmio eli binomijakautuma -taika 2 alleelipari 3 3 4 6 4 2 paria 5 0 0 5 6 5 20 5 6 3 7 2 35 35 2 7 8 28 56 70 56 28 8 4, &c 9 36 84 26 26 84 36 9 Tästä saa johdettua lukusuhteet, 2, 3, 4 tai vaikka kuinka monen alleeliparin jakautumille, helposti ja paljoakaan muistamatta. Lopulta jakautuma noudattaa normaalijakatumaa

Esimerkki: vanha kunnon käärmelasku Risteytetään 200 cm pitkät käärmeet A B C d E A B c d E -------------- x -------------- a b C d e a b C d E Peruspituus 50 cm. Jokainen isolla kirjaimella merkitty alleeli lisää pituutta 0 cm. Ennusta jälkeläisen jakautuma pituusluokkiin. Ratkaisu: heterotsygoottisia lokuksia on kuusi, eli niistä voi tulla jälkeläiselle pieni tai iso kirjain. Jokainen jälkeläinen saa varmasti yhden C:n ja yhden E:n, joten pienin poikanen on 70 cm 70 80 90 200 20 220 230 Pituusluokka 6 5 20 5 6 Pascal, rivi 7

Määrällisiin ominaisuuksiin vaikuttaa myös ympäristö, eikä suinkaan pelkästään 2 tai useampia +/- alleelipareja. Usein halutaankin tietää, kuinka iso osa varianssista eli yksilöiden välisistä eroista johtuu geneettisistä syistä, ja mikä osa ympäristöstä Geneettisen osuuden mitan nimi on heritabiliteetti

Jos populaatiossa on sellaisia segregoituvia alleelipareja, jotka vaikuttavat tiettyyn mittaominaisuuteen, siitä koituu tietenkin geneettistä muuntelua Muuntelua aiheuttaa myös ympäristö

Fenotyyppinen varianssi Vp aiheutuu eri osista: additiivisesta geneettisestä Va, dominanssin aiheuttamasta geneettisestä Vd, geeni-interaktioiden Vi aiheuttamasta geneettisestä ja vielä ympäristön Ve aiheuttamasta, sekä lopulta kaikkien näiden mahdollisista interaktioista eli vuorovaikutuksista. Vp = Va + Vd + Vi + Ve varianssi

additiivinen aa / AA dominanssi Aa /0 aa / (Aa+AA)

Heritabiliteetti Yksilöt antavat alleeleistaan näytteen gameettien kautta seuraavaan sukupolveen. Sellainen yksilö, jolla on monta plus-alleelia, antaa tietysti gameetteihinkin useampia plus-alleeleita kuin sellainen, jolla niitä on vähän. Tätä tosiasiaa käytetään hyväksi kvantitatiivisessa genetiikassa. Vanhempien ja jälkeläisten tai sisarusten välillä on tiettyä korrelaatiota näiden plus-alleelien määrässä. SUKULAISTEN VÄLINEN KORRELAATIO JOHTUU GEENEISTÄ

Kurssityönä tutkitaan, onko kurssilaisten ja heidän isiensä ja/tai äitiensä välillä korrelaatiota pituuden suhteen, ja esitetään, kuinka tästä kovarianssista voidaan laskea heritabiliteetti. Heritabiliteetti ahtaassa mielessä h² määritellään additiivisen geneettisen varianssin Va osuudeksi koko fenotyyppisestä varianssista Vp : h² = Va /Vp Tämä on tärkeä estimaatti koska jalostugenetiikka hyötyy vain ahtaasta heritabiliteetista

Heritabiliteettiestimaatteja

Jalostushyödyn ja heritabiliteetin välillä on seuraava helppo yhteys: G = h²i G on jalostushyöty (Gain), h² on additiivinen heritabiliteetti ja I on valinnan intensiteetti, so. se osuus populaatiosta joka karsitaan pois. Tämä johtuu hyvin yksinkertaisesti siitä, että jos "suuruus" johtuu tietyistä alleeleista, on niitä alleeleita "suurten" jälkeläisissä sitten enemmän kuin keskinkertaisten jälkeläisissä.

Aina kun ihminen tarvitsee tämän alan kertausta, sen pitää etsiä käsiinsä Falconer, vanha tai uusi

Descriptives Descriptive Statistics TYTÄR ÄITI(T) ISÄ(T) POIKA ÄITI(P) ISÄ(P) Valid N (listwise) N Minimum Maximum Mean Std. Deviation 44 56 83 65.34 5.59 43 50 78 63.37 6.055 43 66 94 76.4 5.998 4 74 89 80.57 5.85 4 55 74 63.79 5.366 4 68 90 78.7 6.50 3 Correlations between parents in female (N=43) and male (N=4) populations ÄITI(T) ISÄ(T) Correlations Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N ÄITI(T) ISÄ(T).39** **. Correlation is significant at the 0.0 level (2 il d)..009 43 43.39**.009. 43 43 Correlations ÄITI(P) ISÄ(P) ÄITI(P) Pearson Correlation.579* Sig. (2-tailed)..030 N 4 4 ISÄ(P) Pearson Correlation.579* Sig. (2-tailed).030. N 4 4 *. Correlation is significant at the 0.05 level (2-tailed). Genetiikan peruskurssi 2003

Variables Entered/Removed b 90 Variables Variables Entered Removed Method ÄITI(T) a. Enter 80 a. All requested variables entered. b. Dependent Variable: TYTÄR 70 Summary Adjusted Std. Error of R R Square R Square the Estimate.545 a.297.280 4.703 a. Predictors: (Constant), ÄITI(T) TYTÄR 60 50 40 ÄITI(T) 50 60 70 80 ANOVA b Regression Residual Total Sum of Squares df Mean Square F Sig. 383.99 383.99 7.36.000 a 906.685 4 22.4 290.605 42 a. Predictors: (Constant), ÄITI(T) b. Dependent Variable: TYTÄR Coefficients a (Constant) ÄITI(T) a. Dependent Variable: TYTÄR Unstandardized Coefficients Standardi zed Coefficien ts 95% Confidence Interval for B B Std. Error Beta t Sig. Lower Bound Upper Bound 83.872 9.590 4.28.000 44.309 23.435.499.20.545 4.67.000.257.74 Genetiikan peruskurssi 2003

90 Variables Entered/Removed b 88 Variables Variables Entered Removed Method ISÄ(P) a. Enter a. All requested variables entered. b. Dependent Variable: POIKA 86 84 82 80 78 Summary 76 Adjusted Std. Error of R R Square R Square the Estimate.62 a.374.322 4.270 POIKA 74 72 60 70 80 90 200 a. Predictors: (Constant), ISÄ(P) ISÄ(P) ANOVA b Regression Residual Total Sum of Squares df Mean Square F Sig. 30.664 30.664 7.67.020 a 28.765 2 8.230 349.429 3 a. Predictors: (Constant), ISÄ(P) b. Dependent Variable: POIKA Coefficients a (Constant) ISÄ(P) a. Dependent Variable: POIKA Unstandardized Coefficients Standardi zed Coefficien ts 95% Confidence Interval for B B Std. Error Beta t Sig. Lower Bound Upper Bound 93.532 32.532 2.875.04 22.65 64.42.487.82.62 2.677.020.09.883 Genetiikan peruskurssi 2003

Regression 90 Variables Entered/Removed b Variables Variables Entered Removed Method KESKIVAN a. Enter 80 a. All requested variables entered. 70 b. Dependent Variable: LAPSI Summary 60 Adjusted Std. Error of R R Square R Square the Estimate.580 a.336.324 6.99892 LAPSI 50 60 70 80 90 a. Predictors: (Constant), KESKIVAN KESKIVAN ANOVA b Regression Residual Total Sum of Squares df Mean Square F Sig. 363.4 363.4 27.833.000 a 2694.68 55 48.985 4057.579 56 a. Predictors: (Constant), KESKIVAN b. Dependent Variable: LAPSI Coefficients a (Constant) KESKIVAN a. Dependent Variable: LAPSI Unstandardized Coefficients Standardi zed Coefficien ts 95% Confidence Interval for B B Std. Error Beta t Sig. Lower Bound Upper Bound 4.058 3.308.30.897-58.684 66.80.970.84.580 5.276.000.602.339 Genetiikan peruskurssi 2003

Tulokset vuoden 200 syksyn peruskurssin oppilaista: pituuden heritabiliteetti Genetiikan peruskurssi 200 syksy

80 75 70 idin pituus 65 60 55 50 45 60 65 70 75 80 85 90 95 Isän pituus Isien ja äitien pituus ei ole merkitsevästi korreloitunut (P = 0.08), korrelaatiokerroin on.273 ja sen neliö eli selityskerroin vain 7.4 % Genetiikan peruskurssi 200 syksy

Correlations ISÄ Pearson Correlation ISÄ ÄITI Sig. (2-tailed) N ÄITI Pearson Correlation Sig. (2-tailed) N.273.080 42 Genetiikan peruskurssi 200 syksy

Tyttären pituus 85 80 75 70 65 60 55 50 45 50 55 60 65 70 75 80 90 85 Äidin pituus Jälkeläisen ja samaa sukupuolta olevan vanhemman regressiot Huomaa, että asteikot eivät ole identtiset Testitulokset seuraavassa slidessä Pojan pituus 80 75 70 65 60 65 70 75 80 85 90 Isän pituus Genetiikan peruskurssi 200 syksy

Summary Std. Error Adjusted R of the R R Square Square Estimate.662 a.438.420 4.6983 a. Predictors: (Constant), ÄITI (Constant) ÄITI Unstandardized Coefficients a. Dependent Variable: HENKILÖ Coefficients a Standardi zed Coefficien ts B Std. Error Beta t Sig. 52.53 22.85 2.286.029.69.4.662 4.95.000 Tyttäret vs. äidit Summary b Std. Error Adjusted R of the R R Square Square Estimate.692 a.479.404 4.9889 a. Predictors: (Constant), ISÄ b. Dependent Variable: HENKILÖ (Constant) ISÄ Unstandardized Coefficients a. Dependent Variable: HENKILÖ Coefficients a Standardi zed Coefficien ts B Std. Error Beta t Sig. 59.03 46.353.275.243.665.262.692 2.535.039 Pojat vs. isät Genetiikan peruskurssi 200 syksy

Tyttären pituus 85 80 75 70 65 60 Jälkeläisen ja vanhempien keskiarvon regressio Vain Y-akselit ovat erilaiset 55 50 58 60 62 64 66 68 70 72 74 76 78 80 Vanhempien keskipituus Analyysi seuraavalla sivulla 90 85 Pojan pituus 80 75 70 65 58 60 62 64 66 68 70 72 74 76 78 80 Vanhempien keskipituus Genetiikan peruskurssi 200 syksy

Coefficients a Summary Std. Error Adjusted R of the R R Square Square Estimate.706 a.498.482 4.438 a. Predictors: (Constant), MLENGTH (Constant) MLENGTH Unstandardized Coefficients a. Dependent Variable: HENKILÖ Standardi zed Coefficien ts B Std. Error Beta t Sig. 2.803 29.088.096.924.956.72.706 5.55.000 Tytöt vs. vanhempien keskiarvo Summary Std. Error Adjusted R of the R R Square Square Estimate.768 a.590.532 4.4220 a. Predictors: (Constant), MLENGTH (Constant) MLENGTH Unstandardized Coefficients a. Dependent Variable: HENKILÖ Coefficients a Standardi zed Coefficien ts B Std. Error Beta t Sig. 9.352 49.506.39.707.930.293.768 3.77.06 Pojat vs. vanhempien keskiarvo Genetiikan peruskurssi 200 syksy

85 85 80 80 Tyttären pituus 75 70 65 60 Tyttären pituus 75 70 65 60 55 55 50 45 50 55 60 65 70 75 80 Äidin pituus 50 58 60 62 64 66 68 70 72 74 76 78 80 Vanhempien keskipituus 90 90 85 85 Pojan pituus 80 75 Pojan pituus 80 75 70 70 65 60 65 70 75 80 85 90 65 58 60 62 64 66 68 70 72 74 76 78 80 Isän pituus Vanhempien keskipituus Genetiikan peruskurssi 200 syksy

Heritabiliteettiestimaatit olivat aika korkeita! Yhteisen ympäristön vaikutus on vaikea kitkeä pois Genetiikan peruskurssi 200 syksy

90 80 70 60 TYTÄR 50 40 50 60 70 80 ÄITI(T) Genetiikan peruskurssi 2003

Graph 90 88 86 84 82 80 78 76 POIKA 74 72 60 70 80 90 200 ISÄ(P) Genetiikan peruskurssi 2003

Graph 90 80 70 60 LAPSI 50 60 70 80 90 KESKIVAN Genetiikan peruskurssi 2003