Populációgenetikai szoftverek ismertetése, alkalmazása populációk összehasonlítására
|
|
- Léna Fodor
- 7 évvel ezelőtt
- Látták:
Átírás
1 Populációgenetikai szoftverek ismertetése, alkalmazása populációk összehasonlítására Tanszéki Szeminárium Kovács Szilvia
2 Populációgenetikai szoftverek Egyszerű mutatók, genetikai távolságok kiszámítására (Ho, He, HWE, LE, AMOVA, Mantel test stb.): Széles körben használt: Arlequin Excel makrók: Genalex, Ms Tools Mikroszatellitákra: Haploid adatokra: DnaSp(haplotípus, nukleotid diverzitás) Genetikai távolságok vizualizálása: Genetic Studio R csomagok: HardyWeinberg, ade4, pegas, ape, vegan,..
3 Populációgenetikai szoftverek Individual based módszerek Structure Baps Térbeli modellek is: Tess Geneland
4 Arlequin Hátránya: bonyolult input file
5
6 HWE és LE A Hardy Weinberg-törvénya genetika egyik törvénye. Kimondja, hogy egy populáción belül nemzedékről nemzedékre a relatív allélgyakoriság változatlan marad. p + q = 1 p² + 2pq + q² = 1 Kapcsoltsági egyensúly: a vizsgált markereknek egymástól függetlenül kell öröklődniük és az egyes allélok sem lehetnek kapcsoltak
7 Arlequin AMOVA φ ST értékek kiszámítása, haploidadatokra F ST és permutált értékek a (populációk közötti haplotípusokból)
8 Arlequin AMOVA F ST értékek kiszámítása, diploid adatokra F ST és permutált értékek a (populációk közötti genotípusokból)
9 Arlequin AMOVA F IS értékek kiszámítása F ST és permutált értékek az (egyedek között, a populációkon belül)
10 Páronkénti F ST és φ ST értékek Carpathian B Thrakia Macedonia Anatolia Caucasus Carpahian B Thrakia 0.046*** 0.219*** Macedonia 0.038*** 0.292*** 0.085*** 0.182*** Anatolia 0.018*** 0.297*** * 0.172** Caucasus 0.065*** *** 0.167*** 0.078*** 0.224*** 0.075*** 0.191***
11 Genetic studio távolságok nincs térbeli modell Nei's genetic Distance among region Table 3: Pair-wise matrix of genetic distances calculated among the stratum variable region. AZ BG CB MAC TUR UKR AZ BG CB MAC TUR
12 Geneticstudio Gráf: populációkat köti össze genetikai távolságok alapján:
13 Geneland Feladat: genetikai adatok alapján besorolja az egyedeket meghatározott mennyiségű populációkba Feltétel: a populációkban a lókuszok között Hardy- Weinberg equilibrium és linkage equilibrium van Több modellel dolgozik, a legnépszerűbb modell az adatok térbeli koordinátáit is használja R library(geneland) Geneland.GUI()
14 Input file 1. file: genitípusok: nincs fejléc Haploid(haploidélőlények vagy mt) egész számok L oszlopban Mikroszatellita SNP-k Diploid, kodomináns: egész számok 2L oszlopban Mikroszatellita SNP-k Domináns: egész számok L oszlopban (0-1 AFLP) 2. file: térbeli koordináták síkvetületű!!!! 2 oszlopban: x, y 3. file: egyedazonosítók: 1 oszlop
15 Output Becslés a HWLE lévő genetikai populációk számára Térkép az egyes genetikai populációk elhelyezkedéséről Minden egyedre megadja, hogy melyik becsült genetikai populációba lett besorolva A térkép minden pixelére megadja, hogy melyik becsült genetikai populációba lett besorolva A pixelek számát beállíthatjuk a jobb felbontás érdekében További lehetőségek: páronkénti F st -kkiszámítása, F is kiszámítása
16 Modellek K: a populációk száma (ezt keressük) Uniform eloszlása van 0 és a felhasználó által megadott Kmax között Populációs besorolás minden egyedre és minden pixelre
17 Mixturemodell Diploid adatokra Az adatsor minden egyede (n) besorolható (K) HWLEben lévő genetikai populációkba (L) lókusz alapján f klj a gyakorisága a k-adikgenetikai populációban az l lókuszjalléljának, p i az i-edikegyed populációs tagságának valószínűsége Az i-edik egyed l-edik lókusznak genotípusa: A modell likelihood-ja:, ha (homozigóta), egyébként 0 (heterozigóta)
18 Mixturemodell Haploid adatokra Az allél gyakoriságok és a populációs besorolások alapján a genotípusok multinomiáliseloszlásúak Linkage equilibrium a feltétele
19 Uncorrelatedmodell Az allél gyakoriságok a keresett genetikai populációkban ismeretlenek Ismeretlenként szerepelnek a számításban (nem ezek értékét keressük) Minden genetikai populációra és lókuszrakiszámolt egyenletek vektorai egybe vannak foglalva (f kl1, f klj ) f klj- nekdirichleteloszlást feltételezve: A modell likelihood-ja: Ez a valószínűség nem függ f klj aktuális értékétől és mindig ugyanazt a prior probability-t adja minden allél frekvenciára
20 Correlatedmodell Az allélgyakoriságok hasonlóak az egyes genetikai populációkban (pl.: a ritka allélok minden populációban ritkák) Korrelációval fejezhető ki a f klj és f k lj között (k és k különböző genetikai populációk) A modellben van egy gyakoriság megadva az ős populációra: f Alj, melynek szintén Dirichleteloszlása van Egy vektorban meg vannak adva az egyes genetikai populációk drift (genetikai sodródás) paraméterei (d 1...d K ) f kl f A, d nekdirichleteloszlása van
21 Correlatedmodell Allél gyakoriságok korrelációja a genetikai populációk között: Driftparaméter d k [0,1] priorja béta eloszlású Ez a modell könnyebben mutat ki különbséget a genetikai populációk között Instabilabb, ezért először használjuk az uncorrelatedmodellt és utána nézzük meg, hogy a correleted hogyan módosítja azt
22 Non-spatialmodell p: a valószínűsége annak hogy az adott populációba tartozik az egyed, ez minden egyedre minden genetikai populációra (K) ki van számolva p=(c 1...c n ), ahol A modell likelihood-ja: 100 egyed, két genetikai populációt feltételezve:
23 Spatialmodell Térbeli mintázatot feltételez, valamilyen barriermegléte miatt a génáramlás limitált az egyes populációk között A program a Poisson-Voronoitessellation modell-t használja Feltételezi, hogy van mismeretlen számú poligonunk, ami kb. lefedi a térbeli populációs mintázatot A poligonok középpontjai: u 1...u m és minden poligonhoz tartozik egy genetikai populáció a K- ból (különböző színnel vannak jelölve a populációk)
24 Poisson-Voronoitessellation modell A poligonok száma poisson eloszlást követ paraméterei: mdb független középpont u 1...u m uniform eloszlással minden u i pont meghatároz egy V i ponthalmazt a térben, ami közel van u-hezés i minden más ponttól távol (u 1...u m )- ben, V i lesz az i-edikcella a Voronoitessellatioban A pontokhoz (u 1...u m ) és a ponthalmazokhoz (V i... V m ) hozzárendel egy genetikai populációt {1,...,K} ból, amik különböző színnel jelennek meg A színek/genetikai populációk valószínűségi eloszlásokból vannak mintázza, ami uniform eloszlású:
25 Poisson-Voronoitessellation modell
26 Spatialmodell 100 egyed 2 genetikai populációban, ahol a genetikai populációk egy vagy több térbeli poligonból állnak össze
27 Poisson-Voronoitessellation modell Genetikai populációk száma: 2 Poligonok száma: 5
28 100 egyed 2 genetikai populációban (K=2) 10 poligon (m=10) A genetikai populáció térbeli területe (D) pár poligon uniójából áll össze a poligonok középpontjai: u i az első ábrán láthatóak
29 Null-allél modell Diploid adatok esetében feltételezzük a HWLE-ot a populációkban Ha túl sok null-allél van a mintában torzíthatja a modellt, sérül a HWLE MCMC-fv.ben: filter.na=true, EstimateFreqNA Null-allél: sikertelen PCR az adott lókuszra, adott allélra 0-val van kódolva Informatív lehet, ha mutáció miatt nem épül be a primer Viszont, ha mi rontottuk el a PCR-takkor inkább legyen hiányzó adat: miss.loc-al kódolva Ha csak pár helyen hiányzik vigyázzunk vele: mert ha nullmodellt használunk azokat az egyedeket, amiknél hiányzik a lókusz, nagyon hasonlónak veszi!!!
30 Coordinatesuncertaintymodell 1. az egyedek helyhez kötöttek, mégis a koordináták csak bizonyos pontossággal lettek felvéve 2. az egyedek helyhez kötöttek és a detektált elmozdulásuk a megfigyelési eseményhez köthető 3. ha az egyedek mozgás körzete (homerange-e) nem elhanyagolható a vizsgálati terület nagyságához képest 4. ha több egyednek ugyanaz a koordinátája (mivel kerülhetnek különböző populációkba immigránsok detektálása) Megfigyelt koordináta az összege a valós koordinátának és egy random zajnak Az MCMC fv-ben: delta.coord>0
31 Admixturemodell Az egyedek leszármazása kevert Ennek a modellnek a likelihood-jahasonló a Structure modelljéhez q= (q ik ) mátrix, ahol q ik megmutatja, hogy az i- edikegyed genomjának hányad része származik a k-adik klaszterből (genetikai populációból) diploid genotípus esetén a modell likelihoodja: Haploid:
32 Admixturemodell Az admixturearányt kifejező minden vektor q ik = q(ik)k=1,...,k Dirichlet-eloszlástkövet d ik az i-edikegyed távolsága a k-adik klasztertől (0, ha a k-adikgenetikai populációban lett mintázva)
33 Admixturemodell Várható értéke: Ha K=2 klaszter és létezik a hibrid zóna és i- edikegyed a klaszter 1-hez tartozik (d i1 =0):
34 Admixture model A várt admixturearányok térbeli változása K=2 genetikai populáció estén: piros: q i1, zöld: q i2 szigmoid görbék
35 Geneland modellek stochastikus ---> determinisztikus függés...> admixture Poisson- Voronoi tesselation Admixture Correlated
36 Algoritmus MCMC varnpop=true popok ismeretlenek ezeket szimuláljuk npopmax=10 max10 pop van spatial modell correlatedmodell-el kombinálva MCMC iteráció Minden 100-dik lesz elmentve összesen 1000 Ha n= és L=10-30, akkor iterációra és 100 thinningre van szükségünk munkakönyvtár
37 Algoritmus PostProcess Végső becsléseket és térképeket készíti el: nxdom, nydom: a vizsgálati terület horizontális és vertikális felbontása pixelekben 200 mentett iteráció
38 Eredmény 1 Genetikai populációk száma, itt K=2
39 Eredmény 2 Posterior populációs besorolása az egyedeknek
40 Eredmény 3 Tessalatio-s ábrák
41 Eredmény 4 F-statisztikák
42 Különböző modellek outputjainak összehasonlítása Az átlagos posteriorprobabilitásalapján csak ugyanolyan beállításokkal futott modelleket lehet összehasonlítani (pl. Ugyanaz a modell beállítás különböző K értékekre) Megnézhetjük, hogy konvergál-e az MCMC Amely modellhez a vizsgálati alanyunk jobban illik Priori: infoa diszperziójáról, génáramlásról, barrierekről Posteriori: genetikai popok száma (K) illeszkedik a térbeli mintázatra (pl.: nincsenek fals populációk)
43 Structure Geneland-hez hasonlóan egyedi alapú modellek Térbeli koordinátákat nem használja 4 fajta modell az egyedek leszármazása szerint: 1. mixture modell: egy adott egyed egy pop-ból származik 2. admixturemodell: minden egyed genomjában van a K darab genetikai populációéból valamennyi 3. linkagemodell: olyan mint az admixturemodell, csak bizonyos lókuszok bizonyos populációkból együtt jönnek 4. informatív priorú modellek: a minták származási helyét használja POPLOC, vagy valamilyen infotaz egyedekről USEPOPINFO
44 Allélgyakoriság 2 modellje 1. uncorrelatedmodell: az allélgyakoriságok függetlenek minden populációban és egy λ paraméterű eloszlásból származnak (default: λ=1) 2. correlatedmodell: P A többdimenziós vektort használ, mely tartalmazza az allélgyakoriságait egy hipotetikus ős populációnak A Kgenetikai populációban egymástól független genetikai sodródás (drift) ment végbe: F 1,F 2,...,F K P A priorja Dirichleteloszlású:
45 Correlatedmodell Lókusztólfüggetlenül az allélgyakoriság priorja a k genetikai populációban: F k priorja gamma eloszlású (default: mean: 0.01, sd: 0,05)
46 K-becslése Futás: Burnin bőven elég Ennél több kell a Pr(X K) pontos becsléséhez MCMC t lefuttathatjuk az egyes K-kra többször is, hogy megnézzük milyen konzisztens lesz a becslés Eredmény: LnProbof Data ~ lnpr(x K) Legnagyobb értékhez tartozó K-t választjuk
47 K-becslése Vigyázat!!! K-nagyon függ a futások számától Függhet a kiválasztott modelltől, a használt modellt úgy válasszuk, hogy illeszkedjen az adatainkra, sajnos sok választási lehetőség van: mixture-admixture Uncorrelated-correlated Van prior info a popokról- nincs prior info
48 K-becslése Általában a plato kezdetét fogadják el K becslésénél Lehetnek fantom populációk is, ábrákon ellenőrizzük X-tengelyen az előre definiált populációink egyedei vannak (input file-ban megadjuk) Színek: különböző genetikai populációk Az ábra megmutatja, hogy milyen valószínűséggel tartoznak az egyedek a becsült genetikai populációkba Ln Pr (X K) Itt K=4 volt, mégis a 4. pop-ba (kék) nem tartozik egy egyed sem K
49 3 becsült genetikai populáció szétválása K-nagyon függ a futások számától
50 3 becsült genetikai populáció szétválása K-nagyon függ a futások számától
51 3 becsült genetikai populáció szétválása K-nagyon függ a futások számától
52 3 becsült genetikai populáció szétválása K-nagyon függ a futások számától
Populációgenetikai. alapok
Populációgenetikai alapok Populáció = egyedek egy adott csoportja Az egyedek eltérnek egymástól morfológiailag, de viselkedésüket tekintve is = genetikai különbségek Fenotípus = külső jellegek morfológia,
RészletesebbenA Hardy-Weinberg egyensúly. 2. gyakorlat
A Hardy-Weinberg egyensúly 2. gyakorlat A Hardy-Weinberg egyensúly feltételei: nincs szelekció nincs migráció nagy populációméret (nincs sodródás) nincs mutáció pánmixis van allélgyakoriság azonos hímekben
RészletesebbenA Hardy Weinberg-modell gyakorlati alkalmazása
1 of 6 5/16/2009 2:59 PM A Hardy Weinberg-modell gyakorlati alkalmazása A genotípus-gyakoriság megoszlásának vizsgálata 1. ábra. A Hardy Weinberg-egyensúlyi genotípus-gyakoriságok az allélgyakoriság Számos
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
RészletesebbenSzelekció. Szelekció. A szelekció típusai. Az allélgyakoriságok változása 3/4/2013
Szelekció Ok: több egyed születik, mint amennyi túlél és szaporodni képes a sikeresség mérése: fitnesz Szelekció Ok: több egyed születik, mint amennyi túlél és szaporodni képes a sikeresség mérése: fitnesz
RészletesebbenVéletlenszám generátorok és tesztelésük HORVÁTH BÁLINT
Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenGood-Turing lefedés. Lang Zsolt
Good-Turing lefedés Lang Zsolt 2017.03.24. Bevezetés Fajok közösségét vizsgáljuk. Sok faj van, az egyedek száma gyakorlatilag végtelen. Az egyedekből véletlen mintát veszünk. Kérdés, a mintában van-e,
RészletesebbenHátterükben egyetlen gén áll, melynek általában számottevő a viselkedésre gyakorolt hatása, öröklési mintázata jellegzetes.
Múlt órán: Lehetséges tesztfeladatok: Kitől származik a variáció-szelekció paradigma, mely szerint az egyéni, javarészt öröklött különbségek között a társadalmi harc válogat? Fromm-Reichmann Mill Gallton
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Következtetés
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenEloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok
Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok
RészletesebbenLikelihood, deviancia, Akaike-féle információs kritérium
Többváltozós statisztika (SZIE ÁOTK, 2011. ősz) 1 Likelihood, deviancia, Akaike-féle információs kritérium Likelihood függvény Az adatokhoz paraméteres modellt illesztünk. A likelihood függvény a megfigyelt
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet
Kettőnél több csoport vizsgálata Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet Gyógytápszerek (kilokalória/adag) Három gyógytápszer A B C 30 5 00 10 05 08 40 45 03 50 35 190 Kérdések: 1. Van-e
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenTöbbgénes jellegek. 1. Klasszikus (poligénes) mennyiségi jellegek. 2.Szinte minden jelleg több gén irányítása alatt áll
Többgénes jellegek Többgénes jellegek 1. 1. Klasszikus (poligénes) mennyiségi jellegek Multifaktoriális jellegek: több gén és a környezet által meghatározott jellegek 2.Szinte minden jelleg több gén irányítása
RészletesebbenDNS viszgálatok, számítási módszerek
DNS viszgálatok, számítási módszerek Apasági vizsgálatok Kizárás: -a gyereknél az apától örökölt allél nem egyezik a feltételezett apáéval - 3 kizárás esetén az apaság kizárható -100% Anya: 12-13, kk.
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenNincs öntermékenyítés, de a véges méret miatt a párosodó egyedek bizonyos valószínűséggel rokonok, ezért kerül egy
Véges populációméret okozta beltenyésztettség incs öntermékenyítés, de a véges méret miatt a párosodó egyedek bizonyos valószínűséggel rokonok, ezért kerül egy utódba 2 IBD allél Előadásról: -F t (-/2)
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
RészletesebbenMatematikai geodéziai számítások 10.
Matematikai geodéziai számítások 10. Hibaellipszis, talpponti görbe és közepes ponthiba Dr. Bácsatyai, László Matematikai geodéziai számítások 10.: Hibaellipszis, talpponti görbe és Dr. Bácsatyai, László
RészletesebbenSaj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
Részletesebben7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
RészletesebbenRégebbi Matek M1 zh-k. sztochasztikus folyamatokkal kapcsolatos feladatai.
Régebbi Matek M1 zh-k Folyamfeladatokkal, többszörös összef ggőséggel, párosításokkal, Nagy szḿok törvényével, Centrális Határeloszlás tétellel, sztochasztikus folyamatokkal kapcsolatos feladatai. Gráfok
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenInfobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében
Infobionika ROBOTIKA X. Előadás Robot manipulátorok II. Direkt és inverz kinematika Készült a HEFOP-3.3.1-P.-2004-06-0018/1.0 projekt keretében Tartalom Direkt kinematikai probléma Denavit-Hartenberg konvenció
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenKhi-négyzet eloszlás. Statisztika II., 3. alkalom
Khi-négyzet eloszlás Statisztika II., 3. alkalom A khi négyzet eloszlást (Pearson) leggyakrabban kategorikus adatok elemzésére használjuk. N darab standard normális eloszlású változó négyzetes összegeként
RészletesebbenKét diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenAz fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika
Az fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika Autokorreláció white noise Autokorreláció: a függvény önnmagával számított korrelációja különböző
RészletesebbenEgy mezofil lomberdei faj, a szártalan kankalin (Primula vulgaris Huds.) európai léptékű filogeográfiája, különös tekintettel a Kárpát-medencére
Egy mezofil lomberdei faj, a szártalan kankalin (Primula vulgaris Huds.) európai léptékű filogeográfiája, különös tekintettel a Kárpát-medencére Laczkó Levente Témavezető: Sramkó Gábor posztdoktori kutató
RészletesebbenAdatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
RészletesebbenDomináns-recesszív öröklődésmenet
Domináns-recesszív öröklődésmenet Domináns recesszív öröklődés esetén tehát a homozigóta domináns és a heterozigóta egyedek fenotípusa megegyezik, így a három lehetséges genotípushoz (példánkban AA, Aa,
RészletesebbenGráfelmélet/Diszkrét Matematika MSc hallgatók számára. Párosítások
Gráfelmélet/Diszkrét Matematika MSc hallgatók számára Párosítások 2012. november 19. Előadó: Hajnal Péter 1. Alapfogalmak Emlékeztető. Legyen G egy gráf, E(G) a G élhalmaza, V (G) gráfunk csúcshalmaza.
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
RészletesebbenIBM SPSS Modeler 18.2 Újdonságok
IBM SPSS Modeler 18.2 Újdonságok 1 2 Új, modern megjelenés Vizualizáció fejlesztése Újabb algoritmusok (Python, Spark alapú) View Data, t-sne, e-plot GMM, HDBSCAN, KDE, Isotonic-Regression 3 Új, modern
RészletesebbenMatematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév 1. A várható érték és a szórás transzformációja 1. Ha egy valószínűségi változóhoz hozzáadunk ötöt, mínusz ötöt, egy b konstanst,
RészletesebbenA genetikai sodródás
A genetikai sodródás irányított, nem véletlenszerű Mindig a jobb nyer! természetes szelekció POPULÁCIÓ evolúció POPULÁCIÓ A kulcsszó: változékonyság a populáción belül POPULÁCIÓ nem irányított, véletlenszerű
RészletesebbenA magyar populáció genetikai elemzése nemi kromoszómális markerek alapján
A magyar populáció genetikai elemzése nemi kromoszómális markerek alapján DOKTORI ÉRTEKEZÉS TÉZISEI Készítette: Vágó-Zalán Andrea ELTE TTK Biológia Doktori Iskola Iskolavezető: Prof. Dr. Erdei Anna Klasszikus
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
RészletesebbenIzgalmas újdonságok a klaszteranalízisben
Izgalmas újdonságok a klaszteranalízisben Vargha András KRE és ELTE, Pszichológiai Intézet Vargha András KRE és ELTE, Pszichológiai Intézet Mi a klaszteranalízis (KLA)? Keressük a személyek (vagy bármilyen
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
RészletesebbenA távérzékelt felvételek tematikus kiértékelésének lépései
A távérzékelt felvételek tematikus kiértékelésének lépései Csornai Gábor László István Földmérési és Távérzékelési Intézet Mezőgazdasági és Vidékfejlesztési Igazgatóság Az előadás 2011-es átdolgozott változata
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenInformáció megjelenítés Számítógépes ábrázolás. Dr. Iványi Péter
Információ megjelenítés Számítógépes ábrázolás Dr. Iványi Péter Raszterizáció OpenGL Mely pixelek vannak a primitíven belül fragment generálása minden ilyen pixelre Attribútumok (pl., szín) hozzárendelése
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
RészletesebbenJÁTÉKELMÉLETTEL KAPCSOLATOS FELADATOK
1.Feladat JÁTÉKELMÉLETTEL KAPCSOLATOS FELADATOK Az alábbi kifizetőmátrixok három különböző kétszemélyes konstans összegű játék sorjátékosának eredményeit mutatják: 2 1 0 2 2 4 2 3 2 4 0 0 1 0 1 5 3 4 3
RészletesebbenRHadoop. Kocsis Imre Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék
RHadoop Kocsis Imre ikocsis@mit.bme.hu Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Házi feladat Csapatépítés o 2 fő, tetszőleges kombinációkban http://goo.gl/m8yzwq
RészletesebbenKéprekonstrukció 9. előadás
Képrekonstrukció 9. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem hv-konvex összefüggő halmazok Mag-burok-szerű rekonstrukció: S. Brunetti, A. Del Lungo, F.
RészletesebbenMitokondriális DNS és mikroszatellita polimorfizmusok igazságügyi genetikai aspektusú vizsgálata a magyar népességben
* BUDAPESTI EÖTVÖS LORÁND * TUDOMÁNYEGYETEM Mitokondriális DNS és mikroszatellita polimorfizmusok igazságügyi genetikai aspektusú vizsgálata a magyar népességben DOKTORI ÉRTEKEZÉS TÉZISEI Készítette: Egyed
RészletesebbenGyakorló feladatok adatbányászati technikák tantárgyhoz
Gyakorló feladatok adatbányászati technikák tantárgyhoz Buza Krisztián Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Klaszterezés kiértékelése Feladat:
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenGépi tanulás. Féligellenőrzött tanulás. Pataki Béla (Bolgár Bence)
Gépi tanulás Féligellenőrzött tanulás Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Féligellenőrzött tanulás Mindig kevés az adat, de
RészletesebbenRobotok inverz geometriája
Robotok inverz geometriája. A gyakorlat célja Inverz geometriai feladatot megvalósító függvények implementálása. A megvalósított függvénycsomag tesztelése egy kétszabadságfokú kar előírt végberendezés
RészletesebbenRobotika. Relatív helymeghatározás Odometria
Robotika Relatív helymeghatározás Odometria Differenciális hajtás c m =πd n /nc e c m D n C e n = hány mm-t tesz meg a robot egy jeladó impulzusra = névleges kerék átmérő = jeladó fölbontása (impulzus/ford.)
RészletesebbenBevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika
Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenPopulációgenetika és evolúció
Populációgenetika és evolúció 1 Koncepció 2 Populációgenetika 3 A változatosság eredete 4 A változatosság fenntartása 5 Adaptív evolúció 6 Fenotípus evolúció Populációgenetika és evolúció 1/42 Jellegek
RészletesebbenLineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
RészletesebbenBiometria az orvosi gyakorlatban. Regresszió Túlélésanalízis
SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió
RészletesebbenModellkiválasztás és struktúrák tanulása
Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális
RészletesebbenHidden Markov Model. March 12, 2013
Hidden Markov Model Göbölös-Szabó Julianna March 12, 2013 Outline 1 Egy példa 2 Feladat formalizálása 3 Forward-algoritmus 4 Backward-algoritmus 5 Baum-Welch algoritmus 6 Skálázás 7 Egyéb apróságok 8 Alkalmazás
Részletesebbenegyetemi jegyzet Meskó Balázs
egyetemi jegyzet 2011 Előszó 2. oldal Tartalomjegyzék 1. Bevezetés 4 1.1. A matematikai statisztika céljai.............................. 4 1.2. Alapfogalmak......................................... 4 2.
RészletesebbenMatematikai geodéziai számítások 9.
Matematikai geodéziai számítások 9 Szabad álláspont kiegyenlítése Dr Bácsatyai, László Created by XMLmind XSL-FO Converter Matematikai geodéziai számítások 9: Szabad álláspont kiegyenlítése Dr Bácsatyai,
RészletesebbenSodródás Evolúció neutrális elmélete
Sodródás Evolúció neutrális elmélete Egy kísérlet Drosophila Drosophila pseudoobscura 8 hím + 8 nőstény/tenyészet 107 darab tenyészet Minden tenyészet csak heterozigóta egyedekkel indul a neutrális szemszín
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenDekonvolúció a mikroszkópiában. Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ
Dekonvolúció a mikroszkópiában Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ 2015 Fourier-Sorok Minden 2π szerint periodikus függvény előállítható f x ~ a 0 2 + (a
RészletesebbenLogisztikus regresszió
Logisztikus regresszió Bekövetkezés esélye Valószínűség (P): 0 és 1 közötti valós szám, az esemény bekövetkezésének esélyét fejezi ki. Fej dobásának esélye: 1:2 = 1 2 = 0,5. Odds/esélyérték (O): a tét
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenPéldák jellemzőkre: - minden pixelérték egy jellemző pl. neurális hálózat esetében csak kis képekre, nem invariáns sem a megvilágításra, sem a geom.
Lépések 1. tanító és teszt halmaz összeállítása / megszerzése 2. jellemzők kinyerése 3. tanító eljárás választása Sok vagy kevés adat áll-e rendelkezésünkre? Mennyi tanítási idő/memória áll rendelkezésre?
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenA biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, kofideciaitervallum Dr. Boda Krisztia PhD SZTE ÁOK Orvosi Fizikai és Orvosi Iformatikai Itézet Mitavétel ormális eloszlásból http://www.ruf.rice.edu/~lae/stat_sim/idex.html
RészletesebbenMérnökgeodéziai hálózatok feldolgozása
Mérnökgeodéziai hálózatok feldolgozása dr. Siki Zoltán siki@agt.bme.hu XIV. Földmérő Találkozó Gyergyószentmiklós 2013.05.09-12. Mérnökgeodéziai hálózatok nagy relatív pontosságú hálózatok (1/100 000,
RészletesebbenEGY ABLAK - GEOMETRIAI PROBLÉMA
EGY ABLAK - GEOMETRIAI PROBLÉMA Írta: Hajdu Endre A számítógépemhez tartozó két hangfal egy-egy négyzet keresztmetszetű hasáb hely - szűke miatt az ablakpárkányon van elhelyezve (. ábra).. ábra Hogy az
RészletesebbenMÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI
MÉRÉSI EREDMÉYEK POTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI. A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
RészletesebbenA PKU azért nem hal ki, mert gyógyítják, és ezzel növelik a mutáns allél gyakoriságát a Huntington kór pedig azért marad fenn, mert csak későn derül
1 Múlt órán: Genetikai alapelvek, monogénes öröklődés Elgondolkodtató feladat Vajon miért nem halnak ki az olyan mendeli öröklődésű rendellenességek, mint a Phenylketonuria, vagy a Huntington kór? A PKU
RészletesebbenMATEMATIKA HETI 5 ÓRA. IDŐPONT: 2009. június 8.
EURÓPAI ÉRETTSÉGI 2009 MATEMATIKA HETI 5 ÓRA IDŐPONT: 2009. június 8. A VIZSGA IDŐTARTAMA: 4 óra (240 perc) ENGEDÉLYEZETT SEGÉDESZKÖZÖK : Európai képletgyűjtemény Nem programozható, nem grafikus kalkulátor
RészletesebbenMátrixhatvány-vektor szorzatok hatékony számítása
Mátrixhatvány-vektor szorzatok hatékony számítása Izsák Ferenc ELTE TTK, Alkalmazott Analízis és Számításmatematikai Tanszék & ELTE-MTA NumNet Kutatócsoport munkatárs: Szekeres Béla János Alkalmazott Analízis
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
RészletesebbenBrósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Megoldások
Megoldások 1. Határozd meg a szakasz hosszát, ha a végpontok koordinátái: A ( 1; ) és B (5; )! A szakasz hosszához számítsuk ki a két pont távolságát: d AB = AB = (5 ( 1)) + ( ) = 6 + 1 = 7 6,08.. Határozd
RészletesebbenNagy András. Feladatok a koordináta-geometria, egyenesek témaköréhez 11. osztály 2010.
Nagy András Feladatok a koordináta-geometria, egyenesek témaköréhez 11. osztály 010. Feladatok a koordináta-geometria, egyenesek témaköréhez 11. osztály 1) Döntsd el, hogy a P pont illeszkedik-e az e egyenesre
Részletesebben