Mer om gensøk. Kjapp oppsummering fra sist gang. Motif eller tilfeldig DNA forts. Motif eller tilfeldig DNA? Forelesning INF3350/
|
|
- Rasmus Tønnessen
- 7 år siden
- Visninger:
Transkript
1 Mer om gensøk Kjapp oppsummering fra sist gang Forelesning INF3350/ sept 2007 Ole Christian Lingjærde Gruppen for bioinformatikk Institutt for Informatikk, UiO To prinsipper for søking etter gener i DNA: Homologibaserte metoder Ab initio baserte metoder Forskjellige ab initio metoder for prokaryoter og eukaryoter. Vi skiller mellom to typer av ab initio metoder: Signalsøk (se etter spesielle signaturer) Innholdssøk (se etter regioner med spesielle statistiske egenskaper) Signalsøk for eukaryoter omfatter ofte søk etter motifer (spesielle signaturer som kan være mer eller mindre velbestemte). Metoder for motifsøk omfatter posisjonsvektmatriser (forrige gang) og HMM (i dag). 1 Innholdssøkemetoder for eukaryoter omfatter bl.a. søk etter CpG-øyer (forrige gang) og søk etter områder med overhyppighet av visse basetripler (i dag). 2 Motif eller tilfeldig DNA? Motif eller tilfeldig DNA forts. Posisjonsvektmatriser (PVM) og skjulte markov modeller (HMM) er begge basert på å spesifisere to sannsynlighets-fordelinger over alle mulige sekvenser S av lengde L: Pr(S motif) = sannsynligheten for å observe S i et motif = likehooden (troligheten) for at S er et motif Pr(S tilfeldig DNA) = sannsynligheten for å observere S i et tilfeldig-dna segment av lengde L = likehooden (troligheten) for at S er tilfeldig DNA 3 For å vurdere hva en gitt S er, ser vi på log-likelihood ratioen: Pr(S motif) LLR = log Pr(S tilfeldig DNA) Tre muligheter: LR > 0 : motif mer trolig enn tilfeldig DNA LR < 0 : motif mindre trolig enn tilfeldig DNA LR = 0 : motif og tilfeldig DNA like trolige I praksis vil vi kreve LR > c, hvor c>0 er en gitt terskel, før vi konkluderer at S er et motif. Valget av c avgjør sensitiviteten. 4
2 PVM eller HMM? Posisjonsvektmatriser Forskjellen mellom PVM og HMM ligger i hvordan man definerer de to fordelingene Pr(S motif) Pr(S tilfeldig DNA) Anta f.eks. L = 4 og S = CAGG: Pr( S motif ) = f f f f C1 A2 G3 G4 Pr( S tilfeldig DNA) = p p p p C A G G A C G T 1 f A1 f C1 f G1 f T1 2 f A2 f C2 f G2 f T2 3 f A3 f C3 f G3 f T3 4 f A4 f C4 f G4 f T4 I PVM er sannsynlighetene Pr(A), Pr(C), Pr(T), Pr(G) for å observere de fire basene i et motif posisjonsavhengige. I HMM er sannsynlighetene Pr(A), Pr(C), Pr(T), Pr(G) avhengige av hvilken base som er observert i posisjonen like til venstre for den. LLR = log f f f f p p p p C1 A2 G3 G4 C A G G f = log + log + log + log f f f p p p p C1 A2 G3 G4 C A G G 5 6 HMM = skjulte Markov modeller Skjulte Markov modeller forts. Posisjonsvektmatriser antar uavhengighet mellom basene i en sekvens (dvs hvilken base som opptrer i en gitt posisjon avhenger ikke av hvilke baser man har andre steder i sekvensen). Problem: virkelige motifer lar seg ikke alltid beskrive godt med en modell som antar uavhengighet mellom posisjonene. Skjulte Markov modeller tillater at sannsynligheten for å observere en bestemt base i en gitt posisjon avhenger av hvilken base man har observert like til venstre for dette. 7 Anta at hver base i sekvensen vi ser på er i en av to tilstander, f.eks. "kodende" eller "ikke-kodende". Anta at man med jevne mellomrom foretar tilstandstransisjoner, hvor det for hvert par av tilstander er en gitt sannsynlighet for en transisjon. Etter hver tilstandstransisjon emitteres en av nukleotidene A, C, G eller T med gitte sannsynligheter. Vi observerer bare de emitterte nukleotidene (dvs vi observerer en DNA-sekvens), ikke tilstanden til modellen (derav "skjult"). Vi ønsker å "gå baklengs" og rekonstruere tilstandstransisjonene for å finne ut når vi var i et kodende område og når vi var i et ikke-kodende område. 8
3 Definisjon av HMM Bruk av HMM Tilstander S 1, S 2,..., S N. Observasjonssymboler V 1, V 2,..., V M. Overgangssannsynligheter a = P( q = S q = S ) ij t+ 1 j t i Symbol-sannsynligheter b ( k) = P( V q = S ) j k t j Sannsynlighet for å starte i en gitt tilstand p = Pq ( = S) i 1 i q t = tilstand ved tid t 9 Gitt en observert symbolsekvens kan vi finne den mest trolige tilhørende tilstandssekvensen ved hjelp av Viterbialgoritmen: ACTGCG HMM S 1 S 1 S 2 S 2 S 2 S 2 Dvs vi kan gi hver observert nukleotid en etikett, f.eks. "kodende" eller "ikke-kodende" hvis dette er tilstandene. Gitt en tilstandssekvens kan vi finne sannsynligheten for en gitt symbolsekvens med forward-algoritmen: P(ACTGCG S 1 S 1 S 2 S 2 S 2 S 2 ) =... Dvs vi kan gi hver nukleotid en score relativt til den spesifiserte tilstandssekvensen. 10 Parameterestimering for HMM Kodonpreferanser For å bruke en HMM må vi først spesifisere modellen. Frekvensen av ulike kodoner er generelt forskjellig i kodende og ikke-kodende segmenter: Strukturen (antall tilstander, hvordan de er forbundet) kan modelleres på ulike måter. Generelt vil en unngå at alle tilstander er forbundet til alle andre, pga problemet med å finne gode parameterestimater. Parametrene (overgangssannsynligheter osv) kan bl.a. estimeres med Baum-Welch algoritmen, et spesialtilfelle av en generell maximum likelihood metode for estimering av "missing data" som kalles EMalgoritmen (EM = Expectation Maximization). noen aminosyrer brukes oftere enn andre i proteiner (Leu brukes mer enn Trp) antall kodoner varierer mellom aminosyrer noen kodoner brukes oftere enn andre til å kode en gitt aminosyre (f.eks. blir Ala oftere kodet som GCA, GCC eller GCT enn som GCG). Dette kan utnyttes til å avgjøre om et segment er kodende eller ikke
4 Kodonpreferansetabell for E.coli Analyse av kodonforekomster Aminosyre Kodon /1000 Kodonpreferansetabellen vi så på angir sannsynlighetene for at et kodende trippel skal være lik GGG, GGA, GGT,... Gly Glu GGG GGA GGT GGC GAG GAA Tilsvarende kan vi lage en kodonpreferansetabell som angir sannsynligheten for at tilfeldig DNA (ikke-kodende DNA) skal være lik GGG, GGA, GGT,... Gitt en sekvens S = GCTATGA... kan vi dermed finne sannsynlighetene for å observere S i et ikke-kodende segment P N (GCT) * P N (ATG) *... Asp GAT GAC et kodende segment P C (GCT) * P C (ATG) *... Må også ta hensyn til at det er ulike leserammer Algoritme (Codon Usage Method) Algoritme (forts.) Gitt: en sekvens q Velg: vindusbredden L = 3*m + 2 hvor m > 0 Definer vinduer: S i = q[1+i:l+i], i = 0, 1, 2,... Identifiser kodoner: Hvert vindu S kan dekomponeres i m kodoner s 1,..., s m på tre ulike måter, svarende til leseramme 1, 2 og 3: S = (s 11, s 21,..., s m1, S[L-1], S[L]) S = (S[1], s 12, s 22,..., s m2, S[L]) S = (S[1], S[2], s 13, s 23,..., s m3 ) Kodonene i leseramme 4, 5 og 6 fremkommer ved å reversere (dvs snu rekkefølgen på basene i) s 1,..., s m i Beregn: For hvert vindu S og for hver leseramme i = 1, 2,..., 6 beregnes PS ( k= i) P ( s ) P ( s ) P ( s ) Pk ( = i S) = = ( ) ( ) ( ) ( ) i i i C 1 C 2 C m 6 6 j j j P S k = j PC s1 PC s2 PC sm j= 1 j= 1 hvor hver av sannsynlighetene P C (.) kan finnes ved å slå opp i en kodonpreferansetabell for kodende regioner henholdsvis leseramme 1, 2 og 3.
5 Codon Usage Method Utgangspunktet for sekvensanalyse Genetisk informasjon overføres mellom individer: ved mitose ved meiose ved horisontal genoverføring (i første rekke hos prokaryoter) Overføringen er normalt nesten feilfri: mitose gir (nær) eksakt kopi av opprinnelig DNA meiose gir (nær) eksakt rekombinasjon av paternalt og maternalt DNA 17 Genetiske endringer skjer normalt langsomt: genetiske endringer som skyldes naturlige prosesser (evolusjon) erverves gradvis, slik at nært beslektede organismer har små forskjeller i DNA og fjernt beslektede organismer har større forskjeller i DNA. noen genetiske endringer (bl.a. horisontal genoverføring) kan bryte dette mønsteret men i mange tilfeller er dette uaktuelt og kan ses bort fra. 18 Konsekvens 1 Konsekvens 2 Kunnskap om DNA til ett individ har overføringsverdi til DNA for andre beslektede individer. Studier av gener og genprodukter i modellorganismer gir kunnskap som kan anvendes til å forstå f.eks. menneskets gener og genprodukter. Beslektet : har et felles evolusjonært opphav. Genprodukter : RNA og proteiner Kunnskap : hvordan DNA-sekvensen ser ut, hvilke gener den inneholder, hvilken funksjon genene har, hvordan organismen er bygget opp og fungerer på molekylært nivå. Overføringsverdien avhenger av hvor nært beslektet de er. Modellorganismer: organismer som er velegnet for laboratoriestudier (f.eks. pga kort livssyklus og lett tilgjengelighet) og som studeres ikke primært for sin egen skyld, men for å gi innsikt i biologiske prosesser som er eller antas å være felles for mange ulike organismer. Eksempler på modellorganismer: ulike mikrober (virus, bakterier, m.m.), bananflue, rundom, sebrafisk 19 20
6 Konsekvens 3 Eksempel: definisjon av en art Ved å sammenlikne DNA fra to organismer kan vi få innsikt i hvor nært beslektet organismene er. Arter er ofte definert som grupper av naturlige populasjoner som: forplanter seg (eller kan forplante seg) med hverandre gir forplantningsdyktig avkom Slike sammenlikninger kan være basert på hele genomene til organismene større eller mindre DNA-segmenter fra organismene er forplantningsmessig isolert fra andre tilsvarende grupper Eksempel: Forskjellene i DNA kan bestå i forskjeller i tilsvarende DNA-segmenter i de to organismene at visse DNA-segmenter bare forekommer i en av organismene Tiger og sebra kan ikke krysses de tilhører ulike arter. Tiger og løve kan krysses, men avkommet vil normalt være sterilt dermed tilhører tiger og løve ulike arter. Dette artsbegrepet er ikke egnet for klassifisering av f.eks. bakterier, og er ikke alltid uproblematisk for andre organismer heller. Alternativ: en DNAbasert artsdefinisjon. Liknende DNA = samme art Ulike typer evolusjon Homologe sekvenser Divergent evolusjon: nært relaterte arter blir gradvis mer forskjellige over tid (typisk som resultat av tilpasning til ulike omgivelser) Konvergent evolusjon: arter som ikke er relaterte utvikler trekk som er gradvis mer like over tid (typisk som resultat av tilpasning til liknende omgivelser eksempel hval og fisk skal begge bevege seg i vann) Koevolusjon: to (eller flere) arter utvikler seg i nær interaksjon med hverandre Definisjon: Vi sier at sekvenser er homologe hvis de er relatert (gjennom evolusjon) til samme opphav. Vi kan ikke snakke om grader av homologi; gitt to sekvenser vil alltid ett disse utsagnene være korrekt: sekvensene er homologe innbyrdes påvirkning sekvensene er ikke homologe TID Opprinnelig art Divergent evolusjon Opprinnelig art I Konvergent evolusjon Opprinnelig art II Opprinnelig art I Opprinnelig art II Koevolusjon 23 24
7 Tilgjengelige ressurser på nettet Hvordan få tilgang til databasene Databaser: Sekvensdatabaser (DNA, RNA, protein) Databaser med andre typer biologiske data Avledete databaser (basert på analyser av data fra databasene i punktene ovenfor) Databaser over markører (genetiske og fysiske kart) Databaser over gener og genetiske sykdommer Sekvensanalyse: Parvise sammenstillinger Multiple sammenstillinger Mønstersøk (motif-søk) Lokalisere gener i DNA-sekvenser Diverse analyseverktøy: Grafisk visualisering Predikere (= forutsi) sekundær- og tertiærstrukturen til et protein ut fra primærstrukturen (eller DNA-sekvensen)... og mye annet 25 Via spesifikke nettsider for hver enkelt database, f.eks. GenBank: Genethon linkage map: SWISS-PROT: OMIM: PFAM:... og mange, mange fler Via portaler (også kalt gateways): Entrez: Ensembl: UCSC genome browser: Disse portalene tillater bl.a. søk på tvers av ulike databaser og de integrerer informasjon fra ulike ressurser i framvising av resultater. 26 Eksempel på portal: Entrez 1) Vi oppgir et søkeord, f.eks. ADAM2 2) Vi trykker på GO 3) Vi får nå opp antall treff i de ulike databasene: 4) Vi klikker på databasen OMIM (gener og genetiske sykdommer hos mennesker) PubMed: 14 treff (Database over artikkelreferanser i biomedisin) Nucleotide: 11 treff (Søk i GenBank-databasen) SNP: 166 treff (Søk i dbsnp-databasen) 27 28
8 5) Vi velger denne ) Vi velger denne 6) Vi går tilbake til Entrez og velger Nucleotide i stedet 31 32
9 Eksempel på portal: Ensembl Vi velger Human Vi får opp en GenBank-post, med blant annet følgende informasjon: Oversettelse til proteinsekvens Polymorfier (genvariasjoner) DNA-sekvens Vi velger kromosom 12 Kjente gener GC repetisjoner SNPs Cytogenetiske bånd Vi peker her og klikker 35 36
10 Tilgang til analyseverktøy Sekvenssøk: Tilgjengelig fra Entrez, Ensembl og UCSC Hele kromosomet Utsnitt som dekker ca 1Mb = 10 6 baser Utsnitt som dekker ca 10 5 baser Analyseverktøy generelt: NCBI Tools: EBI Tools: ExPASy Tools: EMBOSS: + diverse andre steder Utsnitt som dekker ca 100 baser NCBI Tools EBI Tools 39 40
Gensøk. Oppsummering. Typer av sammenstillinger. Sammenstilling av sekvenser. To prinsipper for søking etter gener i DNA:
Oppsummering Gensøk Oppsummeringen som gis her omfatter bare de temaer som er forelest av Ole Christian, og er ikke ment å være komplett. I korte trekk gjelder for denne delen av pensum som for de øvrige:
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2300 Grunnkurs i bioinformatikk Eksamensdag : Tirsdag 15. juni 2004 Tid for eksamen : 09.00 12.00 Oppgavesettet er på : 13
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2300 Grunnkurs i bioinformatikk Eksamensdag : Mandag 6. juni 2005 Tid for eksamen : 09.00 12.00 Oppgavesettet er på : xx
DetaljerUNIVERSITETET I OSLO
Bokmål UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2300 Grunnkurs i bioinformatikk Eksamensdag : Mandag 6. juni 2005 Tid for eksamen : 09.00 12.00 Oppgavesettet er på
DetaljerForeleser: Eivind Coward, kontor 5. etg. Datablokken. coward@ii.uib.no Gruppeleder: Harald Barsnes
Foreleser: Eivind Coward, kontor 5. etg. Datablokken. coward@ii.uib.no Gruppeleder: Harald Barsnes Forelesninger: tirsdag og fredag 12 14 rom 2104 Øvinger: fredag 10 12 rom 2143 Gi en innføring i noen
DetaljerUNIVERSITETET I OSLO
Kandidatnummer: BOKMÅL UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF3350/INF4350 Grunnkurs i bioinformatikk Eksamensdag : Tirsdag 5. desember 2006 Tid for eksamen : 15.30
DetaljerHvor er genene? Gensøk-algoritmer. Gener i prokaryoter. Genenes anatomi (prokaryoter) Forelesning INF3350/4350 5. sept 2007
Gensøk-algoritmer Hvor er genene? Forelesning INF330/430. sept 2007 Ole Christian Lingjærde Gruppen for bioinformatikk Institutt for Informatikk, UiO En viktig del av kartleggingen av et genom er å finne
DetaljerMer om Markov modeller
Høyere ordens Markov modeller Mer om Markov modeller p h mnr = Pr( Y j+ 3 = ah Y j+ 2 = am, Y j+ 1 = an, Y j = a : r For en k-te ordens Markov modell som modellerer en DNA prosess vil det være 3*4 k mulige
DetaljerBioteknologi i dag muligheter for fremtiden
Bioteknologi i dag muligheter for fremtiden Arvestoff Genetisk materiale, DNA. Baser En del av et nukleotid som betegnes med bokstavene A, C, G og T. Med disse fire bokstavene skriver DNAtrådene sine beskjeder
DetaljerKapittel 12: FRA DNA TIL PROTEIN:
Kapittel 12: FRA DNA TIL PROTEIN: fra genotype til fenotype 1. Gener og polypeptider 2. DNA, RNA og informasjonsflow 3. Transkripsjon: DNA-dirigert RNA-syntese 4. Den genetiske kode 5. Aktører i Translasjon
DetaljerLEKSJON 4: BIOTEKNOLOGI HVORDAN VI BRUKER NATURENS EGNE MEKANISMER TIL VÅR FORDEL, OG UTFORDRINGENE SOM FØLGER MED
LEKSJON 4: BIOTEKNOLOGI HVORDAN VI BRUKER NATURENS EGNE MEKANISMER TIL VÅR FORDEL, OG UTFORDRINGENE SOM FØLGER MED KOMPETANSEMÅL Forklarebegrepene krysning og genmodifisering, og hvordan bioteknologi brukes
DetaljerFlervalgsoppgaver: proteinsyntese
Flervalgsoppgaver - proteinsyntese Hver oppgave har ett riktig svaralternativ. Proteinsyntese 1 Hva blir transkribert fra denne DNA sekvensen: 3'-C-C-G-A-A-T-G-T-C-5'? A) 3'-G-G-C-U-U-A-C-A-G-5' B) 3'-G-G-C-T-T-A-C-A-G-5'
DetaljerBLAST. Blast. Noen mulige sammenstilling av CHAEFAP og CAETP. Evolusjonær basis for sekvenssammenstilling. Sekvenssammenstilling og statistikken brukt
Blast BLAST Sekvenssammenstilling og statistikken brukt Finner best mulig sammenstilling(er), evt. finner veldig gode sammenstillinger. Kan teoretisk unngå å finne beste sammenstilling. Avgjør om sammenstillingen
DetaljerArabidopsis thaliana, vårskrinneblom
Arabidopsis thaliana, vårskrinneblom Tilhører Brassicaceae familien og ligger under ordenen Capparales. Nært beslektede planter er f. eks. raps og kål. Arabidopsis thaliana har i flere år vært en av modell
DetaljerHMM-tagging INF4820 H2008. Jan Tore Lønning. 30. september. Institutt for Informatikk Universitetet i Oslo
INF4820 H2008 Institutt for Informatikk Universitetet i Oslo 30. september Outline 1 2 3 4 5 Outline 1 2 3 4 5 Flertydighet Example "" "fisk" subst appell mask ub fl @løs-np "fisker" subst appell
DetaljerMønstergjenkjenning i bildesekvenser
1 Mønstergjenkjenning i bildesekvenser Mønstergjenkjenning i bildesekvenser Line Eikvil og Ragnar Bang Huseby Kveldsseminar i bildeanalyse, 6. mai 00 : Ønsker å se på bildesekvenser i sammenheng for å:
DetaljerKlinisk molekylærmedisin (4): Indirekte diagnostikk ved koblingsanalyser
PEDENDO_SISTE_slutt.qxd 18.12.2003 21:34 Side 32 Pediatrisk Endokrinologi 2003;17: 34-38 Klinisk molekylærmedisin (4): Indirekte diagnostikk ved koblingsanalyser Pål Rasmus Njølstad 1,2,3,Jørn V. Sagen
DetaljerGRUNNLEGGENDE GENETISKE BEGREPER Del I - en serie om kattegenetikk
GRUNNLEGGENDE GENETISKE BEGREPER Del I - en serie om kattegenetikk Dette er første del i en serie om kattegenetikk. I denne første delen vil jeg ta for meg de ulike genetiske begrepene som blir brukt i
Detaljer1. En ikke-naturlig forekommende eller konstruert sammensetning omfattende:
1 Patentkrav EP2931898 1. En ikke-naturlig forekommende eller konstruert sammensetning omfattende: et leveringssystem som er operativt konfigurert for å levere CRISPR-Caskomplekskomponenter eller polynukleotidsekvenser
DetaljerSammenligningen mellom Arabidopsis thaliana genomet og de kjente genomene fra cyanobakterier, gjær, bananflue og nematode, viser bl. a.
Sammenligningen mellom Arabidopsis thaliana genomet og de kjente genomene fra cyanobakterier, gjær, bananflue og nematode, viser bl. a. Antall gener som er involvert i cellulær kommunikasjon og signaloverføring
DetaljerInterAct fram mot 1/ Knut og Hanne STUT, 24. oktober 2015
InterAct fram mot 1/4-2016 Knut og Hanne STUT, 24. oktober 2015 Institutt for biovitenskap Bachelorprogrammet i biovitenskap Forskningen og undervisningen ved Institutt for biovitenskap (IBV) har som mål
DetaljerFAKULTET FOR TEKNOLOGI OG REALFAG EKSAMEN
g UNIVERSITETET I AGDER FAKULTET FOR TEKNOLOGI OG REALFAG EKSAMEN Emnekode: BI0105 Emnenavn: Genetikk og evolusjon Dato: 7. mai 2012 Varighet: 4 timer Antall sider inkl. forside 8 Tillatte hjelpemidler:
DetaljerEpigenetikk; arvesynden i ny innpakning? Dag O. Hessen University of Oslo, Dept. Biology Center of Ecological and Evolutionary Synthesis (CEES)
Epigenetikk; arvesynden i ny innpakning? Dag O. Hessen University of Oslo, Dept. Biology Center of Ecological and Evolutionary Synthesis (CEES) Den genetiske kode Oppnøstingen av den genetiske kode foregikk
DetaljerKapittel 10, del 2: Klassisk genetikk: Mendels arvelover. -forhold som influerer fenotypen slik at den avviker fra det Mendel observerte:
Kapittel 10, del 2: Klassisk genetikk: Mendels arvelover -forhold som influerer fenotypen slik at den avviker fra det Mendel observerte: 1. Dominansforhold 2. Multiple allel 3. Geninteraksjon 4. Genuttrykk
DetaljerGenkartlegging. Hva er egentlig et genkart? Genetisk og fysisk kartlegging
NTNU Genkartlegging 1 Termin IC Frank Skorpen Institutt for laboratoriemedisin, barne- og kvinnesykdommer Hva er egentlig et genkart? Kartet over det humane genom gir oss posisjonen av de ca 25,000 genene
DetaljerINF5820 Natural Language Processing - NLP. H2009 Jan Tore Lønning
INF5820 Natural Language Processing - NLP H2009 jtl@ifi.uio.no HMM Tagging INF5830 Lecture 3 Sep. 7 2009 Today More simple statistics, J&M sec 4.2: Product rule, Chain rule Notation, Stochastic variable
DetaljerUNIVERSITETET I AGDER
FAKULTET FOR TEKNOLOGI OG REALFAG EKSAMEN Emnekode: BI0105 Emnenavn: Genetikk og evolusjon Dato: 21. november 2011 Varighet: 2 timer Antall sider inkl. forside 8 Tillatte hjelpemidler: Kalkulator Merknader:
Detaljer4260 Mikrobiologi. Midtprøveoppgaver. 02. oktober 2013
1 Høgskolen i Telemark Fakultet for allmennvitenskapelige fag 4260 Mikrobiologi Midtprøveoppgaver 02. oktober 2013 Tid: 2 timer Sidetall: 7 (40 spørsmål) Hjelpemidler: Ingen Velg kun ett svaralternativ
DetaljerOppgave 2b V1979 Hvor i cellen foregår proteinsyntesen, og hvordan virker DNA og RNA i cellen under proteinsyntesen?
Bi2 «Genetikk» [3B] Målet for opplæringa er at elevane skal kunne gjere greie for transkripsjon og translasjon av gen og forklare korleis regulering av gen kan styre biologiske prosessar. Oppgave 2b V1979
DetaljerVi som står bak prosjektet er Eirik Krogstad og Petter Hannevold. Vi har gjort et prosjekt sammen med Microbial Evolution Research Group (MERG) ved
1 Vi som står bak prosjektet er Eirik Krogstad og Petter Hannevold. Vi har gjort et prosjekt sammen med Microbial Evolution Research Group (MERG) ved Biologisk institutt, Universitetet i Oslo. Disse jobber
DetaljerVil laksegenomet løse sykdomsproblematikken i akvakulturnæringen? Unni Grimholt CEES, Biologisk Institutt, UiO
Vil laksegenomet løse sykdomsproblematikken i akvakulturnæringen? Unni Grimholt CEES, Biologisk Institutt, UiO tja Men det er et skritt videre i riktig retning? Patogene problemer i oppdrett Antall oppdretts
Detaljer(12) Oversettelse av europeisk patentskrift
(12) Oversettelse av europeisk patentskrift (11) NO/EP 2150617 B1 (19) NO NORGE (51) Int Cl. C12N 15/85 (2006.01) C12N 15/86 (2006.01) Patentstyret (21) Oversettelse publisert 2015.03.02 (80) Dato for
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 11: Relasjoner Roger Antonsen Institutt for informatikk, Universitetet i Oslo 25. februar 2009 (Sist oppdatert: 2009-03-03 11:37) Kapittel 5: Relasjoner MAT1030 Diskret
DetaljerKapittel 5: Relasjoner
MAT1030 Diskret Matematikk Forelesning 11: Relasjoner Roger Antonsen Institutt for informatikk, Universitetet i Oslo Kapittel 5: Relasjoner 25. februar 2009 (Sist oppdatert: 2009-03-03 11:37) MAT1030 Diskret
DetaljerDagens tema: Begrepsdannelse Eksterne entydighetsskranker Representasjon n-1-regelen Verdiskranker Mengdeskranker
UNIVERSITETET I OSLO INF1300 Introduksjon til databaser Dagens tema: Begrepsdannelse Eksterne entydighetsskranker Representasjon n-1-regelen Verdiskranker Mengdeskranker INF1300 29.08.2017 Mathias Stang
DetaljerFLERVALGSOPPGAVER EVOLUSJON
FLERVALGSOPPGAVER EVOLUSJON FLERVALGSOPPGAVER FRA EKSAMEN I BIOLOGI 2 V2008 - V2011 Disse flervalgsoppgavene er hentet fra eksamen i Biologi 2 del 1. Det er fire (eller fem) svaralternativer i hver oppgave,
DetaljerSOS3003 Anvendt statistisk dataanalyse i samfunnsvitenskap Forelesingsnotat 08. Erling Berge Institutt for sosiologi og statsvitenskap NTNU
SOS3003 Anvendt statistisk dataanalyse i samfunnsvitenskap Forelesingsnotat 08 Erling Berge Institutt for sosiologi og statsvitenskap NTNU Erling Berge 2004 1 Manglande data Forelesing VIII Allison, Paul
DetaljerGrunnleggende cellebiologi
Grunnleggende cellebiologi Ann Kristin Sjaastad Sert. yrkeshygieniker, Dr. Philos HMS-seksjonen, NTNU Tema Cellens oppbygning Transportmekanismer Arvestoff og proteinsyntese Mutasjoner og genotoksisitet
DetaljerFLERVALGSOPPGAVER ARV
FLERVALGSOPPGAVER ARV Hvert spørsmål har ett riktig svaralternativ. Arv 1 En organisme med to identiske alleler for en egenskap blir kalt A) homozygot B) dominant C) selvpollinerende D) heterozygot Arv
DetaljerGenetiske interaksjoner mellom vill og oppdrettet laks
Genetiske interaksjoner mellom vill og oppdrettet laks Céleste Jacq, Jørgen Ødegård, Hans B. Bentsen og Bjarne Gjerde Havforskermøtet 2011 Trondheim Rømming av oppdrettslaks - trusselbilde Oppdrettsfisk
DetaljerKosmos SF. Figurer kapittel 8 Den biologiske tidsalderen Figur s. 214 BIOTEKNOLOGI. Næringsmiddelindustri. Landbruk. Akvakultur
Figurer kapittel 8 Den biologiske tidsalderen Figur s. 214 Proteiner fra olje og gass Bryggerier Meierivirksomhet Næringsmiddelindustri Fiskeavl Akvakultur Genmodifiserte organismer Planteavl Landbruk
DetaljerPBM 233 Mikrobiologi for farmasøyter
PBM 233 Mikrobiologi for farmasøyter Faglærer 2004: Per Arne Risøen Biologisk seksjon, ZEB Kap. 11 Mikrobiell evolusjon og systematikk Dateringer av fossiler viser at bakterier oppstod for ca. 3,6 milliarder
DetaljerHvor er responsen når vi ikke bruker den? Tore Vignes og Stein Evensen
Hvor er responsen når vi ikke bruker den? Tore Vignes og Stein Evensen Responser Noen bruker vi hele tiden Noen bruker vi sjelden Noen har vi nesten ikke brukt! Where is the f.. response!? Klasser Funksjonelle
DetaljerKromosomer, gener og DNA
Kromosomer, gener og DNA Hva er det, og hvordan undersøker vi det Olaug Kristin Rødningen Dr.scient, overingeniør Avdeling for medisinsk genetikk, OUS Et menneske består av ulike organsystem Organsystemene
DetaljerKapittel 14: Det eukaryote genom og dets uttrykksregulering
Kapittel 14: Det eukaryote genom og dets uttrykksregulering Innhold: 1. Det humane genom 2. Struktur av protein-kodende gener 3. RNA processering 4. Transkripsjonell kontroll 5. Posttranskripsjonell kontroll
DetaljerMolekylærbiologi: Nøkkelen til alle levende organismer
Molekylærbiologi: Nøkkelen til alle levende organismer Svein-Ole Mikalsen Náttúruvísindadeildin Megindeildin fyri náttúru- og heilsuvísindi Fróðskaparsetur Føroya Botanikk Zoologi Genetikk Mikrobiologi
DetaljerDagens temaer. Endelig lengde data. Tema. Time 11: Diskret Fourier Transform, del 2. Spektral glatting pga endelig lengde data.
Dagens temaer Time : Diskret Fourier Transform, del Andreas Austeng@ifi.uio.no, INF37 Institutt for informatikk, Universitetet i Oslo Spektral glatting pga endelig lengde data Bruk av en Frekvensestimering
DetaljerOversikt over kap.10. Kap 10. Rekonstruksjon av Genomet. Splitt og overvinn strategien imøtekommer de fleste utfordringer
Kap 10. Rekonstruksjon av Genomet Gjennom genetisk og molekylær analyse Oversikt over kap.10 Utfordringer og strategier ved genomanalyse Genomstørrelse Egenskaper må også analyseres Problemer med DNA polymorfismer
DetaljerGENER, genregulering, og genfamilier
GENER, genregulering, og genfamilier 1-A, H-11 Forelesning 21.11.11 Frank Skorpen, Institutt for Laboratoriemedisin, Barne- og Kvinnesykdommer, DMF, NTNU Gener Kromosom, kromatin og DNA Hva er et gen?
DetaljerDagens tema: Begrepsdannelse Eksterne entydighetsskranker Verdiskranker Mengdeskranker
UNIVERSITETET I OSLO INF1300 Introduksjon til databaser Dagens tema: Begrepsdannelse Eksterne entydighetsskranker Verdiskranker Mengdeskranker Institutt for informatikk 1 Et eksempel fra virkeligheten
DetaljerMennesket og mikrobene. Elling Ulvestad Mikrobiologisk avdeling, Haukeland Universitetssykehus Klinisk institutt 2, Universitetet i Bergen
Mennesket og mikrobene Elling Ulvestad Mikrobiologisk avdeling, Haukeland Universitetssykehus Klinisk institutt 2, Universitetet i Bergen Bakteppe Hvordan handle slik situasjonen krever av oss? Hvordan
DetaljerINF 4130 / / Dagens foiler hovedsakelig laget av Petter Kristiansen Foreleser Stein Krogdahl Obliger:
INF 4130 / 9135 29/8-2012 Dagens foiler hovedsakelig laget av Petter Kristiansen Foreleser Stein Krogdahl Obliger: Tre stykker, som må godkjennes. Frister: 21. sept, 26. okt, 16. nov Andre, «nærliggende»
DetaljerML-208, generell informasjon
ML-208, generell informasjon Emnekode: ML-208 Emnenavn: Molekylærbiologi Dato:20.12.2017 Varighet:4 timer Tillatte hjelpemidler: Ingen Merknader:Lag gjerne tegninger og figurer for å illustrere og forklare
DetaljerFLERVALGSOPPGAVER BIOTEKNOLOGI
FLERVALGSOPPGAVER BIOTEKNOLOGI FLERVALGSOPPGAVER FRA EKSAMEN I BIOLOGI 2 V2008 - V2011 Disse flervalgsoppgavene er hentet fra eksamen i Biologi 2 del 1. Det er fire (eller fem) svaralternativer i hver
DetaljerGenomkartlegging er det noe nyttig for havbruksnæringen?
Genomkartlegging er det noe nyttig for havbruksnæringen? Sigbjørn Lien Centre for Integrative Genetics (CIGENE) Institutt for husdyr- og akvakulturvitenskap (IHA) Universitetet for miljø- og biovitenskap
DetaljerFødt sånn eller blitt sånn: om gener, søppel-dna og epigenetikk
Født sånn eller blitt sånn: om gener, søppel-dna og epigenetikk Dag O. Hessen University of Oslo, Dept. Biology Center of Ecological and Evolutionary Synthesis (CEES) Kappløpet et (kort) historisk tilbakeblikk
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlige stokastiske variabelen X ha fordelingsfunksjon (sannsynlighetstetthet
DetaljerMAT1030 Forelesning 11
MAT1030 Forelesning 11 Relasjoner Roger Antonsen - 25. februar 2009 (Sist oppdatert: 2009-03-03 11:37) Kapittel 5: Relasjoner Binære relasjoner Definisjon. La A være en mengde. En binær relasjon på A er
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2810 Eksamensdag: Fredag 5. juni 2015 Tid for eksamen: 14:30 (4 timer) Oppgavesettet er på 4 sider (ikke medregnet denne siden)
DetaljerHeuristisk søk 1. Prinsipper og metoder
Heuristisk søk Prinsipper og metoder Oversikt Kombinatorisk optimering Lokalt søk og simulert størkning Populasjonsbasert søk Traveling sales person (TSP) Tromsø Bergen Stavanger Trondheim Oppdal Oslo
DetaljerOversikt over kap. 11. Kap. 11 Den direkte påvisning av genotype skiller individuelle genomer. Fire klasser av DNA polymorfismer.
Kap. 11 Den direkte påvisning av genotype skiller individuelle genomer Oversikt over kap. 11 Fire klasser av DNA variasjon til direkte påvisning av genotype. Metoder som bruker hybridisering, elektroforese,
DetaljerKromosomer, gener og DNA
Kromosomer, gener og DNA Hva er det, og hvordan undersøker vi det Olaug Kristin Rødningen Dr.scient, overingeniør Avdeling for medisinsk genetikk, OUS Et menneske består av ulike organsystem Organsystemene
DetaljerIndekser i avlsarbeidet: Kan vi se om de virker? Jørgen Ødegård Avlsforsker
Indekser i avlsarbeidet: Kan vi se om de virker? Jørgen Ødegård Avlsforsker Gentisk fremgang Hver generasjon står på skulderne til forrige generasjon Fremgangen er varig Selv om avlsarbeidet skulle stoppe
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 16: Rekursjon og induksjon Roger Antonsen Institutt for informatikk, Universitetet i Oslo 17. mars 009 (Sist oppdatert: 009-03-17 11:4) Forelesning 16 MAT1030 Diskret
DetaljerDagens tema: Begrepsdannelse Eksterne entydighetsskranker Verdiskranker Mengdeskranker Underbegreper og underbegrepsskranker Kombinerte totale roller
UNIVERSITETET I OSLO INF1300 Introduksjon til databaser Dagens tema: Begrepsdannelse Eksterne entydighetsskranker Verdiskranker Mengdeskranker Underbegreper og underbegrepsskranker Kombinerte totale roller
DetaljerUNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: MBV4010 Arbeidsmetoder i molekylærbiologi og biokjemi I Eksamensdag: Onsdag 23. september 2009 Tid for eksamen: Kl. 09.00 12.00
Detaljersporing av «rømt» laks med SNP-basert slektskapstesting Kjøglum S., Lien S., Kent M.; Grove H.; Lie Ø.
Konseptbevisgenetisk sporing av «rømt» laks med SNP-basert slektskapstesting Kjøglum S., Lien S., Kent M.; Grove H.; Lie Ø. Bakgrunn Myndigheter, NGO-er og FHL vil ansvarlig gjøre norske oppdrettere for
DetaljerRepetisjon og mer motivasjon. MAT1030 Diskret matematikk. Repetisjon og mer motivasjon
Repetisjon og mer motivasjon MAT030 Diskret matematikk Forelesning 22: Grafteori Roger Antonsen Matematisk Institutt, Universitetet i Oslo 4. april 2008 Først litt repetisjon En graf består av noder og
DetaljerIntroduksjon til Biokjemi. Ingar Leiros, Institutt for Kjemi, UiT
Introduksjon til Biokjemi Ingar Leiros, Institutt for Kjemi, UiT Biokjemi Biokjemi (Wikipedia): -Studien av de kjemiske prosesser i levende organismer, eller sagt på en annen måte; det molekylære grunnlaget
DetaljerForelesning 4 torsdag den 28. august
Forelesning 4 torsdag den 28. august 1.10 Rekursjon Merknad 1.10.1. Hvert tall i sekvensen 1, 2, 4, 8, 16,... er to ganger det foregående. Hvordan kan vi beskrive sekvensen formelt? Vi kan ikke skrive
DetaljerKosmos SF. Figurer kapittel 8: Den bioteknologiske tidsalderen Figur s. 234 BIOTEKNOLOGI. Næringsmiddelindustri. Landbruk.
Figurer kapittel 8: Den bioteknologiske tidsalderen Figur s. 234 Proteiner fra olje og gass Bryggerier Meierivirksomhet Næringsmiddelindustri Fiskeavl Akvakultur Genmodifiserte organismer Planteavl Landbruk
DetaljerINF280 Søking og maskinlæring
INF280 Søking og maskinlæring Foreleser: Eivind Coward, kontor 5. etg. Datablokken. coward@ii.uib.no Gruppeleder: Harald Barsnes Forelesninger: tirsdag og fredag 12 14 rom 2104 Øvinger: fredag 10 12 rom
DetaljerML-208, generell informasjon
ML-208, generell informasjon Emnekode: ML-208 Emnenavn: Molekylærbiologi Dato:20.12.2017 Varighet:4 timer Tillatte hjelpemidler: Ingen Merknader:Lag gjerne tegninger og figurer for å illustrere og forklare
DetaljerDNA - kroppens byggestener
DNA - kroppens byggestener Nina Baltzersen 22. september 2011 Enten man har slått seg, er forkjølet, støl etter trening eller rett og slett bare har en vanlig dag, så arbeider kroppen for fullt med å reparere
DetaljerGenetiske interaksjoner villfisk-oppdrettsfisk
Genetiske interaksjoner villfisk-oppdrettsfisk Jørgen Ødegård og Celeste Jacq Nofima AHA Oppstartkonferanse Leikanger, april 2011 Rømming av oppdrettslaks - trusselbilde Oppdrettsfisk kan rømme og krysse
DetaljerMAT1030 Forelesning 19
MAT1030 Forelesning 19 Generell rekursjon og induksjon Roger Antonsen - 25. mars 2009 (Sist oppdatert: 2009-03-25 11:06) Forelesning 19 Forrige gang så vi på induktivt definerte mengder og noen eksempler
DetaljerFrå DNA til Protein. Medisin stadium IA, 9. september Astrid Lægreid
Frå DNA til Protein Medisin stadium IA, 9. september 2016 Astrid Lægreid http://www.doegenomes.org/ Celler inneheld DNA arvematerialet i dei fleste levande system Genomet er organismen sitt komplette sett
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer HØSTEN 2017 Ingrid Chieh Yu Institutt for informatikk, Universitetet i Oslo Forelesning 4: Prioritetskø og Heap Ingrid Chieh Yu (Ifi, UiO) INF2220 H2017, forelesning
DetaljerMOL204 Anvendt bioinformatikk I
Universitetet i Bergen Molekylærbiologisk institutt Matematisk naturvitenskapelig embetseksamen MOL204 Anvendt bioinformatikk I bokmål / nynorsk / english Mandag 20. desember 2010, 4 timer, kl 9:00 13:00
DetaljerGENETISKE MEKANISMER INVOLVERT I SPREDING AV RESISTENS
GENETISKE MEKANISMER INVOLVERT I SPREDING AV RESISTENS KRISTIN HEGSTAD OUTLINE Hvordan erverves nye egenskaper? Mekanismer for horisontal genoverføring (HGT) Genetiske elementer involvert i spredning Definisjoner
DetaljerINF 1040 Løsningsforslag til kapittel
INF 040 Løsningsforslag til kapittel 8 Oppgave : Huffmankoding med kjente sannsynligheter Gitt en sekvens av symboler som er tilstrekkelig lang, og som inneholder de 6 symbolene A, B, C, D, E, F. Symbolene
DetaljerGenetiske undersøkelser av biologisk materiale
Genetiske undersøkelser av biologisk materiale Torunn Fiskerstrand, overlege PhD Senter for klinisk medisin og molekylærmedisin, Haukeland Universitetssykehus Institutt for klinisk medisin, Universitetet
DetaljerProblembakterier karakterisering og genotyping. André Ingebretsen Avdeling for smittevern og Avdeling for mikrobiologi Oslo universitetssykehus
Problembakterier karakterisering og genotyping André Ingebretsen Avdeling for smittevern og Avdeling for mikrobiologi Oslo universitetssykehus Mikroorganismer finnes i alle miljøer? Estimat av biodiversitet
DetaljerFrancisellose hos torsk og forvaltningsmessige utfordringer
Francisellose hos torsk og forvaltningsmessige utfordringer Ragnar Thorarinsson, Seniorrådgiver fiskehelse Regionkontoret for Hordaland og Sogn og Fjordane Program Nettverksmøte Sats på torsk. Tromsø 13.02.2008
DetaljerUNIVERSITETET I BERGEN Det matematisk-naturvitenskapelige fakultet
Skriftlig eksamen/written Examination Emne/Course: MOL204 Anvendt bioinformatikk I / Applied bioinformatics I Dato/Date: 16. desember/16 December Tillatte hjelpemidler (i samsvar med emnebeskrivelsen)/permitted
DetaljerDen komplette DNA sekvens fra en organisme.
Definisjoner: Hva er et genom? Den komplette DNA sekvens fra en organisme. Den komplette samlingen av gener som koder for alle proteiner, pluss ribosomalt RNA, trna, snrna (involvert i mrna spleising)
DetaljerHashing. INF Algoritmer og datastrukturer HASHING. Hashtabeller
Hashing INF2220 - Algoritmer og datastrukturer HØSTEN 200 Institutt for informatikk, Universitetet i Oslo INF2220, forelesning : Hashing Hashtabeller (kapittel.) Hash-funksjoner (kapittel.2) Kollisjonshåndtering
DetaljerGenfeil i kreftsvulster nøkkelen til en mer persontilpasset behandling?
Genfeil i kreftsvulster nøkkelen til en mer persontilpasset behandling? Hege G. Russnes Forsker ved Avd. For Genetikk, Institutt for Kreftforskning og overlege ved Avd. For Patologi Oslo Universitetssykehus
DetaljerIntroduction to the Practice of Statistics
David S. Moore George P. McCabe Introduction to the Practice of Statistics Fifth Edition Chapter 3: Producing Data Copyright 2005 by W. H. Freeman and Company Produsere data Kap 1: Utforske gitte data
DetaljerForelesning 23. MAT1030 Diskret Matematikk. Repetisjon og mer motivasjon. Repetisjon og mer motivasjon. Forelesning 23: Grafteori.
MAT030 Diskret Matematikk Forelesning 23: Grafteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Forelesning 23 22. april 2009 (Sist oppdatert: 2009-04-22 2:37) MAT030 Diskret Matematikk
DetaljerEKSAMENSOPPGAVE I BI2014 MOLEKYLÆRBIOLOGI
Norges teknisk-naturvitenskapelige universitet Institutt for biologi EKSAMENSOPPGAVE I BI014 MOLEKYLÆRBIOLOGI Faglig kontakt under eksamen: Ralph Kissen Tlf.: 41344134 (mobil) - Eksamensdato: 11. desember
DetaljerNytt fotopigment funnet hos fisk
Nytt fotopigment funnet hos fisk I vår molekylære søken etter synspigmenter hos torsk ble et nytt fotopigment funnet, som tidligere ikke er kjent fra teleoster. Dette fotopigmentet hører til melanopsin
DetaljerMetode for å kartlegge DNA-et og båndmønsteret det har. Brukes for å kartlegge slektskap eller identifisere individer innenfor rettsmedisin.
8: Den bioteknologiske tidsalderen Figur side 238 Proteiner fra olje og gass Bryggerier Meierivirksomhet Næringsmiddelindustri Fiskeavl Akvakultur Genmodifiserte organismer Planteavl Landbruk Husdyravl
DetaljerOversikt. Heuristisk søk 1. Kombinatorisk optimering Lokalt søk og simulert størkning Populasjonsbasert søk. Prinsipper og metoder
Oversikt Heuristisk søk Kombinatorisk optimering Lokalt søk og simulert størkning Populasjonsbasert søk Prinsipper og metoder Pål Sætrom Traveling sales person (TSP) Kombinatorisk optimering Trondheim
DetaljerSkjulte Markov Modeller
CpG øy Skjule Markov Modeller år CG er eer hverandre i en DA sekvens vil C ofe muere il T ved meylase. (kalles ofe CpG for å ikke forveksles med pare C-G i o DA råder). CpG dinukleoiden forekommer mye
DetaljerHfr-stammer Kartlegging ved avbrutt konjugasjon (time of entry)
BAKTERIE OG FAG GENETIKK Man studerer ofte E. coli fordi den inneholder få gener (4700 kb)sammenlihgnet med menneskets ca 6 mill kb, har kort generasjonstid (20 min) og er hele livssyklusen i haploid tilstand.
DetaljerForelesninger i BI Cellebiologi. Protein struktur og funksjon - Kap. 3
Forelesninger i BI 212 - Cellebiologi Protein struktur og funksjon - Kap. 3 Tor-Henning Iversen, Plantebiosenteret (PBS),Botanisk institutt,ntnu e-mail : Tor-Henning.Iversen@chembio.ntnu.no Tlf. 73 59
DetaljerProteiner og aminosyrer
Proteiner og aminosyrer Presentasjonsplan 1/2 Cellen Grunnleggende komponenter DNA til mrna til proteiner Den genetiske koden: Hva er et codon? Presentasjonsplan 2/2 Aminosyrer del 1 Hvilke molekyler er
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig
Detaljer