Statistička obrada genetičkih podataka u forenzici
|
|
- Νατάσσα Ανδρέου
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Statistička obrada genetičkih podataka u forenzici
2 tumačenje DNK dokaza je problematika molekularne i populacione genetike
3 molekularna genetika DNK ekstrakcija DNK kvantifikacija PCR amplifikacija multiplih STR markera odvajanje PCR produkata STR alela genotipizacija uzorka populaciona genetika i statistika poredjenje genotipa uzorka sa ostalim uzorcima i bazom podataka ako se poklopi, poredjenje DNK profila sa bazama podataka različitih populacija računanje verovatnoće slučajnog poklapanja na osnovu baza podataka različitih populacija formiranje izveštaja o posebnom slučaju
4 Organizacija genoma (eukariota) cpdnk
5 Oko gena je identifikovano tokom Projekta Humanog Genoma- HGP (od 1990) Samo oko 2% humanog genoma čine geni koji kodiraju za proteine Promene u sekvencama DNK mogu da se dese bilo gde, ne samo u genima I najmanje variranje u sekvenci DNK može imati veliki uticaj na razvoj oboljenja, odgovor na sredinu, na terapiju lekovima, itd. Postoji i neutralno variranje, ne utiče na osobine, na adaptivnu vrednost
6 0.1% ~ 3 miliona baza ~ 10 miliona DNK varijanti koje se mogu naći u različitim kombinacijama dovoljno da se obezbedi individualna unikatnost na nivou DNK fokus forenzičke genetike je u 0,1% razlika u pojedinim regionima genoma medju jedinkama najveći deo razlika, oko 85% je meñu jedinkama unutar populacija
7 DNK polimorfizmi Uopšteno, DNK polimorfizmi koji se koriste za individualnu genotipizaciju se odnose na različite dužine i ponavljanja sekvence u DNK, uglavnom u nekodirajućim regionima RFLP (polimorfizam dužine restrikcionim fragmenata) RAPD (nasumično umnožena polimorfna DNK) AFLP (polimorfizam umnoženih fragmenata prema dužini STR - tandemski ponovci: minisateliti, mikrosateliti SNP (polimorfizmi pojedinačnih nukelotida) rasuti ponovci: SINE, LINE
8 Kratki tandemski ponovci, mikrosateliti Slika Shema 5 STR lokusa sa različitim brojem ponavljanja osnovnog motiva koji može da se sastoji od 2 do 5bp u datom primeru.
9 Mikrosateliti su pogodni za individualnu genotipizaciju visoko polimorfni mogu razlikovati i bliske vrste daju visoku verovatnoću poklapanja
10
11 Lokus D3S1358 vwa FGA D8S1179 D21S11 D18S51 D5S818 Genotip 15, 18 16, 16 19, 24 12, 13 29, 31 12, 13 11, 13 Učestalost 8.2% 4.4% 1.7% 9.9% 2.3% 4.3% 13% Lokus D13S317 D7S820 D16S539 THO1 TPOX CSF1PO AMEL Genotip 11, 11 10, 10 11, 11 9, 9.3 8, 8 11, 11 X Y Učestalost 1.2% 6.3% 9.5% 9.6% 3.52% 7.2% Primer DNK profila muškarca za 13 lokusa SAD databaze CODIS (Combined DNA Index System):
12 Populaciona genetika se bavi izučavanjem faktora koji utiču na alelske i genotipske učestalosti u populacijama Učestalosti alela Koliko se često jedna varijanta gena (sekvence genoma) nalazi u populaciji? Učestalosti genotipova Koliko se često homozigot ili heterozigot nalazi u populaciji? Učestalosti fenotipova Koliko se često neki fenotip nalazi u populaciji?
13 Mendelovi principi utiču na učestalosti alela i genotipova ravnoteža je posledica segregacije alela putem mejoze Količina genetičke varijabilnosti je konstantna kroz generacije populacije različite su genotipske kompozicije - iste učestalosti alela
14 HARDI-VAJNBERGOV PRINCIP pri uslovima oplodnje po principu slučajnosti, u velikoj populaciji, gde svi genotipovi imaju jednako preživljavanje, učestalosti genotipova odreñene generacije, zavise od učestalosti alela u prethodnoj generaciji
15 na osnovu principa segregacije i slobodnog kombinovanja, ako oba roditelja produkuju isti broj gameta onda će učestalosti alela biti jednake učestalostima gameta koji ih nose. učestalosti ženskih gameta učestalosti muških gameta p (A1) q(a2) p (A1) p 2( A1A1) qp(a2a1) q (A2) pq(a1a2) q 2 (A2A2) Slučajnim spajanjem gameta iz roditeljskih genotipova, dobijaju se zigoti, čija su učestalosti odreñene učestalostima gameta čijim su spajanjem nastali Tabela 5.1. Kombinacije parenja genotipova i učestalosti genotipova potomaka pod uslovima slučajnog parenja uz genotipske učestalosti p 2 A 1 A 1 + 2pq A 1 A 2 + q 2 A 2 A 2 roditelji potomci parovi učestalosti A1A1 A1A2 A2A2 A 1 A 1 x A 1 A 1 p 2 x p 2 =p 4 p A 1 A 1 x A 1 A 2 2 x p 2 x 2pq=4p 3 q 2p 3 q 2p 3 q - A 1 A 1 x A 2 A 2 2 x p 2 x q 2 =2p 2 q 2-2p 2 q 2 - A 1 A 2 x A 1 A 2 2pq x 2pq=4p 2 q 2 p 2 q 2 2p 2 q 2 p 2 q 2 A1A2 x A2A2 2 x 2pq x q 2 =4pq 3-2pq 3 2pq 3 A 2 A 2 x A 2 A 2 q 2 x q 2 =q q 4
16 Roditeljska generacija Alel A1 Učestalost p Potomačka generacija Hardi-Vajbergova RAVNOTEŽA genetička ravnoteža genofonda Genotip A1A1 A1A2 Učestalost p 2 2pq Alel A1 Učestalost p 2 +[(2pq)/2] p 2 + pq p(p+q) (p+q=1) p
17 Veze učestalosti alela i genotipova
18 Multipli aleli n alela - broj mogućih diploidnih genotipova = [n (n + 1)] / 2 - broj mogućih homozigota = n - broj mogućih heterozigota = [n (n - 1)] / 2 učestalost odgovarajućeg homozigota = P ii = p i 2 učestalost svih homozigota = p 12 + p p n 2 = Σ p i 2 multinominalna distribucija učestalost odgovarajućeg heterozigota = H ij = 2p i p j Hardi-Vajnebergova (očekivana) heterozigotnost H exp = p 1 p 2 + p 2 p 1 + p 1 p = Σ p i p j = 1- Σ p i 2 - razlika ukupne učestalosti svih genotipova (1) i učestalosti svih homozigota Σ p i 2
19 Broj alela = Broj mogućih Maksimalna heterozigotnost broj homozigota = n heterozigota (kada je p = q = r =...) 2 1 1/2 = 0, /3 = 0, /4 = 0, /5 = 0, n [n(n-1]/2 (n-1)/n Maksimalna heterozigotnost za posmatrani lokus u populaciji kada svi njegovi aleli imaju iste učestalosti (p i = 1 / n) n
20 Hardi-Vajnbergov princip omogućava da se u opisivanju genofonda u obzir uzme samo n alela na posmatranom lokusu da bi se opisao genofond neke populacije n( n +1) 2 ako ima n alela na m lokusa tada je broj mogućih genotipskih kombinacija jednak: m n( n + 2 1) m
21 Testiranje HW ravnoteže χ2 = k i= 1 ( D O) O 2 Tabela 5.4. Poreñenje očekivanih i dobijenih učestalosti genotipova lokusa MN krvnih grupa u četiri populacije ljudi. Očekivane učestalosti genotipova se računaju prema HW principu iz dobijenih učestalosti alela. Primećuje se ravnoteža unutar pojedinih populacija ali odstupanje kada je cela ljudska populacija u pitanju (Griffiths et al., 2004) χ2 DOBIJENO OČEKIVANO populacija M/M M/N N/N M/M M/N N/N Inuiti Egipćani Kinezi Australijski aboridžini 0,835 0,278 0,332 0,024 0,156 0,489 0,486 0,304 0,009 0,233 0,182 0,672 0,834 0,274 0,331 0,031 0,159 0,499 0,488 0,290 0,008 0,228 0,181 0,679 za DNK polimorfizme koji se koriste u forenzici se podrazumeva da su u Hardi-Vajnbergovoj ravnoteži Različiti testovi...hi-kvadrat, odnos verovatnoća, multilokusni egzaktni test...
22 Primer: Primena Hardi-Vajnbergovog principa u forenzici DNK profilisanje razlikuje jedinke u populaciji preko DNK polimorfizama Hardi-Vajnbergova jednačina i račun verovatnoće se koristi za statistiku DNK poklapanja profila uzoraka na primer, osumnjičenog i dobijenih sa mesta zločina
23 Primer: Primena Hardi-Vajnbergovog principa u forenzici Odreñuje se homozigotnost/heterozigotnost za svaki ponovak očekivane genotipske učestalosti p 2, 2pq, q 2 se računaju na osnovu referentnih učestalosti alela za datu populaciju (Tabela 8.1 u knjizi (Introduction to FG) Množenjem genotipskih učestalosti dobija se verovatnoća odreñene kombinacije DNK sekvence u populaciji PROFILA Ako je dobijena kombinacija alela osumnjičenog veoma retka u populaciji iz koje je osumnjičeni, a poklapa se sa nañenom DNK na mestu zločina, potvrñuje se identifikacija. Zadatak: Na slici je DNK profil osumnjičenog sa mesta zločina na osnovu 4 lokusa i učestalosti njihovih alela u etničkoj grupi kojoj osumnjičeni pripada. Izračunajte očekivanu učestalost ovakvog profila. Izvedite zaključak o (ne)slučajnosti poklapanja.
24 VEROVATNOĆA POKLAPANJA IDENTITETA (matching probability- MP) računa se preko alelskih učestalosti procenjenih za referentnu populaciju iz koje je uzorak Primer: 2 lokusa sa 2 alela, referentne populacione učestalosti: p 1 =q 1 =0.50 p 2 =0.90, q 2 =0.10 nadjeni uzorak je pokazao da su oba lokusa u heterozigotnom stanju. Koja je verovatnoća da će slučajno uzorkovana jedinka u toj populaciji imati takav genotip? MP za svaki lokus je: Lokus 1: 2p 1 q 1 =0.50 Lokus 2: 2p 2 q 2 = 0.18 MP za oba je 0.50 x 0.18= 0.09 je šansa da se nadjeni genotip pripiše pogrešnoj jedinki tj. da u toj populaciji još neko ima isti genotip Više lokusa, smanjuje se verovatnoća pogrešnog MP Dobro je znati referentne učestalosti u odredjenoj populaciji. Ako se ne zna, koriste se odgovarajuće dostupne baze. Što je veća baza to će biti pouzdanija MP
25 Korekcije alelskih učestalosti iz referentnih baza baza podataka alelskih učestalosti za lokuse koji se koriste je neophodna za upotrebu HW u forenzičkoj genetici konstruišu se za definisane populacije, na osnovu najmanje 100 nesrodnih osoba, za oko 200 alela po lokusu postoje ograničenja, naročito ako se radi o retkim alelima i malim populacijama Baldingova korekcija: učestalost profila se koriguje na osnovu dodavanja utvrdjenih alela u datom slučaju, postojećoj bazi podataka o alelima, pa se preračunaju očekivane učestalosti genotipova za svaki lokus, a time i profila (knjiga, str. 81., tabele: 8.1. i sa korekcijom, 8.2.) Granica učestalosti alela (ceiling principle) i profila retki aleli mogu da se ne nalaze u bazama. Uvodi se princip minimalne vrednosti učestalosti alela koje se mogu uzeti (oko 0,01). Ili se koristi najmanji broj nañenih alela/broj jedinki u celoj bazi Dodatne korekcije uzimaju u obzir i druge faktore koji remete ravnotežu populacije
26 Pretpostavke HW ravnoteže parenje je po principu slučajnosti prirodna selekcija ne utiče na lokus koji se razmatra STR i ostali lokusi koji se koriste u forenzici su takozvani neutralni, tj, ne utiču na adaptivnu vrednost jedinki mutacija se može zanemariti STR lokusi imaju relativno visoku stopu mutacija što ih čini veoma polimorfnim markerima ali, unutar populacije te stope su ipak dovoljno niske po generaciji pa ne utiču na promene alelskih učestalosti konstantno velika populacija - nema genetičkog drifta migracija (protok gena) zanemarljiva
27 Inbriding u populaciji Slika 6.6. Aleli u predačkoj populaciji i genotipovi u sadašnjoj; autozigotni homozigoti, alozigotni homozigoti i alozigotni heterozigoti
28 Verovatnoća da su dva alela na jednom lokusu kod odreñene jedinke indentična po poreklu koeficijent inbridinga (F) Slika 6.8. Inbriding usled male brojnosti populacije. Genotipovi su dati u generacijama t i t-1, uzorak 2N gameta uzima se slučajno iz genofonda verovatnoćom 1/2N da će u t-1 biti identični i sa verovatnoćom 1-1/2N da neće.
29 Inbriding, veličina populacije, heterozigotnost Mala veličina populacije povećava verovatnoću parenja u srodstvu Koeficijent inbridinga je obrnuto proporcionalan veličini populacije Koeficijent inbridinga stoji u relaciji sa smanjenjem heterozigotnosti Heterozigotnost populacije opada, po stopi 1/(2N) za svaku generaciju F t 1 2N 1 1 2N F = + t 1 H t F H = 1 H 1 2N t 0 = 1 H t 1 Postojanje inbridinga u populaciji: H<2pq, F > 0
30 Čovek sa šimpanzom ima zajedničkog pretka pre oko 6 miliona godina..genomi su divregirali za oko 5%, DNK sekvenca za oko 1,2% a inserciono-delecione zamene u ovim genomima su doprinele još oko 3,5% divergencije Savremeni ljudi datiraju od pre oko godina...nukleotidne zamene su donele prosečno razliku na svakih nukleotida, pa se meñusobno razlikujemo u oko 0,1% genoma
31 Slika Putanje u rodoslovu koje pokazuju verovatnoće da su odreñeni aleli (tačke na linijama) identični po poreklu.
32 U uzorku alela koji oslikavaju varijabilnost populacije svaki ima različitu istoriju; aleli mogu poticati od istog pretka u prethodnoj generaciji ili nekoj daljnoj generaciji. Tačka zajedničkog pretka je tačka slivanja, tj. koalescencija. Ako se ide dovoljno daleko u istoriju populacije, u jednom uzorku svi aleli se slivaju u jednom zajedničkom predačkom alelu. generacija alel n (sadašnjost) 5 (sadašnjost)
33 Mutacije obezbeñuju proces divergencije sekvenci i razlike se vremenom akumuliraju. Mutacije se dešavaju nezavisno kod različitih jedinki u različitim generacijama, akumuliraju vremenom u linijama i odvajaju. Što je veća razlika u sekvencama, duži je i period od kada su se linije odvojile od zajedničkog pretka.
34 Primer: odreñivanje najskorijeg zajedničkog pretka. Nakon 4 slivanja svi aleli potiču od jednog zajedničkog pretka. Očekivano vreme tokom koga nastaje n odvojenih linija mereno sa 2N je: Očekivano vreme dostiže 4N kako opada broj linija, što je očekivano vreme za fiksaciju novonastale mutacije. prošlost T2 T3 T4 sadašnjost Uzorkovani aleli T5
35 vreme Pri konstantnoj N broj koalescencija je nešto veći ka vrhovima grana jer su očekivana vremena kraća pri većem n. Sa opadanjem veličine populacije broj skorašnjih koalescentnih dogañaja raste. Kako N raste unatrag vreme koalescencije će biti sve duže u poreñenju sa populacijom konstantne brojnosti. Sa širenjem populacije malo je koalescentnih dogañaja u skorije vreme. Kako N opada unatrag, vreme koalescencije je sve kraće u poreñenju sa populacijom konstantne brojnosti.
36 Neutralnost predviña da porast Ne ili µ povećava heterozigotnost, a smanjuje homozigotnost Θ=4Neµ Porast mutacione stope povećava heterozigotnost. Markeri različite µ Porast efektivne veličine populacije povećava heterozigotnost. Markeri na X hromozomu i autozomima
37 Mutacija i drift Neutralistička teorija predviña da mutacije stvaraju nove alele, dok genetički drift menja njihovu učestalost. N jedinki, 2N alela, mutaciona stopa µ Svaka mutacija stvara novi alel. Početna učestalost alela je 1/(2N). Ukupno novih neutralnih mutacija u genofondu 2Nµ Verovatnoća fiksacije svakog novog alela je jednaka njegovoj učestalosti 1/(2N), a eliminacije 1-(1/2N). Kojom stopom se fiksiraju aleli? proizvod verovatnoće fiksacije nekog novog neutralnog alela i prosečnog broja novih neutralnih mutacija u svakoj generaciji 1/(2N)x2Nµ=µ. Vreme koje proñe izmeñu dve fiksacije je 1/µ, nezavisna je od N Vreme potrebno da se neka mutacija fiksira od trenutka kada nastane, je zavisno N i iznosi 4N generacija.
38 Novi aleli ulaze u populaciju mutacijama, sa početnom učestalošću 1/(2N). Većina alela se gubi, ali onima koji se fiksiraju treba otprilike 4N generacija. Vreme izmeñu zamene fiksiranih alela je 1/µ generacija.
39 Usko grlo i efekat osnivača Smanjuje se broj alela Smanjuje se heterozigotnost. Ali manjom brzinom nego broj alela. Populacije koje su prošle kroz skorašnje usko grlo imaju veću heterozigotnost nego što bi se očekivalo za dati broj alela. Menja se distribucija alela Za mikrosatelitsku varijabilnost u populacijama koje su prošle usko grlo, očekuje se da se smanji broj alela i opseg dužine alela. Opseg dužine alela je stabilniji parametar. usko grlo
40 Analizom genetičke varijabilnosti i prostornog rasporeda populacija možemo steći sliku populacione istorije. Iz kog regiona potiču populacije? Prema stepenu diverziteta, retkim alelskim varijantama. Kada i kako su se populacije sažimale i povećavale brojnost?
41 populaciona fragmentacija (genetički drift) i ponovno spajanje (protok gena) nekadašnja distribucija sadašnja distribucija
42 Kada se populacija fragmentiše, različiti fragmenti dobijaju početne alelske učestalosti slučajnošću Tako dolazi do različitosti, diferencijacije subpopulacija (fragmenata) čiji se stepen meri varijansom alelskih učestalosti: V = pq/2ne Što su manji fragmenti, to je veća varijansa, diferencijacija u proseku, fragmentisana populacija posmatrana ucelo, ima smanjenu heterozigotnost (usled slučajnog uzorkovanja od prvobitne populacije 1/(2Ne) ali, povećanu varijansu heterozigotnosti za lokuse unutar subpopulacija
43 Substruktuiranje populacija različiti faktori sprečavaju protok gena medju fragmentima, subpopulacijama Gubitkom heterozigotnosti unutar fragmenata, alelske učestalosti meñu fragmentima slučajno osciliraju (drift) Pri spajanju ovako razdvojenih delova, ili pri ponovnom protoku gena, dolazi do manjka heterozigotnosti na nivou nove populacije i viška homozigota - Valundov efekat.
44 Slika Dobijena i očekivana heterozigotnost na jednom lokusu sa dva alela u razdeljenoj populaciji. Kriva predstavlja očekivanu heterozigotnost ( 2 pq ), p 1 i p 2 su učestalosti alela u subpopulacijama, sa očekivanim heterozigotnostima H 1 i H 2 i prosečnom učestalošću p. H D je dobijena heterozigotnost kao prosek u obe populacije. (Izvor: Halliburton, 2004)
45 opisivanje genetičke diferencijacije razlaganjem genetičke varijabilnosti u fragmentisanoj populaciji tri F koeficijenta koji se odnose na genetičku varijabilnost: na nivou cele populacije (F IT ) izmeñu subpopulacija (F ST ) meñu jedinkama (F IS ) inbriding - rezultuje iz populacione fragmentacije, mera genetičke diferencijacije meñu fragmentima populacije: F IS koeficijent inbridinga uprosečen meñu jedinkama iz svih fragmenata F ST efekat populacione fragmentacije na inbriding F ST ima opseg od 0-1 (nema diferencijacije meñu fragmentima) - (došlo je do fiksacije različitih alela u fragmentima). sa visokom stopom protoka gena meñu fragmentima F ST je nizak
46 F-statistika koristi odnose heterozigotnosti za genetičke markere: F ST = 1 H H S T F IS = 1 H H I S F IT = 1 H H I T gde je: H I dobijena heterozigotnost uprosečena po svim fragmentima H S očekivana heterozigotnost uprosečena po fragmentima H T očekivana heterozigotnost za celu populaciju Pozitivne vrednosti koeficijenata F IS i F IT ukazuju na manjak, a negativne na višak heterozigota.
47 Valundov efekat - smanjena učestalost heterozigota u odnosu na očekivanu, pri intenzivnom protoku gena izmeñu dve ili više populacija, odnosno subpopulacija, ili dema. Parametar F ST za neku populaciju na odreñenom lokusu može se utvrditi i iz: V ( p) F ST = pq gde je, za S subpopulacija varijansa učestalosti alela: 1 V ( p) = ( pi p) S 2
48 Tabela Poreñenje opisa efekta populacionog razdvajanja na ravnotežne učestalosti genotipova genotip Hardi-Vajnberg Rajt Valund A 1 A 1 p 2 p 2 +pqf ST p 2 +V(q) A 1 A 2 2pq 2pq-2pqF ST 2pq-2V(q) A2A2 q 2 q 2 +pqfst q 2 +V(q)
49 U forenzičkoj genetici, u računanju učestalosti profila, osim korekcija za veličinu uzorka mora se uzeti u obzir struktuiranost populacija usled različitih uzroka: parenje je asortativno, unutar subpopulacija, manjih ili većih etničkih grupa pa veća je verovatnoća da aleli budu identični po poreklu (IBD) a ne da se slučajno poklapaju po strukturi (IBS). genetički drift, visoka učestalost retkih alela u nekoj grupi, diferencijacija meñu populacijama migracije,spajanje populacija (Valundov efekat) Koristi se vrednost θ (teta) koja opisuje stepen diferencijacije meñu subpopulacijama to je F ST = verovatnoća da će dva slučajno uzorkovana alela iz pojedinačnog fragmenta populacije biti identična po poreklu Za STR lokuse pokazano je da je θ vrednost niska. U korekcijama se koristi θ od 0,01 za homogenije populacije, a 0,03 za izolovanije više diferencirane Profili se tada računaju kao u primeru 8.1 i 8.2 na strani 82.
50 prosečna verovatnoća identiteta PI AV Statistička snaga molekularnih markera da identifikuju sve jedinke nakon odredjivanja njihovog multilokusnog genotipa procenjuje se na osnovu prosečne verovatnoće identiteta PI AV. Verovatnoća da će slučajno uzorkovane 2 jedinke imati isti genotip za date lokuse ako se nadju 2 uzorka može se potvrditi ili odbaciti da li pripadaju istoj jedinki
51 prosečna verovatnoće identiteta PI AV. PI AV =Σp i4 + Σ(2p i p j ) 2 p i i p j su učestalosti alela i odnosno j p i 4 je prosečna verovatnoća slučajnog uzorkovanja homozigota, a (2p i p j ) 2 heterozigota Podrazumeva se Hardi-Vajnbergova ravnoteža: da su jedinke nesrodne, slučajno uzorkovane i nema LD ili substruktuiranosti populacije odnos PI AV i broja lokusa za različite heterozigotnosti PI AV =Σp i4 + Σ(2p i p j ) 2 H e =1-Σp i 2 Da bi se dobio niski PI AV potrebno je 5-20 markera U forenzici treba više lokusa nego u konzervacionoj genetici
52 MP vs PI AV MP predstavlja aktuelnu verovatnoću uzorkovanja jedinke identične onoj koja je već uzorkovana PI AV je prosečna verovatnoća da slučajno uzorkovane 2 jedinke budu iste MP daje verovatnoću uzorkovanja pojedinačnog genotipa koji se ispituje i koji je prethodno uzorkovan PI AV izračunava prosečnu statističku snagu za set markera uzimajući u obzir i homo i heterozigote u datoj studiji
53 bear family story # godine izletnik je pojeden od strane medveda u Glacier Natl. Pk, Montana. Trebalo je naći medveda Ubistvo se desilo unutar područja radio-ogrlicom označene ženke grizlija, koja je imala i 2 dvogodišnja mečeta Uzeti su uzorci nadjene ženke i jednog mečeta, dlake i fecesa sa mesta ubistva nepoznato meče je nadjeno nakon par nedelja
54 Analiza mtdnk kontrolnog regiona (148 bp) pokazala je da svi uzorci odgovaraju vrsti medveda grizli- ženki. Za individualnu identifikaciju analizirano je 5 visoko varijabilnih mikrosatelitskih lokusa. Pojedini su se podudarali sa mečićima i ženkom. Verovatnoća je bila ubedljiva s obzirom da se u tom ekosistemu nalazi jedinki.
55 lokus uzorak G1A G10B G10C G1D G10L Dobijen PI AV za 3-5 lokusa je 1/2000-1/ ženka / / / / /155 meče / / / / /155 nepoznato meče H-14 dlaka S-37 feces S-34b feces S-3 feces 189/ / / / /155 NS 155/ / / / / / /110 NS NS 189/ / /110 NS 153/155 NS 155/155 NS 171/ /155
56 Testiranje srodstva knjiga, chpt 11. Prvi test srodstva je objavljen godine roditeljstvo, masovne nesreće, rekostrukcija nasleña i porekla... analiza roditeljstva zahteva više molekularnih markera nego identifikacija, preko 20..
57 Interpretacija dobijenog profila je složenija nego pri poreñenju profila sa mesta zločina i osumnjičenog mutacije izmeñu npr. oca i deteta mogu dovesti do lažnog isključivanja po nekom lokusu
58 Ako se ne može neko isključiti kao biološki roditelj, tada se mora odrediti vrednost koja odreñuje značajnost neisključivanja
59 Hipoteze su: H tužilaštva H 0 testirani je otac H H odbrane 1 testirani nije otac H 0/ H 1 = Indeks očinstva (Pi) Gd (genotip deteta), Gm (genotip majke), Gtm (genotip testiranog muškarca) Pi= Pr(GcƠGm,Gtm, H 0 ) / Pr(GcƠGm,Gtm, H 1 ) H 0 i H 1 zavise od mogućih genotipova ovih osoba i izvode se iz npr: aleli mogućeg oca aleli majke c d a a,c a,d b b,c b,d Ako je potenicjalni otac biološki otac verovatnoća je 0,25. Ako nije, onda majka prenosi alel verovantoćom 0,5 a šansa da je neki drugi muškarac otac zavisi od učestalosti datih alela u populaciji Pi= 0,25/0,5 p c p c je učestalost alela c u populaciji jer od toga zavisi verovatnoća da je potencijalni zaista otac
60 Kombinovani Pi se računa iz Pi za svaki lokus. Donosi se zaključak o pozitivnom očinstvu koji glasi, na primer: Rezultati DNK testiranja su takvi da je... xxxxxx... puta verovatnije da je testirani čovek biološki otac deteta nego da je to neki drugi čovek koji mu nije srodnik Knjiga, 11. poglavlje
61 Bayes teorema potrebna da se odredi verovatnoća očinstva pre dogadjaja E, postoje pred-verovatnoće uslova C i ne-c Pr (C) i Pr (ne-c). posle dogadjaja E, postoje post-verovatnoće uslova C i ne-c Pr(CƠE) i Pr(ne-CƠE) Odnos PRE i POST verovatnoće izražava kolika je verovatnoća E uz uslove C i -C: L=PrE C/PrE -C pred-verovatnoće očinstva, odredjene na osnovu subjektivnih, negenetičkih dokaza (npr. svedočenje majke Sa niskim indeksima očinstva Pi, uticaj pred-verovatnoća može biti značajan, ali sa analizama brojnih STR lokusa, Pi je visok. Knjiga, 110 str., Tabela 11.3
62 isključivanje očinstva na osnovu populacione učestalosti P E očekivana verovatnoća isključivanja roditelja ili, verovatnoća isključivanja slučajno odabranog ne-roditelja (Pr..random match probability) Pr=p i 2 + 2p i (1-p i ) 2 Pr E =Σp i2 (1-p) 2 + Σ2p i p j (1-p i -p j ) 2
63 računanje isključivanja očinstva majka potomstvo Isljučeni genotipovi oca Verovatnoća isključivanja A1A1 (p 1 2 ) A1A1 (p 1 ) A2A2 (p 2 2 ) p 1 3 p 2 2 A1A2 (p 2 ) A1A1 (p 1 2 ) p 1 4 p 2 A1A2 (2p 1 p 2 ) A1A1 (p 1 /2) A1A2 (1/2) A2A2 (p 2 /2) A2A2 (p 2 2 ) A1A2 (p 1 ) A2A2 (p 2 ) A2A2 (p 2 2 ) p 2 1 p A1A1 (p 2 1 ) p 3 1 p 2 2 A2A2 (p 2 2 ) p 1 p 4 2 A1A1 (p 12 ) p 12 p 3 2 Mogući genotipovi i verovatnoće na bialelnom kodominantnom lokusu za različite kombinacije majka-potomstvo, isključeni genotipovi oca i verovatnoće isključivanja Ukupna verovatnoća isključivanja očinstva za lokus k: Pr k = p 13 p 22 +p 14 p 2 +p 12 p 23 +p 13 p 22 +p 1 p 24 +p 12 p 23 = p 1 p 2 (1- p 1 p 2 ) Pr k =max, kada je p 1 =p 2, ako su razlike p 1 i p 2 velike, Pr k je malo, jer mnogo jedinki deli zajednički alel
64 Verovatnoća isključivanja se povećava: kada se uzme u analizu više lokusa kada se uzmu u analizu visoko varijabilni lokusi bear family story #2 majka grizli, 3 mečeta, potencijalni otac mikrosateliti, 8 lokusa otac 2 mečeta je isključen iz očinstva trećeg, ali ni jedan od 35 analiziranih medveda nije potvrdjen kao njegov otac!
65 forenzička genetika se bazira na stepenu statističke sigurnosti identifikacije pojedinačnog uzorka Dokaz se mora vrednovati uzimajući u obzir i hipotezu tužilaštva i odbrane Npr: imamo DNK profil od dva uzorka.. H tužilaštva profili su identični jer dolaze od iste jedinke H odbrane profili su slučajno identični
Statistička obrada genetičkih podataka u forenzici
Statistička obrada genetičkih podataka u forenzici molekularna genetika DNK ekstrakcija DNK kvantifikacija PCR amplifikacija multiplih STR markera odvajanje PCR produkata STR alela genotipizacija uzorka
Διαβάστε περισσότεραGENSKA TRANSMISIJA U POPULACIJI
GENSKA TRANSMISIJA U POPULACIJI PROUČAVANJE GENETIČKIH FENOMENA I PROCESA NA NIVOU ĆELIJE, JEDINKE, POPULACIJE JEDINKE SU EFEMERNE POPULACIJE TRAJU I MENJAJU SE KROZ VREME MENDELOVSKA POPULACIJA Zajednica
Διαβάστε περισσότεραUNIVERZITET U NIŠU ELEKTRONSKI FAKULTET SIGNALI I SISTEMI. Zbirka zadataka
UNIVERZITET U NIŠU ELEKTRONSKI FAKULTET Goran Stančić SIGNALI I SISTEMI Zbirka zadataka NIŠ, 014. Sadržaj 1 Konvolucija Literatura 11 Indeks pojmova 11 3 4 Sadržaj 1 Konvolucija Zadatak 1. Odrediti konvoluciju
Διαβάστε περισσότεραDISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović
DISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović Novi Sad April 17, 2018 1 / 22 Teorija grafova April 17, 2018 2 / 22 Definicija Graf je ure dena trojka G = (V, G, ψ), gde je (i) V konačan skup čvorova,
Διαβάστε περισσότεραnumeričkih deskriptivnih mera.
DESKRIPTIVNA STATISTIKA Numeričku seriju podataka opisujemo pomoću Numeričku seriju podataka opisujemo pomoću numeričkih deskriptivnih mera. Pokazatelji centralne tendencije Aritmetička sredina, Medijana,
Διαβάστε περισσότερα3.1 Granična vrednost funkcije u tački
3 Granična vrednost i neprekidnost funkcija 2 3 Granična vrednost i neprekidnost funkcija 3. Granična vrednost funkcije u tački Neka je funkcija f(x) definisana u tačkama x za koje je 0 < x x 0 < r, ili
Διαβάστε περισσότεραOsnovni primer. (Z, +,,, 0, 1) je komutativan prsten sa jedinicom: množenje je distributivno prema sabiranju
RAČUN OSTATAKA 1 1 Prsten celih brojeva Z := N + {} N + = {, 3, 2, 1,, 1, 2, 3,...} Osnovni primer. (Z, +,,,, 1) je komutativan prsten sa jedinicom: sabiranje (S1) asocijativnost x + (y + z) = (x + y)
Διαβάστε περισσότεραKontrolni zadatak (Tačka, prava, ravan, diedar, poliedar, ortogonalna projekcija), grupa A
Kontrolni zadatak (Tačka, prava, ravan, diedar, poliedar, ortogonalna projekcija), grupa A Ime i prezime: 1. Prikazane su tačke A, B i C i prave a,b i c. Upiši simbole Î, Ï, Ì ili Ë tako da dobijeni iskazi
Διαβάστε περισσότεραPRAVA. Prava je u prostoru određena jednom svojom tačkom i vektorom paralelnim sa tom pravom ( vektor paralelnosti).
PRAVA Prava je kao i ravan osnovni geometrijski ojam i ne definiše se. Prava je u rostoru određena jednom svojom tačkom i vektorom aralelnim sa tom ravom ( vektor aralelnosti). M ( x, y, z ) 3 Posmatrajmo
Διαβάστε περισσότεραIskazna logika 3. Matematička logika u računarstvu. novembar 2012
Iskazna logika 3 Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia novembar 2012 Deduktivni sistemi 1 Definicija Deduktivni sistem (ili formalna teorija)
Διαβάστε περισσότεραElementi spektralne teorije matrica
Elementi spektralne teorije matrica Neka je X konačno dimenzionalan vektorski prostor nad poljem K i neka je A : X X linearni operator. Definicija. Skalar λ K i nenula vektor u X se nazivaju sopstvena
Διαβάστε περισσότεραMATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15
MATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15 Matrice - osnovni pojmovi (Matrice i determinante) 2 / 15 (Matrice i determinante) 2 / 15 Matrice - osnovni pojmovi Matrica reda
Διαβάστε περισσότεραSISTEMI NELINEARNIH JEDNAČINA
SISTEMI NELINEARNIH JEDNAČINA April, 2013 Razni zapisi sistema Skalarni oblik: Vektorski oblik: F = f 1 f n f 1 (x 1,, x n ) = 0 f n (x 1,, x n ) = 0, x = (1) F(x) = 0, (2) x 1 0, 0 = x n 0 Definicije
Διαβάστε περισσότεραELEKTROTEHNIČKI ODJEL
MATEMATIKA. Neka je S skup svih živućih državljana Republike Hrvatske..04., a f preslikavanje koje svakom elementu skupa S pridružuje njegov horoskopski znak (bez podznaka). a) Pokažite da je f funkcija,
Διαβάστε περισσότεραIZRAČUNAVANJE POKAZATELJA NAČINA RADA NAČINA RADA (ISKORIŠĆENOSTI KAPACITETA, STEPENA OTVORENOSTI RADNIH MESTA I NIVOA ORGANIZOVANOSTI)
IZRAČUNAVANJE POKAZATELJA NAČINA RADA NAČINA RADA (ISKORIŠĆENOSTI KAPACITETA, STEPENA OTVORENOSTI RADNIH MESTA I NIVOA ORGANIZOVANOSTI) Izračunavanje pokazatelja načina rada OTVORENOG RM RASPOLOŽIVO RADNO
Διαβάστε περισσότεραTeorijske osnove informatike 1
Teorijske osnove informatike 1 9. oktobar 2014. () Teorijske osnove informatike 1 9. oktobar 2014. 1 / 17 Funkcije Veze me du skupovima uspostavljamo skupovima koje nazivamo funkcijama. Neformalno, funkcija
Διαβάστε περισσότερα41. Jednačine koje se svode na kvadratne
. Jednačine koje se svode na kvadrane Simerične recipročne) jednačine Jednačine oblika a n b n c n... c b a nazivamo simerične jednačine, zbog simeričnosi koeficijenaa koeficijeni uz jednaki). k i n k
Διαβάστε περισσότεραOperacije s matricama
Linearna algebra I Operacije s matricama Korolar 3.1.5. Množenje matrica u vektorskom prostoru M n (F) ima sljedeća svojstva: (1) A(B + C) = AB + AC, A, B, C M n (F); (2) (A + B)C = AC + BC, A, B, C M
Διαβάστε περισσότερα18. listopada listopada / 13
18. listopada 2016. 18. listopada 2016. 1 / 13 Neprekidne funkcije Važnu klasu funkcija tvore neprekidne funkcije. To su funkcije f kod kojih mala promjena u nezavisnoj varijabli x uzrokuje malu promjenu
Διαβάστε περισσότεραVerovatnoća i Statistika I deo Teorija verovatnoće (zadaci) Beleške dr Bobana Marinkovića
Verovatnoća i Statistika I deo Teorija verovatnoće zadaci Beleške dr Bobana Marinkovića Iz skupa, 2,, 00} bira se na slučajan način 5 brojeva Odrediti skup elementarnih dogadjaja ako se brojevi biraju
Διαβάστε περισσότεραIspitivanje toka i skiciranje grafika funkcija
Ispitivanje toka i skiciranje grafika funkcija Za skiciranje grafika funkcije potrebno je ispitati svako od sledećih svojstava: Oblast definisanosti: D f = { R f R}. Parnost, neparnost, periodičnost. 3
Διαβάστε περισσότεραVARIJABILNOST H. sapiens sapiens
VARIJABILNOST H. sapiens sapiens Problem definisanja ljudskih populacija Biološki Kontinuiran raspored Veliki protok gena Kulturološki Religija, običaji, jezik Političke granice? Etnička grupa populacija
Διαβάστε περισσότεραUvod u neparametarske testove
Str. 148 Uvod u neparametarske testove Predavač: Dr Mirko Savić savicmirko@ef.uns.ac.rs www.ef.uns.ac.rs Hi-kvadrat testovi c Str. 149 Koristi se za upoređivanje dve serije frekvencija. Vrste c testa:
Διαβάστε περισσότεραRačunarska grafika. Rasterizacija linije
Računarska grafika Osnovni inkrementalni algoritam Drugi naziv u literaturi digitalni diferencijalni analizator (DDA) Pretpostavke (privremena ograničenja koja se mogu otkloniti jednostavnim uopštavanjem
Διαβάστε περισσότερα5. Karakteristične funkcije
5. Karakteristične funkcije Profesor Milan Merkle emerkle@etf.rs milanmerkle.etf.rs Verovatnoća i Statistika-proleće 2018 Milan Merkle Karakteristične funkcije ETF Beograd 1 / 10 Definicija Karakteristična
Διαβάστε περισσότερα2 tg x ctg x 1 = =, cos 2x Zbog četvrtog kvadranta rješenje je: 2 ctg x
Zadatak (Darjan, medicinska škola) Izračunaj vrijednosti trigonometrijskih funkcija broja ako je 6 sin =,,. 6 Rješenje Ponovimo trigonometrijske funkcije dvostrukog kuta! Za argument vrijede sljedeće formule:
Διαβάστε περισσότεραIZVODI ZADACI (I deo)
IZVODI ZADACI (I deo) Najpre da se podsetimo tablice i osnovnih pravila:. C`=0. `=. ( )`= 4. ( n )`=n n-. (a )`=a lna 6. (e )`=e 7. (log a )`= 8. (ln)`= ` ln a (>0) 9. = ( 0) 0. `= (>0) (ovde je >0 i a
Διαβάστε περισσότεραM086 LA 1 M106 GRP. Tema: Baza vektorskog prostora. Koordinatni sustav. Norma. CSB nejednakost
M086 LA 1 M106 GRP Tema: CSB nejednakost. 19. 10. 2017. predavač: Rudolf Scitovski, Darija Marković asistent: Darija Brajković, Katarina Vincetić P 1 www.fizika.unios.hr/grpua/ 1 Baza vektorskog prostora.
Διαβάστε περισσότεραFTN Novi Sad Katedra za motore i vozila. Teorija kretanja drumskih vozila Vučno-dinamičke performanse vozila: MAKSIMALNA BRZINA
: MAKSIMALNA BRZINA Maksimalna brzina kretanja F O (N) F OI i m =i I i m =i II F Oid Princip određivanja v MAX : Drugi Njutnov zakon Dokle god je: F O > ΣF otp vozilo ubrzava Kada postane: F O = ΣF otp
Διαβάστε περισσότεραKaskadna kompenzacija SAU
Kaskadna kompenzacija SAU U inženjerskoj praksi, naročito u sistemima regulacije elektromotornih pogona i tehnoloških procesa, veoma često se primenjuje metoda kaskadne kompenzacije, u čijoj osnovi su
Διαβάστε περισσότεραIZVODI ZADACI ( IV deo) Rešenje: Najpre ćemo logaritmovati ovu jednakost sa ln ( to beše prirodni logaritam za osnovu e) a zatim ćemo
IZVODI ZADACI ( IV deo) LOGARITAMSKI IZVOD Logariamskim izvodom funkcije f(), gde je >0 i, nazivamo izvod logarima e funkcije, o jes: (ln ) f ( ) f ( ) Primer. Nadji izvod funkcije Najpre ćemo logarimovai
Διαβάστε περισσότεραKONZERVACIONA BIOLOGIJA -skripta- dr Jelka Crnobrnja-Isailović 5. Konzervaciona genetika
KONZERVACIONA BIOLOGIJA -skripta- dr Jelka Crnobrnja-Isailović 5. Konzervaciona genetika Konzervaciona genetika, koristeći oruđa populacione i evolucione genetike, bavi se održavanjem genetičke strukture
Διαβάστε περισσότεραXI dvoqas veжbi dr Vladimir Balti. 4. Stabla
XI dvoqas veжbi dr Vladimir Balti 4. Stabla Teorijski uvod Teorijski uvod Definicija 5.7.1. Stablo je povezan graf bez kontura. Definicija 5.7.1. Stablo je povezan graf bez kontura. Primer 5.7.1. Sva stabla
Διαβάστε περισσότεραI.13. Koliki je napon između neke tačke A čiji je potencijal 5 V i referentne tačke u odnosu na koju se taj potencijal računa?
TET I.1. Šta je Kulonova sila? elektrostatička sila magnetna sila c) gravitaciona sila I.. Šta je elektrostatička sila? sila kojom međusobno eluju naelektrisanja u mirovanju sila kojom eluju naelektrisanja
Διαβάστε περισσότεραApsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama.
Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama. a b Verovatno a da sluqajna promenljiva X uzima vrednost iz intervala
Διαβάστε περισσότεραINTEGRALNI RAČUN. Teorije, metodike i povijest infinitezimalnih računa. Lucija Mijić 17. veljače 2011.
INTEGRALNI RAČUN Teorije, metodike i povijest infinitezimalnih računa Lucija Mijić lucija@ktf-split.hr 17. veljače 2011. Pogledajmo Predstavimo gornju sumu sa Dodamo još jedan Dobivamo pravokutnik sa Odnosno
Διαβάστε περισσότεραZadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu
Zadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu Trigonometrijske jednačine i nejednačine. Zadaci koji se rade bez upotrebe trigonometrijskih formula. 00. FF cos x sin x
Διαβάστε περισσότεραObrada signala
Obrada signala 1 18.1.17. Greška kvantizacije Pretpostavka je da greška kvantizacije ima uniformnu raspodelu 7 6 5 4 -X m p x 1,, za x druge vrednosti x 3 x X m 1 X m = 3 x Greška kvantizacije x x x p
Διαβάστε περισσότεραRIJEŠENI ZADACI I TEORIJA IZ
RIJEŠENI ZADACI I TEORIJA IZ LOGARITAMSKA FUNKCIJA SVOJSTVA LOGARITAMSKE FUNKCIJE OSNOVE TRIGONOMETRIJE PRAVOKUTNOG TROKUTA - DEFINICIJA TRIGONOMETRIJSKIH FUNKCIJA - VRIJEDNOSTI TRIGONOMETRIJSKIH FUNKCIJA
Διαβάστε περισσότεραBetonske konstrukcije 1 - vežbe 3 - Veliki ekscentricitet -Dodatni primeri
Betonske konstrukcije 1 - vežbe 3 - Veliki ekscentricitet -Dodatni primeri 1 1 Zadatak 1b Čisto savijanje - vezano dimenzionisanje Odrediti potrebnu površinu armature za presek poznatih dimenzija, pravougaonog
Διαβάστε περισσότεραOBRTNA TELA. Vladimir Marinkov OBRTNA TELA VALJAK
OBRTNA TELA VALJAK P = 2B + M B = r 2 π M = 2rπH V = BH 1. Zapremina pravog valjka je 240π, a njegova visina 15. Izračunati površinu valjka. Rešenje: P = 152π 2. Površina valjka je 112π, a odnos poluprečnika
Διαβάστε περισσότεραDijagonalizacija operatora
Dijagonalizacija operatora Problem: Može li se odrediti baza u kojoj zadani operator ima dijagonalnu matricu? Ova problem je povezan sa sljedećim pojmovima: 1 Karakteristični polinom operatora f 2 Vlastite
Διαβάστε περισσότεραMEHANIKA FLUIDA. Isticanje kroz otvore sa promenljivim nivoom tečnosti
MEHANIKA FLUIDA Isticanje kroz otvore sa promenljivim nivoom tečnosti zadatak Prizmatična sud podeljen je vertikalnom pregradom, u kojoj je otvor prečnika d, na dve komore Leva komora je napunjena vodom
Διαβάστε περισσότεραRAČUNSKE VEŽBE IZ PREDMETA POLUPROVODNIČKE KOMPONENTE (IV semestar modul EKM) IV deo. Miloš Marjanović
Univerzitet u Nišu Elektronski fakultet RAČUNSKE VEŽBE IZ PREDMETA (IV semestar modul EKM) IV deo Miloš Marjanović MOSFET TRANZISTORI ZADATAK 35. NMOS tranzistor ima napon praga V T =2V i kroz njega protiče
Διαβάστε περισσότερα7 Algebarske jednadžbe
7 Algebarske jednadžbe 7.1 Nultočke polinoma Skup svih polinoma nad skupom kompleksnih brojeva označavamo sa C[x]. Definicija. Nultočka polinoma f C[x] je svaki kompleksni broj α takav da je f(α) = 0.
Διαβάστε περισσότεραPismeni ispit iz matematike Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: ( ) + 1.
Pismeni ispit iz matematike 0 008 GRUPA A Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: λ + z = Ispitati funkciju i nacrtati njen grafik: + ( λ ) + z = e Izračunati
Διαβάστε περισσότεραMATEMATIKA 2. Grupa 1 Rexea zadataka. Prvi pismeni kolokvijum, Dragan ori
MATEMATIKA 2 Prvi pismeni kolokvijum, 14.4.2016 Grupa 1 Rexea zadataka Dragan ori Zadaci i rexea 1. unkcija f : R 2 R definisana je sa xy 2 f(x, y) = x2 + y sin 3 2 x 2, (x, y) (0, 0) + y2 0, (x, y) =
Διαβάστε περισσότεραRačunarska grafika. Rasterizacija linije
Računarska grafika Osnovni inkrementalni algoritam Drugi naziv u literaturi digitalni diferencijalni analizator (DDA) Pretpostavke (privremena ograničenja koja se mogu otkloniti jednostavnim uopštavanjem
Διαβάστε περισσότεραOsnovne teoreme diferencijalnog računa
Osnovne teoreme diferencijalnog računa Teorema Rolova) Neka je funkcija f definisana na [a, b], pri čemu važi f je neprekidna na [a, b], f je diferencijabilna na a, b) i fa) fb). Tada postoji ξ a, b) tako
Διαβάστε περισσότεραKonstruisanje. Dobro došli na... SREDNJA MAŠINSKA ŠKOLA NOVI SAD DEPARTMAN ZA PROJEKTOVANJE I KONSTRUISANJE
Dobro došli na... Konstruisanje GRANIČNI I KRITIČNI NAPON slajd 2 Kritični naponi Izazivaju kritične promene oblika Delovi ne mogu ispravno da vrše funkciju Izazivaju plastične deformacije Može doći i
Διαβάστε περισσότερα5 Ispitivanje funkcija
5 Ispitivanje funkcija 3 5 Ispitivanje funkcija Ispitivanje funkcije pretodi crtanju grafika funkcije. Opšti postupak ispitivanja funkcija koje su definisane eksplicitno y = f() sadrži sledeće elemente:
Διαβάστε περισσότεραAPROKSIMACIJA FUNKCIJA
APROKSIMACIJA FUNKCIJA Osnovni koncepti Gradimir V. Milovanović MF, Beograd, 14. mart 2011. APROKSIMACIJA FUNKCIJA p.1/46 Osnovni problem u TA Kako za datu funkciju f iz velikog prostora X naći jednostavnu
Διαβάστε περισσότεραDefinicija: Hipoteza predstavlja pretpostavku koja je zasnovana na određenim činjenicama (najčešće naučnim ili iskustvenim).
Str. 53;76; Testiranje statističkih hipoteza Predavač: Dr Mirko Savić savicmirko@eccf.su.ac.yu www.eccf.su.ac.yu Definicija: Hipoteza predstavlja pretpostavku koja je zasnovana na određenim činjenicama
Διαβάστε περισσότεραInženjerska grafika geometrijskih oblika (5. predavanje, tema1)
Inženjerska grafika geometrijskih oblika (5. predavanje, tema1) Prva godina studija Mašinskog fakulteta u Nišu Predavač: Dr Predrag Rajković Mart 19, 2013 5. predavanje, tema 1 Simetrija (Symmetry) Simetrija
Διαβάστε περισσότεραKlasifikacija blizu Kelerovih mnogostrukosti. konstantne holomorfne sekcione krivine. Kelerove. mnogostrukosti. blizu Kelerove.
Klasifikacija blizu Teorema Neka je M Kelerova mnogostrukost. Operator krivine R ima sledeća svojstva: R(X, Y, Z, W ) = R(Y, X, Z, W ) = R(X, Y, W, Z) R(X, Y, Z, W ) + R(Y, Z, X, W ) + R(Z, X, Y, W ) =
Διαβάστε περισσότεραIII VEŽBA: FURIJEOVI REDOVI
III VEŽBA: URIJEOVI REDOVI 3.1. eorijska osnova Posmatrajmo neki vremenski kontinualan signal x(t) na intervalu definisati: t + t t. ada se može X [ k ] = 1 t + t x ( t ) e j 2 π kf t dt, gde je f = 1/.
Διαβάστε περισσότερα4.7. Zadaci Formalizam diferenciranja (teorija na stranama ) 343. Znajući izvod funkcije x arctg x, odrediti izvod funkcije x arcctg x.
4.7. ZADACI 87 4.7. Zadaci 4.7.. Formalizam diferenciranja teorija na stranama 4-46) 340. Znajući izvod funkcije arcsin, odrediti izvod funkcije arccos. Rešenje. Polazeći od jednakosti arcsin + arccos
Διαβάστε περισσότεραMatematička analiza 1 dodatni zadaci
Matematička analiza 1 dodatni zadaci 1. Ispitajte je li funkcija f() := 4 4 5 injekcija na intervalu I, te ako jest odredite joj sliku i inverz, ako je (a) I = [, 3), (b) I = [1, ], (c) I = ( 1, 0].. Neka
Διαβάστε περισσότεραElektrotehnički fakultet univerziteta u Beogradu 17.maj Odsek za Softversko inžinjerstvo
Elektrotehnički fakultet univerziteta u Beogradu 7.maj 009. Odsek za Softversko inžinjerstvo Performanse računarskih sistema Drugi kolokvijum Predmetni nastavnik: dr Jelica Protić (35) a) (0) Posmatra
Διαβάστε περισσότεραKOMUTATIVNI I ASOCIJATIVNI GRUPOIDI. NEUTRALNI ELEMENT GRUPOIDA.
KOMUTATIVNI I ASOCIJATIVNI GRUPOIDI NEUTRALNI ELEMENT GRUPOIDA 1 Grupoid (G, ) je asocijativa akko važi ( x, y, z G) x (y z) = (x y) z Grupoid (G, ) je komutativa akko važi ( x, y G) x y = y x Asocijativa
Διαβάστε περισσότεραSume kvadrata. mn = (ax + by) 2 + (ay bx) 2.
Sume kvadrata Koji se prirodni brojevi mogu prikazati kao zbroj kvadrata dva cijela broja? Propozicija 1. Ako su brojevi m i n sume dva kvadrata, onda je i njihov produkt m n takoder suma dva kvadrata.
Διαβάστε περισσότεραIspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f
IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f 2. Nule i znak funkcije; presek sa y-osom IspitivaƬe
Διαβάστε περισσότερα21. ŠKOLSKO/OPĆINSKO/GRADSKO NATJECANJE IZ GEOGRAFIJE GODINE 8. RAZRED TOČNI ODGOVORI
21. ŠKOLSKO/OPĆINSKO/GRADSKO NATJECANJE IZ GEOGRAFIJE 2014. GODINE 8. RAZRED TOČNI ODGOVORI Bodovanje za sve zadatke: - boduju se samo točni odgovori - dodatne upute navedene su za pojedine skupine zadataka
Διαβάστε περισσότεραNovi Sad god Broj 1 / 06 Veljko Milković Bulevar cara Lazara 56 Novi Sad. Izveštaj o merenju
Broj 1 / 06 Dana 2.06.2014. godine izmereno je vreme zaustavljanja elektromotora koji je radio u praznom hodu. Iz gradske mreže 230 V, 50 Hz napajan je monofazni asinhroni motor sa dva brusna kamena. Kada
Διαβάστε περισσότεραZavrxni ispit iz Matematiqke analize 1
Građevinski fakultet Univerziteta u Beogradu 3.2.2016. Zavrxni ispit iz Matematiqke analize 1 Prezime i ime: Broj indeksa: 1. Definisati Koxijev niz. Dati primer niza koji nije Koxijev. 2. Dat je red n=1
Διαβάστε περισσότερα1. indirektno,metode kvantitativne genetike. 2. mapiranjem genoma otkrivanjem relevantnih lokusa
Pristupi utvrdjivanja genetičke osnove složenih fenotipova 1. indirektno,metode kvantitativne genetike 2. mapiranjem genoma otkrivanjem relevantnih lokusa Porodične studije vezanosti Populacione studije
Διαβάστε περισσότεραa M a A. Može se pokazati da je supremum (ako postoji) jedinstven pa uvodimo oznaku sup A.
3 Infimum i supremum Definicija. Neka je A R. Kažemo da je M R supremum skupa A ako je (i) M gornja meda skupa A, tj. a M a A. (ii) M najmanja gornja meda skupa A, tj. ( ε > 0)( a A) takav da je a > M
Διαβάστε περισσότεραIzbor statističkih testova Ana-Maria Šimundić
Izbor statističkih testova Ana-Maria Šimundić Klinički zavod za kemiju Klinička jedinica za medicinsku biokemiju s analitičkom toksikologijom KBC Sestre milosrdnice Izbor statističkog testa Tajna dobrog
Διαβάστε περισσότεραVeleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika. Monotonost i ekstremi. Katica Jurasić. Rijeka, 2011.
Veleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika Monotonost i ekstremi Katica Jurasić Rijeka, 2011. Ishodi učenja - predavanja Na kraju ovog predavanja moći ćete:,
Διαβάστε περισσότεραPARCIJALNI IZVODI I DIFERENCIJALI. Sama definicija parcijalnog izvoda i diferencijala je malo teža, mi se njome ovde nećemo baviti a vi ćete je,
PARCIJALNI IZVODI I DIFERENCIJALI Sama definicija parcijalnog ivoda i diferencijala je malo teža, mi se njome ovde nećemo baviti a vi ćete je, naravno, naučiti onako kako vaš profesor ahteva. Mi ćemo probati
Διαβάστε περισσότεραTRIGONOMETRIJSKE FUNKCIJE I I.1.
TRIGONOMETRIJSKE FUNKCIJE I I Odredi na brojevnoj trigonometrijskoj kružnici točku Et, za koju je sin t =,cost < 0 Za koje realne brojeve a postoji realan broj takav da je sin = a? Izračunaj: sin π tg
Διαβάστε περισσότεραFTN Novi Sad Katedra za motore i vozila. Teorija kretanja drumskih vozila Vučno-dinamičke performanse vozila: MAKSIMALNA BRZINA
: MAKSIMALNA BRZINA Maksimalna brzina kretanja F O (N) F OI i m =i I i m =i II F Oid Princip određivanja v MAX : Drugi Njutnov zakon Dokle god je: F O > ΣF otp vozilo ubrzava Kada postane: F O = ΣF otp
Διαβάστε περισσότεραMašinsko učenje. Regresija.
Mašinsko učenje. Regresija. Danijela Petrović May 17, 2016 Uvod Problem predviđanja vrednosti neprekidnog atributa neke instance na osnovu vrednosti njenih drugih atributa. Uvod Problem predviđanja vrednosti
Διαβάστε περισσότεραTEORIJA BETONSKIH KONSTRUKCIJA 79
TEORIJA BETOSKIH KOSTRUKCIJA 79 Primer 1. Odrediti potrebn površin armatre za stb poznatih dimenzija, pravogaonog poprečnog preseka, opterećen momentima savijanja sled stalnog ( g ) i povremenog ( w )
Διαβάστε περισσότεραLinearna algebra 2 prvi kolokvij,
Linearna algebra 2 prvi kolokvij, 27.. 20.. Za koji cijeli broj t je funkcija f : R 4 R 4 R definirana s f(x, y) = x y (t + )x 2 y 2 + x y (t 2 + t)x 4 y 4, x = (x, x 2, x, x 4 ), y = (y, y 2, y, y 4 )
Διαβάστε περισσότεραMatematika 1 - vježbe. 11. prosinca 2015.
Matematika - vježbe. prosinca 5. Stupnjevi i radijani Ako je kut φ jednak i rad, tada je veza između i 6 = Zadatak.. Izrazite u stupnjevima: a) 5 b) 7 9 c). d) 7. a) 5 9 b) 7 6 6 = = 5 c). 6 8.5 d) 7.
Διαβάστε περισσότεραStrukture podataka i algoritmi 1. kolokvij 16. studenog Zadatak 1
Strukture podataka i algoritmi 1. kolokvij Na kolokviju je dozvoljeno koristiti samo pribor za pisanje i službeni šalabahter. Predajete samo papire koje ste dobili. Rezultati i uvid u kolokvije: ponedjeljak,
Διαβάστε περισσότερα100g maslaca: 751kcal = 20g : E maslac E maslac = (751 x 20)/100 E maslac = 150,2kcal 100g med: 320kcal = 30g : E med E med = (320 x 30)/100 E med =
100g maslaca: 751kcal = 20g : E maslac E maslac = (751 x 20)/100 E maslac = 150,2kcal 100g med: 320kcal = 30g : E med E med = (320 x 30)/100 E med = 96kcal 100g mleko: 49kcal = 250g : E mleko E mleko =
Διαβάστε περισσότεραradni nerecenzirani materijal za predavanja R(f) = {f(x) x D}
Matematika 1 Funkcije radni nerecenzirani materijal za predavanja Definicija 1. Neka su D i K bilo koja dva neprazna skupa. Postupak f koji svakom elementu x D pridružuje točno jedan element y K zovemo funkcija
Διαβάστε περισσότεραINTELIGENTNO UPRAVLJANJE
INTELIGENTNO UPRAVLJANJE Fuzzy sistemi zaključivanja Vanr.prof. Dr. Lejla Banjanović-Mehmedović Mehmedović 1 Osnovni elementi fuzzy sistema zaključivanja Fazifikacija Baza znanja Baze podataka Baze pravila
Διαβάστε περισσότεραTrigonometrija 2. Adicijske formule. Formule dvostrukog kuta Formule polovičnog kuta Pretvaranje sume(razlike u produkt i obrnuto
Trigonometrija Adicijske formule Formule dvostrukog kuta Formule polovičnog kuta Pretvaranje sume(razlike u produkt i obrnuto Razumijevanje postupka izrade složenijeg matematičkog problema iz osnova trigonometrije
Διαβάστε περισσότεραCauchyjev teorem. Postoji više dokaza ovog teorema, a najjednostvniji je uz pomoć Greenove formule: dxdy. int C i Cauchy Riemannovih uvjeta.
auchyjev teorem Neka je f-ja f (z) analitička u jednostruko (prosto) povezanoj oblasti G, i neka je zatvorena kontura koja čitava leži u toj oblasti. Tada je f (z)dz = 0. Postoji više dokaza ovog teorema,
Διαβάστε περισσότεραZadaci iz trigonometrije za seminar
Zadaci iz trigonometrije za seminar FON: 1. Vrednost izraza sin 1 cos 6 jednaka je: ; B) 1 ; V) 1 1 + 1 ; G) ; D). 16. Broj rexea jednaqine sin x cos x + cos x = sin x + sin x na intervalu π ), π je: ;
Διαβάστε περισσότεραS t r a n a 1. 1.Povezati jonsku jačinu rastvora: a) MgCl 2 b) Al 2 (SO 4 ) 3 sa njihovim molalitetima, m. za so tipa: M p X q. pa je jonska jačina:
S t r a n a 1 1.Povezati jonsku jačinu rastvora: a MgCl b Al (SO 4 3 sa njihovim molalitetima, m za so tipa: M p X q pa je jonska jačina:. Izračunati mase; akno 3 bba(no 3 koje bi trebalo dodati, 0,110
Διαβάστε περισσότεραradni nerecenzirani materijal za predavanja
Matematika 1 Funkcije radni nerecenzirani materijal za predavanja Definicija 1. Kažemo da je funkcija f : a, b R u točki x 0 a, b postiže lokalni minimum ako postoji okolina O(x 0 ) broja x 0 takva da je
Διαβάστε περισσότεραNeparametarski testovi za dva nezavisna uzorka. Boris Glišić 208/2010 Bojana Ružičić 21/2010
Neparametarski testovi za dva nezavisna uzorka Boris Glišić 208/2010 Bojana Ružičić 21/2010 Neparametarski testovi Hipoteze o raspodeli obeležja se nazivaju neparametarske hipoteze, a odgovarajući testovi
Διαβάστε περισσότερα1 UPUTSTVO ZA IZRADU GRAFIČKOG RADA IZ MEHANIKE II
1 UPUTSTVO ZA IZRADU GRAFIČKOG RADA IZ MEHANIKE II Zadatak: Klipni mehanizam se sastoji iz krivaje (ekscentarske poluge) OA dužine R, klipne poluge AB dužine =3R i klipa kompresora B (ukrsne glave). Krivaja
Διαβάστε περισσότεραMEHANIKA FLUIDA. Prosti cevovodi
MEHANIKA FLUIDA Prosti ceooi zaatak Naći brzin oe kroz naglaak izlaznog prečnika =5 mm, postaljenog na kraj gmenog crea prečnika D=0 mm i žine L=5 m na čijem je prenjem el građen entil koeficijenta otpora
Διαβάστε περισσότερα( ) π. I slučaj-štap sa zglobovima na krajevima F. Opšte rešenje diferencijalne jednačine (1): min
Kritična sia izvijanja Kritična sia je ona najmanja vrednost sie pritisa pri ojoj nastupa gubita stabinosti, odnosno, pri ojoj štap iz stabine pravoinijse forme ravnoteže preazi u nestabinu rivoinijsu
Διαβάστε περισσότεραLinearna algebra 2 prvi kolokvij,
1 2 3 4 5 Σ jmbag smjer studija Linearna algebra 2 prvi kolokvij, 7. 11. 2012. 1. (10 bodova) Neka je dano preslikavanje s : R 2 R 2 R, s (x, y) = (Ax y), pri čemu je A: R 2 R 2 linearan operator oblika
Διαβάστε περισσότερα( , 2. kolokvij)
A MATEMATIKA (0..20., 2. kolokvij). Zadana je funkcija y = cos 3 () 2e 2. (a) Odredite dy. (b) Koliki je nagib grafa te funkcije za = 0. (a) zadanu implicitno s 3 + 2 y = sin y, (b) zadanu parametarski
Διαβάστε περισσότεραUvod Teorija odlučivanja je analitički i sistematski pristup proučavanju procesa donošenja odluka Bez obzira o čemu donosimo odluku imamo 6 koraka za
Osnovne teorije odlučivanja Uvod Teorija odlučivanja je analitički i sistematski pristup proučavanju procesa donošenja odluka Bez obzira o čemu donosimo odluku imamo 6 koraka za donošenje dobre odluke:
Διαβάστε περισσότερα1.4 Tangenta i normala
28 1 DERIVACIJA 1.4 Tangenta i normala Ako funkcija f ima derivaciju u točki x 0, onda jednadžbe tangente i normale na graf funkcije f u točki (x 0 y 0 ) = (x 0 f(x 0 )) glase: t......... y y 0 = f (x
Διαβάστε περισσότεραTestiranje statistiqkih hipoteza
Testiranje statistiqkih hipoteza Testiranje statistiqkih hipoteza Testiranje statistiqkih hipoteza je vid statistiqkog zakljuqivanja koji se primenjuje u situacijama: kada se unapred pretpostavlja postojanje određene
Διαβάστε περισσότερα3 Populacija i uzorak
3 Populacija i uzorak 1 3.1 Slučajni uzorak X varijabla/stat. obilježje koje izučavamo Cilj statističke analize na osnovi uzorka izvesti odredene zaključke o (populacijskoj) razdiobi od X 2 Primjer 3.1.
Διαβάστε περισσότεραDvanaesti praktikum iz Analize 1
Dvaaesti praktikum iz Aalize Zlatko Lazovi 20. decembar 206.. Dokazati da fukcija f = 5 l tg + 5 ima bar jedu realu ulu. Ree e. Oblast defiisaosti fukcije je D f = k Z da postoji ula fukcije a 0, π 2.
Διαβάστε περισσότεραRiješeni zadaci: Nizovi realnih brojeva
Riješei zadaci: Nizovi realih brojeva Nizovi, aritmetički iz, geometrijski iz Fukciju a : N R azivamo beskoači) iz realih brojeva i ozačavamo s a 1, a,..., a,... ili a ), pri čemu je a = a). Aritmetički
Διαβάστε περισσότερα1 Afina geometrija. 1.1 Afini prostor. Definicija 1.1. Pod afinim prostorom nad poljem K podrazumevamo. A - skup taqaka
1 Afina geometrija 11 Afini prostor Definicija 11 Pod afinim prostorom nad poljem K podrazumevamo svaku uređenu trojku (A, V, +): A - skup taqaka V - vektorski prostor nad poljem K + : A V A - preslikavanje
Διαβάστε περισσότεραProgram testirati pomoću podataka iz sledeće tabele:
Deo 2: Rešeni zadaci 135 Vrednost integrala je I = 2.40407 42. Napisati program za izračunavanje koeficijenta proste linearne korelacije (Pearsonovog koeficijenta) slučajnih veličina X = (x 1,..., x n
Διαβάστε περισσότερα1 Promjena baze vektora
Promjena baze vektora Neka su dane dvije različite uredene baze u R n, označimo ih s A = (a, a,, a n i B = (b, b,, b n Svaki vektor v R n ima medusobno različite koordinatne zapise u bazama A i B Zapis
Διαβάστε περισσότερα