Ivana Keršek Wright - Fisherov model. Diplomski rad
|
|
- Joseph Grant
- 5 years ago
- Views:
Transcription
1 Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Ivana Keršek Wright - Fisherov model Diplomski rad Mentor: prof. dr. sc. Mirta Benšić Komentor: dr. sc. Nenad Šuvak Osijek, 2011.
2 SADRŽAJ i Sadržaj 1 Uvod ii 2 Osnovni pojmovi genetike DNK i ATCG abeceda života Evolucija Mutacija Selekcija Genetički drift Wright - Fisherov model Osnovni pojmovi teorije Markovljevih lanaca i martingala Wright - Fisherov model bez mutacija Wright - Fisherov model s mutacijama Moranov model Primjer Wright - Fisherovog modela 32 Sažetak Summary Životopis iii iv v
3 1 UVOD ii 1 Uvod Zamislimo da u posudi imamo konačan broj kuglica crvene i zelene boje. Sada izvlačimo jednu po jednu kuglicu, kopiramo ju, stavimo u drugu posudu i vratimo original natrag sve dok ne dosegnemo broj kuglica iz prve posude. Frekvencije zelenih i crvenih kuglica u dvije posude mogu se, ali i ne moraju razlikovati. Postavimo pitanje hoće li se frekvencija zelenih kuglica povećati, smanjiti ili biti jednaka kao u prvoj posudi, ako se smanji ili poveća, za koliko će to biti, u kojem omjeru će se razlikovati? Na ova pitanja ne možemo odgovoriti sa sigurnošću, no možemo predvidjeti vjerojatnosti različitih odstupanja. Isti vjerojatnosni princip uzimanja uzoraka javlja se u evoluciji. Svaka naredna generacija može nasljediti sve osobine kao i početna generacija, a neke osobine mogu prevladavati, kako i u kojem omjeru ne znamo, možemo samo predvidjeti vjerojatnosti odredenih ishoda za svaku generaciju u odnosu na početnu. Evolucija je stohastički proces promjene frekvencija gena u prirodnim populacijama. Motoo Kimura, japanski biolog Populacijska genetika je grana biologije koja osigurava matematičku strukturu za proučavanje procesa mikroevolucije, tj promjena koje se odvijaju na razini gena. Stohastički procesi imaju veliku važnost u genetici. Tako se stohastički procesi u populacijskoj genetici koriste npr. za modeliranje promjene frekvencije gena u populaciji od jedne do druge generacije. Populacijski genetičari odavno su uvidjeli važnost stohastičkih procesa u nastanku i održavanju genetičke varijabilnosti, ali nisu se uvijek slagali oko njihovog utjecaja na mehanizme evolucije. Rad dvojice velikih znanstvenika Seawell Wrighta i R.A. Fishera označio je početak kvantitativne teorije o ulozi genetičkog drifta u evolucijskom procesu. Wright - Fisherov model zauzima središnju ulogu ove teorije i formira početnu točku za primjenu molekularne populacijske genetike. Wright - Fisherov model dodatno je generaliziran te je primjenjen u mnogim područjima biološke znanosti. Čudno je što je Wright tvrdio da su slučajni procesi neophodni za svaki aspekt evolucije, dok je Fisher imao suprotan stav da slučajni procesi imaju manju ulogu pri stvaranju rijetkih novih varijacija. U ovom radu opisan je Wright - Fisherov model, daleko najpoznatiji stohastički model za reprodukciju u populacijskoj genetici. U prvom djelu dane su definicije koje su potrebne za razumjevanje genetičkog djela ovog diplomskog rada. Definirana je DNA molekula te dušične baze, tj
4 1 UVOD iii nukleotidi. Nakon toga definiran je pojam evolucije te su opisane osnovne sile koje remete nasljednu ravnotežu : mutacija, selekcija i genetički drif koji je detaljnije opisan. U drugom djelu dani su osnovni pojmovi teorije Markovljevih lanaca i martingala zatim je obraden Wright - Fisherov model populacija bez mutacije, zatim u populaciji s mutacijama te je na kraju opisan i Moranov model preklapajućih generacija u kojem se samo jedna jedinka, tj jedan alel mijenja tijekom vremena. U posljednjem poglavlju dan je numerički primjer Wright - Fisherovog modela.
5 2 OSNOVNI POJMOVI GENETIKE 1 2 Osnovni pojmovi genetike 2.1 DNK i ATCG abeceda života DNK (deoksiribonukleinska kiselina) je složena, vrlo dugačka, nitasta makromolekula, polimer sastavljen od mnogo malih jedinica - nukleotida, nanizanih jedan iza drugoga u dva lanca, omotana jedan oko drugoga. Dva polinukleotidna lanca molekule DNK zavijena su oko zajedničke osi. Takvu strukturu DNK nazivamo dvostrukom zavojnicom. Dušične baze su adenin (A), gvanin (G), citozin(c) i timin (T) i nalaze se na unutarnjoj strani molekule, a vanjsku okosnicu DNK, nepromjenjivu duž cijele molekule, čine deoksiriboze medusobno povezane preko fosfatnih skupina. Primjer: DNK nizove shvatit ćemo kao realizaciju niza nezavisnih slučajnih varijabli X 1,..., X n s vrijednostima u skupu {A, C, T, G} Promatramo DNK spiralnu nit AAATTTGTG Imamo slučajan proces X = {X t, t N 0 } sa skupom stanja {A, C, T, G} Npr. jedna realizacija je: X(0) = A, X(1) = A, X(2) = A, X(5) = T, X(8) = G Slika 2.1 Dio jedne trajektorije procesa X sa skupom stanja {A, C, T, G} Lanci su komplementarni, to jest suprotnog su usmjerenja. Vodikove veze koje povezuju baze na dva komplementarna lanca uvijek nastaju na isti način adenin s jednog lanca uvijek se sparuje s timinom na komplementarnom lancu, a citozin s gvaninom. Primjer: Ako je djelić jedne spiralne niti AAGTCA, tada je ekvivalentan dio druge spirale TTCAGT. U normalnim uvjetima nije moguće sparivanje baza po bilo kojoj drugoj shemi. Slijed baza duž polinukleotidnog lanca nije ničime ograničen i on
6 2 OSNOVNI POJMOVI GENETIKE 2 čini promjenjivi dio molekule, upravo izmjene navedenih baza ili razlika u broju ponavljanja parova baza koje imaju odreden redoslijed čine osnovu utvrdivanja identiteta odredene osobe. Svaki pojedinačni kontakt izmedu navedenih jedinica naziva se par baza, a cijeli ljudski genom 1 ima oko 3 milijarde parova baza. Ovakva struktura dviju spiralnih niti DNK omogućava prenošenje informacije dijeljenjem kromosoma pri diobi stanice. Kada se stanica treba podijeliti, kromosomske niti se razmotaju. Budući da u jezgri stanice ima mnoštvo slobodnih baza, te baze se vežu na svoje parove na nitima DNK. Tako je informacija sačuvana, kopirana i prenesena na dva novonastala kromosoma. Dva lanca u molekuli DNK su antiparalelni - usmjereni su u suprotnim smjerovima odredenim slobodnim 5 (jedan kraj sadrži fosfatnu grupu, tzv. 5 kraj ), odnosno 3 (drugi kraj DNK polimera sadrži hidroksilne skupine na deoksiribozu, tzv. 3 kraj ) skupinama deoksiriboze. Slika 2.2 Struktura i replikacija DNK lanca Aminokiseline su osnovne strukturne jedinice proteina. Svi proteini u svim organizmima, od bakterija do ljudi, izgradeni su od 20 aminokiselina. Genetska šifra sadržana u DNK mora biti na neki način zapisana linearnim redosljedom dušičnih baza duž polinukleotidnog lanca. Dovoljno je proma- 1 Genom nekog organizma su svi njegovi nasljedni podaci kodirani u DNK
7 2 OSNOVNI POJMOVI GENETIKE 3 trati samo redoslijed u jednom lancu, jer je drugi lanac prvome komplementaran. Taj redoslijed nukleotida naziva se genetički kod, a sastoji se od tri nukleotida i naziva se kodon kojeg opisujemo trima slovima imena baza (npr. ACT, CAG, TTT). Moguća su 64 kodona, broj svih varijacija trećeg razreda s ponavljanjem skupa od 4 elementa (V r (n) = n r ) koji kodiraju 20 aminokiselina, to jest triplet nukleotida nosi informaciju o vrsti aminokiseline. Rezultati istraživanja koja kombinacija u jednom tripletu predstavlja odredenu aminokiselinu prikazani su u Tablici 2.1 Tablica 2.1 Tablica genetske šifre Primjer: Niz AUG UCC UAU AUC GUU UAA predstavlja lanac sljedećih aminokiselina: Ser - Tyr - Ile -Val. Genetska šifra AUG predstavlja znak za početak, a UAA za završetak lanca aminokiselina. Organizmi mogu imati različit broj kopija svog genetskog materijala. Niži organizmi, poput bakterija, su haploidni - imaju jednu kopiju svog genetskog materijala. Većina viših organizama su diploidni - organizmi koji imaju čitav set kromosoma prisutan u dvije kopije. Neke biljke su tetraploidne (4 kopije) i heksaploidne (6 kopija) ili polipolidne (više kopija, npr. sirak koji ima više od 100 kromosoma 8 osnovnih tipova). Rekombinacija je izmjena genetičkih informacija. Kod reprodukcije haploidnih organizama, postoji jedan roditelj koji daje kopije svog genetskog koda za svoje potomstvo, a kod reprodukcije diploidnih organizama postoje dva
8 2 OSNOVNI POJMOVI GENETIKE 4 roditelja, jedan kromosom je od oca, a drugi od majke. Dakle, za svako svojstvo postoje dva gena ili dvije informacije. Takav par gena gdje jedan i drugi gen nose informaciju za jedno svojstvo naziva se alel. Svaki gen ima svoje odredeno mjesto na kromosomu. U diploidnoj stanici postoje dva alela od svakog gena koji se nalaze na homolognim kromosomima, od kojih je svaki naslijeden od jednog roditelja. Aleli se označavaju velikim i malim slovima abecede npr. a ili A. Otac genetike, češki redovnik Gregor Mendel, u vrijeme svojih istraživanja nije znao za gene, nego ih je zvao faktorima naslijeda. Primijetio je takoder da neki faktori prevladavaju nad drugima. Jedinka može nositi dva jednaka alela za jedno svojstvo pa se tada naziva homozigot (AA ili aa), a ukoliko su aleli različiti, onda je to heterozigot (Aa). Mendel je križanjem graška visoke i niske stabljike uočio da se u prvoj generaciji pojavljuju biljke s visokim stabljikama. Kada je križao biljke prve generacije medusobno, u idućoj je generaciji bilo i visokih i niskih stabljika. Tako je on zaključio da za jedno svojstvo postoje dva alela (on ih je nazvao nasljednim faktorima). Kako se svojstvo nekad pojavi, a nekad ne, zaključio je da mora postojati razlika u jačini njihova izražavanja u fenotipu. Tako je one koji prevaladavaju nazvao dominantnima (označavaju se velikim slovima abecede), a one potisnute recesivnima (označavaju se malim slovima abecede). Primjer: Smeda boja očiju je dominantno, a plava boja očiju recesivno svojstvo. Netko može nositi gen za boju očiju koji se sastoji od alela za smede A i alela za plave oči a. U tom slučaju, oči će biti smede jer je smeda boja očiju dominantna nad plavom. Često je prisutno pogrešno shvaćanje da je dominantan alel uvijek češći u populaciji dok je recesivan onaj koji je rjedi. Suprotno tomu danas znamo da - kao što kaže G.H. Hardy (1908) : Nema ni najmanjeg temelja ideji da bi dominantno obilježje trebalo pokazivati tendenciju širenje na čitavu populaciju, odnosno, da bi recesivno obilježje trebalo iščeznuti. Učestalost gena može biti visoka ili niska bez obzira kakva je ekspresija toga alela. Fitnes je općenita sposobnost organizma da preživi i reproducira se. Fitnes predstavlja reproduktivni uspjeh organizma, jedinke koje su sposobnije u reprodukciji i pronalasku hrane te preživljavanjem imaju veći reproduktivni uspjeh to jest fitnes. Diploidne jedinke imaju dvije kopije svog genetskog materijala u svakoj stanici, tj. u svakoj stanici postoje dva alela za odredeno svojstvo, stoga kada imamo N stanica to znači da imamo N parova alela, tj. alela. Slučajno razmnožavanje - u prirodnim populacijama dolazi do panmiksije ili slučajnog razmnožavanja što znači da svaka jedinka populacije ima jednaku vjerojatnost da se razmnožava s bilo kojim drugom jedinkom populacije su-
9 2 OSNOVNI POJMOVI GENETIKE 5 protnoga spola. Genetski lokus je lokacija u genomu organizma, npr. slijed nukleotida koji tvori gen. Genski bazen je cjelokupan set jedinstvenih alela kod odredene vrste ili populacije. 2.2 Evolucija Pojam evolucija znači razvoj, a služi za opisivanje načina razvoja, odnosno promjene živih bića. Razvoj moderne genetike omogućio je proučavanje evolucije istraživanjem populacijske genetike. Promjena frekvencije alela ili genotipova u populaciji odnosno promjena genetičke strukture populacije kroz veliki broj generacija je evolucija. Evolucija započinje narušavanjem genske ravnoteže. Ravnoteža se remeti onda kada se mijenjaju uvjeti u populaciji ili u okolišu. Analize uzročnih osnova evolucije utvrduju da su njezine osnovne sile mutacija, selekcija i genetički drift, znači to su procesi koji remete nasljednu ravnotežu. Evolucija koja se odvija unutar populacije naziva se mikroevolucija. Mikroevolucija je pojava promjena male skale u učestalosti alela u populaciji tijekom nekoliko generacija, takoder je poznata kao promjena na razini vrste (tj. unutar razine vrste). Mikroevolucija sadrži manje sukcesivne promjene u genskoj zalihi odredene populacije od jedne do druge generacije. U njoj djeluju osnovne sile evolucije. Procesi mikroevolucije vode stvaranju novih vrsta, tj. populacija. Makroevolucija je pojava promjena velike skale u učestalosti gena u populaciji, tijekom geološkog vremenskog perioda. Populacijska genetika grana je biologije koja osigurava matematičku strukturu za proučavanje procesa mikroevolucije Mutacija Mutacija je trajna (i nasljedna, ako se dogodila u spolnoj stanici) promjena genetskog materijala stanice, tj. DNK ili RNK. Uzroci su mutacija mnogobrojni: greške pri umnožavanju genetskog materijala u procesu stanične diobe, izlaganje vanjskim čimbenicima poput radijacije, različitih kemijskih spojeva ili virusa te programirane ( namjerne ) mutacije tijekom mejoze ili imunološkog odgovora. Mutacije u nespolnim stanicama višestaničnih organizama, tzv. somatske mutacije, ne prenose se na potomstvo i mogu prouzročiti greške u odvijanju staničnih funkcija (greške u reguliranju stanične diobe uzrok su raka) ili smrt stanice. S druge strane, mutacije u spolnim sta-
10 2 OSNOVNI POJMOVI GENETIKE 6 nicama smatraju se jednim od preduvjeta evolucije jer se procesom prirodnog odabira u populaciji nakupljaju mutacije koje omogućuju bolju prilagodbu uvjetima okoliša i time utječu na bolje preživljavanje jedinki koje ih nose i prijenos na sljedeće generacije. Dakle, u populacijskoj genetici važne su samo mutacije koje se odigravaju u spolnim stanicama jer se jedino one prenose na sljedeću generaciju Selekcija Prirodni odabir ili selekcija je prirodni izbor izmedu nositelja različito vrijednih nasljednih faktora. Darwin selekciju objašnjava borbom za opstanak medu pojedinim organizmima, od kojih preživljavaju najsposobniji. Darwin selekciju primjenjuje na jedinke, a ne na populacije, a okoliš kao selektivna sila odabire varijante koje su joj se najbolje prilagodile. Darwin je time naglasio negativno gledište selekcije, ističući da je ona neumoljiva snaga koja uništava jedne, a unaprjeduje druge. Danas je modificirano načelo selekcije temeljna orijentacija u rješavanju evolucijskih problema. Prema Hardy- Weinbergovu pravilu, kao polazištu u populacijskoj genetici, u standardnim uvjetima okoline svi geni populacijskih genskih zaliha dolaze do ravnoteže koja se stalno održava (idealna populacija). Zato je prirodni odabir, osim mutacija, jedina snaga koja uzrokuje promjene u genskoj ravnoteži populacije. Prirodna selekcija utjecaj je bilo kojega faktora iz okoliša organizma. Kao selekcijski faktori mogu djelovati: ekstremne temperature, oborinski omjeri (sušna razdoblja, poplave), kemijski uvjeti, prirodni neprijatelji različitih štetočina i nametnika, paraziti, uzročnici bolesti itd. Natjecanje i borba oko hrane, životnoga prostora i ostalih važnih životnih uvjeta ubraja se u unutarvrstnu selekciju koja podredene skupine potiskuje u nove ekološke niše 2 ili vodi njihovu izumiranju. Tako djeluje selekcijski pritisak. Djelujući tijekom milijuna godina, selekcija omogućuje razvoj novih adaptacija u najrazličitijim sredinama na Zemlji Genetički drift Genetički drift odnosi se na promjene u učestalosti alela u genskoj zalihi koje su slučajnog karaktera. Matematički gledano, učestalost alela predstavlja relativnu frekvenciju alela. 3 Drugim riječima, učestalosti alela mogu rasti, padati ili ostati iste, sve kao rezultat slučajnih dogadaja u reprodukciji. U 2 Ekološka niša uloga koju neka jedinka ima u zajednici u odnosu na stanište i njezine interakcije s drugim organizmima. 3 Pokus je ponovljen n puta. Ako se pri tome dogadaj A dogodio n A puta, broj n A zovemo frekvencija dogadaja A, a broj n A zovemo relativna frekvencija dogadaja A. n
11 2 OSNOVNI POJMOVI GENETIKE 7 većim populacijama je manja vjerojatnost da će doći do genetičkog drifta. Genetički drift se odvija kad se slučajno samo odredeni članovi populacije razmnožavaju i prenose gene u iduću generaciju. Možda je najjednostavniji način za razumijevanje genetičkog drifta analogija bacanja novčića. Vjerojatnost da će pri bacanju simetričnog novčića pasti glava, odnosno pismo, je 1. Ako novčić bacimo 1000 puta, možemo 500 puta 2 dobiti glavu i 500 puta pismo. Moguće su i druge kombinacije (npr. 517 glava i 483 pisma i sl). No, ako je novčić simetričan relativna frkevencija pojavljivanja pisma, odnosno glave, pri velikom broju bacanja novčića približno je jednaka 0.5 (tj. s povećanjem broja bacanja se stabilizira oko statistička stabilnost relativnih frekvencija). Ne možemo unaprijed odrediti koliko će se glava realizirati u odredenom broju bacanja, no možemo izračunati relativnu frekvenciju takvog dogadaja. Relativna frekvencija realizacija glave rezultira histogramom koji dobro aproksimira zvonoliku krivulju (binomna aproksimacija normalne distribucije). Isti vjerojatnosni princip uzimanja uzoraka javlja se u evoluciji. Ako je netko heterozigot za odredeni lokus s genotipom Aa, vjerojatnost da će svom djetetu proslijediti bilo koji od alela A i a jednaka je 1. Ako takva osoba ima 10-ero djece, najvjerojatnije (u usporedbi sa 2 svim ostalim mogućnostima) će proslijediti 5 kopija A i 5 kopija a alela. No, u najvećem broju slučajeva ona neće proslijediti baš taj omjer alela. Može proslijediti 3A alela i 7a alela te će tada doprinijeti idućoj generaciji više a alela od očekivanog. Ovo je slučajni proces koji se javlja kod svake jedinke u populaciji, te je vjerojatno da će se učestalosti alela promijeniti iz jedne na drugu generaciju (naročito ako je broj bacanja (broj potomaka) mali, kao što je to slučaj u maloj populaciji). Ako je u roditeljskoj populaciji učestalost alela 1, njegova učestalost u idućoj generaciji može biti ista, no isto tako može 2 biti viša ili niža. Genetički drift modeliran je slučajnom procesom u kojem se učestalost alela može mijenjati u bilo kojem smjeru i u različitoj veličini iz generacije u generaciju. Učestalosti alela kontinuirano se mijenjaju dok neki alel nestane ili bude apsorbiran. Ukoliko dode do gubitka jednog alela (i time do apsorpcije drugog alela), učestalost alela ostati će 0 (i 1) sve dok novi alel ne bude uveden u populaciju putem mutacije ili migracije. Matematička formulacija genetičkog drifta Zamislimo pokus nasumičnog odabira izmedu dvije vrste alela (A i a) iz genskog bazena, pri čemu je p vjerojatnost odabira alela A, a q = 1 p vjerojatnost odabira alela a. Pretpostavimo da taj pokus ponavljamo nezavisno N puta i pri tome nas zanima broj alela A. Označimo broj alela A s k. Neka je X diskretna slučajna varijabla s konačnim skupom stanja koja
12 2 OSNOVNI POJMOVI GENETIKE 8 prima vrijednosti u skupu {0,1,...,N} s vjerojatnostima ( ) N P (X = k) = p k q N k k Za slučajnu varijablu X koja opisuje broj alela A u N nezavisnih ponavljanja slučajnog pokusa kažemo da ima binomnu distribuciju s parametrima N i p. Populacijska genetika je grana genetike koja istražuje raspodjelu učestalosti alela i promjene koje nastupaju pod utjecajem evolucijskih sila. Populacijska genetika jedna je od osnovnih sastavnica moderne evolucijske sinteze čiji su utemeljitelji bili S. Wright, J.B.S. Haldane i R.A. Fisher. U terminima populacijske genetike imamo: veličina populacije od N jedinki ima alela (kopija gena) 1 lokus, 2 alela: A koji se pojavljuje s vjerojatnošću p i a koji se pojavljuje s vjerojatnošću q X je slučajna varijabla kojom modeliramo broj alela A u kopija gena skup vrijednosti slučajne varijable X : {0, 1, 2, 3,..., 1, } relativna frekvencija alela A može poprimiti vrijednost iz skupa: { 1 0,, 2,..., 1 }, 1 Vjerojatnost da se slučajna varijabla X realizira s k alela tipa A dana je izrazom: ( ) P (X = k) = p k q k k Primjer: (vjerojatnost genotipova 4 ) Pretpostavimo da je : vjerojatnost pojavljivanja alela A : p = 0.33 vjerojatnost pojavljivanja alela a : q = 0.67 Tada znamo da je P (AA) = = P (Aa) = = P (aa) = = P (aa) = = Genotip je skup svih gena nekog organizma
13 2 OSNOVNI POJMOVI GENETIKE 9 Slika 2.3 Prikaz distribucije mogućih genotipova histogramom OPĆENITO X - slučajna varijabla kojom modeliramo broj uspjeha N - broj nezavisnih ponavljanja pokusa p - vjerojatnost uspjeha q - vjerojatnost neuspjeha E(X) = Np V ar(x) = Npq POPULACIJSKA GENETIKA X - slučajna varijabla kojom modeliramo broj alela A u kopija gena - broj alela u gametima p - vjerojatnost odabira alela A q - vjerojatnost odabira alela a E(X) = p V ar(x) = pq Efekt genetičkog drifta ovisi o: veličini populacije N-efekt drifta je veći u malim populacijama genetičkoj varijabilnosti 5 pq - efekt drifta je veći u populacijama s većom genetičkom varijabilnošću. Genetički drift u malim populacijama može dovesti do gubitka odredenog alela ili njegove fiksacije. Slijedi primjer genetičkog drifta u populaciji s malim brojem jedinki pri kojem kroz 3 generacije dolazi do gubitka alela a, a fiksacije alela A. 5 Genetička varijabilnost: postojanje dva ili više alela pojedinog gena u promatranoj populacija, genetička varijabilnost predstavlja sposobnost genetičkog materijala da se mijenja čime se postiže njegova ogromna raznovrsnost.
14 2 OSNOVNI POJMOVI GENETIKE 10 Slika 2.4 Gubitak alela a kroz tri generacije Kako smo već i rekli, efekt drifta veći je u malim populacijama. Iduća slika prikazuje utjecaj genetičkog drifta na populaciju od 500 i na populaciju od 25 kamenjarki. Aleli brzo postanu ili fiksirani ili nestanu ako je populacija konstantne veličine i ima 25 jedinki Kamenjarki dok se, oba alela zadržavaju u populaciji ukoliko je njena konstantna veličina 500. Slika Prikaz utjecaja veličine populacije kamenjarki 7 na efekt genetičkog drifta 6 preuzeto s drift.ppt 7 Grupa insekata pod imenom Plecoptera (Kamenjarke ili Stone Fly)
15 3 WRIGHT - FISHEROV MODEL 11 3 Wright - Fisherov model Daleko najpoznatiji stohastički model za reprodukciju u populacijskoj genetici je upravo Wright - Fisherov model. Promatrat ćemo model u dva slučaja: s mutacijama u populaciji i bez mutacija. 3.1 Osnovni pojmovi teorije Markovljevih lanaca i martingala DEFINICIJA 1 Slučajan proces {X t, t T } je familija slučajnih varijabli na istom vjerojatnosnom prostoru (Ω, F, P), pri čemu je t element parametarskog skupa ili skupa indeksa T R. Skup vrijednosti koje može poprimiti svaka slučajna varijabla X t naziva se skup stanja slučajnog procesa {X t, t T } i označava sa S. Elemente skupa S nazivamo stanjima slučajnog procesa {X t, t T }. S obzirom na skup S, razlikujemo sljedeće kategorije slučajnih procesa: ako je S diskretan skup, govorimo o slučajnom procesu s diskretnim skupom stanja, ako S nije diskretan skup, npr. ako je S = R ili je S interval realnih brojeva, govorimo o slučajnom procesu s neprekidnim skupom stanja. DEFINICIJA 2 Slučajan proces {X t ; t T } je Markovljev proces ako za svaki izbor t 1,... t n T takvih da je t 1 <... < t n, sve x 1,..., x n S i a, b R t.d. je a < b, vrijedi Markovljevo svojstvo, tj. P (a < X tn b X tn 1 = x n 1,..., X t1 = x 1 ) = P (a < X tn b X tn 1 = x n 1 ), n {2, 3,...} Pojednostavljeno rečeno, Markovljevo svojstvo nam kaže: ako je poznata prošlost (modelirana slučajnim varijablama X t1,..., X tn 2 ) i sadašnjost (modelirana slučajnom varijablom X tn 1 ), onda budućnost (modelirana slučajnom varijablom X tn ) ovisi samo o sadašnjosti, dok prošlost nema utjecaja. Ako je skup stanja Markovljevog procesa diskretan, govorimo o Markovljevom lancu. Markovljev proces u neprekidnom vremenu s neprekidnim skupom stanja i neprekidnim trajektorijama zovemo difuzijskim procesom ili difuzijom.
16 3 WRIGHT - FISHEROV MODEL 12 DEFINICIJA 3 Slučajan proces {X n ; n N 0 } s diskretnim skupom stanja S je Markovljev lanac ako vrijedi P (X t = i X t1 = i 1, X t2 = i 2,..., X tn = i n ) = P (X t = i X tn = i n ) za sve t 1, t 2,..., t n, t N 0 t.d. je t 1 <... < t n < t i za sve i, i 1,..., i n S za koje su gornje uvjetne vjerojatnosti dobro definirane. DEFINICIJA 4 Funkcija prijelaznih vjerojatnosti Markovljevog lanca dana je izrazom p(i, s; t, j) = P (X t = j X s = i), s, t N 0, s < t. Funkcija prijelaznih vjerojatnosti u jednom koraku dana je izrazom p ij = p(i, n; n + 1, j) = P (X n+1 = j X n = i), n N 0, i, j S. Ukoliko funkcija prijelaznih vjerojatnosti u jednom koraku ne ovisi o n, tj. za sve n, m N vrijedi p(i, n; n + 1, j) = p(i, m; m + 1, j) kažemo da se radi o homogenom Markovljevom lancu. DEFINICIJA 5 Neka je {X n, n N 0 } Markovljev lanac sa skupom stanja S i matricom prijelaznih vjerojatnosti Π. Za B S definiramo prvo vrijeme pogadanja tog skupa kao T B = inf {n 0 : X n B}, uz konvenciju da je inf := +. U slučaju B = {j} za j S zbog jednostavnosti pišemo T j umjesto preciznijeg T {j}. Kažemo da je stanje j S dostižno iz stanja i S (oznaka i j) ako je P (T j < X 0 = i) > 0, tj. stanje j dostižno je iz stanja i ako lanac s pozitivnom vjerojatnošcu posjeti stanje j krenuvši iz stanja i. Kažemo da stanja i i j komuniciraju (oznaka i j) ako je i j i j i. Markovljev lanac {X n, n N 0 } je ireducibilan ako se prostor stanja S sastoji samo od jedne klase komuniciranja, tj. ako i j za sva stanja i, j S.
17 3 WRIGHT - FISHEROV MODEL 13 DEFINICIJA 6 Matrica [p ij ] i,j S zove se matrica prijelaznih vjerojatnosti homogenog Markovljevog lanca. Elementi ove matrice su nenegativni, tj. p i,j 0 za sve i, j S, a zbroj elemenata u svakom njezinom retku jednak je jedan, tj. = 1 za svaki i S. Matricu čiji elementi zadovoljavaju navedena j S p ij svojstva nazivamo stohastičkom matricom. DEFINICIJA 7 Slučajna varijabla T : Ω N 0 { } zove se vrijeme zaustavljanja Markovljevog lanca {X n, n N 0 } ako je za svaki n N 0 {T n} σ{x 0, X 1,..., X n }, tj. dogadaj {T n} ovisi samo o X 0, X 1,..., X n. DEFINICIJA 8 Skup stanja C S je zatvoren ako i C vrijedi P ( T S\C = X 0 = i) = 1. Skup C S je zatvoren ako lanac gotovo sigurno ne može napustiti skup C jednom kad se nade u njemu. S druge strane, u zatvoren skup se može ući. Za stanje j S kažemo da je apsorbirajuće stanje ako je {j} zatvoren podskup skupa S. DEFINICIJA 9 Slučajan proces {X t, t T } u diskretnom ili neprekidnom vremenu je martingal ako vrijedi: E[ X t ] <, za svaki t T za svaki izbor t 1,..., t n+1 T takvih da je t 1 <... < t n+1 i sve x 1,..., x n S vrijedi E[X tn+1 X t1 = x 1,..., X tn = x n ] = x n. Martingale možemo shvatiti kao model za pravdne igre. Naime, ako X t opisuje iznos novca kojeg igrač ima u trenutku t, tada martingalno svojstvo kaže da će očekivani iznos kojim igrač raspolaže u trenutku t n+1, uz poznati iznos x n kojim raspolaže u trenutku t n, biti jednak upravo x n, tj. očekivano igrač u poštenoj igri niti zaraduje niti gubi.
18 3 WRIGHT - FISHEROV MODEL 14 DEFINICIJA 10 Neka je {X n, n N 0 } Markovljev lanac s prebrojivim skupom stanja S i prijelaznom matricom P. Vjerojatnosna distribucija π = (π i : i S) na S je stacionarna distribucija (ili invarijantna distribucija) Markovljevog lanca X (odnosno prijelazne matrice P) ako vrijedi odnosno po komponentama π = πp, π j = k S π k p kj, za sve j S. DEFINICIJA 11 Pretpostavimo da je zadan Markovljev lanac {X n, n N 0 } sa skupom stanja S i matricom 1-koračnih prijelaznih vjerojatnosti Π. Vrijeme m-tog povratka u stanje i S je slučajna varijabla T (m) i = { min{n > T (m 1) i : X n = i}, T (m 1) i <, T (m 1) i =. Dostižno stanje i S je povratno ako vrijedi P (T (1) i < X 0 = i) = 1 Dostižno stanje i S je prolazno ako vrijedi P (T (1) i < X 0 = i) < 1 Kažemo da je stanje i S pozitivno povratno ako je očekivano vrijeme potrebno Markovljevom lancu da iz stanja i opet dode do i konačno: E i [T i ] < gdje je T i = T (1) i vrijeme prvog povratka Markovljevog lanca u stanje i. DEFINICIJA 12 Za stanje i S Markovljevog lanca s matricom prijelaznih vjerojatnosti Π s d(i) označavamo najveći zajednički djelitelj skupa {n 1 : p (n) ii > 0}. Stanje i je aperiodično ako je d(i) = 1, u suprotnom stanje i je periodično s periodom d(i).
19 3 WRIGHT - FISHEROV MODEL Wright - Fisherov model bez mutacija Sljedeća slika ukratko prikazuje suštinu modela koji ćemo nakon toga detaljno razraditi. Slika 3.1 Wright - Fisherov model populacijske genetike: koraci izgradnje generacije n + 1 Sada ćemo postupno objasniti Sliku 3.1. Koraci konstruiranja populacije u generaciji (n + 1) iz generacije n : (i) - slučajni odabir gena iz generacije n (ii) - kopiranje odabranog gena (iii) - stavljanje kopije gena u iduću generaciju (n + 1) (iv) - vraćanje originala u roditeljsku populaciju (generaciju n) Koraci se ponavljaju sve dok veličina populacije generacije (n+1) ne postane jednaka veličini populacije generacije n. Promatramo genetski lokus s dva alela A i a koji imaju isti fitnes u diploidnoj populaciji konstantne veličine N s nepreklapajućim generacijama koje prolaze kroz proces slučajnog razmnožavanja. Stanje populacije u početnoj (roditeljskoj) generaciji n možemo prikazati kao genski bazen koji sadrži alela: označenih s A ima i, a označenih s a ima ( i).
20 3 WRIGHT - FISHEROV MODEL 16 Slika 3.2 Genski bazen s dva alela A i a Generacija (n+1) sastoji se od alela i nastaje provodenjem nezavisnih slučajnih odabira od po jednog alela iz početne generacije n, s tim da se nakon svakog odabira izvučeni alel vraća u roditeljsku populaciju. S obzirom na definiciju binomne distribucije vidimo da je vjerojatnost da imamo j alela A u trenutku (n + 1) kada imamo i alela A u trenutku n ( ) P ij = p j i j (1 p i) j, (i, j = 0, 1,..., ) (1) gdje je p i = i klasična vjerojatnost izvlačenja alela A u jednom pokušaju kada ih postoji i u genskom bazenu i ( ) ()! = j j!( j)! ( je broj načina odabira j alela od, tj. ) j predstavlja broj svih kombinacija j-tog razreda u -članom skupu i naziva se binomni koeficijent. Broj gena tipa A u n-toj populaciji gena potomaka modeliramo slučajnom varijablom X n, n N, pa X 0 opisuje distribuciju alela A u početnoj, roditeljskoj populaciji. Je li proces {X n, n N 0 } iz Wright - Fisherovog modela Markovljev lanac? X n - slučajna varijabla kojom modeliramo broj alela A u n-toj populaciji gena potomaka koja ima skup stanja S = {0, 1, 2,..., }. Slučajna varijabla X n+1, kojom modeliramo broj alela A u (n+1)-oj genskoj populaciji, ovisi samo o broju alela A u n-toj genskoj populaciji, znači ispunjeno je Markovljevo svojstvo pa znamo da je slučajan proces {X n, n N 0 } Markovljev lanac. Funkcija prijelaznih vjerojatnosti u jednom koraku (pod pretpostavkom nepostojanja mutacija u početnoj genskoj populaciji) dana je izrazom: ( p ij = P (X n+1 = j X n = i) = j ) ( i ) j ( 1 i ) j, i, j S.
21 3 WRIGHT - FISHEROV MODEL 17 p ij = vjerojatnost da će u (n + 1)-oj generaciji biti j alela A, ako znamo da ih je u n-toj generaciji bilo i. Dugoročno ponašanje Wright-Fisherovog modela: na kraju, broj A-ova u populaciji, postat će 0 (što interpretiramo kao nestajanje alela A iz genskog bazena) ili (što interpretiramo kao nestajanje alela a). Jednom izgubljen alel iz populacije nikada se ne vraća (jer pretpostavljamo da se mutacije u populaciji ne mogu dogoditi), tako da su stanja 0 i apsorbirajuća stanja ovog Markovljevog lanca. Nakon što lanac ude u jedno od tih stanja ne može ih napustiti. Neka je τ = min{n : X n = 0 ili X n = } vrijeme apsorpcije, tj. trenutak u kojemu se populacija sastoji od svih alela A ili svih a. Kako je broj jedinki konačan i uvijek je moguće izvući ili sve alele A ili sve alele a, apsorpcija će se na kraju dogoditi. Kako bi izračunali vjerojatnost apsorpcije u svim A stanjima, neka je X n broj alela A u trenutku n. Budući je očekivanje binomne distribucije p (pogledati izraz (1)) slijedi da je ( ) i E(X n+1 = j X n = i) = = i, za sve n N 0 (2) što je upravo poznata vrijednost slučajne varijable X n. Znači, matematičko očekivanje slučajne varijable X n je konstantno u vremenu. Iz toga slijedi da je P i (X τ = ) = P (X τ = X n = i) = i. (3) Zašto je ovo istina? {X n, n N 0 } je martingal, vjerojatnosni model poštene igre. Intuitivno, ako se igra pošteno tada je očekivani iznos novca koji kockar ima na kraju jednak iznosu koji je imao na početku. Dakle, ako koristimo P i za označavanje distribucije vjerojatnosti procesa X n za koji je X 0 = i i E i za označavanje očekivane vrijednosti s obzirom na P i, tada je E i X τ = E i X 0 = i (4) Kako je vrijednost slučajne varijable X τ ili 0 ili imamo da je i = E i X τ = P i (X τ = ) i željeni rezultat slijedi. Kako bi dobili ideju koliko vremena je potrebno da se dogodi apsorpcija, ispitat ćemo heterozigotnost (različitost alela). Ako imamo alela A i a u genskom bazenu, i pri tome je X n slučajna varijabla kojom se modelira broj alela A, ( X n ) je slučajna varijabla kojom se modelira broj alela a. Slučajnom varijablom H 0 n modeliramo heterozogotnost, vjerojatnost da su dva slučajno odabrana alela (bez vraćanja)
22 3 WRIGHT - FISHEROV MODEL 18 u trenutku n različita. Broj načina da odaberemo jedan alel je, a dva (bez vraćanja prvog alela u genski bazen) je po principu produkta ( 1) pa je ukupan broj načina na koji možemo odabrati bilo koja dva alela iz genskog bazena s ukupno alela jednak ( 1). Slijedi da je 2X n ( X n ) slučajna varijabla kojom modeliramo broj načina na koji se iz genskog bazena s alela bira 2 različita alela. Prema tome, heterozigotnost modeliramo slučajnom varijablom H 0 n = 2X n( X n ) ( 1) Neka je h(n) = EHn 0 matematičko očekivanje heterozigotnosti u trenutku n. Pokažimo ( h(n) = 1 1 ) n h(0). (5) Prije dokaza pojasnit ćemo teoriju koalescencije i definirat ćemo pojam slučajne šetnje s pojavom spajanja u diskretnom vremenu (discrete time coalescing random walks). TEORIJA KOALESECENCIJE Prema teoriji koalescencije, ako se za bilo koja dva haploidna organizma koja se razlikuju u nekom nukleotidu prati njihovo porijeklo unazad, doći će se do točke u vremenu u kojoj se nalazi najbliži zajednički predak tih dviju jedinki (Most Recent Common Ancestor, MRCA) i to je točka u kojoj dvije linije koalesciraju. Evolucijska linija (lineage) predstavlja niz predačko potomačkih populacija jedne vrste ili niz predačko potomačkih taksona koji nastaju jedan iz drugog bez grananja. Linije gena će se spajati (koalescirati) uvijek kada dvije jedinke imaju istog roditelja. Teoriju je razvio Sir John Kingman. Prema teoriji koalescencije, svi su aleli (i geni) u nekoj populaciji naslijedeni od samo jednog pretka. Ako se nasljedno srodstvo zapiše u formi filogenetskog stabla, zvanog genealogija gena, za gen ili alel koji nas zanima kaže se da koalescira u zajedničkom pretku (ko-ancestor, ko-predak). S obzirom da je proces fiksacije gena zbog genetičkog drifta ključna komponenta teorije koalescencije, najkorisnije je kada genski lokus koji se istražuje nije pod utjecajem prirodnog odabira. Vjerojatnost apsorpcije U uvjetima djelovanja isključivo genetičkog drifta, svaki ograničeni set gena ili alela ima točku koalescencije u kojoj svi potomci konvergiraju ka jednom pretku (tj. koalesciraju). Ova činjenica može se koristiti kako bi se derivirala stopa fiksacije (fiksacija u zajedničkom pretku) neutralnog alela za
23 3 WRIGHT - FISHEROV MODEL 19 populaciju različite veličine. Zbog pretpostavke da je učinak prirodnog odabira zanemariv, vjerojatnost u bilo kojoj vremenskoj točki da alel postane fiksiran isključivo je funkcija frekvencije p u populaciji u točki. Za diploidni organizam u populaciji veličine N i stopi mutacije (vjerojatnost pojave odredene mutacije po gametu po generaciji ) µ, početna učestalost nove mutacije je 1, dok je broj novih mutacija u svakoj generaciji µ. Kako je stopa fiksacije stopa nove neutralne mutacije umnožena za njenu vjerojatnost fiksacije, ukupna vjerojatnost fiksacije mutiranog alela u populaciji je µ 1 = µ. Stoga stopa fiksacije za mutaciju (bez selekcije) je jednostavno stopa uvodenja takvih mutacija. Vrijeme koalescencije Korisna analiza temeljena na teoriji koalescencije traži predvidanje količine vremena koje je proteklo izmedu uvodenja mutacije i distribucije odredenog gena ili alela u populaciji. Taj vremenski period jednak je vremenu u kojem je živio najbliži zajednički predak. Vjerojatnost da dvije linije koalesciraju u prvoj neposrednoj prethodnoj generaciji jednaka je vjerojatnosti da oni imaju zajedničkog roditelja. U diploidnoj populaciji konstantne veličine s kopija svakog lokusa, ima potencijalnih roditelja u prethodnoj generaciji, dakle, vjerojatnost da dva alela imaju zajedničkog roditelja je 1 pa je vjerojatnost da oni ne koalesciraju je ( ) 1 1. U svakoj uzastopnoj prethodnoj generaciji, vjerojatnost koalescencije je geometrijski distribuirana, znači, to je vjerojatnost nekoalescencije u t 1 prethodnih generacija pomnoženo s vjerojatnošću koalescencije u generaciji koja nas zanima: P c (t) = ( 1 1 ) t 1 1 Za dovoljno velike vrijednost N, ova distribucija može se dobro aproksimirati eksponencijalnom distribucijom s funkcijom gustoće ( ) 1 f(t) = e t I 0, (t) Eksponencijalna distribucija s parametrom λ = 1 ima matematičko očekivanje i standardnu devijaciju koja je jednaka. Stoga, premda je očekivano vrijeme koalescencije, stvarna vremena koalescencije imaju širok raspon varijacije. Neka vektor X(t) = (X 1 (t), X 2 (t),..., X n (t)) označava skup stanja u trenutku t, t > 0, pri čemu X i (t) pokazuje postoji li čestica na poziciji i. X i (t)
24 3 WRIGHT - FISHEROV MODEL 20 je 1 ukoliko je čestica prisutna, u suprotnom je 0 i sustav ima početno stanje X 0 = {1, 1, 1,..., 1}. Možemo uvesti notaciju za broj čestica u sustavu n (populaciji) u trenutku t kao C t = X i (t), gdje je C 0 = n. Sada možemo i=1 zapisati definiciju spomenutog stohastičkog procesa. DEFINICIJA Pretpostavimo da slučajne varijable X i (t), 1 i n, zajedno opisuju stanja sustava X(t). Proces mijenja svoja stanja u bilo kojoj točki diskretnog vremena t, t > 0, prema sljedećoj shemi: 1 1. Postojeća čestica u sustavu slučajno je odabrana s vjerojatnošću. C t 1 Zabilježimo indeks odabrane čestice s i što predstavlja njenu udaljenost od originala. 2. Odabrana čestica pomiče se jedan korak u nekom smjeru, pri čemu je smjer slučajan, na lokaciju s indeksom j = i + 1 ili j = i 1. Ukoliko je neka druga čestica locirana na poziciji j, onda će čestica na poziciji i biti apsorbirana u česticu na poziciji j i nestati iz sustava. Ukoliko je mjesto j prazno, onda čestica s pozicije i prelazi na poziciju j i ostaje u sustavu. 3. Postupak se ponavlja sve dok C t = 1 za neki t > 0. Dokaz kopije lokusa 1, 2,..., promatramo kao jedinke. Pretpostavimo da smo izabrali dvije jedinke x 1 (0) i x 2 (0) u trenutku n. Jedinke i = 1, 2 su potomci jedinke x i (1) u trenutku (n 1), koja je potomak od x i (2) u trenutku (n 2) itd. Kada je x 1 (m) x 2 (m) dva izbora roditelja su nezavisna. Ako je x 1 (m) = x 2 (m) tada imamo x 1 (l) = x 2 (l) za m < l n. Slika 3.3 Trajektorije promatranih slučajnih šetnji u diskretnom vremenu
25 3 WRIGHT - FISHEROV MODEL 21 U tom modelu jedinke (aleli) 1, 2,, su predstavljene kao prostorne lokacije, mjesta, dok se pokretni objekti nazivaju čestice (x 1 (i) i x 2 (i) u našem primjeru). Kada se čestice nalaze na različitim mjestima, tj. kada se ne podudaraju na poziciji i, i {0, 1,..., }, one se kreću nezavisno, no kada se nadu na istom mjestu kao i neka druga čestica one se spoje i postaju jedna čestica. Kako bi dvije odabrane čestice bile različite u trenutku n, trajektorije slučajne šetnje ne smiju se podudarati niti u jednom trenutku m, 1 m n. Budući da je vjerojatnost da dode do podudaranja dviju, slijedi da je nepodudaranje čestica na ( istim pozicijama dogadaj vjerojatnosti 1 1 ) n. Kada se dvije trajektorije ne podudaraju niti na jednoj od pozicija 1,...,, x 1 (n) i x 2 (n) su dvije jedinke slučajno izabrane iz populacije u trenutku 0, tako da je vjerojatnost čestica na istoj poziciji jednaka 1 da su različiti jednaka H 0 = h(0). Izraz (5) slijedi primjenom formule za vjerojatnost presjeka nezavisnih dogadaja. Kada je x malen poznato je da je (1 x) e x. Dakle, kada je N velik izraz (5) se može zapisati kao h(n) e n h(0) pa heterozigotnost teži u nulu eksponencijalnom brzinom kad n. Ako promatramo k jedinki, onda je vjerojatnost sudara jednaka ( ) k(k 1) 1 k = 2, k! k(k 1)(k 2)! k(k 1) = = =, 2 2!(k 2)! 2(k 2)! 2 gdje prvi faktor daje broj načina odabira dvije od k jedinki koje se sudaraju, a drugi vjerojatnost da će dvije od k jedinki odabrati istog roditelja. Ovdje ignoriramo vjerojatnost da se dva različita para roditelja sudare na jednom mjestu ili da će tri jedinke izabrati istog roditelja. Koristeći vjerojatnost suprotnog dogadaja i nezavisnost medu generacijama, slijedi da je vjerojatnost da neće doći do sudara u prvih n generacija jednaka = ( k(k 1) ) n ( k(k 1) exp 2 S obzirom da je eksponencijalna distribucija s parametrom λ definirana funkcijom distribucije P (T t) = 1 e λt I 0, (t) i ima očekivanje 1, vidimo λ da ako vrijeme izrazimo u smislu generacija, tj t = n, onda za veliki N vrijeme do prvog sudara ima približno eksponencijalnu distribuciju s očekivanjem 2. Koristeći terminologiju iz teorije Markovljevih lanaca u k(k 1) kontinuiranom vremenu, k čestica se spaja s k 1 po stopi k(k 1). Iduća slika 2 prikazuje proces spajanja. Radi jednostavnosti nije prikazano kako se čestice n ).
26 3 WRIGHT - FISHEROV MODEL 22 kreću u setu prije sudara, samo pokazuje kada će se sudar dogoditi. Slika 3.4 Proces spajanja čestica koji prikazuje kada će se sudar dogoditi Neka T j označava vrijeme u kojem se prvi put pojavljuje j genskih veza i neka je t j vrijeme tijekom kojeg postoji točno j genskih veza. Znači, ako je t 5 vrijeme tijekom kojeg postoji točno 5 genskih veza, nakon što dvije jedinke koje imaju zajedničkog pretka koalesciraju, t 4 je vrijeme tijekom kojeg postoji točno 4 genskih veza. Teorem 1 Kada mjerimo u jedinicama generacija, vrijeme tijekom kojeg postoji j genskih veza, ima približno aproksimativnu eksponencijalnu distibuciju s očekivanjem 2 j(j 1). Ako započnemo s uzorkom veličine k iz populacije, onda je ukupno vrijeme potrebno da se spajanjem uzorak smanji na samo jednu gensku vezu (jedinka koja predstavlja zajedničkog pretka cijelog uzorka od N jedinki) T 1 = t k + + t 2 tako da je očekivanje k 2 k ( 1 E[T 1 ] = j(j 1) = 2 j 1 1 ) ( = ) (6) j k j=2 j=2 Treba imati na umu da (6) konvergira ka 2 kad k, ali vrijeme t 2 u kojem postoje samo dvije genske veze (znači i dvije jedinke) ima Et 2 = 1, tako da očekivano vrijeme čekanja za zadnji sudar uvijek čini barem polovicu od ukupnog vremena spajanja. Kako bi to učinili obilježit ćemo jedinke u uzorku kao 1,..., k. Tada se genetsko stanje populacije može u bilo koje vrijeme prikazati kao particija, m A 1,..., A m od {1, 2,..., k} : A i = {1, 2,..., k} i ako je i j skupovi A i i=1
27 3 WRIGHT - FISHEROV MODEL 23 i A j su disjunktni. Riječima rečeno, svaki A i sastoji se od jednog podskupa čestica koje su se spojile i stoga su identične 8. Kako bismo navedeno bolje razumjeli, pogledajmo još jednom prethodnu sliku. Particije su vrijeme 0 {1} {2} {3} {4} {5} T 4 {1} {2, 3} {4} {5} T 3 {1} {2, 3} {4, 5} T 2 {1, 2, 3} {4, 5} T 1 {1, 2, 3, 4, 5} U početku se particija sastoji od 5 jednočlanih skupova jer još nije došlo do spajanja. Nakon što se 2 i 3 spoje u vremenu T 4, pojavljuju se u istom skupu. Zatim se spoje 4 i 5 u vremenu T 3 i tako do vremena T 1 u kojem sve jedinke čine jedan skup. Neka je ε k skup particija od {1, 2,... k}. Ako je ξ ε k, neka je ξ broj skupova koji čine ξ, tj. broj veza koje ostaju spojene. Ako, npr., ξ = {{1}, {2, 3}, {4, 5}}, tada je ξ = 3. Neka je ξi k, i = k, k 1,..., 1 particija od {1, 2,..., k} u vremenu T i, prvo vrijeme u kojem postoji i veza. Klingman (1982) je pokazao Teorem 2 Ako je ξ particija od {1, 2,..., k} i ξ = i, onda P (ξ k i = ξ) = c k,i w(ξ) Ovdje su w(ξ) težine, w(ξ) = λ 1! λ i!, gdje su λ 1,..., λ i veličine skupova i u particiji i konstanta (k i)!i!(i 1)! c k,i = k!(k 1!) je izabrana tako da je suma vjerojatnosti jednaka jedan. Treba imati na umu da težine pogoduju particijama koje su nejednake. U Teoremu 2 prva i zadnja particija su trivijalne. ξk k = {{1},..., {k}} je najbolja moguća particija, a ξ1 k = {1, 2,..., k} najgrublja. S obzirom na sve particije ξ = {A 1,..., A j } imamo veličina(ξ) = {λ 1,... λ j } gdje je λ i broj točaka u A i, i redosljed kojim su pisane veličine nije važan. Druga najgrublja particija ξ2 k sadrži dva skupa. Koristeći novu notaciju, veličina (ξ2) k = {i, k i} za neke i [1, k 1]. Ako je i = k i tada 8 Identični aleli su oni aleli koji su identičnog porijekla tj. predstavljaju replike istog alela pretka.
28 3 WRIGHT - FISHEROV MODEL 24 imamo skup s dva identična elementa. Koristeći Teorem 2 i pretpostavljajući i (k i) imamo ( ) k P (veličina(ξ2) k = {i, k i}) = c k,2 i!(k i)! i gdje treći izraz daje broj ξ s veličinom (ξ2) k = {i, k i}. Sijedi da je i (k i). 3.3 Wright - Fisherov model s mutacijama Pretpostavimo da, nakon što uzmemo uzorak iz genskog bazena u trenutku n i prije nego što ispustimo rezultat u genski bazen u trenutku (n + 1), a postaje A s vjerojatnošću u i A postaje a s vjerojatnošću v, tj. dogadaju se mutacije s vjerojatnostima u i v, u, v (0, 1). Vjerojatnost da postoji j alela A u trenutku (n + 1) kada ih je i u trenutku n dana je formulom ( ) p(i, j) = p j i j (1 p i) j (7) ali sada vjerojatnost p i izvlačenja alela A, kada je broj alela A u genskom bazenu i, prema svojstvu aditivnosti vjerojatnosti i vjerojatnosti presjeka nezavisnih dogadaja, postaje p i = i (1 v) + i u (8) Riječima rečeno ili izvučemo alel A i on ne mutira ili izvučemo alel a i on mutira u varijantu A. Posljedica postajanja mutacija je nestajanje apsorbirajućih stanja 0 i, tako da se u ovom modelu prostor stanja sastoji samo od jedne klase komuniciranja pa je lanac ireducibilan, tj. cijeli konačan skup stanja je jedna klasa komuniciranja. Dakle, genetička varijabilnost više ne postoji. Prijelazna vjerojatnost za model s mutacijom je p ij > 0, jer više nema apsorbirajućih stanja, za svaki i, j pa je ovaj Markovljev lanac aperiodičan. Kako je skup stanja konačan i lanac je ireducibilan, slijedi da je povratan (tj. svako njegovo stanje je povratno). Lanac je i pozitivno povratan jer je očekivano vrijeme potrebno Markovljevom lancu da iz stanja i opet dode do i konačno. Budući je lanac ireducibilan i pozitivno povratan, slijedi da ima jedinstvenu stacionarnu distribuciju. A budući je lanac ireducibilan, aperiodičan i ima stacionarnu distribuciju, slijedi da je ta stacionarna distribucija upravo njegova granična distribucija: lim n P (X n = i). Znači, kad broj generacija n, P (X n = i) konvergira ka granici π(i), što
29 3 WRIGHT - FISHEROV MODEL 25 je jedinstvena stacionarna distribucija ovog Markovljevog lanca 9, tj. jedinstveno rješenje sustava jednadžbi π(i)p(i, j) = π(j) i s π(i) 0 i i π(i) = 1 Slika 3.5 Promjene spajanja čestica pri kojem se čestice poništavaju Stacionarnu distribuciju opisat ćemo u terminu koalescencije. Neka je u vjerojatnost da su dva alela koalescirala u alel A i v vjerojatnost da su dva alela koalescirala u alel a i (1 u v) vjerojatnost da čestice skaču na slučajno odabrano mjesto, tj. nisu koalescirale. (Pretpostavljamo da su u i v maleni i ignoriramo pojave dvije mutacije u jednom koraku). Spajanje čestica odreduje njihovo stanje i stanje svih njihovih potomaka. Ukoliko su sve čestice koalescirale prije nego što smo, prateći njihovo podrijetlo unazad, došli do početnog, zajedničkog pretka, onda stanje u trenutku n ne ovisi o početnoj konfiguraciji i proces je u ravnoteži. Dakle, slučajna konfiguracija odredena kretanjem tog procesa do završetka daje stacionarnu distribuciju za Wright - Fisherov model s mutacijama i X n konvergira ovoj distribuciji za n. Slika iznad prikazuje moguću realizaciju konstrukcije. Neka je X = lim n X n. Tada je matematičko očekivanje dano formulom EX = ρ = u u + v Svaka od veza će s vremenom naići na alel A ili a, a ρ je vjerojatnost da smo prvo naišli na A, ρ = u. u+v 9 Durrett R., Probability models for DNA sequence evolution, Springer, (9)
30 3 WRIGHT - FISHEROV MODEL 26 Dokaz Promotrimo očekivanja µ(n) = EX n. Iz (8) slijedi EX n+1 = (1 v)ex n + ( EX n ) u (10) Ako stavimo x = EX n = EX n+1 zbog svojstva martingalosti imamo x = (1 v)x + ( x)u (11) Rješavanjem dobijemo (v + u)x = u x = u. Kako bi vidjeli da će u + v E[X n ] konvergirati svojoj granici, primjetimo da stavljajući x = ρ u (11) dobijemo ρ = (1 v)ρ + (1 ρ)u i oduzmemo li ovo od (10) imamo E(X n+1 ρ) = (1 u v)e(x n ρ) E(X n+1 ) ρ = (1 u v)e(x n ) (1 u v)ρ E(X n+1 ) (1 u v)e(x n ) = ρ (1 u v)ρ Kako je E(X n+1 ) = E(X n ) E(X n )(1 1 + u + v) = ρ(1 1 + u + v) (u + v)e(x n ) = (u + v)ρ E(X n ) = ρ, za svaki n N 0. Slijedi da EX n ρ kad n Teorem 3 Ako je µ vjerojatnost mutacije u jednoj generaciji, onda je vjerojatnost da su dvije jedinke identične po porijeklu 10 (kada je µ malen i N velik) približno jednaka 1 2µ + 1 = Nµ Dokaz Na svakom koraku, može se dogoditi mutacija na jednoj od genskih veza, što je dogadaj s vjerojatnošću p 1 = 2µ, ili veze koalesciraju, što je dogadaj s vjerojatnošću p 2 = 1. Uzmemo li u obzir jedan ciklus, vidimo da vjerojatnost ρ mutacije prije koalescencije zadovoljava jednakost ρ = p 1 + (1 p 1 )(1 p 2 )ρ 10 Kažemo da su dvije jedinke identične po porijeklu ako se njihove veze spoje prije nego što mutacija djeluje na ijednu od veza.
31 3 WRIGHT - FISHEROV MODEL 27 budući da ako se niti jedan dogadaj ne dogodi počinjemo ponovno. Ukoliko ignoriramo vjerojatnost da se mutacija i koalescencija dogode na istom koraku možemo posljednju jednadžbu zapisati kao 1 ρ = 1 2µ 2µ + 1 ρ = p 1 + (1 p 1 p 2 )ρ ρ(1 1 + p 1 + p 2 ) = p 1 ρ = p 1 p 1 + p 2 = 1 2µ + 1 = 1 4Nµ + 1 Neka je X = lim X n. Tada je varijanca dana formulom n ( Var(X ) = + Dokaz ( 1) 1 + 4N(u + v) Kako bi izračunali EX 2, gledamo X = i=1 ) uv (u + v) 2 (12) η i gdje je η i = 1 ukoliko je i-ta jedinka alel A,a inače je 0. U teoriji vjerojatnosti η i naziva se indikator slučajna varijabla budući da ukazuje da li se dogadaj dogodio ili nije. Kvadrirajući sumu imamo X 2 = i=1 j=1 η i η j (13) Odvojimo li s uvjetom i = j od ( 1) s i j dobivamo E(X ) 2 = P (η 1 = 1) + ( 1)P (η 1 = 1, η 2 = 1) (14) Iz (9), P (η 1 = 1) = u. Razmatrajući mogućnosti spajanja prije mutacije u + v ili ne, i koristeći Tvrdnju 3 s µ = u + v slijedi 1 u P (η 1 = 1, η 2 = 1) = 1 + 4Nµ u + v + 4Nµ 1 + 4Nµ Izračunamo ( ) 2 u (EX ) 2 = 4N 2 = u + v ( { 1 = + ( 1) 1 + 4Nµ + 4Nµ 1 + 4Nµ i koristeći (13), (14), (15) dobivamo navedeni rezultat. ( ) 2 u (15) u + v }) ( u ) 2 u + v
TEORIJA SKUPOVA Zadaci
TEORIJA SKUPOVA Zadai LOGIKA 1 I. godina 1. Zapišite simbolima: ( x nije element skupa S (b) d je član skupa S () F je podskup slupa S (d) Skup S sadrži skup R 2. Neka je S { x;2x 6} = = i neka je b =
More informationAlgoritam za množenje ulančanih matrica. Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek
Algoritam za množenje ulančanih matrica Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek O problemu (1) Neka je A 1, A 2,, A n niz ulančanih matrica duljine n N, gdje su dimenzije matrice
More informationSveučilište u Zagrebu Fakultet prometnih znanosti Diplomski studij. Umjetna inteligencija - Genetski algoritmi 47895/47816 UMINTELI HG/
Sveučilište u Zagrebu Fakultet prometnih znanosti Diplomski studij Umjetna inteligencija - Genetski algoritmi 47895/47816 UMINTELI HG/2008-2009 Genetski algoritam Postupak stohastičkog pretraživanja prostora
More informationNeprekidan slučajan vektor
Sveučilište J.J.Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Ana Leko Neprekidan slučajan vektor Završni rad Osijek, 3 Sveučilište J.J.Strossmayera u Osijeku Odjel
More informationSlika 1. Slika 2. Da ne bismo stalno izbacivali elemente iz skupa, mi ćemo napraviti još jedan niz markirano, gde će
Permutacije Zadatak. U vreći se nalazi n loptica različitih boja. Iz vreće izvlačimo redom jednu po jednu lopticu i stavljamo jednu pored druge. Koliko različitih redosleda boja možemo da dobijemo? Primer
More informationBROWNOV MOST I KOLMOGOROV-SMIRNOVLJEVA STATISTIKA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Nikolina Blažević BROWNOV MOST I KOLMOGOROV-SMIRNOVLJEVA STATISTIKA Diplomski rad Zagreb, veljača 2016. Voditelj rada: doc. dr.
More informationGeometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice
Osječki matematički list 6(2006), 79 84 79 Geometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice Zlatko Udovičić Sažetak. Geometrijski smisao rješenja sustava od dvije linearne
More informationŠime Šuljić. Funkcije. Zadavanje funkcije i područje definicije. š2004š 1
Šime Šuljić Funkcije Zadavanje funkcije i područje definicije š2004š 1 Iz povijesti Dvojica Francuza, Pierre de Fermat i Rene Descartes, posebno su zadužila matematiku unijevši ideju koordinatne metode
More informationRed veze za benzen. Slika 1.
Red veze za benzen Benzen C 6 H 6 je aromatično ciklično jedinjenje. Njegove dve rezonantne forme (ili Kekuléove structure), prema teoriji valentne veze (VB) prikazuju se uobičajeno kao na slici 1 a),
More informationProjektovanje paralelnih algoritama II
Projektovanje paralelnih algoritama II Primeri paralelnih algoritama, I deo Paralelni algoritmi za množenje matrica 1 Algoritmi za množenje matrica Ovde su data tri paralelna algoritma: Direktan algoritam
More informationZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA. Šefket Arslanagić, Sarajevo, BiH
MAT-KOL (Banja Luka) XXIII ()(7), -7 http://wwwimviblorg/dmbl/dmblhtm DOI: 75/МК7A ISSN 5-6969 (o) ISSN 986-588 (o) ZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA Šefket Arslanagić,
More informationKLASIFIKACIJA NAIVNI BAJES. NIKOLA MILIKIĆ URL:
KLASIFIKACIJA NAIVNI BAJES NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info ŠTA JE KLASIFIKACIJA? Zadatak određivanja klase kojoj neka instanca pripada instanca je opisana
More informationRazni načini zadavanja vjerojatnosti
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Sanja Pešorda Razni načini zadavanja vjerojatnosti Završni rad Osijek, 2017. Sveučilište J. J. Strossmayera
More informationMathcad sa algoritmima
P R I M J E R I P R I M J E R I Mathcad sa algoritmima NAREDBE - elementarne obrade - sekvence Primjer 1 Napraviti algoritam za sabiranje dva broja. NAREDBE - elementarne obrade - sekvence Primjer 1 POČETAK
More informationUvod u relacione baze podataka
Uvod u relacione baze podataka Ana Spasić 2. čas 1 Mala studentska baza dosije (indeks, ime, prezime, datum rodjenja, mesto rodjenja, datum upisa) predmet (id predmeta, sifra, naziv, bodovi) ispitni rok
More informationMetode izračunavanja determinanti matrica n-tog reda
Osječki matematički list 10(2010), 31 42 31 STUDENTSKA RUBRIKA Metode izračunavanja determinanti matrica n-tog reda Damira Keček Sažetak U članku su opisane metode izračunavanja determinanti matrica n-tog
More informationNilpotentni operatori i matrice
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Nikolina Romić Nilpotentni operatori i matrice Završni rad Osijek, 2016. Sveučilište J. J. Strossmayera
More informationKarakteri konačnih Abelovih grupa
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Matija Klarić Karakteri konačnih Abelovih grupa Završni rad Osijek, 2015. Sveučilište J. J. Strossmayera
More informationPRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU
MAT KOL Banja Luka) ISSN 0354 6969 p) ISSN 1986 58 o) Vol. XXI )015) 105 115 http://www.imvibl.org/dmbl/dmbl.htm PRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU Bernadin Ibrahimpašić 1 Senka Ibrahimpašić
More informationRačunanje vrijednosti DNK dokaza
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni diplomski studij matematike Smjer: Financijska matematika i statistika Margareta Tvrdy Računanje vrijednosti DNK dokaza Diplomski
More informationFajl koji je korišćen može se naći na
Machine learning Tumačenje matrice konfuzije i podataka Fajl koji je korišćen može se naći na http://www.technologyforge.net/datasets/. Fajl se odnosi na pečurke (Edible mushrooms). Svaka instanca je definisana
More informationKVADRATNE INTERPOLACIJSKE METODE ZA JEDNODIMENZIONALNU BEZUVJETNU LOKALNU OPTIMIZACIJU 1
MAT KOL (Banja Luka) ISSN 0354 6969 (p), ISSN 1986 5228 (o) Vol. XXII (1)(2016), 5 19 http://www.imvibl.org/dmbl/dmbl.htm KVADRATNE INTERPOLACIJSKE METODE ZA JEDNODIMENZIONALNU BEZUVJETNU LOKALNU OPTIMIZACIJU
More informationχ 2 -test i Kolmogorov-Smirnovljev test
7 χ 2 -test i Kolmogorov-Smirnovljev test 7.1 χ 2 -test o pripadnosti distribuciji Zadatak 7.1 Tri novčića se bacaju 250 puta i broji se broj pisama koji su pali. Dobiveni su sljedeći podaci: Broj pisama
More informationpretraživanje teksta Knuth-Morris-Pratt algoritam
pretraživanje teksta Knuth-Morris-Pratt algoritam Jelena Držaić Oblikovanje i analiza algoritama Mentor: Prof.dr.sc Saša Singer 18. siječnja 2016. 18. siječnja 2016. 1 / 48 Sadržaj 1 Uvod 2 Pretraživanje
More informationMirela Nogolica Norme Završni rad
Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Mirela Nogolica Norme Završni rad Osijek, 2014. Sveučilište J.J. Strossmayera u Osijeku Odjel za
More informationMetode praćenja planova
Metode praćenja planova Klasična metoda praćenja Suvremene metode praćenja gantogram mrežni dijagram Metoda vrednovanja funkcionalnosti sustava Gantogram VREMENSKO TRAJANJE AKTIVNOSTI A K T I V N O S T
More informationNIZOVI I REDOVI FUNKCIJA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Danijela Piškor NIZOVI I REDOVI FUNKCIJA Diplomski rad Voditelj rada: izv. prof. dr. sc. Ljiljana Arambašić Zagreb, rujan 206.
More informationFraktalno Brownovo gibanje
Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Ivana Brkić Fraktalno Brownovo gibanje Diplomski rad Osijek, 2018. Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Ivana Brkić Fraktalno
More informationKsenija Doroslovački KOMBINATORIKA INTERPRETIRANA FUNKCIJAMA I NJIHOVIM OSOBINAMA MASTER RAD. NOVI SAD jun 2008
1 Ksenija Doroslovački KOMBINATORIKA INTERPRETIRANA FUNKCIJAMA I NJIHOVIM OSOBINAMA MASTER RAD NOVI SAD jun 2008 2 Sadržaj 1 UVOD 5 2 FUNKCIJE 11 3 KLASIČNI KOMBINATORNI OBJEKTI 17 4 NEKI NEKLASIČNI KOMBINATORNI
More informationQuasi-Newtonove metode
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Milan Milinčević Quasi-Newtonove metode Završni rad Osijek, 2016. Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Milan Milinčević
More informationHornerov algoritam i primjene
Osječki matematički list 7(2007), 99 106 99 STUDENTSKA RUBRIKA Hornerov algoritam i primjene Zoran Tomljanović Sažetak. U ovom članku obrad uje se Hornerov algoritam za efikasno računanje vrijednosti polinoma
More informationFormule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti math.e Vol 28.
1 math.e Hrvatski matematički elektronički časopis Formule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti Banachovi prostori Funkcija udaljenosti obrada podataka optimizacija Aleksandra
More informationSimetrične matrice, kvadratne forme i matrične norme
Sveučilište JJStrossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Martina Dorić Simetrične matrice, kvadratne forme i matrične norme Završni rad Osijek, 2014 Sveučilište
More informationO aksiomu izbora, cipelama i čarapama
O aksiomu izbora, cipelama i čarapama Aksiom izbora može se izreći u raznim ekvivalentnim formama. Dokazi ekvivalencije aksioma izbora npr. sa Zornovom lemom, ili pak sa Zermelovim teoremom o dobrom uredaju,
More informationLINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE
LINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE Linearni model Promatramo jednodimenzionalni linearni model. Y = β 0 + p β k x k + ε k=1 x 1, x 2,..., x p - varijable poticaja (kontrolirane) ε - sl.
More informationSveučilište J.J. Strossmayera u Osijeku Odjel za matematiku. Velibor Gojić. Blok dizajni. Diplomski rad. Osijek, 2014.
Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Velibor Gojić Blok dizajni Diplomski rad Osijek, 2014. Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Velibor Gojić Blok dizajni
More informationPrsten cijelih brojeva
SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA U OSIJEKU ODJEL ZA MATEMATIKU Marijana Pravdić Prsten cijelih brojeva Diplomski rad Osijek, 2017. SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA U OSIJEKU ODJEL ZA MATEMATIKU
More informationSveučilište Josipa Jurja Strossmayera u Osijeku Odjel za matematiku
Sveučilište Josipa Jurja Strossmayera u Osijeku Odjel za matematiku Valentina Volmut Ortogonalni polinomi Diplomski rad Osijek, 2016. Sveučilište Josipa Jurja Strossmayera u Osijeku Odjel za matematiku
More informationAriana Trstenjak Kvadratne forme
Sveučilište Josipa Jurja Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Ariana Trstenjak Kvadratne forme Završni rad Osijek, 014. Sveučilište Josipa Jurja Strossmayera
More informationFibonaccijev brojevni sustav
Fibonaccijev brojevni sustav Ljerka Jukić asistentica Odjela za matematiku Sveučilišta u Osijeku, ljukic@mathos.hr Helena Velić studentica Odjela za matematiku Sveučilišta u Osijeku, hvelic@mathos.hr Sažetak
More informationTeorem o reziduumima i primjene. Završni rad
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Matej Petrinović Teorem o reziduumima i primjene Završni rad Osijek, 207. Sveučilište J. J. Strossmayera
More informationSveučilište J. J. Strossmayera u Osijeku Odjel za matematiku DIOFANTSKE JEDNADŽBE
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Violeta Ivšić DIOFANTSKE JEDNADŽBE Završni rad Osijek, 2016. Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Violeta Ivšić DIOFANTSKE
More informationTermodinamika. FIZIKA PSS-GRAD 29. studenog Copyright 2015 John Wiley & Sons, Inc. All rights reserved.
Termodinamika FIZIKA PSS-GRAD 29. studenog 2017. 15.1 Thermodynamic Systems and Their Surroundings Thermodynamics is the branch of physics that is built upon the fundamental laws that heat and work obey.
More informationIskazna logika 1. Matematička logika u računarstvu. oktobar 2012
Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia oktobar 2012 Iskazi, istinitost, veznici Intuitivno, iskaz je rečenica koja je ima tačno jednu jednu
More informationKRITERIJI KOMPLEKSNOSTI ZA K-MEANS ALGORITAM
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Stela Šeperić KRITERIJI KOMPLEKSNOSTI ZA K-MEANS ALGORITAM Diplomski rad Voditelj rada: doc.dr.sc. Pavle Goldstein Zagreb, Srpanj
More informationFunkcijske jednadºbe
MEMO pripreme 2015. Marin Petkovi, 9. 6. 2015. Funkcijske jednadºbe Uvod i osnovne ideje U ovom predavanju obradit emo neke poznate funkcijske jednadºbe i osnovne ideje rje²avanja takvih jednadºbi. Uobi
More informationMetrički prostori i Riman-Stiltjesov integral
Metrički prostori i Riman-Stiltjesov integral Sadržaj 1 Metrički prostori 3 1.1 Primeri metričkih prostora................. 3 1.2 Konvergencija nizova i osobine skupova...................... 12 1.3 Kantorov
More informationPoložaj nultočaka polinoma
Osječki matematički list 4 (204), 05-6 Položaj nultočaka polinoma Mandalena Pranjić Rajna Rajić Sažetak Prema Rolleovom teoremu, bilo koji segment čiji su krajevi međusobno različite realne nultočke polinoma
More informationOsobine metode rezolucije: zaustavlja se, pouzdanost i kompletnost. Iskazna logika 4
Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia novembar 2012 Rezolucija 1 Metod rezolucije je postupak za dokazivanje da li je neka iskazna (ili
More informationIvan Soldo. Sažetak. U članku se analiziraju različiti načini množenja matrica. Svaki od njih ilustriran je primjerom.
Osječki matematički list 5(005), 8 Različiti načini množenja matrica Ivan Soldo Sažetak U članku se analiziraju različiti načini množenja matrica Svaki od njih ilustriran je primjerom Ključne riječi: linearni
More informationVektori u ravnini i prostoru. Rudolf Scitovski, Ivan Vazler. 10. svibnja Uvod 1
Ekonomski fakultet Sveučilište J. J. Strossmayera u Osijeku Vektori u ravnini i prostoru Rudolf Scitovski, Ivan Vazler 10. svibnja 2012. Sadržaj 1 Uvod 1 2 Operacije s vektorima 2 2.1 Zbrajanje vektora................................
More informationMatrice traga nula math.e Vol. 26. math.e. Hrvatski matematički elektronički časopis. Matrice traga nula. komutator linearna algebra. Sažetak.
1 math.e Hrvatski matematički elektronički časopis komutator linearna algebra Marijana Kožul i Rajna Rajić Matrice traga nula marijana55@gmail.com, rajna.rajic@rgn.hr Rudarsko-geološko-naftni fakultet,
More informationFIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA
FIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA KOZMIČKI SAT ranog svemira Ekstra zračenje u mjerenju CMB Usporedba s rezultatima LEP-a Usporedba CMB i neutrina Vj.: Pozadinsko zračenje neutrina
More informationMatrične dekompozicije i primjene
Sveučilište JJ Strossmayera u Osijeku Odjel za matematiku Goran Pavić Matrične dekompozicije i primjene Diplomski rad Osijek, 2012 Sveučilište JJ Strossmayera u Osijeku Odjel za matematiku Goran Pavić
More informationPARALELNI ALGORITMI ZA PROBLEM GRUPIRANJA PODATAKA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Anto Čabraja PARALELNI ALGORITMI ZA PROBLEM GRUPIRANJA PODATAKA Diplomski rad Voditelj rada: doc. dr. sc. Goranka Nogo Zagreb,
More informationITERATIVNA OPTIMIZACIJA MODELA I PRETRAŽIVANJE PROTEOMA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Maja Cigula ITERATIVNA OPTIMIZACIJA MODELA I PRETRAŽIVANJE PROTEOMA Diplomski rad Zagreb, veljača, 2016. SVEUČILIŠTE U ZAGREBU
More informationPOOPĆENJE KLASIČNIH TEOREMA ZATVARANJA PONCELETOVOG TIPA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Petra Zubak POOPĆENJE KLASIČNIH TEOREMA ZATVARANJA PONCELETOVOG TIPA Diplomski rad Voditelj rada: prof. dr. sc. Juraj Šiftar
More informationMatematika (PITUP) Prof.dr.sc. Blaženka Divjak. Matematika (PITUP) FOI, Varaždin
Matematika (PITUP) FOI, Varaždin Dio II Bez obzira kako nam se neki teorem činio korektnim, ne možemo biti sigurni da ne krije neku nesavršenost sve dok se nam ne čini prekrasnim G. Boole The moving power
More informationTina Drašinac. Cramerovo pravilo. Završni rad
Sveučilište JJStrossmayera u Osijeku Odjel za matematiku Preddiplomski studij matematike Tina Drašinac Cramerovo pravilo Završni rad U Osijeku, 19 listopada 2010 Sveučilište JJStrossmayera u Osijeku Odjel
More informationATOMSKA APSORP SORPCIJSKA TROSKOP
ATOMSKA APSORP SORPCIJSKA SPEKTROS TROSKOP OPIJA Written by Bette Kreuz Produced by Ruth Dusenbery University of Michigan-Dearborn 2000 Apsorpcija i emisija svjetlosti Fizika svjetlosti Spectroskopija
More informationNelder Meadova metoda: lokalna metoda direktne bezuvjetne optimizacije
Osječki matematički list (2), 131-143 Nelder Meadova metoda: lokalna metoda direktne bezuvjetne optimizacije Lucijana Grgić, Kristian Sabo Sažetak U radu je opisana poznata Nelder Meadova metoda, koja
More informationMetoda parcijalnih najmanjih kvadrata: Regresijski model
Sveučilište u Zagrebu Prirodoslovno-matematički fakultet Matematički odsjek Tamara Sente Metoda parcijalnih najmanjih kvadrata: Regresijski model Diplomski rad Voditelj rada: Izv.prof.dr.sc. Miljenko Huzak
More informationAKSIOME TEORIJE SKUPOVA
MAT-KOL (Banja Luka) ISSN 0354/6969 XV(1)(2009), 17-25 AKSIOME TEORIJE SKUPOVA Duško Bogdanić 1, Bojan Nikolić 2 i Daniel A. Romano 2 Sažetak: Postoji više od jedne mogućnosti aksiomatizacije teorije skupova.
More informationBanach Tarskijev paradoks
Banach Tarskijev paradoks Matija Bašić Sažetak Banach Tarskijev paradoks je teorem koji kaže da su bilo koje dvije kugle u R 3 jednakorastavljive, u smislu da postoje particije tih kugli u jednak broj
More informationUvod u analizu (M3-02) 05., 07. i 12. XI dr Nenad Teofanov. principle) ili Dirihleov princip (engl. Dirichlet box principle).
Uvod u analizu (M-0) 0., 07. i. XI 0. dr Nenad Teofanov. Kardinalni broj skupa R U ovom predavanju se razmatra veličina skupa realnih brojeva. Jasno, taj skup ima beskonačno mnogo elemenata. Pokazaće se,
More informationHRVATSKA MATEMATIČKA OLIMPIJADA
HRVATSKA MATEMATIČKA OLIMPIJADA prvi dan 5. svibnja 01. Zadatak 1. Dani su pozitivni realni brojevi x, y i z takvi da je x + y + z = 18xyz. nejednakost x x + yz + 1 + y y + xz + 1 + z z + xy + 1 1. Dokaži
More informationAKSIOM IZBORA I EKVIVALENCIJE
Sveučilište J.J. Strossmayera Odjel za matematiku Preddiplomski sveučilišni studij matematike Igor Sušić AKSIOM IZBORA I EKVIVALENCIJE Završni rad Osijek, 2013. Sveučilište J.J. Strossmayera Odjel za matematiku
More informationLinearno programiranje i primjene
Sveučilište J.J.Strossmayera u Osijeku Odjel za matematiku Rebeka Čordaš Linearno programiranje i primjene Diplomski rad Osijek, 2014. Sveučilište J.J.Strossmayera u Osijeku Odjel za matematiku Rebeka
More informationNeke klase maksimalnih hiperklonova
UNIVERZITET U NOVOM SDU PRIRODNO-MTEMTIČKI FKULTET DERRTMN Z MTEMTIKU I INFORMTIKU Jelena Čolić Neke klase maksimalnih hiperklonova - završni rad - MENTOR: Prof. dr Rozalija Madaras-Siladi Novi Sad, 2012.
More informationMaja Antolović Algoritmi u teoriji brojeva
Sveučilište J.J.Strossmayera u Osijeku Odjel za matematiku Preddiplomski studij matematike Maja Antolović Algoritmi u teoriji brojeva Završni rad Osijek, 2017. Sveučilište J.J.Strossmayera u Osijeku Odjel
More informationOptimizacija Niza Čerenkovljevih teleskopa (CTA) pomoću Monte Carlo simulacija
1 / 21 Optimizacija Niza Čerenkovljevih teleskopa (CTA) pomoću Monte Carlo simulacija Mario Petričević Fizički odsjek, PMF Sveučilište u Zagrebu 30. siječnja 2016. 2 / 21 Izvori Spektar Detekcija Gama-astronomija
More informationHarmonijski brojevi. Uvod
MATEMATIKA Harmonijski brojevi Darko Žubrinić, Zagreb Beskonačno! Niti koje drugo pitanje nije nikada toliko duboko dirnulo duh čovjeka. David Hilbert (862. 943.) Uvod U ovom članku opisat ćemo jedan pomalo
More informationANALIZA VARIJANCE PONOVLJENIH MJERENJA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Ivan Pažin ANALIZA VARIJANCE PONOVLJENIH MJERENJA Diplomski rad Zagreb, srpanj, 2014 Voditelj rada: prof. dr. sc. Anamarija Jazbec
More informationSveučilište J. J. Strossmayera u Osijeku Odjel za matematiku
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Mateja Dumić Cjelobrojno linearno programiranje i primjene Diplomski rad Osijek, 2014. Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku
More informationSTACIONARNOST GARCH PROCESA I PRIMJENE
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Daniel Stojanović STACIONARNOST GARCH PROCESA I PRIMJENE Diplomski rad Voditelj rada: prof.dr.sc.siniša Slijepčević Zagreb, lipanj,
More informationPitagorine trojke. Uvod
Pitagorine trojke Uvod Ivan Soldo 1, Ivana Vuksanović 2 Pitagora, grčki filozof i znanstvenik, često se prikazuje kao prvi pravi matematičar. Ro - den je na grčkom otoku Samosu, kao sin bogatog i zaslužnog
More information1 Konveksni skupovi i konveksne funkcije
Nediferencijabilna optimizacija 1 Odjel za matematiku Sveučilište J. J. Strossmayera u Osijeku Nediferencijabilna optimizacija Poslijediplomski doktorski studij matematike 1 Konveksni skupovi i konveksne funkcije
More informationProcjena funkcije gustoće
Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Jelena Milanović Procjena funkcije gustoće Diplomski rad Osijek, 2012. Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Jelena Milanović
More informationBREEDING AND GENETIC PROPERTIES OF THE MAIZE VARIETY UZBEKSKA BELA
UDC 575: 633.15 Original scientific paper BREEDING AND GENETIC PROPERTIES OF THE MAIZE VARIETY UZBEKSKA BELA Lazar KOJIC 1 and Dillyara AJGOZINA 2 1 Maize Research Institute, Zemun Polje, Belgrade, Serbia
More informationUmjetna inteligencija
Umjetna inteligencija Algoritmi iterativnog poboljšanja i lokalnog pretraživanja Tomislav Šmuc, 2009 13-Oct-10 Algoritmi lokalnog pretraživanja 1 Algoritmi Hill-Climbing Simulirano kaljenje Genetski algoritmi
More informationSveučilište J.J.Strossmayera u Osijeku Odjel za matematiku. Sveučilišni preddiplomski studij matematike
Sveučilište J.J.Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Lorena Škalac Fermatova metoda beskonačnog spusta Završni rad Osijek, 014. Sveučilište J.J.Strossmayera
More informationSTATISTICAL ANALYSIS OF WET AND DRY SPELLS IN CROATIA BY THE BINARY DARMA (1,1) MODEL
Hrvatski meteoroloπki Ëasopis Croatian Meteorological Journal, 4, 2006., 43 5. UDK: 55.577.22 Stručni rad STATISTICAL ANALYSIS OF WET AND DRY SPELLS IN CROATIA BY THE BINARY DARMA (,) MODEL Statistička
More informationSveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni nastavnički studij matematike i informatike. Sortiranje u linearnom vremenu
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni nastavnički studij matematike i informatike Tibor Pejić Sortiranje u linearnom vremenu Diplomski rad Osijek, 2011. Sveučilište J.
More informationImpuls sile i količina gibanja
Impuls sile i količina gibanja FIZIKA PSS-GRAD 25. listopada 2017. 7.1 Teorem impulsa sile i količine gibanja sila vrijeme U mnogim slučajevima sila na tijelo NIJE konstantna. 7.1 Teorem impulsa sile i
More informationGENERALIZIRANI LINEARNI MODELI. PROPENSITY SCORE MATCHING.
GENERALIZIRANI LINEARNI MODELI. PROPENSITY SCORE MATCHING. STATISTIƒKI PRAKTIKUM 2 11. VJEšBE GLM ine ²iroku klasu linearnih modela koja obuhva a modele s specijalnim strukturama gre²aka kategorijskim
More informationBAZE PODATAKA Predavanje 03
BAZE PODATAKA Predavanje 03 Prof. dr. sc. Tonči Carić Mario Buntić, mag. ing. traff. Juraj Fosin, mag. ing. traff. Sadržaj današnjeg predavanja Relacijski model podataka Coddova pravila Terminologija Domena
More informationMersenneovi i savršeni brojevi
Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Diplomski studij matematike Ana Maslać Mersenneovi i savršeni brojevi Diplomski rad Osijek, 2012. Sveučilište J.J. Strossmayera u Osijeku Odjel
More informationDiferencijska evolucija
SVEUČILIŠTE U ZAREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA PROJEKT Diferencijska evolucija Zoran Dodlek, 0036429614 Voditelj: doc. dr. sc. Marin olub Zagreb, prosinac, 2008. Sadržaj 1. Uvod...1 1.1 Primjene
More informationUvod u numericku matematiku
Uvod u numericku matematiku M. Klaricić Bakula Oujak, 2009. Uvod u numericku matematiku 2 1 Uvod Jedan od osnovnih problema numericke matematike je rješavanje linearnih sustava jednadbi. U ovom poglavlju
More informationTuringovi strojevi Opis Turingovog stroja Odluµcivost logike prvog reda. Lipanj Odluµcivost i izraµcunljivost
Odluµcivost logike prvog reda B. µ Zarnić Lipanj 2008. Uvod Turingovi strojevi Logika prvoga reda je pouzdana. Logika prvog reda je potpuna. Γ `LPR K ) Γ j= SPR K Γ j= SPR K ) Γ `LPR K Prema tome, ako
More informationPRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK. Marina Zrno KOMUTATIVNI PRSTENI. Diplomski rad. Voditelj rada: prof.dr.sc.
SVEUČ ILIŠ TE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Marina Zrno KOMUTATIVNI PRSTENI Diplomski rad Voditelj rada: prof.dr.sc. Ozren Perše Zagreb, 2014 Ovaj diplomski rad obranjen
More informationKvaternioni i kvaternionsko rješenje kvadratne jednadžbe
Kvaternioni i kvaternionsko rješenje 1 Uvod Kvaternioni i kvaternionsko rješenje kvadratne jednadžbe Željko Zrno 1 i Neven Jurić Što je matematika? Na što prvo čovjeka asocira riječ matematika? Matematika
More informationKonformno preslikavanje i Möbiusova transformacija. Završni rad
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Lucija Rupčić Konformno preslikavanje i Möbiusova transformacija Završni rad Osijek, 2017. Sveučilište
More informationKonstrukcija i analiza algoritama
Konstrukcija i analiza algoritama 27. februar 207 Matematička indukcija Princip matematičke indukcije: Da bi za svako n N važilo tvrdjenje T (n) dovoljno je pokazati: bazu indukcije: tvrdjenje T () induktivni
More informationODREĐIVANJE DINAMIČKOG ODZIVA MEHANIČKOG SUSTAVA METODOM RUNGE-KUTTA
Sveučilište u Zagrebu GraĎevinski faklultet Kolegij: Primjenjena matematika ODREĐIVANJE DINAMIČKOG ODZIVA MEHANIČKOG SUSTAVA METODOM RUNGE-KUTTA Seminarski rad Student: Marija Nikolić Mentor: prof.dr.sc.
More informationPORAVNANJE VIŠE NIZOVA. Neven Grubelić PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK. Diplomski rad
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Neven Grubelić PORAVNANJE VIŠE NIZOVA Diplomski rad Voditelj rada: izv. prof. dr. sc. Saša Singer Zagreb, studeni, 2015. Ovaj
More informationVedska matematika. Marija Miloloža
Osječki matematički list 8(2008), 19 28 19 Vedska matematika Marija Miloloža Sažetak. Ovimčlankom, koji je gradivom i pristupom prilagod en prvim razredima srednjih škola prikazuju se drugačiji načini
More informationNekoliko kombinatornih dokaza
MAT-KOL (Banja Luka) ISSN 0354-6969 (p), ISSN 1986-5228 (o) http://www.imvibl.org/dmbl/dmbl.htm Vol. XXII (2)(2016), 141-147 Nekoliko kombinatornih dokaza Duško Jojić Prirodno-matematički fakultet, Univerzitet
More informationBROJEVNE KONGRUENCIJE
UNIVERZITET U NOVOM SADU PRIRODNO-MATEMATIČKI FAKULTET DEPARTMAN ZA MATEMATIKU I INFORMATIKU Vojko Nestorović BROJEVNE KONGRUENCIJE - MASTER RAD - Mentor, dr Siniša Crvenković Novi Sad, 2011. Sadržaj Predgovor...............................
More informationANALYSIS OF THE RELIABILITY OF THE "ALTERNATOR- ALTERNATOR BELT" SYSTEM
I. Mavrin, D. Kovacevic, B. Makovic: Analysis of the Reliability of the "Alternator- Alternator Belt" System IVAN MAVRIN, D.Sc. DRAZEN KOVACEVIC, B.Eng. BRANKO MAKOVIC, B.Eng. Fakultet prometnih znanosti,
More information