Biomeetria 8. praktikum dispersioonanalüüs (ANOVA)
|
|
- Kristi Vahter
- 4 aastad tagasi
- Vaatused:
Väljavõte
1 Kasutame jälle andmestikku fishcatch.dat: Biomeetria 8. praktikum dispersioonanalüüs (ANOVA) andmed=read.table(" header=true) Dispersioonanalüüs Soovime teada, kas kõigi kalaliikide kõrguste keskväärtused (tunnus Height, mõõdetud kui % kala pikkusest) on võrdsed või mitte, ehk tahame kontrollida järgmiseid hüpoteese: H 0 : E Height latikas = E Height siig = E Height särg =... = E Height ahven H 1 : leiduvad vähemalt kaks kalaliiki, mille kõrguste keskväärtused pole võrdsed. Dispersioonanalüüsi saab teha käsu lm()-abil: uuritav tunnus, mille keskväärtuseid võrdleme Faktortunnus, mis jagab vaatlused võrreldavateks gruppideks mudel=lm(height~factor(species)) Tulemuste vaatamine 1. Vaikimisi trükitakse välja kalaliikide keskmiste kõrguste erinevused latikate keskmisest kõrgusest: > mudel Latikate (Species=1) keskmine kõrgus on 39,5 (kõrgust on mõõdetud protsendina pikkusest) Call: lm(formula = Height ~ factor(species)) Ahvenate (Species=7) keskmine kõrgus on 13,3 võrra väiksem kui latikate oma (Intercept) factor(species)2 factor(species)3 factor(species) factor(species)5 factor(species)6 factor(species) Biomeetria 8. praktikum (2011) Märt Möls 1
2 2. Näeme, et valimite keskmised erinevad teineteisest. Kas populatsioonide keskväärtused ka erinevad üksteisest? > drop1(mudel,test="f") Single term deletions Olulisustõenäosus on väiksem kui 0,05, järelikult leidub vähemalt kaks kalaliiki, mille kõrguste keskväärtused pole võrdsed Model: Height ~ factor(species) Df Sum of Sq RSS AIC F value Pr(F) <none> factor(species) < 2.2e-16 *** Signif. codes: 0 `***' `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1 3. Dispersioonanalüüsi mudelit võib uurida ka summary()-käsu abil, mille tulemusena trükitakse välja erinevused võrdlustasemega (latikate kõrgusega): > summary(mudel) Call: lm(formula = Height ~ factor(species)) Residuals: Min 1Q Median 3Q Max Estimate Std. Error t value Pr(> t ) (Intercept) <2e-16 *** factor(species) <2e-16 *** factor(species) <2e-16 *** factor(species) factor(species) <2e-16 *** factor(species) <2e-16 *** factor(species) <2e-16 *** Signif. codes: 0 `***' `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1 Residual standard error: on 152 degrees of freedom Multiple R-Squared: , Adjusted R-squared: F-statistic: on 6 and 152 DF, p-value: < 2.2e-16 Ahvenad on meie valimis keskmiselt latikatest 13,3 võrra väiksema kõrgusega Näitab kui täpselt me oleme hinnanud latikate ja ahvenate erinevust keskväärtuste erinevusele antud hinnangu standardhälve. T-testi abil kontrollitakse, kas latikate ja ahvenate kõrguste keskväärtused on teineteisest erinevad. Antud juhul võib keskväärtuste erinevuse tõestatuks lugeda. Biomeetria 8. praktikum (2011) Märt Möls 2
3 Võimalik on muuta ka võrdlustaset ehk gruppi, kellega teisi võrreldakse. Näiteks soovime võrrelda teiste kalade kõrguseid siigade (Species=2) kõrgustega: > summary(lm(height~relevel(factor(species),ref="2"))) Residuals: Min 1Q Median 3Q Max Estimate Std. Error t value Pr(> t ) (Intercept) < 2e-16 *** relevel(factor(species), ref = "2") < 2e-16 *** relevel(factor(species), ref = "2") ** relevel(factor(species), ref = "2") < 2e-16 *** relevel(factor(species), ref = "2") < 2e-16 *** relevel(factor(species), ref = "2") < 2e-16 *** relevel(factor(species), ref = "2") e-05 *** Signif. codes: 0 *** ** 0.01 * Residual standard error: on 152 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 6 and 152 DF, p-value: < 2.2e-16 Ahvenad on meie valimis keskmiselt siigadest 3 ühiku võrra väiksema kõrgusega Eelduste kontroll 1. Kas dispersioonmudeli jäägid on normaaljaotusega? Mudeli jääke (kalade kõrguste erinevust oma grupi ehk oma kalaliigi keskmisest) saab vaadata resid()-käsu abil: resid(mudel) Seda, kas tegemist võiks olla normaaljaotusega, võime näiteks kontrollida kas tõenäosuspaberi või Shapiro- Wilki testi abil: qqnorm(resid(mudel)) qqline(resid(mudel)) ajut=resid(mudel) shapiro.test(ajut) 2. Kas uuritava tunnuse hajuvus kõigis gruppides on ligikaudu samasuur? Seda saab kontrollida näiteks vaadates, milline on uuritava tunnuse hajuvus kalaliigiti: tapply(height, Species, sd) või tapply(resid(mudel), Species, sd) Mis on vahet nende käskude tulemustel, miks? Biomeetria 8. praktikum (2011) Märt Möls 3
4 Uuritava tunnuse hajuvust grupiti ehk kalaliigiti saab võrrelda ka graafiliselt: boxplot(resid(mudel)~species) On võimalik ka teostada statistilist testi, mis kontrollib, kas uuritava tunnuse hajuvus grupiti on sama: > bartlett.test(resid(mudel)~factor(species)) Bartlett test for homogeneity of variances data: resid(mudel) by factor(species) Bartlett's K-squared = , df = 6, p-value = Saame tulemuseks, et olulisustõenäosus on suurem 0,05-st (kuigi napilt) ja järelikult võime jääda oletuse juurde, et uuritava tunnuse hajuvus grupiti ei muutu. NB! Bartlett test eeldab, et uuritav tunnus oleks normaaljaotusega! Dispersioonanalüüsi tabel ja arvutuslikud seosed Kala kõrguse prognoosimisel tehtavate vigade ruutude summa, juhul kui me kala liiki ei tea ja prognoosimisel kasutada ei saa, on > sum((height-mean(height))**2) [1] Kui kasutame ka kala liiki kala kõrguse prognoosimisel, siis kahaneb prognoosivigade ruutude summa 393,5-ks võid seda väidet kontrollida ka käsuga sum(resid(mudel)**2), aga anova-käsk annab ka vastuse: > anova(mudel) Analysis of Variance Table Response: Height Df Sum Sq Mean Sq F value Pr(>F) factor(species) < 2.2e-16 *** Residuals Ehk, teisisõnu, oleme tänu liigi lisamisele prognoosivigade ruutude summat vähendanud 10887,56-393,5=10494,1 võrra. Jagatis 10494,1/10887,56=0, (prognoosi täpsuse suhteline paranemine) on sama mis determinatsioonikordaja: > summary(mudel) [...] Residual standard error: on 152 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 6 and 152 DF, p-value: < 2.2e-16 Biomeetria 8. praktikum (2011) Märt Möls 4
5 Loeme sisse Escherichia coli andmestiku mydata=read.table(" header=true) head(mydata) attach(mydata) Andmestiku lühikirjeldus on kättesaadav järgmiselt aadressilt: Peamised meid hetkel huvitavad tunnused: first_codon geeni esimene koodon cai Geeni Koodonikohastumusindeks CAI - see on üsna hästi korrelatsioonis antud valgu ekspressioonitasemega (valgu suhtelise esinemissagedusega) rakkudes orientation geeni suund kromosoomil Regression indikaatortunnustega = ANOVA Proovime korra läbi, et indikaatortunnust kasutav regressioonanalüüs annab sama tulemuse, mis dispersioonanalüüs. Esmalt teeme siiski ühe teisenduse mõistlik on kasutada logaritmitud cai väärtuseid, sestap transformeerime esmalt selle tunnuse: lcai=log(cai) Seejärel tekitame indikaatortunnuse ind=0, kui orientation on < ; ind=1, kui orientation on > : ind=1*(orientation== ">") Keskmine lcai on veidi erinev eripidi kirjapandud geennide jaoks: by(lcai, orientation, mean) Hindame regressioonmudeli kasutades indikaatortunnust: m1=lm(lcai~ind) summary(m1) Kas suudad leida mõlema grupi keskmised kasutades vaid summary-käsu poolt antud informatsiooni? Enamasti ei pea sa indikaatortunnust ise tekitama. Võrdle eelmise käsu poolt tagastatud tulemusi järgmise, dispersioonanalüüsi tulemustega: summary(lm(lcai~factor(orientation))) Antud juhul (2 gruppi) oleks sama vastuseni olnud võimalik jõuda ka t-testi abil: t.test(lcai~orientation, var.equal=true) Biomeetria 8. praktikum (2011) Märt Möls 5
6 Harjutus Vaata järgmist väljundit (teil pole ligipääsu antud tunnustele/andmetele, seega piirduge praegu vaid esitatud analüüsi väljundiga: > summary(lm(expression~factor(treatment))) Call: lm(formula = Expression ~ factor(treatment)) Residuals: Min 1Q Median 3Q Max Estimate Std. Error t value Pr(> t ) (Intercept) <2e-16 *** factor(treatment)b <2e-16 *** factor(treatment)c <2e-16 *** Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: on 147 degrees of freedom Multiple R-Squared: , Adjusted R-squared: F-statistic: 3023 on 2 and 147 DF, p-value: < 2.2e-16 Kasutades esitatud väljatrükki, vastake järgmisele küsimusele: Milline on keskmine ekspressioonitase grupi A jaoks: keskmine ekspressioonitase grupi B jaoks: keskmine ekspressioonitase grupi C jaoks: Ülesanne Uuri, kas Escherichia coli puhul on keskmine ekspressioonitase erinev erinevate alguskoodonite puhul. Kasuta selleks ühefaktorilist dispersioonanalüüsi: model=lm(lcai~factor(first_codon)) summary(model) Milline on sinu otsus? Proovi ka käsku: drop1(model, test= F ) Biomeetria 8. praktikum (2011) Märt Möls 6
7 R kasutab vaikimisi alati esimest faktori taset võrdlustasemena: > levels(factor(first_codon)) [1] "aat" "atg" "att" "ctg" "gtg" "ttg" võrdluse aluseks kasutatav tase Võrdluse aluseks valitavat taset (referentstaset) saab muuta. Valime alguskoodoni atg (kõige sagedamini esinev alguskoodon) võrdlustasemeks: > model=lm(lcai~relevel(factor(first_codon),ref="atg")) > summary(model) Residuals: Min 1Q Median 3Q Max atg ja aat võrdlus Estimate Std. Error t value Pr(> t ) (Intercept) < 2e-16 *** relevel(factor(first_codon), ref = "atg")aat relevel(factor(first_codon), ref = "atg")att relevel(factor(first_codon), ref = "atg")ctg relevel(factor(first_codon), ref = "atg")gtg e-14 *** relevel(factor(first_codon), ref = "atg")ttg e-06 *** Signif. codes: 0 *** ** 0.01 * Residual standard error: on 4284 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 5 and 4284 DF, p-value: 1.960e-15 Proovi, mis juhtub, kui kasutad võrdluse aluseks taset gtg! Veel näiteid. Teeme uue grupeeriva tunnuse (näitab, kas geen kodeerib väga aluselist/ aluselist/ happelist väga happelist valku): pigroup=rep(na, length(pi)) pigroup[pi<5.6]="a" pigroup[pi>=5.6 & pi<7]="b" pigroup[pi>=7 & pi<9]="c" pigroup[pi>=9]="d" table(pigroup) summary(lm(lcai~factor(pigroup))) Katsetame Tukey mitmese võrdluse meetodit (antud kujul eeldab ligikaudu samasuuruseid gruppe): TukeyHSD(aov(lm(lcai~factor(pIGroup)))) plot(tukeyhsd(aov(lm(lcai~factor(pigroup))))) Biomeetria 8. praktikum (2011) Märt Möls 7
8 Võrdle TukeyHSD käsuga saadud erinevusi (eelkõige gruppide C ja D vaheline erinevus) nendega, mille saad, kui teed dispersioonanalüüsi ja võtad võrdluse aluseks grupi C. Kas hinnang gruppide C ja D keskväärtuste arinevusele tuleb sama? Kas olulisustõenäosus tuleb sama? Kui näed erinevusi, siis põhjenda, millest on erinevus tingitud! Kui kasutaksid Bonferroni korrektsiooni (korrutaksid olulisustõenäosuse läbi kõigi võrdluste arvuga), siis millist olulisustõenäosust näeksid? Praegu on tegemist üsna sarnase suurusega gruppidega (kõiki pigroup väärtuseid on ligilähedaselt samapalju). Kui gruppide suurused oleksid märkimisväärselt erinevad (ühes grupis 10, teises 1000 vaatlust), pole TukeyHSD-käsu tulemused enam parimad võimalikud (intervallid ja testid võivad osutuda veidi konservatiivseteks). Sellisel juhul oleks targem võrdlused läbi viia kasutades lisamooduli multcomp funktsioone. Selleks esmalt lisame R-le lisamooduli multcomp : install.packages("multcomp") Peale lisamooduli installeerimist võtame ta kasutusele: library(multcomp) ja kasutame teda (lisandunud on funktsioon glht): fpig=factor(pigroup) m1=aov(lm(lcai~fpig)) a=glht(m1, linfct=mcp(fpig="tukey")) summary(a) confint(a) plot(confint(a)) Antud andmestiku puhul tulevad multcomp-abil saadud analüüsi tulemused üsnagi sarnased TukeyHSDkäsu tulemustele. Biomeetria 8. praktikum (2011) Märt Möls 8
Microsoft PowerPoint - Loeng2www.ppt [Compatibility Mode]
Biomeetria 2. loeng Lihtne lineaarne regressioon mudeli hindamisest; usaldusintervall; prognoosiintervall; determinatsioonikordaja; Märt Möls martm@ut.ee Y X=x~ N(μ=10+x; σ=2) y 10 15 20 2 3 4 5 6 7 8
RohkemRegressioonanalüüsi kodutöö Indrek Zolk 30. mai a. 1 Andmestiku kirjeldus Käesoleva kodutöö jaoks vajalik andmestik on saadud veebiaadressilt ht
Regressioonanalüüsi kodutöö Indrek Zolk 30. mai 2004. a. 1 Andmestiku kirjeldus Käesoleva kodutöö jaoks vajalik andmestik on saadud veebiaadressilt http://www-unix.oit.umass.edu/~statdata/statdata/stat-anova.html.
RohkemPraks 1
Biomeetria praks 6 Illustreeritud (mittetäielik) tööjuhend Eeltöö 1. Avage MS Excel is ankeedivastuseid sisaldav andmestik, 2. lisage uus tööleht, nimetage see ümber leheküljeks Praks6 ja 3. kopeerige
RohkemPraks 1
Biomeetria praks 6 Illustreeritud (mittetäielik) tööjuhend Eeltöö 1. Avage MS Excel is oma kursuse ankeedivastuseid sisaldav andmestik, 2. lisage uus tööleht, nimetage see ümber leheküljeks Praks6 ja 3.
RohkemVL1_praks6_2010k
Biomeetria praks 6 Illustreeritud (mittetäielik) tööjuhend Eeltöö 1. Avage MS Excel is oma kursuse ankeedivastuseid sisaldav andmestik, 2. lisage uus tööleht (Insert / Lisa -> Worksheet / Tööleht), nimetage
RohkemMicrosoft Word - Praks1.doc
Segamudelid 1. praktikum Mida vähem andmeid, seda parem? (Üldistatud vähimruutude meetod ja heteroskedastilised andmed) Segamudelite praktikumides kasutame R-tarkvara. Kahel aastal on teostatud ühe füüsikalise
RohkemANOVA Ühefaktoriline dispersioonanalüüs Treeningu sagedus nädalas Kaal FAKTOR UURITAV TUNNUS Mitmemõõtmeline statistika Kairi Osula 2017/kevad
ANOVA Ühefaktoriline dispersioonanalüüs Treeningu sagedus nädalas Kaal FAKTOR UURITAV TUNNUS Factorial ANOVA Mitmefaktoriline dispersioonanalüüs FAKTOR FAKTOR Treeningu sagedus nädalas Kalorite kogus Kaal
RohkemMicrosoft PowerPoint - Loeng6ver2.ppt
Admeaalüüs molekulaarbioloogias LOMR.10.007 6. loeg Regressiooaalüüs. Regressiooseose tugevus (korrelatsiooikordaja, determatsiooikordaja) Märt Möls martm@ut.ee Kas Argetiias elavad õelikud iimesed? eadmestik:
RohkemTartu Ülikool Matemaatika-informaatikateaduskond Matemaatilise statistika instituut Ann-Mari Koppel Determinatsioonikordaja ja prognoosikordaja Bakala
Tartu Ülikool Matemaatika-informaatikateaduskond Matemaatilise statistika instituut Ann-Mari Koppel Determinatsioonikordaja ja prognoosikordaja Bakalaureusetöö (6 EAP) Juhendaja: Ene Käärik, PhD Tartu
Rohkemraamat5_2013.pdf
Peatükk 5 Prognoosiintervall ja Usaldusintervall 5.1 Prognoosiintervall Unustame hetkeks populatsiooni parameetrite hindamise ja pöördume tagasi üksikvaatluste juurde. On raske ennustada, milline on huvipakkuva
RohkemMicrosoft PowerPoint - loeng2.pptx
Kirjeldavad statistikud ja graafikud pidevatele tunnustele Krista Fischer Pidevad tunnused ja nende kirjeldamine Pidevaid (tihti ka diskreetseid) tunnuseid iseloomustatakse tavaliselt kirjeldavate statistikute
RohkemPraks 1
Biomeetria praks 3 Illustreeritud (mittetäielik) tööjuhend Eeltöö 1. Avage MS Excel is oma kursuse ankeedivastuseid sisaldav andmestik, 2. lisage uus tööleht, 3. nimetage see ümber leheküljeks Praks3 ja
RohkemDVD_8_Klasteranalüüs
Kursus: Mitmemõõtmeline statistika Seminar IX: Objektide grupeerimine hierarhiline klasteranalüüs Õppejõud: Katrin Niglas PhD, dotsent informaatika instituut Objektide grupeerimine Eesmärk (ehk miks objekte
RohkemStatistiline andmetöötlus
Biomeetria Kahe arvtuuse ühie käitumie, regressiooaalüüs Lieaare regressiooaalüüs Millal kasutada ja mida äitab? Kasutatakse progoosimaks ühe arvtuuse väärtusi teis(t)e järgi. Rümba hid, EEK/kg ( y ) Regressiooivõrrad:
RohkemTartu Ülikool Matemaatika-informaatikateaduskond Matemaatilise statistika instituut Võrgupeo külastaja uurimine Andmeanalüüs I projekt Koostajad: Urma
Tartu Ülikool Matemaatika-informaatikateaduskond Matemaatilise statistika instituut Võrgupeo külastaja uurimine Andmeanalüüs I projekt Koostajad: Urmas Kvell Riivo Talviste Gert Palok Juhendaja: Mare Vähi
RohkemTALLINNA TEHNIKAÜLIKOOL Majandusteaduskond Majandusanalüüsi ja rahanduse instituut Karl Ivar Maar TARBIMISMAKSUDE JA MAJANDUSKASVU SEOS EUROOPA LIIDU
TALLINNA TEHNIKAÜLIKOOL Majandusteaduskond Majandusanalüüsi ja rahanduse instituut Karl Ivar Maar TARBIMISMAKSUDE JA MAJANDUSKASVU SEOS EUROOPA LIIDU RIIKIDE NÄITEL Bakalaureusetöö Juhendaja: Lektor Raivo
RohkemMicrosoft PowerPoint - Roosimaa.ppt
ENERGEETILISES METABOLISMIS OSALEVATE GEENIDE EKSPRESSIOON MÜOKARDIS JA HL-1 RAKULIINIS Mart Roosimaa TÜ arstiteaduskond EESTI TEADUSTE AKADEEMIA ÜLIÕPILASTÖÖDE KONKURSI VÕITJATE KONVERENTS 2008 Südamelihas
RohkemOhtlike ainete sisaldus kalades
Eesti Keskkonnauuringute Keskus Ohtlike ainete sisaldus kalades Marek Nurmik Keskkonna- ja analüütilise keemia osakond peaspetsialist 4. veebruar 2019 Tallinn Projekti üldinformatsioon Rahastusallikas:
RohkemPealkiri
Andmebaasid (6EAP) I praktikum Mida praktikumides tehakse? Õpitakse SQL i Tehakse andmebaas ope (igas praktikumis natuke, kuni lõpuks saab valmis) Tehakse andmebaas edu (kui ope on valmis, tehakse edu,
RohkemDK_prax3_2010
Praktikum 3 R ja selle lisamoodul Rcmdr: kirjeldav statistika, joonised, keskmiste võrdlemine OSA 1 --- Andmestiku avamine jmt R Commander is --- 1) Käivitage R. Käivitage lisamoodul Rcmdr trükkides käsureale
RohkemTARTU ÜLIKOOL MATEMAATIKA-INFORMAATIKATEADUSKOND MATEMAATILISE STATISTIKA INSTITUUT Kristi Läll Mitmemõõtmeline analüüs peptiidide käitumise uurimisek
TARTU ÜLIKOOL MATEMAATIKA-INFORMAATIKATEADUSKOND MATEMAATILISE STATISTIKA INSTITUUT Kristi Läll Mitmemõõtmeline analüüs peptiidide käitumise uurimiseks Magistritöö Juhendajad: Mare Vähi, Anne Selart TARTU
Rohkem10/12/2018 Riigieksamite statistika 2017 Riigieksamite statistika 2017 Selgitused N - eksaminandide arv; Keskmine - tulemuste aritmeetiline keskmine (
Riigieksamite statistika 2017 Selgitused N - eksaminandide arv; Keskmine - tulemuste aritmeetiline keskmine (punktide kogusumma jagatud sooritajate koguarvuga); Mediaan - statistiline keskmine, mis jaotab
RohkemPealkiri
Andmebaasid II praktikum Andmebaaside administreerimine Andmete sisestamine KESKKOND, KASUTAJAD, ÕIGUSED Mõisted Tabelid, vaated, trigerid, jpm on objektid Objektid on grupeeritud skeemi Skeemid moodustavad
Rohkemvv05lah.dvi
IMO 05 Eesti võistkonna valikvõistlus 3. 4. aprill 005 Lahendused ja vastused Esimene päev 1. Vastus: π. Vaatleme esiteks juhtu, kus ringjooned c 1 ja c asuvad sirgest l samal pool (joonis 1). Olgu O 1
RohkemAMB_Loeng1_andmed_a
Andmeanalüüs molekulaarbioloogias LOMR.10.007 1. nädal Loeng: Töökorraldus ja materjalid Teaduslik mõtteviis Andmete tüübid Andmete varieeruvuse kirjeldamine Praktikum: Sagedusjaotuste joonistamine Maido
Rohkem(Microsoft Word - Purgatsi j\344rve supluskoha suplusvee profiil l\374hike)
PURGATSI JÄRVE SUPLUSKOHA SUPLUSVEE PROFIIL Harjumaa, Aegviidu vald Koostatud: 01.03.2011 Täiendatud 19.09.2014 Järgmine ülevaatamine: vastavalt vajadusele või veekvaliteedi halvenemisel 1 Purgatsi järve
RohkemMicrosoft Word - Toetuste veebikaardi juhend
Toetuste veebikaardi juhend Toetuste veebikaardi ülesehitus Joonis 1 Toetuste veebikaardi vaade Toetuste veebikaardi vaade jaguneb tinglikult kaheks: 1) Statistika valikute osa 2) Kaardiaken Statistika
RohkemMida me teame? Margus Niitsoo
Mida me teame? Margus Niitsoo Tänased teemad Tagasisidest Õppimisest TÜ informaatika esmakursuslased Väljalangevusest Üle kogu Ülikooli TÜ informaatika + IT Kokkuvõte Tagasisidest NB! Tagasiside Tagasiside
Rohkemlvk04lah.dvi
Lahtine matemaatikaülesannete lahendamise võistlus. veebruaril 004. a. Lahendused ja vastused Noorem rühm 1. Vastus: a) jah; b) ei. Lahendus 1. a) Kuna (3m+k) 3 7m 3 +7m k+9mk +k 3 3M +k 3 ning 0 3 0,
RohkemMicrosoft Word - requirements.doc
Dokumendi ajalugu: Versioon Kuupäev Tegevus Autor 1.0 04.03.2008 Dokumendi loomine Madis Abel 1.1 09.03.2008 Kasutuslugude loomine Madis Abel 1.2 12.03.2008 Kasutuslugude täiendused Andres Kalle 1.3 13.03.2008
RohkemG aiasoft Programmi VERP ja Omniva Arvekeskuse liidese häälestamine ja arvete saatmine-lugemine VERP 6.3 ja VERP 6.3E Versioon ja hilisemad K
Programmi VERP ja Omniva Arvekeskuse liidese häälestamine ja arvete saatmine-lugemine VERP 6.3 ja VERP 6.3E Versioon 6.3.1.51 ja hilisemad Kasutaja juhend 2016 Sisukord 1. Sissejuhatus...3 2. Liidese häälestus...3
RohkemVL1_praks2_2009s
Biomeetria praks 2 Illustreeritud (mittetäielik) tööjuhend Eeltöö 1. Avage MS Excel is oma kursuse ankeedivastuseid sisaldav andmestik (see, mida 1. praktikumiski analüüsisite), 2. nimetage Sheet3 ümber
RohkemKliinilise keemia uuringud, südamemarkerite uuringud lapsed Kompleksanalüüsi nimetus Analüüsi nimetus Lühend Referentsväärtused Vanus Sugu
Kliinilise keemia uuringud, südamemarkerite uuringud lapsed Analüüsi Alaniini aminotransferaas plasmas P-ALAT 7 17 a M/N < 37 U/L 1 6 a M/N < 29 U/L < 1 a M/N < 56 U/L Albumiin plasmas P-Alb 15 18 a M/N
RohkemMining Meaningful Patterns
Konstantin Tretjakov (kt@ut.ee) EIO õppesessioon 19. märts, 2011 Nimetuse saladus Vanasti kandis sõna programmeerimine natuke teistsugust tähendust: Linear program (~linear plan) X ülesannet * 10 punkti
RohkemMatemaatika ainekava 8.klass 4 tundi nädalas, kokku 140 tundi Kuu Õpitulemus Õppesisu Algebra (65 t.) Geomeetria (60 t.) Ajavaru kordamiseks (15 õppet
Matemaatika ainekava 8.klass 4 tundi nädalas, kokku 140 tundi Algebra (65 t.) Geomeetria (60 t.) Ajavaru kordamiseks (15 õppetundi) septembernovember korrastab hulkliikmeid Hulkliige. Tehted liidab, lahutab
Rohkem1 / loeng Tekstitöötlus Sisend/väljund Teksti lugemine Sõnad
1 / 16 7. loeng Tekstitöötlus Sisend/väljund Teksti lugemine Sõnad 2 / 16 Sisend/väljund vaikimisi: Termid: read, write?-read(x). : 2+3. X = 2+3.?-write(2+3). 2+3 true. Jooksva sisendi vaatamine: seeing?-
RohkemAASTAARUANNE
2014. 2018. aasta statistikatööde loetelu kinnitamisel juunis 2014 andis Vabariigi Valitsus Statistikaametile ja Rahandusle korralduse (valitsuse istungi protokolliline otsus) vaadata koostöös dega üle
RohkemSissejuhatus GRADE metoodikasse
Sissejuhatus GRADE metoodikasse Eriline tänu: Holger Schünemann ja GRADE working group www.gradeworkinggroup.org Kaja-Triin Laisaar TÜ peremeditsiini ja rahvatervishoiu instituut kaja-triin.laisaar@ut.ee
RohkemMicrosoft Word - loeng8.doc
Struktuurivõrrandite mudelid 16. detsember Struktuurivõrrandite mudelid piirid ja piiritagused alad Eeldatud jaotustest uuritavate tunnuste jaotus mtjus ML ja GLS hinnangute omadused asümptootiliselt efektiivne
RohkemRelatsiooniline andmebaaside teooria II. 6. Loeng
Relatsiooniline andmebaaside teooria II. 5. Loeng Anne Villems ATI Loengu plaan Sõltuvuste pere Relatsiooni dekompositsioon Kadudeta ühendi omadus Sõltuvuste pere säilitamine Kui jõuame, siis ka normaalkujud
RohkemTartu Ülikool Matemaatika-informaatikateaduskond Matemaatilise statistika instituut Ingi Einaste Eesti kõrgkoolide matemaatika ja informaatika üliõpil
Tartu Ülikool Matemaatika-informaatikateaduskond Matemaatilise statistika instituut Ingi Einaste Eesti kõrgkoolide matemaatika ja informaatika üliõpilaste enesetõhususe ja motivatsiooni analüüs Bakalaureusetöö
RohkemSQL
SQL Kuues loeng 3GL inside 4GL Protseduurid Funktsioonid Tavalised Funktsioonid (üks väljund) Ilma väljundita Protseduurid Viitargumentide kasutamise võimalus Tabel-väljundiga Protseduurid Create function
Rohkem2016 aasta märtsi tulumaksu laekumine omavalitsustele See ei olnud ette arvatav Tõesti ei olnud, seda pole juhtunud juba tükk aega. Graafikult näeme,
2016 märtsi tulumaksu laekumine omavalitsustele See ei olnud ette arvatav Tõesti ei olnud, seda pole juhtunud juba tükk aega. Graafikult näeme, et märtsis laekus tulumaksu eelmise märtsist vähem ka 2009
RohkemElisa Ring Elisa Ringi mobiilirakendus Versioon
Elisa Ring Elisa Ringi mobiilirakendus Versioon 1.0.85 15.01.2019 1 Elisa Ring... 1 1. Ülevaade... 3 1.1. Kirjeldus... 3 1.2. Tehnilised tingimused... 3 1.3. Kasutuselevõtt ja sisselogimine... 3 2. Rakenduse
RohkemII lisa Ravimi omaduste kokkuvõtte ja pakendi infolehe muudatused, esitatud Euroopa Ravimiameti poolt Käesolev ravimi omaduste kokkuvõte ja pakendi in
II lisa Ravimi omaduste kokkuvõtte ja pakendi infolehe muudatused, esitatud Euroopa Ravimiameti poolt Käesolev ravimi omaduste kokkuvõte ja pakendi infoleht on esildismenetluse tulemus. Vastavalt vajadusele
RohkemTallinna linna sademevee kvaliteedi seire Tallinn
Tallinna linna sademevee kvaliteedi seire Tallinn 2018 1 Töö nimetus: Tallinna linna sademevee kvaliteedi seire Töö autor: Tiit Kakum Töö tellija: Tallinna Keskkonnaamet Töö teostaja: Eesti Keskkonnauuringute
RohkemMicrosoft PowerPoint - IRZ0020_praktikum4.pptx
IRZ0020 Kodeerimine i ja krüpteerimine praktikum 4 Julia Berdnikova, julia.berdnikova@ttu.ee www.lr.ttu.ee/~juliad l 1 Infoedastussüsteemi struktuurskeem Saatja Vastuvõtja Infoallikas Kooder Modulaator
RohkemSaksa keele riigieksamit asendavate eksamite tulemuste lühianalüüs Ülevaade saksa keele riigieksamit asendavatest eksamitest Saksa keele riigi
Saksa keele riigieksamit asendavate eksamite tulemuste lühianalüüs 2014 1. Ülevaade saksa keele riigieksamit asendavatest eksamitest Saksa keele riigieksam on alates 2014. a asendatud Goethe-Zertifikat
RohkemMicrosoft PowerPoint - KESTA seminar 2013
Preventiivsed meetodid rannikukeskkonna kaitseks Bert Viikmäe KESTA TERIKVANT seminar, 7.märts 2013 1 Merereostus oht rannikule Läänemeri - üks tihedamini laevatatav (15% maailma meretranspordist) mereala
Rohkemnormaali
AS TEEKARU T-2 Tallinn-Tartu-Võru Luhamaa mnt kiirustabloode mõõtetulemused enne ja pärast märgi aktiveerimist. Vahearuanne Tallinn 2 AS TEEKARU LIIKLUSOSAKOND T-2 Tallinn-Tartu-Võru Luhamaa mnt kiirustabloode
RohkemITI Loogika arvutiteaduses
Predikaatloogika Predikaatloogika on lauseloogika tugev laiendus. Predikaatloogikas saab nimetada asju ning rääkida nende omadustest. Väljendusvõimsuselt on predikaatloogika seega oluliselt peenekoelisem
RohkemStatistikatarkvara
Sissejuhatus statistika erialasse, sissejuhatus matemaatika erialasse, 20. september 2018 Statistikatarkvara põgus ülevaade Krista Fischer Statistikatarkvara kategooriad Võib jagada mitut moodi: Tarkvara,
RohkemKaupmehed ja ehitusmeistrid Selle laiendusega mängimiseks on vajalik Carcassonne põhimäng. Laiendit võib mängus kasutada täielikult või osaliselt ning
Kaupmehed ja ehitusmeistrid Selle laiendusega mängimiseks on vajalik Carcassonne põhimäng. Laiendit võib mängus kasutada täielikult või osaliselt ning seda saab kombineerida teiste Carcassonne laiendustega.
RohkemWord Pro - digiTUNDkaug.lwp
/ näide: \ neeldumisseadusest x w x y = x tuleneb, et neeldumine toimub ka näiteks avaldises x 2 w x 2 x 5 : x 2 w x 2 x 5 = ( x 2 ) w ( x 2 ) [ x 5 ] = x 2 Digitaalskeemide optimeerimine (lihtsustamine)
RohkemExcel Valemite koostamine (HARJUTUS 3) Selles peatükis vaatame millistest osadest koosnevad valemid ning kuidas panna need Excelis kirja nii, et
Excel2016 - Valemite koostamine (HARJUTUS 3) Selles peatükis vaatame millistest osadest koosnevad valemid ning kuidas panna need Excelis kirja nii, et programm suudaks anda tulemusi. Mõisted VALEM - s.o
RohkemÕppematerjalide esitamine Moodle is (alustajatele) seminar sarjas Lõunatund e-õppega 12. septembril 2017 õppedisainerid Ly Sõõrd (LT valdkond) ja Dian
Õppematerjalide esitamine Moodle is (alustajatele) seminar sarjas Lõunatund e-õppega 12. septembril 2017 õppedisainerid Ly Sõõrd (LT valdkond) ja Diana Lõvi (SV valdkond) Järgmised e-lõunad: 10. oktoober
RohkemMicrosoft Word - QOS_2008_Tallinn_OK.doc
GSM mobiiltelefoniteenuse kvaliteet Tallinnas, juuni 2008 Sideteenuste osakond 2008 Kvaliteedist üldiselt GSM mobiiltelefonivõrgus saab mõõta kümneid erinevaid tehnilisi parameetreid ja nende kaudu võrku
RohkemFunktsionaalne Programmeerimine
Kõrvalefektid ja Haskell Kõik senised programmid on olnud ilma kõrvalefektideta; so. puhtalt funktsionaalsed. Programmi täitmise ainsaks efektiks on tema väartus. Osade ülesannete jaoks on kõrvalefektid
RohkemAndmed arvuti mälus Bitid ja baidid
Andmed arvuti mälus Bitid ja baidid A bit about bit Bitt, (ingl k bit) on info mõõtmise ühik, tuleb mõistest binary digit nö kahendarv kahe võimaliku väärtusega 0 ja 1. Saab näidata kahte võimalikku olekut
RohkemMatemaatilised meetodid loodusteadustes. I Kontrolltöö I järeltöö I variant 1. On antud neli vektorit: a = (2; 1; 0), b = ( 2; 1; 2), c = (1; 0; 2), d
Matemaatilised meetodid loodusteadustes I Kontrolltöö I järeltöö I variant On antud neli vektorit: a (; ; ), b ( ; ; ), c (; ; ), d (; ; ) Leida vektorite a ja b vaheline nurk α ning vekoritele a, b ja
RohkemMicrosoft Word - DEVE_PA_2012_492570_ET.doc
EUROOPA PARLAMENT 2009 2014 Arengukomisjon 2011/0177(APP) 2.7.2012 ARVAMUSE PROJEKT Esitaja: arengukomisjon Saaja: eelarvekomisjon Ettepanek võtta vastu nõukogu määrus, millega määratakse kindlaks mitmeaastane
RohkemMicrosoft Word - Karu 15 TERMO nr 527.doc
Termoülevaatus nr.57 (57/1. Märts 8) Hoone andmed Aadress Lühikirjeldus Karu 15, Tallinn Termopildid Kuupäev 6.1.8 Tuule kiirus Õhutemperatuur -1,1 o C Tuule suund Osalesid Kaamera operaator Telefoni nr.
RohkemOperatsioonisüsteemi ülesanded
Praktikum 2 OPERATSIOONISÜSTEEMIDE MASSPAIGALDUS Operatsioonisüsteemide masspaigaldus Suure arvu arvutisüsteemide korral ei ole mõistlik operatsioonisüsteeme paigaldada manuaalselt. Operatsioonisüsteemide
RohkemTARTU ÜLIKOOL MATEMAATIKA-INFORMAATIKA TEADUSKOND Matemaatilise statistika instituut Cliona Georgia Dalberg Eesti elektritarbimise prognoos Magistritö
TARTU ÜLIKOOL MATEMAATIKA-INFORMAATIKA TEADUSKOND Matemaatilise statistika instituut Cliona Georgia Dalberg Eesti elektritarbimise prognoos Magistritöö finants- ja kindlustusmatemaatika erialal (30 EAP)
RohkemIDA-TALLINNA KESKHAIGLA Statsionaarsete patsientide rahulolu uuring
IDA-TALLINNA KESKHAIGLA Statsionaarsete patsientide rahulolu uuring 2015 2015 Sisukord: Statsionaarsete patsientide rahulolu uuring 2015... 1 1. Uuringu läbiviimise metoodika... 3 2. Andmete analüüs...
RohkemCSS juhend
Lehekülg 1/5 31.12.2012 21:11 CSS (Cascading Style Sheets) CSS on keel kujunduse loomiseks veebidokumentidele. Tänases praktikumis rakendame CSS-i veebidokumendile, kasutades programmi Dreamweaver. Töö
RohkemMicrosoft PowerPoint - Mart2.ppt
Üldindeksi järjestuse tutvustamine ja põhjendamine Mart Uba Biomeetria sektor mart.uba@jkkeskus.ee Üldindeksi arvutamine Sobivaks üldindeksi mudeliks kõrge elupäevatoodanguga lehmade eluajatoodangu suurendamiseks
RohkemItella Estonia OÜ Uuendatud EXPRESS BUSINESS DAY BALTICS PAKKIDE JA ALUSTE TRANSPORT Express Business Day Baltics paki lubatud maksimaalsed
Itella Estonia OÜ Uuendatud 05.06.2019 EXPRESS BUSINESS DAY BALTICS PAKKIDE JA ALUSTE TRANSPORT Express Business Day Baltics paki lubatud maksimaalsed kaalud ja mõõdud Min. kaal 100 g Maks. kaal 35 kg
RohkemSorb_LC_Est.smu
Meetod baseerub Põhjamaade Toiduanalüüsi Komitee (Nordic Committee of Food Analyses) standardil nr. 124(87) KASUTUSALA: Bensoehappe ja sorbiinhappe määramine, mis on lisatud toiduainetele konservandina.
RohkemSegamudelid2010.pdf
Peatükk 5 Dispersiooimaatriksi V hidamisest Üldistatud vähimruutude meetodit saame kasutada siis, kui teame vaatluste kovariatsiooimaatriksit V. Paraku eamasti pole uural sellist iformatsiooi. Seega tekib
RohkemSularahateenuse hinnastamise põhimõtted SRK 3 12_
Koostas: E. Vinni (sularahateenuste müügijuht) Kinnitas: P. Sarapuu (juhatuse esimees) Vers.: 2 Lk: 1/7 Sularahateenuse hinnastamise põhimõtted Koostas: E. Vinni (sularahateenuste müügijuht) Kinnitas:
RohkemInstitutsioonide usaldusväärsuse uuring
INSTITUTSIOONIDE USALDUSVÄÄRSUS Maksu- ja Tolliamet I kvartal 0 Liis Grünberg Pärnu mnt, Tallinn +() 0 Liis@turu-uuringute.ee www.turu-uuringute.ee METOODIKA Tulemuste omandiõigus: kuulub Turu-uuringuta
RohkemSlide 1
ERAÜ XVII TALVEPÄEV 2015 Uue põlvkonna LDMOS transistorvõimendid 14.veebruar 2015 Mart Tagasaar, ES2NJ Sissejuhatus Alates 2010.aastast on turule ilmunud uue põlvkonna LDMOS transistorid võimsusega 600-1400W,
RohkemMicrosoft PowerPoint - MihkelServinski_rahvastikust.pptx
25.06.2014 Esitluse või esitleja nimi Ida-Virumaa rahvastikust Mihkel Servinski peaanalüütik Statistikaamet Sultsi küla, Mulgimaa Edise, 17. juuni 2014 Rahvaarvu suhteline muutus, 31.03.2000-31.12.2011
RohkemTartu Ülikool Loodus- ja tehnoloogiateaduskond Ökoloogia ja Maateaduse instituut Geograafia osakond Lõputöö Inimeste ruumilise käitumise sõltuvus eluk
Tartu Ülikool Loodus- ja tehnoloogiateaduskond Ökoloogia ja Maateaduse instituut Geograafia osakond Lõputöö Inimeste ruumilise käitumise sõltuvus elukoha geograafilisest paiknemisest Tallinna näitel Leila
RohkemTARTU ÜLIKOOL MATEMAATIKA-INFORMAATIKATEADUSKOND MATEMAATILISE STATISTIKA INSTITUUT Astrid Haas Üldistatud lineaarne segamudel ESM-uuringu andmetele M
TARTU ÜLIKOOL MATEMAATIKA-INFORMAATIKATEADUSKOND MATEMAATILISE STATISTIKA INSTITUUT Astrid Haas Üldistatud lineaarne segamudel ESM-uuringu andmetele Magistritöö (30 EAP) Finants- ja kindlustusmatemaatika
RohkemTreeningvõistlus Balti tee 2014 võistkonnale Tartus, 4. novembril 2014 Vastused ja lahendused 1. Vastus: 15, 18, 45 ja kõik 0-ga lõppevad arvud. Olgu
Treeningvõistlus Balti tee 014 võistkonnale Tartus, 4. novembril 014 Vastused ja lahendused 1. Vastus: 15, 18, 45 ja kõik 0-ga lõppevad arvud. Olgu b arvu k üheliste number ning a arv, mille saame arvust
RohkemGRUPI-SMS Veebirakenduse kasutamise juhend Rakendus Elisa grupi-smsi rakendus Väljaandja Elisa Eesti AS Juhendi koostamise kuupäev Versioon
GRUPI-SMS Veebirakenduse kasutamise juhend Rakendus Elisa grupi-smsi rakendus Väljaandja Elisa Eesti AS Juhendi koostamise kuupäev 05.02.2018 Versiooni kuupäev 30.01.2018 1 SISUKORD 1. ÜLEVAADE... 3 1.1
RohkemMS Word Sisukord Uue dokumendi loomine... 2 Dokumendi salvestamine... 3 Faili nimi... 4 Teksti sisestamine... 6 Klaviatuuril mitteleiduvat sümbolite l
MS Word Sisukord Uue dokumendi loomine... 2 Dokumendi salvestamine... 3 Faili nimi... 4 Teksti sisestamine... 6 Klaviatuuril mitteleiduvat sümbolite lisamine... 6 Uue dokumendi loomine Dokumendi salvestamine
RohkemÕPETAJATE OSKUSED PIAAC ANDMETE BAASIL Aune Valk PIAAC (Programme for the International Assessment of Adult Competencies) uuringu raames va
ÕPETAJATE OSKUSED PIAAC ANDMETE BAASIL 10.12.2013 Aune Valk PIAAC (Programme for the International Assessment of Adult Competencies) uuringu raames valmis väga rikas andmebaas, mis annab võimaluse uurida
Rohkemefo03v2pkl.dvi
Eesti koolinoorte 50. füüsikaolümpiaad 1. veebruar 2003. a. Piirkondlik voor Põhikooli ülesannete lahendused NB! Käesoleval lahendustelehel on toodud iga ülesande üks õige lahenduskäik. Kõik alternatiivsed
RohkemMida räägivad logid programmeerimisülesande lahendamise kohta? Heidi Meier
Mida räägivad logid programmeerimisülesande lahendamise kohta? Heidi Meier 09.02.2019 Miks on ülesannete lahendamise käigu kohta info kogumine oluline? Üha rohkem erinevas eas inimesi õpib programmeerimist.
RohkemMicrosoft Word - installation-guide.doc
Dokumendi ajalugu: Versioon Kuupäev Tegevus Autor 1.0 12.04.2008 Dokumendi loomine Maris Aavik 1.1 13.04.2008 Täiendamine Maris Aavik 1.2 13.04.2008 Täiendamine Andres Kalle 1.3 12.05.2008 Täiendused Kerli
RohkemSlide 1
Elektrituru avanemine 2013 Priit Värk Koduomanike Liit Ajalugu Euroopa Liidu elektriturg avanes täielikult 2007 juuli Ühtse siseturu põhimõte kaupade vaba liikumine; Turu avanemine tuleneb liitumislepingust
Rohkemsuojeluvihko_EST.indd
LÄÄNEMERE KAITSE Mida saan teha mina? BALTIC SEA COMMUNICATION NETWORK OF FINLAND Läänemere olukord on kehv Ulatuslikud sinivetikate õitsengud, adru vohamine kallastel ning limaga kattunud kalavõrgud on
RohkemKirjeldav_statistika_pdfiks
Andmeanalüüsi loengumaterjale: Andmete esmane töötlemine, analüüsimine ja esitamine Katrin Niglas Tallinna Ülikool informaatika instituut Sisukord Sissejuhatus... 1. Mis on statistika ning kuidas oma andmed
RohkemÕppeprogramm „vesi-hoiame ja austame seda, mis meil on“
ÕPPEPROGRAMM VESI-HOIAME JA AUSTAME SEDA, MIS MEIL ON PROGRAMMI LÄBIVIIJA AS TALLINNA VESI SPETSIALIST LIISI LIIVLAID; ESITUS JA FOTOD: ÕPPEALAJUHATAJA REELI SIMANSON 19.05.2016 ÕPPEPROGRAMMI RAHASTAS:
Rohkem1
IDA-TALLINNA KESKHAIGLA Statsionaarsete patsientide rahulolu uuring 13 13 Sisukord 1. Uuringu läbiviimise metoodika... 2 2. Andmete analüüs... 2 3. Uuringu valim... 3 3.1. Vastanute iseloomustus: sugu,
Rohkemprakt8.dvi
Diskreetne matemaatika 2012 8. praktikum Reimo Palm Praktikumiülesanded 1. Kas järgmised graafid on tasandilised? a) b) Lahendus. a) Jah. Vahetades kahe parempoolse tipu asukohad, saame graafi joonistada
RohkemAutomaatjuhtimise alused Automaatjuhtimissüsteemi kirjeldamine Loeng 2
Automaatjuhtimise alused Automaatjuhtimissüsteemi kirjeldamine Loeng 2 Laplace'i teisendus Diferentsiaalvõrrandite lahendamine ilma tarkvara toeta on keeruline Üheks lahendamisvõtteks on Laplace'i teisendus
RohkemCAPI-buss aruanne
Muuga piirkonna lõhnahäirete uuring 2012 Eesti standardile EVS 887-1:2005 tuginedes Sisukord 1 Kokkuvõte ja järeldused 4 2 Uuringu tulemused. Hinnangud üldisele keskkonnareostusele, lõhna- ja mürahäiringule
RohkemEELNÕU
Keskkonnaministri 4. jaanuari 2007. a määruse nr 2 Vääriselupaiga klassifikaator, valiku juhend, vääriselupaiga kaitseks lepingu sõlmimine ja vääriselupaiga kasutusõiguse arvutamise täpsustatud alused
RohkemMicrosoft Word - TM70_SP-MG_kasutusjuhend.docx
TM70 Touch-i kasutusjuhend Süsteemid: Magellan ja Spectra SP Põhiekraan Kuupäev/kellaaeg Välis-/sisetemperatuur Süsteemi olek Tsoonid Menüü Info OneScreen Monitoring SpotOn Locator Slaidiesitus Paanika-häire
RohkemMicrosoft PowerPoint - Niitmise_tuv_optiline_ja_radar.pptx
Ettekanne ESTGIS aastakonverentsil 30.11.2012 Niidetud alade tuvastamine multispektraalsete ja radarsatelliidipiltide põhjal Kaupo Voormansik Sisukord 1. Eksperiment 2012 suvel multispektraalsete mõõtmiste
RohkemView PDF
Fitbit Ionic - ikoonilisest nutikellast natuke puudu, kuid spordiks ja kontoriks käib 11. aprill 2018-1:27 Autor: Kaido Einama Fitbiti nutikellad on balansseerinud pulsikella ja nutikella piiril ning viimasel
RohkemUudiseid k-meride abil bakterite leidmisest [Compatibility Mode]
Uudiseid k-meride abil bakterite leidmisest CLARK: fast and accurate classification of metagenomic and genomic sequences using discriminative k-mers(2015) Rachid Ounit, Steve Wanamaker, Timothy J. Close
RohkemLisa 7.1. KINNITATUD juhatuse a otsusega nr 2 MTÜ Saarte Kalandus hindamiskriteeriumite määratlemine ja kirjeldused 0 nõrk e puudulik -
Lisa 7.1. KINNITATUD juhatuse 04. 01. 2018. a otsusega nr 2 MTÜ Saarte Kalandus hindamiskriteeriumite määratlemine ja kirjeldused 0 nõrk e puudulik - kriteerium ei ole täidetud (hindepunkti 0 saab rakendada
Rohkem01_loomade tundmaõppimine
Tunnikava vorm Õppeaine ja -valdkond: Mina ja keskkond Klass, vanuse- või haridusaste: alusharidus Tunni kestvus: 30+15minutit Tunni teema (sh alateemad): Loomade tundmaõppimine, maal elavad loomad Tase:
Rohkem