Sirvi Kuupäev , alustades "2013-06" järgi

Filtreeri tulemusi aasta või kuu järgi

Nüüd näidatakse 1 - 20 72

Universitas Tartuensis : UT : Tartu Ülikooli ajakiri 2013 nr 6
(Tartu : Tartu Ülikool, 2013-06) Merisalu, Merilyn, toimetaja
Mitmemõõtmeline analüüs peptiidide käitumise uurimiseks
(Tartu Ülikool, 2013-06-06) Läll, Kristi; Vähi, Mare, juhendaja; Selart, Anne, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Tuberkuloosivaktsiini väljatöötamisel on oluline uurida, millised antigeenid vaktsiinis leiduvate antikehadega reageerivad. Samuti on tähtis, et antikehad reageeriksid kiiresti ning nõutud koguses pärast vaktsineerimist. Tavaliselt mõõdetakse ühel patisendil vaktsineerimise järel mitmel ajahetkel sadade erinevate antigeenide ehk peptiidide käitumist. Seega on tekkivate andmete maht väga suur ning nende analüüsimiseks ei ole statistika klassikalised meetodid alati sobilikud. Käesolev töö tutvustab üht metoodikat sellise struktuuriga andmete analüüsiks ning uurib selle rakendatavust konkreetselt andmestikul. Esimene peatükk tuletab meelde mitmemõõtmelise normaaljaotust, maatriksnormaaljaotust ja Wisharti jaotust, sest neid kasutatakse hilisemas teoorias korduvalt. Teises peatükis antakse ülevaade kahest lihtsamast uuringudisainist: esimesena sellisest, kus võrreldakse kahte ravimit, mõõtes samadel või sarnastel objektidel tunnust ning teisena sellisest, kus omavahel võrreldakse ravimit, mõõtes samadel objektidel vaid 1 tunnust. Mõlema juhul on kirjas testitav hüpoteesipaar, võrdlemiseks vajaliku statistiku konstrueerimine ning tema jaotust. Teine peatükk valmistab lugejat ette 5. peatüki jaoks, kus esitatakse nende kahe disaini üks võimalikke üldistusi. Kolmandas peatükis käsitletakse profiilianalüüsi, mis on mõeldud erinevate populatsioonide keskväärtusvektorite võrdlemiseks. Antakse ülevaade profiilianalüüsi käigust, püstitatavatest hüpoteesidest ja nende kontrollist võrreldes 2 populatsiooni. Neljandas peatükis tutvustatakse mitmemõõtmelist dispersioonanalüüsi (MANOVAt), mis on vajalik keskväärtuste võrdlemisel, kui võrreldavaid populatsioone on 2-st rohkem. Kirjeldatakse MANOVA kasutamiseks vajalikke eeldusi ning teststatistiku konstrueerimist. Viiendas peatükis antakse ülevaade mitmemõõtmeliste korduvmõõtmiste tulemusena saadud andmete ühest võimalikust analüüsiviisist ehk mitmemõõtmelisest juhumõjudega korduvmõõtmiste mudelist. Andmed olgu sellise struktuuriga, et igal indiviidil on mõõdetud ajahetkel tunnust ning võrreldavaid gruppe saab olla . Peatükis tuuakse välja juhumõjudega mudeli kuju, mudeli parameetrite hinnangud, mudeli parameetrite kohta käivate hüpoteeside üldine kuju ning nende testimiseks vajalik eeskiri. Viimases peatükis kirjeldatakse töös kasutatavate andmete bioloogilist tausta ja tekkimise protsessi. Samuti tutvustatakse konkreetset töös kasutatavat andmestikku, rakendatakse profiilianalüüsi ja proovitakse hinnata eelnevas peatükis esitatud juhumõjudega mudel. Profiilianalüüsi eesmärgiks on uurida, kas leidub peptiide, mille korral antikehade kontsentratsioon ajas ei ole muutunud. Juhumõjudega mudeli hindamise eesmärgiks on peptiidide kasvukõverate kujude võrdlemine, leidmaks käitumiselt sarnaseid peptiide.
Toitumise seosed lipoproteiinidega Tartu Ülikooli Eesti Geenivaramu andmestikus: korreleeritud andmete mitmemõõtmeline analüüs
(Tartu Ülikool, 2013-06-06) Helekivi, Kristi; Fischer, Krista, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Antud bakalaureusetöös on Tartu Ülikooli Eesti Geenivaramu andmete põhjal vaadeldud võimalikke seoseid inimeste toitumisharjumuste ja metaboloomika-tunnuste vahel. Metaboliidid on metabolismi ehk ainevahetuse käigus tekkinud ühendid. Tavaliselt mõeldakse metaboliidi all madalmolekulaarseid ühendeid [1]. Tartu Ülikooli Eesti Geenivaramu andmebaasis on ligikaudu 10 000 geenidoonori kohta olemas detailsed metaboloomika-andmed, mille hulgas on üle 70 tunnuse, mis iseloomustavad eri tüüpi lipoproteiinide ja neis sisalduvate lipiidide kontsentratsiooni. Lisaks on teada andmed geenidoonorite toitumiseelistuste kohta ning doonorite sugu, vanus ja kehamassiindeks. Töö esimeses peatükis on kirjeldatud kasutatavate andmete tausta ning on antud ülevaade olulisemate tunnuste jaotusest, kasutades graafilisi meetodeid. Teises peatükis on toodud ülevaade kasutatavast statistilisest meetodikast. Kolmandas ning neljandas peatükis rakendatakse metoodikat Tartu Ülikooli Eesti Geenivaramu andmetele. Lipoproteiinide andmestiku dimensionaalsuse vähendamiseks rakendatakse andmetele esmalt peakomponentanalüüsi ning seejärel faktoranalüüsi. Samuti uuritakse toitumistunnuste seoseid nii üksikute lipoproteiinidega kui ka lipoproteiinide analüüsimisel saadud peakomponentide ja faktoritega. Lõpuks on katsetatud struktuurivõrrandite mudelite metoodikat, mis võimaldab ühe protseduuri käigus nii andmestiku dimensionaalsuse vähendamist kui ka seosestruktuuri uurimist. Bakalaureusetöö kirjutamiseks on kasutatud tekstitöötlusprogrammi Microsoft Word 2010. Analüüsid on läbi viidud statistikapaketiga R. Joonised on tehtud programmidega Microsoft Excel 2010 ja Graphviz 2.30.1.
Hüpertensiooni geneetilise riskiskoori prognoosivõime hindamine: analüüs Tartu Ülikooli Eesti Geenivaramu andmebaasi põhjal
(Tartu Ülikool, 2013-06-06) Roos, Marja-Liisa; Fischer, Krista, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Üliikool. Matemaatilise statistika instituut
Antud magistritöö eesmärgiks on uurida, milliste meetodite abil saab hinnata geenimarkerite võimet eristada kõrge ja madala riskiga indiviide, olles eelnevalt arvesse võtnud muud riskitegurid. Töö metoodika osas on tutvustatud järgmisi statistilise analüüsi meetodeid: lineaarne ja logistiline regressioon, diagnostiliste testide analüüsi meetodeid, kuhu alla kuuluvad testi tundlikkuse ja spetsiifilisuse arvutamine, ROC-analüüs ja ROC-kõvera aluse pindala leidmine ja interpreteerimine ning ümberklassifitseerimise indeksi tutvustamine. Töö praktilises osas on esmalt iseloomustatud Eesti Geenivaramu geenidoonoreid erinevate tunnuste alusel ning analüüsitud hüpertensiooni diagnoosi esinemise seoseid geneetiliste markerite ning erinevate keskkonnast tulenevate tausttunnustega, nagu näiteks suitsetamine ning toitumisharjumused. Seejärel on uuritud saadud mudelite prognoosivõimet, kasutades ROC-kõveraid ja ümberklassifitseerimise indekseid. Samuti uuriti ka seda, kas prognoosivõime on erinev erinevates geenidoonorite gruppides, sõltuvalt soost, vanusest ja kehamassiindeksist. Autori panuseks oli statistilise metoodika valik ja kirjeldamine mitmete erinevate allikate põhjal. Lisaks programmide kirjutamine, millega võimaldati geenidoonorite andmete pealt vastavaid mudeleid ja tabeleid koostada ja analüüsida ning graafikuid joonistada. Töö kirjutamiseks on kasutatud tekstitöötlusprogrammi Microsoft Word ning programmikoodid on koostatud statistikapaketi R abil.
ARROW, an advanced tool to search and manage rights information.
(2013-06-06) Ha, Que Anh
Orphan works – the new EC directive and its implementation
(2013-06-06) Müller, Harald
Knowledge ecology and knowledge economy interests can be made compatible
(2013-06-06) Kuhlen, Rainer
The authorial rights in the digital economy
(2013-06-06) Kelli, Aleksei
Ebaõnnestunud toitmine TÜ Kliinikumi üldintensiivravi osakonna patsientidel
(Tartu Ülikool, 2013-06-06) Starkopf, Liis; Fischer, Krista, juhendaja; Reintam Blaser, Annika, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Käesolevas bakalaureusetöös on uuritud Tartu Ülikooli Kliinikumi anestesioloogia ja intensiivravi kliiniku üldintensiivravi osakonna (edasipidi intensiivravi osakond) patsientide andmeid. Intensiivravi osakonna patsiendid on sageli aparaadihingamisel ning pole võimelised suu kaudu sööma. Seetõttu toidetakse neid üldiselt sondi kaudu otse makku. Kuna paljudel patsientidel on seedetrakti funktsioon häiritud, ei pruugi sondiga toitmine õnnestuda. Sellist situatsiooni nimetatakse ebaõnnestunud toitmiseks. Terminit „ebaõnnestunud toitmine“ kasutatakse intensiivravi osakonna igapäevatöös palju, kuid ühene definitsioon puudub. Bakalaureusetöö eesmärgiks on võrrelda erinevate ebaõnnestunud toitmise definitsioonide mõju ravitulemusele. Samuti on eesmärgiks selgitada välja intensiivravi osakonna haigete suremust prognoosivad tunnused, seejuures teha kindlaks, kas ka mõni ebaõnnestunud toitmise definitsioon on suremust prognoosivate tunnuste hulgas. Bakalaureusetöös on esmalt antud ülevaade andmete analüüsimiseks kasutatud meetoditest. Seejärel on lühidalt kirjeldatud uuritud andmeid, esitatud andmete modelleerimiseks vajalike uute tunnuste definitsioonid, sealhulgas ebaõnnestunud toitmise definitsioonid, ning nende tunnuste jaotuste kirjeldused. Suremuse ja ebaõnnestunud toitmise erinevate definitsioonide vaheliste seoste kindlaks tegemiseks on kasutatud 2 -testi, logistilist regressiooni ja elukestusanalüüsi. Olulised seosed ja mudelite kirjeldused on toodud tulemuste osas. Bakalaureusetöö on kirjutatud tekstitöötlusprogrammiga Microsoft Word 2003. Analüüsid on läbi viidud statistikapakettiga R. Olulisuse tõenäosuseks on kõikjal töös valitud = 0,05.
MDL-meetod diferentsiaalselt metüleeritud regioonide tuvastamiseks
(Tartu Ülikool, 2013-06-06) Märtens, Kaspar; Kolde, Raivo, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Bioloogilist huvi pakub küsimus, millised tegurid reguleerivad geenide avaldumist. DNA metülatsioon on üks mitmetest mehhanismidest, mida rakkudes kasutatakse geenide vaigistamiseks. Metülatsioon omab funktsionaalset rolli ainult DNA järjestuse kindlatel positsioonidel, mida nimetatakse CpG saitideks. Tihti on järjestikuste CpG saitide metüleeritus sarnane, seega on mõttekas otsida ühesuguse metülatsioonimustriga pikemaid regioone. Diferentsiaalselt metüleeritud regioonideks (DMR) nimetatakse selliseid järjestikusi CpG saite, kus erinevate gruppide (näiteks vähihaigete ja tervete, noorte ja vanade indiviidide või erinevat tüüpi kudede) vahel on metüleerituses erinevusi. Käesoleva bakalaureusetöö eesmärgiks on välja töötada meetod diferentsiaalselt metüleeritud regioonide tuvastamiseks, mida saaks kasutada eelkõige metülatsioonikiibi andmetel. Selleks soovime jagada DNA järjestuse optimaalsel viisil segmentideks ning seejärel teha iga segmendi kohta otsuse, kas seal esineb diferentsiaalne metülatsioon või mitte. Töö algul antakse ülevaade DNA metülatsioonist ning formuleeritakse matemaatiline probleem, mis seisneb andmetest järjestikuste segmentide leidmises. Järgneb ülevaade tõenäosuslike mudelite kodeerimisest ning MDL-printsiibist, sest sellele toetume optimaalse segmentatsiooni leidmisel. Peatükis 3 on toodud üldine raamistik, mille kohaselt jagada andmed parimal viisil segmentideks, kasutades segmendiviisi defineeritud mudeleid ning valides neist MDLi mõttes parima. Selline raamistik võimaldab kasutada segmentidel andmete kirjeldamiseks suvalisi mudeleid, mille alusel on võimalik arvutada andmete tõepära. Seejärel on seda raamistikku kasutatud kahe konkreetse meetodi jaoks. Neist on lähemalt uuritud meetodit, mis põhineb segmentidele lineaarsete mudelite sobitamisel: testime seda nii simuleeritud kui ka bioloogilistel andmetel, lisaks võrdleme saadud tulemusi ühe võimaliku alternatiiviga. Need mõlemad meetodid implementeeriti programmeerimiskeeles R.
Eksponentsiaalse silumise meetodid aegridade prognoosimiseks
(Tartu Ülikool, 2013-06-06) Mägi, Kädi; Kangro, Raul, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Inimestele on alati huvi pakkunud tulevik, siiani otsitakse võimalusi, kuidas saada võimalikult täpseid ennustusi parasjagu huvipakkuvale valdkonnale. Käesolevas töös on uurimise alla võetud eksponentsiaalse silumise meetodid ning nendele tuginevad olekuruumi mudelid. Eksponentsiaalse silumise meetodid on olnud kasutuses 1950 aastatest ning need on siiani ühed populaarsemad prognoosimismeetodid, mida äris ja tööstuses kasutatakse. Algusaastatel oli väga tähtsaks meetodi rakendamise juures piiratud nõudmised arvutite võimalustele. Tänapäeval on veelgi tähtsam, et parameetrite hindamisel ja prognooside genereerimisel eksponentsiaalse silumise meetoditega on arvutused intuitiivsed ja kergesti mõistetavad. Just seetõttu on need meetodid leidnud laialdast kasutust. Eksponentsiaalse silumise meetodite puuduseks on olnud statistilise raamistiku puudumine, mis tagaks kasutajatele nii usalduspiirid kui ka punktiviisilise prognoosi. Olekuruumi mudelid annavad selle raamistiku, samas säilib eksponentsiaalse silumise meetodite intuitiivne olemus. See pakub mudelivaliku protseduure, usaldusintervalle, suurima tõepära hinnangut ja palju muud. Suhteliselt hiljuti välja arendatud modelleerimisraamistiku tulemusena on eksponentsiaalse silumise meetodid viimase kümne-viieteist aastaga läbi teinud suure arengu. Magistritöö peamiseks ülesandeks on tutvustada eksponentsiaalse silumise meetodeid, olekuruumi mudeleid ning nende kasutamist. Samas sobib see ka lisamaterjaliks aegridade kursuse juurde. Magistritöö on jaotatud osadeks, kus toome välja: 1) eksponentsiaalse silumise meetodite jaoks lühikese kokkuvõtte nende ajaloost, näitame, kuidas meetodid tähistatakse, lähtuvalt nende komponentidest, ka toome välja tuntumad meetodid ning samuti on kirjeldatud kuidas valitud meetodit ise kirja panna. 2) olekuruumi mudelite jaoks mudeli definitsiooni lineaarse mudeli jaoks ning ka üldisema kuju, näitame, kuidas saab meetoditele tuginedes välja kirjutada nii aditiivse kui ka multiplikatiivse veakomponendiga mudelid. 3) mudelite rakendamiseks vajaminevate algväärtuste leidmiseks ühe võimaliku skeemi ja näitame, kuidas leida parameetritele hinnangud. 4) mudelite võrdlemiseks mõned headuse mõõdikud ja mudeli valiku jaoks kasutatavad informatsioonikriteeriumid. 5) kuidas antud mudeleid kasutada statistikapaketi R lisapaketiga forecast. Paketi jaoks on toodud lühike kasutusjuhend ning osade funktsioonide tutvustused. 6) erinevate aegridade näidetel olekuruumi mudelite võrdlus ARIMA mudelitega.
Europeana Public Domain Calculator
(2013-06-06) Peiffer, Patrick
EOD and 20th century’s digitisation desert: can we make it bloom?
(2013-06-07) Gstrein, Silvia
Interlibrary loan in the future – how to fix the digital link?
(2013-06-07) Ryden, Jerker
Between legal restrictions, technological possibilities and user needs – the acquisition strategy of German Open Access Repository for East European Studies “OstDok”
(2013-06-07) Wirtz, Gudrun
Digital collections and legal challenges in Estonia
(2013-06-07) Linask, Karmen
Üks eriskummaline kevad tänavune
(Maaleht, 2013-06-09) Kallis, A.
Diferentsiaalvõrrandite lahendamine simulatsioonide abil
(Tartu Ülikool, 2013-06-10) Näksi, Rauno; Kangro, Raul, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Diferentsiaalvõrrandid on matemaatiliseks keeleks, mille abil on võimalik kirjeldada väga paljude reaalse maailma protsesside käitumist, seda nii füüsikas, keemias, bioloogias kui ka finantsmatemaatikas. Huvitaval kombel on paljusid selliseid võrrandeid võimalik ligikaudselt lahendada nii, et simuleerime nn osakese liikumist, vaatame kuhu see jõuab ning leiame lihtsa aritmeetilise keskmise teatud suurustest, mis on arvutatud selle osakese trajektoori ja selle lõppasukoha abil. Olulist rolli mängivad töös stohhastilised diferentsiaalvõrrandid (SDV). Tavalisel diferentsiaalvõrrandil on lahendi tulevikuväärtused määratud algtingimustega, kuid SDV korral on lahendiks juhuslik protsess, see tähendab, et samadele algtingimustele vastab palju erinevaid võimalikke tulevikukäitumisi. Töö eesmärgiks on uurida, kuidas on omavahel seotud tavaliste diferentsiaalvõrrandite lahendid ja SDV lahendid. Töö on jaotatud neljaks peatükiks. Esimeses peatükis tutvume põhjalikult Browni liikumisega. Teises peatükis vaatame, kuidas kasutada Browni liikumist, et defineerida uusi juhuslikke protsesse stohhastilise diferentsiaalvõrrandi abil. Kolmandas peatükis uurima, kuidas on omavahel seotud tavaliste diferentsiaalvõrrandite lahendid ja SDV lahendid ning peatüki lõpus toome esituse diferentsiaalvõrrandi lahendist kui keskväärtusest. Neljandas peatükis viime läbi eksperimendid, et veenduda teoreetiliste tulemuste kehtivuses ja uurime viga, mis tekib sellest, et juhusliku protsessi simuleerimisel kasutame lõplikku ajasammu. Käesolevas töös esitame illustreerivaid jooniseid tulemustest, toome erinevaid näiteid kirjeldatud meetodi rakendamisest. Töös kasutan simulatsioonide läbiviimiseks programmeerimiskeelt Python versioon 3.2.3 ja tarkvarapaketti Matlab versioon 7.12.0.384.
Andmete kogumise juhtimine tasakaaluindikaatori abil
(Tartu Ülikool, 2013-06-10) Roosileht, Nora; Traat, Imbi, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Käesolev bakalaureusetöö käsitleb andmete kogumise juhtimist tasakaaluindikaatorite abil valikuuringutes. Kadu on sage probleem uuringutes. Valimisse sattunud objektidelt ei saada andmeid, sest inimesed jätavad küsimustele vastamata, neid ei saada kätte või ajapuuduse tõttu ei ole võimalik kõiki objekte küsitleda. Tagajärjeks on kallutatud vastanute hulk, mis on paljude näitajate osas ebaproportsionaalne valimi suhtes, ja mida kasutades tekivad nihkega hinnangud. Särndal (2011a) on välja töötanud indikaatorid, mis võimaldavad vastanute hulga tasakaalu mõõta. Indikaatorid võrdlevad abitunnuste keskmisi vastanute hulgas ja kogu valimis. Kui keskmised on lähedased, on vastanute hulk tasakaalus. Antud töö eesmärk on leida tasakaaluindikaatori abil mittevastanute hulgast üles need objektid, kelle andmed viiksid kogutud tulemused kõige enam tasakaalu valimi suhtes. Küsitlejate jõupingutused tuleb suunata siis just nende objektide kättesaamisele. Töö esimeses pooles tutvustatakse tasakaaluindikaatoreid, mille abil on võimalik mõõta vastanute hulga tasakaalu kogu valimi suhtes. Varasemas bakalaureusetöös, Mätik (2012), on juba käsitletud tasakaaluindikaatoreid, nende tuletamist ning omadusi, seetõttu tuuakse sellest materjalist välja vaid vajalik. Antud bakalaureusetöös vaadeldakse kõne all olevate indikaatorite käitumist praktikas. Töö teises pooles rakendataksegi tasakaaluindikaatorite leidmist ning vastanute hulga valimi suhtes tasakaalu viimist reaalsete andmete peal. Autori panuseks on tasakaaluindikaatori töö põhimõtte selgitamine, reaalsete andmete saamine ja kasutatavaks teisendamine, ülesande püstitamine, mis imiteerib andmekogumisprotsessi, programmi kirjutamine, mis võimaldab indikaatori katsetamist andmekogumisprotsessis ja selle protsessi suunamist, ning tulemuste interpreteerimine. Bakalaureusetöö on kirjutatud tekstitöötlusprogrammiga Texmaker. Programm on koostatud ja arvutused teostatud statistikapaketiga R.
Imputation of inventories in Estonian Commercial Register
(Tartu Ülikool, 2013-06-10) Dalberg, Cliona Georgia; Vähi, Mare, juhendaja; Tamm, Ebu, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Missing values is a problem which often troubles statisticians, because most of the analysis methods consider full data. Almost every dataset has unobserved values due to the unconsciousness of the respondents, technical errors and several other reasons. One way to deal with the missingness is trying to replace missing values ‒ imputing. Imputing is a cost-effective measure, it allows to use data which otherwise would be discarded. Imputing also minimizes bias and makes using rectangular dataset and complete data analysis possible (Longford 2005, p. 38; Scheffer 2002, p. 156). This bachelor thesis was written as a part in the project “Integrating annual bookkeeping reports into statistical production system”, which was requested from Statistics Estonia by Eurostat. Data were collected from annual reports of Estonian Commercial Register. Main goal was to complete the section of inventories in the dataset of 2011. The first part of the thesis concentrates on giving overview about missing patterns and applications and theory of selected methods. In the second part a simulation is carried out, the dataset is described and arranged and previously specified methods are tested. Code of the program is added to appendix.