Show simple item record

Mnohorozměrná statistika a aplikace na studium genů
dc.contributor.advisorKlebanov, Lev
dc.creatorBubelíny, Peter
dc.date.accessioned2018-11-30T12:53:47Z
dc.date.available2018-11-30T12:53:47Z
dc.date.issued2014
dc.identifier.urihttp://hdl.handle.net/20.500.11956/67816
dc.description.abstractTitle: Multidimensional statistics and applications to study genes Author: Mgr. Peter Bubelíny Department: Department of probability and mathematical statistics Supervisor: prof. Lev Klebanov, DrSc., KPMS MFF UK Abstract: Microarray data of gene expressions consist of thousands of genes and just some tens of observations. Moreover, genes are highly correlated between themselves and contain systematic errors. Hence the magnitude of these data does not afford us to estimate their correlation structure. In many statistical problems with microarray data, we have to test some thousands of hypotheses simultaneously. Due to dependence between genes, p-values of these hypotheses are dependent as well. In this work, we compared conve- nient multiple testing procedures reasonable for dependent hypotheses. The common manner to make microarray data more uncorrelated and partially eliminate systematic errors is normalizing them. We proposed some new normalizations and studied how different normalizations influence hypothe- ses testing. Moreover, we compared tests for finding differentially expressed genes or gene sets and identified some interesting properties of some tests such as bias of two-sample Kolmogorov-Smirnov test and interesting behav- ior of Hotelling's test for dependent components of observations. In the end of...en_US
dc.description.abstractNázev práce: Mnohorozměrná statistika a aplikace na studium genů Autor: Mgr. Peter Bubelíny Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí disertační práce: prof. Lev Klebanov, DrSc., KPMS MFF UK Abstrakt: Microarrayová data genových expresí se skládají z několika tisíců genů a pouze několika desítek pozorování. Navíc, geny jsou mezi sebou silně závislé a data obsahují systematické chyby. Proto nám rozsah těchto dat nedovoluje rozumně odhadnout jejich korelační strukturu. U mnoha stati- stických problémů s mircoarrayovými daty musíme současně testovat tisíce hypotéz. Vzhledem k závislosti mezi geny, p-hodnoty těchto hypotéz jsou taky závislé. V této práci porovnáme běžné procedury mnohonásobného testování, které jsou vhodné pro závislé hypotézy. Běžný způsob, jak udělat microarrayová data méně závislá a částečně odstanit systematické chyby, je normalizovat je. Proto bylo navrhnuto několik nových normalizací a studovali jsme, jak různé normalizace ovlivňují testování hypotéz. Navíc jsme porov- nali testy pro nalezení odlišně expresovaných genů nebo genových množin a nalezli několik zajímavých vlastností testů jako například strannost dvoj- výběrového Kolmogorov-Smirnovova testu a...cs_CZ
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectMultiple testing proceduresen_US
dc.subjectmicroarrayen_US
dc.subjectgene expressionsen_US
dc.subjectprocedury mnohonásobného testovánícs_CZ
dc.subjectmicroarraycs_CZ
dc.subjectgenové expresecs_CZ
dc.titleMultidimensional statistics and applications to study genesen_US
dc.typedizertační prácecs_CZ
dcterms.created2014
dcterms.dateAccepted2014-06-25
dc.description.departmentKatedra pravděpodobnosti a matematické statistikycs_CZ
dc.description.departmentDepartment of Probability and Mathematical Statisticsen_US
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId44629
dc.title.translatedMnohorozměrná statistika a aplikace na studium genůcs_CZ
dc.contributor.refereeJurečková, Jana
dc.contributor.refereeKalina, Jan
dc.identifier.aleph001786092
thesis.degree.namePh.D.
thesis.degree.leveldoktorskécs_CZ
thesis.degree.disciplinePravděpodobnost a matematická statistikacs_CZ
thesis.degree.disciplineProbability and Mathematical Statisticsen_US
thesis.degree.programMathematicsen_US
thesis.degree.programMatematikacs_CZ
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csPravděpodobnost a matematická statistikacs_CZ
uk.degree-discipline.enProbability and Mathematical Statisticsen_US
uk.degree-program.csMatematikacs_CZ
uk.degree-program.enMathematicsen_US
thesis.grade.csProspěl/acs_CZ
thesis.grade.enPassen_US
uk.abstract.csNázev práce: Mnohorozměrná statistika a aplikace na studium genů Autor: Mgr. Peter Bubelíny Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí disertační práce: prof. Lev Klebanov, DrSc., KPMS MFF UK Abstrakt: Microarrayová data genových expresí se skládají z několika tisíců genů a pouze několika desítek pozorování. Navíc, geny jsou mezi sebou silně závislé a data obsahují systematické chyby. Proto nám rozsah těchto dat nedovoluje rozumně odhadnout jejich korelační strukturu. U mnoha stati- stických problémů s mircoarrayovými daty musíme současně testovat tisíce hypotéz. Vzhledem k závislosti mezi geny, p-hodnoty těchto hypotéz jsou taky závislé. V této práci porovnáme běžné procedury mnohonásobného testování, které jsou vhodné pro závislé hypotézy. Běžný způsob, jak udělat microarrayová data méně závislá a částečně odstanit systematické chyby, je normalizovat je. Proto bylo navrhnuto několik nových normalizací a studovali jsme, jak různé normalizace ovlivňují testování hypotéz. Navíc jsme porov- nali testy pro nalezení odlišně expresovaných genů nebo genových množin a nalezli několik zajímavých vlastností testů jako například strannost dvoj- výběrového Kolmogorov-Smirnovova testu a...cs_CZ
uk.abstract.enTitle: Multidimensional statistics and applications to study genes Author: Mgr. Peter Bubelíny Department: Department of probability and mathematical statistics Supervisor: prof. Lev Klebanov, DrSc., KPMS MFF UK Abstract: Microarray data of gene expressions consist of thousands of genes and just some tens of observations. Moreover, genes are highly correlated between themselves and contain systematic errors. Hence the magnitude of these data does not afford us to estimate their correlation structure. In many statistical problems with microarray data, we have to test some thousands of hypotheses simultaneously. Due to dependence between genes, p-values of these hypotheses are dependent as well. In this work, we compared conve- nient multiple testing procedures reasonable for dependent hypotheses. The common manner to make microarray data more uncorrelated and partially eliminate systematic errors is normalizing them. We proposed some new normalizations and studied how different normalizations influence hypothe- ses testing. Moreover, we compared tests for finding differentially expressed genes or gene sets and identified some interesting properties of some tests such as bias of two-sample Kolmogorov-Smirnov test and interesting behav- ior of Hotelling's test for dependent components of observations. In the end of...en_US
uk.file-availabilityV
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra pravděpodobnosti a matematické statistikycs_CZ
thesis.grade.codeP


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV