| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Borries, George Freitas von | - |
| dc.contributor.author | Lins, Rafael da Silva | - |
| dc.identifier.citation | LINS, Rafael da Silva. Implementação Computacional de Algoritmos para Agrupamento de Dados HDLSS e HDLLSS. 2018. [16], 47 f., il. Trabalho de Conclusão de Curso (Bacharelado em Estatística)—Universidade de Brasília, Brasília, 2018. | pt_BR |
| dc.description | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2018. | pt_BR |
| dc.description.abstract | Este trabalho implementa em um pacote R um conjunto de algoritmos destinados a
agrupar variáveis em uma estrutura de dados superdimensionada com amostras pequenas
(HDLSS, High Dimensional Low Sample Size) e dados com estrutura superdimensionada,
longitudinal com amostras pequenas (HDLLSS, High Dimensional Longitudinal Low Sample
Size). Esses algoritmos utilizam como medida de similaridade o p-valor obtido a partir de
dois testes estatísticos distintos: um não-paramétrico, que testa a ausência de efeito simples
de grupo e outro, que avalia a ausência de efeito simples de grupo em um delineamento
fatorial com medidas repetidas no tempo. Aplicações em dados de microarranjo apresentam
resultados promissores. Os estudos de simulação sugerem que os algoritmos de agrupamento
implementados tiveram um desempenho interessante ao detectar grupos em dados HDLSS
e HDLLSS. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Algoritmos de agrupamento | pt_BR |
| dc.subject.keyword | PPCLUST | pt_BR |
| dc.subject.keyword | PPCLUSTEL | pt_BR |
| dc.subject.keyword | Dados HDLSS | pt_BR |
| dc.subject.keyword | Dados HDLLSS | pt_BR |
| dc.subject.keyword | Análise de microarranjo | pt_BR |
| dc.title | Implementação computacional de algoritmos para agrupamento de dados HDLSS e HDLLSS | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2020-07-22T20:08:04Z | - |
| dc.date.available | 2020-07-22T20:08:04Z | - |
| dc.date.submitted | 2018-07-04 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/24563 | - |
| dc.language.iso | Português | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
| dc.description.abstract1 | This study implements a R package with a set of algorithms to cluster variables in high
dimensional low sample size (HDLSS) data and high dimensional longitudinal low sample
size (HDLLSS) data. These algorithms are based on the use of a p-value from two diferents
statistical tests as a similarity measure for the clustering procedure: a nonparametric rank
test of homogeneous distribution between groups of variables and a test of no simple effect
on factorial design with measures observed over time. Applications on microarray data
show promising results. The simulation studies reveal that the implemented clustering
algorithms show an interesting performance to detecting groups in HDLSS and HDLLSS
data structures. | pt_BR |
| Aparece na Coleção: | Estatística
|
