Rajoitetuista tarkkuus- ja kovarianssimatriisin estimointimenetelmistä sekä tilastollisesta verkkojen päättelystä
Väitöstilaisuuden tiedot
Väitöstilaisuuden päivämäärä ja aika
Väitöstilaisuuden paikka
Linnanmaa, sali L10
Väitöksen aihe
Rajoitetuista tarkkuus- ja kovarianssimatriisin estimointimenetelmistä sekä tilastollisesta verkkojen päättelystä
Väittelijä
Filosofian maisteri Markku Kuismin
Tiedekunta ja yksikkö
Oulun yliopiston tutkijakoulu, Luonnontieteellinen tiedekunta, Matemaattisten tieteiden tutkimusyksikkö
Oppiaine
Tilastotiede
Vastaväittäjä
Professori Ernst Wit, University of Lugano, Sveitsi
Kustos
Professori Mikko J. Sillanpää, Oulun yliopisto, Suomi
Muuttujien välisen riippuvuuden estimoimisesta sekä tapa tutkia geneettistä populaatiorakennetta verkkojen avulla
Satunnaismuuttujien hajontaa sekä riippuvuutta arvioidaan yleisesti kovarianssi- ja tarkkuusmatriisin avulla. Mikäli muuttujien lukumäärä on suurempi kuin mitattujen havaintojen lukumäärä, matriisien estimaatit ovat epätarkkoja tai niitä ei voi ollenkaan määrittää perinteisin menetelmin.
Edellä mainittua ongelmaa tutkitaan aktiivisesti tilastotieteen ja koneoppimisen saralla. Väitöstutkimuksessa esitellään uusi menetelmä, jonka avulla voidaan estimoida tarkkuusmatriisi, vaikka satunnaismuuttujia olisi enemmän kuin mitattuja havaintoja.
Perinnöllisyystieteen kehityksen myötä on syntynyt kysyntää uusille tilastotieteen menetelmille, joiden avulla voidaan analysoida suuria aineistoja. Väitöstyössä havainnollistetaan, kuinka verkkojen avulla voidaan mallintaa yksilötason populaatiorakennetta. Väitöksessä vertaillaan verkkoteorian työkaluja populaatiogenetiikan tavanomaisten menetelmien kanssa. Graafisen mallin valinnassa käytetään proseduuria, joka soveltuu erityisesti isojen aineistojen ja mallien tutkimiseen.
Edellä mainittua ongelmaa tutkitaan aktiivisesti tilastotieteen ja koneoppimisen saralla. Väitöstutkimuksessa esitellään uusi menetelmä, jonka avulla voidaan estimoida tarkkuusmatriisi, vaikka satunnaismuuttujia olisi enemmän kuin mitattuja havaintoja.
Perinnöllisyystieteen kehityksen myötä on syntynyt kysyntää uusille tilastotieteen menetelmille, joiden avulla voidaan analysoida suuria aineistoja. Väitöstyössä havainnollistetaan, kuinka verkkojen avulla voidaan mallintaa yksilötason populaatiorakennetta. Väitöksessä vertaillaan verkkoteorian työkaluja populaatiogenetiikan tavanomaisten menetelmien kanssa. Graafisen mallin valinnassa käytetään proseduuria, joka soveltuu erityisesti isojen aineistojen ja mallien tutkimiseen.
Viimeksi päivitetty: 23.1.2024