No description available.

No description available.

The classical one way MANOVA model is used to test whether the mean measurements are the same or differ across p groups, and assumes that the covariance matrix of each group is the same. This work suggests using the Olive (2017abc) bootstrap technique to develop analogs of one way MANOVA test. A large sample theory test has also been developed. The bootstrap tests can have considerable outlier resistance, and the tests do not need the population covariance matrices to be equal. The two sample Hotelling's T^2 test is the special case of the one way MANOVA model when p =2.

The unique problems encountered when analyzing weather data sets - that is, measurements taken while conducting a meteorological experiment- have forced statisticians to reconsider the conventional analysis methods and investigate permutation test procedures. The problems encountered when analyzing weather data sets are simulated for a Monte Carlo study, and the results of the parametric and permutation t-tests are compared with regard to significance level, power, and the average coilfidence interval length. Seven population distributions are considered - three are variations of the normal distribution, and the others the gamma, the lognormal, the rectangular and empirical distributions. The normal distribution contaminated with zero measurements is also simulated. In those simulated situations in which the variances are unequal, the permutation test procedure was performed using other test statistics, namely the Scheffe, Welch and Behrens-Fisher test statistics. / Mathematical Sciences / M. Sc. (Statistics)

Σκοπός της παρούσης διατριβής είναι να προτείνει ένα τυπικό πλαίσιο για μια μεθοδολογία ανάλυσης που να ενσωματώνει ποσοτικά, και λειτουργικά δεδομένα και στοχεύει στο σχεδιασμό πειραμάτων για την επιβέβαιωση μεταγραφικών παραγόντων που δεσμεύονται σε ένα λειτουργικά ενεργό μοτίβο στον υποκινητή γονιδίων. Το πλαίσιο αυτό που βασίζεται στη Bayesian πιθανοκρατική θεωρία όπως αυτή θεμελιώνεται στη θεωρία λήψης αποφάσεων, εφαρμόζεται σε ένα πρόβλημα από το ερευνητικό πεδίο της ανοσοβιολογίας. Συγκεκριμένα μελετούμε την ανίχνευση μεταγραφικών παραγόντων που ενέχονται στην αρνητική ρύθμιση της γονιδιακής έκφρασης κατά τη διαδικασία ενεργοποίσης των Τ λεμφοκυττάτων. Η υιοθέτηση του προτεινούμενου πλαισίου σμιλεύει μαι αυστηρή διαδοχή διεξαγωγής in vitro και in silico πειραμάτων που ξεκινά από τεχνικές μαζικής ανάλυσης γονιδιακής έκφρασης, περνά μέσα από βάσεις δεδομένων μεταγραφικών παραγόντων και μέσω πειραμάτων ηλεκτροφορητικής κινητικότητας (Electromobility Shift Assays) στοχεύεται στην επιβεβαίωση που προσφέρουν τα πειράματα διαμόλυνσης (transfection and reporter assays). Κατά την τυποποίηση της λογικοφανούς αυτής προσέγγισης ανακύπτει ένα από τα γνωστότερα προβλήματα της εφαρμοσμένης στατιστικής, το πρόβλημα των "δύο μέσων όρων" ή πρόβλημα Behrens-Fisher. Για τη λύση αυτού του προβλήματος προτείνονται νέα μαθηματικά εργαλεία τα οποία αξιοποίηθηκαν για την κατασκευή αντίστοιχου λογισμικού. Με την εφαρμογή αυτών των εργαλείων στο εφαρμοσμένο ανοσοβιολογικό πρόβλημα προέκυψε μια μη αναμενόμενη σχέση μεταξύ δυο φαινομενικά μη συνδεόμενων συστημάτων¨των γονιδίων των κυτταροκινών και του ιού HIV. Μέσω της περιγραφόμενης μεθοδολογίας κατέστη εφικτή μια υποθεσο-εξαρτώμενη προσέγγιση σε ένα σημαντικό πρόβλημα το οποίο δεν ήταν δυνατό να λύθέί με κλασσικές βιοχημικές τεχνικές λόγω τεχνικών δυσκολιών / The current disertation concerns the description of a formal framework and an analytic methodology which aims to validate transcription factors controlling gene expression through functional and quantitative data. This Bayesian decision theory inspired framework is applied to a specific immunobiological problem. The problem targetted was the discovery of transcriptional repressors implicated in the negative control of T cell activation. Adopting the proposed framework leads one to a staged experimental strategy which starts from high-throughput gene expression data and transcription factor databases and through Electrophoretic Mobility Shift Assays targets the design of transfection and reporter gene assays. The formalization of the proposed approach, led to one of the famous applied statistics problems i.e. the two means or Behrens - Fisher problem. In order to deal with the computational aspects of this problem, we applied a novel integral transformations and ported them to software. The application of these tools to the immunobiological problem led to an unexpected connection between two seemingly unrelated systems: cytokine gene protomers and HIV LTR. The proposed methodology enabled a hypothesis-driven approach to an important basic immunobiological problem which could not be solved by standard biochemical techniques.

The unique problems encountered when analyzing weather data sets - that is, measurements taken while conducting a meteorological experiment- have forced statisticians to reconsider the conventional analysis methods and investigate permutation test procedures. The problems encountered when analyzing weather data sets are simulated for a Monte Carlo study, and the results of the parametric and permutation t-tests are compared with regard to significance level, power, and the average coilfidence interval length. Seven population distributions are considered - three are variations of the normal distribution, and the others the gamma, the lognormal, the rectangular and empirical distributions. The normal distribution contaminated with zero measurements is also simulated. In those simulated situations in which the variances are unequal, the permutation test procedure was performed using other test statistics, namely the Scheffe, Welch and Behrens-Fisher test statistics. / Mathematical Sciences / M. Sc. (Statistics)