A test of hypotheses for random graph distributions built from EEG data (2017)
- Authors:
- Autor USP: LEONARDI, FLORENCIA GRACIELA - IME
- Unidade: IME
- DOI: 10.1109/tnse.2017.2674026
- Assunto: GRAFOS ALEATÓRIOS
- Keywords: non-parametric test of hypotheses; Kolmogorov-Smirnov test; EEG
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher place: Piscataway
- Date published: 2017
- Source:
- Título do periódico: IEEE Transactions on Network Science and Engineering
- ISSN: 2327-4697
- Volume/Número/Paginação/Ano: v. 4, n. 2, p. 75-82, 2017
- Este periódico é de assinatura
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: green
-
ABNT
CERQUEIRA, Andressa et al. A test of hypotheses for random graph distributions built from EEG data. IEEE Transactions on Network Science and Engineering, v. 4, n. 2, p. 75-82, 2017Tradução . . Disponível em: https://doi.org/10.1109/tnse.2017.2674026. Acesso em: 24 abr. 2024. -
APA
Cerqueira, A., Fraiman, D., Vargas, C. D., & Leonardi, F. G. (2017). A test of hypotheses for random graph distributions built from EEG data. IEEE Transactions on Network Science and Engineering, 4( 2), 75-82. doi:10.1109/tnse.2017.2674026 -
NLM
Cerqueira A, Fraiman D, Vargas CD, Leonardi FG. A test of hypotheses for random graph distributions built from EEG data [Internet]. IEEE Transactions on Network Science and Engineering. 2017 ; 4( 2): 75-82.[citado 2024 abr. 24 ] Available from: https://doi.org/10.1109/tnse.2017.2674026 -
Vancouver
Cerqueira A, Fraiman D, Vargas CD, Leonardi FG. A test of hypotheses for random graph distributions built from EEG data [Internet]. IEEE Transactions on Network Science and Engineering. 2017 ; 4( 2): 75-82.[citado 2024 abr. 24 ] Available from: https://doi.org/10.1109/tnse.2017.2674026 - Some upper bounds for the rate of convergence of penalized likelihood context tree estimators
- Cadeias estocásticas parcimoniosas com aplicações à classificação e filogenia das seqüências de proteínas
- Advances in probability and mathematical statistics
- Computationally efficient change point detection for high-dimensional regression
- Estimadores regularizados para problemas de alta dimensão
- Estatística para dados em alta dimensão
- Loss of memory of hidden Markov models and Lyapunov exponents
- Nonparametric statistical inference for the context tree of a stationary ergodic process
- Comments on: a random forest guided tour
- Change point detection for high-dimensional regression data with l1-regularization
Informações sobre o DOI: 10.1109/tnse.2017.2674026 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 | 2840942.pdf | ||
 | 2840942.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
