Robust Depth-Based Inference in Elliptical Models

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F21%3A10435406" target="_blank" >RIV/00216208:11320/21:10435406 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-030-69944-4_14" target="_blank" >https://doi.org/10.1007/978-3-030-69944-4_14</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-69944-4_14" target="_blank" >10.1007/978-3-030-69944-4_14</a>

Jazyk výsledku
angličtina
Název v původním jazyce
Robust Depth-Based Inference in Elliptical Models
Popis výsledku v původním jazyce
Elliptical models are the most important family of multivariate probability distributions. We explore the properties of these distributions with respect to their halfspace depth and their illumination. The densities of elliptically symmetric distributions are expressed only in terms of the depth, the illumination, and a univariate function that can be estimated from the data. These observations set the ground for robust and nonparametric inference for (nearly) elliptical models based on the use of depth and illumination.
Název v anglickém jazyce
Robust Depth-Based Inference in Elliptical Models
Popis výsledku anglicky
Elliptical models are the most important family of multivariate probability distributions. We explore the properties of these distributions with respect to their halfspace depth and their illumination. The densities of elliptically symmetric distributions are expressed only in terms of the depth, the illumination, and a univariate function that can be estimated from the data. These observations set the ground for robust and nonparametric inference for (nearly) elliptical models based on the use of depth and illumination.

Projekt
<a href="/cs/project/GJ19-16097Y" target="_blank" >GJ19-16097Y: Geometrické aspekty matematické statistiky</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku
Studies in Classification, Data Analysis, and Knowledge Organization
ISBN
978-3-030-69943-7
ISSN
—
e-ISSN
—
Počet stran výsledku
9
Strana od-do
129-137
Název nakladatele
Springer Science and Business Media
Místo vydání
Německo
Místo konání akce
Cassino
Datum konání akce
11. 9. 2019
Typ akce podle státní příslušnosti
EUR - Evropská akce
Kód UT WoS článku
—

Podobné výsledky(10)