Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Shape analysis in the light of simplicial depth estimators

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F10%3A00063988" target="_blank" >RIV/00216224:14310/10:00063988 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://www1.maths.leeds.ac.uk/statistics/workshop/lasr2007/proceedings/" target="_blank" >http://www1.maths.leeds.ac.uk/statistics/workshop/lasr2007/proceedings/</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Shape analysis in the light of simplicial depth estimators

  • Popis výsledku v původním jazyce

    In this paper we present the maximum simplicial depth estimator and compare it to the ordinary least square estimator in examples from 2D shape analysis focusing on bivariate and multivariate allometrical problems from zoology. We compare two types of estimators derived under different subsets of parametric space on the basis of the linear regression model. In applications where outliers in the x- or y-axis direction occur in the data and residuals from ordinary least-square (OLS) linear regression model are not normally distributed, we recommend the use of the maximum simplicial depth estimators.

  • Název v anglickém jazyce

    Shape analysis in the light of simplicial depth estimators

  • Popis výsledku anglicky

    In this paper we present the maximum simplicial depth estimator and compare it to the ordinary least square estimator in examples from 2D shape analysis focusing on bivariate and multivariate allometrical problems from zoology. We compare two types of estimators derived under different subsets of parametric space on the basis of the linear regression model. In applications where outliers in the x- or y-axis direction occur in the data and residuals from ordinary least-square (OLS) linear regression model are not normally distributed, we recommend the use of the maximum simplicial depth estimators.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    BB - Aplikovaná statistika, operační výzkum

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    R - Projekt Ramcoveho programu EK

Ostatní

  • Rok uplatnění

    2010

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Systems Biology & Statistical Bioinformatics

  • ISBN

    9780853162636

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    4

  • Strana od-do

    51-54

  • Název nakladatele

    The University of Leeds

  • Místo vydání

    Leeds

  • Místo konání akce

    LASR 2007 Leeds

  • Datum konání akce

    1. 1. 2007

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku