Density function smoothing using discrete F-transform

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27510%2F09%3A00020604" target="_blank" >RIV/61989100:27510/09:00020604 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Density function smoothing using discrete F-transform

Popis výsledku v původním jazyce

There exist many approaches to the estimation of probability distribution function. A general principal is to reduce a noise (more precisely, a white noise) in data by means of e.g. stochastic processes, kernel regressions, integral transforms, wavelettransforms, or even fuzzy filters. Without applying such a method the data set would be deformed by a noise so that the resulting interpretation might be problematic or, what would be worse, misleading. Moreover, a construction of valuable models from such data is also complicated. In this paper we propose and apply a relatively new and more or less simple approach to filter a noise from data -- the fuzzy transform (F-transform) originally introduced in Perfilieva (2006). More particularly, we will introduce a filter using the direct and inverse F-transform and show that the filtered data have a smaller noise, i.e., the variance of the random variable describing a filtered data noise is smaller than the variance of the random variable e

Název v anglickém jazyce

Density function smoothing using discrete F-transform

Popis výsledku anglicky

There exist many approaches to the estimation of probability distribution function. A general principal is to reduce a noise (more precisely, a white noise) in data by means of e.g. stochastic processes, kernel regressions, integral transforms, wavelettransforms, or even fuzzy filters. Without applying such a method the data set would be deformed by a noise so that the resulting interpretation might be problematic or, what would be worse, misleading. Moreover, a construction of valuable models from such data is also complicated. In this paper we propose and apply a relatively new and more or less simple approach to filter a noise from data -- the fuzzy transform (F-transform) originally introduced in Perfilieva (2006). More particularly, we will introduce a filter using the direct and inverse F-transform and show that the filtered data have a smaller noise, i.e., the variance of the random variable describing a filtered data noise is smaller than the variance of the random variable e

Druh

D - Stať ve sborníku

CEP obor

AH - Ekonomie

OECD FORD obor

—

Projekt

<a href="/cs/project/GA402%2F08%2F1237" target="_blank" >GA402/08/1237: Aplikace komplexních Lévyho procesů při modelování vývoje cen finančních aktiv</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2009

Kód důvěrnosti údajů

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

Název statě ve sborníku

Mathematical Methods in Economics 2009

ISBN

978-80-213-1963-9

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

—

Název nakladatele

Czech University of Life Science in Prague

Místo vydání

Praha

Místo konání akce

Praha

Datum konání akce

9. 9. 2009

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000275146900023