Show simple item record

Vážené poloprostorové hloubky a jejich vlastnosti
dc.contributor.advisorHlubinka, Daniel
dc.creatorKotík, Lukáš
dc.date.accessioned2018-11-30T14:52:15Z
dc.date.available2018-11-30T14:52:15Z
dc.date.issued2015
dc.identifier.urihttp://hdl.handle.net/20.500.11956/67027
dc.description.abstractStatistical depth functions became well known nonparametric tool of multivariate data analyses. The most known depth functions include the halfspace depth. Although the halfspace depth has many desirable properties, some of its properties may lead to biased and misleading results especially when data are not elliptically symmetric. The thesis introduces 2 new classes of the depth functions. Both classes generalize the halfspace depth. They keep some of its properties and since they more respect the geometric structure of data they usually lead to better results when we deal with non-elliptically symmetric, multimodal or mixed distributions. The idea presented in the thesis is based on replacing the indicator of a halfspace by more general weight function. This provides us with a continuum, especially if conic-section weight functions are used, between a local view of data (e.g. kernel density estimate) and a global view of data as is e.g. provided by the halfspace depth. The rate of localization is determined by the choice of the weight functions and theirs parameters. Properties including the uniform strong consistency of the proposed depth functions are proved in the thesis. Limit distribution is also discussed together with some other data depth related topics (regression depth, functional data depth)...en_US
dc.description.abstractStatistické hloubkové funkce se staly populárním nástrojem při statistickém neparametrickém zpracování mnohorozměrných dat. Nejznámější hloubkovou funkcí je tzv. poloprostorová hloubka, která má mnoho žádoucích vlastností. Některé její vlastnosti však často vedou k zavádějícím výsledkům, obzvláště v případě jiných než elipticky souměrných rozdělení. Práce zavádí 2 nové třídy hloubkových funkcí. Obě zobecňují poloprostorovou hloubku, zachovávají si některé její vlastnosti a v případě jiných než elipticky souměrných, multimodálních a směsových rozdělení mohou vést k lepším výsledkům a více respektují geometrickou strukturu dat. Definice je založena na použití váženého (polo)prostoru namísto indikátoru samotného poloprostoru. Speciální volbou vah, především v práci zavedených kuželosečkových vah, dostaneme link mezi lokálním pohledem na data, tzv. jádrovými odhady hustoty a mezi globálním pohledem na data v podobě poloprostorové hloubky. Míru lokalizace určuje tvar váhové funkce. V práci jsou odvozeny vlastnosti zavedených hloubkových funkcí, včetně stejnoměrné silné konzistence. Limitní rozdělení je rovněž diskutováno a také jsou zmíněna další témata (regresní hloubka, funkcionální hloubka), která mají spojitost s hloubkou dat a navrhované hloubkové funkce zde mohou přinést určitá vylepšení. Powered by TCPDF...cs_CZ
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectdata depthen_US
dc.subjectmultivariate dataen_US
dc.subjectnonparametric methodsen_US
dc.subjectorderingen_US
dc.subjectasymptoticsen_US
dc.subjecthloubka datcs_CZ
dc.subjectmnohorozměrná datacs_CZ
dc.subjectneparametrické metodycs_CZ
dc.subjectuspořádánícs_CZ
dc.subjectasymptotikacs_CZ
dc.titleWeighted Halfspace Depths and Their Propertiesen_US
dc.typedizertační prácecs_CZ
dcterms.created2015
dcterms.dateAccepted2015-03-09
dc.description.departmentKatedra pravděpodobnosti a matematické statistikycs_CZ
dc.description.departmentDepartment of Probability and Mathematical Statisticsen_US
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId57631
dc.title.translatedVážené poloprostorové hloubky a jejich vlastnostics_CZ
dc.contributor.refereeOmelka, Marek
dc.contributor.refereeMosler, Karl
dc.identifier.aleph001989512
thesis.degree.namePh.D.
thesis.degree.leveldoktorskécs_CZ
thesis.degree.disciplinePravděpodobnost a matematická statistikacs_CZ
thesis.degree.disciplineProbability and Mathematical Statisticsen_US
thesis.degree.programMathematicsen_US
thesis.degree.programMatematikacs_CZ
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csPravděpodobnost a matematická statistikacs_CZ
uk.degree-discipline.enProbability and Mathematical Statisticsen_US
uk.degree-program.csMatematikacs_CZ
uk.degree-program.enMathematicsen_US
thesis.grade.csProspěl/acs_CZ
thesis.grade.enPassen_US
uk.abstract.csStatistické hloubkové funkce se staly populárním nástrojem při statistickém neparametrickém zpracování mnohorozměrných dat. Nejznámější hloubkovou funkcí je tzv. poloprostorová hloubka, která má mnoho žádoucích vlastností. Některé její vlastnosti však často vedou k zavádějícím výsledkům, obzvláště v případě jiných než elipticky souměrných rozdělení. Práce zavádí 2 nové třídy hloubkových funkcí. Obě zobecňují poloprostorovou hloubku, zachovávají si některé její vlastnosti a v případě jiných než elipticky souměrných, multimodálních a směsových rozdělení mohou vést k lepším výsledkům a více respektují geometrickou strukturu dat. Definice je založena na použití váženého (polo)prostoru namísto indikátoru samotného poloprostoru. Speciální volbou vah, především v práci zavedených kuželosečkových vah, dostaneme link mezi lokálním pohledem na data, tzv. jádrovými odhady hustoty a mezi globálním pohledem na data v podobě poloprostorové hloubky. Míru lokalizace určuje tvar váhové funkce. V práci jsou odvozeny vlastnosti zavedených hloubkových funkcí, včetně stejnoměrné silné konzistence. Limitní rozdělení je rovněž diskutováno a také jsou zmíněna další témata (regresní hloubka, funkcionální hloubka), která mají spojitost s hloubkou dat a navrhované hloubkové funkce zde mohou přinést určitá vylepšení. Powered by TCPDF...cs_CZ
uk.abstract.enStatistical depth functions became well known nonparametric tool of multivariate data analyses. The most known depth functions include the halfspace depth. Although the halfspace depth has many desirable properties, some of its properties may lead to biased and misleading results especially when data are not elliptically symmetric. The thesis introduces 2 new classes of the depth functions. Both classes generalize the halfspace depth. They keep some of its properties and since they more respect the geometric structure of data they usually lead to better results when we deal with non-elliptically symmetric, multimodal or mixed distributions. The idea presented in the thesis is based on replacing the indicator of a halfspace by more general weight function. This provides us with a continuum, especially if conic-section weight functions are used, between a local view of data (e.g. kernel density estimate) and a global view of data as is e.g. provided by the halfspace depth. The rate of localization is determined by the choice of the weight functions and theirs parameters. Properties including the uniform strong consistency of the proposed depth functions are proved in the thesis. Limit distribution is also discussed together with some other data depth related topics (regression depth, functional data depth)...en_US
uk.file-availabilityV
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra pravděpodobnosti a matematické statistikycs_CZ
thesis.grade.codeP


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV