|
|
The Depth of Functional Data.
Nagy, Stanislav ; Hlubinka, Daniel (vedoucí práce) ; Omelka, Marek (oponent)
Hĺbková funkcia (resp. funkcionál) je moderný neparametrický nástroj štatistickej analýzy (konečnorozmerných) dát s množstvom praktických aplikácií. V práci sa zameriame na možnosti rozšírenia konceptu hĺbky na prípad funkcionálnych dát. V prípade konečnorozmerných funkcionálnych dát využijeme izomorfizmus priestoru funkcií a konečnorozmerného euklidovského priestoru, čo nám umožní zaviesť indukované hĺbky funkcionálnych dát. Dokážeme tvrdenie o vlastnostiach indukovaných hĺbok a na príkladoch si ukážeme možnosti a obmedzenia ich praktického použitia. Ďalej popíšeme a na jednoduchých príkladoch ukážeme výhody aj nevýhody zavedených hĺbkových funkcionálov používaných v literatúre (Fraimanových-Munizovej hĺbok a pásových hĺbok). Na odstránenie najväčšej vyvstávajúcej nevýhody známych hĺbok pre funkcionálne dáta zavedieme novú, K-pásovú hĺbku založenú na rozšírení inferencie zo spojitých na hladké funkcie. Odvodíme niekoľko dôležitých vlastností a na záverečnej simulačnej štúdií ukážeme na príklade riadenej klasifikácie funkcionálnych dát praktickú výhodnosť nového prístupu oproti predchádzajúcim. Na záver porovnáme výpočetnú náročnosť všetkých predstavených hĺbkových funkcionálov.
|
|
|
Weighted Data Depth and Depth Based Discrimination
Vencálek, Ondřej ; Hlubinka, Daniel (vedoucí práce) ; Anděl, Jiří (oponent) ; Malý, Marek (oponent)
Hloubka dat je jedním z neparametrických nástrojů pro analýzu mnohorozměrných dat. Práce nově zavádí zobecnění poloprostorové hloubky, tzv. váženou hloubku dat. Vážená hloubka není obecně afinně invariantní, má však některé dobré vlastnosti, například že její centrální oblasti (oblasti s největší hloubkou) mohou být nekonvexní. Práce se dále zabývá možností aplikace metodologie hloubky dat v diskriminační analýze. Přehled klasifikátorů založených na hloubce dat je doplněn o návrh nového klasifikátoru, který je modifikací metody k nejbližších sousedů. Kvalita klasifikátorů je vyšetřována jak teoreticky (asymptotické vlastnosti), tak i v krátké simulační studii. V závěru je poukázáno na výhody, které lze získat použitím nově navržené vážené hloubky dat.
|
|
|
Hloubka variančních matic
Brabenec, Tomáš ; Nagy, Stanislav (vedoucí práce) ; Hlubinka, Daniel (oponent)
Rozptylová poloprostorová hloubka je poměrně nově zavedený pojem, který rozši- řuje myšlenku lokační poloprostorové hloubky pro pozitivně definitní matice. Udává zají- mavý náhled na problém kvantifikace vhodnosti dané matice pro popis kovarianční struk- tury mnohorozměrného rozdělení. Práce se zaměřuje na zkoumání teoretických vlastností hloubky pro obecné i konkrétnější pravděpodobnostní rozdělení, které lze využít pro ana- lýzu dat. Ukazuje se, že odhady parametrů rozptýlení na základě empirické hloubky jsou i za relativně slabých předpokladů velice efektivní. Tyto odhady se hodí především při práci s výběrem obsahujícím odlehlá nebo kontaminující pozorování. 1
|
|
|
Weighted Halfspace Depths and Their Properties
Kotík, Lukáš
Statistické 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...
|
|
|
Statistical Depth for Functional Data
Nagy, Stanislav ; Hlubinka, Daniel (vedoucí práce) ; Claeskens, Gerda (oponent) ; Hušková, Marie (oponent)
Štatistická h'lbka je neparametrický nástroj analýzy mnohorozmerných dát, ktorého ciel'om je zovšeobecnenie kvantilov pre komplexné dáta akými sú náhodné vektory, náhod- né funkcie, alebo rozdelenia na varietách a grafoch. Hlavnou myšlienkou h'lbky je, pre l'ubovol'ný mnohorozmerný priestor M, priradit' bodu x ∈ M a pravdepodobnostnému rozdeleniu P na M číslo D(x; P) ∈ [0, 1] ktoré charakterizuje ako "centrálne umiestnený" je bod x vzhl'adom k P. Bod maximalizujúci D(·; P) je potom zovšeobecnením mediánu pre dáta v priestore M, a množina bodov ktorých h'lbka je vyššia ako určitá hodnota predstavuje vnútorný h'lbkový kvantil rozdelenia P. V tejto práci sa zameriavame na h'lbku dát navrhnutú pre nekonečnorozmerné priestory M a funkcionálne dáta. Na úvod uvádzame prehl'ad h'lbkových funkcionálov, ktoré sa dajú nájst' v literatúre. Hlavný dôraz je kladený na zjednotenie týchto rôznorodých konceptov z teoretického hl'adiska. Ukazujeme, že väčšina zavedených h'lbok spadá do všeobecného rámca h'lbok založených na projekciách a to bud' integrálneho, alebo infimálneho typu. Výchádzajúc z navrhovanej metodiky, teoretické vlastnosti všetkých uvažovaných h'lbok je možné vyšetrovat' súčasne. Prvú čast' práce venujeme skúmaniu...
|
|
|
Weighted Halfspace Depths and Their Properties
Kotík, Lukáš
Statistické 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...
|
|
|
Weighted Halfspace Depths and Their Properties
Kotík, Lukáš ; Hlubinka, Daniel (vedoucí práce) ; Omelka, Marek (oponent) ; Mosler, Karl (oponent)
Statistické 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...
|
|
|
Weighted Data Depth and Depth Based Discrimination
Vencálek, Ondřej ; Hlubinka, Daniel (vedoucí práce) ; Anděl, Jiří (oponent) ; Malý, Marek (oponent)
Hloubka dat je jedním z neparametrických nástrojů pro analýzu mnohorozměrných dat. Práce nově zavádí zobecnění poloprostorové hloubky, tzv. váženou hloubku dat. Vážená hloubka není obecně afinně invariantní, má však některé dobré vlastnosti, například že její centrální oblasti (oblasti s největší hloubkou) mohou být nekonvexní. Práce se dále zabývá možností aplikace metodologie hloubky dat v diskriminační analýze. Přehled klasifikátorů založených na hloubce dat je doplněn o návrh nového klasifikátoru, který je modifikací metody k nejbližších sousedů. Kvalita klasifikátorů je vyšetřována jak teoreticky (asymptotické vlastnosti), tak i v krátké simulační studii. V závěru je poukázáno na výhody, které lze získat použitím nově navržené vážené hloubky dat.
|
|
|
The Depth of Functional Data.
Nagy, Stanislav ; Hlubinka, Daniel (vedoucí práce) ; Omelka, Marek (oponent)
Hĺbková funkcia (resp. funkcionál) je moderný neparametrický nástroj štatistickej analýzy (konečnorozmerných) dát s množstvom praktických aplikácií. V práci sa zameriame na možnosti rozšírenia konceptu hĺbky na prípad funkcionálnych dát. V prípade konečnorozmerných funkcionálnych dát využijeme izomorfizmus priestoru funkcií a konečnorozmerného euklidovského priestoru, čo nám umožní zaviesť indukované hĺbky funkcionálnych dát. Dokážeme tvrdenie o vlastnostiach indukovaných hĺbok a na príkladoch si ukážeme možnosti a obmedzenia ich praktického použitia. Ďalej popíšeme a na jednoduchých príkladoch ukážeme výhody aj nevýhody zavedených hĺbkových funkcionálov používaných v literatúre (Fraimanových-Munizovej hĺbok a pásových hĺbok). Na odstránenie najväčšej vyvstávajúcej nevýhody známych hĺbok pre funkcionálne dáta zavedieme novú, K-pásovú hĺbku založenú na rozšírení inferencie zo spojitých na hladké funkcie. Odvodíme niekoľko dôležitých vlastností a na záverečnej simulačnej štúdií ukážeme na príklade riadenej klasifikácie funkcionálnych dát praktickú výhodnosť nového prístupu oproti predchádzajúcim. Na záver porovnáme výpočetnú náročnosť všetkých predstavených hĺbkových funkcionálov.
|
host ::
RSS.