Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Ťoupal, Tomáš | |
| dc.contributor.author | Šedivá, Blanka | |
| dc.date.accessioned | 2020-09-14T10:00:20Z | - |
| dc.date.available | 2020-09-14T10:00:20Z | - |
| dc.date.issued | 2020 | |
| dc.identifier.citation | ŤOUPAL, T., ŠEDIVÁ, B. Multivariate nonparametric kernel estimation. In: 19th Conference on Applied Mathematics, APLIMAT 2020 - Proceedings. Bratislava: SPEKTRUM STU, 2020. s. 1049-1061. ISBN 978-80-227-4983-1. | en |
| dc.identifier.isbn | 978-80-227-4983-1 | |
| dc.identifier.uri | 2-s2.0-85082395291 | |
| dc.identifier.uri | http://hdl.handle.net/11025/39651 | |
| dc.description.abstract | Uvedená práce je zaměřena na vícerozměrný odhad hustoty a distribuční funkce s přístupem neparametrického jádrového odhadu. Hlavním cílem je popsat jednorozměrný a vícerozměrný neparametrický jádrový odhad pomocí vybraných jádrových funkcí a hodnot vyhlazovacího parametru včetně skutečné aplikace. Dále jsou zde analyzovány vlivy základních parametrů na výsledné modely a navrženy optimalizační metody pro jejich další využití (např. v teorii spolehlivosti). | cs |
| dc.format | 13 s. | cs |
| dc.format.mimetype | application/pdf | |
| dc.language.iso | en | en |
| dc.publisher | SPEKTRUM STU | cs |
| dc.relation.ispartofseries | 19th Conference on Applied Mathematics, APLIMAT 2020 - Proceedings | en |
| dc.rights | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. | cs |
| dc.rights | © SPEKTRUM STU | en |
| dc.subject | Neparametrický jádrový odhad, vyhlazovací parametr, jádrová funkce, jednorozměrné, vícerozměrné, funkce hustoty, distribuční funkce | cs |
| dc.title | Multivariate nonparametric kernel estimation | en |
| dc.title.alternative | Vícerozměrné neparametrické jádrové odhady | cs |
| dc.type | konferenční příspěvek | cs |
| dc.type | conferenceObject | en |
| dc.rights.access | restrictedAccess | en |
| dc.type.version | publishedVersion | en |
| dc.description.abstract-translated | This paper is focused on multivariate estimation of density and distribution function by nonparametric kernel approach. The main goal is to describe univariate and multivariate nonparametric kernel estimation using selected kernel functions and smoothing parameters including a real application. The influence of basic parameters on the resulting models and proposed optimization methods are also analysed for further models of use (e.g. in reliability theory). | en |
| dc.subject.translated | Nonparametric kernel estimation, smoothing parameter, kernel function, univariate, multivariate, probability density function, cumulative distribution function | en |
| dc.type.status | Peer-reviewed | en |
| dc.identifier.obd | 43929906 | |
| dc.project.ID | LO1506/PUNTIS - Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost | cs |
| Appears in Collections: | Konferenční příspěvky / Conference Papers (KMA) OBD | |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| 1049_Toupal-Sediva.pdf | 1,67 MB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/39651Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.