Nonparametric estimation of information-based measures of statistical dispersion

KOŠTÁL, Lubomír a Ondřej POKORA. Nonparametric estimation of information-based measures of statistical dispersion. Entropy. 2012, roč. 14, č. 7, s. 1221–1233. ISSN 1099-4300. Dostupné z: https://dx.doi.org/10.3390/e14071221.

Základní údaje

Originální název

Nonparametric estimation of information-based measures of statistical dispersion

Autoři

KOŠTÁL, Lubomír a Ondřej POKORA

Vydání

Entropy, 2012, 1099-4300

---

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10103 Statistics and probability

Stát vydavatele

Švýcarsko

Utajení

není předmětem státního či obchodního tajemství

Impakt faktor

Impact factor: 1.347

Organizační jednotka

Přírodovědecká fakulta

DOI

http://dx.doi.org/10.3390/e14071221

UT WoS

000306748500007

Klíčová slova anglicky

statistical dispersion; entropy; Fisher information; nonparametric density estimation

Příznaky

Mezinárodní význam, Recenzováno

---

Anotace

V originále

We address the problem of non-parametric estimation of the recently proposed measures of statistical dispersion of positive continuous random variables. The measures are based on the concepts of differential entropy and Fisher information and describe the "spread" or "variability" of the random variable from a different point of view than the ubiquitously used concept of standard deviation. The maximum penalized likelihood estimation of the probability density function proposed by Good and Gaskins is applied and a complete methodology of how to estimate the dispersion measures with a single algorithm is presented. We illustrate the approach on three standard statistical models describing neuronal activity.