Kernel sűrűség becslés statisztikai módszer ami egy sor adat . Kapcsolatos hisztogram , Kernel Density értékelése nyújt arra, hogy becslést eloszlása változó a népesség. Az eljárás viszonylag bonyolult , de az eredmények vizuális értelmezése egy változó sűrűség valószínű , más szavakkal , a gyakoriság , amellyel a változó jelenik meg a populációban. Felhasználás
Kernel sűrűség becslése becslések alakú sűrűségfüggvény . A sűrűség a funkció megmutatja milyen gyakran változó jelenik meg véletlenszerű mintavétel a lakosság . A Kernel Sűrűség becslés tekinthető nem parametrikus módszer. A statisztikák vannak parametrikus és nem parametrikus módszerekkel. Parametrikus módszerek , hogy több feltevések , mint a nem – parametrikus is. Nem feltételezések forgalmazás, eszközök , illetve szórás van szükség a nem parametrikus statisztikák . Például , ha azt akarta tudni, hogy a tizedik teszt egy osztályteremben volna magasabb pontszámot , mint az első kilenc , a parametrikus érvelés meg kellett volna tudni, hogy az átlag és a szórás , hogy ebből a választ. A nem – paraméteres érvelés , csak ismerve a számú vizsgálati elég tudni, hogy az utolsó teszt , 10 százalék az esélye , hogy meghaladja az előző pontokat.
Kernel
a kernel Density becslése két fontos összetevője van: a kernel és a sávszélesség . A Kernel a sűrűségfüggvény . Hat gyakori fajta sűrűség funkciók nem parametrikus statisztikák : normál , egyenruha , háromszög , Epanechnikov , negyedfokú , triweight és koszinusz . Minden ilyen funkció becslésére használják a frekvenciáját egy valószínűségi változó a lakosság körében.
Sávszélesség
A második rész , a sávszélesség , kisimítja a keletkező adatokat a sűrűségfüggvénye a kernel . A sávszélesség, tehát már erősen befolyásolja a képi ábrázolását az adatokat. Egy szaggatott vonal válhat simított fokozatosan , amíg az adatok már annyira körülírni , hogy ez már nem hasznos. A Kernel sűrűség becslése formula , a sávszélesség képviseli a levél h . Meg pozitívnak kell lennie és az eredmény egy elosztás , ami összefoglalja , hogy egy.
Előnyei
Kernel Sűrűség becslés van előnye más, nem-paraméteres becslési módszerek, különösen a hisztogram . Hisztogramok jelentik eloszlása változó tartályokban mentén vízszintes tartományban. Halmozott tartályok képviselnek nagyobb sűrűsége változó az ágazatban az adatok . Mivel a hisztogram szimbolizálja adatokat rekeszek , a változó osztott és a különböző disztribúciók egyenetlenek és diszkrét , elferdíti a folyadék eloszlása változó , ami igazán létezik a populációban . Kernel sűrűség becslése jobban képviseli ezt a folyékonyság sima vonal , melynek simasága határozza meg a sávszélességet választott a kernel sűrűség formula .
