density.kernel Función (GPL)

Sintaxis

density.kernel.<kernel function>(<algebra>, fixedWindow(<numeric>), <function>)

O

density.kernel.<kernel function>(<algebra>, nearestNeighbor(<integer>), <function>)

O

density.kernel.<kernel function>.joint(<algebra>, fixedWindow(<numeric>), <function>)

O

density.kernel.<kernel function>.joint(<algebra>, nearestNeighbor(<integer>), <function>)

< función de kernel >. Una función de kernel. Especifica cómo se ponderan los datos mediante la función de densidad, en función de lo cerca que estén los datos del punto actual.

< algebra>. Álgebra de gráfico, como por ejemplo x*y. Consulte Brief Overview of GPL Algebra para obtener una introducción al álgebra de gráfico.

< numeric>. fixedWindow especifica la proporción de puntos de datos a incluir al calcular la función suavizada. Toma un valor numérico entre 0 y 1 y es opcional. También tiene la opción de utilizar la función nearestNeighbor para calcular el ancho de banda del suavizado.

< integer>. nearestNeighbor especifica el número k de vecinos más próximos a incluir al calcular la función suavizada. Toma un entero positivo y es opcional. También tiene la opción de utilizar la función fixedWindow para calcular el ancho de banda del suavizado.

< funcionalidad>. Una o más funciones válidas. Son opcionales. Utilice scaledToData("false") al comparar densidades con tamaños muy diferentes.

conjunto. Se utiliza para crear densidades basadas en valores en las dimensiones primera (ejex ) y segunda (ejey ). Sin el modificador joint , la densidad se basa sólo en los valores de la primera dimensión (ejex ). Normalmente utilizaría el modificador para densidades 3-D.

Descripción

Calcula la densidad de probabilidad utilizando una función de kernel no paramétrica. Esto se utiliza a menudo para añadir una curva de distribución que no asume un modelo en particular (como normal o Poisson). Puede utilizar la función fixedWindow o la función nearestNeighbor para especificar el ancho de banda del suavizado. Si no especifica un ancho de banda explícito, el algoritmo interno utiliza una ventana fija cuyo tamaño está determinado por los valores de datos subyacentes y la función de kernel específica.

Ejemplos

Figura 1. Ejemplo: Adición de la distribución de kernel predeterminada
ELEMENT: line(position(density.kernel.epanechnikov(x)))
Figura 2. Ejemplo: Adición de una distribución de kernel utilizando una ventana fija
ELEMENT: line(position(density.kernel.epanechnikov(x, fixedWindow(0.05))))
Figura 3. Ejemplo: Adición de una distribución de kernel utilizando k vecinos más próximos
ELEMENT: line(position(density.kernel.epanechnikov(x, nearestNeighbor(100))))
Figura 4. Ejemplo: Creación de un gráfico 3-D que muestra las densidades del kernel
COORD: rect(dim(1,2,3))
ELEMENT: interval(position(density.kernel.epanechnikov.joint(x*y)))

funciones de kernel

uniforme. Todos los datos reciben las mismas ponderaciones.

epanechnikov. Los datos situados cerca del punto actual reciben ponderaciones mayores que los datos extremos. Esta función pondera los puntos extremos en mayor medida que los kernel triponderado, biponderado y tricubo, pero en menor medida que los kernel de Gauss y de Cauchy.

bipeso. Los datos alejados del punto actual reciben ponderaciones mayores de las que permite el kernel triponderado, pero ponderaciones menores de las que permite el kernel de Epanechnikov.

Tricube. Los datos cercanos al punto actual reciben mayores ponderaciones de las que permiten los kernel de Epanechnikov y biponderado.

tripeso. Los datos cercanos al punto actual reciben mayores ponderaciones de las que permiten los otros kernel. Los casos extremos reciben ponderaciones muy pequeñas.

gaussiano. Las ponderaciones siguen una distribución normal, lo que produce una mayor ponderación de casos extremos que los kernel de Epanechnikov, biponderado, tricubo y triponderado.

cauchy. Los valores extremos reciben ponderaciones mayores de las que permiten el resto de kernel, con la excepción del kernel uniforme.