Las técnicas de suavizado de kernel, como la estimación de densidad de kernel (KDE) y la regresión de kernel de Nadaraya-Watson, estiman funciones por interpolación local desde puntos de datos. No debe confundirse con [kernel-trick], para los núcleos utilizados, por ejemplo, en SVM.
Hay varios usos distintos: estimación de la densidad del grano truco del grano suavizado de granos Por favor explique lo que significa el "núcleo" en ellos, en inglés simple, en sus propias
plot(density(rexp(100)) Obviamente, toda la densidad a la izquierda de cero representa sesgo. Estoy buscando resumir algunos datos para los no estadísticos, y quiero evitar preguntas sobre por qué los datos no negativos tienen densidad a la izquierda de cero. Las parcelas son para verificación de...
Para los estimadores de densidad de kernel univariados (KDE), uso la regla de Silverman para calcular :hhh 0.9min(sd,IQR/1.34)×n−0.20.9min(sd,IQR/1.34)×n−0.2\begin{equation} 0.9 \min(sd, IQR/1.34)\times n^{-0.2} \end{equation} ¿Cuáles son las reglas estándar para KDE multivariante (suponiendo un...
Estoy tratando de comprender mejor la estimación de la densidad del kernel. Usando la definición de Wikipedia: https://en.wikipedia.org/wiki/Kernel_density_estimation#Definition fh^(x)=1n∑ni=1Kh(x−xi)=1nh∑ni=1K(x−xih)fh^(x)=1n∑i=1nKh(x−xi)=1nh∑i=1nK(x−xih) \hat{f_h}(x) = \frac{1}{n}\sum_{i=1}^n...
La estimación de la densidad de la ventana de Parzen se describe como p(x)=1n∑i=1n1h2ϕ(xi−xh)p(x)=1n∑i=1n1h2ϕ(xi−xh) p(x)=\frac{1}{n}\sum_{i=1}^{n} \frac{1}{h^2} \phi \left(\frac{x_i - x}{h} \right) donde nnn es el número de elementos en el vector, es un vector, es una densidad de probabilidad...
Después de realizar el análisis de componentes principales (PCA), quiero proyectar un nuevo vector en el espacio PCA (es decir, encontrar sus coordenadas en el sistema de coordenadas PCA). He calculado PCA en lenguaje R usando prcomp. Ahora debería poder multiplicar mi vector por la matriz de...
He leído (por ejemplo, aquí ) que el núcleo Epanechnikov es óptimo, al menos en un sentido teórico, al hacer la estimación de la densidad del núcleo. Si esto es cierto, ¿por qué el gaussiano aparece con tanta frecuencia como el núcleo predeterminado, o en muchos casos el único núcleo, en las...
Esta pregunta es provocada por la discusión en otra parte . Los núcleos variables a menudo se usan en regresión local. Por ejemplo, loess se usa ampliamente y funciona bien como una regresión más suave, y se basa en un núcleo de ancho variable que se adapta a la escasez de datos. Por otro lado,...
Estoy tratando de usar la función ' densidad ' en R para hacer estimaciones de densidad del núcleo. Tengo algunas dificultades para interpretar los resultados y comparar varios conjuntos de datos, ya que parece que el área bajo la curva no es necesariamente 1. Para cualquier función de densidad de...
Las pruebas de permutación (también llamadas prueba de aleatorización, prueba de aleatorización o prueba exacta) son muy útiles y resultan útiles cuando t-testno se cumple el supuesto de distribución normal requerido por ejemplo y cuando se transforman los valores mediante la clasificación de...
Tengo una muestra de 100 puntos que son continuos y unidimensionales. Calculé su densidad no paramétrica utilizando métodos del núcleo. ¿Cómo puedo extraer muestras aleatorias de esta distribución
¿Alguien podría explicar en inglés sencillo cuál es la diferencia entre las reglas generales de Scott y Silverman para la selección de ancho de banda? Específicamente, ¿ cuándo es uno mejor que el otro? ¿Está relacionado con la distribución subyacente? ¿Número de muestras? PD: me estoy refiriendo...
Necesito estimar la función de densidad basada en un conjunto de observaciones usando el estimador de densidad del núcleo. Basado en el mismo conjunto de observaciones, también necesito estimar la primera y segunda derivadas de la densidad usando las derivadas del estimador de densidad del núcleo....
Estoy buscando un método para calcular el área de superposición entre dos estimaciones de densidad del núcleo en R, como una medida de similitud entre dos muestras. Para aclarar, en el siguiente ejemplo, necesitaría cuantificar el área de la región superpuesta
¿Cómo se define la varianza a largo plazo en el ámbito del análisis de series temporales? Entiendo que se utiliza en el caso de que haya una estructura de correlación en los datos. ¿Entonces nuestro proceso estocástico no sería una familia de X1,X2…X1,X2…X_1, X_2 \dots iid variables aleatorias...
Después de pasar por algunas matemáticas ligeramente concisas, creo que tengo una ligera intuición de la estimación de la densidad del núcleo. Pero también soy consciente de que estimar la densidad multivariada para más de tres variables podría no ser una buena idea, en términos de las propiedades...
Estoy usando Bayes para resolver un problema de agrupamiento. Después de hacer algunos cálculos termino con la necesidad de obtener la razón de dos probabilidades: P(A)/P(B)P(A)/P(B)P(A)/P(B) para poder obtener . Estas probabilidades se obtienen mediante la integración de dos KDE multivariados 2D...
Vengo de esta pregunta en caso de que alguien quiera seguir el rastro. Básicamente tengo un conjunto de datos ΩΩ\Omega compuesto de NNN objetos donde cada objeto tiene un número dado de valores medidos adjuntos (dos en este
Cuando se visualizan datos unidimensionales, es común usar la técnica de Estimación de densidad de kernel para dar cuenta de los anchos de bin elegidos incorrectamente. Cuando mi conjunto de datos unidimensional tiene incertidumbres de medición, ¿hay una forma estándar de incorporar esta...
Acabo de pensar en una forma ordenada (no necesariamente buena) de crear estimaciones de densidad unidimensionales y mi pregunta es: ¿Este método de estimación de densidad tiene un nombre? Si no, ¿es un caso especial de algún otro método en la literatura? Aquí está el método: Tenemos un vector...