一维数据的可靠和极快的核密度估计;
高斯内核假设和自动带宽选择;
与许多其他实现,这个免疫问题
引起的多通道密度与广泛的分离模式(见示例)。的
对多通道密度估计不恶化,因为我们从来没有假设
参数模型的数据(如那些用于经验法则)。
输入:
数据——一个向量构造的数据密度估计;
n -使用的网格点数量的均匀离散化
时间间隔(最小,最大);n必须是2的幂;如果n是2的幂,那么
n是围捕到下一个两个的力量,即。n设置为n = 2 ^装天花板(log2 (n));
的默认值n n = 2 ^ 12;
最小、最大——定义了区间(最小,最大)的密度估计构造;
最小和最大的默认值:
MIN = 10分钟(数据)范围/ MAX = MAX(数据)+范围/ 10范围= MAX(数据)最小值(数据);
输出:
带宽-最优带宽(高斯内核假设);
密度-列向量的长度和密度的值“n”
在网格点估计;
xmesh——计算的网格密度估计;
——如果没有请求的输出,然后自动的代码块的图
密度估计。
提供-列向量的长度“n”提供的值

参考:
通过扩散核密度估计
z Botev, j·f·葛,d . p . Kroese (2010)
年报的统计,卷38岁的5号,第2957 - 2916页
doi: 10.1214 / 10-aos799
示例(在命令窗口运行):
data = [randn (100 1); randn (100 1) * 2 + 35; randn (100 1) + 55];
kde(数据、2 ^ 14分钟(数据)5,max(数据)+ 5);