R语言 Sim.DiffProc包 Kern_general()函数中文帮助文档(中英文对照)

loveR

Kern_general(Sim.DiffProc)
Kern_general()所属R语言包：Sim.DiffProc

                                         Adjustment the Density of Random Variable by Kernel Methods
                                         调整密度随机变量的核方法

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

kernel density estimates. Its default method does so with the given kernel and bandwidth for univariate observations, and adjusted your density with distributions.
内核密度估计。它的默认方法，这样做的内核和带宽进行单因素观察，并调整您的密度与分布。


用法----------Usage----------


Kern_general(Data, bw, k, Law = c("exp", "GAmma", "chisq", "Beta",
            "fisher", "student", "weibull", "Normlog", "Norm"))



参数----------Arguments----------

参数：Data
a numeric vector of the observed values.  
所观察到的值的一个数值向量。


参数：bw
the smoothing bandwidth to be used. The kernels are scaled such that this is the standard deviation of the smoothing kernel. bw=c('Irt','scott','Ucv','Bcv','SJ') or manual, see details bw.nrd0  
要使用的平滑带宽。内核缩放等，这是标准偏差的平滑核。 BW = C（IRT，SCOTT，的UCV，的BCV，“SJ”）或手动，详见bw.nrd0


参数：k
a character string giving the smoothing kernel to be used. This must be one of "gaussian", "rectangular", "triangular", "epanechnikov", "biweight", "cosine" or "optcosine"  
一个字符的字符串，给要使用的图像平滑用核。这必须是一个“高斯”，“矩形”，“三角形”，“叶帕涅奇尼科夫”，“biweight”，“余弦”或“optcosine的”


参数：Law
distribution function with Adjusted. see details Distributions (R >= 2.12.1)  
分布函数的调整。见细节Distributions（R> = 2.12.1）


Details

详细信息----------Details----------

see details density
详情请参阅density


值----------Value----------

plot.density estimated with Adjustment.
plot.density估计与调整。


注意----------Note----------

bw='Irt'   ===> bw= bw.nrd0(X), implements a rule-of-thumb for choosing the bandwidth of a Gaussian kernel density estimator.
BW =“IRT”===> BW = bw.nrd0（X），选择一个高斯核密度估计的带宽，实现了一个拇指规则的。

bw='scott' ===> bw= bw.nrd(X) ,is the more common variation given by Scott.
BW =SCOTT=> BW = bw.nrd（X），是较常见的变化，由Scott。

bw='Ucv'   ===> bw= bw.ucv(X) , implement unbiased cross-validation.
BW =UCV===> BW = bw.ucv（X），实现公正的交叉验证。

bw='Bcv'   ===> bw= bw.bcv(X) , implement biased cross-validation.
BW =BCV===> BW = bw.bcv（X），实现偏见的交叉验证。

bw='SJ'    ===> bw= bw.SJ(X)  , implements the methods of Sheather & Jones.
BW =“SJ”===> BW = bw.SJ（X）的方法，实现了的Sheather和琼斯。

Choose your best distribution with minimum AIC.
选择您以最小的AIC的最佳分配。


（作者）----------Author(s)----------



Boukhetala Kamal, Guidoum Arsalane.




参见----------See Also----------

fctgeneral empirical distribution,hist_general Histograms Methods.
fctgeneral经验分布，hist_general直方图的方法。


实例----------Examples----------



X <- rexp(1000,1)
par(mfrow=c(2,2))
Kern_general(Data=X, bw='Irt', k="gaussian", Law = c("exp"))
Kern_general(Data=X, bw='scott', k="gaussian", Law = c("exp"))
Kern_general(Data=X, bw='Ucv', k="gaussian", Law = c("exp"))
Kern_general(Data=X, bw=0.3, k="gaussian", Law = c("exp"))

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。