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

loveR

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

                                         Kernel Density of Random Variable X
                                         核密度的随机变量X

                                         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.
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。


用法----------Usage----------


Kern_meth(X, bw, k)



参数----------Arguments----------

参数：X
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”


Details

详细信息----------Details----------

see details plot.density
详情请参阅plot.density


值----------Value----------

plot.density for your data.
对数据的plot.density。


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。


（作者）----------Author(s)----------



Boukhetala Kamal, Guidoum Arsalane.




参见----------See Also----------

hist_meth Histograms,fctrep_Meth Empirical Distribution.
hist_meth直方图，fctrep_Meth经验分布。


实例----------Examples----------



## Example 1[＃示例1]
## fixed bw with different kernel[＃固定体重与不同的内核]
X <- rbeta(1000,1,2)
par(mfrow=c(2,2))
Kern_meth(X, bw='Ucv', k="rectangular")
Kern_meth(X, bw='Ucv',k="triangular")
Kern_meth(X, bw='Ucv',k="epanechnikov")
Kern_meth(X, bw='Ucv',k="cosine")

## Example 2[＃示例2]
## fixed kernel with different bw[＃固定的内核，不同的体重]
Y <- rlnorm(1000)
par(mfrow=c(2,2))
Kern_meth(Y, bw='Irt', k="epanechnikov")
Kern_meth(Y, bw='Ucv',k="epanechnikov")
Kern_meth(Y, bw='scott',k="epanechnikov")
Kern_meth(Y, bw=0.4,k="epanechnikov")

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。