In statistics, kernel density estim

In statistics, kernel density estimation (KDE) is a non-parametric way to estimate the probability density function of a random variable. Kernel density estimation is a fundamental data smoothing problem where inferences about the population are made, based on a finite data sample. In some fields such as signal processing and econometrics it is also termed the Parzen–Rosenblatt window method, after Emanuel Parzen and Murray Rosenblatt, who are usually credited with independently creating it in its current form.

ผลลัพธ์ (ไทย) 1:

สถิติ การประเมินความหนาแน่นของเคอร์เนล (KDE) เป็นวิธีไม่ใช่พาราเมตริกการประมาณฟังก์ชันความหนาแน่นของความน่าเป็นของตัวแปรสุ่ม การประเมินความหนาแน่นของเคอร์เนลได้ข้อมูลพื้นฐานปัญหาราบเรียบที่ inferences เกี่ยวกับประชากรที่จะทำ ตัวอย่างข้อมูลมีจำกัด ในบางเขตข้อมูลเช่นการประมวลผลสัญญาณและมันยังเรียกว่าวิธีหน้าต่าง Parzen – Rosenblatt เอ็มมานูเอล Parzen และเมอร์เรย์ Rosenblatt econometrics ที่มักจะมีเครดิตสร้างอิสระในรูปแบบปัจจุบัน

ผลลัพธ์ (ไทย) 2:

ในสถิติการประมาณค่าความหนาแน่นของเคอร์เนล (KDE) เป็นวิธีที่ไม่ใช่ตัวแปรในการประมาณฟังก์ชันความหนาแน่นความน่าจะเป็นของตัวแปรสุ่ม การประมาณค่าความหนาแน่นของเคอร์เนลเป็นปัญหาที่เรียบข้อมูลพื้นฐานที่หาข้อสรุปเกี่ยวกับประชากรที่จะทำบนพื้นฐานของตัวอย่างข้อมูลที่ จำกัด ในสาขาบางอย่างเช่นการประมวลผลสัญญาณและเศรษฐก็ยังเรียกว่าวิธีหน้าต่าง Parzen-Rosenblatt หลังจากที่เอ็มมานู Parzen และเมอร์เร Rosenblatt ที่มีเครดิตมักจะมีอิสระในการสร้างมันในรูปแบบปัจจุบัน

ผลลัพธ์ (ไทย) 3:

ในสถิติ น่าจะประมาณนี้แหละ ( KDE ) เป็นวิธีที่ไม่ใช้พารามิเตอร์การประมาณฟังก์ชันความหนาแน่นของความน่าจะเป็นของตัวแปรเชิงสุ่ม น่าจะประมาณนี้แหละ เป็นข้อมูลพื้นฐานให้ข้อสรุปเกี่ยวกับปัญหาที่ประชากร ทำ ตาม ตัวอย่างข้อมูลที่จำกัด ในบางสาขา เช่น การประมวลผลสัญญาณและเศรษฐมิติมันยังเป็น termed parzen – Rosenblatt ต่างวิธีหลังจากที่ เอ็มมานูเอล parzen และเมอร์เรย์ โรเซนแบลตต์ ที่มักจะให้เครดิตกับอิสระในการสร้างมันในรูปแบบปัจจุบัน .