🕷️ Crawler Inspector

URL Lookup

Direct Parameter Lookup

Raw Queries and Responses

1. Shard Calculation

Query:

Response:

Calculated Shard: 169 (from laksa145)

2. Crawled Status Check

Query:

curl -X POST \
  'http://laksa169.int.ahrefs:8124/' \
  -H 'Content-Type: text/plain' \
  -H 'X-ClickHouse-Database: crawler3' \
  -H 'Authorization: Basic YXBpOg==' \
  -d 'SELECT getAhrefsURLFromUnparsed(src_unparsed) AS found_url, ifNull(toUnixTimestamp(download_stamp), 0) AS crawl_time, ifNull(toUnixTimestamp(props_url_first_seen), 0) AS first_indexed_time, download_http_code AS http_code, src_unparsed AS src_unparsed, src_root_hash AS src_root_hash, history_drop_reason AS history_drop_reason, meta_title AS meta_title, meta_descriptions AS meta_descriptions, attrs_boilerpipe_text AS attrs_boilerpipe_text, attrs_markdown AS attrs_markdown, attrs_readable_markdown AS attrs_readable_markdown, meta_canonical AS meta_canonical FROM crawler3.page_info_local FINAL PREWHERE (src_root_hash, src_unparsed) IN ((getAhrefsRootHashFromUnparsed(getAhrefsUnparsedNoserviceFromURL(\'https://support.numxl.com/hc/es/articles/214572066-KDE-Estimaci%C3%B3n-de-Densidad-de-Kernel\')), getAhrefsUnparsedNoserviceFromURL(\'https://support.numxl.com/hc/es/articles/214572066-KDE-Estimaci%C3%B3n-de-Densidad-de-Kernel\'))) FORMAT JSONEachRow'

Response:

{"found_url":"https:\/\/support.numxl.com\/hc\/es\/articles\/214572066-KDE-Estimaci%C3%B3n-de-Densidad-de-Kernel","crawl_time":1774425310,"first_indexed_time":1489023125,"http_code":200,"src_unparsed":"com,numxl!support,\/hc\/es\/articles\/214572066-KDE-Estimaci%C3%B3n-de-Densidad-de-Kernel s443","src_root_hash":"15527941299978900169","history_drop_reason":null,"meta_title":"KDE - Estimación de Densidad de Kernel – Centro de ayuda","meta_descriptions":["Calcula la estimación de la densidad del kernel (KDE) de los datos de la muestra. Sintaxis KDE(X, target, h, kernel) X son las series de..."],"attrs_boilerpipe_text":"Calcula la estimación de la densidad del kernel (KDE) de los datos de la muestra.\nSintaxis\nKDE\n(\nX\n,\ntarget\n,\nh\n,\nkernel\n)\nX\nson las series de datos de entrada (array de una o dos dimensiones de celdads (Por ejemplo: filas o columnas)).\ntarget\nes el valor objetivo para calcular la función básica acumulativa de distribución (CDF).\nh\nes el parámetro de suavizado (ancho de banda) del estimador de densidad de kernel. Si falta, la función KDE calcula un valor óptimo.\nkernel\nes un switch para seleccionar la función kernel (1 = Gaussianna (defecto), 2 = Uniforme, 3 = Triangular, 4 = Biweight(Cuadrático), 5 = Triweight, 6 = Epanechnikov).\n \nAtención\nLa función KDE() de la version 1.68 es obsoleta: use en su lugar la función\nNxKDE\n.\nObservaciones\nEn Estadística, la estimación de densidad de Kernel (KDE) es una forma no paramétrica para estimar la función de densidad de probabilidad de una variable aleatoria.\nPermite $\\{x_i\\}$ ser un muestra idd extraída de alguna distribución con densidad desconocida $f()$. La estimación de densidad de Kernel se define de la siguiente manera:\n$$\\hat f(x)=\\frac{1}{nh}\\sum_{i=1}^N K(\\frac{x-x_i}{h})$$\nDonde:\n$K()$ es la función de Kernel - una función simétrica (pero no necesariamente positiva) que integra a uno.\n$h$ es un parámetro de suavizado llamado el ancho de banda.\nEl ancho de banda de Kernel es un parámetro libre que exhibe una fuerte influencia en la estimación resultante.\nSi Kernel es usada con base Gaussianna y la densidad subyacente se estima Gaussinanna, a continuación, se puede demostrar que la elección óptima de ancho de banda ($h$) es:\n$$h_{opt}=\\hat\\sigma\\times \\sqrt [5]{\\frac{4}{3N}}\\approx \\frac{1.06\\sigma}{\\sqrt [5] N} $$ $$\\hat\\sigma=min(s,\\frac{IQR}{1.34}) $$\nDonde:\n$s$ es la desviación estándar de la muestra.\nEsta aproximación se denomina aproximación de la distribución normal, aproximación gaussiana o regla de pulgar de Silverman.\nFunción KDE utiliza regla de pulgar de Silverman para estimar el ancho de banda óptimo.\nKDE no asume que la función de densidad de probabilidad subyacente (PDF) sea normal; en lugar KDE está seleccionando $h$ lo que sería óptimo si el PDF fueran normales.\nKDE actualmente apoya un ancho de banda fijo a lo largo de la muestra.\nLas series de datos pueden incluir valores faltantes (Por ejemplo: #N\/A, #VALUE!, #NUM!, empty cell), pero esos no son incluidos en los cálculos.\nEjemplos de archivos\nEnlaces Relacionados\nWikipedia - Kernel density estimation\n.\nWikipedia - Kernel function\n.\nReferencias\nBalakrishnan, N., Exponential Distribution: Theory, Methods and Applications, CRC, P 18 1996.","attrs_markdown":"[![Logotipo](https:\/\/support.numxl.com\/hc\/theming_assets\/01HZP65H937JFREX8JGYBVA3GY) Centro de ayuda](https:\/\/support.numxl.com\/hc\/es \"Inicio\")\n\n[Iniciar sesión](https:\/\/numxl.zendesk.com\/access?locale=es&brand_id=1153436&return_to=https%3A%2F%2Fsupport.numxl.com%2Fhc%2Fes%2Farticles%2F214572066-KDE-Estimaci%25C3%25B3n-de-Densidad-de-Kernel&locale=es \"Abre un cuadro de diálogo\")\n\n[Español]()    [Deutsch](https:\/\/support.numxl.com\/hc\/change_language\/de?return_to=%2Fhc%2Fde)   [English (US)](https:\/\/support.numxl.com\/hc\/change_language\/en-us?return_to=%2Fhc%2Fen-us%2Farticles%2F214572066-KDE-Kernel-Density-Estimation)   [Français](https:\/\/support.numxl.com\/hc\/change_language\/fr?return_to=%2Fhc%2Ffr)   [日本語](https:\/\/support.numxl.com\/hc\/change_language\/ja?return_to=%2Fhc%2Fja)   [한국어](https:\/\/support.numxl.com\/hc\/change_language\/ko?return_to=%2Fhc%2Fko)   [Português](https:\/\/support.numxl.com\/hc\/change_language\/pt?return_to=%2Fhc%2Fpt)   [Русский](https:\/\/support.numxl.com\/hc\/change_language\/ru?return_to=%2Fhc%2Fru)   [简体中文](https:\/\/support.numxl.com\/hc\/change_language\/zh-cn?return_to=%2Fhc%2Fzh-cn)\n\n- [Inicio](https:\/\/support.numxl.com\/hc\/es \"Inicio\")\n- [Comunidad](https:\/\/support.numxl.com\/hc\/es\/community\/topics)\n- [Enviar una solicitud](https:\/\/support.numxl.com\/hc\/es\/requests\/new)\n\n![sidebar image](https:\/\/support.numxl.com\/hc\/theming_assets\/01HZP65HH25NJVVRC58M60QQGW)\n\n1. [Centro de ayuda](https:\/\/support.numxl.com\/hc\/es)\n2. [Manual de Referencia](https:\/\/support.numxl.com\/hc\/es\/categories\/201834203-Manual-de-Referencia)\n3. [Estadística descriptiva](https:\/\/support.numxl.com\/hc\/es\/sections\/202975426-Estad%C3%ADstica-descriptiva)\n\n# KDE - Estimación de Densidad de Kernel\n![Avatar](https:\/\/support.numxl.com\/system\/photos\/360565495971\/mohamad.jpg)\n\n**[Mohamad](https:\/\/support.numxl.com\/hc\/es\/profiles\/297672531-Mohamad)**\n\n27 de octubre de 2016 14:58\n\n[Seguir](https:\/\/support.numxl.com\/hc\/es\/articles\/214572066-KDE-Estimaci%C3%B3n-de-Densidad-de-Kernel\/subscription.html \"Abre un cuadro de diálogo de inicio de sesión\")\n\nCalcula la estimación de la densidad del kernel (KDE) de los datos de la muestra.\n\n## Sintaxis\n**KDE**(**X**, **target**, **h**, **kernel**)\n\nX\n\nson las series de datos de entrada (array de una o dos dimensiones de celdads (Por ejemplo: filas o columnas)).\n\ntarget\n\nes el valor objetivo para calcular la función básica acumulativa de distribución (CDF).\n\nh\n\nes el parámetro de suavizado (ancho de banda) del estimador de densidad de kernel. Si falta, la función KDE calcula un valor óptimo.\n\nkernel\n\nes un switch para seleccionar la función kernel (1 = Gaussianna (defecto), 2 = Uniforme, 3 = Triangular, 4 = Biweight(Cuadrático), 5 = Triweight, 6 = Epanechnikov).\n\n| Valor | Kernel |\n|---|---|\n| 1 | Función Kernel Gaussianna (defecto). |\n| 2 | Kernel Uniforme. |\n| 3 | Kernel Triangular. |\n| 4 | Kernel Biweight o Cuadrático. |\n| 5 | Kernel Triweight. |\n| 6 | Kernel Epanechnikov. |\n\nAtención\n\nLa función KDE() de la version 1.68 es obsoleta: use en su lugar la función [NxKDE](https:\/\/support.numxl.com\/hc\/es\/articles\/207842083-NxKDE-Calcula-la-estimaci%C3%B3n-de-la-kernel \"NumXL Manual de Referencia - NxKDE\").\n## Observaciones\n1. En Estadística, la estimación de densidad de Kernel (KDE) es una forma no paramétrica para estimar la función de densidad de probabilidad de una variable aleatoria.\n2. Permite \\$\\\\{x\\_i\\\\}\\$ ser un muestra idd extraída de alguna distribución con densidad desconocida \\$f()\\$. La estimación de densidad de Kernel se define de la siguiente manera:  \n   \\$\\$\\\\hat f(x)=\\\\frac{1}{nh}\\\\sum\\_{i=1}^N K(\\\\frac{x-x\\_i}{h})\\$\\$  \n   Donde:\n   - \\$K()\\$ es la función de Kernel - una función simétrica (pero no necesariamente positiva) que integra a uno.\n   - \\$h\\$ es un parámetro de suavizado llamado el ancho de banda.\n3. El ancho de banda de Kernel es un parámetro libre que exhibe una fuerte influencia en la estimación resultante.\n4. Si Kernel es usada con base Gaussianna y la densidad subyacente se estima Gaussinanna, a continuación, se puede demostrar que la elección óptima de ancho de banda (\\$h\\$) es:  \n   \\$\\$h\\_{opt}=\\\\hat\\\\sigma\\\\times \\\\sqrt \\[5\\]{\\\\frac{4}{3N}}\\\\approx \\\\frac{1.06\\\\sigma}{\\\\sqrt \\[5\\] N} \\$\\$ \\$\\$\\\\hat\\\\sigma=min(s,\\\\frac{IQR}{1.34}) \\$\\$  \n   Donde:\n   - \\$s\\$ es la desviación estándar de la muestra.\n   Esta aproximación se denomina aproximación de la distribución normal, aproximación gaussiana o regla de pulgar de Silverman.\n5. Función KDE utiliza regla de pulgar de Silverman para estimar el ancho de banda óptimo.\n6. KDE no asume que la función de densidad de probabilidad subyacente (PDF) sea normal; en lugar KDE está seleccionando \\$h\\$ lo que sería óptimo si el PDF fueran normales.\n7. KDE actualmente apoya un ancho de banda fijo a lo largo de la muestra.\n8. Las series de datos pueden incluir valores faltantes (Por ejemplo: \\#N\/A, \\#VALUE!, \\#NUM!, empty cell), pero esos no son incluidos en los cálculos.\n## Ejemplos de archivos\n## Enlaces Relacionados\n- [Wikipedia - Kernel density estimation](http:\/\/en.wikipedia.org\/wiki\/Kernel_density_estimation).\n- [Wikipedia - Kernel function](http:\/\/en.wikipedia.org\/wiki\/Uniform_kernel#Kernel_functions_in_common_use).\n## Referencias\n- Balakrishnan, N., Exponential Distribution: Theory, Methods and Applications, CRC, P 18 1996.\n\n### Artículos relacionados\n- [Gráfico de estimación de la densidad Kernel](https:\/\/support.numxl.com\/hc\/es\/related\/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGkE7zPnDDoYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSJUL2hjL2VzL2FydGljbGVzLzIxNjQ3ODcwMy1HciVDMyVBMWZpY28tZGUtZXN0aW1hY2klQzMlQjNuLWRlLWxhLWRlbnNpZGFkLUtlcm5lbAY7CFQ6CXJhbmtpBg%3D%3D--e0e4c77ba9468ccbf08d697f6f70b67a13022d04)\n- [NxKDE - Calcula la Estimación de la Densidad del Kernel](https:\/\/support.numxl.com\/hc\/es\/related\/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGkEI2tjDDoYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSJZL2hjL2VzL2FydGljbGVzLzIwNzg0MjA4My1OeEtERS1DYWxjdWxhLWxhLUVzdGltYWNpJUMzJUIzbi1kZS1sYS1EZW5zaWRhZC1kZWwtS2VybmVsBjsIVDoJcmFua2kH--18cfe7bea3b5e0dec8b8e0800e0a2a5fa6622f85)\n- [BoxCox - Transformada de Box-Cox](https:\/\/support.numxl.com\/hc\/es\/related\/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGkE%2BxzeDDoYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSI9L2hjL2VzL2FydGljbGVzLzIxNTg4MzAwMy1Cb3hDb3gtVHJhbnNmb3JtYWRhLWRlLUJveC1Db3gGOwhUOglyYW5raQg%3D--363415c24729ef8e3e82e91adad143d8b9cb00c0)\n- [Nosotros estamos abiertos para los negocios](https:\/\/support.numxl.com\/hc\/es\/related\/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGwrCL%2BeJdRTADoYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSJNL2hjL2VzL2FydGljbGVzLzM2MDA0MTUyMDgzMS1Ob3NvdHJvcy1lc3RhbW9zLWFiaWVydG9zLXBhcmEtbG9zLW5lZ29jaW9zBjsIVDoJcmFua2kJ--903984dc2e182cbb4c6d71fe72798b6e4b6b07e0)\n- [Módulo 2: Estadísticas Descriptiva](https:\/\/support.numxl.com\/hc\/es\/related\/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGkEt5gADToYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSJKL2hjL2VzL2FydGljbGVzLzIxODE0MjkwMy1NJUMzJUIzZHVsby0yLUVzdGFkJUMzJUFEc3RpY2FzLURlc2NyaXB0aXZhBjsIVDoJcmFua2kK--1b1562ddd92afcf3bb9064a93a89c422a0d50fb6)\n\n### Comentarios\nEl artículo está cerrado para comentarios.\n\n¿Fue útil este artículo?\n\nUsuarios a los que les pareció útil: 2 de 2\n\n© Centro de ayuda\n\n- [Sobre Nosotros](https:\/\/numxl.com\/about-us\/ \"About NumXL Team\")\n- [Descargar](https:\/\/numxl.com\/free-trial\/ \"Download free 14-day trial\")\n- [Compra](https:\/\/numxl.com\/prices\/ \"Buy NumXL Pro\")\n- [Contacto](https:\/\/numxl.com\/about-us\/#contact_us \"Contact NumXL Team\")","attrs_readable_markdown":"Calcula la estimación de la densidad del kernel (KDE) de los datos de la muestra.\n\n## Sintaxis\n**KDE**(**X**, **target**, **h**, **kernel**)\n\nX\n\nson las series de datos de entrada (array de una o dos dimensiones de celdads (Por ejemplo: filas o columnas)).\n\ntarget\n\nes el valor objetivo para calcular la función básica acumulativa de distribución (CDF).\n\nh\n\nes el parámetro de suavizado (ancho de banda) del estimador de densidad de kernel. Si falta, la función KDE calcula un valor óptimo.\n\nkernel\n\nes un switch para seleccionar la función kernel (1 = Gaussianna (defecto), 2 = Uniforme, 3 = Triangular, 4 = Biweight(Cuadrático), 5 = Triweight, 6 = Epanechnikov).\n\nAtención\n\nLa función KDE() de la version 1.68 es obsoleta: use en su lugar la función [NxKDE](https:\/\/support.numxl.com\/hc\/es\/articles\/207842083-NxKDE-Calcula-la-estimaci%C3%B3n-de-la-kernel \"NumXL Manual de Referencia - NxKDE\").\n## Observaciones\n1. En Estadística, la estimación de densidad de Kernel (KDE) es una forma no paramétrica para estimar la función de densidad de probabilidad de una variable aleatoria.\n2. Permite \\$\\\\{x\\_i\\\\}\\$ ser un muestra idd extraída de alguna distribución con densidad desconocida \\$f()\\$. La estimación de densidad de Kernel se define de la siguiente manera:  \n   \\$\\$\\\\hat f(x)=\\\\frac{1}{nh}\\\\sum\\_{i=1}^N K(\\\\frac{x-x\\_i}{h})\\$\\$  \n   Donde:\n   - \\$K()\\$ es la función de Kernel - una función simétrica (pero no necesariamente positiva) que integra a uno.\n   - \\$h\\$ es un parámetro de suavizado llamado el ancho de banda.\n3. El ancho de banda de Kernel es un parámetro libre que exhibe una fuerte influencia en la estimación resultante.\n4. Si Kernel es usada con base Gaussianna y la densidad subyacente se estima Gaussinanna, a continuación, se puede demostrar que la elección óptima de ancho de banda (\\$h\\$) es:  \n   \\$\\$h\\_{opt}=\\\\hat\\\\sigma\\\\times \\\\sqrt \\[5\\]{\\\\frac{4}{3N}}\\\\approx \\\\frac{1.06\\\\sigma}{\\\\sqrt \\[5\\] N} \\$\\$ \\$\\$\\\\hat\\\\sigma=min(s,\\\\frac{IQR}{1.34}) \\$\\$  \n   Donde:\n   - \\$s\\$ es la desviación estándar de la muestra.\n   Esta aproximación se denomina aproximación de la distribución normal, aproximación gaussiana o regla de pulgar de Silverman.\n5. Función KDE utiliza regla de pulgar de Silverman para estimar el ancho de banda óptimo.\n6. KDE no asume que la función de densidad de probabilidad subyacente (PDF) sea normal; en lugar KDE está seleccionando \\$h\\$ lo que sería óptimo si el PDF fueran normales.\n7. KDE actualmente apoya un ancho de banda fijo a lo largo de la muestra.\n8. Las series de datos pueden incluir valores faltantes (Por ejemplo: \\#N\/A, \\#VALUE!, \\#NUM!, empty cell), pero esos no son incluidos en los cálculos.\n## Ejemplos de archivos\n## Enlaces Relacionados\n- [Wikipedia - Kernel density estimation](http:\/\/en.wikipedia.org\/wiki\/Kernel_density_estimation).\n- [Wikipedia - Kernel function](http:\/\/en.wikipedia.org\/wiki\/Uniform_kernel#Kernel_functions_in_common_use).\n## Referencias\n- Balakrishnan, N., Exponential Distribution: Theory, Methods and Applications, CRC, P 18 1996.","meta_canonical":null}

3. Robots.txt Check

Query:

Response:

4. Spam/Ban Check

Query:

Response:

5. Seen Status Check

ℹ️ Skipped - page is already crawled

📄

INDEXABLE

✅

CRAWLED

20 days ago

🤖

ROBOTS ALLOWED

Page Info Filters

Filter	Status	Condition	Details
HTTP status	PASS	`download_http_code = 200`	HTTP 200
Age cutoff	PASS	`download_stamp > now() - 6 MONTH`	0.7 months ago
History drop	PASS	`isNull(history_drop_reason)`	No drop reason
Spam/ban	PASS	`fh_dont_index != 1 AND ml_spam_score = 0`	ml_spam_score=0
Canonical	PASS	`meta_canonical IS NULL OR = '' OR = src_unparsed`	Not set

Page Details

Property	Value
URL	https://support.numxl.com/hc/es/articles/214572066-KDE-Estimaci%C3%B3n-de-Densidad-de-Kernel
Last Crawled	2026-03-25 07:55:10 (20 days ago)
First Indexed	2017-03-09 01:32:05 (9 years ago)
HTTP Status Code	200
Meta Title	KDE - Estimación de Densidad de Kernel – Centro de ayuda
Meta Description	Calcula la estimación de la densidad del kernel (KDE) de los datos de la muestra. Sintaxis KDE(X, target, h, kernel) X son las series de...
Meta Canonical	null
Boilerpipe Text	Calcula la estimación de la densidad del kernel (KDE) de los datos de la muestra. Sintaxis KDE ( X , target , h , kernel ) X son las series de datos de entrada (array de una o dos dimensiones de celdads (Por ejemplo: filas o columnas)). target es el valor objetivo para calcular la función básica acumulativa de distribución (CDF). h es el parámetro de suavizado (ancho de banda) del estimador de densidad de kernel. Si falta, la función KDE calcula un valor óptimo. kernel es un switch para seleccionar la función kernel (1 = Gaussianna (defecto), 2 = Uniforme, 3 = Triangular, 4 = Biweight(Cuadrático), 5 = Triweight, 6 = Epanechnikov). Atención La función KDE() de la version 1.68 es obsoleta: use en su lugar la función NxKDE . Observaciones En Estadística, la estimación de densidad de Kernel (KDE) es una forma no paramétrica para estimar la función de densidad de probabilidad de una variable aleatoria. Permite $\{x_i\}$ ser un muestra idd extraída de alguna distribución con densidad desconocida $f()$. La estimación de densidad de Kernel se define de la siguiente manera: $$\hat f(x)=\frac{1}{nh}\sum_{i=1}^N K(\frac{x-x_i}{h})$$ Donde: $K()$ es la función de Kernel - una función simétrica (pero no necesariamente positiva) que integra a uno. $h$ es un parámetro de suavizado llamado el ancho de banda. El ancho de banda de Kernel es un parámetro libre que exhibe una fuerte influencia en la estimación resultante. Si Kernel es usada con base Gaussianna y la densidad subyacente se estima Gaussinanna, a continuación, se puede demostrar que la elección óptima de ancho de banda ($h$) es: $$h_{opt}=\hat\sigma\times \sqrt [5]{\frac{4}{3N}}\approx \frac{1.06\sigma}{\sqrt [5] N} $$ $$\hat\sigma=min(s,\frac{IQR}{1.34}) $$ Donde: $s$ es la desviación estándar de la muestra. Esta aproximación se denomina aproximación de la distribución normal, aproximación gaussiana o regla de pulgar de Silverman. Función KDE utiliza regla de pulgar de Silverman para estimar el ancho de banda óptimo. KDE no asume que la función de densidad de probabilidad subyacente (PDF) sea normal; en lugar KDE está seleccionando $h$ lo que sería óptimo si el PDF fueran normales. KDE actualmente apoya un ancho de banda fijo a lo largo de la muestra. Las series de datos pueden incluir valores faltantes (Por ejemplo: #N/A, #VALUE!, #NUM!, empty cell), pero esos no son incluidos en los cálculos. Ejemplos de archivos Enlaces Relacionados Wikipedia - Kernel density estimation . Wikipedia - Kernel function . Referencias Balakrishnan, N., Exponential Distribution: Theory, Methods and Applications, CRC, P 18 1996.
Markdown	[![Logotipo](https://support.numxl.com/hc/theming_assets/01HZP65H937JFREX8JGYBVA3GY) Centro de ayuda](https://support.numxl.com/hc/es "Inicio") [Iniciar sesión](https://numxl.zendesk.com/access?locale=es&brand_id=1153436&return_to=https%3A%2F%2Fsupport.numxl.com%2Fhc%2Fes%2Farticles%2F214572066-KDE-Estimaci%25C3%25B3n-de-Densidad-de-Kernel&locale=es "Abre un cuadro de diálogo") [Español]() [Deutsch](https://support.numxl.com/hc/change_language/de?return_to=%2Fhc%2Fde) [English (US)](https://support.numxl.com/hc/change_language/en-us?return_to=%2Fhc%2Fen-us%2Farticles%2F214572066-KDE-Kernel-Density-Estimation) [Français](https://support.numxl.com/hc/change_language/fr?return_to=%2Fhc%2Ffr) [日本語](https://support.numxl.com/hc/change_language/ja?return_to=%2Fhc%2Fja) [한국어](https://support.numxl.com/hc/change_language/ko?return_to=%2Fhc%2Fko) [Português](https://support.numxl.com/hc/change_language/pt?return_to=%2Fhc%2Fpt) [Русский](https://support.numxl.com/hc/change_language/ru?return_to=%2Fhc%2Fru) [简体中文](https://support.numxl.com/hc/change_language/zh-cn?return_to=%2Fhc%2Fzh-cn) - [Inicio](https://support.numxl.com/hc/es "Inicio") - [Comunidad](https://support.numxl.com/hc/es/community/topics) - [Enviar una solicitud](https://support.numxl.com/hc/es/requests/new) ![sidebar image](https://support.numxl.com/hc/theming_assets/01HZP65HH25NJVVRC58M60QQGW) 1. [Centro de ayuda](https://support.numxl.com/hc/es) 2. [Manual de Referencia](https://support.numxl.com/hc/es/categories/201834203-Manual-de-Referencia) 3. [Estadística descriptiva](https://support.numxl.com/hc/es/sections/202975426-Estad%C3%ADstica-descriptiva) # KDE - Estimación de Densidad de Kernel ![Avatar](https://support.numxl.com/system/photos/360565495971/mohamad.jpg) [Mohamad](https://support.numxl.com/hc/es/profiles/297672531-Mohamad) 27 de octubre de 2016 14:58 [Seguir](https://support.numxl.com/hc/es/articles/214572066-KDE-Estimaci%C3%B3n-de-Densidad-de-Kernel/subscription.html "Abre un cuadro de diálogo de inicio de sesión") Calcula la estimación de la densidad del kernel (KDE) de los datos de la muestra. ## Sintaxis KDE(X, target, h, kernel) X son las series de datos de entrada (array de una o dos dimensiones de celdads (Por ejemplo: filas o columnas)). target es el valor objetivo para calcular la función básica acumulativa de distribución (CDF). h es el parámetro de suavizado (ancho de banda) del estimador de densidad de kernel. Si falta, la función KDE calcula un valor óptimo. kernel es un switch para seleccionar la función kernel (1 = Gaussianna (defecto), 2 = Uniforme, 3 = Triangular, 4 = Biweight(Cuadrático), 5 = Triweight, 6 = Epanechnikov). \| Valor \| Kernel \| \|---\|---\| \| 1 \| Función Kernel Gaussianna (defecto). \| \| 2 \| Kernel Uniforme. \| \| 3 \| Kernel Triangular. \| \| 4 \| Kernel Biweight o Cuadrático. \| \| 5 \| Kernel Triweight. \| \| 6 \| Kernel Epanechnikov. \| Atención La función KDE() de la version 1.68 es obsoleta: use en su lugar la función [NxKDE](https://support.numxl.com/hc/es/articles/207842083-NxKDE-Calcula-la-estimaci%C3%B3n-de-la-kernel "NumXL Manual de Referencia - NxKDE"). ## Observaciones 1. En Estadística, la estimación de densidad de Kernel (KDE) es una forma no paramétrica para estimar la función de densidad de probabilidad de una variable aleatoria. 2. Permite \$\\{x\_i\\}\$ ser un muestra idd extraída de alguna distribución con densidad desconocida \$f()\$. La estimación de densidad de Kernel se define de la siguiente manera: \$\$\\hat f(x)=\\frac{1}{nh}\\sum\_{i=1}^N K(\\frac{x-x\_i}{h})\$\$ Donde: - \$K()\$ es la función de Kernel - una función simétrica (pero no necesariamente positiva) que integra a uno. - \$h\$ es un parámetro de suavizado llamado el ancho de banda. 3. El ancho de banda de Kernel es un parámetro libre que exhibe una fuerte influencia en la estimación resultante. 4. Si Kernel es usada con base Gaussianna y la densidad subyacente se estima Gaussinanna, a continuación, se puede demostrar que la elección óptima de ancho de banda (\$h\$) es: \$\$h\_{opt}=\\hat\\sigma\\times \\sqrt \[5\]{\\frac{4}{3N}}\\approx \\frac{1.06\\sigma}{\\sqrt \[5\] N} \$\$ \$\$\\hat\\sigma=min(s,\\frac{IQR}{1.34}) \$\$ Donde: - \$s\$ es la desviación estándar de la muestra. Esta aproximación se denomina aproximación de la distribución normal, aproximación gaussiana o regla de pulgar de Silverman. 5. Función KDE utiliza regla de pulgar de Silverman para estimar el ancho de banda óptimo. 6. KDE no asume que la función de densidad de probabilidad subyacente (PDF) sea normal; en lugar KDE está seleccionando \$h\$ lo que sería óptimo si el PDF fueran normales. 7. KDE actualmente apoya un ancho de banda fijo a lo largo de la muestra. 8. Las series de datos pueden incluir valores faltantes (Por ejemplo: \#N/A, \#VALUE!, \#NUM!, empty cell), pero esos no son incluidos en los cálculos. ## Ejemplos de archivos ## Enlaces Relacionados - [Wikipedia - Kernel density estimation](http://en.wikipedia.org/wiki/Kernel_density_estimation). - [Wikipedia - Kernel function](http://en.wikipedia.org/wiki/Uniform_kernel#Kernel_functions_in_common_use). ## Referencias - Balakrishnan, N., Exponential Distribution: Theory, Methods and Applications, CRC, P 18 1996. ### Artículos relacionados - [Gráfico de estimación de la densidad Kernel](https://support.numxl.com/hc/es/related/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGkE7zPnDDoYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSJUL2hjL2VzL2FydGljbGVzLzIxNjQ3ODcwMy1HciVDMyVBMWZpY28tZGUtZXN0aW1hY2klQzMlQjNuLWRlLWxhLWRlbnNpZGFkLUtlcm5lbAY7CFQ6CXJhbmtpBg%3D%3D--e0e4c77ba9468ccbf08d697f6f70b67a13022d04) - [NxKDE - Calcula la Estimación de la Densidad del Kernel](https://support.numxl.com/hc/es/related/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGkEI2tjDDoYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSJZL2hjL2VzL2FydGljbGVzLzIwNzg0MjA4My1OeEtERS1DYWxjdWxhLWxhLUVzdGltYWNpJUMzJUIzbi1kZS1sYS1EZW5zaWRhZC1kZWwtS2VybmVsBjsIVDoJcmFua2kH--18cfe7bea3b5e0dec8b8e0800e0a2a5fa6622f85) - [BoxCox - Transformada de Box-Cox](https://support.numxl.com/hc/es/related/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGkE%2BxzeDDoYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSI9L2hjL2VzL2FydGljbGVzLzIxNTg4MzAwMy1Cb3hDb3gtVHJhbnNmb3JtYWRhLWRlLUJveC1Db3gGOwhUOglyYW5raQg%3D--363415c24729ef8e3e82e91adad143d8b9cb00c0) - [Nosotros estamos abiertos para los negocios](https://support.numxl.com/hc/es/related/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGwrCL%2BeJdRTADoYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSJNL2hjL2VzL2FydGljbGVzLzM2MDA0MTUyMDgzMS1Ob3NvdHJvcy1lc3RhbW9zLWFiaWVydG9zLXBhcmEtbG9zLW5lZ29jaW9zBjsIVDoJcmFua2kJ--903984dc2e182cbb4c6d71fe72798b6e4b6b07e0) - [Módulo 2: Estadísticas Descriptiva](https://support.numxl.com/hc/es/related/click?data=BAh7CjobZGVzdGluYXRpb25fYXJ0aWNsZV9pZGkEt5gADToYcmVmZXJyZXJfYXJ0aWNsZV9pZGkEIhzKDDoLbG9jYWxlSSIHZXMGOgZFVDoIdXJsSSJKL2hjL2VzL2FydGljbGVzLzIxODE0MjkwMy1NJUMzJUIzZHVsby0yLUVzdGFkJUMzJUFEc3RpY2FzLURlc2NyaXB0aXZhBjsIVDoJcmFua2kK--1b1562ddd92afcf3bb9064a93a89c422a0d50fb6) ### Comentarios El artículo está cerrado para comentarios. ¿Fue útil este artículo? Usuarios a los que les pareció útil: 2 de 2 © Centro de ayuda - [Sobre Nosotros](https://numxl.com/about-us/ "About NumXL Team") - [Descargar](https://numxl.com/free-trial/ "Download free 14-day trial") - [Compra](https://numxl.com/prices/ "Buy NumXL Pro") - [Contacto](https://numxl.com/about-us/#contact_us "Contact NumXL Team")
Readable Markdown	Calcula la estimación de la densidad del kernel (KDE) de los datos de la muestra. ## Sintaxis KDE(X, target, h, kernel) X son las series de datos de entrada (array de una o dos dimensiones de celdads (Por ejemplo: filas o columnas)). target es el valor objetivo para calcular la función básica acumulativa de distribución (CDF). h es el parámetro de suavizado (ancho de banda) del estimador de densidad de kernel. Si falta, la función KDE calcula un valor óptimo. kernel es un switch para seleccionar la función kernel (1 = Gaussianna (defecto), 2 = Uniforme, 3 = Triangular, 4 = Biweight(Cuadrático), 5 = Triweight, 6 = Epanechnikov). Atención La función KDE() de la version 1.68 es obsoleta: use en su lugar la función [NxKDE](https://support.numxl.com/hc/es/articles/207842083-NxKDE-Calcula-la-estimaci%C3%B3n-de-la-kernel "NumXL Manual de Referencia - NxKDE"). ## Observaciones 1. En Estadística, la estimación de densidad de Kernel (KDE) es una forma no paramétrica para estimar la función de densidad de probabilidad de una variable aleatoria. 2. Permite \$\\{x\_i\\}\$ ser un muestra idd extraída de alguna distribución con densidad desconocida \$f()\$. La estimación de densidad de Kernel se define de la siguiente manera: \$\$\\hat f(x)=\\frac{1}{nh}\\sum\_{i=1}^N K(\\frac{x-x\_i}{h})\$\$ Donde: - \$K()\$ es la función de Kernel - una función simétrica (pero no necesariamente positiva) que integra a uno. - \$h\$ es un parámetro de suavizado llamado el ancho de banda. 3. El ancho de banda de Kernel es un parámetro libre que exhibe una fuerte influencia en la estimación resultante. 4. Si Kernel es usada con base Gaussianna y la densidad subyacente se estima Gaussinanna, a continuación, se puede demostrar que la elección óptima de ancho de banda (\$h\$) es: \$\$h\_{opt}=\\hat\\sigma\\times \\sqrt \[5\]{\\frac{4}{3N}}\\approx \\frac{1.06\\sigma}{\\sqrt \[5\] N} \$\$ \$\$\\hat\\sigma=min(s,\\frac{IQR}{1.34}) \$\$ Donde: - \$s\$ es la desviación estándar de la muestra. Esta aproximación se denomina aproximación de la distribución normal, aproximación gaussiana o regla de pulgar de Silverman. 5. Función KDE utiliza regla de pulgar de Silverman para estimar el ancho de banda óptimo. 6. KDE no asume que la función de densidad de probabilidad subyacente (PDF) sea normal; en lugar KDE está seleccionando \$h\$ lo que sería óptimo si el PDF fueran normales. 7. KDE actualmente apoya un ancho de banda fijo a lo largo de la muestra. 8. Las series de datos pueden incluir valores faltantes (Por ejemplo: \#N/A, \#VALUE!, \#NUM!, empty cell), pero esos no son incluidos en los cálculos. ## Ejemplos de archivos ## Enlaces Relacionados - [Wikipedia - Kernel density estimation](http://en.wikipedia.org/wiki/Kernel_density_estimation). - [Wikipedia - Kernel function](http://en.wikipedia.org/wiki/Uniform_kernel#Kernel_functions_in_common_use). ## Referencias - Balakrishnan, N., Exponential Distribution: Theory, Methods and Applications, CRC, P 18 1996.
Shard	169 (laksa)
Root Hash	15527941299978900169
Unparsed URL	com,numxl!support,/hc/es/articles/214572066-KDE-Estimaci%C3%B3n-de-Densidad-de-Kernel s443