A. 如何用MATLAB进行核密度估计
该图看的不是很清晰，不过隐约能看到编程代码出错
首先调整里面的标点符号（英文状态下的标点符号，尤其是逗号）
其次，再查询一下逻辑是否正确（如果逻辑没有问题，在MATLAB中
的这个命令语是是否正确。如果可以，清晰打出来……
B. 什么是核密度估计如何感性认识
语言与非参数统计（核密度估计）核密度估计是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt ()和Enuel Parzen()提出，又名Parzen窗（Parzen window）。
C. 怎么用stata做核密度估计
kernel命令即可
D. 如何用r软件做自适应核密度估计
如今移动互联网随着3G的普及，越来越火爆，更多需求跟随而来！APP应用市场和APP应用数量成倍成倍的增长！从而给移动互联网带来新的挑战！ 移动设备正超过桌面设备，成为访问互联网的最常见终端。
E. Arcgis如何正确计算核密度
这要看你的高程数据的质量，如果质量较高，等高线非常密集，那么分析出来的TIN和DEM，其数据差距是很小，那么用哪个来生成坡度图都是差不多，但是如果等高线密度不够，用TIN生成的坡度和用DEM生成的坡度就不一样了，因为TIN可以认为是一种矢量数据，而DEM是通过TIN加入了计算机的判断和数据插值而形成的栅格数据，而坡度图是在计算机插值的基础上生成的，自然跟用TIN直接生成的坡度图是有差距的。
F. 怎么用r语言写核密度估计函数的程序
R语言实际上是函数的集合，用户可以使用base，stats等包中的基本函数，也可以自己编写函数完成一定的功能。但是初学者往往认为编写R函数十分困难，或者难以理解。这里对如何编写R函数进行简要的介绍。
函数是对一些程序语句的封装。换句话说，编写函数，可以减少人们对重复代码书写，从而让R脚本程序更为简洁，高效。同时也增加了可读性。一个函数往往完成一项特定的功能。例如，求标准差sd,求平均值，求生物多样性指数等。R数据分析，就是依靠调用各种函数来完成的。但是编写函数也不是轻而易举就能完成的，需要首先经过大量的编程训练。特别是对R中数据的类型，逻辑判别、下标、循环等内容有一定了解之后，才好开始编写函数。 对于初学者来说，最好的方法就是研究现有的R函数。因为R程序包都是开源的，所有代码可见。研究现有的R函数能够使编程水平迅速提高。
R函数无需首先声明变量的类型，大部分情况下不需要进行初始化。一个完整的R函数，需要包括函数名称，函数声明，函数参数以及函数体几部分。
函数名称，即要编写的函数名称，这一名称就作为将来调用R函数的依据。
2. 函数声明，包括 <- function, 即声明该对象的类型为函数。
3. 函数参数，这里是输入的数据，函数参数是一个虚拟出来的一个对象。函数参数所等于的数据，就是在函数体内部将要处理的值，或者对应的数据类型。 函数体内部的程序语句进行数据处理，就是对参数的值进行处理 ，这种处理只在调用函数的时候才会发生。函数的参数可以有多种类型。R help的界面对每个函数，及其参数的意义及所需的数据类型都进行了说明。
4. 函数体
常常包括三部分.
（1）. 异常处理
输入的数据不能满足函数计算的要求，或者类型不符， 这时候一定要设计相应的机制告诉用户，输入的数据在什么地方有错误。 错误又分为两种。
第一种， 如果输入的数据错误不是很严重，可以经过转换，变为符合处理要求的数据时， 此时只需要给用户一个提醒，告知数据类型不符，但是函数本身已经 进行了相应的转换。
第二种，数据完全不符合要求，这种情况下，就 要终止函数的运行，而告知因为什么，函数不能运行。这样，用户在 使用函数的情况先才不至于茫然。
（2）. 运算过程
包括具体的运算步骤。 运算过程和该函数要完成的功能有关。
R运算过程中，应该尽量减少循环的使用，特别是嵌套循环。R提供了 apply，replicate等一系列函数，来代替循环，应该尽量应用这些函数， 提高效率。 如果在R中实在太慢，那么核心部分只能依靠C或者Fortran 等语言编写，然后再用R调用这些编译好的模块，达到更高的效率。
运算过程中，需要大量用到if等条件作为判别的标准。if和while都是需要数据TRUE/FALSE这样的逻辑类型变量，这就意味着，if内部，往往是对条件的判别，例如 is.na, is.matrix, is.numeric等等，或者对大小的比较，如，if(x > 0)， if(x == 1)， if(length(x)== 3)等等。if后面，如果是1行，则花括号可以省略，否则就必须要将所有的语句都放在花括号中。这和循环是一致的。
例子：
## if与条件判断
fun.test <- function(a, b, method = "add"){
if(method == "add") { ## 如果if或者for/while；
res <- a + b ## 等后面的语句只有一行，则无需使用花括号。
}
if(method == "subtract"){
res <- a - b
}
return(res) ## 返回值
}
### 检验结果
fun.test(a = 10, b = 8, method = "add")
fun.test(a = 10, b = 8, method = "substract")
G. 非参数核密度估计是用什么软件实现
语言与非参数统计（核密度估计）
核密度估计是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。
H. 您好，想请教GIS核密度估计具体步骤，怎么私信您呢
对,首先要把数据转化平面坐标之后,然后进行核密度分析 具体分析参数请私信加我讲给你吧!
I. 什么是gis核密度计算
核密度估计（kernel density estimation）是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。Ruppert和Cline基于数据集密度函数聚类算法提出修订的核密度估计方法。
100个正态分布的乱数的核密度估计
核密度估计在估计边界区域的时候会出现边界效应。
在单变量核密度估计的基础上，可以建立风险价值的预测模型。通过对核密度估计变异系数的加权处理，可以建立不同的风险价值的预测模型。
一些比较常用的核函数是： 均匀核函数 k(x)=1/2,-1≤x≤1 加入带宽h后： kh(x)=1/(2h),-h≤x≤h
三角核函数 k(x)=1-|x|,-1≤x≤1 加入带宽h后： kh(x)=(h-|x|)/h^2,-h≤x≤h
伽马核函数 kxi(x)=[x^(α-1)exp{-xα/xi}]/[(xi/α)^α.Γ(α)]
gis中的密度分析，分为核密度分析，点密度分析和线密度分析。通过密度分析，我们可以讲测量的来的点或者线生成连续表面，从而可以找出那些地方点或者线比较集中。也就是，密度分析是根据输入要素数据计算整个区域的数据聚集状况。密度分析是通过离散点数据或者线数据进行内插的过程，根据插值原理不同，主要是分为核密度分析和普通的点\线密度分析。核密度分心中，落入搜索区的点具有不同的权重，靠近搜索中心的点或线会被赋予较大的权重，反之，权重较小，它的计算结果分布较平滑。在普通的点\线密度分析中，落在搜索区域内的点或线有相同的权重，先对其求和，再除以搜索区域的大小，从而得到每个点的密度值。
J. 关于怎么用mathematica做核密度估计
kernel density estimation是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。
Ruppert和Cline基于数据集密度函数聚类算法提出修订的核密度估计方法。