Algoritmos de núcleo

Distribuciones de fórmula, no paramétricas y derivadas

Mathematica 8 introduce ideas fundamentalmente nuevas en modelado de distribuciones. La primera es una distribución no paramétrica que automatiza y generaliza un rango completo de métodos no paramétricos usados para calcular específicas propiedades de distribución. La segunda es consiste en una distribución derivada que es creada de cualquier distribución existente a través de operaciones comunes como transformación funcional, truncamiento o densidad, etc. La tercera trata de una distribución definida por una fórmula como una función de probabilidad de densidad, de distribución de probabilidad o de supervivencia. Los diferentes tipos de distribuciones funcionan juntas perfectamente, creando un marco de modelado y de análisis con una flexibilidad y facilidad de uso sin precedentes.

  • Distribuciones no paramétricas incluyendo distribuciones empíricas, histogramas, kernel suavizado, etc. »
  • Estimación de densidad de kernel con selección automática de ancho de banda fijo o adaptativo. »
  • Distribuciones empíricas univariadas y multivariadas optimizadas. »
  • Estimación no paramétrica de máxima veracidad para datos censurados. »
  • Modelado de confiabilidad y supervivencia eficiente con distribuciones truncadas y censuradas. »
  • Distribuciones derivadas incluyendo transformadas, truncadas, de densidad, etc. »
  • Transformaciones univariadas y multivariadas de variables al azar. »
  • Distribuciones univariadas y conjuntas de estadística de orden a partir de cualquier distribución. »
  • Distribución de densidad de componentes con distribuciones arbitrarias de componentes. »
  • Distribuciones de densidad de parámetros con distribuciones de peso discretas y continuas. »
  • Distribución truncada de cualquier dimensión, continua y discreta. »
  • Distribución censurada de cualquier dimensión, continua y discreta. »
  • Distribuciones de cópula para múltiples grupos de kernels y todo tipo de distribuciones marginales. »
  • Distribuciones marginales de toda dimensión para todo tipo de distribución de alta dimensión. »
  • Distribuciones definidas a partir de fórmulas de funciones de probabilidad de densidad, de distribución acumulativa o de supervivencia. »
Cree distribuciones directamente a partir de datos »Use distribuciones no paramétricas como cualquier otra distribución »Calcule cualquiera de más de 30 propiedades distribucionales no paramétricas »
Emplee modelos de datos no paramétricos en cualquier número de dimensiones »Estime probabilidad y expectativas no paramétricas multivariadas »Analice datos censurados a la izquierda, derecha e intervalos  »
Use distribuciones no paramétricas para simular procesos naturales »Cree sobres de confianza sobre estimaciones no paramétricas de densidad »Resuelva problemas de optimización en estimación de densidad »
Cree nuevas distribuciones a partir de distribuciones existentes con distribuciones derivadas »Trunque una distribución »Realice transformaciones afines en una distribución normal »
Aplique censura a una distribución »Cree distribuciones conjuntas de órdenes »Visualice una distribución marginal »
Prepare una tabla de transformaciones especiales »Genere una galería de distribuciones de densidad »Use diferentes kernels de cópula »
Grafo de densidades de parámetros especiales »Simule una distribución derivada »Visualice niveles de densidad de iso-probabiliad para una distribución de producto »
Compare modelos de confiabilidad paramétricos y no paramétricos »Emplee distribuciones no paramétricas en modelos de densidad sofisticados »Cree un modelo jerárquico de densidad parámetros »
Estudie las propiedades de una distribución personalizada de probabilidad »Modele pagos de reclamos para seguros »Cree su propia distribución »
en ja ko pt-br ru zh