Słownik metodologiczny · Statystyka opisowa

Estymator jądrowy gęstości (KDE) – jak wygładzić rozkład bez histogramu?

Estymator jądrowy gęstości (KDE) zamienia dane w gładką krzywą rozkładu. Pokazujemy, jak działa, dlaczego najważniejsza jest szerokość pasma, przykład w R z density() i opis w pracy.

Strona główna / Słownik / Estymator jądrowy gęstości (KDE)
W skrócie: Estymator jądrowy gęstości (KDE) przybliża funkcję gęstości, sumując gładkie „górki” (jądra) umieszczone nad każdą obserwacją. O kształcie krzywej decyduje szerokość pasma h: w przykładzie h = 3.12 pokazało dwie podgrupy, h = 1 – 11 fałszywych szczytów, a h = 15 – jeden garb.

Co to jest estymator jądrowy gęstości?

Estymator jądrowy gęstości (ang. kernel density estimation, KDE) to gładka krzywa przybliżająca funkcję gęstości zmiennej ciągłej bez zakładania jej kształtu. Nad każdą obserwacją umieszcza się małą „górkę” – jądro, najczęściej krzywą normalną – i sumuje wszystkie górki, a wynik dzieli przez liczbę obserwacji. W odróżnieniu od histogramu wynik nie zależy od punktu startowego przedziałów i nie ma schodków.

Decydujący jest jeden parametr: szerokość pasma (ang. bandwidth, h). Za małe h daje poszarpaną krzywą z fałszywymi szczytami, za duże – zlewa prawdziwe podgrupy w jeden garb. Wybór jądra ma znacznie mniejsze znaczenie. Sheather (2004) opisuje praktyczne zasady stosowania KDE i ich implementacje w R, a Sheather i Jones (1991) zaproponowali metodę doboru h na podstawie danych, która w symulacjach działała bardzo dobrze dla gładkich gęstości.

Przykład w R

Wyniki testu 200 osób pochodzą z dwóch podgrup (średnie 50 i 80). Domyślna reguła R (bw.nrd0) daje h = 4.77, a metoda Sheathera–Jonesa h = 3.12. W obu przypadkach krzywa ma dwa szczyty, z modą około 50.5. Przy h = 1 pojawia się 11 drobnych szczytów, a przy h = 15 – tylko jeden, choć podgrupy są dwie.

Kiedy używać

  • Kształt rozkładu – skośność, ciężkie ogony i wielomodalność widać lepiej niż w tabeli. Silverman (1981) wykorzystał KDE do badania liczby szczytów rozkładu, z automatycznym doborem stopnia wygładzenia.
  • Porównanie grup – kilka krzywych na jednym wykresie albo wykres skrzypcowy i raincloud, które są zbudowane z KDE.
  • Uzupełnienie oceny normalności – obok wykresu Q-Q; KDE nie jest testem.

Uwaga na granice: przy zmiennych ograniczonych (np. czas reakcji > 0) krzywa „wycieka” poza możliwy zakres.

Na rysunku

Dwanaście małych pomarańczowych przerywanych krzywych normalnych o jednakowej wysokości, każda nad jedną obserwacją zaznaczoną kreską na osi poziomej (wyniki od około 35 do 80). Ich suma to gruba niebieska ciągła krzywa z wyższym szczytem przy około 50 i niższym przy około 79.
Rysunek 1. Estymator jądrowy gęstości jako suma jąder normalnych nad 12 obserwacjami (h = 8.75, reguła bw.nrd0). Obliczenia: R, pakiet ggplot2 (dane symulowane, ziarno 5641).

Co widać. Nad każdym z 12 wyników (kreski na osi) stoi krzywa normalna o odchyleniu równym pasmu h = 8.75 i polu 1/12. Suma tych górek to KDE: tam, gdzie obserwacje leżą gęsto, górki się nakładają i krzywa rośnie. Ręczne sumowanie daje to samo co density() (największa różnica 4.5 × 10−6).

Na co uważać. Przy 12 obserwacjach kształt krzywej zależy od pojedynczych punktów – drugi garb tworzą tu cztery wyniki. Krzywa wychodzi też poza zakres danych, bo każde jądro ma ogony.

Podpis do pracy:

Rysunek 1. Estymator jądrowy gęstości wyników testu (n = 12) jako suma jąder normalnych. Uwaga. Linie przerywane – jądra pojedynczych obserwacji podzielone przez n; linia ciągła – ich suma; kreski na osi – obserwacje. Szerokość pasma h = 8.75 (domyślna reguła R, bw.nrd0).
Trzy panele jeden pod drugim z niebieską krzywą KDE i szarą kropkowaną prawdziwą gęstością dwóch podgrup (szczyty przy 50 i 80). Przy h = 1 krzywa KDE jest poszarpana, z wieloma drobnymi szczytami. Przy h = 3.12 (Sheather–Jones) prawie pokrywa się z prawdziwą gęstością. Przy h = 15 ma jeden szeroki garb przy około 52 i nie pokazuje drugiej podgrupy.
Rysunek 2. Estymator jądrowy gęstości 200 wyników z przykładu przy trzech szerokościach pasma na tle prawdziwej gęstości. Obliczenia: R, pakiet ggplot2 (dane symulowane, ziarno 564).

Co widać. To te same dane co w przykładzie wyżej. Przy h = 1 krzywa ma wiele fałszywych szczytów, przy h = 15 zlewa obie podgrupy w jeden garb. Pasmo Sheathera–Jonesa (h = 3.12) jest najbliżej prawdziwej gęstości: całkowity błąd kwadratowy wynosi 0.00022 wobec 0.00097 przy h = 1 i 0.0058 przy h = 15.

Na co uważać. Prawdziwą gęstość znamy tylko w symulacji. W prawdziwych danych nie sprawdzisz, które pasmo jest najlepsze, więc w pracy podaj metodę wyboru i wartość h. Cztery szerokości pasma na tle histogramu i porównanie z ECDF pokazuje wpis Rozkład zmiennej na wykresie.

Podpis do pracy:

Rysunek 2. Estymator jądrowy gęstości wyników testu (n = 200) przy szerokości pasma h = 1, h = 3.12 (metoda Sheathera–Jonesa) i h = 15. Uwaga. Linia ciągła – estymator jądrowy z jądrem normalnym; linia kropkowana – gęstość, z której losowano dane (mieszanina rozkładów normalnych); kreski na osi – obserwacje.
Kod R rysunków
# Rysunki 1–2: jak powstaje estymator jądrowy gęstości i jak zmienia się przy różnej szerokości pasma
library(ggplot2)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(kde = "#0072B2", jadra = "#E69F00", prawda = "grey35")
motyw <- theme_minimal(base_size = 14) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        strip.text = element_text(face = "bold", colour = "#0f1d3a"),
        plot.background = element_rect(fill = "white", colour = NA))

# Rysunek 1: KDE jako suma jąder normalnych nad 12 obserwacjami
set.seed(5641)
x12 <- round(c(rnorm(8, 50, 8), rnorm(4, 80, 5)), 1)     # 12 wyników z dwóch podgrup
h12 <- bw.nrd0(x12)                                     # domyślna reguła R
siatka <- seq(10, 110, by = 0.5)
jadra <- data.frame(obs = rep(seq_along(x12), each = length(siatka)), x = siatka,
                    y = as.vector(sapply(x12, function(xi) dnorm(siatka, xi, h12) / length(x12))))
suma <- aggregate(y ~ x, data = jadra, FUN = sum)        # KDE = suma jąder podzielonych przez n
spr <- density(x12, bw = h12, from = 10, to = 110, n = length(siatka))
round(h12, 2)                                           # szerokość pasma
signif(max(abs(spr$y - suma$y)), 2)                     # różnica względem density(): błąd przybliżenia
p1 <- ggplot() +
  geom_line(data = jadra, aes(x, y, group = obs, linetype = "jądro jednej obserwacji (÷ n)"),
            colour = kol[["jadra"]], linewidth = 0.6) +
  geom_line(data = suma, aes(x, y, linetype = "KDE = suma jąder"), colour = kol[["kde"]], linewidth = 1.3) +
  geom_rug(data = data.frame(x = x12), aes(x), length = unit(0.05, "npc"), linewidth = 0.6) +
  scale_linetype_manual(values = c("dashed", "solid"), name = NULL,
                        guide = guide_legend(override.aes = list(colour = unname(kol[c("jadra", "kde")])))) +
  labs(x = "Wynik testu", y = "Gęstość") + motyw

# Rysunek 2: dane z przykładu (200 wyników) przy trzech szerokościach pasma na tle prawdziwej gęstości
set.seed(564)
x <- c(rnorm(150, 50, 8), rnorm(50, 80, 5))              # te same dane co w przykładzie w haśle
prawdziwa <- function(t) 0.75 * dnorm(t, 50, 8) + 0.25 * dnorm(t, 80, 5)
pasma <- c("h = 1 (za małe)" = 1, "h = 3.12 (Sheather–Jones)" = bw.SJ(x), "h = 15 (za duże)" = 15)
names(pasma)[2] <- sprintf("h = %.2f (Sheather–Jones)", bw.SJ(x))
krzywe <- do.call(rbind, lapply(names(pasma), function(nm) {
  d <- density(x, bw = pasma[[nm]], from = 10, to = 110, n = 401)
  data.frame(pasmo = nm, x = d$x, kde = d$y, prawda = prawdziwa(d$x))
}))
krzywe$pasmo <- factor(krzywe$pasmo, levels = names(pasma))
# całkowity błąd kwadratowy (ISE) względem prawdziwej gęstości, całka metodą prostokątów
ise <- aggregate(cbind(blad = (kde - prawda)^2) ~ pasmo, data = krzywe, FUN = function(v) sum(v) * 0.25)
print(transform(ise, blad = signif(blad, 3)), row.names = FALSE)
p2 <- ggplot(krzywe, aes(x)) +
  geom_line(aes(y = prawda, linetype = "prawdziwa gęstość"), colour = kol[["prawda"]], linewidth = 0.8) +
  geom_line(aes(y = kde, linetype = "KDE z próby n = 200"), colour = kol[["kde"]], linewidth = 1.1) +
  geom_rug(data = data.frame(x = x), aes(x), colour = "grey55", linewidth = 0.3, length = unit(0.06, "npc"), inherit.aes = FALSE) +
  facet_wrap(~ pasmo, ncol = 1) +
  scale_linetype_manual(values = c("solid", "dotted"), name = NULL,
                        guide = guide_legend(override.aes = list(colour = unname(kol[c("kde", "prawda")])))) +
  labs(x = "Wynik testu", y = "Gęstość") + motyw

p1   # zapis: ggsave("estymator-jadrowy-gestosci-jadra.svg", p1, width = 8, height = 4.6)
p2   # zapis: ggsave("estymator-jadrowy-gestosci-pasmo.svg", p2, width = 8, height = 7.2)
Wynik w R
[1] 8.75
[1] 4.5e-06
                     pasmo     blad
           h = 1 (za małe) 0.000969
 h = 3.12 (Sheather–Jones) 0.000223
          h = 15 (za duże) 0.005820

Rysunki na stronie powstały z tego kodu z motywem serwisu (dane, geometrie i skale identyczne). Liczebności i parametry podgrup w rysunku 1 ustalono ręcznie; ziarna nie zmieniano.

Jak opisać w pracy

Rozkład wyników przedstawiono za pomocą estymatora jądrowego gęstości z jądrem normalnym i szerokością pasma dobraną metodą Sheathera–Jonesa (h = 3.12). Krzywa ma dwa wyraźne szczyty, co sugeruje obecność dwóch podgrup.
Przykład reprodukowalny

Estymator jądrowy gęstości w R

Kod liczy KDE funkcją bazową density() dla czterech szerokości pasma: reguły domyślnej bw.nrd0(), metody Sheathera–Jonesa bw.SJ() oraz celowo za małej i za dużej wartości, i zlicza szczyty krzywej.

Wpływ szerokości pasma na liczbę szczytów

Dane wejściowe: 150 wyników z N(50, 8) i 50 z N(80, 5); jądro normalne, 1024 punkty siatki; set.seed(564).

Co odczytać: h = 4.77 (nrd0) i 3.12 (SJ) – po 2 szczyty; h = 1 – 11 szczytów; h = 15 – 1 szczyt.

R
# Estymator jądrowy gęstości: wpływ szerokości pasma (bw)
set.seed(564)
x <- c(rnorm(150, 50, 8), rnorm(50, 80, 5))     # dwie podgrupy wyników testu
szczyty <- function(d) sum(diff(sign(diff(d$y))) == -2)
bw <- c(nrd0 = bw.nrd0(x), SJ = bw.SJ(x), za_male = 1, za_duze = 15)
wyn <- sapply(bw, function(h) {
  d <- density(x, bw = h, kernel = "gaussian", n = 1024)
  c(bw = h, szczyty = szczyty(d), moda = d$x[which.max(d$y)])
})
round(wyn, 2)
Wynik w R
         nrd0    SJ za_male za_duze
bw       4.77  3.12    1.00    15.0
szczyty  2.00  2.00   11.00     1.0
moda    50.50 50.52   46.86    52.4

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (przykład bez dodatkowych pakietów); rysunki wykonano w pakiecie ggplot2, a pliki zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Jak wybrać szerokość pasma w estymatorze jądrowym?

Zacznij od metody opartej na danych, np. Sheathera–Jonesa (bw.SJ() w R), i porównaj z regułą domyślną. Zawsze sprawdź też krzywą przy mniejszym i większym h: wniosek o kilku szczytach powinien przetrwać rozsądne zmiany pasma.

Czy KDE jest lepsze od histogramu?

Daje gładszy obraz i nie zależy od punktu startowego przedziałów, ale nadal wymaga wyboru wygładzenia. Przy małej próbie oba wykresy mogą mylić. Dobrze jest pokazać KDE razem z punktami surowymi, np. na wykresie raincloud.

Dlaczego krzywa gęstości wychodzi poza zakres danych?

Jądro normalne rozciąga się poza każdą obserwację, więc część gęstości trafia np. poniżej zera przy czasach reakcji. Przy zmiennych ograniczonych przytnij wykres do możliwego zakresu albo użyj transformacji, np. logarytmu.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Sheather, S. J. (2004). Density estimation. Statistical Science, 19(4), 588–597. https://doi.org/10.1214/088342304000000297
  2. Sheather, S. J., & Jones, M. C. (1991). A reliable data-based bandwidth selection method for kernel density estimation. Journal of the Royal Statistical Society: Series B (Methodological), 53(3), 683–690. https://doi.org/10.1111/j.2517-6161.1991.tb01857.x
  3. Silverman, B. W. (1981). Using kernel density estimates to investigate multimodality. Journal of the Royal Statistical Society: Series B (Methodological), 43(1), 97–99. https://doi.org/10.1111/j.2517-6161.1981.tb01155.x

Cytowania BibTeX

@article{sheather2004density, author={Sheather, Simon J.}, title={{Density estimation}}, journal={Statistical Science}, year={2004}, volume={19}, number={4}, pages={588--597}, doi={10.1214/088342304000000297}}
@article{sheather1991reliable, author={Sheather, S. J. and Jones, M. C.}, title={{A reliable data-based bandwidth selection method for kernel density estimation}}, journal={Journal of the Royal Statistical Society: Series B (Methodological)}, year={1991}, volume={53}, number={3}, pages={683--690}, doi={10.1111/j.2517-6161.1991.tb01857.x}}
@article{silverman1981using, author={Silverman, Bernard W.}, title={{Using kernel density estimates to investigate multimodality}}, journal={Journal of the Royal Statistical Society: Series B (Methodological)}, year={1981}, volume={43}, number={1}, pages={97--99}, doi={10.1111/j.2517-6161.1981.tb01155.x}}
R