分布估计：经验分布函数、直方图、茎叶图和核密度估计

分布估计是统计学中关键环节，涉及推断未知分布特征。本文将深入探讨四种分布估计方法：经验分布函数、直方图、茎叶图和核密度估计，包括理论背景、应用示例与代码实现。

经验分布函数（EDF）是一种非参数方法，基于样本累积分布进行估计，具备一致性和渐近正态性，适用于构建置信区间与假设检验。EDF通过统计样本分布特性，揭示数据性质。

直方图是一种直观分布估计方式，通过数据分区间计算频数或频率，展现数据分布形态与特征，适用于数据可视化分析。

茎叶图是数据可视化手段，结合十位与个位显示数据分布，提供整体分布与具体数值信息，清晰展示数据集中性与离散性。

核密度估计（KDE）是一种平滑估计技术，通过核函数整合数据点概率密度，实现连续概率密度函数估计。KDE利用核函数与带宽参数调整平滑程度，适用于复杂分布形态估计。

现代分布估计方法如GAN与VAE等，扩展了分布估计领域，但超出本文知识范畴，适用于更高级数据建模。

本文旨在概述分布估计方法，提供Python与R语言实现示例，帮助理解与应用统计学中的分布估计，支持数据分析与决策过程。