术语似乎有所不同（在许多领域中使用的学科经常是这种情况），所以我不是 100% 确定，但我认为他们指的是内核密度估计，具有高斯内核，但对分箱数据执行。

[编辑：如果有人熟悉“高斯拖尾”一词在物理学中的使用方式——以及它如何应用于直方图——可以加入，那会很好]

在这种情况下，每个观察都被一个缩放的密度（或更一般地说，一个内核，它不一定是正的）替换，它已经缩放到以观察为中心的面积$\frac{1}{n}$

内核的尺度（高斯情况下的标准偏差）是一个可调平滑参数。

大概的目的是在平滑之前将观察结果放在 bin 中心（这种离散性导致需要更大的内核带宽来实现给定的平滑度，尽管如果 bin 相对于默认带宽较小，则效果非常小）；另一种选择是将观察结果分散到他们的垃圾箱中，尽管我怀疑这不是您的请求的意图。

在未装箱的情况下，这里是这个想法的一个说明。下面是 7 个观测值
(5.996 22.687 8.868 15.883 14.727 5.896 9.397) 标记为“+”符号（最左侧有两个几乎重合），其中一个点 (14.727) 用粗体红色标记。小红密度有带宽2.5的高斯核；在其他每个点上方都有灰色内核。绿色虚线曲线是核密度估计，它来自于对精细网格点的密度求和并连接以给出平滑曲线。

我在插图中使用的带宽有点小。有一些自动选择带宽的方法通常做得很好。我在 R 中进行了计算；像许多其他统计数据包一样，它具有自动化整个过程的功能，因此我可以执行以下操作来获得像绿色虚线那样的图：

a = c(5.996, 22.687, 8.868, 15.883, 14.727, 5.896, 9.397)
plot(density(a,bw=2.5))

下面是同一程序中默认带宽生成的内核密度估计（即使用density(a)）：

如您所见，它更宽，并获得了更平滑的效果。当然，7个观察是不现实的；这是来自 gamma(10,1) 的 200 个观测值的直方图和核密度估计：

如果你点击kde你帖子的标签（我相信它是在编辑中添加的），你会在这里看到很多关于这个主题的帖子。从外观上看，还有一个kernel标签，它似乎大部分都在做同样的工作（尽管kernel可以参考密度估计以外的其他东西），并且仍然有更多的点击量。

正如 Glen_b 所指出的，请求者可能指的是内核密度平滑器，但“涂抹”让人联想到Visual Statistics书中的影子图。为了解决选择正确的 bin 或内核宽度的问题，shadowgram 是许多不同宽度选择的叠加。