Yaklaşık olarak ortaya çıkan, tablolama ihtiyacını tanıyan ilk kişi Laplace oldu:
G(x)=∫∞xe−t2dt=1x−12x3+1⋅34x5−1⋅3⋅58x7+1⋅3⋅5⋅716x9+⋯(1)
Normal dağılımın ilk modern tablosu daha sonra Fransız gökbilimci Christian Kramp tarafından Analyze des Réfractions Astronomiques ve Terrestres'te inşa edildi (Par le citoyen Kramp, Prof. . Gönderen Kısa Tarihi Yazar (lar): Herbert A. David Kaynak: Amerikan İstatistikçi, Vol Normal Dağılım İlişkin Tablolar. 59, No. 4 (Kasım 2005), sayfa 309-311 :
İddialı Kramp sekiz ondalık verdi ( kadar D) tablo D D ve D interpolasyon için gerekli farklar ile birlikte. İlk altı türevleri yazarak da sadece bir Taylor serisi açılımı kullanan hakkında ile terimin kadarBu, - çarpılması üzerine adım adım ilerlemesini sağlar .8x=1.24, 91.50, 101.99,113.00G(x),G(x+h)G(x),h=.01,h3.x=0x=h,2h,3h,…,he−x21−hx+13(2x2−1)h2−16(2x3−3x)h3.
Bu nedenle, bu ürün
böylecex=0.01(1−13×.0001)=.00999967,
G(.01)=.88622692−.00999967=.87622725.
⋮
Ama ... ne kadar doğru olabilir? Tamam, örnek olarak alalım:2.97
İnanılmaz!
Gaussian pdf’in modern (normalize edilmiş) ifadesine geçelim:
pdf değeri:N(0,1)
fX(X=x)=12π−−√e−x22=12π−−√e−(x2√)2=12π−−√e−(z)2
burada . Ve bu nedenle, .z=x2√x=z×2–√
Öyleyse R'ye gidelim ve ... Tamam, çok hızlı değil. İlk önce, üsteli üstel bir fonksiyonda üstelin çarpımını sabitleyen bir değişken olduğunda , integralin o üslüme bölüneceğini hatırlamalıyız : . Biz eski tablolardaki sonuçlara kopyalayan amaçlayan olduğundan, biz aslında değerini katlanarak artıyor tarafından payda görünmesini olacak.PZ(Z>z=2.97)eax1/ax2–√
Ayrıca, Christian Kramp normalleşmedi, bu nedenle R tarafından verilen sonuçları çarparak düzeltmemiz gerekiyor . Son düzeltme şöyle görünecek:2π−−√
2π−−√2–√P(X>x)=π−−√P(X>x)
Yukarıdaki durumda, ve . Şimdi R'ye gidelim:z=2.97x=z×2–√=4.200214
(R = sqrt(pi) * pnorm(x, lower.tail = F))
[1] 0.00002363235e-05
Fantastik!
Hadi eğlenceler için masanın üstüne gidelim, diyelim ...0.06
z = 0.06
(x = z * sqrt(2))
(R = sqrt(pi) * pnorm(x, lower.tail = F))
[1] 0.8262988
Kramp ne diyor? .0.82629882
Çok yakın...
Mesele şu ki ... tam olarak ne kadar yakın? Tüm oylar alındıktan sonra, asıl cevabı asılı bırakamadım. Sorun, denediğim tüm optik karakter tanıma (OCR) uygulamalarının inanılmaz derecede kapalı olmasıydı - orijinali incelemeniz şaşırtıcı değildi. Bu yüzden, Christian Kramp’ın yaptığı çalışmaların azametini takdir etmeyi öğrendim, çünkü her basamağı Masa Prömiyerinin ilk sütununa şahsen yazdım .
@Glen_b'in değerli yardımlarından sonra, şimdi çok doğru olabilir ve bu GitHub bağlantısında R konsoluna kopyalayıp yapıştırmaya hazır olabilir .
İşte hesaplamalarının doğruluğunun bir analizi. Sıkı tut ...
- [R] değerleri ve Kramp'ın yaklaşımı arasındaki mutlak kümülatif fark :
0.000001200764 - hesaplama sırasında, yaklaşık milyonuncu hata yapmayı başardı !3011
- Mutlak hata ortalama (MAE) , ya da
mean(abs(difference))
birliktedifference = R - kramp
:
0.000000003989249 - çılgınca saçma bir milyarda bir hata yapmayı başardı !3
Hesaplamalarının [R] 'ye kıyasla en farklı olduğu girişte, ilk farklı ondalık basamak değeri sekizinci pozisyondaydı (yüz milyonuncu). Ortalama olarak (medyan) ilk "hatası" onuncu ondalık basamağa (onuncu milyarda!) Yapıldı. Ve, hiçbir durumda [R] ile tam olarak aynı fikirde olmamasına rağmen, en yakın giriş on üç dijital girişe kadar farklılık göstermez.
- Ortalama bağıl fark veya
mean(abs(R - kramp)) / mean(R)
(aynı all.equal(R[,2], kramp[,2], tolerance = 0)
):
0.00000002380406
- Kök ortalama kare hatası (RMSE) veya sapma (büyük hatalara daha fazla ağırlık verir), şöyle hesaplanır
sqrt(mean(difference^2))
:
0.000000007283493
Bir resim veya Chistian Kramp portresi bulursanız, lütfen bu yazıyı düzenleyin ve buraya yerleştirin.