Laplace เป็นคนแรกที่ตระหนักถึงความจำเป็นในการสร้างตารางโดยมีการประมาณ:
G ( x )= ∫∞xอี- t2dเสื้อ= 1x- 12 x3+ 1 ⋅ 34 x5- 1 ⋅ 3 ⋅ 58 x7+ 1 ⋅ 3 ⋅ 5 ⋅ 716 x9+ ⋯(1)
ตารางที่ทันสมัยแห่งแรกของการแจกแจงแบบปกติถูกสร้างขึ้นในภายหลังโดยนักดาราศาสตร์ชาวฝรั่งเศสChristian KrampในAnalyze des Réfractions Astronomiques และ Terrestres (Par le citoyen Kramp, Professeur de Chymie et de Physique expérimentaleàl'école centrale du Département de la Roer, 1799) . จากตารางที่เกี่ยวข้องกับการแจกแจงแบบปกติ: ประวัติโดยย่อผู้แต่ง: เฮอร์เบิร์ตเอเดวิดเดวิดที่มา: นักสถิติชาวอเมริกันปีที่ 19 59, ลำดับที่ 4 (พ.ย. , 2005), หน้า 309-311 :
Kramp ให้ตารางสิบแปด ( D) อย่างทะเยอทะยานถึง D ถึง D ถึงและ D ถึงพร้อมกับความแตกต่างที่จำเป็นสำหรับการแก้ไข การเขียนอนุพันธ์หกตัวแรกของเขาใช้การขยายอนุกรมของเทย์เลอร์ของเกี่ยวกับด้วยจนถึงคำในสิ่งนี้ทำให้เขาสามารถดำเนินการทีละขั้นตอนจากถึงเมื่อคูณโดย8x=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.
ดังนั้นที่ผลิตภัณฑ์นี้ลดลงเป็น.
ดังนั้นที่x=0.01(1−13×.0001)=.00999967,
G(.01)=.88622692−.00999967=.87622725.
⋮
แต่ ... เขาจะแม่นยำขนาดไหน? ตกลงเรามาเป็นตัวอย่าง:2.97
น่าทึ่ง!
มาดูการแสดงออกของเกาส์เซียนแบบสมัยใหม่
pdf ของคือ:N(0,1)
fX(X=x)=12π−−√e−x22=12π−−√e−(x2√)2=12π−−√e−(z)2
ที่{2}} และด้วยเหตุนี้{2}z=x2√x=z×2–√
งั้นไปที่ R แล้วค้นหา ... ตกลงไม่เร็วนัก ครั้งแรกที่เราต้องจำไว้ว่าเมื่อมีการคงการคูณเลขยกกำลังในฟังก์ชั่นการชี้แจง , หนึ่งจะถูกแบ่งออกโดยตัวแทนที่: a เนื่องจากเรามุ่งที่จะจำลองผลลัพธ์ในตารางเก่าเราจึงทำการคูณค่าของด้วยซึ่งจะต้องปรากฏในตัวหารPZ(Z>z=2.97)eax1/ax2–√
นอกจากนี้คริสเตียนเครมป์ไม่ปกติดังนั้นเราจึงมีเพื่อแก้ไขผลที่ได้รับจากการวิจัยตามคูณด้วยปี่} การแก้ไขขั้นสุดท้ายจะมีลักษณะดังนี้:2π−−√
2π−−√2–√P(X>x)=π−−√P(X>x)
ในกรณีดังกล่าวข้างต้นและ\ ตอนนี้ไปที่ R:z=2.97x=z×2–√=4.200214
(R = sqrt(pi) * pnorm(x, lower.tail = F))
[1] 0.00002363235e-05
Fantastic!
ลองไปที่ด้านบนของตารางเพื่อความสนุกพูด ...0.06
z = 0.06
(x = z * sqrt(2))
(R = sqrt(pi) * pnorm(x, lower.tail = F))
[1] 0.8262988
Kramp พูดว่าอะไร? 0.826298820.82629882
เฉียดฉิว...
มันเป็น ... ใกล้แค่ไหนกันแน่? หลังจากได้รับคะแนนโหวตทั้งหมดแล้วฉันก็ไม่สามารถทิ้งคำตอบที่แท้จริงไว้ได้ ปัญหาคือแอพพลิเคชั่นออพติคอลการจดจำตัวอักษร (OCR) ทั้งหมดที่ฉันได้ลองใช้นั้นไม่น่าแปลกใจเลยถ้าไม่ได้ลองดูที่ต้นฉบับ ดังนั้นผมได้เรียนรู้ที่จะชื่นชมคริสเตียนเครมป์สำหรับความดื้อรั้นของการทำงานของเขาในขณะที่ผมเองพิมพ์แต่ละหลักในคอลัมน์แรกของตารางPremière
หลังจากความช่วยเหลือที่มีค่าจาก @Glen_b ตอนนี้มันอาจจะแม่นยำและพร้อมที่จะคัดลอกและวางบนคอนโซล R ในลิงค์ GitHubนี้
นี่คือการวิเคราะห์ความแม่นยำของการคำนวณของเขา รั้งตัวเอง...
- ความแตกต่างสะสมแน่นอนระหว่างค่า [R] และการประมาณของ Kramp:
0.000001200764 - ในการคำนวณครั้งเขาสามารถสะสมข้อผิดพลาดประมาณล้านครั้งได้!3011
- หมายถึงข้อผิดพลาดแบบสัมบูรณ์ (MAE)หรือ
mean(abs(difference))
ด้วยdifference = R - kramp
:
0.000000003989249 - เขาจัดการเพื่อทำให้เกิดข้อผิดพลาดที่หนึ่งพันล้านโดยเฉลี่ยที่ไร้สาระ !3
ในรายการที่การคำนวณของเขาแตกต่างกันมากที่สุดเมื่อเทียบกับ [R] ค่าตำแหน่งทศนิยมที่แตกต่างกันแรกอยู่ในตำแหน่งที่แปด (ร้อยล้าน) โดยเฉลี่ย (มัธยฐาน) "ความผิดพลาด" ครั้งแรกของเขาอยู่ในหลักสิบที่สิบ (หนึ่งในสิบล้าน! และแม้ว่าเขาจะไม่เห็นด้วยกับ [R] ไม่ว่าในกรณีใด ๆ รายการที่ใกล้เคียงที่สุดจะไม่เบี่ยงเบนจนกว่าจะมีรายการดิจิทัลสิบสามรายการ
- หมายถึงความแตกต่างญาติหรือ
mean(abs(R - kramp)) / mean(R)
(เหมือนall.equal(R[,2], kramp[,2], tolerance = 0)
):
0.00000002380406
- รูทหมายถึงข้อผิดพลาดกำลังสอง (RMSE)หรือการเบี่ยงเบน (ให้น้ำหนักมากกว่าความผิดพลาดใหญ่) โดยคำนวณเป็น
sqrt(mean(difference^2))
:
0.000000007283493
หากคุณพบรูปภาพหรือแนวตั้งของ Chistian Kramp โปรดแก้ไขโพสต์นี้และวางไว้ที่นี่