Лаплас был первым, кто осознал необходимость табуляции, придумав следующее приближение:
G(x)=∫∞xe−t2dt=1x−12x3+1⋅34x5−1⋅3⋅58x7+1⋅3⋅5⋅716x9+⋯(1)
Первая современная таблица нормального распределения была позже построена французским астрономом Кристианом Крампом в « Анализе астрономических и космических исследований» («Par le citoyen Kramp», «Эксперт по физкультуре и физическому искусству», 1799 г.) , Из таблиц, относящихся к нормальному распределению: краткая история Автор (ы): Герберт А. Дэвид Источник: Американский статистик, Vol. 59, № 4 (ноябрь 2005 г.), с. 309-311 :
Честно говоря, Крамп дал восемь десятичных ( D) таблиц до D до D до и от D до вместе с различиями, необходимыми для интерполяции. Записывая первые шесть производных он просто использует разложение в ряд Тейлора относительно с вплоть до члена вЭто позволяет ему шаг за шагом переходить от к умножая на8x=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.
Таким образом, при это произведение уменьшается до
так что приx=0.01(1−13×.0001)=.00999967,
G(.01)=.88622692−.00999967=.87622725.
⋮
Но ... насколько точным он мог быть? Хорошо, давайте возьмем в качестве примера:2.97
Удивительно!
Давайте перейдем к современному (нормализованному) выражению гауссовского pdf:
PDF :N(0,1)
fX(X=x)=12π−−√e−x22=12π−−√e−(x2√)2=12π−−√e−(z)2
где . И, следовательно, .z=x2√x=z×2–√
Итак, давайте перейдем к R и посмотрим на ... ОК, не так быстро. Во-первых, мы должны помнить, что когда есть постоянная, умножающая показатель степени в показательной функции , интеграл будет разделен на этот показатель степени: . Поскольку мы стремимся воспроизвести результаты в старых таблицах, мы фактически умножаем значение на , которое должно появиться в знаменателе.PZ(Z>z=2.97)eax1/ax2–√
Далее, Кристиан Крамп не нормализовал, поэтому мы должны соответствующим образом исправить результаты, заданные R, умножив на . Окончательная коррекция будет выглядеть так:2π−−√
2π−−√2–√P(X>x)=π−−√P(X>x)
В приведенном выше случае и . Теперь давайте перейдем к R:z=2.97x=z×2–√=4.200214
(R = sqrt(pi) * pnorm(x, lower.tail = F))
[1] 0.00002363235e-05
Фантастика!
Давайте пойдем на вершину таблицы для развлечения, скажем, ...0.06
z = 0.06
(x = z * sqrt(2))
(R = sqrt(pi) * pnorm(x, lower.tail = F))
[1] 0.8262988
Что говорит Крамп? .0.82629882
Так близко...
Дело в том ... насколько близко, точно? После всех полученных голосов я не мог оставить фактический ответ без ответа. Проблема заключалась в том, что все приложения оптического распознавания символов (OCR), которые я пробовал, были невероятно отключены - неудивительно, если вы взглянули на оригинал. Итак, я научился ценить Кристиана Крампа за упорство его работы, так как лично набирал каждую цифру в первом столбце его таблицы «Премьера» .
После некоторой ценной помощи от @Glen_b, теперь она вполне может быть точной, и она готова скопировать и вставить на консоль R в этой ссылке GitHub .
Вот анализ точности его расчетов. Готовьтесь ...
- Абсолютная кумулятивная разница между значениями [R] и приближением Крампа:
0.000001200764 - в ходе вычисления ему удалось накопить ошибку примерно в миллионную!3011
- Средняя абсолютная ошибка (MAE) или
mean(abs(difference))
сdifference = R - kramp
:
0.000000003989249 - он в среднем совершил невероятно нелепую -миллиардную ошибку!3
На записи, в которой его расчеты были наиболее расходящимися по сравнению с [R], первое разное десятичное значение было на восьмой позиции (сто миллионов). В среднем (медиана) его первой «ошибкой» была десятая десятичная цифра (десятая миллиардная!). И хотя он ни в коем случае не полностью соглашался с [R], ближайшая запись не расходится до тринадцати цифровых записей.
- Средняя относительная разница или
mean(abs(R - kramp)) / mean(R)
(такая же как all.equal(R[,2], kramp[,2], tolerance = 0)
):
0.00000002380406
- Среднеквадратическая ошибка (RMSE) или отклонение (придает больший вес крупным ошибкам), рассчитывается как
sqrt(mean(difference^2))
:
0.000000007283493
Если вы найдете изображение или портрет Кристиана Крампа, пожалуйста, отредактируйте этот пост и разместите его здесь.