正態分佈函式值
《概率論及其應用(卷1•第3版) 》第 7 章提到正態分佈函式:
隨後在表 7.1中對於 0.00 ≤ x ≤ 3.29 給出了正態分佈函式值:
我使用以下 PARI/GP 程式來生成這張表格中的 330 個值:
f(x)=0.5+intnum(y=0,x,exp(-0.5*y^2))/sqrt(2*Pi)
x=0;while(x<3.3,printf("%.2f:%.4f\n",x,f(x));x+=0.01)
發現其中一些值是錯誤的,如下所示:
x: 正確值 表格中的值 差
0.04: 0.5160 0.5159 1
0.68: 0.7517 0.7518 1
0.71: 0.7611 0.7612 1
0.88: 0.8106 0.8016 90
0.99: 0.8389 0.8380 9
1.13: 0.8708 0.8718 10
1.33: 0.9082 0.9083 1
1.34: 0.9099 9.9099 90000
1.58: 0.9429 0.9430 1
1.63: 0.9484 0.9485 1
1.75: 0.9599 0.9509 90
1.97: 0.9756 0.9758 2
1.98: 0.9761 0.9762 1
2.00: 0.9772 0.9773 1
2.21: 0.9864 0.9865 1
2.86: 0.9979 0.9989 10
2.87: 0.9979 0.9980 1
2.92: 0.9982 0.9983 1
2.93: 0.9983 0.9984 1
3.00: 0.9987 0.9986 1
3.05: 0.9989 0.9988 1
3.08: 0.9990 0.9989 1
3.22: 0.9994 0.9993 1
3.27: 0.9995 0.9994 1
相關文章
- 正態分佈的用法
- 正態分佈簡述
- 多元/多維高斯/正態分佈機率密度函式推導 (Derivation of the Multivariate/Multidimensional Normal/Gaussian Density)函式ORM
- 多元統計分析04:多元正態分佈的抽樣分佈
- 函式正規化入門(惰性求值與函式式狀態)函式
- NumPy 正態分佈與 Seaborn 視覺化指南視覺化
- 統計公差分析--正態分佈基本概念
- 隨機變數函式的分佈隨機變數函式
- 三大分佈密度函式推導函式
- 正態分佈的應用——基於描述性統計與分佈的推論
- 動態分佈與靜態分佈的區別
- Solidity中函式返回值,靜態動態陣列Solid函式陣列
- 資料並非都是正態分佈:三種常見的統計分佈及其應用
- MATLAB 檢驗資料正態分佈及程式碼實現Matlab
- 多元統計分析03:多元正態分佈的引數估計
- 【函式式 Swift】可選值函式Swift
- 多元統計分析02:多元正態分佈的定義和性質
- 多元統計分析06:多元正態分佈的假設檢驗(2)
- python之正則函式Python函式
- MATLAB生成服從各種分佈的隨機數函式Matlab隨機函式
- 考研計算機408分值分佈計算機
- 函式的祕密之 函式返回值函式
- 0305函式返回值函式
- 函式的返回值函式
- 從變分編碼、資訊瓶頸到正態分佈:論遺忘的重要性
- 區分函式防抖&函式節流函式
- Softmax分類函式函式
- 優思學院|初學六西格瑪?你先要了解正態分佈!
- php之正規表示式函式總結PHP函式
- Python正規表示式 findall函式詳解Python函式
- PHP 函式庫 1 - 函式庫的分類PHP函式
- 07:函式之函式的引數和返回值函式
- 【TensorFlow基本功】正太分佈的使用
- python range()函式指定數值Python函式
- 函式中引數傳值函式
- 1:賦值運算子函式賦值函式
- (譯)函式式 JS #3: 狀態函式JS
- 左值、右值、左值引用,右值引用,std::move函式函式