0 m- mf--
•
0x Sebuah
Gambar. 9.Z representasi grafis dari probabilitas. daerah yang
diarsir merupakan probabilitas untuk pengamatan jatuh di interval
yang sesuai.
Hal ini analog dengan eq. (6.1). Jika kondisi ini satis-
68
LIfix) dx = 1 (9.3)
9 Gauss Distribusi, atau Kesalahan Fungsi Normal
Tidur, fungsi memperbaiki) dikatakan dinormalisasi
dalam arti yang sama seperti fungsi di Secs. 7 dan 8
dinormalisasi, memiliki probabilitas total 1. Kami
telah memperluas jangkauan integrasi dari - (x) ke
+ co karena itu perlu untuk memasukkan semua
nilai yang mungkin dari x dalam integrasi.
Persyaratan bahwa fungsi memperbaiki)
dinormalisasi memaksakan pembatasan pada
konstanta yang muncul dalam fungsi. Jika kita tahu h
dan di, kemudian
.A_e-ht(xm)'d=1 (9.4)
akan puas hanya dengan satu nilai tertentu dari
konstanta SEBUAH. Untuk mendapatkan nilai ini dari
SEBUAH, kita harus benar-benar melakukan integrasi.
Untuk menyederhanakan integral kita membuat
perubahan variabel, membiarkan
h (x = z (9.5)
Persamaan (9.4) kemudian menjadi
AI
e`z' dz = V: rr (9.7)
e-2
dz = h (9.6)
A= (9.8)
r
Dengan demikian, kita menemukan bahwa dalam rangka
untuk memenuhi normaliza- yang
Distribusi probabilitas
__. mv r -4.
j
= v_l_r f (zh + m) ez dz
2
(9.11)
9 t Gauss Distribusi, atau Kesalahan Fungsi Normal
Istilah pertama ungkapan ini mengintegrasikan ke nol
karena kontribusi dari nilai-nilai negatif z persis
membatalkan mereka dari nilai-nilai positif. Bagian
yang bertahan adalah
m
= e - 2“ az = ARIR
v 7 - V ir
= (9.12)
hasil yang kita bisa menebak di tempat pertama hanya
dengan melihat grafik dari fungsi.
Perhitungan varians hasil dengan cara yang sama.
varians diberikan oleh
o-2 = (Xm) 2f (x) dx
71
0 0,2 = 1 atau 0- (9.15)
21/2 h
Distribusi probabilitas
Standar deviasi berbanding terbalik dengan h. Hal ini
tidak mengherankan, karena nilai-nilai yang lebih besar
dari h berarti kurva lebih runcing tajam serta nilai-nilai
yang lebih kecil dari Sebuah. Sejak h besar untuk
kurva memuncak tajam,
f (x)
h2
Hai
e- (zm) t / 2 ° (9.16)
V271- sebuah
Deviasi mean untuk distribusi Gauss bahkan lebih
mudah untuk obtainthan varians. Hal ini diberikan oleh
.
x
a = f - m i
e-ht (xm) = d X
2h "
= F) kamu-kaki dy (9.17)
10 1 Penolakan Data
Pertanyaan kita mempertimbangkan berikutnya
adalah salah satu yang kontroversial. Ini menyangkut
masalah apa yang harus dilakukan jika, antara
himpunan pengamatan, satu atau lebih memiliki
penyimpangan begitu besar tampak tidak masuk akal.
Jika, misalnya, satu set pengukuran yang dilakukan
dengan caliper mikrometer memiliki standar deviasi
0,001 di., Tapi satu pengukuran berbeda dari mean
oleh 0,010 in., Maka kita tergoda untuk
76