Có một số cách định lượng lỗi sai lệch chuẩn trong trường hợp bình thường. Tôi sẽ trình bày khả năng hồ sơ của có thể được sử dụng để xấp xỉ khoảng tin cậy.σ
Đặt là một mẫu từ Bình thường . Hàm khả năng tương ứng được đưa ra bởix=(x1,...,xn)(μ,σ)
L(μ,σ)∝1σnexp(−12σ2∑j=1n(xj−μ)2)
Sau đó, Công cụ ước tính khả năng tối đa được đưa ra bởi , trong đó . Cho rằng bạn quan tâm đến việc định lượng lỗi trên , sau đó bạn có thể tính toán khả năng cấu hình chuẩn hóa của tham số này như sau.(μ^,σ^)=(x¯,s)s=1n∑nj=1(xj−x¯)2−−−−−−−−−−−−−−√σ
Rp(σ)=supμL(μ,σ)L(μ^,σ^)=(σ^σ)nexp[n2(1−(σ^σ)2)]
Lưu ý rằng . Một khoảng cấp có độ tin cậy xấp xỉ . Tiếp theo tôi đính kèm mã có thể được sử dụng để tính các khoảng này. phù hợp trong ngữ cảnh của bạn (hoặc nếu bạn đăng dữ liệu tôi có thể bao gồm những thay đổi này).0.147 0.95 RRp:R+→(0,1]0.1470.95R
data = rnorm(30)
n = length(data)
sg = sqrt(mean((data-mean(data))^2))
# Profile likelihood
rp = function(sigma) return( (sg/sigma)^n*exp(0.5*n*(1-(sg/sigma)^2)) )
vec = rvec = seq(0.5,1.5,0.01)
for(i in 1:length(rvec)) rvec[i] = rp(vec[i])
plot(vec,rvec,type="l")
rpc = function(sigma) return(rp(sigma)-0.147)
# Approximate 95% confidence interval
c(uniroot(rpc,c(0.7,0.8))$root,uniroot(rpc,c(1.1,1.3))$root)
Một lợi thế của loại khoảng này là chúng bất biến dưới các phép biến đổi. Trong trường hợp này nếu bạn tính một khoảng cho , , thì khoảng tương ứng cho chỉ đơn giản là .tôi = ( L , U ) σ 2 tôi ' = ( L 2 , U 2 )σI=(L,U)σ2I′=(L2,U2)