সাধারণ ক্ষেত্রে স্ট্যান্ডার্ড বিচ্যুতি ত্রুটির পরিমাণ নির্ধারণের বিভিন্ন উপায় রয়েছে। আমি প্রোফাইল সম্ভাবনা উপস্থাপন করতে যা যা আত্মবিশ্বাসের অন্তরগুলি প্রায় অনুমানের জন্য ব্যবহার করা যেতে পারে।σ
যাক একটি সাধারন থেকে একটি নমুনা হতে । সংশ্লিষ্ট সম্ভাবনা ফাংশন দ্বারা দেওয়া হয়x=(x1,...,xn)(μ,σ)
L(μ,σ)∝1σnexp(−12σ2∑j=1n(xj−μ)2)
তারপরে, সর্বাধিক সম্ভাবনা অনুমানকারীরা , যেখানে । প্রদত্ত যে আপনার উপর ত্রুটি পরিমাণে উপর আগ্রহী , তাহলে আপনি নিম্নরূপ এই প্যারামিটারের সাধারণ প্রফাইল সম্ভাবনা নিরূপণ করতে পারেন।গুলি = √(μ^,σ^)=(x¯,s)σs=1n∑nj=1(xj−x¯)2−−−−−−−−−−−−−−√σ
Rp(σ)=supμL(μ,σ)L(μ^,σ^)=(σ^σ)nexp[n2(1−(σ^σ)2)]
দ্রষ্টব্য যে level। এর ব্যবধানের একটি আনুমানিক আস্থা থাকে পরবর্তী আমি একটি কোড সংযুক্ত করি যা এই অন্তরগুলি গণনার জন্য ব্যবহার করা যেতে পারে You আপনি এটি পরিবর্তন করতে পারেন সেই অনুসারে আপনার প্রসঙ্গে (অথবা আপনি যদি ডেটা পোস্ট করেন তবে আমি এই পরিবর্তনগুলি অন্তর্ভুক্ত করতে পারি)।Rp:R+→(0,1]0.95 আর0.1470.95R
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)
এই ধরণের ব্যবধানগুলির একটি সুবিধা হ'ল তারা রূপান্তরগুলির আওতায় আক্রান্ত। এই ক্ষেত্রে যদি আপনি , জন্য একটি বিরতি গণনা করেন , তবে জন্য সংশ্লিষ্ট ব্যবধানটি কেবলমাত্র ।আমি = ( এল , ইউ ) σ 2 আই ′ = ( এল 2 , ইউ 2 )σI=(L,U)σ2I′=(L2,U2)