Answers:
听起来您正在要求计算样本标准偏差的标准偏差。也就是说,您要的是,其中
‾ X和是样本均值。
首先,我们从方差的基本属性知道
由于样本方差是无偏的,因此我们知道。在为什么样本标准差是有偏估计量?,计算出,从中我们可以推断出σ ë (小号)
因此
当样本独立且具有相同的正态分布时,数量具有自由度的卡方分布。此数量可用于获得置信度法线及其标准偏差的方差的间隔。如果您具有原始值,而不仅仅是bin的中心值,则可以计算。 Ñ - 1 小号2
已知如果具有自由度的卡方分布,则其方差为。知道这一点和事实,我们得出的方差等于 尽管是未知的,但您可以将其近似为并且对的方差有一个大致的了解。Ñ - 1 2 (Ñ - 1 )V 一- [R (C ^ X )= c ^ 2 V 一- [R (X )小号2 2 (Ñ - 1 )σ 4
在正常情况下,有几种方法可以量化标准偏差的误差。我将介绍的概貌似然,可用于近似置信区间。
令为法线的样本。相应的似然函数为
然后,通过给出最大似然估计量,其中。假设您有兴趣量化上的误差,则可以按以下方式计算此参数的归一化轮廓似然。
请注意,。级别为的间隔的置信度约为。接下来,我附加一个可用于计算这些间隔的代码。根据您的情况进行相应调整(或者,如果您发布数据,则可以包含这些更改)。0.147 0.95 ř
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)
这种间隔的优点是它们在变换下是不变的。在这种情况下,如果您计算的间隔,即,则的相应间隔就是。我= (大号,Û )σ 2 我' = (大号2,Ù 2)