📊 statistics

Calibrated Bayesian Nonparametric Tolerance Intervals

यह शोधपत्र एसिमेट्रिक लाप्लास लॉस (asymmetric Laplace loss) पर आधारित एक कैलिब्रेटेड गिब्स पोस्टीरियर (calibrated Gibbs posterior) का उपयोग करके टॉलरेंस इंटरवल (tolerance intervals) के निर्माण के लिए एक पूर्णतः नॉनपैरामीट्रिक विधि प्रस्तावित करता है, जो विश्वसनीय फ्रीक्वेंटिस्ट कवरेज सुनिश्चित करता है और विविध अनुप्रयोगों में अक्सर पारंपरिक बेंचमार्क की तुलना में छोटे अंतराल प्रदान करता है।

मूल लेखक: Tony Pourmohamad, Robert Richardson, Bruno Sansó

प्रकाशित 2026-03-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tony Pourmohamad, Robert Richardson, Bruno Sansó

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कारखाने में दवा बनाने वाले गुणवत्ता नियंत्रण निरीक्षक (quality control inspector) हैं, या शायद एक जंगल में पेड़ों का अध्ययन करने वाले एक पारिस्थितिकी विज्ञानी (ecologist) हैं। आपके पास डेटा का एक थैला है (गोली की क्षमता के माप या पेड़ों का व्यास) और आपको एक बहुत ही विशिष्ट प्रश्न का उत्तर देना है: "वह कौन सी सीमा (range) है जहाँ भविष्य के सभी उत्पाद (या पेड़) 95% गिरेंगे, और हम उस उत्तर के बारे में कितने आश्वस्त हो सकते हैं?"

इस सीमा को टॉलरेंस इंटरवल (Tolerance Interval) कहा जाता है।

समस्या यह है कि वास्तविक दुनिया का डेटा अव्यवस्थित होता है। यह हमेशा एक आदर्श "बेल कर्व" (bell curve) का पालन नहीं करता है। कभी-कभी यह तिरछा (skewed) होता है, कभी इसमें अजीब आउटलेयर्स (outliers) होते हैं, और अक्सर, आपके पास निश्चित होने के लिए पर्याप्त डेटा नहीं होता है। इन रेखाओं को खींचने के पारंपरिक तरीके एक अखरोट तोड़ने के लिए हथौड़े का उपयोग करने जैसे हैं: वे कठोर हैं, उन्हें भारी मात्रा में डेटा की आवश्यकता होती है, या वे इतनी चौड़ी सुरक्षा रेखा खींच देते हैं जो बेकार हो जाती है।

यह शोध पत्र इन रेखाओं को खींचने का एक नया, स्मार्ट तरीका पेश करता है जिसे कैलिब्रेटेड बेयसियन नॉनपैरामेट्रिक टॉलरेंस इंटरवल्स (Calibrated Bayesian Nonparametric Tolerance Intervals) कहा जाता है। सरल उपमाओं (analogies) का उपयोग करके इसका विवरण यहाँ दिया गया है।

1. समस्या: "कठोर रूलर" बनाम "रबर बैंड"

पुराने तरीके (Wilks' Intervals): कल्पना कीजिए कि आप एक निश्चित इंच के निशानों वाले कठोर धातु के रूलर का उपयोग करके भीड़ की ऊंचाई मापने की कोशिश कर रहे हैं। यदि आपके पास केवल 20 लोग हैं, तो रूलर शायद 95% लोगों को कवर करने के लिए पर्याप्त ऊँचा नहीं होगा, या आपको बहुत अधिक अनुमान लगाना पड़ेगा। ये तरीके "नॉनपैरामेट्रिक" (nonparametric) हैं (वे किसी आकार को नहीं मानते), लेकिन वे अनाड़ी हैं। वे पूरी तरह से आपके छोटे समूह के सबसे लंबे और सबसे छोटे व्यक्तियों पर निर्भर करते हैं। यदि आप एक विशाल व्यक्ति या एक बौने को चूक जाते हैं, तो आपका पूरा माप गलत हो जाएगा।
नया तरीका (Calibrated Gibbs): कल्पना कीजिए कि एक स्मार्ट, खिंचने वाले रबर बैंड का उपयोग कर रहे हैं। केवल चरम सीमाओं (extremes) को देखने के बजाय, यह रबर बैंड पूरी भीड़ के आकार को महसूस करता है। यह डेटा के वितरण के आधार पर फैलता और सिकुड़ता है। लेकिन, एक रबर बैंड बहुत ढीला या बहुत तंग हो सकता है। यहीं पर "कैलिब्रेशन" (Calibration) काम आता है।

2. गुप्त नुस्खा: "गिब्स पोस्टीरियर" (Gibbs Posterior) और "चेक लॉस" (Check Loss)

लेखक एक सांख्यिकीय उपकरण का उपयोग करते हैं जिसे गिब्स पोस्टीरियर (Gibbs Posterior) कहा जाता है। इसे एक "लर्निंग मशीन" के रूप में सोचें जिसे खेल के नियम (गणितीय वितरण) पहले से जानने की आवश्यकता नहीं है।

चेक लॉस (द पिनबॉल): इस मशीन को सिखाने के लिए, वे "चेक लॉस" (या पिनबॉल लॉस) नामक एक विशेष स्कोरिंग सिस्टम का उपयोग करते हैं। एक पिनबॉल मशीन की कल्पना करें जहाँ लक्ष्य एक विशिष्ट संख्या (एक क्वांटाइल) को हिट करना है। यदि आप लक्ष्य से चूक जाते हैं, तो मशीन आपको "दंडित" करती है। दंड की मात्रा इस बात पर निर्भर करती है कि आप लक्ष्य से कितने दूर हैं और आप किस तरफ से चूके हैं।
सीखना (The Learning): मशीन अपने रबर बैंड के लिए अलग-अलग स्थितियाँ आज़माती है। उसे गलत होने पर दंड मिलता है और सही होने पर इनाम। समय के साथ, वह सीख जाती है कि 95% रेखा कहाँ होनी चाहिए, चाहे डेटा एक बेल कर्व जैसा हो, एक तिरछी पहाड़ी जैसा हो, या एक ऊबड़-खाबड़ पर्वत जैसा हो।

3. जादुई कदम: "लर्निंग रेट को कैलिब्रेट करना"

यह इस शोध पत्र का सबसे महत्वपूर्ण हिस्सा है। मशीन लर्निंग की दुनिया में, एक नॉब (knob) होता है जिसे लर्निंग रेट ( $\eta$ ) कहा जाता है।

यदि आप नॉब को बहुत अधिक घुमाते हैं, तो मशीन बहुत तेज़ी से सीखती है और अस्थिर हो जाती है (इंटरवल बहुत संकीर्ण होता है, और आप लक्ष्य को चूक सकते हैं)।
यदि आप इसे बहुत कम रखते हैं, तो मशीन बहुत धीरे सीखती है और बहुत अधिक सतर्क रहती है (इंटरवल बहुत बड़ा और बेकार हो जाता है)।

लेखकों ने इस नॉब के लिए एक स्व-सुधारने वाला थर्मोस्टेट (self-correcting thermostat) बनाया है। वे एक सिमुलेशन (जैसे कि एक वीडियो गेम) चलाते हैं जहाँ वे बार-बार फैक्ट्री इंस्पेक्टर होने का नाटक करते हैं। वे नॉब को तब तक ट्यून करते हैं जब तक कि रबर बैंड सिमुलेशन में 95% बार लक्ष्य को नहीं छू लेता। एक बार जब वे सही सेटिंग पा लेते हैं, तो वे इसे वास्तविक डेटा पर लागू करते हैं।

यह क्यों शानदार है? यह गारंटी देता है कि भले ही यह तरीका "बेयसियन" (जो आमतौर पर व्यक्तिगत विश्वासों/प्रायर्स पर निर्भर करता है) है, यह वास्तविक दुनिया में एक "फ्रीक्वेंटिस्ट" (विश्वसनीय, वस्तुनिष्ठ विज्ञान) की तरह व्यवहार करता है। यह वादा करता है: "चाहे डेटा कैसा भी दिखे, मैं 95% समय सही रहूँगा।"

4. वास्तविक दुनिया के उदाहरण (प्रमाण)

इस शोध पत्र ने तीन बहुत अलग परिदृश्यों पर परीक्षण किया:

जंगल (लॉन्गलीफ पाइन्स): उन्होंने पेड़ों के व्यास को मापा। डेटा अव्यवस्थित और असमान था। पुराने तरीकों ने एक बहुत विस्तृत सुरक्षा क्षेत्र बनाया। नए तरीके ने एक छोटा, अधिक उपयोगी क्षेत्र बनाया जबकि सुरक्षित भी रहा।
दवा कारखाना (सापेक्ष क्षमता/Relative Potency): उनके पास दवा की क्षमता के केवल 25 नमूने थे। पुराना "कठोर रूलर" तरीका कहता था, "मैं यह नहीं कर सकता, आपके पास पर्याप्त डेटा नहीं है!" नए तरीके ने कहा, "मैं यह कर सकता हूँ," और एक सटीक सुरक्षा क्षेत्र बनाया जो 90-110% गुणवत्ता नियमों में फिट बैठता था।
वायु गुणवत्ता परीक्षण (लेड स्तर): यह डेटा अत्यंत अजीब (बड़ी स्पाइक्स के साथ तिरछा) था। नए तरीके को इस अजीबपन को संभालने के लिए अपने "लर्निंग नॉब" को बहुत कम करना पड़ा, लेकिन फिर भी वह एक सुरक्षित ऊपरी सीमा खोजने में सफल रहा जो पुराने तरीकों की तुलना में बहुत कम (बेहतर) थी, बिना सुरक्षा जोखिम के।

सारांश: आपको इसकी परवाह क्यों करनी चाहिए?

इस शोध पत्र को एक स्मार्ट, स्व-कैलिब्रेटिंग सुरक्षा जाल के रूप में समझें।

पुराना तरीका: आपको जाल बनाने के लिए एक बड़ी भीड़ की आवश्यकता होती है, और जाल इतना ढीला होता है कि वह सब कुछ पकड़ लेता है, यहाँ तक कि धूल को भी।
नया तरीका: आप एक छोटी भीड़ के साथ एक जाल बना सकते हैं। जाल इतना स्मार्ट है कि वह ठीक वहीं फैलता है जहाँ डेटा भारी है और वहाँ सिकुड़ता है जहाँ डेटा हल्का है। और सबसे अच्छी बात? इसमें यह सुनिश्चित करने के लिए एक अंतर्निहित परीक्षण है कि जाल हर बार गिरने वाले 95% सेबों को पकड़ने के लिए पर्याप्त मजबूत है।

यह फार्मास्यूटिकल्स (जहाँ सुरक्षा गैर-परक्राम्य है), पारिस्थितिकी (जहाँ डेटा दुर्लभ है), और इंजीनियरिंग जैसे उद्योगों के लिए बहुत बड़ा है, जिससे वे कम डेटा के साथ सुरक्षित, अधिक कुशल निर्णय लेने में सक्षम होते हैं।

यहाँ "Calibrated Bayesian Nonparametric Tolerance Intervals" (पोरमोहमत, रिचर्डसन और सान्सो द्वारा लिखित) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

टॉलरेंस इंटरवल्स (TIs) सांख्यिकीय सीमाएँ हैं जिन्हें जनसंख्या के एक निर्दिष्ट अनुपात ( $P$ ) को एक निर्धारित विश्वास स्तर ( $1-\alpha$ ) के साथ समाहित करने के लिए डिज़ाइन किया गया है। ये गुणवत्ता नियंत्रण, फार्मास्युटिकल विनिर्माण और इंजीनियरिंग में महत्वपूर्ण हैं। हालाँकि, TIs का निर्माण करने में महत्वपूर्ण चुनौतियाँ आती हैं:

पैरामीट्रिक सीमाएँ (Parametric Limitations): शास्त्रीय पैरामीट्रिक विधियाँ मजबूत वितरण संबंधी धारणाओं (जैसे सामान्यता/normality) पर निर्भर करती हैं और मॉडल मिसस्पेसिफिकेशन (misspecification) के प्रति अत्यधिक संवेदनशील होती हैं।
नॉन-पैरामीट्रिक सीमाएँ (Nonparametric Limitations): पारंपरिक नॉन-पैरामीट्रिक विधियाँ, जैसे कि ऑर्डर स्टैटिस्टिक्स पर आधारित विल्क्स (Wilks) अंतराल, वितरण-मुक्त (distribution-free) तो होती हैं लेकिन दो प्रमुख कमियों से ग्रस्त हैं:
1. नमूना आकार की आवश्यकताएं (Sample Size Requirements): वैध कवरेज प्राप्त करने के लिए उन्हें अक्सर अत्यधिक बड़े नमूना आकार की आवश्यकता होती है, विशेष रूप से उच्च कंटेंट स्तरों ( $P$ ) या उच्च विश्वास ( $1-\alpha$ ) के लिए।
2. अकर्मण्यता (Inflexibility): वे निश्चित अंतराल रूपों तक सीमित हैं और वैकल्पिक कवरेज परिभाषाओं को अपनाने में संघर्ष करती हैं, जैसे कि विशिष्ट जनसंख्या क्वांटाइल्स (quantiles) को लक्षित करना न कि केवल कुल द्रव्यमान (aggregate mass)।
बायेसियन सीमाएँ (Bayesian Limitations): मानक बायेसियन क्वांटाइल रिग्रेशन अक्सर एक वर्किंग लाइकलीहुड के रूप में एसिमेट्रिक लैप्लेस (Asymmetric Laplace - AL) वितरण का उपयोग करता है। स्पष्ट अंशांकन (calibration) के बिना, ये विधियाँ विश्वसनीय फ्रीक्वेंटिस्ट कवरेज गारंटी प्रदान करने में विफल रहती हैं, विशेष रूप से हेवी-टेल्ड (heavy-tailed) या स्क्यूड (skewed) वितरणों में।

2. कार्यप्रणाली (Methodology)

लेखक एक कैलिब्रेटेड गिब्स पोस्टीरियर (Calibrated Gibbs Posterior) फ्रेमवर्क प्रस्तावित करते हैं जो टॉलरेंस इंटरवल निर्माण को एक क्वांटाइल इन्फरेंस समस्या के रूप में मानता है। यह कार्यप्रणाली तीन मुख्य घटकों से बनी है:

A. क्वांटाइल इन्फरेंस के लिए गिब्स पोस्टीरियर (Gibbs Posterior for Quantile Inference)

लाइकलीहुड फंक्शन के बजाय, यह विधि जनरलाइज्ड बायेसियन इन्फरेंस का उपयोग करती है। यह एक लॉस फंक्शन के माध्यम से जनसंख्या क्वांटाइल्स ( $Q_\tau$ ) के लिए एक पोस्टीरियर वितरण को सीधे परिभाषित करती है।

लॉस फंक्शन (Loss Function): चेक लॉस (Check Loss) या पिनबॉल लॉस, $\rho_\tau(r) = r(\tau - I\{r < 0\})$ का उपयोग किया जाता है क्योंकि इसका जनसंख्या मिनिमाइज़र ठीक $\tau$ -वाँ क्वांटाइल है।
पोस्टीरियर फॉर्मूलेशन (Posterior Formulation): गिब्स पोस्टीरियर ऋणात्मक संचयी लॉस (negative cumulative loss) के घातांक के समानुपाती है:
$\pi(Q_\tau | Y_{1:n}) \propto \exp\left( -\eta \sum_{i=1}^n \rho_\tau(Y_i - Q_\tau) \right) \pi_0(Q_\tau)$
जहाँ $\eta$ एक लर्निंग रेट (learning rate) है और $\pi_0$ एक प्रायर (prior) है (आमतौर पर फ्लैट/इम्प्रापर)।
दो-तरफा निर्माण (Two-Sided Construction): दो-तरफा अंतरालों के लिए, एक जोड़ी $(Q_{\tau_L}, Q_{\tau_U})$ के लिए एक संयुक्त पोस्टीरियर बनाया जाता है। यह सुनिश्चित करने के लिए कि अंतराल $[L, U]$ आवश्यक द्रव्यमान को कवर करता है, लेखक एंडपॉइंट्स के बीच निर्भरता को ध्यान में रखते हुए संयुक्त पोस्टीरियर को सारांशित करने के लिए एक सिमेट्री-आधारित निर्णय नियम (वुल्फिंगर, 1998) का उपयोग करते हैं।

B. लर्निंग रेट अंशांकन (Learning Rate Calibration - GPC)

महत्वपूर्ण नवाचार लर्निंग रेट $\eta$ का अंशांकन है। मानक गिब्स पोस्टीरियर्स में, $\eta$ पोस्टीरियर के संकेंद्रण (concentration) को नियंत्रित करता है लेकिन स्वाभाविक रूप से फ्रीक्वेंटिस्ट कवरेज की गारंटी नहीं देता है।

रणनीति (Strategy): लेखक रोबिन्स-मोनरो स्टोकेस्टिक एप्रोक्सिमेशन एल्गोरिदम के माध्यम से जनरलाइज्ड पोस्टीरियर कैलिब्रेशन (GPC) का उपयोग करते हैं।
उद्देश्य (Objective): एल्गोरिदम कवरेज एरर फंक्शन के रूट को हल करने के लिए $\eta$ को पुनरावृत्ति (iteratively) से समायोजित करता है: $h(\eta) = \hat{C}(\eta) - (1-\alpha) = 0$ ।
दो अंशांकन लक्ष्य (Two Calibration Targets):
1. क्वांटाइल-परिभाषित (Quantile-Defined): यह सुनिश्चित करता है कि अंतराल विशिष्ट जनसंख्या क्वांटाइल्स (जैसे, $Q_{\tau_L}$ और $Q_{\tau_U}$ ) को कवर करता है।
2. कंटेंट-परिभाषित (Content-Defined): यह सुनिश्चित करता है कि अंतराल जनसंख्या द्रव्यमान के एक निश्चित अनुपात $P$ को कवर करता है ( $F(U) - F(L) \ge P$ )।
कार्यान्वयन (Implementation): अंशांकन प्रत्येक पुनरावृत्ति में कवरेज संभाव्यता का अनुमान लगाने के लिए देखे गए डेटा के बूटस्ट्रैप रीसैंपलिंग का उपयोग करता है, जिसमें मूल डेटा के एम्पीरिकल क्वांटाइल्स को "सत्य" (truth) माना जाता है।

C. पोस्टीरियर कंप्यूटेशन (Posterifer Computation)

एक-तरफा (One-Sided): टॉलरेंस बाउंड केवल गिब्स पोस्टीरियर का $(1-\alpha)$ पोस्टीरियर क्वांटाइल है।
दो-तरफा (Two-Sided): लेखक $Q_{\tau_U} > Q_{\tau_L}$ को लागू करने के लिए संयुक्त पोस्टीरियर को री-पैरामीटराइज करते हैं (लॉग-डिफरेंस ट्रांसफॉर्मेशन का उपयोग करके) और MCMC विधियों (जैसे मेटापोलिस-हेस्टिंग्स या स्लाइस सैंपलिंग) का उपयोग करके सैंपल करते हैं। अंतिम बाउंड्स को सिमेट्री नियम का उपयोग करके संयुक्त पोस्टीरियर ड्रॉज़ से प्राप्त किया जाता है।

3. मुख्य योगदान (Key Contributions)

पूर्णतः नॉन-पैरामीट्रिक फ्रेमवर्क: इस पद्धति के लिए डेटा-जनरेटिंग डिस्ट्रीब्यूशन $F$ के बारे में किसी पैरामीट्रिक धारणा की आवश्यकता नहीं है, यह पूरी तरह से चेक लॉस पर निर्भर करती है।
फ्रीक्वेंटिस्ट वैधता: $\eta$ को कैलिब्रेट करके, यह विधि नाममात्र फ्रीक्वेंटिस्ट कवरेज गारंटी प्रदान करती है, जो बायेसियन अनिश्चितता मात्रा निर्धारण और फ्रीक्वेंटिस्ट आवश्यकताओं के बीच के अंतर को पाटती है।
कवरेज परिभाषाओं में लचीलापन: यह फ्रेमवर्क क्वांटाइल-परिभाषित और कंटेंट-परिभाषित टॉलरेंस इंटरवल्स को एकीकृत करता है, जिससे अभ्यासकर्ताओं को अपने इन्फेरेंशियल लक्ष्य (विशिष्ट टेल कवरेज बनाम कुल द्रव्यमान) को चुनने की अनुमति मिलती है।
छोटे-नमूना दक्षता (Small-Sample Efficiency): यह विधि केवल चरम ऑर्डर स्टैटिस्टिक्स के बजाय पूरे नमूने की जानकारी (लॉस फंक्शन के माध्यम से) का लाभ उठाती है, जिससे उन सेटिंग्स में भी वैध अंतराल संभव होते हैं जहाँ विल्क्स विधि गणितीय रूप से असंभव है।

4. परिणाम (Results)

लेखकों ने व्यापक सिमुलेशन और तीन वास्तविक दुनिया के अनुप्रयोगों के माध्यम से पद्धति का मूल्यांकन किया।

सिमुलेशन अध्ययन (Simulation Studies)

तुलना: विल्क्स (ऑर्डर स्टैटिस्टिक्स), YM (इंटरपोलेटेड ऑर्डर स्टैटिस्टिक्स), BQR-AL (बायेसियन क्वांटाइल रिग्रेशन) और Ext-AL (एक्सटेंडेड एसिमेट्रिक लैप्लेस) के विरुद्ध तुलना की गई।
कवरेज: कैल-गिब्स (Cal-Gibbs) विधि विविध वितरणों (नॉर्मल, गामा, पारेटो और हेवी-टेल्ड मिश्रण) में नाममात्र 0.90 स्तर के करीब एम्पीरिकल कवरेज बनाए रखती है।
- बेंचमार्क्स: हेवी-टेल्ड सेटिंग्स में BQR-AL और Ext-AL गंभीर अंडर-कवरेज (under-coverage) का शिकार हुए। विल्क्स और YM ने कवरेज तभी प्राप्त किया जब नमूना आकार सख्त सैद्धांतिक थ्रेसहोल्ड को पूरा करता है।
दक्षता (अंतराल की लंबाई): कैल-गिब्स ने वैध कवरेज बनाए रखते हुए नॉन-पैरामीट्रिक बेंचमार्क (विल्क्स/YM) की तुलना में लगातार छोटे अंतराल दिए।
- उदाहरण: पारेटो वितरण में $P=0.90$ के लिए, कैल-गिब्स की औसत लंबाई 4.877 थी जबकि विल्क्स की 9.418 थी।
छोटे नमूना प्रदर्शन (Small Sample Performance): उन परिदृश्यों में जहाँ $n$ विल्क्स थ्रेसहोल्ड (जैसे, $P=0.9$ के लिए $n < 22$ ) से कम था, विल्क्स और YM विफल रहे, जबकि कैल-गिब्स स्थिर और वैध रहा।

वास्तविक दुनिया के अनुप्रयोग (Real-World Applications)

पारिस्थितिकी (लॉन्गलीफ पाइन्स): पेड़ के व्यास के लिए दो-तरफा TIs का निर्माण किया गया। कैल-गिब्स ने विल्क्स/YM की तुलना में संकीर्ण अंतराल दिए और विशिष्ट क्वांटाइल-लक्षित अंतराल (जैसे, 25वें और 75वें पर्सेंटाइल को बांधना) की अनुमति दी।
बायोफार्मास्युटिकल्स (रिलेटिव पोटेंसी): केवल $n=25$ नमूनों के साथ, विल्क्स गणितीय रूप से लागू करने योग्य नहीं था। कैल-गिब्स ने वैध अंतराल प्रदान किए, जो कंटेंट या क्वांटाइल कवरेज के लक्ष्य के आधार पर अलग-अलग चौड़ाई प्रदर्शित करता है।
पर्यावरण स्वास्थ्य (वायु लीड स्तर): एक अत्यधिक स्क्यूड, हेवी-टेल्ड डेटासेट ( $n=15$ )। $\eta$ के लिए मानक स्टोकेस्टिक एप्रोक्सिमेशन विफल रहा; ग्रिड सर्च ने एक बहुत ही छोटा इष्टतम $\eta$ (0.0034) पहचाना, जिसने कवरेज सुनिश्चित करने के लिए अनिश्चितता को बढ़ाया। परिणामी बाउंड (436.01) विल्क्स बाउंड (1000.00) की तुलना में काफी अधिक सटीक (tight) था।

5. महत्व (Significance)

यह शोध पत्र नॉन-पैरामीट्रिक टॉलरेंस इंटरवल के निर्माण की दीर्घकालिक चुनौती का एक मजबूत समाधान प्रस्तुत करता है। इसका प्राथमिक महत्व है:

नमूना आकार की बाधाओं को पार करना: यह वैध टॉलरेंस इंटरवल निर्माण को उन छोटे-नमूना व्यवस्थाओं में सक्षम बनाता है जहाँ शास्त्रीय नॉन-पैरामीट्रिक विधियाँ विफल हो जाती हैं।
वितरण के आकार के प्रति मजबूती: यह मॉडल विशिष्टता की आवश्यकता के बिना सममित (symmetric), स्क्यूड और हेवी-टेल्ड वितरणों में विश्वसनीय रूप से कार्य करता है।
एकीकृत इन्फेरेंशियल फ्रेमवर्क: यह "कंटेंट-आधारित" और "क्वांटाइल-आधारित" परिभाषाओं के बीच स्विच करने का एक सिद्धांतपूर्ण तरीका प्रदान करता है, जो पारंपरिक ऑर्डर-स्टैटिस्टिक विधियों में अनुपलब्ध लचीलापन है।
व्यावहारिक उपयोगिता: यह पद्धति फार्मास्युटिकल विनिर्माण और पर्यावरणीय निगरानी जैसे उच्च-जोखिम वाले क्षेत्रों में सीधे लागू की जा सकती है, जहाँ सीमित डेटा के बावजूद विश्वसनीय सीमाएँ महत्वपूर्ण होती हैं।

लेखक निष्कर्ष निकालते हैं कि कैलिब्रेटेड गिब्स पोस्टीरियर अंतराल की चौड़ाई और कवरेज विश्वसनीयता के बीच एक बेहतर संतुलन प्रदान करता है, जो इसे आधुनिक सांख्यिकीय अभ्यास के लिए एक शक्तिशाली उपकरण बनाता है।