Kysymys:
Miksi varianssin otosjakauma on khi-neliön jakauma?
Remi.b
2014-10-28 04:09:44 UTC
view on stackexchange narkive permalink

Lauseke

Otosvarianssin otosjakauma on khi-neliön jakauma, jonka vapausaste on $ n-1 $, jossa $ n $ on otoksen koko (koska mielenkiinnon kohteena oleva satunnaismuuttuja jakautuu normaalisti).

Lähde

Oma intuitio

Minulla on tavallaan intuitiivinen mieli 1) koska chi-neliötesti näyttää neliön ja 2) summalta, koska Chi-neliön jakauma on vain neliön normaalijakauman summa. Mutta silti, en ymmärrä sitä kunnolla.

Kysymys

Onko väite totta? Miksi?

Alkuperäinen lausunto on yleensä väärä (se on väärä kahdesta erillisestä syystä).Mikä on lähde (linkkisi puuttuu), ja mitä se todella sanoo?
Kysymykseni koskee myös reaktiota kysymykseen-vastaukseen johdantotilastoluokassa, johon pääsy on suojattu.Kysymys on "Mikä jakauma on siipipituuden varianssijakauma kärpäksissä?"ja vastaus on "Chi-neliöjakauma"
Ensimmäisen kommenttisi lainattu lausunto on edelleen yleisesti väärä.Lähteen lopussa oleva kommentti on totta (tarvittavilla oletuksilla): "* kun näytteet, joiden koko on n, otetaan normaalijakaumasta, jonka varianssi on $ \ sigma ^ 2 $, $ (n-1): n otosjakaumas ^ 2 / \ sigma ^ 2 $: n chi-neliöjakauma on n-1 vapausastetta. * "... Myös toisen kommenttisi kysymys on väärä - ellei joku oleosoittaa, että siiven pituus on normaalisti jakautunut.(Millä perusteella tämän väittäminen voi olla totta?)
Oletetaan siis, että siivet ovat normaalisti jakautuneet, silloin $ (n-1) s ^ 2 / \ sigma ^ 2 $: n näytteistysjakauma olisi chi-neliöjakauma.Miksi se on niin?
Oletko tietoinen siitä, että $ k $ iid N (0,1) satunnaismuuttujan neliösumma on chi-neliö ja $ k $ d.f.Vai onko se osa, josta haet todisteita?
üks vastaus:
Glen_b
2014-10-28 06:34:02 UTC
view on stackexchange narkive permalink

[Oletan kysymyksesi keskustelusta, että hyväksyt mielelläni tosiasian, että jos $ Z_i, i = 1,2, \ ldots, k $ ovat riippumattomia identtisesti jakautuneita $ N (0,1) $ satunnaismuuttujia ja sitten $ \ sum_ {i = 1} ^ {k} Z_i ^ 2 \ sim \ chi ^ 2_k $ .]

Tarvitsemasi tulos seuraa muodollisesti Cochranin lauseesta. (Vaikka se voidaan näyttää muilla tavoin)

Vähemmän muodollisesti, ota huomioon, että jos tiedämme populaation keskiarvon ja arvioimme sen varianssin (pikemminkin kuin otoksen keskiarvon): $ s_0 ^ 2 = \ frac {1} {n} \ sum_ {i = 1} ^ {n} (X_i- \ mu) ^ 2 $ , sitten $ s_0 ^ 2 / \ sigma ^ 2 = \ frac {1} {n} \ sum_ {i = 1} ^ {n} \ vasen (\ frac {X_i- \ mu} {\ sigma} \ oikea) ^ 2 = \ frac {1} {n} \ sum_ {i = 1} ^ {n} Z_i ^ 2 $ , ( $ Z_i = (X_i- \ mu ) / \ sigma $ ), joka on $ \ frac {1} {n} $ kertaa $ \ chi ^ 2_n $ satunnaismuuttuja.

Se, että käytetään otoksen keskiarvoa populaation keskiarvon sijaan ( $ Z_i ^ * = ( X_i- \ bar {X}) / \ sigma $ ) tekee poikkeamien neliösumman pienemmäksi, mutta vain siten, että $ \ sum_ {i = 1 } ^ {n} (Z_i ^ *) ^ 2 \, \ sim \ chi ^ 2_ {n-1} $ (josta ks. Cochranin lause). Eli $ ns_0 ^ 2 / \ sigma ^ 2 \ sim \ chi ^ 2_n $ , meillä on nyt $ ( n-1) s ^ 2 / \ sigma ^ 2 \ sim \ chi ^ 2_ {n-1} $ .

@Glen_b Voitteko antaa viitteitä muista todisteista tälle tosiasialle?Haluan todella tietää sen.
Mistä monista tosiasioista olet todistettuasi?
@Glen_b Ainoat kaksi menetelmää Cochran-Madow-lauseen lisäksi, jotka osoittavat tämän tosiasian, että otosvarianssi ja otoksen keskiarvo ovat tilastollisesti riippumattomia khi-neliöjakaumalla, ovat: (1) Scheffen kanoninen perusta (Scheffe, 1959) (2) Kumulatiiviset menetelmät (Tai mgfs, mikä vastaa sitä).Jos tiedät lisää menetelmiä, haluan todella tietää ne.
Vielä yksi kommentti, jonka haluan lisätä, on se, että vaikka käytetään näytekeskiarvoa, mutta joskus haluamme kiinteän varianssin riippumaton kiinteä teho, tämä menetelmä korvataan Steinin kaksivaiheisella menetelmällä (1949).
En ymmärrä tästä vastauksesta, onko $ \ bar X $ ei ole riippumaton kaikista $ X_i: n $: sta, joten miten voimme soveltaa Cochranin teoreemaa?siinä sanotaan, että heidän kaikkien on oltava riippumattomia.
$ \ bar {X} $ on tässä tilanteessa riippumaton $ X_i- \ bar {X} $: sta


Tämä Q & A käännettiin automaattisesti englanniksi.Alkuperäinen sisältö on saatavilla stackexchange-palvelussa, jota kiitämme cc by-sa 3.0-lisenssistä, jolla sitä jaetaan.
Loading...