To bardzo podstawowe pytanie. Dlaczego używamy rozkładu chi-kwadrat? Jakie jest znaczenie tej dystrybucji? Dlaczego ten rozkład służy do tworzenia przedziału ufności dla wariancji?

Każde miejsce, w którym szukam wyjaśnień, po prostu przedstawia ten fakt, wyjaśniając, kiedy używać chi, ale nie wyjaśniając, dlaczego używać chi i dlaczego wygląda tak, jak to działa.

Ogromne podziękowania dla każdego, kto może skierować mnie w dobrym kierunku i to jest - naprawdę rozumiem, dlaczego używam chi, kiedy tworzę przedział ufności dla wariancji.

Szybka odpowiedź

Powodem jest to, że zakładając, że dane to iid i $X_i\sim N(\mu,\sigma^2)$ , i definiujemy przy tworzeniu przedziałów ufności, rozkład próbkowania związany z wariancją próbki (S2, pamiętaj, zmienna losowa!) Jest rozkładem chi-kwadrat (S2(N-1)/σ2∼χ2n-1), podobnie jak rozkład próbkowania związany ze średnią próbki jest standardowym rozkładem normalnym ((ˉX-μ)

$$\begin{eqnarray*} \bar{X}&=&\sum^N \frac{X_i}{N}\\ S^2 &=& \sum^{N} \frac{(\bar{X}-X_i)^2}{N-1} \end{eqnarray*}$$ $S^2$$S^2(N-1)/\sigma^2 \sim \chi^2_{n-1}$), gdy znasz wariancję, oraz z t-studentem, gdy nie znasz (( ˉ X -μ)$(\bar{X}-\mu)\sqrt{n}/\sigma \sim Z(0,1)$ ).$(\bar{X}-\mu)\sqrt{n}/S \sim T_{n-1}$

Długa odpowiedź

Przede wszystkim udowodnimy, że ma rozkład chi-kwadrat z N - 1 stopniami swobody. Następnie zobaczymy, jak ten dowód jest użyteczny przy ustalaniu przedziałów ufności dla wariancji i jak wygląda rozkład chi-kwadrat (i dlaczego jest tak użyteczny!). Zaczynajmy.$S^2(N-1)/\sigma^2$$N-1$

Dowód

W tym celu być może musisz przyzwyczaić się do rozkładu chi-kwadrat w tym artykule w Wikipedii . Ten rozkład ma tylko jeden parametr: stopnie swobody, , i zdarza się, że ma funkcję generowania momentu (MGF) podaną przez: m χ 2 ν ( t ) = ( 1 - 2 t ) - ν / 2 . Jeśli możemy wykazać, że rozkład S 2 ( N - 1 ) / σ 2 ma funkcję generującą moment taki jak ten, ale z ν $\nu$

$$\begin{equation*} m_{\chi^2_\nu}(t)=(1-2t)^{-\nu/2}. \end{equation*}$$ $S^2(N-1)/\sigma^2$ , wykazaliśmy, że S 2 ( N - 1 ) / σ 2 ma rozkład chi-kwadrat z N - 1 stopniami swobody. Aby to pokazać, zwróć uwagę na dwa fakty:$\nu=N-1$$S^2(N-1)/\sigma^2$$N-1$

1. Jeśli zdefiniujemy, gdzieZi∼N(0,1), tj. standardowe normalne zmienne losowe, funkcja generowania momentuYjest dana przez m Y (t

   $$\begin{equation*} Y = \sum \frac{(X_i-\bar{X})^2}{\sigma^2} = \sum Z_i^2, \end{equation*}$$ $Z_i\sim N(0,1)$$Y$ MGF dlaZ2jest podane przez m Z 2 ( t $$\begin{eqnarray*} m_Y(t) &=& \mathbb{E}[e^{tY}]\\ &=&\mathbb{E}[e^{tZ_1^2}]\times \mathbb{E}[e^{tZ_2^2}]\times ...\mathbb{E}[e^{tZ_N^2}]\\ &=&m_{Z_i^2}(t)\times m_{Z_2^2}(t)\times ...m_{Z_N^2}(t). \end{eqnarray*}$$ $Z^2$ gdzie nie stosuje się PDF rozkładu normalnego,F(oo)=e- oo 2 / 2/ $$\begin{eqnarray*} m_{Z^2}(t) &=& \int_{-\infty}^{\infty} f(z)\exp(tz^2)dz\\ &=&(1-2t)^{-1/2}, \end{eqnarray*}$$ , a stąd mY(t)=(1-2, T) - N / 2 , któryoznacza, żeYnastępuje rozkład chi-kwadrat zNstopni swobody.$f(z)=e^{-z^2/2}/\sqrt{2\pi}$ $$\begin{equation*} m_Y(t)=(1-2t)^{-N/2}, \end{equation*}$$ $Y$$N$

2. $Y_1$$Y_2$$\nu_1$$\nu_2$$W=Y_1+Y_2$$\nu_1+\nu_2$$W$

$N-1$

$$\begin{equation*} (N-1)S^2 = -n(\bar{X}-\mu)+\sum(X_i-\mu)^2, \end{equation*}$$ $\sigma^2$ $$\begin{equation*} \frac{(N-1)S^2}{\sigma^2}+\frac{(\bar{X}-\mu)^2}{\sigma^2/N}=\sum \frac{(X_i-\mu)^2}{\sigma^2}. \end{equation*}$$ Note that the second term in the left-side of this sum distributes as a chi-square distribution with 1 degree of freedom, and the right-hand side sum distributes as a chi-square with $N$ degrees of freedom. Therefore, $S^2(N-1)/\sigma^2$ distributes as a chi-square with $N-1$ degrees of freedom.

Calculating the Confidence Interval for the variance.

When looking for a confidence interval for the variance, you want to know the limits $L_1$ and $L_2$ in

$$\begin{equation*} \mathbb{P}\left(L_1\leq \sigma^2 \leq L_2\right) = 1-\alpha. \end{equation*}$$ Let's play with the inequality inside the parenthesis. First, divide by $S^2(N-1)$, $$\begin{equation*} \frac{L_1}{S^2(N-1)}\leq \frac{\sigma^2}{S^2(N-1)} \leq \frac{L_2}{S^2(N-1)}. \end{equation*}$$ And then remember two things: (1) the statistic $S^2(N-1)/\sigma^2$ has a chi-squared distribution with $N-1$ degrees of freedom and (2) the variances is always greather than zero, which implies that you can invert the inequalities, because $$\begin{eqnarray*} \frac{L_1}{S^2(N-1)}\leq \frac{\sigma^2}{S^2(N-1)} &\Rightarrow& \frac{S^2(N-1)}{\sigma^2}\leq \frac{S^2(N-1)}{L_1},\\ \frac{\sigma^2}{S^2(N-1)} \leq \frac{L_2}{S^2(N-1)} &\Rightarrow& \frac{S^2(N-1)}{L_2} \leq \frac{S^2(N-1)}{\sigma^2},\\ \end{eqnarray*}$$ hence, the probability we are looking for is: $$\begin{equation*} \mathbb{P}\left(\frac{S^2(N-1)}{L_2} \leq \frac{S^2(N-1)}{\sigma^2}\leq \frac{S^2(N-1)}{L_1}\right) = 1-\alpha. \end{equation*}$$ Note that $S^2(N-1)/\sigma^2 \sim \chi^2(N-1)$. We want then, $$\begin{eqnarray*} \int_{\frac{S^2(N-1)}{L_2}}^{N-1}p_{\chi^2}(x)dx &=& (1-\alpha)/2\ \ \ ,\\ \int_{N-1}^{\frac{S^2(N-1)}{L_1}}p_{\chi^2}(x)dx &=& (1-\alpha)/2\ \ \, \end{eqnarray*}$$ (we integrate up to $N-1$ because the expected value of a chi-squared random variable with $N-1$ degrees of freedom is $N-1$) or, equivalently, $$\begin{eqnarray*} \int_{0}^{\frac{S^2(N-1)}{L_2}}p_{\chi^2}(x)dx=\alpha/2,\\ \int_{\frac{S^2(N-1)}{L_1}}^{\infty}p_{\chi^2}(x)dx=\alpha/2. \end{eqnarray*}$$ Calling $\chi^2_{\alpha/2}=\frac{S^2(N-1)}{L_2}$ and $\chi^2_{1-\alpha/2}= \frac{S^2(N-1)}{L_1}$, where the values $\chi^2_{\alpha/2}$ and $\chi^2_{1-\alpha/2}$ can be found in chi-square tables (in computers mainly!) and solving for $L_1$ and $L_2$, $$\begin{eqnarray*} L_1 &=& \frac{S^2(N-1)}{\chi^2_{1-\alpha/2}},\\ L_2 &=& \frac{S^2(N-1)}{\chi^2_{\alpha/2}}. \end{eqnarray*}$$ Hence, your confidence interval for the variance is $$\begin{equation*} C.I.=\left(\frac{S^2(N-1)}{\chi^2_{1-\alpha/2}}, \frac{S^2(N-1)}{\chi^2_{\alpha/2}}\right). \end{equation*}$$