$$ {\sum (X_{i} -\mu)^2\over{\sigma^2}} = {1\over {\sigma^2} } (\sum (X_{i}-\bar{X})^2 + \sum(\bar{X}-\mu)^2) $$
좌변의 $$ {\sum (X_{i} -\mu)^2\over{\sigma^2}} $$은 자유도 n의 카이자승 분포
우변의 두번째 항$$ {1\over {\sigma^2} } \sum(\bar{X}-\mu)^2 $$은 정리하면
따라서 우변의 첫번째 항 $$ ({{\sqrt{n} (\bar{X} -\mu)}\over{\sigma^2}})^2 $$ 으로 자유도 1의 카이자승 분포
카이자승 분포의 특성에 따라서
$$ {1\over{\sigma^2}} \sum(X_{i} - \bar{X})^2 $$ 은 자유도 n-1의 카이자승 분포를 가진다
$$s^2 = {1\over{n-1}} \sum(X_{i} - \bar{X})^2 $$이다
$$ s^2(n-1) = \sum(X_{i} - \bar{X})^2 $$
양변을 $$ \sigma^2$$ 로 나눠주면
좌변은 증명하고자 하는 $$ s^2(n-1)\over{\sigma^2} $$
우변은 1.에서 도출한 자유도 n-1의 카이자승 분포 $$ {1\over{\sigma^2}} \sum(X_{i} - \bar{X})^2 $$
->따라서
$$ {(n-1)/s^2\over{\sigma^2}} $$~$$ \chi(n-1)$$
벡터자기회귀모형 Vector AutoRegression (0) | 2021.12.21 |
---|---|
회귀분석 Attribute (0) | 2021.12.13 |
자기회귀모형 Auto Regression (0) | 2021.10.25 |
확률함수 variable transform (0) | 2021.10.22 |
Moment와 Moment generating function (0) | 2021.10.05 |
댓글 영역