用子样均值取代期望时，证明所构成的卡方分布的自由度为(n-1）

用子样均值取代期望时，证明所构成的卡方分布的自由度为(n-1）

若子样$x_i$~$N(\mu ,{\sigma }^2)$，且期望$\mu$用子样均值$\bar{x}$取代时，会有子样无偏方差：

${\hat{\sigma }}^2=\frac{1}{n-1}{\sum }_{i=1}^n(x_i-\bar{x}{)}^2=\frac{1}{n-1}V{V}^T$则：

$\frac{V{V}^T}{{\sigma }^2}=\frac{(n-1){\hat{\sigma }}^2}{{\sigma }^2}={\sum }_{i=1}^n\frac{(x_i-\bar{x}{)}^2}{{\sigma }^2}\sim {\chi }^2(n-1)$

${\sum }_{i=1}^n\frac{(x_i-\bar{x}{)}^2}{{\sigma }^2}=\frac{1}{{\sigma }^2}\left(\begin{array}{c}{\sum }_{i=1}^n{x}_i^2-n{\bar{x}}^2\end{array}\right)$

证明上式：
令
$Y=\left[\begin{array}{c}{y}_1\\ \cdots \\ y_{n-1}\\ y_n\end{array}\right]=\left[\begin{array}{cccccc}\frac{1}{\sqrt{1\ast 2}}& \frac{-1}{\sqrt{1\ast 2}}& 0& \cdots & 0& 0\\ \cdots & \cdots & \cdots & \cdots & \cdots & \cdots \\ \frac{1}{\sqrt{n\ast (n-1)}}& \frac{1}{\sqrt{n\ast (n-1)}}& \frac{1}{\sqrt{n\ast (n-1)}}& \frac{1}{\sqrt{n\ast (n-1)}}& \frac{1}{\sqrt{n\ast (n-1)}}& \frac{-(n-1)}{\sqrt{n\ast (n-1)}}\\ \frac{1}{\sqrt{n}}& \frac{1}{\sqrt{n}}& \frac{1}{\sqrt{n}}& \frac{1}{\sqrt{n}}& \frac{1}{\sqrt{n}}& \frac{1}{\sqrt{n}}\end{array}\right]$$X$
上述$X$左乘的系数矩阵设为$A$矩阵，$A$为正交阵，满足$A^{T}A=I$,运用误差传播定律可知,，$y_i$~$N(0,{\sigma }^2)$，且互独立，$i=1，2，\cdots ，n-1$，且$y_n\sim N(\sqrt{n}\mu ,{\sigma }^2)$，$y_n^2=n{\bar{x}}^2$

${\sum }_{i=1}^n{x}^2=X^{T}X$

$Y^{T}Y=(AX{)}^T(AX)=X^{T}AAX=X^{T}X={\sum }_{i=1}^n{x}^2={\sum }_{i=1}^n{y}^2$

$\frac{V{V}^T}{{\sigma }^2}=\frac{1}{{\sigma }^2}{\sum }_{i=1}^n(x_i^2-n{\bar{x}}^2)=\frac{1}{{\sigma }^2}{\sum }_{i=1}^n(y_i^2-n{\bar{x}}^2)=\frac{1}{{\sigma }^2}{\sum }_{i=1}^n(y_i^2-y_n^2)=\frac{1}{{\sigma }^2}{\sum }_{i=1}^{n-1}(y_i^2)\sim {\chi }^2(n-1)$

完美得证！

这是我大二时学习概率论时的疑惑，以上证明过程用到了测绘专业的知识证明，下午看到时醍醐灌顶，特此记录

参考资料：
（1）王穗辉老师的测量平差ppt
（2）第一次用Letax编辑公式，参考了这个博客 https://blog.csdn.net/weixin_44244154/article/details/104722239