样本方差与总体方差之商服从卡方分布

satadriver

已于 2023-08-21 14:11:31 修改

阅读量1.2k

点赞数

分类专栏：概率论和数理统计文章标签：概率论

于 2023-02-27 18:52:35 首次发布

本文链接：https://blog.csdn.net/m0_37567738/article/details/129247609

版权

概率论和数理统计专栏收录该内容

29 篇文章

订阅专栏

文章详细阐述了一项在浙江大学版《概率论和数理统计》中重要的统计学定理，该定理在后续统计学学习中频繁出现。定理证明涉及将样本均值和样本方差转换为标准正态分布，利用χ^2分布证明(n-1)s^2/σ^2服从χ^2(n-1)分布，进而引出t分布和f分布的应用，如样本均值与样本方差的独立性以及t检验和f检验的相关定理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

浙江大学版《概率论和梳理统计》第6章有个著名的定理，该定理在统计学中占有重要地位，在以后的统计学学习中，多次看到
该定理的应用和推论。

该定理定义如下：
在这里插入图片描述

教材中对该定理的证明：

在这里插入图片描述

鉴于繁琐的证明过程，一直没怎么关注这个定理的证明，后来发现，该定理在统计学中有大量应用，该定理是学习统计学绕不开的核心定理之一。为了加深印象和进一步领会证明过程，根据教材的讲解，再一次复述一下该定理的证明过程。

证明过程的几个步骤依次如下：

$\frac {(n - 1) s ^2}{\sigma ^ 2} = \frac{ \sum _{i = 1} ^{n} ( x_i - \bar x)^2 } {\sigma^2} = \\ \frac{ \sum _{i = 1} ^{n} ( (x_i - \mu ) - (\bar x - \mu))^2 } {\sigma^2} = \\ \sum _{i = 1} ^{n} \biggl [ \frac{(x_i - \mu ) - (\bar x - \mu)} {\sigma} \biggr ] ^ 2 \tag {1.1}$
设 $z_i = \frac {x_i - \mu} {\sigma}, \bar z = \frac {\bar x - \mu} {\sigma}$ 带入上式可得：

$\sum _{i = 1} ^{n} \biggl [ \frac{(x_i - \mu ) - (\bar x - \mu)} {\sigma} \biggr ] ^ 2 = \\ \sum _{i = 1} ^{n} (z_i - \bar z)^ 2 = \sum _{i = 1} ^{n} (z_i ^2 + \bar z ^ 2 - 2 \bar z z_i) = \\ \sum _{i = 1} ^{n} z_i ^ 2+ n \bar z ^2 - 2 \bar z \sum _{i = 1} ^{n}z_i = \sum _{i = 1} ^{n} z_i ^ 2+ n \bar z ^2 - 2 \bar z n \bar z = \\ \sum _{i = 1} ^{n} z_i ^ 2+ n \bar z ^2 - 2 n \bar z ^2 \\ = \sum _{i = 1} ^{n} z_i ^ 2 - n \bar z ^2 \tag {1.2}$

设 u = A z,其中u为一维行向量，A为正交矩阵，A矩阵的第一个行向量为 $\frac {1}{\sqrt n}$ ，由于：

$\sum _{i = 1} ^{n} z_i ^ 2 = z^{t} z = z^{t} A^t A z = (Az)^t Az = u^t u$

$u_1 = \sum_{i=1}^{n}A_{1i} \bar z_{i1} = \sum_{i=1}^{n} \frac{1}{\sqrt n}\bar z_{i1} = \sqrt n \bar z$

解释：
(1) $\sum _{i = 1} ^{n} z_i ^ 2 = z^{t} z$ 是一个重要的基础知识，需要理解的基础上牢记。

(2) 因为z和 $\bar z$ 都是一维列向量，故 $\bar z_{i1} = \bar z_i$

将上述转换带入式子(1.2)可得：

$\sum _{i = 1} ^{n} z_i ^ 2 - n \bar z ^2 = u^tu - u_1^2 = \sum _{i=2}^{n} u_i^2$

因为 $z\sim N(0,1)$ ，所以 $u_i$ 服务从自由度为1的 $\chi^2$ 分布， $\sum _{i=2}^{n} u_i^2$ 服从自由度为n-1的 $\chi^2$ 分布。
因此可证明：
$\frac {(n - 1) s ^2}{\sigma ^ 2} \sim \chi ^ 2(n-1)$

由已知结论，多维随机变量的正态分布，若多个变量之间的协方差为0时，该正态分布的多个随机变量之间相互独立。
因为 $z\sim N(0,1),E z = 0$ ，所以：
$cov(z_i,z_j) = E [ (Ez_i - z_i)(E z_j - z_j) ] = E(z_i z_j) - Ez_i Ez_j = E(z_i z_j)$
现在考虑 $E(z_i z_j)$ 的值。
根据两个随机变量之积的概率分布公式可得：
$P(z_i z_j) = \int _{-\infty }^{+ \infty}\frac {1} {|z_i|} f(z_i) g(\frac{z}{z_i}) d z_i$
此公式无法直接得到我们想要的答案。转换一下思路，根据期望值的定义直接求解：
$E(z_i z_j) = \int _{-\infty}^{+\infty} \int _{-\infty}^{+\infty} z_i z_j f(z_i)g(z_j) d z_i dz_j = \\ \int _{-\infty}^{+\infty}z_i g(z_i) d z_i \int _{-\infty}^{+\infty} z_j f(z_j)dz_j \tag {1.3}$

上式中，若i=j则为1，否则为0。进一步考察u的协方差：
$cov(u_i,u_j) = E [ (Eu_i - u_i)(E u_j - u_j) ] = E(u_i u_j) - Eu_i Eu_j = E(u_i u_j)$
由于u是z的线性变换，根据上面的（1.3）可得，若i=j则协方差为1，否则协方差为0。由此可以证明z的线性无关性，进一步的，结合上图课本中的截图，可以证明 $\bar x 与 s^2独立$

该定理直接证明了另外的两个定理。

定理：
$\frac {\bar x - u}{ \frac {s}{\sqrt n}} \sim t(n-1)$

证明：
$\frac {\bar x - u}{ \frac {\sigma}{\sqrt n}} = \frac {\bar x - u}{ \frac {\sigma}{\sqrt n}} \frac {\sigma}{s}= \\ \frac {\frac {\bar x - u}{ \frac {\sigma}{\sqrt n}} } {\sqrt { \frac {(n-1)s^2} {(n -1)\sigma ^ 2} } } \sim t(n-1)$

定理：
$\frac { \frac {s_1 ^ 2}{s_2 ^ 2} } { \frac {\sigma_1 ^ 2}{\sigma_2 ^ 2}} \sim t(n-1,n-1)$

证明：

因为
$\frac {(n - 1) s_1 ^2}{\sigma _1 ^ 2} \sim \chi ^ 2(n-1) \\ \frac {(n - 1) s_2 ^2}{\sigma _2 ^ 2} \sim \chi ^ 2(n-1)$

根据f分布的定义可知

$\frac {(n - 1) s_1 ^2}{(n-1)\sigma _1 ^ 2} / \frac {(n - 1) s_2 ^2}{(n -1)\sigma _2 ^ 2} = \frac {s_1^2 /s_2 ^2}{\sigma_1 ^ 2 / \sigma_2^2} \sim f(n-1,n-1)$