next up previous contents
Nächste Seite: Tests für die Regressionskoeffizienten; Aufwärts: Normalverteilte Störgrößen Vorherige Seite: Maximum-Likelihood-Schätzer   Inhalt


Verteilungs- und Unabhängigkeitseigenschaften von $ \widehat{\boldsymbol{\beta}}$ und $ S^2$

Dabei benötigen wir die folgende Rangformel, die wir hier ohne Beweis angeben; vgl. Theorem 2.2.2 im Skript zur Vorlesung ,, Lineare Algebra'' von W. Lütkebohmert (Universität Ulm, Wintersemester 2005/06).

Lemma 2.3   $ \;$ Sei $ {\mathbf{A}}$ eine beliebige $ n\times n$ Matrix. Dann gilt

$\displaystyle { {\rm rg}}({\mathbf{A}})=n-\dim {\rm Ker}({\mathbf{A}}) ,$ (39)

wobei $ {\rm Ker}({\mathbf{A}})=\{{\mathbf{x}}\in\mathbb{R}^n:  {\mathbf{A}}{\mathbf{x}}={\bf o}\}$ und $ \dim {\rm Ker}({\mathbf{A}})$ die Dimension von $ {\rm Ker}({\mathbf{A}})\subset \mathbb{R}^n$ bezeichnet.


Aus der in Theorem 1.9 hergeleiteten Bedingung für die $ \chi ^2$-Verteiltheit von quadratischen Formen normalverteilter Zufallsvektoren ergibt sich nun das folgende Resultat.

Theorem 2.7   $ \;$ Es gilt

$\displaystyle \frac{(n-m)S^2}{\sigma^2}\sim\chi^2_{n-m} ,$ (40)

d.h., die Zufallsvariable $ (n-m)S^2/\sigma^2$ hat eine (zentrale) $ \chi ^2$-Verteilung mit $ n-m$ Freiheitsgraden.

Beweis
 

Außerdem nutzen wir das in Theorem 1.10 hergeleitete Kriterium für die Unabhängigkeit von linearen bzw. quadratischen Formen normalverteilter Zufallsvektoren, um das folgende Resultat zu zeigen.

Theorem 2.8   $ \;$ Die Schätzer $ \widehat{\boldsymbol{\beta}}$ und $ S^2$ für $ {\boldsymbol {\beta }}$ bzw. $ \sigma ^2$ sind unabhängig.

Beweis
 



next up previous contents
Nächste Seite: Tests für die Regressionskoeffizienten; Aufwärts: Normalverteilte Störgrößen Vorherige Seite: Maximum-Likelihood-Schätzer   Inhalt
Hendrik Schmidt 2006-02-27