On the best unbiassed quadratic estimate of the variance. (Q2599440)

Zweck der Arbeit ist festzustellen, wie das Streuungsquadrat \(\sigma ^2\) mittels einer quadratischen Form \(Q\) mit möglichst geringem mittleren Abweichungsquadrat \(\sigma _Q^2\) abgeschätzt werden kann. Zur Lösung dieses Problems wendet Verf. ähnlich wie Markoff bei linearen Formen die Methode der unbestimmten Koeffizienten an. Er nimmt an, daß die Erwartungswerte \(\xi _i\) der \(n\) zufälligen Veränderlichen \(x_1\), \(x_{2}\),\dots, \(x_{n}\) mit dem gleichen mittleren Abweichungsquadrat sich durch \((s < n)\) Parameter \(p_1\),\dots, \(p_{s}\) mit konstanten Koeffizienten ausdrücken lassen, daß also \[ \xi =pA \] ist, wo \(A\) die \(s\times n\) Matrix der Koeffizienten \(a_{ij}\) vom Range \(s\) ist. Die beste quadratische Schätzung von \(Q\) ist dann die quadratische Form \[ Q(x_1, x_2,\dots, x_n)=\textstyle \kern-2pt\sum\limits_{i, j=1}^{n}\lambda _{ij}x_ix_j\quad\;(\lambda _{ij}=\lambda _{ji}), \] die den folgenden drei Bedingungen genügt: 1) \(\mathfrak E(Q)\) soll gleich \(\sigma ^2\) für alle Werte der \(p_i\) sein; 2) das Streuungsquadrat \(\sigma _Q^2\) von \(Q\) soll unabhängig von den Werten der \(p_{i}\) sein; 3) ist \(Q_{1}\) eine andere quadratische Form, die die Eigenschaften 1 und 2 hat, so soll \(\sigma _Q^2\leqq \sigma _{Q_1}^2\) sein. Damit \(Q\) die Eigenschaften 1) und 2) hat, sind die notwendigen und hinreichenden Bedingungen \[ \textstyle \sum\limits_{i=1}^{n}\lambda _{ii}^2=1;\quad\sum\limits_{j=1}^{n}\lambda _{ij}\xi _j=0\quad\;(i=1, 2,\dots, n). \] Um die Bedingung 3) zu erfüllen, sucht Verf. die Glieder \(\tau _k\) einer Diagonalmatrix \(D_{\tau }\), die die die quadratische Form \[ F=\textstyle \sum(\beta _i-3)\,\lambda _{ii}^2+2\,\sum \lambda _{ij}^2=\sum \mu _{kl}\,\tau _k\,\tau _l \] unter der Bedingung \(\sum m_{kk}\,\tau _k=1\) zum Minimum machen, wo die \(m_{ik}\) die Glieder der Matrix \[ M=I-A'(AA')^{-1}A \] sind und wo \[ \mu _{kl}=\textstyle \sum\limits_{i}\,(\beta _i-3)\,m_{ik}^2m_{il}^2+2\,m_{kl}^2\quad\;(k, l=1, 2,\dots n) \] und \[ \beta _i=\sigma ^{-4}\mathfrak E(x_i-\xi _i)^4\qquad(i=1, 2,\dots, n) \] ist. Dann lassen sich die \(\lambda _{ij}\) aus \[ \varLambda =MD_\tau M \] berechnen. Als notwendige und hinreichende Bedingung dafür, daß \(Q_{0}\) auch 3) genügt, ergibt sich, daß die Gleichungen \[ \textstyle \sum\limits_{l=1}^{n}\mu _{kl}\,\tau _l=\nu m_{kk}\quad(k=1, 2,\dots, n) \] mit dem unbestimmten Faktor \(\nu \) die Lösung \[ \tau _k=\frac{1}{n-s}\qquad(k=1, 2,\dots, n) \] zulassen. Der Minimalwert von \(F\) ist dann \[ F=\nu _0=\frac{1}{(n-s)^2}\sum(\beta _i-3)\,n_{ii}^2+\frac{2}{n-s}, \] und das Streuungsquadrat von \(Q_{0}\) wird \[ \sigma _{Q_0}^2=\nu _0\sigma ^4. \] Drei Beispiele erläutern die Anwendbarkeit der abgeleiteten Formeln. In einem Anhang wird der Beweis eines für die Ableitungen gebrauchten Satzes gegeben.