In der Statistik wird der Satz von Cochran in der Varianzanalyse verwendet. Der Satz geht auf den schottischen Mathematiker William Gemmell Cochran zurück.

Man nimmt an ${\displaystyle U_{1},\dots U_{n},}$ seien stochastisch unabhängige standardnormalverteilte Zufallsvariablen, und es gilt

${\displaystyle \sum _{i=1}^{n}U_{i}^{2}=Q_{1}+\cdots +Q_{k},}$

wobei jedes ${\displaystyle Q_{i}}$ die Summe der Quadrate von Linearkombinationen der ${\displaystyle U}$s darstellt. Ferner nimmt man an, dass

${\displaystyle r_{1}+\cdots +r_{k}=n,}$

wobei ${\displaystyle r_{i}}$ der Rang von ${\displaystyle Q_{i}}$ ist. Der Satz von Cochran besagt, dass die ${\displaystyle Q_{i}}$ unabhängig sind mit einer Chi-Quadrat-Verteilung mit ${\displaystyle r_{i}}$ Freiheitsgraden.

Der Satz von Cochran ist die Umkehrung des Satzes von Fisher.

Beispiel

Falls ${\displaystyle X_{1},\dots X_{n},}$ unabhängige normalverteilte Zufallsvariablen mit Erwartungswert ${\displaystyle \mu }$ und Standardabweichung ${\displaystyle \sigma }$ sind, dann gilt

${\displaystyle U_{i}=(X_{i}-\mu )/\sigma \;}$

ist standardnormalverteilt für jedes ${\displaystyle i}$.

Jetzt kann man folgendes schreiben

${\displaystyle \sum _{i=1}^{n}U_{i}^{2}=\sum \limits _{i=1}^{n}\left({\frac {X_{i}-{\overline {X}}}{\sigma }}\right)^{2}+n\left({\frac {{\overline {X}}-\mu }{\sigma }}\right)^{2}}$

Damit man diese Identität erkennt, muss man auf beiden Seiten mit ${\displaystyle \sigma }$ multiplizieren und beachten, dass gilt

${\displaystyle \sum _{i=1}^{n}(X_{i}-\mu )^{2}=\sum _{i=1}^{n}(X_{i}-{\overline {X}}+{\overline {X}}-\mu )^{2}}$

und erweitert, um zu zeigen

${\displaystyle \sum _{i=1}^{n}(X_{i}-{\overline {X}})^{2}+\sum _{i=1}^{n}({\overline {X}}-\mu )^{2}+2\sum _{i=1}^{n}(X_{i}-{\overline {X}})({\overline {X}}-\mu ).}$

Der dritte Term ist null, weil der Faktor

${\displaystyle \sum _{i=1}^{n}({\overline {X}}-X_{i})=0}$

ist, und der zweite Term besteht nur aus ${\displaystyle n}$ identischen Termen, die zusammengefügt wurden.

Kombiniert man die obigen Ergebnisse und teilt anschließend durch ${\displaystyle \sigma ^{2}}$, dann erhält man:

${\displaystyle \sum _{i=1}^{n}\left({\frac {X_{i}-\mu }{\sigma }}\right)^{2}=\sum _{i=1}^{n}\left({\frac {X_{i}-{\overline {X}}}{\sigma }}\right)^{2}+n\left({\frac {{\overline {X}}-\mu }{\sigma }}\right)^{2}=Q_{1}+Q_{2}.}$

Jetzt ist der Rang von ${\displaystyle Q_{2}}$ gerade gleich 1 (es ist das Quadrat von nur einer Linearkombination der standardnormalverteilten Zufallsvariablen). Der Rang von ${\displaystyle Q_{1}}$ ist gleich ${\displaystyle n-1}$, und daher sind die Bedingungen des Satzes von Cochran erfüllt.

Der Satz von Cochran besagt dann, dass ${\displaystyle Q_{1}}$ und ${\displaystyle Q_{2}}$ unabhängig sind, mit einer Chi-Quadrat-Verteilung mit ${\displaystyle n-1}$ und ${\displaystyle 1}$ Freiheitsgrad.

Dies zeigt, dass der Mittelwert und die Varianz unabhängig sind; Ferner gilt

${\displaystyle ({\overline {X}}-\mu )^{2}\sim {\frac {\sigma ^{2}}{n}}\chi _{1}^{2}.}$

Um die unbekannte Varianz der Grundgesamtheit ${\displaystyle \sigma ^{2}}$ zu schätzen, wird ein häufig verwendeter Schätzer benutzt

${\displaystyle {\hat {\sigma }}^{2}={\frac {1}{n}}\sum _{i=1}^{n}\left(X_{i}-{\overline {X}}\right)^{2}.}$

Der Satz von Cochran zeigt, dass

${\displaystyle {\hat {\sigma }}^{2}\sim {\frac {\sigma ^{2}}{n}}\chi _{n-1}^{2},}$

was zeigt, dass der Erwartungswert von ${\displaystyle {\hat {\sigma }}^{2}}$ gleich ${\displaystyle \sigma ^{2}{\frac {n-1}{n}}}$ ist.

Beide Verteilungen sind proportional zur wahren aber unbekannten Varianz ${\displaystyle \sigma ^{2}}$ Daher ist ihr Verhältnis unabhängig von ${\displaystyle \sigma ^{2}}$, und weil sie unabhängig sind, erhält man

${\displaystyle {\frac {\left({\overline {X}}-\mu \right)^{2}}{{\frac {1}{n}}\sum _{i=1}^{n}\left(X_{i}-{\overline {X}}\right)^{2}}}\sim F_{1,n}}$,

wobei ${\displaystyle F_{1,n}}$ die F-Verteilung mit ${\displaystyle 1}$ und ${\displaystyle n}$ Freiheitsgraden darstellt (siehe auch Studentsche t-Verteilung).

Literatur

• Cochran, W. G.: The distribution of quadratic forms in a normal system, with applications to the analysis of covariance. Mathematical Proceedings of the Cambridge Philosophical Society 30 (2): 178–191, 1934.
• Bapat, R. B.: Linear Algebra and Linear Models. Zweite Auflage (1990). Springer. ISBN 978-0-387-98871-9