Verteilung der Stichprobenvarianz

Grundbegriffe

Stichprobenvarianz

Gegeben sei eine Grundgesamtheit mit der Zufallsvariablen $X\;$ mit $E[X]=\mu$ und $Var(X)=\sigma ^{2}$.

Aus dieser Grundgesamtheit wird eine Zufallsstichprobe vom Umfang $n$ gezogen.

Der Stichprobenvarianz liegt die Summe der quadrierten Abweichungen der Stichprobenvariablen $X_{i}\;(i=1,\ldots ,n)$ vom Mittelwert der Grundgesamtheit zugrunde.

Abhängig von den Informationen, die über den Mittelwert bekannt sind, gibt es unterschiedliche Definitionen der Stichprobenvarianz.

Erwartungswert der Grundgesamtheit bekannt

In diesem Fall ist die Stichprobenvarianz gegeben durch

$S^{*2}={\frac {1}{n}}\cdot \sum \limits _{i=1}^{n}(X_{i}-\mu )^{2}$

Erwartungswert der Grundgesamtheit unbekannt

Da der Erwartungswert $\mu$ der Grundgesamtheit unbekannt ist, muss er durch den Stichprobenmittelwert ${\bar {X}}$ ersetzt werden.

Es wird dann im Allgemeinen die Stichprobenvarianz

$S^{2}={\frac {1}{n-1}}\cdot \sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}$

verwendet.

Analog zur deskriptiven Statistik kann die Stichprobenvarianz auch als

$S^{\prime 2}={\frac {1}{n}}\cdot \sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}$

definiert werden.

Verteilung der Stichprobenvarianz

Die Ableitung der Verteilung der Stichprobenvarianzen $S^{*2}$ und $S^{2}$ soll für den Fall einer normalverteilten Grundgesamtheit, d.h. $X\sim N(\mu ;\;\sigma )$, und einer einfachen Zufallsstichprobe erfolgen.

Entsprechend dieser Voraussetzungen gilt, dass die Stichprobenvariablen $X_{i}\;(i=1,\ldots ,n)$ unabhängig voneinander und ebenfalls normalverteilt mit $E\left[X_{i}\right]=\mu$ und $Var(X_{i})=\sigma ^{2}$ sind:

$X_{i}\sim N(\mu ,\;\sigma )$ für alle $i=1,\ldots ,n$

Weiterhin ist der Stichprobenmittelwert ${\bar {X}}$ normalverteilt mit $E\left[{\bar {X}}\right]=\mu$ und $Var({\bar {X}})=\sigma ^{2}({\bar {x}})={\frac {\sigma ^{2}}{n}}$:

${\bar {X}}\sim N(\mu ,\sigma ({\bar {X}}))$

Verteilung der Stichprobenvarianz bei bekanntem Erwartungswert

Aus der Definition der Stichprobenvarianz $S^{*2}\;$ folgt:

$n\cdot S^{*2}=\sum \limits _{i=1}^{n}(X_{i}-\mu )^{2}$

und nach Division durch $\sigma ^{2}$

${\frac {n\cdot S^{2}}{\sigma ^{2}}}={\frac {1}{\sigma ^{2}}}\cdot \sum \limits _{i=1}^{n}(X_{i}-\mu )^{2}=\sum \limits _{i=1}^{n}\left({\frac {X_{i}-\mu }{\sigma }}\right)^{2}$

Mit diesem Ergebnis können folgende Aussagen getroffen werden:

• ${\frac {X_{i}-\mu }{\sigma }}$ sind standardisierte Zufallsvariablen ($i=1,\ldots ,n$).
• Diese standardisierten Zufallsvariablen sind standardnormalverteilt, da die $X_{i}\;$ normalverteilt sind.
• Diese standardisierten Zufallsvariablen sind unabhängig, da eine einfache Zufallsstichprobe gezogen wird.
• Der Ausdruck ${\frac {n\cdot S^{*2}}{\sigma ^{2}}}$ beinhaltet somit die Summe von quadrierten unabhängigen standardnormalverteilten Zufallsvariablen.

Nun ist bekannt, dass die Summe von $n$ voneinander unabhängigen und identisch standardnormalverteilten Zufallsvariablen Chi-Quadrat-verteilt ist.

Damit ergibt sich:

${\frac {n\cdot S^{*2}}{\sigma ^{2}}}$ folgt einer Chi-Quadrat-Verteilung mit dem Parameter $f$.

Die Verteilung von $S^{*2}\;$ lässt sich somit nicht direkt, sondern nur über die transformierte Zufallsvariable ${\frac {n\cdot S^{*2}}{\sigma ^{2}}}$ angeben.

Da $n$ und $\sigma ^{2}$ jedoch Konstanten sind, können auch Wahrscheinlichkeitsaussagen für die Stichprobenfunktion $S^{*2}$ gemacht werden.

Der Parameter $f$ ist die Anzahl der Freiheitsgrade, die der Anzahl der unabhängigen Summanden, d.h. der Anzahl der standardisierten Zufallsvariablen ${\frac {X_{i}-\mu }{\sigma }}$, entspricht.

In diesem Fall ist $f=n$, da bei einer einfachen Zufallsstichprobe alle Stichprobenvariablen $X_{i}\;$ unabhängig voneinander sind.

Für Erwartungswert und Varianz von $S^{*2}$ ergibt sich:

$E\left[S^{*2}\right]=\sigma ^{2},\qquad Var(S^{*2})={\frac {2\sigma ^{4}}{n}}$

Verteilung der Stichprobenvarianz bei unbekanntem Erwartungswert

Die Ableitung der Verteilung der Stichprobenvarianz $S^{2}\;$ erfolgt in analoger Weise.

Aus der Definition der Stichprobenvarianz $S^{2}\;$ folgt: $(n-1)\cdot S^{2}=\sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}$

und nach Division durch $\sigma ^{2}$

${\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}={\frac {1}{\sigma ^{2}}}\cdot \sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}=\sum \limits _{i=1}^{n}\left({\frac {X_{i}-{\bar {X}}}{\sigma }}\right)^{2}$

Da für dieses Ergebnis ebenfalls die obigen Aussagen zutreffen, ergibt sich:

${\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}$ folgt einer Chi-Quadrat-Verteilung mit dem Parameter $f$.

Auch die Verteilung von $S^{2}\;$ lässt sich nicht direkt, sondern nur über die transformierte Zufallsvariable ${\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}$ angeben.

Mit Hilfe der Verteilung von ${\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}$ kann man aber zu Wahrscheinlichkeitsaussagen über die Stichprobenfunktion $S^{2}$ gelangen, da $n$ und $\sigma ^{2}$ Konstanten sind.

Der Parameter $f$ als Anzahl der Freiheitsgrade ist $f=n-1$. Dies lässt sich wie folgt begründen:

Der Stichprobenmittelwert ist als das arithmetische Mittel aus den Stichprobenvariablen definiert: ${\bar {X}}=\sum \limits _{i}{\frac {X_{i}}{n}}$.

Damit gilt aber die Nulleigenschaft des arithmetischen Mittels, die besagt, dass die Summe der Abweichungen der Stichprobenvariablen vom Stichprobenmittelwert gleich Null ist:

$\sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})=\sum \limits _{i=1}^{n}X_{i}-n\cdot {\bar {X}}=0$

Aufgrund dieser linearen Beziehung sind die Zufallsvariablen $X_{i}-{\bar {X}}\quad (i=1,\ldots ,n)$ insgesamt nicht mehr unabhängig.

Nur $n-1$ Zufallsvariablen sind unabhängig, denn sie können frei variieren.

Die Realisation der $n$-ten Zufallsvariablen liegt dann fest, um die Beziehung einzuhalten.

An dieser Eigenschaft ändert die Quadrierung und die Division durch $\sigma ^{2}$ nichts, so dass für ${\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}$ die Anzahl der unabhängigen Summanden und damit die Anzahl der Freiheitsgrade $f=n-1$ ist.

Für Erwartungswert und Varianz von $S^{2}\;$ ergibt sich:

$E\left[S^{2}\right]=\sigma ^{2},\qquad Var(S^{2})={\frac {2\sigma ^{4}}{n-1}}$

Zusatzinformationen

Zentrale Schwankungsintervalle

Bei bekannter Varianz $\sigma ^{2}$ einer normalverteilten Grundgesamtheit lässt sich die Wahrscheinlichkeit berechnen, dass die Stichprobenvarianz $S^{*2}\;$ Werte in einem zentralen Schwankungsintervall mit der Sicherheitswahrscheinlichkeit $1-\alpha$ annimmt.

Es ist

$P\left(v_{1}\leq {\frac {n\cdot S^{*2}}{\sigma ^{2}}}\leq v_{2}\right)=1-\alpha$

Die Wahrscheinlichkeit, dass $nS^{*2}/\sigma ^{2}$ nach unten bzw. nach oben aus dem Intervall herausfällt, beträgt:

$P\left({\frac {n\cdot S^{*2}}{\sigma ^{2}}}<v_{1}\right)={\frac {\alpha }{2}};\quad P\left({\frac {n\cdot S^{2}}{\sigma ^{*2}}}>v_{2}\right)={\frac {\alpha }{2}}$

Für $f=n$ findet man die Grenzen des Intervalls aus der Tabelle der Verteilungsfunktion der Chi-Quadrat-Verteilung als

$v_{1}=\chi _{{\frac {\alpha }{2}};n}^{2}\,;\quad v_{2}=\chi _{1-{\frac {\alpha }{2}};n}^{2}$

Damit wird

$P\left(\chi _{{\frac {\alpha }{2}};n}^{2}\leq {\frac {n\cdot S^{*2}}{\sigma ^{2}}}\leq \chi _{1-{\frac {\alpha }{2}};n}^{2}\right)=1-\alpha$

Durch Umformung ergibt sich ein zentrales Schwankungsintervall für $S^{*2}\;$:

$P\left({\frac {\sigma ^{2}\cdot \chi _{{\frac {\alpha }{2}};n}^{2}}{n}}\leq S^{*2}\leq {\frac {\sigma ^{2}\cdot \chi _{1-{\frac {\alpha }{2}};n}^{2}}{n}}\right)=1-\alpha$

Unter Berücksichtigung von $f=n-1$ kann mit gleichen Überlegungen das zentrale Schwankungsintervall für $S^{2}\;$ bestimmt werden:

$P\left({\frac {\sigma ^{2}\cdot \chi _{{\frac {\alpha }{2}};n-1}^{2}}{n-1}}\leq S^{2}\leq {\frac {\sigma ^{2}\cdot \chi _{1-{\frac {\alpha }{2}};n-1}^{2}}{n-1}}\right)=1-\alpha$

Herleitung des Erwartungswertes der Stichprobenvarianz

Bei bekanntem Erwartungswert der Grundgesamtheit

Bei bekanntem Erwartungswert der Grundgesamtheit $\mu$ ist die Stichprobenvarianz gegeben durch

$S^{*2}={\frac {1}{n}}\cdot \sum \limits _{i=1}^{n}(X_{i}-\mu )^{2}$

Für den Erwartungswert von $S^{*2}$ ergibt sich:

$E\left[S^{*2}\right]\;$	$=E\left[{\frac {1}{n}}\cdot \sum \limits _{i=1}^{n}(X_{i}-\mu )^{2}\right]={\frac {1}{n}}\cdot E\left[\sum \limits _{i=1}^{n}(X_{i}-\mu )^{2}\right]$
	$={\frac {1}{n}}\cdot \sum \limits _{i=1}^{n}E\left[(X_{i}-\mu )^{2}\right]\ ={\frac {1}{n}}\cdot \sum \limits _{i=1}^{n}\sigma ^{2}={\frac {1}{n}}\cdot n\cdot \sigma ^{2}$
	$=\sigma ^{2}\;$

Dabei wurde die Tatsache berücksichtigt, dass alle Stichprobenvariablen $X_{i}\;$ die Varianz $Var(X_{i})=E\left[(X_{i}-\mu )^{2}\right]=\sigma ^{2}$ haben.

Bei unbekanntem Erwartungswert der Grundgesamtheit

Bei unbekanntem Erwartungswert der Grundgesamtheit $\mu$ ist die Stichprobenvarianz gegeben durch

$S^{2}={\frac {1}{n-1}}\cdot \sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}$

Zunächst einige Zwischenbetrachtungen. Grundsätzlich lässt sich die Varianz einer Zufallsvariablen $X\;$ wie folgt schreiben:

$Var(X)\;$	$=E\left[(X-E[X])^{2}\right]=E\left[X^{2}-2\cdot X\cdot E[X]+(E[X])^{2}\right]$
	$=E\left[X^{2}\right]-2\cdot E[X]\cdot E[X]+\left(E\left[X\right]\right)^{2}$
	$=E\left[X^{2}\right]-\left(E[X]\right)^{2}\;$

Daraus folgt:

$E\left[X^{2}\right]=Var(X)+\left(E[X]\right)^{2}$

Dieses Ergebnis wird auf die Stichprobenvariablen $X_{i}\;$ und den Stichprobenmittelwert ${\bar {X}}$ angewandt:

$E\left[X_{i}^{2}\right]$	$=Var(X_{i})+[E(X_{i})]^{2}=\sigma ^{2}+\mu ^{2}\;$
$E\left[{\bar {X}}^{2}\right]$	$=Var({\bar {X}})+[E({\bar {X}})]^{2}={\frac {\sigma ^{2}}{n}}+\mu ^{2}$

Weiterhin ist unter Berücksichtigung dieser Resultate:

$E\left[\sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}\right]$	$=E\left[\sum \limits _{i=1}^{n}X_{i}^{2}-2\cdot {\bar {X}}\sum \limits _{i=1}^{n}X_{i}+n\cdot {\bar {X}}^{2}\right]=E\left[\sum \limits _{i=1}^{n}X_{i}^{2}-2\cdot n\cdot {\bar {X}}^{2}+n\cdot {\bar {X}}^{2}\right]$
	$=E\left[\sum \limits _{i=1}^{n}X_{i}^{2}-n\cdot {\bar {X}}^{2}\right]=E\left[\sum \limits _{i=1}^{n}X_{i}^{2}\right]-E\left[n\cdot {\bar {X}}^{2}\right]$
	$=\sum \limits _{i=1}^{n}E\left[X_{i}^{2}\right]-n\cdot E\left[{\bar {X}}^{2}\right]=\sum \limits _{i=1}^{n}(\sigma ^{2}+\mu ^{2})-n\cdot \left({\frac {\sigma ^{2}}{n}}+\mu ^{2}\right)$
	$=n\cdot \sigma ^{2}+n\cdot \mu ^{2}-\sigma ^{2}-n\cdot \mu ^{2}$
	$=(n-1)\cdot \sigma ^{2}$

Somit erhält man für den Erwartungswert der Stichprobenvarianz $S^{2}\;$:

$E\left[S^{2}\right]=E\left[{\frac {1}{n-1}}\cdot \sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}\right]={\frac {1}{n-1}}\cdot E\left[\sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}\right]={\frac {1}{n-1}}\cdot (n-1)\cdot \sigma ^{2}=\sigma ^{2}$

Herleitung der Varianz der Stichprobenvarianz

Bei bekanntem Erwartungswert in der Grundgesamtheit

Bei bekanntem Erwartungswert der Grundgesamtheit $\mu$ ist die Stichprobenvarianz gegeben durch

$S^{*2}={\frac {1}{n}}\cdot \sum \limits _{i=1}^{n}(X_{i}-\mu )^{2}$

Die Varianz einer Chi-Quadrat-verteilten Zufallsvariable mit dem Parameter $f$ ist $2\cdot f$.

Da ${\frac {n\cdot S^{*2}}{\sigma ^{4}}}$ einer Chi-Quadrat-Verteilung mit dem Parameter $f=n$ folgt, ergibt sich:

$Var\left({\frac {n\cdot S^{*2}}{\sigma ^{4}}}\right)={\frac {n^{2}}{\sigma ^{4}}}\cdot Var(S^{*2})=2\cdot n$

und damit

$Var(S^{*2})={\frac {2\sigma ^{4}}{n}}$

Bei unbekanntem Erwartungswert in der Grundgesamtheit

Bei unbekanntem Erwartungswert der Grundgesamtheit $\mu$ ist die Stichprobenvarianz gegeben durch

$S^{2}={\frac {1}{n-1}}\cdot \sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}$

Da ${\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}$ einer Chi-Quadrat-Verteilung mit dem Parameter $f=n-1$ folgt, ergibt sich:

$Var\left({\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}\right)={\frac {(n-1)^{2}}{\sigma ^{4}}}\cdot Var(S^{2})=2\cdot (n-1)$

und damit

$Var(S^{2})={\frac {2\cdot \sigma ^{4}}{n-1}}$

Analog zur deskriptiven Statistik kann die Stichprobenvarianz auch als

$S^{\prime 2}={\frac {1}{n}}\cdot \sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}$

definiert werden.

Zur Herleitung des Erwartungswertes $S^{\prime 2}$ werden alle vorherigen Zwischenergebnisse verwendet, so dass folgt:

$E\left[S^{\prime 2}\right]=E\left[{\frac {1}{n}}\cdot \sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}\right]={\frac {1}{n}}\cdot E\left[\sum \limits _{i=1}^{n}(X_{i}-{\bar {X}})^{2}\right]={\frac {n-1}{n}}\cdot \sigma ^{2}$

Der Erwartungswert dieser Stichprobenvarianz $S^{\prime 2}$ ist nicht gleich der Varianz der Grundgesamtheit.

Dies ist der Grund dafür, dass sie in der induktiven Statistik weniger Anwendung findet.

Beispiele

Arbeitsgang

Für die Beurteilung der Gleichmäßigkeit der benötigten Zeit von Arbeitsgängen wird vielfach die Streuung herangezogen.

Die von einem Arbeiter benötigte Zeit für einen bestimmten Arbeitsgang ist die Zufallsvariable $X\;$ in der Grundgesamtheit.

$X\;$ sei normalverteilt mit $E[X]=\mu$ und $Var(X)=\sigma ^{2}$.

Es wird eine Zufallsstichprobe vom Umfang $n$ gezogen.

Da die Grundgesamtheit aus allen möglichen Zeitmessungen für den gleichen Arbeitsgang, ausgeführt von demselben Arbeiter, besteht und deshalb als sehr groß angesehen werden kann, wird von der Realisierung einer einfachen Zufallsstichprobe ausgegangen.

Die Stichprobenvariablen $X_{i}=\;$ "i-te Zeitmessung für den Arbeitsgang" $(i=1,\ldots ,n)$ sind somit unabhängig voneinander und identisch normalverteilt.

Berechnung der Wahrscheinlichkeit

Es wird eine Zufallsstichprobe vom Umfang $n=15$ gezogen.

Wie groß ist die Wahrscheinlichkeit, dass die Stichprobenvarianz $S^{2}\;$ Werte im Intervall $\left[0,5\cdot \sigma ^{2};1,5\cdot \sigma ^{2}\right]$ annimmt?

Gesucht ist somit $P\left(0,5\cdot \sigma ^{2}\leq s^{2}\leq 1,5\cdot \sigma ^{2}\right)$.

Zur Lösung wird jede Seite der Ungleichung mit ${\frac {n-1}{\sigma ^{2}}}$ erweitert:

$P\left(0,5\cdot \sigma ^{2}\leq S^{2}\leq 1,5\cdot \sigma ^{2}\right)$	$=P\left({\frac {n-1}{\sigma ^{2}}}\cdot 0,5\cdot \sigma ^{2}\leq {\frac {n-1}{\sigma ^{2}}}\cdot S^{2}\leq {\frac {n-1}{\sigma ^{2}}}\cdot 1,5\cdot \sigma ^{2}\right)$
	$=P\left((n-1)\cdot 1,5\leq {\frac {n-1}{\sigma ^{2}}}\cdot S^{2}\leq (n-1)\cdot 1,5\right)$

Mit $n-1=14$ folgt:

$P\left(0,5\cdot \sigma ^{2}\leq S^{2}\leq 1,5\cdot \sigma ^{2}\right)=P\left(7\leq {\frac {n-1}{\sigma ^{2}}}\cdot S^{2}\leq 21\right)$

Die Wahrscheinlichkeit, dass die Stichprobenvarianz $S^{2}\;$ Werte zwischen $0,5\cdot \sigma ^{2}$ und $1,5\cdot \sigma ^{2}$ annimmt, ist identisch mit der Wahrscheinlichkeit, dass die transformierte Zufallsvariable ${\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}$ Werte zwischen 7 und 21 annimmt.

Die Zufallsvariable ${\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}$ ist Chi-Quadrat-verteilt mit $f=n-1=14$ Freiheitsgraden, so dass die gesuchte Wahrscheinlichkeit mittels Tabellen der Verteilungsfunktion der Chi-Quadrat-Verteilung bzw. über Computerberechnungen bestimmt werden kann:

$P\left(0,5\cdot \sigma ^{2}\leq S^{2}\leq 1,5\cdot \sigma ^{2}\right)$	$=P\left(7\leq {\frac {n-1}{\sigma ^{2}}}\cdot S^{2}\leq 21\right)$
	$=P\left({\frac {n-1}{\sigma ^{2}}}\cdot S^{2}\leq 21\right)-P\left({\frac {n-1}{\sigma ^{2}}}\cdot S^{2}\leq 7\right)$
	$\,=0,8984-0,0653=0,8331$

Die Wahrscheinlichkeit, dass die Stichprobenvarianz $S^{2}\;$ Werte im Intervall $\left[0,5\cdot \sigma ^{2};1,5\cdot \sigma ^{2}\right]$ annimmt, beträgt 0,8331.

Die folgende Grafik zeigt die Dichtefunktion der Chi-Quadrat-Verteilung mit $f=14$, wobei $Y={\frac {(n-1)S^{2}}{\sigma ^{2}}}$ repräsentiert.

<R output="display"> pdf(rpdf,height=7,width=7) curve(from=0, to=35, dchisq(x, df=14), xaxt="n", , yaxt="n", ylab="f(y)", xlab="y", col="blue", ylim=c(0.0,0.09), lty=1, lwd=4, font.lab=2, "xaxs"="i" ,"yaxs"="i", bty="l") axis( side=1, at=3.5*c(0:10), tick=TRUE) axis( side=2, at=0.03*c(0:3), tick=TRUE) par(new=TRUE) xx <-c(7:21, 21:7) yy <-c(c(dchisq(c(7:21), df=14)),c(rep(0,15))) polygon(xx, yy, col="palegreen", border=NA) par(new=TRUE) curve(from=0, to=35, dchisq(x, df=14), xaxt="n", , yaxt="n", ylab="f(y)", xlab="y", col="blue", ylim=c(0.0,0.09), lty=1, lwd=4, font.lab=2, "xaxs"="i" ,"yaxs"="i", bty="l") abline(v=7, col="black", lwd=1, lty=2) abline(v=21, col="black", lwd=1, lty=2) </R>

Zentrales Schwankungsintervall der Stichprobenvarianz

Es soll ein zentrales Schwankungsintervall für die Stichprobenvarianz $S^{2}\;$ mit der Sicherheitswahrscheinlichkeit $1-\alpha =0.95$ bestimmt werden, wenn die gleiche Grundgesamtheit vorausgesetzt und eine Zufallsstichprobe vom Umfang $n=30$ gezogen wird.

Aufgrund von

$P\left(v_{1}\leq {\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}\leq v_{2}\right)=0,95$

und

$P\left({\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}\leq v_{1}\right)=0,025;\qquad P\left({\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}\leq v_{2}\right)=0,975$

findet man in der Tabelle der Verteilungsfunktion der Chi-Quadrat-Verteilung mit $f=29$ Freiheitsgraden:

$v_{1}=16,05$ und $v_{2}=45,72$.

Damit wird:

$P\left(16,05\leq {\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}\leq 45,72\right)=0,95$

Mit einer Wahrscheinlichkeit von 0,95 nimmt die transformierte Zufallsvariable ${\frac {(n-1)\cdot S^{2}}{\sigma ^{2}}}$ Werte im Intervall $\left[16,05;\;45,72\right]$ an.

Durch Umformung ergibt sich ein zentrales Schwankungsintervall für $S^{2}\;$:

$P\left({\frac {16,05\cdot \sigma ^{2}}{n-1}}\leq S^{2}\leq {\frac {45,72\cdot \sigma ^{2}}{n-1}}\right)=0,95$

$P\left(0,5534\cdot \sigma ^{2}\leq S^{2}\leq 1,5766\cdot \sigma ^{2}\right)=0,95\;$

Mit einer Wahrscheinlichkeit von 0,95 nimmt die Stichprobenvarianz $S^{2}\;$ Werte im Intervall $\left[0,5534\cdot \sigma ^{2};1,5766\cdot \sigma ^{2}\right]$ an.

Die Grenzen des Intervalls können nur bestimmt werden, wenn die Varianz $\sigma ^{2}$ der Zufallsvariablen $X=\;$ "benötigte Zeit für einen bestimmten Arbeitsgang" in der Grundgesamtheit bekannt ist.