분포의 합을 이용한다.
ex. x_i \sim \exp(\lambda)
\kern{10pt} f_{X_i}(x) = \lambda e^{-\lambda x}~I(x>0)
\\[10pt]
E(X_i) = {1\over\lambda}_,
\kern{10pt}
\hat\lambda = {1\over\overline{X}}_.
\begin{align*}
1-\alpha &= P\Big(a < \hat\lambda < b\Big)
= P\bigg(a<{1\over\overline{X}}<b\bigg)
\\[15pt]
&= P\bigg({1\over b}<\overline{X}
<{1\over a}\bigg)
\\[15pt]
&=P\bigg({n\over b}<\sum X_i<
{n\over a}\bigg)
\end{align*}
여기서 양변에 람다를 곱해준다.
\begin{align*}
&P\bigg({\lambda n \over b}<
\lambda \sum X_i<
{\lambda n\over a}\bigg)
\\[20pt]
&P\bigg({\lambda n\over b}<~U~<
{\lambda n\over a}\bigg)
\end{align*}
이때, U = \sum X_i \sim Gamma(n, 1).
따라서 신뢰구간을 쓰면 다음과 같다.
\begin{align*}
&P\bigg(U_{1-{\alpha\over2}} < \lambda\sum X_i < U_{1-{\alpha\over2}}\bigg)
\\[15pt]
&P\Bigg(
{U_{1-{\alpha\over2}} \over \sum X_i}
< \lambda < {U_{{\alpha\over2}}\over\sum X_i}\Bigg)
\end{align*}
\therefore~\lambda의 100(1-\alpha)% CI C.I.
\Bigg[
{U_{1-{\alpha\over2}} \over \sum X_{i}}_,\kern{5pt}
{U_{{\alpha\over2}}\over\sum X_i}\Bigg]_.
\kern{15pt}
U \sim Gamma(n, 1)
P(U \le u_{1-{\alpha \over 2}}) = {\alpha \over 2}_.
\kern{15pt}
P(U \le u_{{\alpha \over 2}}) = {\alpha\over2}_.