distribuție {\ displaystyle \ chi ^ {2}} nu central |
---|
Funcția densității probabilității |
Funcția de distribuție |
Parametrii | {\ displaystyle k \ in \ mathbb {N} \ setminus \ {0 \} \} ( grade de libertate ) {\ displaystyle \ lambda \ geqslant 0 \} non-centralitate |
---|
A sustine | {\ displaystyle x \ in [0, \ infty [} |
---|
Funcția de densitate | {\ displaystyle {\ frac {1} {2}} e ^ {- (x + \ lambda) / 2} \ left ({\ frac {x} {\ lambda}} \ right) ^ {k / 4-1 / 2} I_ {k / 2-1} ({\ sqrt {\ lambda x}})} |
---|
Funcția de distribuție | {\ displaystyle \ sum _ {j = 0} ^ {\ infty} e ^ {- \ lambda / 2} {\ frac {(\ lambda / 2) ^ {j}} {j!}} {\ frac {\ gamma (j + k / 2, x / 2)} {\ Gamma (j + k / 2)}}} |
---|
Valorea estimata | {\ displaystyle k + \ lambda} |
---|
Varianța | {\ displaystyle 2 (k + 2 \ lambda)} |
---|
Indicele de asimetrie | {\ displaystyle {\ frac {2 ^ {3/2} (k + 3 \ lambda)} {(k + 2 \ lambda) ^ {3/2}}}} |
---|
Curios | {\ displaystyle {\ frac {12 (k + 4 \ lambda)} {(k + 2 \ lambda) ^ {2}}}} |
---|
Funcție generatoare de momente | {\ displaystyle {\ frac {e ^ {\ lambda t / (1-2t)}} {(1-2t) ^ {k / 2}}}} pentru {\ displaystyle 2t <1} |
---|
Funcția caracteristică | {\ displaystyle {\ frac {e ^ {i \ lambda t / (1-2it)}} {(1-2it) ^ {k / 2}}}} |
---|
Manual |
În teoria probabilității o distribuție {\ displaystyle \ chi ^ {2}} non-central ( chi- pătrat sau chi-pătrat), este o distribuție de probabilitate care generalizează distribuția {\ displaystyle \ chi ^ {2}} , descriind suma pătratelor variabilelor aleatorii cu distribuții normale reduse, dar nu centrate.
În statistici este utilizat pentru analiza varianței și pentru unele teste de testare a ipotezelor .
Definiție
Distributia {\ displaystyle \ chi ^ {2} (k, \ lambda)} descrie variabila aleatorie
- {\ displaystyle \ textstyle X ^ {2} = \ sum _ {i = 1} ^ {k} X_ {i} ^ {2} = X_ {1} ^ {2} + \ ldots + X_ {k} ^ { 2}} ,
unde este {\ displaystyle X_ {1}, ..., X_ {k}} sunt variabile aleatoare variabile independente cu distribuții normale reduse (dar nu neapărat centrate ) {\ displaystyle {\ mathcal {N}} (\ mu _ {1}, 1), ..., {\ mathcal {N}} (\ mu _ {k}, 1)} , ale căror valori așteptate satisfac
- {\ displaystyle \ textstyle \ lambda = \ sum _ {i = 1} ^ {k} \ mu _ {i} ^ {2}} .
Parametrul k se numește numărul de grade de libertate e {\ displaystyle \ lambda} este parametrul necentralității . (Notația pentru {\ displaystyle \ lambda} nu este uniformă: unii autori iau {\ displaystyle \ lambda} egală cu jumătate sau rădăcina pătrată a acestei sume.)
În special pentru {\ displaystyle \ lambda = 0} variabilele {\ displaystyle X_ {i}} sunt centrate și obținem din nou distribuția χ 2 :
- {\ displaystyle \ chi ^ {2} (k, 0) = \ chi ^ {2} (k) \}
Este posibil să se definească distribuția non-centrală χ 2 și prin intermediul variabilelor aleatoare independente {\ displaystyle Y_ {1}, ..., Y_ {i}} de distribuție normală standard {\ displaystyle {\ mathcal {N}} (0,1)} , luând {\ displaystyle X_ {i} = Y_ {i} + \ mu _ {i}} , adică
- {\ displaystyle \ textstyle X ^ {2} = \ sum _ {i = 1} ^ {k} (Y_ {i} + \ mu _ {i}) ^ {2} \} .
Independența lui λ
Distributia {\ displaystyle \ chi ^ {2} (k, \ lambda)} depinde de λ și nu de valorile unice μ i .
De fapt, pe spațiul euclidian de dimensiune k , putem considera vectorii
- {\ displaystyle {\ bar {X}} = (X_ {1}, \ \ ldots, \ X_ {k}) = (Y_ {1}, \ \ ldots, \ Y_ {k}) + (\ mu _ { 1}, \ ldots, \ \ mu _ {k}) = {\ bar {Y}} + {\ bar {\ mu}}} ;
distribuția probabilității vectorului normal multivariat {\ displaystyle {\ bar {Y}}} este izotrop , adică invariant prin izometrie . În special variabila aleatorie {\ displaystyle X ^ {2}} , care este pătratul normei din {\ displaystyle {\ bar {X}} = {\ bar {Y}} + {\ bar {\ mu}}} , depinde de {\ displaystyle \ mu _ {i}} numai în ceea ce privește norma de {\ displaystyle (\ mu _ {1}, ..., \ mu _ {k})} , adică {\ displaystyle {\ sqrt {\ lambda}}} .
Proprietate
Sumă
Prin definiție, suma variabilelor aleatorii non-centrale ale distribuțiilor χ 2 este încă o variabilă aleatorie non-centrală a distribuției χ 2 (suma pătratelor variabilelor normale reduse).
Mai exact, suma a două variabile aleatorii cu distribuții {\ displaystyle \ chi ^ {2} (k ', \ lambda')} Și {\ displaystyle \ chi ^ {2} (k '', \ lambda '')} este o variabilă aleatorie cu distribuție {\ displaystyle \ chi ^ {2} (k, \ lambda)} , cu {\ displaystyle k = k '+ k' '} Și {\ displaystyle \ lambda ^ {2} = \ lambda '^ {2} + \ lambda' '^ {2}} .
Amestec de distribuții χ 2
Distribuția central 2 necentrală poate fi exprimată ca un amestec de distribuții χ 2 , ponderate în funcție de distribuția Poisson .
Cu alte cuvinte, este distribuția unei variabile aleatoare Z , dependentă de o variabilă aleatoare J a legii lui Poisson {\ displaystyle {\ mathcal {P}} (\ lambda / 2)} , cu distribuție condiționată a lui Z față de J dată de {\ displaystyle \ chi ^ {2} (k + 2J)} .
În special, se poate descrie χ 2 ( k , λ)
- densitatea probabilității {\ displaystyle f_ {k, \ lambda} = \ sum _ {j = 0} ^ {\ infty} {\ frac {e ^ {- \ lambda / 2} (\ lambda / 2) ^ {j}} {j !}} f_ {k + 2j, 0} (x),}
- și funcția de distribuție {\ displaystyle F_ {k, \ lambda} = \ sum _ {j = 0} ^ {\ infty} e ^ {- \ lambda / 2} {\ frac {(\ lambda / 2) ^ {j}} {j !}} F_ {k + 2j, 0}}
prin densitatea probabilității {\ displaystyle f_ {k + 2j, 0}} și funcția de distribuție {\ displaystyle F_ {k + 2j, 0}} a distribuțiilor χ 2 ( k +2 j ).
Caracteristici
Funcția generatoare de moment a distribuției necentrale χ 2 ( k , λ) este
- {\ displaystyle g (t) = E [e ^ {t} Z] = {\ frac {e ^ {\ lambda t / (1-2t)}} {(1-2t) ^ {k / 2}}} }
Primele momente simple de distribuție sunt
- {\ displaystyle \ mu '_ {1} = k + \ lambda}
- {\ displaystyle \ mu '_ {2} = (k + \ lambda) ^ {2} +2 (k + 2 \ lambda)}
- {\ displaystyle \ mu '_ {3} = (k + \ lambda) ^ {3} +6 (k + \ lambda) (k + 2 \ lambda) +8 (k + 3 \ lambda)}
- {\ displaystyle \ mu '_ {4} = (k + \ lambda) ^ {4} +12 (k + \ lambda) ^ {2} (k + 2 \ lambda) +4 (11k ^ {2} + 44k \ lambda +36 \ lambda ^ {2}) + 48 (k + 4 \ lambda)}
iar primele sale momente centrale sunt
- {\ displaystyle \ mu _ {2} = 2 (k + 2 \ lambda)}
- {\ displaystyle \ mu _ {3} = 8 (k + 3 \ lambda)}
- {\ displaystyle \ mu _ {4} = 12 (k + 2 \ lambda) ^ {2} +48 (k + 4 \ lambda)}
Funcția caracteristică a lui χ 2 ( k , λ) este [1]
- {\ displaystyle \ phi (t) = {\ frac {e ^ {it \ lambda / (1-i2t)}} {(1-i2t) ^ {k / 2}}}} .
Formule alternative
Probabilitate densitate
Densitatea probabilității {\ displaystyle f_ {k, \ lambda}} a distribuției necentrale χ 2 ( k , λ) poate fi descrisă prin alte formule.
O formulă alternativă este
- {\ displaystyle f_ {k, \ lambda} = {\ frac {1} {2}} e ^ {- (x + \ lambda) / 2} \ left ({\ frac {x} {\ lambda}} \ right ) ^ {k / 4-1 / 2} I_ {k / 2-1} ({\ sqrt {\ lambda x}})}
unde este
- {\ displaystyle I_ {a} (y): = (y / 2) ^ {a} \ sum _ {j = 0} ^ {\ infty} {\ frac {(y ^ {2} / 4) ^ {j }} {j! \ Gamma (a + j + 1)}}}
este o funcție Bessel modificată de primul fel.
O a treia formulă este [2]
- {\ displaystyle f (x) = e ^ {- {\ frac {\ lambda} {2}}} \ sum _ {r = 0} ^ {\ infty} {\ frac {({\ frac {\ lambda} { 2}}) ^ {r} \ e ^ {- {\ frac {x} {2}}} \ x ^ {{\ frac {n} {2}} + r-1}} {2 ^ {{\ frac {n} {2}} + r} \ r! \ \ Gamma ({\ frac {n} {2}} + r)}} = {\ frac {e ^ {- {\ frac {x + \ lambda } {2}}}} {x}} ({\ frac {x} {2}}) ^ {\ frac {n} {2}} \ sum _ {r = 0} ^ {\ infty} {\ frac {({\ frac {\ lambda} {2}}) ^ {r} \ x ^ {r}} {2 ^ {r} \ r! \ \ Gamma ({\ frac {n} {2}} + r )}}} pentru {\ displaystyle x> 0}
Funcția de distribuție
De asemenea, funcția de distribuție {\ displaystyle F_ {k, \ lambda}} a distribuției necentrale χ 2 ( k , λ) poate fi descrisă prin alte formule. În special, în statistici au fost propuse unele metode pentru a încerca să calculeze unele valori {\ displaystyle F_ {k, \ lambda} (x_ {0})} .
O formulă recursivă , bazată pe funcția de distribuție a distribuției χ 2 (centrală) este [3]
- {\ displaystyle \ textstyle F_ {k, \ lambda} (x) = F _ {{\ frac {n} {2}}, 0} (x) + \ sum _ {r> 0} P_ {r} ({ \ frac {x} {2}}) \}
unde este
- {\ displaystyle \ textstyle P_ {0} (x) = 0 \ qquad P_ {1} (x) = {\ frac {\ lambda} {2}} {\ frac {e ^ {- x} x ^ {n / 2}} {\ Gamma (n / 2 + 1)}}}
- {\ displaystyle \ textstyle P_ {r} (x) = {\ frac {\ lambda ^ {2}} {4}} {\ frac {2 (r-2)} {r (r-1) (n / 2 + r-1)}} P_ {r-2} (x) - {\ frac {\ lambda} {2}} {\ frac {n / 2 + 2r-3-x} {r (n / 2 + r -1)}} P_ {r-1} (x)}
În schimb, valorile aproximative pot fi obținute prin distribuția Gamma și primele două [4] sau trei [5] momente sau prindistribuția normală . [6]
Distribuții necentrale
Folosind distribuția non-centrale χ 2 ca o generalizare a 2 distribuției χ (central), este posibil să se definească versiunile non-centrale ale t Student , F Fisher-Snedecor și Beta distribuțiile .
Notă
- ^ (EN) MA Sanders, Funcția caracteristică a distribuției non-centrale chi-pătrate (PDF) pe planetmathematics.com. Adus la 7 martie 2009 (arhivat din original la 15 iulie 2011) .
- ^ D. Kerridge, Oferă o derivare probabilistică foarte interesantă , în Aust. J. Statistică. , 1965.
- ^ ML Tiku, folosește polinomii Laguerre pentru a reprezenta distribuția non-centrală chi-quare , în Biometrika , 1965.
- ^ PB Patnaik, subliniază câteva trăsături geometrice interesante , în Biometrika , 1949.
- ^ E. Pearson, Studiază acuratețea aproximării chi-pătrate în trei momente , în Biometrika , 1959.
- ^ S. Abdel-Aty, oferă diverse aproximări de tip Cornish-Fisher , în Biometrika , 1954.
Elemente conexe