Qui-quadrado não central
Função densidade de probabilidade
|
Função de distribuição cumulativa
|
Parâmetros |
graus de liberdade
parâmetro de não centralidade |
Apoio, suporte |
|
PDF |
|
CDF |
com função Marcum Q
|
Quer dizer |
|
Variância |
|
Skewness |
|
Ex. curtose |
|
MGF |
|
CF |
|
Em teoria de probabilidade e estatística , a distribuição não central do qui-quadrado (ou distribuição não central do qui-quadrado, distribuição não central ) é uma generalização não central da distribuição do qui-quadrado . Freqüentemente surge na análise de potência de testes estatísticos em que a distribuição nula é (talvez assintoticamente) uma distribuição qui-quadrada; exemplos importantes de tais testes são os testes de razão de verossimilhança .
Fundo
Let ser k independente , normalmente distribuído variáveis aleatórias com meios e unidade de variâncias. Então a variável aleatória
é distribuído de acordo com a distribuição não central do qui-quadrado. Ele tem dois parâmetros: que especifica o número de graus de liberdade (ou seja, o número de ), e que está relacionado à média das variáveis aleatórias por:
às vezes é chamado de parâmetro de não centralidade . Observe que algumas referências definem de outras maneiras, como metade da soma acima ou sua raiz quadrada.
Essa distribuição surge nas estatísticas multivariadas como uma derivada da distribuição normal multivariada . Enquanto a distribuição qui-quadrada central é a norma quadrada de um vetor aleatório com distribuição (ou seja, a distância quadrada da origem até um ponto tomado aleatoriamente dessa distribuição), a não-central é a norma quadrada de um vetor aleatório com distribuição. Aqui está um vetor zero de comprimento k , e é a matriz identidade de tamanho k .
Definição
A função de densidade de probabilidade (pdf) é dada por
onde é distribuído como qui-quadrado com graus de liberdade.
A partir dessa representação, a distribuição não central do qui-quadrado é vista como uma mistura ponderada de Poisson de distribuições centrais do qui-quadrado. Suponha que uma variável aleatória J tenha uma distribuição de Poisson com média e a distribuição condicional de Z dado J = i seja qui-quadrado com k + 2 i graus de liberdade. Então, a distribuição incondicional de Z é qui-quadrado não central com k graus de liberdade e parâmetro de não centralidade .
Alternativamente, o pdf pode ser escrito como
onde é uma função de Bessel modificada do primeiro tipo dada por
Usando a relação entre as funções de Bessel e as funções hipergeométricas , o pdf também pode ser escrito como:
Siegel (1979) discute o caso k = 0 especificamente ( zero graus de liberdade ), caso em que a distribuição tem uma componente discreta em zero.
Propriedades
Função geradora de momento
A função geradora de momento é dada por
Momentos
Os primeiros momentos cruéis são:
Os primeiros momentos centrais são:
O n th cumulante é
Portanto
Função de distribuição cumulativa
Novamente usando a relação entre as distribuições qui-quadradas centrais e não centrais, a função de distribuição cumulativa (cdf) pode ser escrita como
onde é a função de distribuição cumulativa da distribuição qui-quadrada central com k graus de liberdade que é dada por
- e onde está a função gama incompleta inferior .
A função Marcum Q também pode ser usada para representar o cdf.
Aproximação (incluindo para quantis)
Abdel-Aty deriva (como "primeiro aprox.") Uma aproximação não central de Wilson-Hilferty:
é aproximadamente normalmente distribuído , ou seja,
que é bastante preciso e se adapta bem à não centralidade. Além disso, torna-se para o caso qui-quadrado (central) .
Sankaran discute uma série de aproximações de forma fechada para a função de distribuição cumulativa . Em um artigo anterior, ele derivou e afirma a seguinte aproximação:
Onde
-
indica a função de distribuição cumulativa da distribuição normal padrão ;
Esta e outras aproximações são discutidas em um livro de texto posterior.
Para uma determinada probabilidade, essas fórmulas são facilmente invertidas para fornecer a aproximação correspondente para calcular quantis aproximados.
Derivação do pdf
A derivação da função de densidade de probabilidade é feita mais facilmente executando as seguintes etapas:
- Uma vez que possuem variâncias unitárias, sua distribuição conjunta é esfericamente simétrica, até uma mudança de local.
- A simetria esférica, então, implica que a distribuição de depende das médias apenas através do comprimento ao quadrado ,. Sem perda de generalidade, podemos, portanto, pegar e .
- Agora deduza a densidade de (isto é, o caso k = 1). A transformação simples de variáveis aleatórias mostra que
- onde é a densidade normal padrão.
- Expanda o termo cosh em uma série de Taylor. Isso dá a representação da mistura ponderada de Poisson da densidade, ainda para k = 1. Os índices nas variáveis aleatórias qui-quadrado na série acima são 1 + 2 i neste caso.
- Finalmente, para o caso geral. Presumimos, sem perda de generalidade, que são normais padrão e, portanto, têm uma distribuição qui-quadrada central com ( k - 1) graus de liberdade, independente de . O uso da representação da mistura ponderada de poisson para , e o fato de que a soma das variáveis aleatórias qui-quadrado também é um qui-quadrado, completa o resultado. Os índices da série são (1 + 2 i ) + ( k - 1) = k + 2 i conforme necessário.
Distribuições relacionadas
- Se é qui-quadrado distribuída em seguida, também é qui-quadrado não central distribuídos:
- Uma combinação linear de variáveis de quiquadrado não-centrais independentes , é generalizada do qui-quadrado distribuído .
- Se e e é independente de , em seguida, um não central F -distributed variável é desenvolvido como
- Se então
- Se , então, pega a distribuição do arroz com o parâmetro .
- Aproximação normal: se , então na distribuição como ou .
- Se e onde são independentes, então onde .
- Em geral, para um conjunto finito de , a soma dessas variáveis aleatórias distribuídas de qui-quadrado não central tem a distribuição onde . Isso pode ser visto usando funções geradoras de momento da seguinte maneira: pela independência das variáveis aleatórias. Resta conectar o MGF para as distribuições não centrais do qui-quadrado no produto e calcular o novo MGF - isso é deixado como um exercício. Alternativamente, pode ser visto através da interpretação na seção de fundo acima como somas de quadrados de variáveis aleatórias independentes normalmente distribuídas com variâncias de 1 e as médias especificadas.
- A complexa distribuição não central do qui-quadrado tem aplicações em sistemas de radiocomunicação e radar. Let ser escalares independentes complexas variáveis aleatórias com simetria circular não central, meios de e unidade variâncias: . Em seguida, a variável real aleatória é distribuída de acordo com a distribuição qui-quadrada não central complexa:
-
- Onde
Transformações
Sankaran (1963) discute as transformações da forma
. Ele analisa as expansões das cumulantes de até o termo e mostra que as seguintes opções de produzir resultados razoáveis:
-
torna o segundo cumulante de aproximadamente independente de
-
torna o terceiro cumulante de aproximadamente independente de
-
torna o quarto cumulante de aproximadamente independente de
Além disso, uma transformação mais simples pode ser usada como uma transformação estabilizadora de variância que produz uma variável aleatória com média e variância .
A usabilidade dessas transformações pode ser prejudicada pela necessidade de obter as raízes quadradas dos números negativos.
Várias distribuições de chi e qui-quadrado
Nome |
Estatística
|
distribuição qui-quadrado |
|
distribuição não central do qui-quadrado |
|
distribuição de chi |
|
distribuição não central de chi |
|
Ocorrências
Use em intervalos de tolerância
Os intervalos de tolerância de regressão normal bilateral podem ser obtidos com base na distribuição não central do qui-quadrado. Isso permite o cálculo de um intervalo estatístico dentro do qual, com algum nível de confiança, uma proporção especificada de uma população amostrada cai.
Notas
-
^ Muirhead (2005) Teorema 1.3.4
-
^ Nuttall, Albert H. (1975): Some Integrals Envolvendo a Função Q M , IEEE Transactions on Information Theory , 21 (1), 95-96,
ISSN 0018-9448
-
^ Abdel-Aty, S. (1954). Fórmulas aproximadas para os pontos percentuais e a integral de probabilidade da distribuição χ2 não central Biometrika 41, 538–540. doi: 10.2307 / 2332731
-
^ Sankaran, M. (1963). Aproximações da distribuição não central do qui-quadrado Biometrika , 50 (1-2), 199–204
-
^ Sankaran, M. (1959). "Na distribuição não central do qui-quadrado", Biometrika 46, 235-237
-
^ Johnson e outros. (1995) Distribuições Univariadas Contínuas Seção 29.8
-
^ Muirhead (2005) páginas 22–24 e problema 1.18.
-
^ Derek S. Young (agosto de 2010). "Tolerância: Um Pacote R para Estimar Intervalos de Tolerância" . Journal of Statistical Software . 36 (5): 1–39. ISSN 1548-7660 . Página visitada em 19 de fevereiro de 2013 ., p. 32
Referências
- Abramowitz, M. e Stegun, IA (1972), Handbook of Mathematical Functions , Dover. Seção 26.4.25.
- Johnson, NL, Kotz, S., Balakrishnan, N. (1995), Continuous Univariate Distributions, Volume 2 (2ª edição) , Wiley. ISBN 0-471-58494-0
- Muirhead, R. (2005) Aspects of Multivariate Statistical Theory (2ª edição). Wiley. ISBN 0-471-76985-1
- Siegel, AF (1979), "A distribuição não central do qui-quadrado com zero graus de liberdade e teste de uniformidade", Biometrika , 66, 381-386
-
Press, SJ (1966), "Linear Combination of non-central chi-squared variates", The Annals of Mathematical Statistics , 37 (2): 480-487, doi : 10.1214 / aoms / 1177699531 , JSTOR 2238621