Распределение хи-квадрат

Распределе́ние ${\chi }^2$ (хи-квадра́т) с $k$ степеня́ми свобо́ды — распределение суммы квадратов $k$ независимых стандартных нормальных случайных величин.

Определение

Пусть $z_1,\dots ,z_k$ — совместно независимые стандартные нормальные случайные величины, то есть: $z_i\sim N(0,1)$. Тогда случайная величина

$x=z_1^2+\dots +z_k^2$

имеет распределение хи-квадрат с $k$ степенями свободы, то есть $x\sim f_{{\chi }^2(k)}(x)$, или, если записать по-другому:

$x=\sum _{i=1}^k{z}_i^2\sim {\chi }^2(k)$.

Распределение хи-квадрат является частным случаем гамма-распределения, и его плотность имеет вид:

$f_{{\chi }^2(k)}(x)\equiv \mathrm{\Gamma }(\frac{k}{2},2)=\frac{(1/2{)}^{\frac{k}{2}}}{\mathrm{\Gamma }\left(\frac{k}{2}\right)}{x}^{\frac{k}{2}-1}{e}^{-\frac{x}{2}}$,

где $\mathrm{\Gamma }(k/2,2)$ означает гамма-распределение, а $\mathrm{\Gamma }\left(k/2\right)$ — гамма-функцию.

Функция распределения имеет следующий вид:

$F_{{\chi }^2(k)}(x)=\frac{\gamma (\frac{k}{2},\frac{x}{2})}{\mathrm{\Gamma }\left(\frac{k}{2}\right)}$,

где $\mathrm{\Gamma }$ и $\gamma$ обозначают соответственно полную и нижнюю неполную гамма-функции.

Свойства распределения хи-квадрат

• Распределение хи-квадрат устойчиво относительно суммирования. Если $Y_1,Y_2$ независимы, и $Y_1\sim {\chi }^2(k_1)$, а $Y_2\sim {\chi }^2(k_2)$, то $Y_1+Y_2\sim {\chi }^2(k_1+k_2)$.
• Из определения легко получить моменты распределения хи-квадрат. Если $Y\sim {\chi }^2(k)$, то

$𝔼[Y]=k$,

$\mathrm{D}[Y]=2k$.

• В силу центральной предельной теоремы, при большом числе степеней свободы распределение случайной величины $Y\sim {\chi }^2(k)$ может быть приближено нормальным $Y\approx N(k,2k)$. Более точно

$\frac{Y-k}{\sqrt{2k}}\to N(0,1)$ по распределению при $k\to \mathrm{\infty }$.

Связь с другими распределениями

• Если $X_1,\dots ,X_k$ независимые нормальные случайные величины, то есть: $X_i\sim N(\mu ,{\sigma }^2),i=1,\dots ,k;\mu$ известно, то случайная величина

$Y=\sum _{i=1}^k{\left(\frac{X_i-\mu }{\sigma }\right)}^2$

имеет распределение ${\chi }^2(k)$.

• Если $k=2$, то распределение хи-квадрат совпадает с экспоненциальным распределением:

${\chi }^2(2)\equiv \mathrm{E}\mathrm{x}\mathrm{p}(1/2)$.

• Если $X\sim {\chi }^2(2k)$, тогда $X\sim \mathrm{Erlang}(k,1/2)$ — распределение Эрланга.
• Если $Y_1\sim {\chi }^2(k_1)$ и $Y_2\sim {\chi }^2(k_2)$, то случайная величина

$F=\frac{Y_1/k_1}{Y_2/k_2}$

имеет распределение Фишера со степенями свободы $(k_1,k_2)$.

• ${\chi }_k^2\sim {{\chi }^{\prime }}_k^2(0)$ (нецентральное хи-квадрат распределение с параметром нецентральности $\lambda =0$)
• Если $X\sim {\chi }^2(\nu )$ и $c>0$, тогда $cX\sim \mathrm{\Gamma }(k=\nu /2,\theta =2c)$. (гамма-распределение)
• Если $X\sim {\chi }_k^2$, тогда $\sqrt{X}\sim {\chi }_k$ (хи распределение)
• Если $X\sim \mathrm{Rayleigh}(1)$ (распределение Рэлея), тогда $X^2\sim {\chi }^2(2)$
• Если $X\sim \mathrm{Maxwell}(1)$ (распределение Максвелла), тогда $X^2\sim {\chi }^2(3)$
• Если $X\sim {\chi }^2({\nu }_1)$ и $Y\sim {\chi }^2({\nu }_2)$ независимы, тогда $\frac{X}{X+Y}\sim \mathrm{Beta}(\frac{{\nu }_1}{2},\frac{{\nu }_2}{2})$ — (бета-распределение)
• Если $X\sim \mathrm{U}(0,1)$ — (равномерное распределение), тогда $-2\log (X)\sim {\chi }^2(2)$
• ${\chi }^2(6)$ — преобразование распределения Лапласа
• Если $X_i\sim \mathrm{Laplace}(\mu ,\beta )$, тогда $\sum _{i=1}^n\frac{2|X_i-\mu |}{\beta }\sim {\chi }^2(2n)$
• хи-квадрат распределение — преобразование распределения Парето
• t-распределение — преобразование распределения хи-квадрат
• t-распределение может быть получено из распределения хи-квадрат и нормального распределения
• Если $X_1\sim {\chi }^2(k_1)$ и $X_2\sim {\chi }^2(k_2)$ — независимы, тогда $X_1+X_2\sim {\chi }^2(k_1+k_2)$. Если $X_1$ и $X_2$ не являются независимыми, тогда $X_1+X_2$ не обязано быть распределено по закону хи-квадрат.

Вариации и обобщение

Дальнейшим обобщением распределения хи-квадрат является так называемое Шаблон:Iw, возникающее в некоторых задачах статистики.

Квантили

Шаблон:Main Квантиль — это число (аргумент), на котором функция распределения равна заданной, требуемой вероятности. Грубо говоря, квантиль — это результат обращения функции распределения, но есть тонкости с разрывными функциями распределения.

История

Критерий ${\chi }^2$ был предложен Карлом Пирсоном в 1900 году. Его работа рассматривается как фундамент современной математической статистики. Предшественники Пирсона просто строили графики экспериментальных результатов и утверждали, что они правильны. В своей статье Пирсон привёл несколько интересных примеров злоупотреблений статистикой. Он также доказал, что некоторые результаты наблюдений за рулеткой (на которой он проводил эксперименты в течение двух недель в Монте-Карло в 1892 году) были так далеки от ожидаемых частот, что шансы получить их снова при предположении, что рулетка устроена добросовестно, равны одному из 10²⁹.

Общее обсуждение критерия ${\chi }^2$ и обширную библиографию можно найти в обзорной работе Вильяма Дж. Кокрена.

Приложения

Распределение хи-квадрат имеет многочисленные приложения при статистических выводах, например при использовании критерия хи-квадрат и при оценке дисперсий. Оно используется в проблеме оценивания среднего нормально распределённой популяции и проблеме оценивания наклона линии регрессии благодаря его роли в распределении Стьюдента. Оно используется в дисперсионном анализе.

Далее приведены примеры ситуаций, в которых распределение хи-квадрат возникает из нормальной выборки:

• если $X_1,...,X_n$ — независимые и одинаково распределенные по закону $N(\mu ,{\sigma }^2)$ случайные величины, тогда $\sum _{i=1}^n(X_i-\bar{X}{)}^2\sim {\sigma }^2{\chi }_{n-1}^2$, где $\bar{X}=\frac{1}{n}\sum _{i=1}^n{X}_i.$
• В таблице показаны некоторые статистики, основанные на $X_i\sim N({\mu }_i,{\sigma }_i^2),i=1,...,k$ независимых случайных величин, распределения которых связаны с распределением хи-квадрат:

Название	Статистика
распределение хи-квадрат	$\sum _{i=1}^k{\left(\frac{X_i-{\mu }_i}{{\sigma }_i}\right)}^2$
нецентральное распределение хи-квадрат	$\sum _{i=1}^k{\left(\frac{X_i}{{\sigma }_i}\right)}^2$
распределение хи	$\sqrt{\sum _{i=1}^k{\left(\frac{X_i-{\mu }_i}{{\sigma }_i}\right)}^2}$
нецентральное распределение хи	$\sqrt{\sum _{i=1}^k{\left(\frac{X_i}{{\sigma }_i}\right)}^2}$

Таблица значений Шаблон:Math и Шаблон:Math-значений

Для любого числа Шаблон:Math между 0 и 1 определено [[P-значение|Шаблон:Math-значение]] — вероятность получить для данной вероятностной модели распределения значений случайной величины такое же или более экстремальное значение статистики (среднего арифметического, медианы и др.), по сравнению с наблюдаемым, при условии верности нулевой гипотезы. В данном случае это распределение ${\chi }^2$. Так как значение функции распределения в точке для соответствующих степеней свободы дает вероятность получить значение статистики менее экстремальное, чем эта точка, Шаблон:Math-значение можно получить, если отнять от единицы значение функции распределения. Малое Шаблон:Math-значение — ниже выбранного уровня значимости — означает статистическую значимость. Этого будет достаточно, чтобы отвергнуть нулевую гипотезу. Чтобы различать значимые и незначимые результаты, обычно используют уровень 0,05.

В таблице даны Шаблон:Math-значения для соответствующих значений ${\chi }^2$ у первых десяти степеней свободы.

Степени свободы (Шаблон:Math)	Значение ${\chi }^2$
1	0,004	0,02	0,06	0,15	0,46	1,07	1,64	2,71	3,84	6,63	10,83
2	0,10	0,21	0,45	0,71	1,39	2,41	3,22	4,61	5,99	9,21	13,82
3	0,35	0,58	1,01	1,42	2,37	3,66	4,64	6,25	7,81	11,34	16,27
4	0,71	1,06	1,65	2,20	3,36	4,88	5,99	7,78	9,49	13,28	18,47
5	1,14	1,61	2,34	3,00	4,35	6,06	7,29	9,24	11,07	15,09	20,52
6	1,63	2,20	3,07	3,83	5,35	7,23	8,56	10,64	12,59	16,81	22,46
7	2,17	2,83	3,82	4,67	6,35	8,38	9,80	12,02	14,07	18,48	24,32
8	2,73	3,49	4,59	5,53	7,34	9,52	11,03	13,36	15,51	20,09	26,12
9	3,32	4,17	5,38	6,39	8,34	10,66	12,24	14,68	16,92	21,67	27,88
10	3,94	4,87	6,18	7,27	9,34	11,78	13,44	15,99	18,31	23,21	29,59
Шаблон:Math-значение	0,95	0,90	0,80	0,70	0,50	0,30	0,20	0,10	0,05	0,01	0,001

Эти значения могут быть вычислены через квантиль (обратную функцию распределения) распределения хи-квадрат. Например, квантиль ${\chi }^2$ для Шаблон:Math и Шаблон:Math дает ${\chi }^2$=Шаблон:Math, как в таблице сверху. Это означает, что для экспериментального наблюдения семи независимых случайных величин $x_1,...,x_7$ при справедливости нулевой гипотезы «каждая величина описывается нормальным стандартным распределением с медианой 0 и стандартным отклонением 1» значение $x_1^2+...+x_7^2>14,07$ можно получить лишь в 5 % реализаций. Получение большего значения обычно можно считать достаточным основанием для отбрасывания этой нулевой гипотезы.

В таблице дано округление до сотых; более точные таблицы для большего количества степеней свободы см., например, здесь.

См. также

• Критерий согласия Пирсона (критерий ${\chi }^2$)