Máy tính phân vị phân phối Chi-Square là gì?
Công cụ này giúp bạn tìm điểm phần trăm (còn gọi là quantile hay phân vị, thường được nhắc đến như giá trị tới hạn) của phân phối chi-square. Khi bạn nhập một xác suất tích lũy cùng số bậc tự do, công cụ sẽ trả về giá trị x mà tại đó hàm phân phối tích lũy (CDF) của chi-square bằng đúng xác suất bạn cần. Đây chính là hàm nghịch đảo của CDF chi-square, được dùng rất phổ biến trong kiểm định giả thuyết, kiểm định độ phù hợp (goodness-of-fit), phân tích bảng tương liên (contingency table) và ước lượng khoảng tin cậy cho phương sai.
Cách sử dụng
Trước tiên, hãy chọn kiểu xác suất tích lũy. Chọn "P tích lũy đuôi dưới" khi xác suất của bạn là P = P(X ≤ x) — tức diện tích phía bên trái của x. Chọn "Q tích lũy đuôi trên" khi xác suất là diện tích đuôi Q = P(X > x) — đây thường chính là mức ý nghĩa alpha trong kiểm định một phía. Tiếp theo, nhập giá trị xác suất (nằm hoàn toàn trong khoảng từ 0 đến 1) và số bậc tự do (nu, đôi khi ký hiệu là k). Máy tính sẽ cho ra giá trị chi-square x tương ứng.
Giải thích công thức
CDF của chi-square với \(\nu\) bậc tự do chính là hàm gamma không đầy đủ đuôi dưới đã chuẩn hóa: \(F(x;\nu) = \text{regularizedGammaP}(\nu/2,\, x/2)\). Điều chúng ta cần là hàm nghịch đảo của nó. Đặt \(a = \nu/2\) và xác suất mục tiêu \(p\) (với \(p = P\) ở chế độ đuôi dưới, hoặc \(p = 1 - Q\) ở chế độ đuôi trên), ta giải phương trình
$$x_p = F^{-1}\!\left(\text{p}\,;\,\nu\right)\ \text{such that}\ P\!\left(\frac{\nu}{2},\,\frac{x_p}{2}\right) = \text{p}$$\(\text{regularizedGammaP}(a, z) = p\) để tìm \(z\), sau đó suy ra \(x = 2z\). Bộ giải kết hợp khai triển chuỗi và phân số liên tục cho hàm gamma không đầy đủ, cùng với thuật toán tìm nghiệm Newton/chia đôi (bisection) để đảm bảo hội tụ.
Ví dụ minh họa
Giả sử dùng chế độ đuôi dưới với \(P = 0{,}95\) và \(\nu = 10\). Khi đó \(a = 5\) và ta giải \(\text{regularizedGammaP}(5, z) = 0{,}95\), thu được \(z \approx 9{,}1535\), suy ra \(x = 2z \approx 18{,}307\). Kết quả này khớp đúng với giá trị tới hạn kinh điển \(\text{chi-square}(0{,}95;\,10) = 18{,}307\). Nếu dùng chế độ đuôi trên với \(Q = 0{,}05\) và \(\nu = 10\), ta có \(p = 1 - 0{,}05 = 0{,}95\) và vẫn cho ra cùng kết quả \(x \approx 18{,}307\).
Bảng giá trị tới hạn Chi-bình phương
Bảng cho các giá trị tới hạn đuôi trên \(\chi^2_{Q,\nu}\), nghĩa là \(P(X > x) = Q\) đối với biến chi-bình phương có \(\nu\) bậc tự do (df). Xác suất đuôi dưới là \(P = 1 - Q\). Ví dụ, cột Q = 0.05 là phân vị thứ 95. Các giá trị được làm tròn đến 3 chữ số thập phân.
| Bậc tự do (df) | Q = 0.10 | Q = 0.05 | Q = 0.025 | Q = 0.01 | Q = 0.001 |
|---|---|---|---|---|---|
| 1 | 2.706 | 3.841 | 5.024 | 6.635 | 10.828 |
| 2 | 4.605 | 5.991 | 7.378 | 9.210 | 13.816 |
| 3 | 6.251 | 7.815 | 9.348 | 11.345 | 16.266 |
| 4 | 7.779 | 9.488 | 11.143 | 13.277 | 18.467 |
| 5 | 9.236 | 11.070 | 12.833 | 15.086 | 20.515 |
| 10 | 15.987 | 18.307 | 20.483 | 23.209 | 29.588 |
| 20 | 28.412 | 31.410 | 34.170 | 37.566 | 45.315 |
| 30 | 40.256 | 43.773 | 46.979 | 50.892 | 59.703 |
| 50 | 63.167 | 67.505 | 71.420 | 76.154 | 86.661 |
| 100 | 118.498 | 124.342 | 129.561 | 135.807 | 149.449 |
Để tìm phân vị đuôi dưới, trước tiên hãy chuyển đổi: giá trị có xác suất đuôi dưới P = 0.05 chính là giá trị đuôi trên ứng với Q = 0.95. Hãy dùng máy tính cho mọi df hoặc xác suất không có trong bảng.
Diễn giải phân vị Chi-bình phương
Kiểm định giả thuyết. Chọn mức ý nghĩa \(\alpha\), sau đó tìm giá trị tới hạn đuôi trên với \(Q = \alpha\) và bậc tự do phù hợp. Nếu thống kê quan sát lớn hơn giá trị tới hạn, bác bỏ \(H_0\). Ngược lại, không bác bỏ. Ví dụ, với df = 5 và \(\alpha = 0.05\), giá trị tới hạn là 11.070. Thống kê 12.4 dẫn đến bác bỏ, còn thống kê 9.8 thì không.
Liên hệ với giá trị p (p-value). p-value là xác suất đuôi trên \(Q\) của thống kê quan sát. Thống kê > giá trị tới hạn tại \(\alpha\) tương đương với p-value < \(\alpha\). Máy tính phân vị thực hiện điều này theo chiều ngược lại: bạn nhập Q (hoặc P) và df, và nó trả về thống kê có xác suất đuôi tương ứng.
Kiểm định đuôi phải. Kiểm định độ phù hợp chi-bình phương và kiểm định tính độc lập trong bảng dự phòng đều là kiểm định đuôi phải. Thống kê lớn cho thấy độ phù hợp kém hoặc có mối liên hệ, nên chỉ dùng đuôi trên để bác bỏ.
Hình dạng. Phân phối lệch phải, với trung bình \(\nu\) và phương sai \(2\nu\). Trung vị thấp hơn trung bình một chút. Khi df tăng, độ lệch giảm dần và phân phối tiến gần đến phân phối chuẩn với trung bình \(\nu\) và độ lệch chuẩn \(\sqrt{2\nu}\). Khi df = 1 hoặc 2, phân phối lệch rất nhiều, còn khi df = 100 thì gần như đối xứng.
Khoảng tin cậy cho phương sai. Với mẫu cỡ \(n\) từ tổng thể chuẩn có phương sai mẫu \(s^2\) và \(\nu = n-1\), khoảng tin cậy \((1-\alpha)\) là:
$$\left(\frac{ (n-1)s^2}{\chi^2_{\alpha/2,\,\nu}},\ \frac{ (n-1)s^2}{\chi^2_{1-\alpha/2,\,\nu}}\right)$$
Ở đây \(\chi^2_{\alpha/2,\nu}\) là giá trị đuôi trên có diện tích \(\alpha/2\) bên phải, và \(\chi^2_{1-\alpha/2,\nu}\) là phân vị đuôi dưới có diện tích \(\alpha/2\) bên trái. Hai phân vị này cũng có thể tìm bằng cách nhập P = \(\alpha/2\) và P = \(1-\alpha/2\).
Ví dụ: với n = 11 (df = 10), \(s^2 = 4\) và độ tin cậy 95%, các phân vị là 3.247 (dưới, P = 0.025) và 20.483 (trên, P = 0.975). Khoảng tin cậy cho phương sai là \(40/20.483 = 1.953\) đến \(40/3.247 = 12.319\).
Câu hỏi thường gặp
P và Q khác nhau như thế nào? P là diện tích bên trái của x (đuôi dưới); Q là diện tích bên phải của x (đuôi trên), và luôn có \(P + Q = 1\).
Số bậc tự do có thể là số không nguyên không? Có. Công thức dựa trên hàm gamma hoạt động với mọi \(\nu > 0\), dù phần lớn các bảng thống kê chỉ dùng số nguyên.
Khoảng giá trị xác suất hợp lệ là bao nhiêu? Phải nằm hoàn toàn trong khoảng \(0 < \text{xác suất} < 1\). Tại 0 thì phân vị bằng 0; khi xác suất tiến dần đến 1 thì phân vị tăng lên vô hạn.