Что такое калькулятор t-распределения Стьюдента?
Этот инструмент рассчитывает распределение Стьюдента для заданного значения x (t-статистики) и числа степеней свободы ν. Он возвращает три величины: плотность вероятности f(x), нижнюю кумулятивную вероятность P(T ≤ x) и верхнюю кумулятивную вероятность Q = P(T > x) = 1 − P. Это чистая математика, которая работает одинаково во всём мире — никаких региональных правил здесь нет.
Как пользоваться калькулятором
Введите любое действительное число для x (оно может быть отрицательным) и положительное число для степеней свободы ν (обычно это целое число — например, 5, 10 или 30, но допустимо любое \(\nu > 0\)). Нажмите «Рассчитать», чтобы получить плотность и обе хвостовые вероятности. С ростом \(\nu\) распределение всё больше приближается к стандартному нормальному \(N(0, 1)\).
Разбор формулы
Плотность задаётся выражением $$f(\text{x}) = \frac{\Gamma\!\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi}\;\Gamma\!\left(\frac{\nu}{2}\right)}\left(1 + \frac{\text{x}^{2}}{\nu}\right)^{-\frac{\nu+1}{2}}$$ где \(\Gamma\) — гамма-функция. Кумулятивная вероятность вычисляется через регуляризованную неполную бета-функцию: при \(z = \nu/(\nu + \text{x}^{2})\) имеем \(P(T \le \text{x}) = 1 - \tfrac{1}{2}\,I_{z}(\nu/2, 1/2)\) для \(\text{x} \ge 0\) и \(P(T \le \text{x}) = \tfrac{1}{2}\,I_{z}(\nu/2, 1/2)\) для \(\text{x} < 0\). Плотность мы считаем в логарифмическом пространстве с помощью аппроксимации логарифма гамма-функции по Ланцошу, а неполную бета-функцию — через цепную дробь Ленца, что обеспечивает высокую численную устойчивость.
Пример расчёта
Пусть \(\text{x} = 1.0\) и \(\nu = 10\): плотность \(f(1) \approx 0{,}2304\). Нижняя кумулятивная вероятность \(P(T \le 1.0) \approx 0{,}8303\), поэтому верхняя кумулятивная вероятность \(Q \approx 0{,}1697\) — эти значения совпадают со стандартными таблицами t-распределения.
Частые вопросы
Может ли ν быть нецелым? Да. Формула справедлива для любого действительного \(\nu > 0\), и калькулятор принимает дробное число степеней свободы.
Что означает верхняя кумулятивная вероятность? Это площадь правого хвоста, \(P(T > \text{x})\). Чтобы получить двустороннее p-значение при положительном x, нужно использовать \(2\cdot Q\).
Почему при больших ν график похож на нормальную кривую? С увеличением числа степеней свободы тяжёлые хвосты t-распределения «сжимаются», и оно стремится к стандартному нормальному распределению.
Критические значения t-распределения
В таблице приведено значение t, при котором вероятность верхнего хвоста P(T > t) равна заголовку столбца. Уровень для двустороннего теста вдвое больше уровня для одностороннего. Это стандартные табличные значения, округлённые до трёх знаков после запятой.
| df (ν) | 0,10 (двусторонний 0,20) | 0,05 (двусторонний 0,10) | 0,025 (двусторонний 0,05) | 0,01 (двусторонний 0,02) | 0,005 (двусторонний 0,01) |
|---|---|---|---|---|---|
| 1 | 3,078 | 6,314 | 12,706 | 31,821 | 63,657 |
| 2 | 1,886 | 2,920 | 4,303 | 6,965 | 9,925 |
| 3 | 1,638 | 2,353 | 3,182 | 4,541 | 5,841 |
| 5 | 1,476 | 2,015 | 2,571 | 3,365 | 4,032 |
| 10 | 1,372 | 1,812 | 2,228 | 2,764 | 3,169 |
| 15 | 1,341 | 1,753 | 2,131 | 2,602 | 2,947 |
| 20 | 1,325 | 1,725 | 2,086 | 2,528 | 2,845 |
| 30 | 1,310 | 1,697 | 2,042 | 2,457 | 2,750 |
| 60 | 1,296 | 1,671 | 2,000 | 2,390 | 2,660 |
| 120 | 1,289 | 1,658 | 1,980 | 2,358 | 2,617 |
| ∞ (нормальное) | 1,282 | 1,645 | 1,960 | 2,326 | 2,576 |
По мере роста числа степеней свободы критические значения уменьшаются и приближаются к стандартным нормальным значениям в последней строке.
Интерпретация результатов
- Плотность f(x) — это высота кривой в точке x. Она не является вероятностью; для непрерывного распределения вероятности получаются как площади под кривой между значениями.
- Нижняя кумулятивная P(T ≤ x) — это площадь слева от x. Верхний хвост Q = 1 − P — это площадь справа от x.
- Односторонний p-значение: для наблюдаемой статистики t величина Q (для положительной статистики в правостороннем тесте) является p-значением. Для левостороннего теста при отрицательном t p-значение равно P(T ≤ t).
- Двустороннее p-значение: используйте 2Q, вычисленное при |x|, поскольку распределение симметрично и учитываются оба хвоста.
- Симметрия: t-распределение симметрично относительно 0, поэтому P(T ≤ −x) = Q(x) = 1 − P(T ≤ x) и f(−x) = f(x).
- Сравнение с критическими значениями при α = 0,05: двусторонний тест отвергает гипотезу, когда |t| превышает одностороннее критическое значение для 0,025 (например, 2,228 при df = 10 или 2,042 при df = 30). Односторонний тест при α = 0,05 использует столбец 0,05 (например, 1,812 при df = 10). Иначе говоря, p-значение меньше 0,05.
- Тяжёлые хвосты: при малых ν экстремальные значения более вероятны, чем по нормальной кривой. При x = 2 величина Q составляет около 0,0510 при df = 5, против 0,0228 для нормального распределения. По мере роста ν t-распределение приближается к стандартному нормальному.
Пример двустороннего правила: при df = 5 и |t| = 2 величина Q ≈ 0,0510, поэтому двустороннее p-значение составляет около 2 × 0,0510 = 0,102, что больше 0,05.