F 分配百分位點計算器(F 反函數/分位數)

F 分配百分位點計算器(F 反函數/分位數)

新興 AI Skill PRO

輸入計算

數學公式

Fp={x:Id1xd1x+d2(d12,d22)=P(左尾)}d1=d1,d2=d2F_p = \{\, x : I_{\frac{d_1 x}{d_1 x + d_2}}\!\left(\tfrac{d_1}{2},\tfrac{d_2}{2}\right) = \text{P(左尾)} \,\}\quad d_1=\text{d1},\ d_2=\text{d2}
使用統計

廣告

結果

F(d1, d2) 的百分位點 x
3.3258
F 臨界值(分位數)
分配 F 分配
反函數求解方法 正則化不完全 Beta 函數反演(二分法)

回報本頁錯誤

什麼是 F 分配的百分位點?

F 分配的百分位點(又稱 F 反函數、分位數或臨界值)是指這樣一個數值 x:當分子自由度為 d1、分母自由度為 d2 時,F 分配的累積機率恰好等於你所指定的機率。它就是 F 分配累積分配函數(CDF)的反函數,也正是你在 F 分配表中查找的臨界值——廣泛用於變異數分析(ANOVA)、迴歸整體顯著性檢定,以及變異數比(檢定兩組變異數是否相等)的檢定。

F 分布曲線,下尾與上尾陰影區域由一條垂直的臨界值線分隔
百分位點 \(x\) 是下尾陰影面積等於 \(P\) 的值(其餘右側面積等於 \(Q\))。

計算器使用方式

先選擇累積機率的模式。如果你手上的機率是 \(P = \Pr(F \le x)\),請選擇 左尾累積 P——例如 \(P = 0.95\) 會回傳「整個分配有 95% 落在其下方」的那個數值。如果你掌握的是尾端機率 \(Q = \Pr(F > x)\),則選擇 右尾累積 Q——例如 \(Q = 0.05\) 會回傳常見的上側 5% 臨界值。接著輸入機率(必須嚴格介於 0 與 1 之間)、分子自由度 \(d_1\) 與分母自由度 \(d_2\),再送出即可。

公式說明

F 分配的累積分配函數可用正則化不完全 Beta 函數 \(I\) 來表示:令 \(a = d_1/2\)、\(b = d_2/2\),並代入 \(w = d_1 \cdot x / (d_1 \cdot x + d_2)\),則 \(\text{F-CDF}(x) = I_w(a, b)\)。為了求其反函數,本計算器在區間 \((0, 1)\) 上以二分法求解 $$F_p = \{\, x : I_{\frac{d_1 x}{d_1 x + d_2}}\!\left(\tfrac{d_1}{2},\tfrac{d_2}{2}\right) = \text{P} \,\}$$ 中的 \(w\),並透過 Lanczos 對數 Gamma 函數搭配《Numerical Recipes》的連分數法來計算 \(I_w\)。求得 \(w\) 後,再反代回 \(x = d_2 \cdot w / (d_1 \cdot (1 - w))\)。在右尾模式下,目標機率則為 \(\text{targetP} = 1 - Q\)。

廣告

實例演算

以 \(P = 0.95\)、\(d_1 = 5\)、\(d_2 = 10\) 為例,我們要找的是上側 5% 的 F 臨界值。代入 \(a = 2.5\)、\(b = 5\),求解 \(I_w(2.5, 5) = 0.95\) 可得 \(w \approx 0.6245\),再算出 $$x = \frac{10 \times 0.6245}{5 \times 0.3755} \approx 3.3258$$ 與 F 分配表中 \(F_{0.05}(5, 10) = 3.3258\) 完全吻合。

F 臨界值表(上側 5% 水準)

本表列出上尾臨界值 \(F_{0.05}(d_1, d_2)\),即 F 分布右側面積為 5% 的點。這些數值對應上尾機率 \(Q = 0.05\),因此下尾機率為 \(P = 0.95\)。若要查得某個數值,請輸入 P = 0.95(或 Q = 0.05),並輸入分子自由度 \(d_1\) 與分母自由度 \(d_2\)。欄為 \(d_1\)(分子),列為 \(d_2\)(分母)。數值四捨五入至小數點後 4 位。

d2 \ d1 1 2 3 4 5 6 8 10 12
5 6.6079 5.7861 5.4095 5.1922 5.0503 4.9503 4.8183 4.7351 4.6777
10 4.9646 4.1028 3.7083 3.4780 3.3258 3.2172 3.0717 2.9782 2.9130
15 4.5431 3.6823 3.2874 3.0556 2.9013 2.7905 2.6408 2.5437 2.4753
20 4.3513 3.4928 3.0984 2.8661 2.7109 2.5990 2.4471 2.3479 2.2776
30 4.1709 3.3158 2.9223 2.6896 2.5336 2.4205 2.2662 2.1646 2.0921
60 4.0012 3.1504 2.7581 2.5252 2.3683 2.2541 2.0970 1.9926 1.9174
120 3.9201 3.0718 2.6802 2.4472 2.2899 2.1750 2.0164 1.9105 1.8337
∞ 3.8415 2.9957 2.6049 2.3719 2.2141 2.0986 1.9384 1.8307 1.7522

範例讀數:\(F_{0.05}(5,10) = 3.3258\)、\(F_{0.05}(1,10) = 4.9646\) 與 \(F_{0.05}(2,10) = 4.1028\)。∞ 列等於 \(\chi^2_{0.05}(d_1)/d_1\);當 \(d_1 = 1\) 時,此值為 \(1.96^2 = 3.8415\)。

廣告

臨界值的解讀

右尾檢定。在 ANOVA 與迴歸 F 檢定中,當觀測統計量超過上尾臨界值時,在顯著水準 \(\alpha\) 下拒絕虛無假設 \(H_0\):

$$F_{\text{obs}} > F_{\alpha}(d_1, d_2) \;\Rightarrow\; \text{拒絕 } H_0.$$

此處 \(d_1\) 為分子自由度(例如單因子 ANOVA 中,組數減 1),\(d_2\) 為分母自由度(例如殘差自由度)。

P 與 Q。計算機接受下尾機率 \(P = \Pr(F \le x)\) 或上尾機率 \(Q = \Pr(F > x)\),且 \(P = 1 - Q\)。顯著水準直接對應上尾,即 \(\alpha = Q\),因此 5% 檢定使用 \(Q = 0.05\),亦即 \(P = 0.95\)。

雙邊變異數比檢定。要檢定兩個變異數是否相等(對立假設為雙邊),需將顯著水準一分為二,並使用兩個臨界值:上側 \(F_{\alpha/2}(d_1, d_2)\) 與下側 \(F_{1-\alpha/2}(d_1, d_2)\)。若比值高於上臨界值或低於下臨界值,則拒絕 \(H_0\)。下臨界值可由倒數恆等式求得:

$$F_{1-\alpha}(d_1, d_2) = \frac{1}{F_{\alpha}(d_2, d_1)}.$$

請注意自由度會互換。例如由表中可知 \(F_{0.05}(10, 5) = 4.7351\),因此 \(F_{0.95}(5, 10) = 1/4.7351 \approx 0.2112\)。

\(d_2\) 增大時的變化。表中每一欄的數值都隨 \(d_2\) 增加而遞減,因為分母的估計變得更精確。當 \(d_2 \to \infty\) 時,臨界值趨近於 \(\chi^2_{\alpha}(d_1)/d_1\)。表中的 ∞ 列即顯示此極限值。

分布形狀。F 分布僅定義於 \(x > 0\),且呈右偏,自由度較小時尤其明顯。這就是為何下尾與上尾臨界值並非以 1 為中心對稱,也因此下尾必須使用倒數恆等式。

常見問題

P 與 Q 有什麼差別?\(P\) 是直到 \(x\) 為止的左尾(累積)機率;\(Q\) 則是超過 \(x\) 之後的右尾機率。兩者的關係為 \(P = 1 - Q\)。

為什麼機率必須嚴格介於 0 與 1 之間?機率為 0 對應分位數 \(x = 0\),機率為 1 則對應 \(x\) 趨近無限大,兩者都不是有限且有意義的臨界值。

自由度可以不是整數嗎?可以——這套數學對任何正實數 \(d_1\) 與 \(d_2\) 都成立,只是在 ANOVA 應用中通常會使用整數。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器