學生 t 分配計算器

學生 t 分配計算器

成長中 AI Skill PRO

輸入計算

數學公式

f(x)=Γ(ν+12)νπΓ(ν2)(1+x2ν)−ν+12f(\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}}
顯示計算步驟 (1)
  1. 累積分配函數(CDF)

    F(x)=1−12Iz(ν2,12)其中{z=νν+x2ν=自由度\begin{gathered} F(\text{x}) = 1 - \tfrac{1}{2}\,I_{z}\!\left(\tfrac{\nu}{2},\tfrac{1}{2}\right) \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} z &= \dfrac{{\nu}}{{\nu} + \text{x}^{2}} \\ \nu &= \text{自由度} \end{aligned} \right. \end{gathered}

    利用正則化不完全貝塔函數 I 得到的下尾機率;z = ν / (ν + x²)。當 x > 0 時,其值為 1 減去同一表達式的一半。

使用統計

廣告

結果

機率密度 f(x)
0.230362
t 分配在 x 處的機率密度值
下尾累積機率 P(T ≤ x) 0.829553
上尾累積機率 Q(T > x) 0.170447

回報本頁錯誤

什麼是學生 t 分配計算器?

這個工具會根據你輸入的數值 x(即 t 統計量)與自由度 \(\nu\),計算學生 t 分配的相關數值。它會回傳三個結果:機率密度 \(f(x)\)、下尾累積機率 \(P(T \le x)\),以及上尾累積機率 \(Q = P(T > x) = 1 - P\)。由於這完全屬於純數學運算,因此放諸四海皆準,不受任何地區或國家的規定影響。

不同自由度的鐘形 t 分布曲線與常態曲線的對比
t 分布呈鐘形且尾部更厚;隨著自由度增大,它逐漸逼近常態曲線。

使用方法

在 x 欄位輸入任意實數(可以是負數),並在自由度 \(\nu\) 欄位輸入一個正數(常見的是整數,例如 5、10 或 30,但只要 \(\nu > 0\) 的任何數值都可以接受)。按下計算後,即可得到機率密度與兩側尾端的機率值。當自由度 \(\nu\) 越來越大時,t 分配會逐漸收斂為標準常態分配 \(N(0, 1)\)。

公式解析

機率密度的公式為 $$f(\text{x}) = \frac{\Gamma\!\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi}\;\Gamma\!\left(\frac{\nu}{2}\right)}\left(1 + \frac{\text{x}^{2}}{\nu}\right)^{-\frac{\nu+1}{2}}$$ 其中 \(\Gamma\) 為伽瑪函數(gamma function)。累積機率則運用正規化不完全 beta 函數來計算:令 \(z = \nu/(\nu + \text{x}^{2})\),當 \(x \ge 0\) 時 \(P(T \le x) = 1 - \tfrac{1}{2}\cdot I_{z}(\nu/2, 1/2)\);當 \(x < 0\) 時則為 \(\tfrac{1}{2}\cdot I_{z}(\nu/2, 1/2)\)。為了確保數值穩定,我們以 Lanczos 對數伽瑪近似法在對數空間中計算密度,並透過 Lentz 連分數法求出不完全 beta 函數。

廣告
t 分布曲線,顯示某一值 x 處陰影的下側 CDF 面積與上尾面積
f(x) 是曲線高度,P(T≤x) 是左側的陰影面積,Q 是剩餘的右尾。

實際範例

以 \(x = 1.0\)、\(\nu = 10\) 為例:機率密度 \(f(1) \approx 0.2304\)。下尾累積機率 \(P(T \le 1.0) \approx 0.8303\),因此上尾累積機率 \(Q \approx 0.1697\),這個結果與標準的 t 分配表完全吻合。

t 分佈的臨界值

此表列出數值 t,使得上尾機率 P(T > t) 等於欄位標題所示的數值。雙尾顯著水準為單尾顯著水準的兩倍。這些是標準教科書數值,四捨五入至小數點後三位。

自由度 (ν) 0.10(雙尾 0.20) 0.05(雙尾 0.10) 0.025(雙尾 0.05) 0.01(雙尾 0.02) 0.005(雙尾 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
∞(常態) 1.282 1.645 1.960 2.326 2.576

隨著自由度增加,臨界值會趨近於最後一列的標準常態分佈數值而下降。

廣告

輸出結果的解讀

  • 密度 f(x) 是曲線在 x 處的高度。它不是機率;對於連續分佈,機率是由數值之間的曲線下面積求得。
  • 下累積機率 P(T ≤ x) 是 x 左側的面積。上尾 Q = 1 − P 是 x 右側的面積。
  • 單尾 p 值:對於觀察到的 t 統計量,若為右尾檢定且統計量為正,則 p 值為 Q。若為左尾檢定且 t 為負,則 p 值為 P(T ≤ t)。
  • 雙尾 p 值:使用在 |x| 處計算的 2Q,因為分佈是對稱的,兩個尾部都要計入。
  • 對稱性:t 分佈以 0 為對稱中心,因此 P(T ≤ −x) = Q(x) = 1 − P(T ≤ x),且 f(−x) = f(x)。
  • 與 α = 0.05 的臨界值比較:雙尾檢定在 |t| 超過 0.025 單尾臨界值時拒絕虛無假設(例如自由度為 10 時為 2.228,或自由度為 30 時為 2.042)。α = 0.05 的單尾檢定使用 0.05 欄(例如自由度為 10 時為 1.812)。等價地,p 值會低於 0.05。
  • 厚尾:對於較小的 ν,極端值出現的機率比常態曲線下更高。在 x = 2 時,自由度為 5 的 Q 約為 0.0510,而常態分佈為 0.0228。隨著 ν 增加,t 分佈會趨近於標準常態分佈。

雙尾規則的範例:自由度為 5 且 |t| = 2 時,Q ≈ 0.0510,因此雙尾 p 值約為 2 × 0.0510 = 0.102,高於 0.05。

常見問題

自由度 \(\nu\) 可以是非整數嗎?可以。這個公式對任何 \(\nu > 0\) 的實數都成立,本計算器也接受帶有小數的自由度。

上尾累積機率代表什麼意思?它指的是右側尾端的面積,也就是 \(P(T > x)\)。如果你要計算正值 x 的雙尾 p 值,則應使用 \(2\cdot Q\)。

為什麼自由度很大時,曲線看起來像常態分配?隨著自由度增加,t 分配那較厚的尾端會逐漸收縮,使整體形狀趨近於標準常態分配。

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