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。
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。
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。
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。