學生 t 分配亂數產生器

學生 t 分配亂數產生器

新興 AI Skill PRO

輸入計算

數學公式

T=Z·vX其中{Z∼N(0,1)X∼χv2=伽瑪(v2,2)N=數量個值\begin{gathered} T = Z \cdot \sqrt{\dfrac{\text{v}}{X}} \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} Z &\sim \mathcal{N}(0,\,1) \\ X &\sim \chi^{2}_{\text{v}} = \text{伽瑪}\!\left(\tfrac{\text{v}}{2},\, 2\right) \\ N &= \text{數量}\ \text{個值} \end{aligned} \right. \end{gathered}
使用統計

廣告

結果

產生的亂數值
2.304426651, -1.773356037, -2.426941955, -1.952810865, 0.6772763488, 0.8597323099, -0.9000508381, -0.4376669030, 0.5634970162, 0.3511187191
學生 t 分配抽樣值
產生數量 10
自由度(v) 2
樣本平均數 -0.273478

回報本頁錯誤

這個工具的用途

這個產生器會依你指定的自由度(v),從學生 t 分配中抽出一連串擬亂數。t 分配是一種鐘形、左右對稱的分配,比標準常態分配的尾端更厚(重尾)。當我們用小樣本去估計常態母體的平均數、而母體變異數又未知時,t 分配便自然登場,它同時也是 t 檢定與信賴區間的理論基礎。隨著自由度 v 越來越大,t 分配會逐漸收斂到標準常態分配 \(\mathcal{N}(0,1)\)。這是純數學工具,不涉及任何地區性的假設。

使用方法

輸入自由度 v(任何大於 0 的實數,預設為 2),再輸入想要產生的數值個數(1 到 1000 之間的整數,預設為 10)。按下計算,就會回傳一組全新的 t 分配抽樣結果。由於底層的均勻分配抽樣本身具有隨機性,每次執行得到的數字都不一樣,但它們始終服從同一個目標分配。

產生樣本的直方圖,近似一條平滑的 t 分配曲線
產生的樣本所構成的直方圖,近似於鐘形的 t 分配。

公式說明

機率密度函數為 $$f(x,v) = \frac{\left(1 + x^{2}/v\right)^{-(v+1)/2}}{\sqrt{v}\,B\!\left(\tfrac{1}{2},\,\tfrac{v}{2}\right)}$$ 其中 \(B\) 為 Beta 函數。為了有效率地抽樣,我們採用經典的表示法:先從標準常態分配抽出 \(Z\),再從自由度為 v 的卡方分配抽出 \(C\),則 $$T = Z \cdot \sqrt{\frac{v}{C}}$$ 就剛好服從 t 分配。在程式內部,\(Z\) 由 Box-Muller 轉換產生,\(C\) 則由 \(\text{Gamma}(v/2,\,2)\) 取樣器(Marsaglia-Tsang 演算法)產生,對任何實數 \(v > 0\) 皆適用。

廣告
流程圖:常態樣本與卡方樣本組合產生一個服從 t 分配的值
每個服從 t 分配的值,都是由一個標準常態抽樣 Z 與一個依自由度縮放的卡方抽樣 C 組合而成。

實際範例

以 \(v = 2\) 為例,假設某次執行得到 \(Z = 0.50\)、卡方抽樣值 \(C = 1.20\),那麼 $$T = 0.50 \cdot \sqrt{\frac{2}{1.20}} = 0.50 \cdot 1.29099 = 0.6455$$ 第二組 \(Z = -1.10\)、\(C = 3.00\),得到 \(T = -0.8982\);第三組 \(Z = 0.20\)、\(C = 0.40\),得到 \(T = 0.4472\)。這三個數值就是 \(\text{count} = 3\) 時的一組樣本示範。

廣告
鐘形的 Student t 分配曲線與常態曲線比較,顯示其尾部更厚
Student t 分配(實線)的尾部比常態分配(虛線)更厚,自由度較低時尤其明顯。

常見問題

為什麼有些數值特別大?當 \(v \le 1\) 時平均數沒有定義,當 \(v \le 2\) 時變異數為無限大,因此出現絕對值很大的抽樣值是預期之中的現象,並不是錯誤。

為什麼每次結果都不一樣?每次抽樣都會使用全新的均勻亂數,所以列表每次都不同,但仍然服從相同的 t 分配。

如果 v 很大會怎樣?此時分配的表現幾乎與標準常態分配 \(\mathcal{N}(0,1)\) 一模一樣。

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