F分布分位点(逆F / 分位数)计算器

F分布分位点(逆F / 分位数)计算器

新兴 AI Skill PRO

输入计算

数学公式

Fp={x:Id1xd1x+d2(d12,d22)=P(下尾)}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(下尾)} \,\}\quad d_1=\text{d1},\ d_2=\text{d2}
使用统计

广告

结果

F(d1, d2) 的分位点 x
3.3258
F临界值(分位数)
分布 F分布
求逆方法 正则化不完全贝塔函数求逆(二分法)

报告本页错误

什么是F分布的分位点?

F分布的分位点(也叫逆F、分位数或临界值)是指这样一个数值 x:当分子自由度为 \(d_1\)、分母自由度为 \(d_2\) 时,F分布的累积概率恰好等于某个设定的概率值。它是F分布累积分布函数(CDF)的反函数,正是我们在做方差分析(ANOVA)、回归整体显著性检验以及方差比(方差齐性)检验时,要从F分布表里查找的那个临界值。

F 分布曲线,下尾和上尾阴影区域由一条垂直的临界值线分隔
百分位点 x 是下尾阴影面积等于 P 的值(其余右侧面积等于 Q)。

如何使用本计算器

首先选择累积方式。如果你手中的概率是 \(P = \Pr(F \le x)\),请选择下尾累积P——例如 \(P = 0.95\) 会返回一个数值,分布中有 95% 的部分落在它以下。如果你拿到的是尾部概率 \(Q = \Pr(F > x)\),则选择上尾累积Q——例如 \(Q = 0.05\) 会返回常用的上侧 5% 临界值。接着填入概率(须严格介于 0 与 1 之间)、分子自由度 \(d_1\) 和分母自由度 \(d_2\),然后提交即可。

公式解析

F分布的累积分布函数可以借助正则化不完全贝塔函数 \(I\) 来表示:令 \(a = d_1/2\)、\(b = d_2/2\),并代入 \(w = \frac{d_1 x}{d_1 x + d_2}\),则 \(\text{F-CDF}(x) = I_w(a, b)\)。要对它求逆,本计算器在区间 \((0, 1)\) 上对 \(w\) 使用二分法求解 $$I_w(a, b) = \text{targetP},$$ 其中 \(I_w\) 的计算采用 Lanczos 对数伽马函数和《Numerical Recipes》中的连分式算法。求得 \(w\) 后再回代得到 $$x = \frac{d_2 \cdot w}{d_1 \cdot (1 - w)}.$$ 在上尾模式下,目标概率取为 \(\text{targetP} = 1 - Q\)。

广告

实例演算

取 \(P = 0.95\)、\(d_1 = 5\)、\(d_2 = 10\),我们要求的是上侧 5% 的F临界值。此时 \(a = 2.5\)、\(b = 5\),对 \(I_w(2.5, 5) = 0.95\) 求逆,得到 \(w \approx 0.6245\),于是 $$x = \frac{10 \times 0.6245}{5 \times 0.3755} \approx 3.3258,$$ 与表中查得的 \(F_{0.05}(5, 10) = 3.3258\) 完全吻合。

F 临界值表(上侧 5% 水平)

该表列出了上尾临界值 \(F_{0.05}(d_1, d_2)\),即 F 分布右侧占 5% 面积的点。这些对应于上尾概率 \(Q = 0.05\),因此下尾概率为 \(P = 0.95\)。要重现某个数值,请输入 P = 0.95(或 Q = 0.05),并给出分子自由度 \(d_1\) 和分母自由度 \(d_2\)。列为 \(d_1\)(分子),行为 \(d_2\)(分母)。数值保留 4 位小数。

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

示例读数:\(F_{0.05}(5,10) = 3.3258\),\(F_{0.05}(1,10) = 4.9646\) 和 \(F_{0.05}(2,10) = 4.1028\)。∞ 行等于 \(\chi^2_{0.05}(d_1)/d_1\);当 \(d_1 = 1\) 时,即 \(1.96^2 = 3.8415\)。

广告

临界值的解读

右侧检验。在方差分析和回归 F 检验中,当观测统计量超过上尾临界值时,在显著性水平 \(\alpha\) 下拒绝原假设 \(H_0\):

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

其中 \(d_1\) 为分子自由度(例如,单因素方差分析中组数减 1),\(d_2\) 为分母自由度(例如,残差自由度)。

P 与 Q。计算器接受下尾概率 \(P = \Pr(F \le x)\) 或上尾概率 \(Q = \Pr(F > x)\),且 \(P = 1 - Q\)。显著性水平直接对应上尾,即 \(\alpha = Q\),因此 5% 的检验使用 \(Q = 0.05\),即 \(P = 0.95\)。

双侧方差比检验。要检验两个方差在双侧备择假设下是否相等,需将显著性水平分配到两侧,使用两个临界值:\(F_{\alpha/2}(d_1, d_2)\)(上侧)和 \(F_{1-\alpha/2}(d_1, d_2)\)(下侧)。若比值落在上侧值之上或下侧值之下,则拒绝 \(H_0\)。下侧值由倒数恒等式得出:

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

注意自由度发生了互换。例如,由表可得 \(F_{0.05}(10, 5) = 4.7351\),因此 \(F_{0.95}(5, 10) = 1/4.7351 \approx 0.2112\)。

随 \(d_2\) 增大的变化。表中每一列都随 \(d_2\) 增大而减小,因为分母的估计变得更加精确。当 \(d_2 \to \infty\) 时,临界值趋近于 \(\chi^2_{\alpha}(d_1)/d_1\)。表中的 ∞ 行即展示了这一极限。

形状。F 分布仅在 \(x > 0\) 时有定义,并且呈右偏态,自由度较小时尤为明显。这就是为什么下侧和上侧临界值关于 1 并不对称,以及为什么下尾需要使用倒数恒等式。

常见问题

P 和 Q 有什么区别? P 是从负无穷累积到 \(x\) 的下尾(累积)概率;Q 是超过 \(x\) 的上尾概率。两者的关系为 \(P = 1 - Q\)。

为什么概率必须严格介于 0 和 1 之间? 概率为 0 对应分位点 \(x = 0\),概率为 1 对应 \(x\) 趋于无穷大,二者都不是有限、有实际意义的临界值。

自由度可以是非整数吗? 可以——对任意正实数 \(d_1\) 和 \(d_2\),公式都成立;不过在方差分析中,自由度通常取整数。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器