什么是学生t分布计算器?
这款工具用于在给定数值 x(即 t 统计量)和自由度 \(\nu\) 的情况下,计算学生 t 分布的相关数值。它会输出三个结果:概率密度 \(f(x)\)、下侧累积概率 \(P(T \le x)\),以及上侧累积概率 \(Q = P(T > x) = 1 - P\)。这是纯粹的数学运算,普遍适用于全球任何场景,不涉及任何地区性规则。
如何使用
在 x 处填入任意实数(可以为负数),在自由度 \(\nu\) 处填入一个正数(通常为整数,如 5、10 或 30,但任何 \(\nu > 0\) 的值都可接受)。点击计算即可得到概率密度以及两侧的尾部概率。当 \(\nu\) 不断增大时,t 分布会逐渐逼近标准正态分布 \(N(0, 1)\)。
公式详解
概率密度为
$$f(x) = \frac{\Gamma\!\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi}\;\Gamma\!\left(\frac{\nu}{2}\right)}\left(1 + \frac{x^{2}}{\nu}\right)^{-\frac{\nu+1}{2}}$$其中 \(\Gamma\) 表示伽马函数。累积概率借助正则化不完全贝塔函数来求解:令 \(z = \dfrac{\nu}{\nu + x^{2}}\),当 \(x \ge 0\) 时 \(P(T \le x) = 1 - \tfrac{1}{2}\,I_z(\tfrac{\nu}{2}, \tfrac{1}{2})\),当 \(x < 0\) 时 \(P(T \le x) = \tfrac{1}{2}\,I_z(\tfrac{\nu}{2}, \tfrac{1}{2})\)。为保证数值稳定性,我们采用 Lanczos 对数伽马近似在对数空间中计算概率密度,并通过 Lentz 连分式算法求解不完全贝塔函数。
实例演示
当 \(x = 1.0\)、\(\nu = 10\) 时:概率密度 \(f(1) \approx 0.2304\)。下侧累积概率 \(P(T \le 1.0) \approx 0.8303\),因此上侧累积概率 \(Q \approx 0.1697\),与标准 t 分布表中的数值完全吻合。
t 分布的临界值
该表给出了值 t,使得上尾概率 P(T > t) 等于列标题。双尾显著性水平是单尾显著性水平的两倍。这些是标准教材中的数值,四舍五入到三位小数。
| 自由度 df (ν) | 0.10(双尾 0.20) | 0.05(双尾 0.10) | 0.025(双尾 0.05) | 0.01(双尾 0.02) | 0.005(双尾 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 |
| ∞(正态) | 1.282 | 1.645 | 1.960 | 2.326 | 2.576 |
随着自由度增大,临界值会趋近于最后一行的标准正态分布数值而减小。
输出结果的解读
- 概率密度 f(x) 是曲线在 x 处的高度。它不是概率;对于连续分布,概率是由数值之间曲线下的面积得到的。
- 下侧累积概率 P(T ≤ x) 是 x 左侧的面积。上尾概率 Q = 1 − P 是 x 右侧的面积。
- 单尾 p 值:对于观测到的 t 统计量,若为右尾检验且统计量为正,则 Q 即为 p 值。对于负 t 的左尾检验,p 值为 P(T ≤ t)。
- 双尾 p 值:在 |x| 处使用 2Q 计算,因为该分布关于原点对称,两侧尾部都计入。
- 对称性:t 分布关于 0 对称,因此 P(T ≤ −x) = Q(x) = 1 − P(T ≤ x),且 f(−x) = f(x)。
- 与 α = 0.05 的临界值比较:双尾检验在 |t| 超过单尾 0.025 临界值时拒绝原假设(例如 df = 10 时为 2.228,df = 30 时为 2.042)。α = 0.05 的单尾检验使用 0.05 列(例如 df = 10 时为 1.812)。等价地,p 值小于 0.05。
- 厚尾:对于较小的 ν,极端值比在正态曲线下更可能出现。在 x = 2 处,df = 5 时 Q 约为 0.0510,而正态分布为 0.0228。随着 ν 增大,t 分布趋近于标准正态分布。
双尾规则示例:当 df = 5 且 |t| = 2 时,Q ≈ 0.0510,因此双尾 p 值约为 2 × 0.0510 = 0.102,高于 0.05。
常见问题
自由度 \(\nu\) 可以不是整数吗? 可以。该公式对任意 \(\nu > 0\) 的实数均成立,因此本计算器也支持小数形式的自由度。
上侧累积概率代表什么含义? 它表示右侧尾部的面积,即 \(P(T > x)\)。如果你要计算正 x 值对应的双侧 p 值,则应使用 \(2\cdot Q\)。
为什么自由度很大时曲线看起来像正态分布? 随着自由度增大,t 分布厚重的尾部会逐渐收窄,整体趋近于标准正态分布。