学生t分布计算器

学生t分布计算器

增长中 AI Skill PRO

输入计算

数学公式

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}}
显示计算步骤 (1)
  1. 累积分布函数(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}

    利用正则化不完全贝塔函数 I 得到的下侧概率;z = ν / (ν + x²)。当 x > 0 时,其值为 1 减去同一表达式的一半。

使用统计

广告

结果

概率密度 f(x)
0.230362
t 分布在 x 处的密度值
下侧累积概率 P(T ≤ x) 0.829553
上侧累积概率 Q(T > x) 0.170447

报告本页错误

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。

不同自由度的钟形 t 分布曲线与正态曲线的对比
t 分布呈钟形且尾部更厚;随着自由度增大,它逐渐逼近正态曲线。

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。

广告
t 分布曲线,显示某一值 x 处阴影的下侧 CDF 面积和上尾面积
f(x) 是曲线高度,P(T≤x) 是左侧的阴影面积,Q 是剩余的右尾。

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。

广告

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。

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