设
X
X
X~
N
(
0
,
1
)
N(0,1)
N(0,1),
Y
Y
Y~
χ
2
(
n
)
\chi^2(n)
χ2(n),且
X
X
X与
Y
Y
Y相互独立,则
X
Y
/
n
\frac{X}{\sqrt{Y/n}}
Y/nX~
t
(
n
)
t(n)
t(n)。即
X
Y
/
n
\frac{X}{\sqrt{Y/n}}
Y/nX服从自由度为
n
n
n的学生分布,其密度函数为
h
(
x
)
=
Γ
(
n
+
1
2
)
n
π
Γ
(
n
2
)
(
1
+
x
2
n
)
−
n
+
1
2
h(x)=\frac{\Gamma\left(\frac{n+1}{2}\right)}{\sqrt{n\pi}\Gamma\left(\frac{n}{2}\right)}\left(1+\frac{x^2}{n}\right)^{-\frac{n+1}{2}}
h(x)=nπΓ(2n)Γ(2n+1)(1+nx2)−2n+1
下图展示了自由度
n
n
n为2和100时的密度函数
h
(
x
)
h(x)
h(x)的图像。
这是一个偶函数,所以其图形关于纵轴对称。
对给定的显著水平
α
\alpha
α,用
t
α
(
n
)
t_{\alpha}(n)
tα(n)表示单侧右分位点,即
P
(
X
>
t
α
(
n
)
)
<
α
.
P(X>t_{\alpha}(n))<\alpha.
P(X>tα(n))<α.
如下图所示
根据密度函数图像关于纵轴的对称性,对应
α
\alpha
α的单侧左分位点为
−
t
α
(
n
)
-t_{\alpha}(n)
−tα(n),即
P
(
X
≤
−
t
α
(
n
)
)
<
α
P(X\leq-t_{\alpha}(n))<\alpha
P(X≤−tα(n))<α,如下图所示。
对置信水平
1
−
α
1-\alpha
1−α,双侧左、右分为点为
−
t
α
/
2
(
n
)
-t_{\alpha/2}(n)
−tα/2(n)和
t
α
/
2
(
n
)
t_{\alpha/2}(n)
tα/2(n),即
P
(
−
t
α
/
2
(
n
)
<
X
<
t
α
/
2
(
n
)
)
≥
1
−
α
P(-t_{\alpha/2}(n)<X<t_{\alpha/2}(n))\geq1-\alpha
P(−tα/2(n)<X<tα/2(n))≥1−α,如下图所示。
Python的scipy.stats包中,连续型分布类 rv_continuous的t对象表示 t t t分布。常用函数调用接口见下表。
函数名 | 参数 | 意义 |
---|---|---|
ppf | q:表示显著水平 α \alpha α,df:表示分布的自由度 n n n | 单侧左分位点 t 1 − α ( n ) t_{1-\alpha}(n) t1−α(n) |
isf | q,df:与上同 | 单侧右分位点 t α ( n ) t_{\alpha}(n) tα(n) |
interval | alpha:表示置信水平 1 − α 1-\alpha 1−α,df:与上同 | 双侧分位点 t 1 − α / 2 ( n ) t_{1-\alpha/2}(n) t1−α/2(n)和 t α / 2 ( n ) t_{\alpha/2}(n) tα/2(n) |
例1 设显著水平
α
=
0.05
\alpha=0.05
α=0.05,计算自由度
n
=
24
n=24
n=24的
t
t
t分布的单侧分位点和双侧分位点。
解:下列代码完成本例的计算。
from scipy.stats import t #导入t
n=24 #设置自由度n
alpha=0.05 #设置alpha
b=t.isf(q=alpha, df=n) #计算单侧右分位点
a=-b #单侧左分位点
print('单侧左、右分位点:a=%.4f, b=%.4f'%(a, b))
a, b=t.interval(1-alpha, df=n) #双侧右分位点
a=-b #双侧左分位点
print('双侧左、右分位点:a=%.4f, b=%.4f'%(a, b))
运行程序,输出
单侧左、右分位点:a=-1.7109, b=1.7109
双侧左、右分位点:a=-2.0639, b=2.0639
写博不易,敬请支持:
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
代码诚可贵,原理价更高。若为AI学,读正版书好。
返回《导引》