Bảng phân phối Student t: tra t.ppf() theo bậc tự do
Bài 8/12 · Chương 6
Các phân phối xác suất
- 8 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 12
Bảng phân phối Student, hay bảng t, cho giá trị tới hạn của phân phối Student t theo bậc tự do; trên Python, ô tra đó là stats.t.ppf(0.975, df) cho khoảng hai phía 95%. Phân phối t thay cho phân phối chuẩn tắc Z khi bạn chuẩn hóa trung bình của một mẫu nhỏ bằng độ lệch chuẩn mẫu s, vì s của mẫu nhỏ dao động nhiều.
Cần biết trước: bảng phân phối chuẩn tắc, phương sai mẫu chia n − 1 và ký hiệu thống kê.
Phân phối Student t và bậc tự do là gì
Lấy một mẫu n giá trị từ tổng thể chuẩn có trung bình μ. Nếu biết σ thì (x̄ − μ)/(σ/√n) theo đúng Z. Thường bạn không biết σ và thay bằng s của mẫu:
Trong đó:
x̄ (
x.mean()): trung bình mẫu.μ (
mu): trung bình của tổng thể, giá trị đang so.s (
x.std(ddof=1)): độ lệch chuẩn mẫu, chia n − 1.n (
len(x)): cỡ mẫu; √n trong code lànp.sqrt(n).
Đại lượng này theo phân phối Student t (Student's t distribution) với n − 1 bậc tự do (degrees of freedom, df). Bậc tự do là gì: s tính từ n độ lệch xᵢ − x̄, nhưng các độ lệch đó cộng lại luôn bằng 0, nên chỉ n − 1 độ lệch được tự do. Đó cũng là lý do phương sai mẫu chia n − 1.
Đường mật độ của t cũng hình chuông, đối xứng quanh 0, nhưng đuôi dày hơn Z: mẫu nhỏ có khi cho s nhỏ bất thường, làm t vọt xa. Bậc tự do càng lớn, s càng sát σ và t càng gần Z.
Tính tay một giá trị t
Một máy đóng gói đặt 500 g mỗi túi. Cân 5 túi được 497, 499, 501, 496, 498 g. Khối dưới tính x̄, s và t bằng Python thuần; sửa list x rồi bấm Chạy:
import math
x = [497, 499, 501, 496, 498]
n = len(x)
x_tb = sum(x) / n
s = math.sqrt(sum((v - x_tb) ** 2 for v in x) / (n - 1))
t = (x_tb - 500) / (s / math.sqrt(n))
print("x̄ =", x_tb, " s =", round(s, 4))
print("df =", n - 1)
print("t =", round(t, 4))KẾT QUẢ
x̄ = 498.2 s = 1.9235
df = 4
t = -2.0925t ≈ −2,09: trung bình mẫu thấp hơn 500 g khoảng 2,1 sai số chuẩn. Có đáng ngờ không phụ thuộc vào giá trị tới hạn của t với 4 bậc tự do, phần ô tra dưới đây. Đổi [497, 499, 501, 496, 498] thành [497, 499, 501, 496, 498, 497, 499, 501, 496, 498] rồi chạy lại: x̄ và s gần như giữ nguyên, nhưng dòng cuối in t = -3.1387, vì √n lớn hơn.
Máy tra bảng t
Sửa alpha và df ở hai dòng đầu rồi bấm Chạy. Khối in giá trị tới hạn hai phía, một phía, và z tương ứng để so:
from scipy import stats
alpha = 0.05
df = 4
print(f"t hai phía: {stats.t.ppf(1 - alpha / 2, df):.4f}")
print(f"t một phía: {stats.t.ppf(1 - alpha, df):.4f}")
print(f"Z hai phía: {stats.norm.ppf(1 - alpha / 2):.4f}")
print(f"P(|T| ≥ 2,0925): {2 * stats.t.sf(2.0925, df):.4f}")KẾT QUẢ
t hai phía: 2.7764
t một phía: 2.1318
Z hai phía: 1.9600
P(|T| ≥ 2,0925): 0.1045Với 4 bậc tự do, ngưỡng hai phía 5% là 2,776, xa hơn hẳn 1,96 của Z. t = −2,0925 của mẫu 5 túi chưa vượt ngưỡng đó; dòng cuối là xác suất hai phía để |T| xa như vậy khi trung bình thật đúng 500 g. Excel viết T.INV.2T(0,05; 4) cho ngưỡng hai phía và T.INV(0,95; 4) cho một phía.
Bảng t in trong sách có hai kiểu tiêu đề cột: theo diện tích một phía (0,025) hay theo α hai phía (0,05). Hai cột đó cho cùng số 2,776 ở df = 4. Đọc nhầm kiểu là lấy 2,132, ngưỡng một phía 5%.
Tự in một khúc bảng t
Bảng nhỏ dưới đây sinh bằng code, giá trị tới hạn hai phía cho ba mức hay dùng; hàng cuối là Z, giới hạn khi df rất lớn:
from scipy import stats
muc = [0.90, 0.95, 0.99]
print(" df" + "".join(f"{m:>9.0%}" for m in muc))
for df in [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 15, 20, 30]:
hang = [stats.t.ppf(1 - (1 - m) / 2, df) for m in muc]
print(f"{df:>4}" + "".join(f"{v:>9.3f}" for v in hang))
z = [stats.norm.ppf(1 - (1 - m) / 2) for m in muc]
print(" Z" + "".join(f"{v:>9.3f}" for v in z))KẾT QUẢ
df 90% 95% 99%
1 6.314 12.706 63.657
2 2.920 4.303 9.925
3 2.353 3.182 5.841
4 2.132 2.776 4.604
5 2.015 2.571 4.032
6 1.943 2.447 3.707
7 1.895 2.365 3.499
8 1.860 2.306 3.355
9 1.833 2.262 3.250
10 1.812 2.228 3.169
15 1.753 2.131 2.947
20 1.725 2.086 2.845
30 1.697 2.042 2.750
Z 1.645 1.960 2.576Ở df = 1, ngưỡng 95% là 12,706, gấp sáu lần 1,96. Tới df = 30 nó chỉ còn 2,042, sát Z.
Mô phỏng: vì sao mẫu nhỏ có đuôi dày
Rút 100.000 mẫu, mỗi mẫu 5 chiều cao từ N(170, 6²), tính t của từng mẫu như bài mô phỏng bằng NumPy. Nếu t theo Z thì chỉ 5% có |t| > 1,96. Vẽ trên một axes theo bài figure và axes:
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats as st
rng = np.random.default_rng(50)
mau = rng.normal(170, 6, size=(100_000, 5))
t = (mau.mean(axis=1) - 170) / (mau.std(axis=1, ddof=1) / 5 ** 0.5)
print(round(np.mean(np.abs(t) > 1.96), 4))
print(round(2 * st.t.sf(1.96, 4), 4))
x = np.linspace(-5, 5, 81)
fig, ax = plt.subplots(figsize=(6.4, 4), layout="constrained")
ax.hist(t, bins=x, density=True, alpha=0.5, label="t của 100.000 mẫu")
ax.plot(x, st.t.pdf(x, 4), "k", label="Student t, df = 4")
ax.plot(x, st.norm.pdf(x), "r--", label="Z")
ax.legend(title="Mật độ theo t")
plt.show()KẾT QUẢ
0.122
0.1216Lần chạy này cho 12,2% số mẫu có |t| > 1,96, gấp hơn hai lần 5% mà Z hứa, sát 12,16% của Student t với 4 bậc tự do. Histogram bám đường đen, còn đường Z mỏng hơn ở hai đuôi.
Kiểm tra nhanh
Sau
from scipy import stats,print(round(stats.t.ppf(0.975, 1000), 2))in ra gì?2.041.960.98
Những câu nào đúng về phân phối Student t?
- Đối xứng quanh 0 như Z
- Đuôi dày hơn Z, nên ngưỡng tới hạn lớn hơn
- Không đổi theo cỡ mẫu
- Bậc tự do càng lớn thì càng gần Z
Trong khung bẫy, vì sao
stats.t.ppf(0.975, 5)sai cho mẫu 5 túi?- Vì 0,975 là một phía
- Vì mẫu 5 giá trị có 4 bậc tự do, ngưỡng đúng là 2,776 thay cho 2,571
- Vì
t.ppfchỉ nhận df chẵn
Bảng t có cột "α hai phía = 0,05". Cột đó trùng với cột nào của một bảng ghi diện tích một phía?
- 0,05
- 0,025
- 0,10
Bài tập
Tìm t tới hạn hai phía từ cỡ mẫu
Một phòng thí nghiệm đo n mẫu (n ≥ 2) và cần ngưỡng t cho khoảng tin cậy hai phía ở mức muc_tin_cay. Viết thân hàm t_toi_han(n, muc_tin_cay) trả về t dương sao cho P(−t ≤ T ≤ t) = mức tin cậy, với T theo Student t có n − 1 bậc tự do. Dùng stats.t đã nhập sẵn.
Trả về: t tới hạn hai phía, một float dương.
Ví dụ t_toi_han(5, 0.95) cho khoảng 2.7764.
from scipy import stats
def t_toi_han(n, muc_tin_cay):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
(x̄ − μ)/(s/√n) của mẫu n giá trị từ tổng thể chuẩn theo phân phối Student t với n − 1 bậc tự do.
Bậc tự do là số độ lệch được tự do: n độ lệch cộng lại bằng 0, nên còn n − 1.
t đối xứng, đuôi dày hơn Z; df tăng thì t tiến về Z.
Ngưỡng hai phía mức c:
stats.t.ppf(1 - (1 - c) / 2, df); df = 4 và 95% cho 2,776.Bảng in theo một phía hay hai phía; cột 0,025 một phía trùng cột 0,05 hai phía.
Excel:
T.INV.2T(α; df)cho ngưỡng hai phía.
Câu hỏi thường gặp
Bậc tự do là gì, nói gọn?
Là số giá trị còn được tự do thay đổi sau khi đã cố định một đại lượng tính từ chúng. Tính s cần x̄ trước, mà các độ lệch quanh x̄ cộng lại bằng 0, nên n giá trị chỉ còn n − 1 bậc tự do. Mỗi phép kiểm định có công thức bậc tự do riêng.
Vì sao tên là "Student"?
William Sealy Gosset công bố phân phối này năm 1908 dưới bút danh "Student", vì xưởng bia nơi ông làm không cho nhân viên đăng bài bằng tên thật. Phân phối được đặt theo bút danh đó.
Khi nào được dùng Z thay cho t?
Khi biết σ của tổng thể, hoặc mẫu đủ lớn để t và Z gần như trùng; ở df = 30, ngưỡng 95% là 2,042 so với 1,96. Phần mềm luôn dùng t khi σ chưa biết, nên bạn không cần nhớ một mốc n cụ thể. Bài bảng phân phối chuẩn tắc có ô tra Z.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.