Bỏ qua đến nội dung chính
Mục lục

Bảng phân phối Student t: tra t.ppf() theo bậc tự do

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 8/12 · Chương 6

Các phân phối xác suất

  • 8 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

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:

t=xˉ−μs/nt = \frac{\bar{x} - \mu}{s / \sqrt{n}}

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 là np.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:

python
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 = -2.0925

t ≈ −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:

python
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): 0.1045

Với 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:

python
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    2.576

Ở 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:

python
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
0.1216
Histogram mật độ của t tính từ 100.000 mẫu năm chiều cao, trục từ −5 tới 5; đường Student t bốn bậc tự do màu đen bám sát histogram, đường Z đỏ đứt nét cao hơn ở giữa và tụt nhanh hơn ở hai đuôi.

Lần 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

  1. Sau from scipy import stats, print(round(stats.t.ppf(0.975, 1000), 2)) in ra gì?

    • 2.04
    • 1.96
    • 0.98
  2. 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
  3. 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.ppf chỉ nhận df chẵn
  4. 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
Đúng hết lần đầu +15 XP

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.

python
from scipy import stats


def t_toi_han(n, muc_tin_cay):
    pass  # Viết thân hàm thay cho dòng này

Tóm 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

bảng phân phối student

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

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.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập