京公网安备 11010802034615号
经营许可证编号:京B2-20210330
使用Excel绘制t分布概率密度函数
关于t分布应用广泛,主要用于假设检验。关于使用Excel画出t分布的概率密度函数图表的问题,试答如下:
使用excel绘制t分布的概率密度函数,需要两列:1)自变量X,2)计算自变量X对应的t分布的概率密度函数。由于Excel中TDIST函数计算的是概率累积密度,不能计算概率密度值,所以借用伽马函数的自然对数。先从t分布的公式着手。
其中:ν 为自由度=n-1
Γ为伽马函数的的符号
t分布的平均数和标准正态分布一样均等于0
t分布的标准差=ν/(ν-2)
我们以随机变量t值为x轴(即视t为x),如何将自由度带入方程式求y值?因为t分布中涉及到GAMMALN()函数,而excel是提供GAMMALN()函数的,所以我们可以使用excel中的GAMMALN()函数来计算得到t分布的概率密度函数(参见【附录】)。经转换后其公式为:
t(X,df)=EXP(GAMMALN((df+1)/2))/(SQRT(PI()*df)*EXP(GAMMALN(df/2)))*(1+X^2/df)^(-1/2*(df+1))……………………………………公式(1)
由于对公式书写格式的顺序的理解不同,上述公式可能也会写成以下形式:
t(X,df)=EXP(GAMMALN((df+1)/2))*(1+X^2/df)^(-(df+1)/2)/SQRT(df*PI())/EXP(GAMMALN(df/2)) ……………………………………公式(2)
现以自由度(ν)=4为例,求t分布的图表,可由以下几步进行:
第1步 确定自变量取值范围
自由度=4时,t分布的方差为ν/(ν-2)=2,标准差= SQRT (2)=1.414
t分布的平均数和标准正态分布一样均等于0,同样与正态分布一样,几乎99%的t值会落在平均数`x±3个标准差之内,即落在区间(`x-3σ,`x+3σ)之间,所以横轴的取值范围在-4.2~4.2之间。
第2步 在Excel单元格中输入自变量
在A列中,在单元格A2中输入-4.2,在单元格A3中输入-4,递增0.2,选中单元格A2与A3,按住右下角的填充控制点一直拖到单元格A44是4.2为止,A列的这些数据就作为随机变量t的取值。如表-1所示:

表-1
第3步 在单元格B2中输入计算t分布的概率密度函数的公式
对于公式(1),由于自由度(ν)=4 ,则由df=4代入;自变量X就是单元格A2的值,所以按Excel相对引用的规则,X由A2代入即可,于是单元格B2内容是
=EXP(GAMMALN((4+1)/2))/(SQRT(PI()*4)*EXP(GAMMALN(4/2)))*(1+A2^2/4)^(-1/2*(4+1)),如表-2所示:

表-2
上述公式如按公式(1)的理解顺序,单元格B2内容可以写成:
=EXP(GAMMALN((4+1)/2))*(1+A2^2/4)^(-(4+1)/2)/SQRT(4*PI())/EXP(GAMMALN(4/2))
结果是一样的。
第4步 复制公式
按住单元格B2右下角的填充控制点,向下一直拖曳到B44,将B2的公式填充复制到B列的相应的单元格,如表-3所示:
表-3
第5步 由于相对引用的规则,A列的自变量会自动被公式相对引用计算,结果如表-4所示:

表-4
上述表-3是为了说明公式的复制,而特意在“工具”-“选项”-“视图”中将“公式”勾选,从而使公示内容全部显示出来。实际操作中,如表-4一样,公式的表达式不会显露,只有计算的结果会出现。至此已完成自由度为4的t分布概率密度函数表。
第6步 作t分布概率密度函数图
选择A1:B44,选“图表向导”-“标准类型’-“XY散点图”(平滑线),如图-1所示:

图-1
第7步 输入标题,调整字号、线型等格式,完成t分布概率密度函数图,如图-2所示:

图-2
如将上图的图表类型换成二维面积图,则如图-3-1(2003版)和图-3-2(2010版)所示:
图-3-1
图-3-2
在Excel 2003版中面积图数据系列格式的图案的内部填充格式没有透明的设置,也不能使用柱形图那样用预先制作的透明图片填充,此类效果可以在2007版与2010版中轻易实现。如为了在2003版中突出视觉效果,可以尝试使用三维面积图。如将上图的图表类型换成三维面积图,则如图-4-1(2003版)和图-4-2(2010版)所示:
图-4-1

图-4-2
为了方便调整不同的自由度参数值观察图形变化,在Excel数据表中可在第一行的某几个单元格如E1、F1、G1输入不同参数,然后在公式引用这几个参数时使用不同的方式:列数据为相对引用,而行数据为绝对引用,如E$1、F$1、G$1。而A列自变量值则使用:列数据为绝对引用,而行数据为相对引用,如$A2、$A3、$A4等。
数据表输入截图如图-5:
图-5
在公式输入后,选择单元格区间A1:D44,在同一图表作出三种不同自由度的平滑曲线的散点图,可见随着自由度的变大,t分布越向Y轴集中如图-6所示:
图-6
【附录:关于GAMMALN()函数和EXP()函数】
•函数 GAMMALN 的计算公式如下:
伽马函数Γ(x)是个定积分,无法直接绘图,可由GAMMALN()函数和EXP()函数,并利用对数恒等式:
间接求得,下面对以上内容使用Excel中的相关文字加以说明。
GAMMALN函数的作用: 返回伽玛函数Γ(x)的自然对数。
语法:
GAMMALN(x)
X 为需要计算函数 GAMMALN 的数值。
GAMMALN(x)=LN(Γ(x))
说明:
如果 x 为非数值型,函数 GAMMALN 返回错误值 #VALUE!。
如果 x ≤ 0,函数 GAMMAIN 返回错误值 #NUM!。
数字 e 的 GAMMALN(i) 次幂等于 (i-1)!,其中 i 为整数,常数 e 等于 2.71828182845904,是自然对数的底数。
GAMMALN(8)=8.525161
EXP(GAMMALN(8))=5040=(8-1)!=FACT(7)
FACT(N)为返回N-1的阶乘(N-1)!=1×2×3×4×…×(N-2)×(N-1)的函数(其中N为自然数)
关于EXP()函数: EXP()返回 e 的 n 次幂。常数 e 等于 2.71828182845904,是自然对数的底数。
语法
EXP(number)
Number 为底数 e 的指数。
说明
若要计算以其他常数为底的幂,请使用指数操作符 (^)。
EXP 函数是计算自然对数的 LN 函数的反函数。
EXP(1)=2.718282(e的近似值)
EXP(2)=7.389056
EXP(1)=20.08554
EXP(LN(3))=3
于是为求伽马函数Γ(x)首先要回忆一个最基本的恒等式:
即可得:
把该恒等式用于伽马函数的取得,可以由以下两步进行:
先用GAMMALN(x),取得自然对数;
再用EXP(GAMMALN(x)),取得伽马函数的值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27