(完整版)t分布的概念及表和查表方法.doc

t分布介绍

在概率论和统计学中，学生 t - 分布（t -distribution ），可简称为 t 分布，用于根据小样本来估计呈正态分布且方差未知的总体的均值。如果总体方差已知（例如在样本数量足够多时），则应该用正态分布来估计总体均值。

t 分布曲线形态与 n（确切地说与自由度 df ）大小有关。与标准正态分布曲线相比，自由度df 越小， t 分布曲线愈平坦，曲线中间愈低，曲线双侧尾部翘得愈高；自由度 df 愈大， t 分布曲线愈接近正态分布曲线，当自由度 df= ∞时， t 分布曲线为标准正态分布曲线。

中文名t 分布应用在对呈正态分布的总体

外文名t -distribution 别称学生 t 分布

学科概率论和统计学相关术语t 检验

目录

1历史

2定义

3扩展

4特征

5置信区间

6计算

历史

在概率论和统计学中，学生 t -分布（ Student's t-distribution ）经常应用在对呈正态分布的总体的均值进行估计。它是对两个样本均值差异进行显著性测试的学生t 测定的基础。 t 检定改进了Z 检定（en:Z-test ），不论样本数量大或小皆可应用。在样本数量大（超过 120 等）时，可以应用Z 检定，但 Z 检定用在小的样本会产生很大的误差，因此样本很小的情况下得改用学生t 检定。在数据有三组以上时，因为误差无法压低，此时可以用变异数分析代替学生t 检定。

当母群体的标准差是未知的但却又需要估计时，我们可以运用学生t-分布。

学生 t-分布可简称为t 分布。其推导由威廉·戈塞于 1908 年首先发表，当时他还在都柏林的健力士酿酒厂工作。因为不能以他本人的名义发表，所以论文使用了学生（Student ）这一笔名。之后t 检验以及相关理论经由罗纳德·费雪的工作发扬光大，而正是他将此分布称为学生分布。

定义

由于在实际工作中，往往σ是未知的，常用s 作为σ的估计值，为了与u 变换区别，称为t 变换，统计量 t 值的分布称为t 分布。

假设 X 服从标准正态分布N （0,1 ）， Y 服从分布，那么的分布称为自由度为n 的 t 分布，记为。

分布密度函数，

其中， Gam(x) 为伽马函数。

扩展

正态分布（ normal distribution）是数理统计中的一种重要的理论分布，是许多统计方法的理论基础。

正态分布有两个参数，μ和σ，决定了正态分布的位置和形态。为了应用方便，常将一般的正态变量X 通过 u 变换 [(X- μ)/ σ]转化成标准正态变量u ，以使原来各种形态的正态分布都转换为μ=0，σ=1的标准正态分布（ standard normal distribution），亦称u分布。

根据中心极限定理，通过上述的抽样模拟试验表明，在正态分布总体中以固定n，抽取若干个样本时，样本均数的分布仍服从正态分布，即N(μ,)。所以，对样本均数的分布进行u 变换，也可变换为标准正态分布N (0,1) 。

特征

1 ．以 0 为中心，左右对称的单峰分布；

2 ．t 分布是一簇曲线，其形态变化与n（确切地说与自由度df）大小有关。自由度df 越小， t 分布曲线越低平；自由度df 越大，t 分布曲线越接近标准正态分布（u 分布）曲线，如图：

t(n) 分布与标准正态N(0,1) 的密度函数。

3.随着自由度逐渐增大， t 分布逐渐接近标准正态分布。

对应于每一个自由度df，就有一条t 分布曲线，每条曲线都有其曲线下统计量t 的分布规律，计算较

复杂。

学生的 t-分布（或也t 分布），在概率统计中，在置信区间估计、显著性检验等问题的计算中发挥重

要作用。

t分布情况出现时（如在几乎所有实际的统计工作）的总体标准偏差是未知的，并要从数据估算。教

科书问题的处理标准偏差，因为如果它被称为是两类：

（1 ）那些在该样本规模是如此之大的一个可处理的数据为基础估计的差异，就好像它是一定的；

（ 2 ）这些说明数学推理，在其中的问题，估计标准偏差是暂时忽略的，因为这不是一点，这是作

者或导师当时的解释。

置信区间

假设数量 A 在当 T 呈 t-分布（ T 的自由度为 n- 1 ）满足这

与是相同的。 A 是这个概率分布的第 95 个百分点。

那么

等价于

因此μ的 90% 置信区间为：。

计算

下表列出了自由度为1-30 以及80、100 、120 等t-分布的单侧和双侧区间值。例如，当样本数量n=5 时，则自由度df=4 ，我们就可以查找表中以 4 开头的行。该行第 5 列值为 2.132 ，对应的单侧值为95%

（双侧值为90% ）。这也就是说，T 小于 2.132 的概率为95%（即单侧），记为Pr(- ∞< T < 2.132) = 0.95 ；同时， T 值介于-2.132 和2.132 之间的概率为90% （即双侧），记为Pr(-2.132 < T < 2.132) = 0.9 。

这是根据分布的对称性计算得到的。

Pr( T < -2.132) = 1 - Pr( T > -2.132) = 1 - 0.95 = 0.05

因此，

Pr(-2.132 < T < 2.132) = 1 - 2(0.05) = 0.9

注意关于表格的最后一行的值：自由度为无限大（n=120 ）的t-分布和正态分布等价。

( 查表时注意 :v 是指自由度，并分单侧和双侧两种类型)

( 右侧的示意图是单侧检验的情形)

（下图是左右、双侧等检验的情形）

单侧75% 80% 85% 90% 95% 97.5% 99% 99.5% 99.75% 99.9% 99.95%

双侧50% 60% 70% 80% 90% 95% 98% 99% 99.5% 99.8% 99.9% （V） 1 1.000 1.376 1.963 3.078 6.314 12.71 31.82 63.66 127.3 318.3 636.6

2 0.816 1.061 1.386 1.886 2.920 4.30

3 6.965 9.925 14.09 22.33 31.60

3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 7.453 10.21 12.92

4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610

5 0.727 0.920 1.15

6 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869

6 0.718 0.906 1.134 1.440 1.943 2.44

7 3.143 3.707 4.317 5.20

8 5.959

7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408

8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041

9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781

10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587

11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437

12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318

13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221

14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140

15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073

16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015

17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965

18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922

19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883

20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850

21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819

22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792

23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.767

24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745

25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725

26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707

27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.690

28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674

29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659

30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646

40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551

50 0.679 0.849 1.047 1.299 1.676 2.009 2.403 2.678 2.937 3.261 3.496

60 0.679 0.848 1.045 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460

80 0.678 0.846 1.043 1.292 1.664 1.990 2.374 2.639 2.887 3.195 3.416

100 0.677 0.845 1.042 1.290 1.660 1.984 2.364 2.626 2.871 3.174 3.390 120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373 无穷大0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291

如何查 t 分布表

1、本表是自由度 V 和下侧概率 P 给出 t 分布的分位数 t p(v) 。

例：对于 V=20和 P=0.999，t p(v)=3.55181 。

2、当 P<0.5 时， t p(v)= -t1-p (v)。

例： t 0.001 (20)= -t0.999 (20)= -3.55181。

t 1-α/2 (v) 。

3、与双侧概率α相应的分位数

为

例：对于V=20和α =0.002 ，t 1-α/2

0.999 (20)==3.55181 。

(v)=t

注：对于自由度V 和t 给出t 分布函数P(t ；v) 的数值，方法类似“自由度V 和下侧概率P 给出t 分布的分位数t p(v) ”，此表忽略，见标准。

(完整版)t分布的概念及表和查表方法.doc

t分布介绍 在概率论和统计学中，学生 t - 分布（t -distribution ），可简称为 t 分布，用于根据小样本来估计呈正态分布且方差未知的总体的均值。如果总体方差已知（例如在样本数量足够多时），则应该用正态分布来估计总体均值。 t 分布曲线形态与 n（确切地说与自由度 df ）大小有关。与标准正态分布曲线相比，自由度df 越小， t 分布曲线愈平坦，曲线中间愈低，曲线双侧尾部翘得愈高；自由度 df 愈大， t 分布曲线愈接近正态分布曲线，当自由度 df= ∞时， t 分布曲线为标准正态分布曲线。 中文名t 分布应用在对呈正态分布的总体 外文名t -distribution 别称学生 t 分布 学科概率论和统计学相关术语t 检验 目录 1历史 2定义 3扩展 4特征 5置信区间 6计算 历史 在概率论和统计学中，学生 t -分布（ Student's t-distribution ）经常应用在对呈正态分布的总体的均值进行估计。它是对两个样本均值差异进行显著性测试的学生t 测定的基础。 t 检定改进了Z 检定（en:Z-test ），不论样本数量大或小皆可应用。在样本数量大（超过 120 等）时，可以应用Z 检定，但 Z 检定用在小的样本会产生很大的误差，因此样本很小的情况下得改用学生t 检定。在数据有三组以上时，因为误差无法压低，此时可以用变异数分析代替学生t 检定。 当母群体的标准差是未知的但却又需要估计时，我们可以运用学生t-分布。 学生 t-分布可简称为t 分布。其推导由威廉·戈塞于 1908 年首先发表，当时他还在都柏林的健力士酿酒厂工作。因为不能以他本人的名义发表，所以论文使用了学生（Student ）这一笔名。之后t 检验以及相关理论经由罗纳德·费雪的工作发扬光大，而正是他将此分布称为学生分布。 定义

t分布与t检验

t分布 从数理统计的理论上讲，并且上节的实例也已说明，在总体均数为μ，总体标准差为σ的正态总体中随机抽取n相等的许多样本，分别算出样本均数，这些样本均数呈正态分布。而当样本含量n不太小时，即使总体不呈正态分布，样本均数的分布也接近正态。在下式中， 由于μ与（样本均数的标准差）都是常量，又 X呈正态分布，所以u 也呈正态分布。但实际上总体标准差往往是不知道的，上式分母中的σ要由S替代，成为 ，那么由于样本标 准差有抽样波动，SX也有抽样波动，于是，在用S代替σ 后上式等号右边的变量便不呈正态分布而呈t分布，其定义公式是 （6.5)

t分布也是左右对称，但在总体均数附近的面积较正态分布的少些，两端尾部的面积则比正态分布的多些。t分布曲线随自由度而不同（如图6.1）。随着自由度的增大，t分布逐渐接近正态分布，当自由度为无限大时，t分布成为正态分布。 图6.1t分布（实线）与正态分布（虚线） 与正态分布相似，我们把t分布左右两端尾部面积之和α=0.05（即每侧尾部面积为0.025）相应的t值称为5%界，符号为t0.05,,，这里ν是自由度。把左右两端尾部面积之和α为0.01相应的t值称为1%界，符号为t0.01,,。t的5%界与1%界可查附表3，t值表。例如当自由度为10-1=9时，t0.05,9=2.262，t0.01,9=3.250。 可信区间的估计 一、参数估计的意义 一组调查或实验数据，如果是计量资料可求得平均数，标准差等统计指标，如果是计数资料则求百分率藉以概括说明这群观察数据的特征，故称特征值。由于样本特征值是通过统计求得的，所以又称为统计量以区别于总体特征值。总体特征值一般称为参数（总体量）。我们进行科研所要探索的是总体特征值即总体参数，而我们得到的却是样本统计量，用样本统计量估计或推论总体参数的过程叫参数估计。

t分布和标准规定正态分布

数理统计实验 t分布与标准正态分布 院（系）: 班级: 成员:

成员: 成员: 指导老师: 日期:

目录 t分布与标准正态分布的关系 (1) 一、实验目的 (1) 二、实验原理 (1) 三、实验内容及步骤 (1) 四、实验器材 (6) 五、实验结果分析 (6) 六、实验结论 (6)

t分布与标准正态分布的关系 一、实验目的 正态分布是统计中一种很重要的理论分布，是许多统计方法的理论基础。正态分布有两个参数，μ和σ，决定了正态分布的本质。为了应用和计算方便，常将一般的正态变量X通过μ变换[(X-μ)/σ]转化成标准正态变量μ，以使原来各种形态的正态分布都转换为μ=0，σ=1的标准正态分布，亦称μ分布。对于标准正态分布来说，μ是数据整体的平均值，σ是整体的标准差。但实际操作过程中，人们往往难以获得μ和σ。因此人们只能通过样本对这两个参数做出估计，用样本平均值和样本标准差代替整体的平均值和标准差，从而得出了t分布。另外从图像的层面说，正态分布的位置和形态只与μ和σ有关，而t分布不只与样本平均值和样本标准差有关，还与自由度相关。通过实验了解t分布与标准正态分布之间的关系。 二、实验原理 运用EXCEL软件验证t分布与标准正态分布的关系，绘制相应的统计图表进行分析。 三、实验内容及步骤 1.打开Excel文件，将“t分布与标准正态分布N（0，1）”合并并居中，黑体，20字号，红色；

2.选中文件,选项,自定义功能区,加载开发工具.在开发工具中插入滚动条,调节滚动条大小； 3.设置A2单元格格式,数字自定义区”!n=#,##0;[红 色]￥-#,##0”.然后左对齐,设置为红色；

标准正态分布表

标准正态分布表 集团文件发布号：（9816-UATWW-MWUB-WUNN-INNUL-DQQTY-

标准正态分布表

4432198653 1.80.964 1 0.964 8 0.965 6 0.966 4 0.967 2 0.967 8 0.968 6 0.969 3 0.970 0.970 6 1.90.971 3 0.971 9 0.972 6 0.973 2 0.973 8 0.974 4 0.975 0.975 6 0.976 2 0.976 7 20.977 2 0.977 8 0.978 3 0.978 8 0.979 3 0.979 8 0.980 3 0.980 8 0.981 2 0.981 7 2.10.982 1 0.982 6 0.983 0.983 4 0.983 8 0.984 2 0.984 6 0.985 0.985 4 0.985 7 2.20.986 1 0.986 4 0.986 8 0.987 1 0.987 4 0.987 8 0.988 1 0.988 4 0.988 7 0.989 2.30.989 3 0.989 6 0.989 8 0.990 1 0.990 4 0.990 6 0.990 9 0.991 1 0.991 3 0.991 6 2.40.991 8 0.992 0.992 2 0.992 5 0.992 7 0.992 9 0.993 1 0.993 2 0.993 4 0.993 6 2.50.993 8 0.994 0.994 1 0.994 3 0.994 5 0.994 6 0.994 8 0.994 9 0.995 1 0.995 2 2.60.995 3 0.995 5 0.995 6 0.995 7 0.995 9 0.996 0.996 1 0.996 2 0.996 3 0.996 4 2.70.996 5 0.996 6 0.996 7 0.996 8 0.996 9 0.997 0.997 1 0.997 2 0.997 3 0.997 4 2.80.997 4 0.997 5 0.997 6 0.997 7 0.997 7 0.997 8 0.997 9 0.997 9 0.998 0.998 1 2.90.998 1 0.998 2 0.998 2 0.998 3 0.998 4 0.998 4 0.998 5 0.998 5 0.998 6 0.998 6 x00.10.20.30.40.50.60.70.80.9 30.998 7 0.999 0.999 3 0.999 5 0.999 7 0.999 8 0.999 8 0.999 9 0.999 9 1.000 正态分布概率表 Φ（ u ） =

统计学附录F分布,t分布临界值表全.docx

统计学附录F—分布临界值表 ——α（ 0.005 ―0.10 ） α=0.005 Fα k112345681224∞k2 116211200002161522500230562343723925244262494025465 2198.5199.0199.2199.2199.3199.3199.4199.4199.5199.5 355.5549.8047.4746.1945.3944.8444.1343.3942.6241.83 431.3326.2824.2623.1522.4621.9721.3520.7020.0319.32 522.7818.3116.5315.5614.9414.5113.9613.3812.7812.14 618.6314.4512.9212.0311.4611.0710.5710.039.478.88 716.2412.4010.8810.059.529.168.688.187.657.08 814.6911.049.608.818.307.957.507.01 6.50 5.95 913.6110.118.727.967.477.13 6.69 6.23 5.73 5.19 1012.839.438.087.34 6.87 6.54 6.12 5.66 5.17 4.64 1112.238.917.60 6.88 6.42 6.10 5.68 5.24 4.76 4.23 1211.758.517.23 6.52 6.07 5.76 5.35 4.91 4.43 3.90 1311.378.19 6.93 6.23 5.79 5.48 5.08 4.64 4.17 3.65 1411.067.92 6.68 6.00 5.56 5.26 4.86 4.43 3.96 3.44 1510.807.70 6.48 5.80 5.37 5.07 4.67 4.25 3.79 3.26 1610.587.51 6.30 5.64 5.21 4.91 4.52 4.10 3.64 3.11 1710.387.35 6.16 5.50 5.07 4.78 4.39 3.97 3.51 2.98 1810.227.21 6.03 5.37 4.96 4.66 4.28 3.86 3.40 2.87 1910.077.09 5.92 5.27 4.85 4.56 4.18 3.76 3.31 2.78 209.94 6.99 5.82 5.17 4.76 4.47 4.09 3.68 3.22 2.69

t检验

（二）t 检验 当总体呈正态分布，如果总体标准差未知，而且样本容量n <30，那么这时一切可能的样本平均数与总体平均数的离差统计量呈t 分布。 t 检验是用t 分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。t 检验分为单总体t 检验和双总体t 检验。 1.单总体t 检验 单总体t 检验是检验一个样本平均数与一已知的总体平均数的差异是否显 著。当总体分布是正态分布，如总体标准差σ未知且样本容量n <30，那么样本平均数与总体平均数的离差统计量呈t 分布。检验统计量为： X t μ σ-= 。 如果样本是属于大样本（n >30）也可写成： X t μ σ-= 。 在这里，t 为样本平均数与总体平均数的离差统计量； X 为样本平均数； μ为总体平均数； X σ为样本标准差； n 为样本容量。 例：某校二年级学生期中英语考试成绩，其平均分数为73分，标准差为17分，期末考试后，随机抽取20人的英语成绩，其平均分数为79.2分。问二年级学生的英语成绩是否有显著性进步？ 检验步骤如下： 第一步 建立原假设0H ∶μ=73 第二步 计算t 值 79.273 1.63X t μ σ--= = = 第三步 判断 因为，以0.05为显著性水平，119df n =-=，查t 值表，临界值 0.05(19) 2.093t =，而样本离差的t =1.63小与临界值2.093。所以，接受原假设，即进步不显著。 2.双总体t 检验

双总体t 检验是检验两个样本平均数与其各自所代表的总体的差异是否显著。双总体t 检验又分为两种情况，一是相关样本平均数差异的显著性检验，用于检验匹配而成的两组被试获得的数据或同组被试在不同条件下所获得的数据的差异性，这两种情况组成的样本即为相关样本。二是独立样本平均数的显著性检验。各实验处理组之间毫无相关存在，即为独立样本。该检验用于检验两组非相关样本被试所获得的数据的差异性。 现以相关检验为例，说明检验方法。因为独立样本平均数差异的显著性检验完全类似，只不过0r =。 相关样本的t 检验公式为： t = 在这里，1X ，2X 分别为两样本平均数； 1 2X σ，22 X σ分别为两样本方差； γ为相关样本的相关系数。 例：在小学三年级学生中随机抽取10名学生，在学期初和学期末分别进行了两次推理能力测验，成绩分别为79.5和72分，标准差分别为9.124,9.940。问两次测验成绩是否有显著地差异？ 检验步骤为： 第一步 建立原假设0H ∶1μ=2μ 第二步 计算t 值 t = =3.459。 第三步 判断 根据自由度19df n =-=，查t 值表0.05(9) 2.262t =，0.01(9) 3.250t =。由于实际计算出来的t =3.495>3.250=0.01(9)t ，则0.01P <，故拒绝原假设。 结论为：两次测验成绩有及其显著地差异。 由以上可以看出，对平均数差异显著性检验比较复杂，究竟使用Z 检验还是使用t 检验必须根据具体情况而定，为了便于掌握各种情况下的Z 检验或t 检验，我们用以下一览表图示加以说明。

t分布的概念及表和查表方法

t分布介绍 在概率论和统计学中，学生t-分布（t-distribution），可简称为t分布，用于根据小样本来估计呈正态分布且方差未知的总体的均值。如果总体方差已知（例如在样本数量足够多时），则应该用正态分布来估计总体均值。 t分布曲线形态与n（确切地说与自由度df）大小有关。与标准正态分布曲线相比，自由度df越小，t分布曲线愈平坦，曲线中间愈低，曲线双侧尾部翘得愈高；自由度df愈大，t分布曲线愈接近正态分布曲线，当自由度df=∞时，t分布曲线为标准正态分布曲线。 目录 1历史 2定义 3扩展 4特征 5置信区间 6计算 历史 在概率论和统计学中，学生t-分布（Student's t-distribution）经常应用在对呈正态分布的总体的均值进行估计。它是对两个样本均值差异进行显著性测试的学生t测定的基础

。t检定改进了Z检定（en:Z-test），不论样本数量大或小皆可应用。在样本数量大（超过120等）时，可以应用Z检定，但Z检定用在小的样本会产生很大的误差，因此样本很小的情况下得改用学生t 检定。在数据有三组以上时，因为误差无法压低，此时可以用变异数分析代替学生t检定。 当母群体的标准差是未知的但却又需要估计时，我们可以运用学生t-分布。 学生t-分布可简称为t分布。其推导由威廉·戈塞于1908年首先发表，当时他还在都柏林的健力士酿酒厂工作。因为不能以他本人的名义发表，所以论文使用了学生（Student）这一笔名。之后t检验以及相关理论经由罗纳德·费雪的工作发扬光大，而正是他将此分布称为学生分布。 定义 由于在实际工作中，往往σ是未知的，常用s作为σ的估计值，为了与u变换区别，称为t变换，统计量t 值的分布称为t分布。 假设X服从标准正态分布N（0,1），Y服从分布，那么的分布称为自由度为n 的t分布，记为。 分布密度函数， 其中，Gam(x)为伽马函数。

标准正态分布

标准正态分布 标准正态分布（英语：standard normal distribution，德语Standardnormalverteilung），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。期望值μ=0，即曲线图象对称轴为Y轴，标准差σ=1条件下的正态分布，记为N(0，1)。 定义： 标准正态分布又称为u分布，是以0为均数、以1为标准差的正态分布，记为N（0，1）。标准正态分布曲线下面积分布规律是：在-1.96～+1.96范围内曲线下的面积等于0.9500，在-2.58～+2.58范围内曲线下面积为0.9900。统计学家还制定了一张统计用表（自由度为∞时），借助该表就可以估计出某些特殊u1和u2值范围内的曲线下面积。 正态分布的概率密度函数曲线呈钟形，因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是位置参数均数为0, 尺度参数：标准差为1的正态分布 特点： 密度函数关于平均值对称 平均值与它的众数（statistical mode）以及中位数（median）同一数值。 函数曲线下68.268949%的面积在平均数左右的一个标准差范围内。 95.449974%的面积在平均数左右两个标准差的范围内。 99.730020%的面积在平均数左右三个标准差的范围内。 99.993666%的面积在平均数左右四个标准差的范围内。 函数曲线的反曲点（inflection point）为离平均数一个标准差距离的位置。 标准偏差：

深蓝色区域是距平均值小于一个标准差之内的数值范围。在正态分布中，此范围所占比率为全部数值之68%，根据正态分布，两个标准差之内的比率合起来为95%；三个标准差之内的比率合起来为99%。 在实际应用上，常考虑一组数据具有近似于正态分布的概率分布。若其假设正确，则约68.3%数值分布在距离平均值有1个标准差之内的范围，约95.4%数值分布在距离平均值有2个标准差之内的范围，以及约99.7%数值分布在距离平均值有3个标准差之内的范围。称为“68-95-99.7法则”或“经验法则”

正态分布、T分布、F分布表

附表1. 标准正态分布表 x0.000.010.020.030.040.050.060.070.080.09 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.90.500 0 0.539 8 0.579 3 0.617 9 0.655 4 0.691 5 0.725 7 0.758 0 0.788 1 0.815 9 0.841 3 0.864 3 0.884 9 0.903 2 0.919 2 0.933 2 0.945 2 0.955 4 0.964 1 0.971 3 0.977 2 0.982 1 0.986 1 0.989 3 0.991 8 0.993 8 0.995 3 0.996 5 0.997 4 0.998 1 0.504 0 0.543 8 0.583 2 0.621 7 0.659 1 0.695 0 0.729 1 0.761 1 0.791 0 0.818 6 0.843 8 0.866 5 0.886 9 0.904 9 0.920 7 0.934 5 0.946 3 0.956 4 0.964 8 0.971 9 0.977 8 0.982 6 0.986 4 0.989 6 0.992 0 0.994 0 0.995 5 0.996 6 0.997 5 0.998 2 0.508 0 0.547 8 0.587 1 0.625 5 0.662 8 0.698 5 0.732 4 0.764 2 0.793 9 0.821 2 0.846 1 0.868 6 0.888 8 0.906 6 0.922 2 0.935 7 0.947 4 0.957 3 0.965 6 0.972 6 0.978 3 0.983 0 0.986 8 0.989 8 0.992 2 0.994 1 0.995 6 0.996 7 0.997 6 0.998 2 0.512 0 0.551 7 0.591 0 0.629 3 0.666 4 0.701 9 0.735 7 0.767 3 0.796 7 0.823 8 0.848 5 0.870 8 0.890 7 0.908 2 0.923 6 0.937 0 0.948 4 0.958 2 0.966 4 0.973 2 0.978 8 0.983 4 0.987 1 0.990 1 0.992 5 0.994 3 0.995 7 0.996 8 0.997 7 0.998 3 0.516 0 0.555 7 0.594 8 0.633 1 0.670 0 0.705 4 0.738 9 0.770 3 0.799 5 0.826 4 0.850 8 0.872 9 0.892 5 0.909 9 0.925 1 0.938 2 0.949 5 0.959 1 0.967 2 0.973 8 0.979 3 0.983 8 0.987 4 0.990 4 0.992 7 0.994 5 0.995 9 0.996 9 0.997 7 0.998 4 0.519 9 0.559 6 0.598 7 0.636 8 0.673 6 0.708 8 0.742 2 0.773 4 0.802 3 0.828 9 0.853 1 0.874 9 0.894 4 0.911 5 0.926 5 0.939 4 0.950 5 0.959 9 0.967 8 0.974 4 0.979 8 0.984 2 0.987 8 0.990 6 0.992 9 0.994 6 0.996 0 0.997 0 0.997 8 0.998 4 0.523 9 0.563 6 0.602 6 0.640 4 0.677 2 0.712 3 0.745 4 0.776 4 0.805 1 0.835 5 0.855 4 0.877 0 0.896 2 0.913 1 0.927 9 0.940 6 0.951 5 0.960 8 0.968 6 0.975 0 0.980 3 0.984 6 0.988 1 0.990 9 0.993 1 0.994 8 0.996 1 0.997 1 0.997 9 0.998 5 0.527 9 0.567 5 0.606 4 0.644 3 0.680 8 0.715 7 0.748 6 0.779 4 0.807 8 0.834 0 0.857 7 0.879 0 0.898 0 0.914 7 0.929 2 0.941 8 0.952 5 0.961 6 0.969 3 0.975 6 0.980 8 0.985 0 0.988 4 0.991 1 0.993 2 0.994 9 0.996 2 0.997 2 0.997 9 0.998 5 0.531 9 0.571 4 0.610 3 0.648 0 0.684 4 0.719 0 0.751 7 0.782 3 0.810 6 0.836 5 0.859 9 0.881 0 0.899 7 0.916 2 0.930 6 0.943 0 0.953 5 0.962 5 0.970 0 0.976 2 0.981 2 0.985 4 0.988 7 0.991 3 0.993 4 0.995 1 0.996 3 0.997 3 0.998 0 0.998 6 0.535 9 0.575 3 0.614 1 0.651 7 0.687 9 0.722 4 0.754 9 0.785 2 0.813 3 0.838 9 0.862 1 0.883 0 0.901 5 0.917 7 0.931 9 0.944 1 0.953 5 0.963 3 0.970 6 0.976 7 0.981 7 0.985 7 0.989 0 0.991 6 0.993 6 0.995 2 0.996 4 0.997 4 0.998 1 0.998 6 x0.00.10.20.30.40.50.60.70.80.9 30.998 70.999 00.999 30.999 50.999 70.999 80.999 80.999 90.999 9 1.000 0

损益表的阅读与分析

损益表的阅读与分析 赵桂娟 北京科技大学副教授 各位学员，大家好，下面我们来学习损益表的阅读和分析课程。前边我们介绍了企业三大基本报表之一，损益表的相关内容。在本讲里边，我们要进入到损益表的结构核心来阅读其内容，并且来分析里边的相关数据。下来，让我们一起来走进损益表。 企业的损益表，我们可以把它描述成是企业的一个“面子”，人活着是要面子的，企业也一样，企业，它也需要有一个良好的形象，要有一个“面子”，但是这个“面子”不能做得太离谱，我们要“面子”的同时，我们还要遵循一定的原则来做事，我们还要获得销售收入，还要获得相应的现金。 我们来看一下本讲的主要内容，在这一讲中，我们主要从以下几个方面来给大家做说明。首先我们要介绍的是损益表的含义及作用，以及损益表的结构，进而，我们要带大家来阅读和分析损益表，特别是要分项目地来介绍损益表里边的奥秘。最后，我们要通过损益表的综合分析方法来剖析损益表的深层的信息。请同学们跟我一起走进本讲的内容。 一、损益表的含义及作用 首先，我们看一下什么是损益表，它有哪些作用。损益表是反映企业在一定期间的经营成果以及分配情况的报表，主要反映的是经营成果，它的理论依据是收入减费用等于损益。收入大于费用，那是盈利；收入小于费用，是损失。这张报表是一个动态的期间报表，我们常常说一个月的资产负债表，还是一年的资产负债表，绝对不能说某年某月某日的损益表，所以，我们常要说这个损益表一定是一个期间的报表，不能是时点报表，这一点大家一定要知道。这个报表，它从格式上来看是采取报告式的，是从上到下排列，这个排列也有内在的一些规矩，这是

我们说的损益表的一个含义。 下来我们来看一下损益表的作用是什么。损益表，它可以反映企业的盈利能力，评价企业的经营业绩，这是最重要的一个作用，损益，损益，说白了，就是盈利的能力。另外还可以发现企业经营管理中的问题，从而提供决策的依据，我们不仅要看结果，还要看这个结果的获得是不是合理的，因为在损益表里边，有日常经营活动的损益情况，也有偶发的情况，所以我们还要看这个结构。另外我们还可以通过损益表来揭示这个利润的变化趋势，因为有去年的和今年的、本月和上个月的，都可以进行比较，从而发现这个企业盈利能力的持续性。同时，我们还可以为企业提供再融资的重要依据。企业需要融资的时候，需要到市场上去借钱的时候，损益的情况就非常重要了。我们可以设想一下，一家连年亏损的企业想去筹资有多难，谁愿意把钱借给他，把钱借给这家企业，没准就打水漂，有去无回。所以，损益表在企业里边，这个“面子工程”是一定要做，但是千万不能把它做成假的“面子”，一定是实实在在的，真的“面子”。 二、损益表的结构 从损益表的结构上，非常简单，归成三个要素，一个是收入，一个是费用，还有一个叫利润。这个结构是从损益表的第一行开始，营业收入，最下边是净利润，中间的过程是逐次地来描述，从营业收入到营业利润的这个计算过程，再由营业利润到利润总额的这样一个计算环节，最后反映在净利润上，所以，我们常说损益表有三段，第一段是营业利润，第二段利润总额，第三段净利润，这是一个三段式，构成了损益表。 损益表和企业的经济活动之间有什么样的一个内在联系呢？从营业收入来看，这个项目反映了企业主要经营和次要经营活动的总收入，我们常说的主营和副营。什么是主营呢？在工商营业执照上都要注明这家企业的主营范围是什么；其次，副营的范围是什么。在会计里边，现在

卡方分布概念及表和查表方法

若n个相互独立的随机变量ξ?，ξ?，...,ξn，均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布（chi-square distribution）。 目录 1简介 2定义 3性质 4概率表 简介 分布在数理统计中具有重要意义。分布是由阿贝(Abbe)于1863年首先提出的，后来由海尔墨特(Hermert)和现代统计学的奠基人之一的卡·皮尔逊(C K·Pearson)分别于1875年和1900年推导出来，是统计学中的一个非常有用的著名分布。 定义 若n个相互独立的随机变量ξ?、ξ?、……、ξn ，均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为分布（chi-square distribution）， 卡方分布是由正态分布构造而成的一个新的分布，当自由度很大时，分布近似为正态分布。

对于任意正整数x，自由度为的卡方分布是一个随机变量X的机率分布。 性质 1) 分布在第一象限内，卡方值都是正值，呈正偏态（右偏态），随着参数 的增大，分布趋近于正态分布；卡方分布密度曲线下的面积都是1。 2) 分布的均值与方差可以看出，随着自由度的增大，分布向正无穷方向延伸（因为均值越来越大），分布曲线也越来越低阔（因为方差越来越大）。 3）不同的自由度决定不同的卡方分布，自由度越小，分布越偏斜。 4) 若互相独立，则：服从分布，自由度为 。 5) 分布的均数为自由度，记为 E( ) = 。 6) 分布的方差为2倍的自由度( )，记为 D( ) = 。 概率表 分布不象正态分布那样将所有正态分布的查表都转化为标准正态分布去查，在 分布中得对每个分布编制相应的概率值，这通过分布表中列出不同的自由度来表示， 查分布概率表时，按自由度及相应的概率去找到对应的值。如上图所示的单侧概率(7)=的查表方法就是，在第一列找到自由度7这一行，在第一行中找到概率这一列，行列的交叉处即是。 表中所给值直接只能查单侧概率值，可以变化一下来查双侧概率值。例如，要在自由度为7的卡方分布中，得到双侧概率为所对应的上下端点可以这样来考虑：双侧概率指的是在

t分布临界值表(3)

t分布临界值表 Y 单侧tf-0.10 0.05 0.025 0.01 0.005 ^*020 0.10 0.W 0.Q2 0.01 ￥?1 3.078 6314 12.706 3⑷I 63437 2l.就6 2.920 ~ ^.SOJ 6.W5 9.925 3 1.63S2333 lltt 4J4I 5.S41 4g 2.13： 5.776 1747 4.604 5 L47 6 2.01$ 2.571 3.3?<032 ?1,440]w 2.447 1143 3.707 1 1.41$I,*452,365 2.99S 3咖 8 1397】.M0 2JQ6 2.S96 2.35$ 9 IJ83 1.833 2.2*2 XR3I 5J50 10 1.372 1812 2.228 2764 3 I&9 11 1.363 1,7% 2 2Q1 2.718 3.106 12 L556 1179 2.6S1 3,055 13 1.350 1.77t2J602650 3012 14 l.MS 1.761 2.145 2.624 2.^77 15 1341 k753 2431 2 602 2弼7 16 1.337 1.746 2.120 25*3 2.921 17 133) 1.740 2.1)0 2.567zm IK L3J0L7J4 2401 2^52 2.87S \9|.52? 1.729 2,093 2.539 2.861 2D 1325 J.725 2.OS6 2.S28 2.S45 21 1323 \31\ 2.080 2.51S 2妙 22132! \m 2.074 2.508 1819 2313191JI4 2.069 2.500 2 807 24⑶g L7LL 2064 2.4922,797 25 1316 IM 2.060 2.4H5 2.787 26IJ15 1.7师 2.056 2櫛 2.779 27IJH l.?032,052 2.475 2.77) 2?1313 L701 2.048 2.467 2.763 291311 i.699 2(M5 2.462 2.?56 301310 i 69? 2,042 2.457 2.750 401J03 I￡S4 2.021 2.423 2.704 50 1.299 1.676 2.009 2 403 2.678 60 1.2^ 1.671 2.000 2J90 2.660 70 1.294 1.W7 1.9W 伽 2.64& 80 1.202 1.990 2.374 2.639 901291h662 1.487 2368 "32 100 1290 1.660 i.QM 2364 2.626 125I.2S8 1 657 I.W 235? 2.616 ISO 1 2M7 1 655k?76 2351 2.609 200 I.2B6 1653 L972 2.345 2.601 8I.2K：I.M5I960 1326 2.576

T检验临界值表

自由度自由度（df ）0.100.05 0.01 （df ）0.100.05 0.01 n -m -1n -m -11 6.31412.70663.657301 1.650 1.968 2.5922 2.920 4.3039.925302 1.650 1.968 2.5923 2.353 3.182 5.841303 1.650 1.968 2.5924 2.132 2.776 4.604304 1.650 1.968 2.5925 2.015 2.571 4.032305 1.650 1.968 2.5926 1.943 2.447 3.707306 1.650 1.968 2.5927 1.895 2.365 3.499307 1.650 1.968 2.5928 1.860 2.306 3.355308 1.650 1.968 2.5929 1.833 2.262 3.250309 1.650 1.968 2.59210 1.812 2.228 3.169310 1.650 1.968 2.59211 1.796 2.201 3.106311 1.650 1.968 2.59212 1.782 2.179 3.055312 1.650 1.968 2.59213 1.771 2.160 3.012313 1.650 1.968 2.59214 1.761 2.145 2.977314 1.650 1.968 2.59215 1.753 2.131 2.947315 1.650 1.968 2.59216 1.746 2.120 2.921316 1.650 1.967 2.59117 1.740 2.110 2.898317 1.650 1.967 2.59118 1.734 2.101 2.878318 1.650 1.967 2.59119 1.729 2.093 2.861319 1.650 1.967 2.59120 1.725 2.086 2.845320 1.650 1.967 2.59121 1.721 2.080 2.831321 1.650 1.967 2.59122 1.717 2.074 2.819322 1.650 1.967 2.59123 1.714 2.069 2.807323 1.650 1.967 2.59124 1.711 2.064 2.797324 1.650 1.967 2.59125 1.708 2.060 2.787325 1.650 1.967 2.59126 1.706 2.056 2.779326 1.650 1.967 2.59127 1.703 2.052 2.771327 1.650 1.967 2.59128 1.701 2.048 2.763328 1.650 1.967 2.59129 1.699 2.045 2.756329 1.649 1.967 2.59130 1.697 2.042 2.750330 1.649 1.967 2.59131 1.696 2.040 2.744331 1.649 1.967 2.59132 1.694 2.037 2.738332 1.649 1.967 2.59133 1.692 2.035 2.733333 1.649 1.967 2.59134 1.691 2.032 2.728334 1.649 1.967 2.59135 1.690 2.030 2.724335 1.649 1.967 2.59136 1.688 2.028 2.719336 1.649 1.967 2.59137 1.687 2.026 2.715337 1.649 1.967 2.59038 1.686 2.024 2.712338 1.649 1.967 2.59039 1.685 2.023 2.708339 1.649 1.967 2.59040 1.684 2.021 2.704340 1.649 1.967 2.59041 1.683 2.020 2.701341 1.649 1.967 2.59042 1.682 2.018 2.698342 1.649 1.967 2.59043 1.681 2.017 2.695343 1.649 1.967 2.59044 1.680 2.015 2.692 344 1.649 1.967 2.590 显著性水平（a ）显著性水平（a ）T 检验临界值表

标准正态分布表

标准正态分布表 x 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0 0.500 0 0.504 0 0.508 0 0.512 0 0.516 0 0.519 9 0.523 9 0.527 9 0.531 9 0.535 9 0.1 0.539 8 0.543 8 0.547 8 0.551 7 0.555 7 0.559 6 0.563 6 0.567 5 0.571 4 0.575 3 0.2 0.579 3 0.583 2 0.587 1 0.591 0 0.594 8 0.598 7 0.602 6 0.606 4 0.610 3 0.614 1 0.3 0.617 9 0.621 7 0.625 5 0.629 3 0.633 1 0.636 8 0.640 4 0.644 3 0.648 0 0.651 7 0.4 0.655 4 0.659 1 0.662 8 0.666 4 0.670 0 0.673 6 0.677 2 0.680 8 0.684 4 0.687 9 0.5 0.691 5 0.695 0 0.698 5 0.701 9 0.705 4 0.708 8 0.712 3 0.715 7 0.719 0 0.722 4 0.6 0.725 7 0.729 1 0.732 4 0.735 7 0.738 9 0.742 2 0.745 4 0.748 6 0.751 7 0.754 9 0.7 0.758 0 0.761 1 0.764 2 0.767 3 0.770 3 0.773 4 0.776 4 0.779 4 0.782 3 0.785 2 0.8 0.788 1 0.791 0 0.793 9 0.796 7 0.799 5 0.802 3 0.805 1 0.807 8 0.810 6 0.813 3 0.9 0.815 9 0.818 6 0.821 2 0.823 8 0.826 4 0.828 9 0.835 5 0.834 0 0.836 5 0.838 9 1 0.841 3 0.843 8 0.846 1 0.848 5 0.850 8 0.853 1 0.855 4 0.857 7 0.859 9 0.86 2 1 1.1 0.864 3 0.866 5 0.868 6 0.870 8 0.872 9 0.87 4 9 0.877 0 0.879 0 0.881 0 0.883 0 1.2 0.884 9 0.886 9 0.888 8 0.890 7 0.892 5 0.894 4 0.89 6 2 0.898 0 0.899 7 0.901 5 1.3 0.903 2 0.904 9 0.906 6 0.90 8 2 0.90 9 9 0.911 5 0.913 1 0.914 7 0.916 2 0.917 7 1.4 0.919 2 0.920 7 0.922 2 0.923 6 0.925 1 0.926 5 0.927 9 0.929 2 0.930 6 0.931 9 1.5 0.933 2 0.934 5 0.935 7 0.937 0 0.938 2 0.939 4 0.940 6 0.941 8 0.943 0 0.944 1 1.6 0.945 2 0.946 3 0.947 4 0.948 4 0.949 5 0.950 5 0.951 5 0.952 5 0.953 5 0.953 5 1.7 0.955 4 0.956 4 0.957 3 0.958 2 0.959 1 0.959 9 0.960 8 0.961 6 0.962 5 0.963 3 1.8 0.964 1 0.964 8 0.965 6 0.966 4 0.967 2 0.967 8 0.968 6 0.969 3 0.970 0 0.970 6 1.9 0.971 3 0.971 9 0.972 6 0.973 2 0.973 8 0.974 4 0.975 0 0.975 6 0.976 2 0.976 7 2 0.977 2 0.977 8 0.978 3 0.978 8 0.979 3 0.979 8 0.980 3 0.980 8 0.981 2 0.981 7 2.1 0.982 1 0.982 6 0.983 0 0.983 4 0.983 8 0.984 2 0.984 6 0.98 5 0 0.985 4 0.985 7 2.2 0.98 6 1 0.986 4 0.986 8 0.98 7 1 0.987 4 0.987 8 0.988 1 0.988 4 0.988 7 0.98 9 0 2.3 0.989 3 0.989 6 0.989 8 0.990 1 0.990 4 0.990 6 0.990 9 0.991 1 0.991 3 0.991 6 2.4 0.991 8 0.992 0 0.992 2 0.992 5 0.992 7 0.992 9 0.993 1 0.993 2 0.993 4 0.993 6 2.5 0.993 8 0.994 0 0.994 1 0.994 3 0.994 5 0.994 6 0.994 8 0.994 9 0.995 1 0.995 2 2.6 0.995 3 0.995 5 0.995 6 0.995 7 0.995 9 0.996 0 0.996 1 0.996 2 0.996 3 0.996 4 2.7 0.996 5 0.996 6 0.996 7 0.996 8 0.996 9 0.997 0 0.997 1 0.997 2 0.997 3 0.997 4 2.8 0.997 4 0.997 5 0.997 6 0.997 7 0.997 7 0.997 8 0.997 9 0.997 9 0.998 0 0.998 1 2.9 0.998 1 0.998 2 0.998 2 0.998 3 0.998 4 0.998 4 0.998 5 0.998 5 0.998 6 0.998 6 x 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 3 0.998 7 0.999 0 0.999 3 0.999 5 0.999 7 0.999 8 0.999 8 0.999 9 0.999 9 1.000 0