T分布函数线python t分布分布函数推导

怎样用python的matplotlib模块画累积分布图

下面T分布函数线python的程序绘制随机变量XT分布函数线python的累积分布函数和数组p的累加结果

pl.plot(t, X.cdf(t))

pl.plot(t2, np.add.accumulate(p)*(t2[1]-t2[0]))

相关问答

Q1: python数据统计分析

1. 常用函数库

  scipy包中的stats模块和statsmodels包是python常用的数据分析工具，scipy.stats以前有一个models子模块，后来被移除了。这个模块被重写并成为了现在独立的statsmodels包。

 scipy的stats包含一些比较基本的工具，比如：t检验，正态性检验，卡方检验之类，statsmodels提供了更为系统的统计模型，包括线性模型，时序分析，还包含数据集，做图工具等等。

2. 小样本数据的正态性检验

(1) 用途

 夏皮罗维尔克检验法 (Shapiro-Wilk) 用于检验参数提供的一组小样本数据线是否符合正态分布，统计量越大则表示数据越符合正态分布，但是在非正态分布的小样本数据中也经常会出现较大的W值。需要查表来估计其概率。由于原假设是其符合正态分布，所以当P值小于指定显著水平时表示其不符合正态分布。

 正态性检验是数据分析的第一步，数据是否符合正态性决定了后续使用不同的分析和预测方法，当数据不符合正态性分布时，我们可以通过不同的转换方法把非正太态数据转换成正态分布后再使用相应的统计方法进行下一步操作。

(2) 示例

(3) 结果分析

 返回结果 p-value=0.029035290703177452，比指定的显著水平（一般为5%）小，则拒绝假设：x不服从正态分布。

3. 检验样本是否服务某一分布

(1) 用途

 科尔莫戈罗夫检验(Kolmogorov-Smirnov test)，检验样本数据是否服从某一分布，仅适用于连续分布的检验。下例中用它检验正态分布。

(2) 示例

(3) 结果分析

 生成300个服从N(0,1)标准正态分布的随机数，在使用k-s检验该数据是否服从正态分布，提出假设：x从正态分布。最终返回的结果，p-value=0.9260909172362317，比指定的显著水平（一般为5%）大，则我们不能拒绝假设：x服从正态分布。这并不是说x服从正态分布一定是正确的，而是说没有充分的证据证明x不服从正态分布。因此我们的假设被接受，认为x服从正态分布。如果p-value小于我们指定的显著性水平，则我们可以肯定地拒绝提出的假设，认为x肯定不服从正态分布，这个拒绝是绝对正确的。

4.方差齐性检验

(1) 用途

 方差反映了一组数据与其平均值的偏离程度，方差齐性检验用以检验两组或多组数据与其平均值偏离程度是否存在差异，也是很多检验和算法的先决条件。

(2) 示例

(3) 结果分析

 返回结果 p-value=0.19337536323599344, 比指定的显著水平（假设为5%）大，认为两组数据具有方差齐性。

5. 图形描述相关性

(1) 用途

 最常用的两变量相关性分析，是用作图描述相关性，图的横轴是一个变量，纵轴是另一变量，画散点图，从图中可以直观地看到相关性的方向和强弱，线性正相关一般形成由左下到右上的图形；负面相关则是从左上到右下的图形，还有一些非线性相关也能从图中观察到。

(2) 示例

(3) 结果分析

 从图中可以看到明显的正相关趋势。

6. 正态资料的相关分析

(1) 用途

 皮尔森相关系数（Pearson correlation coefficient）是反应两变量之间线性相关程度的统计量，用它来分析正态分布的两个连续型变量之间的相关性。常用于分析自变量之间，以及自变量和因变量之间的相关性。

(2) 示例

(3) 结果分析

 返回结果的第一个值为相关系数表示线性相关程度，其取值范围在[-1,1]，绝对值越接近1，说明两个变量的相关性越强，绝对值越接近0说明两个变量的相关性越差。当两个变量完全不相关时相关系数为0。第二个值为p-value，统计学上，一般当p-value0.05时，可以认为两变量存在相关性。

7. 非正态资料的相关分析

(1) 用途

 斯皮尔曼等级相关系数(Spearman’s correlation coefficient for ranked data )，它主要用于评价顺序变量间的线性相关关系，在计算过程中，只考虑变量值的顺序（rank, 值或称等级），而不考虑变量值的大小。常用于计算类型变量的相关性。

(2) 示例

(3) 结果分析

 返回结果的第一个值为相关系数表示线性相关程度，本例中correlation趋近于1表示正相关。第二个值为p-value，p-value越小，表示相关程度越显著。

8. 单样本T检验

(1) 用途

 单样本T检验，用于检验数据是否来自一致均值的总体，T检验主要是以均值为核心的检验。注意以下几种T检验都是双侧T检验。

(2) 示例

(3) 结果分析

 本例中生成了2列100行的数组，ttest_1samp的第二个参数是分别对两列估计的均值，p-value返回结果，第一列1.47820719e-06比指定的显著水平（一般为5%）小，认为差异显著，拒绝假设；第二列2.83088106e-01大于指定显著水平，不能拒绝假设：服从正态分布。

9. 两独立样本T检验

(1) 用途

 由于比较两组数据是否来自于同一正态分布的总体。注意：如果要比较的两组数据不满足方差齐性， 需要在ttest_ind()函数中添加参数equal_var = False。

(2) 示例

(3) 结果分析

 返回结果的第一个值为统计量，第二个值为p-value，pvalue=0.19313343989106416，比指定的显著水平（一般为5%）大，不能拒绝假设，两组数据来自于同一总结，两组数据之间无差异。

10. 配对样本T检验

(1) 用途

 配对样本T检验可视为单样本T检验的扩展，检验的对象由一群来自正态分布独立样本更改为二群配对样本观测值之差。它常用于比较同一受试对象处理的前后差异，或者按照某一条件进行两两配对分别给与不同处理的受试对象之间是否存在差异。

(2) 示例

(3) 结果分析

 返回结果的第一个值为统计量，第二个值为p-value，pvalue=0.80964043445811551，比指定的显著水平（一般为5%）大，不能拒绝假设。

11. 单因素方差分析

(1) 用途

 方差分析(Analysis of Variance，简称ANOVA)，又称F检验，用于两个及两个以上样本均数差别的显著性检验。方差分析主要是考虑各组之间的平均数差别。

 单因素方差分析（One-wayAnova），是检验由单一因素影响的多组样本某因变量的均值是否有显著差异。

 当因变量Y是数值型，自变量X是分类值，通常的做法是按X的类别把实例成分几组，分析Y值在X的不同分组中是否存在差异。

(2) 示例

(3) 结果分析

 返回结果的第一个值为统计量，它由组间差异除以组间差异得到，上例中组间差异很大，第二个返回值p-value=6.2231520821576832e-19小于边界值（一般为0.05）,拒绝原假设, 即认为以上三组数据存在统计学差异，并不能判断是哪两组之间存在差异 。只有两组数据时，效果同 stats.levene 一样。

12. 多因素方差分析

(1) 用途

 当有两个或者两个以上自变量对因变量产生影响时，可以用多因素方差分析的方法来进行分析。它不仅要考虑每个因素的主效应，还要考虑因素之间的交互效应。

(2) 示例

(3) 结果分析

 上述程序定义了公式，公式中，"~"用于隔离因变量和自变量，”+“用于分隔各个自变量， ":"表示两个自变量交互影响。从返回结果的P值可以看出，X1和X2的值组间差异不大，而组合后的T:G的组间有明显差异。

13. 卡方检验

(1) 用途

 上面介绍的T检验是参数检验，卡方检验是一种非参数检验方法。相对来说，非参数检验对数据分布的要求比较宽松，并且也不要求太大数据量。卡方检验是一种对计数资料的假设检验方法，主要是比较理论频数和实际频数的吻合程度。常用于特征选择，比如，检验男人和女人在是否患有高血压上有无区别，如果有区别，则说明性别与是否患有高血压有关，在后续分析时就需要把性别这个分类变量放入模型训练。

 基本数据有R行C列, 故通称RC列联表(contingency table), 简称RC表，它是观测数据按两个或更多属性（定性变量）分类时所列出的频数表。

(2) 示例

(3) 结果分析

 卡方检验函数的参数是列联表中的频数，返回结果第一个值为统计量值，第二个结果为p-value值，p-value=0.54543425102570975，比指定的显著水平（一般5%）大，不能拒绝原假设，即相关性不显著。第三个结果是自由度，第四个结果的数组是列联表的期望值分布。

14. 单变量统计分析

(1) 用途

 单变量统计描述是数据分析中最简单的形式，其中被分析的数据只包含一个变量，不处理原因或关系。单变量分析的主要目的是通过对数据的统计描述了解当前数据的基本情况，并找出数据的分布模型。

 单变量数据统计描述从集中趋势上看，指标有：均值，中位数，分位数，众数；从离散程度上看，指标有：极差、四分位数、方差、标准差、协方差、变异系数，从分布上看，有偏度，峰度等。需要考虑的还有极大值，极小值（数值型变量）和频数，构成比（分类或等级变量）。

 此外，还可以用统计图直观展示数据分布特征，如：柱状图、正方图、箱式图、频率多边形和饼状图。

15. 多元线性回归

(1) 用途

 多元线性回归模型（multivariable linear regression model ），因变量Y（计量资料）往往受到多个变量X的影响，多元线性回归模型用于计算各个自变量对因变量的影响程度，可以认为是对多维空间中的点做线性拟合。

(2) 示例

(3) 结果分析

 直接通过返回结果中各变量的P值与0.05比较，来判定对应的解释变量的显著性，P0.05则认为自变量具有统计学意义，从上例中可以看到收入INCOME最有显著性。

16. 逻辑回归

(1) 用途

 当因变量Y为2分类变量（或多分类变量时）可以用相应的logistic回归分析各个自变量对因变量的影响程度。

(2) 示例

(3) 结果分析

 直接通过返回结果中各变量的P值与0.05比较，来判定对应的解释变量的显著性，P0.05则认为自变量具有统计学意义。

Q2: 均值t检验不显著,但回归结果显著

概念区别：T检验，亦称student检验(Student's test)，主要用于样本含量较小(例如n30)，总体标准差σ未知的正态分布资料。Z检验是一般用于大样本(即样本容量大于30)平均值差异性检验的方法。它是用标准正态分布的理论来推断差异发生的概率，从而比较两个平均数平均数的差异是否显著。

区别一：z检验适用于变量符合z分布的情况，而t检验适用于变量符合t分布的情况；

区别二：t分布是z分布的小样本分布，即当总体符合z分布时，从总体中抽取的小样本符合t分布，而对于符合t分布的变量，当样本量增大时，变量数据逐渐向z分布趋近；

区别三：z检验和t检验都是均值差异检验方法，但t分布逐渐逼近z分布的特点，t检验的运用要比z检验更广泛，因为大小样本时都可以用t检验，而小样本时z检验不适用。SPSS里面只有t检验，没有z检验的功能模块。

注意：

①t检验是对各回归系数的显著性所进行的检验，t检验还可以用来检验样本为来自一元正态分布的总体的期望，即均值；和检验样本为来自二元正态分布的总体的期望是否相等。总体方差未知时，一般检验用t检验。

②z检验是一般用于大样本(即样本容量大于30)平均值差异性检验的方法。它是用标准正态分布的理论来推断差异发生的概率，从而比较两个平均数平均数的差异是否显著。当已知标准差时，验证一组数的均值是否与某一期望值相等时，用z检验。

424abfbb861c26251b878ed8b1956477.png

上表中t'和Z'分别表示近似t检验和近似Z检验。

a0540120ebb340dfa228c497f8e263aa.gif

点击阅读全文

打开CSDN，阅读体验更佳

Java基础--6--数组

1、理论基础 程序=算法+数据结构 算法：解决问题的流程。第一步、第二步、第三步……干什么。有顺序、分支、循环三种方式。 数据结构：把数据按特定的某种结构保存，设计合理的数据结构是解决问题的前提。 数组就是最基本的一种数据结构。它用来存储一系列数据，其中的每一项都具有相同的基本数据类型、类或相同的父类，每一项都有自己的位置，因此可以通过下标来进行定位。 数组的定义： 1、相同数据类型的元素组成的集合。 2、元素按照线性顺序排列。即一个挨一个，中间不能有空缺。 3、可以通过元素所在位置的顺序号做标识来访

继续访问

python t检验显著差异_基于python的显著性检验

需要用到numpy库import numpy as npimport scipy.stats as statsimport scipy.optimize as opt首先我们来创造两个数组作为测试数据n = 200norm_dist = stats.norm(loc=0.5, scale=10) #构造一个正态分布，均值为0.5，标准差为10 “标准差”也称“均方差”，是“方差”开根号dat ...

继续访问

python t检验显著差异_两组数据的均值是否具有显著差异的T检验

最近在做分析的时候，遇到了T检验，然而对于没有统计学背景的人来说完全不知如何下手当然了，遇到问题第一反应就是百度。果然百度出来了很多链接，当时第一次直接选择了用Excel去做T检验。下面是源数据LongevityNon-Longevity0.1662020310.1768211010.1607662080.1515766750.1577920.169683150.1495972250.135975...

继续访问

python中的T检验

在python中，检验常常是调用scipy.stats进行计算（官方文档：） T检验也是分为三大块： 单样本T检验 独立样本T检验 配对样本T检验 1、先说单样本T检验，我们先通过numpy生成一些正态分布的数据，然后看下单样本T检验 from sci...

继续访问

python代码大全p-基于python实现计算两组数据P值

我们在做A/B试验评估的时候需要借助p_value,这篇文章记录如何利用python计算两组数据的显著性。一、代码# TTest.py# -*- coding: utf-8 -*-'''# Created on 2020-05-20 20:36# TTest.py# @author: huiwenhua'''## Import the packagesimport numpy as npfrom ...

继续访问

正太分布检验-python金融

正太分布检验-python金融应用 严格的检验过程。函数normality_tests包括三种不同的统计检验 Skewness Test(skewtest)：这个方式检验样本数据的偏度是否是正态的（也就是偏度是否为0）。 Kurtosis Test(kurtosistest)：这个方式检验样本数据的峰度是否为正态的（也就是接近于0） Normality Test(normaltest）：将上述两种方式结合起来检验正态性。 因为p值超过0.05，因此，我们可以认为数据集是正态分布的。 最后，我们来检验期末的值

继续访问

python t检验_T检验第二篇（SPSS，SAS，R，Python） 配对T检验

废话不多说，直接开始进入配对T检验简单的说配对T检验就是单样本T检验的变形。用观察组和对照组相减。得到的差值做单样本T检验。例：为研究某铁剂治疗和饮食治疗营养性缺铁性贫血的效果，将16名患者按年龄、体重、病程和病情相近的原则配成8对，分别使用饮食疗法和补充铁剂治疗的方法，3个月后测得两组患者血红蛋白质如表3-1，问两种方法治疗后患者的血红蛋白值有无差别?1.SASSAS语句：data ex3_2;...

继续访问

卡方T检验的计算公式_数据分析，从T检验开始（独立）

问题“没有比较就没有伤害，没有比较就没有差异”——差异检验，其实质是比较均值之间的差异，例如不同性别在网络成瘾上有无差异、不同年级在学习成绩上有无差异、不同年级在性别上的差异等。SPSS软件中关于差异检验主要包括T检验(单样本T检验、独立样本T检验、配对样本T检验)、单因素方差分析(ANOVA)、卡方检验。接下来要介绍的独立样本T检验。分析与解释差异检验三部曲：T检验、单因素方差分析和卡...

继续访问

检验均值和方差是否显著改变——Python

一、思想： 将数据集依据时间段划分成两部分： 前期数据，用作计算前期的均值和方差； 近期数据，用作计算近期的均值和方差。 二、检验的步骤： 01-判断整体是否服从正态分布 02-服从：均值——t分布；方差检验——F分布 03-不服从：均值——曼惠特尼检验；方差检验——Kruskal-Wallis H检验 三、判定方法： 在n次判别的n个结果中，老化/非老化的一方判别要达到设定的次数，才能判断均值或者方差发生了显著改变。 四、实例演示： # 导入库 import psycopg2 import pand

继续访问

均值差异大但是t检验不显著_连续变量假设检验 之 配对样本t检验

统计概述在医学科学研究中，通常会采用配对设计来提高研究效率。配对样本t检验的目的是用于检验两个相关样本(配对数据)是否来自相同均值的总体，也就是检验配对样本差值的总体均数与总体均数0的差异是否统计学意义。关于配对设计，主要有以下几种情况：(1)同一受试对象处理前后的数据(2)同一受试对象两个部位的数据(3)同一样品用两种方法(仪器等)检验的结果(4)配对的两个受试对象分布接受进行两种处理后的数据。...

继续访问

均值差异大但是t检验不显著_T检验原理及介绍

T检验原理及应用介绍一、T检验的应用场景：应用场景：可以用于研究工艺更改前后对于产品质量是否有显著提高；研究不同的热处理温度对于产品性能，晶粒度等是否有明显效果；研究不同的设备或人员对于产品质量的影响是否有差异等等。二、基本统计概念介绍v均值比较：基础分析手段，用来判断样本均值与总计均值是否具有显著性差异；使用t检验样本量比较小，一般要小于30，但是如果大于...

继续访问

python流式数据处理_Python - Toolz - 流式分析（Streaming Analytics）工具

Python - Toolz - 流式分析(Streaming Analytics)工具21 August 2014Toolz 可以用于编写分析大型数据流脚本，它支持通用的分析模式，如通过纯函数来对数据进行筛选(Selection)，分组(Grouping)，化简(Reduction)以及连表(Joining)。这些函数通常可以模拟类似其他数据分析平台(如 SQL 和 Panda)的类似操作行为。...

继续访问

均值差异大但是t检验不显著_检验功效（Power）与样本量

在进行完假设检验后，我们得到了P值小于0.05的结论，那么我们可以就此拒绝原假设吗？其实是不行的，因为我们还必须要对这个假设检验的检出力和功效进行考察。在假设检验中，β代表第二类错误（当原假设为假，而我们却接受了原假设）发生的概率。那么，当原假设为假，我们正确拒绝原假设的概率就是1-β，这个值就叫做检验功效（Power）。显著性水平α是允许犯第一类错误的概率，当这个概率我们设置的很小时（比如从0....

继续访问

均值差异大但是t检验不显著_T检验Z检验AB test一网打尽！

作为一名假统计人，来介绍一下什么是T检验、Z检验，再拓展到工业界里经常提到的AB test吧。回顾T检验和Z检验的原理和方法流程有助于AB test噢！1. 什么是T检验？1） 统计学上的解释：主要用于样本含量较小（例如n30），总体标准差σ未知的正态分布的检验。2） 那他有什么用呢？i） 比较两组数据的均值是否显著差异ii） 比较在不同时期的同一组数据中的均值是否显著差异iii） 比较该...

继续访问

均值差异大但是t检验不显著_均值比较与t检验

第3章均值比较与t检验(t代表平均值间的差距p代表的是可信度)3.1样本平均数与总体平均数差异显著性检验在实际工作中,我们往往需要检验一个样本平均数与已知的总体平均数是否有显著差异,即检验该样本是否来自某一总体,已知的总体平均数一般为一些公认的理论数值、经验数值或期望数值,比较的目的是推断样本所代表的未知总体均数与已知总体均数有无差别。例题：已知玉米单交种群单105的平均穗重为300g，喷药后随机...

继续访问

热门推荐 T检验：两样本数据的差异性

我最近在研究TCGA的RNAseq数据表达差异性的分析，常用的并且最简单的方法是统计量T检验。下面用一个例子来验证T检验的弊端问题所在。两配对样本的T检验是利用来自两个总体的配对样本，推断总体的两个均值是否显著差异，从而推断两个总体是否存在差异。前提，我们是假定总体是服从正态分布的，X N(u1,σ21)X~N(u_{1},\sigma_{1}^{2}) 原假设：H0:u1−u2=0H_{0}:

继续访问

比较两组数据的差异用什么图更直观_第四节 单因素完全随机实验设计及数据处理...

单因素完全随机实验是单因素实验设计的一种，特点如下:实验中只有一个自变量，自变量一般有两个或以上水平如果自变量有3个水平，实验就有3组如果每组被试为5名，则总被试量为3*5=15随机抽取15名被试，并随即分配到3个实验组，每名被试只接受一种水平的实验处理一般来说，单因素随机实验设计会应用在以下两种情况（数字使用上文数字，方便理解）：随机选择15个同质的被试，并随机分配到3个不同水平的实验处理中，每...

继续访问

均值差异大但是t检验不显著_如何理解均值差异性检验：方差分析？

均值差异性检验是数据分析的重要部分，在各行各业都有广泛应用，例如，验证某种新药是否有效；某个工艺改进是否能成功；某产品的营销措施是否起作用等。均值差异性检验的另一个方法：方差分析，它与Z检验和T检验的差别在哪里呢？在数据分析中，针对单因素双水平(上面提到的两个例子)的均值差异显著性检验适用Z检验和T检验，但更多的情况是针对单因素多水平、多因素多水平的均值差异显著性检验，Z检验和T检验的比较就不再方...

继续访问

最新发布 T检验与Z检验的区别

概念区别：T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n30），总体标准差σ未知的正态分布资料。Z检验是一般用于大样本(即样本容量大于30)平均值差异性检验的方法。它是用标准正态分布的理论来推断差异发生的概率，从而比较两个平均数平均数的差异是否显著。 区别一：z检验适用于变量符合z分布的情况，而t检验适用于变量符合t分布的情况； 区别二：t分布是z分布的小样本分布，即当总体符合z分布时，从总体中抽取的小样本符合t分布，而对于符合t分布的变量，

Q3: 如何在Python中计算累积正态分布

Python正态分布概率计算方法T分布函数线python，喜欢算法的伙伴们可以参考学习下。需要用到math模块。先T分布函数线python了解一下这个模块方法，再来写代码会更好上手。

def st_norm(u):

'''标准正态分布'''

import math

x=abs(u)/math.sqrt(2)

T=(0.0705230784,0.0422820123,0.0092705272,

0.0001520143,0.0002765672,0.0000430638)

E=1-pow((1+sum([a*pow(x,(i+1))

for i,a in enumerate(T)])),-16)

p=0.5-0.5*E if u0 else 0.5+0.5*E

return(p)

def norm(a,sigma,x):

'''一般正态分布'''

u=(x-a)/sigma

return(st_norm(u))

while 1:

'''输入一个数时默认为标准正态分布

输入三个数(空格隔开)时分别为期望、方差、x

输入 stop 停止'''

S=input('please input the parameters:\n')

if S=='stop':break

try:

L=[float(s) for s in S.split()]

except:

print('Input error!')

continue

if len(L)==1:

print('f(x)=%.5f'%st_norm(L[0]))

elif len(L)==3:

print('f(x)=%.5f'%norm(L[0],L[1],L[2]))

else:

print('Input error!')

Q4: 如何用python求解一个带正态分布和ln函数的方程

import scipy.stats as sta

import math

def option_call(s,x,r,sigma,t):

d1=(math.log(s/x)+(r+sigma**2/2)*t)/(math.sqrt(t)*sigma)

d2=d1-sigma*math.sqrt(t)

c=s*sta.norm.cdf(d1,0,1)-x*sta.norm.cdf(d2,0,1)*math.exp(-r*t)

return c

Q5: python 怎么求标准正态分布某个值

示例T分布函数线python：

1、from numpy import *;

2、def rand_Matrix():

3、randArr=random.randn(2,3);

4、randMat=mat(randArr);

5、return randMat;

一种结果如下:

1、matrix([[ 0.3150869 , -0.02041996, -0.15361071],

2、[-0.75507988,  0.80393683, -0.31790917]])

扩展资料

Python正态分布概率计算方法T分布函数线python：

def st_norm(u):

'''标准正态分布'''

import math

x=abs(u)/math.sqrt(2)

T=(0.0705230784,0.0422820123,0.0092705272,

0.0001520143,0.0002765672,0.0000430638)

E=1-pow((1+sum([a*pow(x,(i+1))

for i,a in enumerate(T)])),-16)

p=0.5-0.5*E if u0 else 0.5+0.5*E

return(p)

def norm(a,sigma,x):

'''一般正态分布'''

u=(x-a)/sigma

return(st_norm(u))

while 1:

'''输入一个数时默认为标准正态分布

输入三个数(空格隔开)时分别为期望、方差、x

输入 stop 停止'''

S=input('please input the parameters:\n')

if S=='stop':break

try:

L=[float(s) for s in S.split()]

except:

print('Input error!')

continue

if len(L)==1:

print('f(x)=%.5f'%st_norm(L[0]))

elif len(L)==3:

print('f(x)=%.5f'%norm(L[0],L[1],L[2]))

else:

print('Input error!')

T分布函数线python的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于t分布分布函数推导、T分布函数线python的信息别忘了在本站进行查找喔。