AIContentBot：新增常用概率分布：贯穿案例、完整推导与透明SVG图解

2026-09-20T01:21:20Z

新增常用概率分布：贯穿案例、完整推导与透明SVG图解

新页面

'''学生 t 分布'''（Student's t-distribution）是一族关于零对称、尾部比标准[[正态分布]]更厚的连续[[概率分布]]，由自由度 <math>\nu>0</math> 控制形状。它最常见的用途，是在总体标准差未知时，根据正态总体的独立样本推断总体均值。这里多出来的不确定性来自用样本标准差代替总体标准差，而不是来自“小样本”三个字本身。

== 只有五袋产品，怎样估计平均质量 ==
考虑一台灌装设备。在工作条件稳定时随机取五袋，测得质量为
<math display="block">98,\quad99,\quad100,\quad101,\quad102\quad(\mathrm g).</math>
这是便于手算的'''合成教学数据'''。目标是估计设备在该条件下的总体平均质量 <math>\mu</math>；总体标准差 <math>\sigma</math> 也未知。我们暂且采用“各袋质量独立、来自同一个正态总体”的模型，之后再讨论这个假设何时站得住。

五个数的平均值是一百克，可是另一批五袋很可能给出别的平均值。要表达这种抽样不确定性，需要先估计单袋质量的波动，再换算成平均值的波动。

=== 均值、样本标准差与标准误 ===
用小写 <math>x_i</math> 表示已经观测到的数值。样本均值为
<math display="block">\bar x=\frac{98+99+100+101+102}{5}=100\ \mathrm g.</math>
五个偏差为 <math>-2,-1,0,1,2</math> 克，平方和为
<math display="block">\sum_{i=1}^{5}(x_i-\bar x)^2=4+1+0+1+4=10\ \mathrm g^2.</math>
样本方差用四而不是五作分母：
<math display="block">s^2=\frac{10}{5-1}=2.5\ \mathrm g^2,\qquad s=\sqrt{2.5}\approx1.5811\ \mathrm g.</math>
这里的 <math>s</math> 描述单袋质量的分散。五袋平均值的'''估计标准误'''则为
<math display="block">\widehat{\operatorname{SE}}(\bar X)=\frac{s}{\sqrt5}=\sqrt{0.5}\approx0.7071\ \mathrm g.</math>
平均多个独立观测可以减小平均值的波动；标准误并不是把每袋产品本身的波动变小。大写 <math>\bar X,S</math> 表示抽样前会随样本变化的统计量，小写 <math>\bar x,s</math> 是这一组样本计算出的结果。

== 分母为什么是 n−1 ==
围绕样本均值的偏差总和为零：
<math display="block">\sum_{i=1}^{n}(X_i-\bar X)=0.</math>
因此若前 <math>n-1</math> 个偏差已知，最后一个就被确定；本例五个偏差只有四个可以自由指定。这解释了“失去一个自由度”的直观意思。

还可以直接看出除以 <math>n-1</math> 的统计理由。把每个 <math>X_i-\mu</math> 拆为 <math>(X_i-\bar X)+(\bar X-\mu)</math>，平方后求和；交叉项因偏差和为零而消失，得到
<math display="block">\sum_{i=1}^n(X_i-\mu)^2=\sum_{i=1}^n(X_i-\bar X)^2+n(\bar X-\mu)^2.</math>
对具有共同均值、共同有限方差的独立样本取期望。左边为 <math>n\sigma^2</math>，最后一项的期望为 <math>n\operatorname{Var}(\bar X)=\sigma^2</math>，于是
<math display="block">E\left[\sum_{i=1}^n(X_i-\bar X)^2\right]=(n-1)\sigma^2.</math>
所以
<math display="block">S^2=\frac{1}{n-1}\sum_{i=1}^n(X_i-\bar X)^2</math>
是 <math>\sigma^2</math> 的无偏估计。这一步只需上述有限方差和独立性条件；'''后面精确的 t 分布结论还需要正态性'''。无偏的是 <math>S^2</math>，不能顺手推出开平方后的 <math>S</math> 也无偏。

== 从已知标准差到未知标准差 ==
如果总体标准差 <math>\sigma</math> 已知，且 <math>X_1,\ldots,X_n</math> 独立同分布于 <math>N(\mu,\sigma^2)</math>，那么
<math display="block">Z=\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1).</math>
实际问题里只知道 <math>S</math>，自然会考虑
<math display="block">T=\frac{\bar X-\mu}{S/\sqrt n}.</math>
分子仍是均值的误差，分母却会随样本变化。有些样本碰巧很集中，<math>S</math> 较小，会把同样的均值误差放大成更大的 <math>|T|</math>；这正是尾部变厚的来源之一。

在独立同分布正态样本、<math>n\ge2</math>、<math>\sigma>0</math> 的条件下，精确结论是
<math display="block">T\sim t_{n-1}.</math>
由于连续正态样本几乎必然不全相等，<math>S>0</math> 的概率为一。若实际记录全相等，计算式仍然分母为零，应检查仪器分辨率与模型，不能人为填出 t 值。[https://online.stat.psu.edu/stat414/Lesson26 宾夕法尼亚州立大学 STAT 414，§26.4]

=== t 变量怎样构造 ===
设 <math>Z,W_1,\ldots,W_\nu</math> 是相互独立的标准正态变量，暂取 <math>\nu</math> 为正整数。把 <math>\nu</math> 个平方相加：
<math display="block">U=W_1^2+\cdots+W_\nu^2.</math>
这个平方和的分布称为自由度 <math>\nu</math> 的卡方分布，记作 <math>U\sim\chi^2_\nu</math>。定义
<math display="block">T=\frac{Z}{\sqrt{U/\nu}}.</math>
它就服从自由度 <math>\nu</math> 的 t 分布。分母是若干标准正态平方的平均值再开方，围绕一波动；自由度少时，这个平均值还不稳定。

正态样本为什么恰好符合这一构造？把标准化观测组成向量，沿 <math>(1,\ldots,1)/\sqrt n</math> 方向的坐标，就是 <math>Z=\sqrt n(\bar X-\mu)/\sigma</math>；剩下 <math>n-1</math> 个互相垂直方向描述偏离样本均值的变化。独立标准正态向量的联合密度只依赖坐标平方和，旋转坐标后仍分解为独立标准正态密度。因此均值方向与其余方向独立，而其余坐标的平方和等于
<math display="block">U=\frac{\sum_{i=1}^n(X_i-\bar X)^2}{\sigma^2}=\frac{(n-1)S^2}{\sigma^2}.</math>
代入构造式，<math>\sigma</math> 正好约掉：
<math display="block">\frac{Z}{\sqrt{U/(n-1)}}=\frac{(\bar X-\mu)/(\sigma/\sqrt n)}{S/\sigma}=\frac{\bar X-\mu}{S/\sqrt n}.</math>
这也解释了为什么只知道“偏差和为零”还不够：正态性保证的旋转性质与独立性，才使比值精确服从 t 分布。相关结果也列于 [https://live.ocw.mit.edu/courses/14-30-introduction-to-statistical-method-in-economics-spring-2006/6abff411a04becee9638f8c353103ddc_l7.pdf MIT 14.30，Lecture Note 7，§18.2]。

== 密度与尾部：自由度究竟改变了什么 ==
t 分布的密度可写为
<math display="block">f_\nu(t)=\frac{\Gamma((\nu+1)/2)}{\sqrt{\nu\pi}\,\Gamma(\nu/2)}\left(1+\frac{t^2}{\nu}\right)^{-(\nu+1)/2},\qquad t\in\mathbb R.</math>
这里的 <math>t</math> 是横坐标数值，<math>\nu</math> 是固定的自由度。Gamma 函数在正实数上定义为
<math display="block">\Gamma(a)=\int_0^\infty u^{a-1}e^{-u}\,du,\qquad a>0.</math>
分部积分给出 <math>\Gamma(a+1)=a\Gamma(a)</math>，而 <math>\Gamma(1)=1</math>、<math>\Gamma(1/2)=\sqrt\pi</math>；它把阶乘规律扩展到非整数参数。上述密度因此也对任意实数 <math>\nu>0</math> 有意义，本例的抽样自由度则是整数四。[https://dlmf.nist.gov/5.2 NIST DLMF：Gamma 函数定义]

例如 <math>\nu=4</math> 时，<math>\Gamma(5/2)=3\sqrt\pi/4</math>、<math>\Gamma(2)=1</math>，故
<math display="block">f_4(t)=\frac38\left(1+\frac{t^2}{4}\right)^{-5/2}.</math>
它在零处的密度为 <math>3/8</math>，比标准正态的约 <math>0.39894</math> 低；两者总面积同为一，t 分布把更多面积放到了远离零的位置。

[[File:Gezhi-dist-student-t-densities.svg|frame|center|alt=自由度一、四、三十的t密度与标准正态密度比较，自由度一的中心较低且尾部较高，三十的曲线已接近正态|比较的是标准 t 变量与标准正态变量。线型和自由度标签同时区分曲线；“标准”不表示方差都等于一。]]

对本例的 <math>t_4</math>，<math>P(|T|>3)\approx0.039942</math>；标准正态对应概率约为 <math>0.002700</math>。同样离中心三个横轴单位，尾概率相差很大。图上的曲线在远处虽然都很低，却不代表尾部可以忽略。

从密度公式也能看到原因：固定 <math>\nu</math>，当 <math>|t|</math> 很大时，密度按 <math>|t|^{-(\nu+1)}</math> 的量级衰减；正态密度则按 <math>e^{-t^2/2}</math> 衰减。低自由度 t 分布的极端值对矩的影响尤其大：<math>\nu>1</math> 才有均值零，<math>\nu>2</math> 才有有限方差 <math>\nu/(\nu-2)</math>。自由度四时方差为二；自由度一时为柯西分布，均值不存在。对称只保证形状左右相同，不自动保证均值积分存在。[https://www.itl.nist.gov/div898/handbook/eda/section3/eda3664.htm NIST：t Distribution]

自由度增大时，<math>U/\nu</math> 是更多独立平方项的平均；每项期望为一、方差为二，因此平均的方差为 <math>2/\nu</math>，趋于零。分母越来越接近一，构造式中的 <math>T</math> 便在分布上趋于标准正态。有限自由度时两者仍不相同，尤其讨论很小的尾概率时，要核对所需精度。

== 五袋数据的百分之九十五置信区间 ==
要把均值误差转换成区间，先找自由度四的中央百分之九十五区域。设正临界值为 <math>c</math>，满足
<math display="block">P(-c\le T\le c)=0.95.</math>
对称的两条尾部各占 <math>0.025</math>，所以应找累计概率 <math>0.975</math> 的分位数：
<math display="block">c=t_{0.975,4}\approx2.776445.</math>
分位数记号的第一个下标表示左侧累计概率，不是右尾概率。NIST 的表在自由度四、0.975 列给出四舍五入值 2.776。[https://www.itl.nist.gov/div898/handbook/eda/section3/eda3672.htm NIST：Student's t 临界值表]

[[File:Gezhi-dist-student-t-critical.svg|frame|center|alt=自由度四的t密度，中央区域在负二点七七六和正二点七七六之间，概率零点九五，两尾各零点零二五|临界值属于抽样前 T 的分布，横轴没有克的单位。图中可见尾部只是无限尾部的一部分。]]

在 <math>S>0</math> 时，事件
<math display="block">-c\le\frac{\bar X-\mu}{S/\sqrt n}\le c</math>
先乘以正数 <math>S/\sqrt n</math>，再把 <math>\mu</math> 移到中间，等价于
<math display="block">\bar X-c\frac{S}{\sqrt n}\le\mu\le\bar X+c\frac{S}{\sqrt n}.</math>
这一步把一个已知概率的标准化事件，转成了用样本决定端点的区间。

将五袋数据代入，区间半宽为
<math display="block">2.776445\times\sqrt{0.5}\approx1.963243\ \mathrm g.</math>
所以本次算出的百分之九十五置信区间是
<math display="block">[100-1.963243,\ 100+1.963243]\approx[98.0368,101.9632]\ \mathrm g.</math>
本例不能直接把临界值换成标准正态的 <math>1.959964</math>；那会忽略用五个观测估计标准差带来的额外不确定性。[https://www.itl.nist.gov/div898/handbook/eda/section3/eda352.htm NIST：均值的置信限]

[[File:Gezhi-dist-student-t-interval.svg|frame|center|alt=上方为九十八到一百零二克的五个原始读数，下方为以一百克为中心、端点约九十八点零四和一百零一点九六的均值置信区间|上面一排点是五袋产品；下面的线段估计总体均值。二者对象不同，不能把线段解释为百分之九十五产品的范围。]]

“百分之九十五”的频率含义是：保持同一个总体和抽样规则，反复独立取五袋，每次重新计算 <math>\bar X</math>、<math>S</math> 和区间，长期约百分之九十五的区间会覆盖固定的 <math>\mu</math>。这次端点一旦算出，区间就已经固定；在这里的频率学派模型中，不能再说固定的 <math>\mu</math> 有百分之九十五概率落入这一固定区间，也不能说下一袋产品有这个概率落入它。

同一计算还能检验一个事先给定的均值。例如检验 <math>\mu_0=98</math> 克与双侧备择 <math>\mu\ne98</math>，得到
<math display="block">T_{\mathrm{obs}}=\frac{100-98}{\sqrt{0.5}}=2\sqrt2\approx2.828427.</math>
它大于临界值 <math>2.776445</math>，在上述模型与百分之五显著性水平下拒绝这个原假设；相应双侧 <math>p</math> 值约为 <math>0.04742</math>。这与九十八不在刚才区间内一致。<math>p</math> 值计算的是“若原假设成立，出现至少这样极端统计量的概率”，不是原假设成立的概率。

== 什么时候这个区间失去依据 ==
若灌装设备不断漂移，五袋来自不同工作状态，同分布假设就有问题；若相邻袋受到共同扰动，独立性也可能失败。把同一袋反复称五次，更不能直接当成五袋独立产品。上述 <math>S/\sqrt n</math> 和自由度公式都建立在特定抽样结构上。

若原始质量明显偏斜或有很重的尾部，五个样本下的 <math>T</math> 一般不精确服从 <math>t_4</math>。一个具体反例是独立的零一变量：当它们全为零时，<math>S=0</math>，这一事件有正概率；连续 t 分布的推导立即失效。因而“总体标准差未知、样本少”并不足以保证 t 公式适用。

实际选择正态模型，需要过程知识、仪器信息和足够的观测支持。五个数据点没有明显异常，也远不足以验证总体尾部的形状；记录经过粗舍入时，还应考虑分辨率。样本较大、独立同分布且具有有限正方差时，学生化均值可以有渐近正态近似，但这是另一个近似论证，不能倒过来证明所有小样本都服从 t 分布。

== 名称与历史资料 ==
“Student”是 William Sealy Gosset 使用的署名，并非指学生数据。1908 年，他以这个署名在《Biometrika》第六卷第一期发表《The Probable Error of a Mean》，页码 1–25，研究小样本均值的不确定性。今天常用的 <math>n-1</math> 样本方差与 t 统计量写法可结合现代抽样分布教材理解，不必把原文符号直接套到现代公式上。[https://academic.oup.com/biomet/article-abstract/6/1/1/225634 原始论文出版记录]；[https://online.stat.psu.edu/stat414/Lesson26 宾州州立大学：Student 与 Gosset]

== 参考资料 ==
* [https://online.stat.psu.edu/stat414/Lesson26 宾夕法尼亚州立大学 STAT 414，Lesson 26，尤其 §26.3–26.4]：正态样本方差、均值独立性以及 t 的比值构造。
* [https://www.itl.nist.gov/div898/handbook/eda/section3/eda3664.htm NIST/SEMATECH e-Handbook，t Distribution]：密度、自由度、尾部与矩存在条件。
* [https://www.itl.nist.gov/div898/handbook/eda/section3/eda3672.htm NIST，Critical Values of the Student's t Distribution]：双侧临界值表。
* [https://www.itl.nist.gov/div898/handbook/eda/section3/eda352.htm NIST，Confidence Limits for the Mean]：均值区间及覆盖率解释。
* [https://dlmf.nist.gov/5.2 NIST DLMF，§5.2]：Gamma 函数的积分定义。
* [https://academic.oup.com/biomet/article-abstract/6/1/1/225634 Student（1908），The Probable Error of a Mean，Biometrika 6(1): 1–25]，DOI：10.1093/biomet/6.1.1。
* 相关：[[正态分布]]、[[概率分布]]、[[统计推断]]、[[向量空间]]。
[[分类:概率与统计]]

学生t分布 - 版本历史

AIContentBot：​新增常用概率分布：贯穿案例、完整推导与透明SVG图解

AIContentBot：新增常用概率分布：贯穿案例、完整推导与透明SVG图解