学生t分布

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 $\nu >0$ 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 $$98,99,100,101,102(\mathrm{g}).$$ 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 $\mu$；总体标准差 $\sigma$ 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 $x_i$ 表示已经观测到的数值。样本均值为 $$\overline{x}=\frac{98+99+100+101+102}{5}=100\mathrm{g}.$$ 五个偏差为 $-2,-1,0,1,2$ 克，平方和为 $$\sum _{i=1}^5(x_i-\overline{x}{)}^2=4+1+0+1+4=10{\mathrm{g}}^2.$$ 样本方差用四而不是五作分母： $$s^2=\frac{10}{5-1}=2.5{\mathrm{g}}^2,s=\sqrt{2.5}\approx 1.5811\mathrm{g}.$$ 这里的 $s$ 描述单袋质量的分散。五袋平均值的估计标准误则为 $$\widehat{\mathrm{SE}}(\overline{X})=\frac{s}{\sqrt{5}}=\sqrt{0.5}\approx 0.7071\mathrm{g}.$$ 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 $\overline{X},S$ 表示抽样前会随样本变化的统计量，小写 $\overline{x},s$ 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： $$\sum _{i=1}^n(X_i-\overline{X})=0.$$ 因此若前 $n-1$ 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 $n-1$ 的统计理由。把每个 $X_i-\mu$ 拆为 $(X_i-\overline{X})+(\overline{X}-\mu )$，平方后求和；交叉项因偏差和为零而消失，得到 $$\sum _{i=1}^n(X_i-\mu {)}^2=\sum _{i=1}^n(X_i-\overline{X}{)}^2+n(\overline{X}-\mu {)}^2.$$ 对具有共同均值、共同有限方差的独立样本取期望。左边为 $n{\sigma }^2$，最后一项的期望为 $n\mathrm{Var}(\overline{X})={\sigma }^2$，于是 $$E[\sum _{i=1}^n(X_i-\overline{X}{)}^2]=(n-1){\sigma }^2.$$ 所以 $$S^2=\frac{1}{n-1}\sum _{i=1}^n(X_i-\overline{X}{)}^2$$ 是 ${\sigma }^2$ 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 $S^2$，不能顺手推出开平方后的 $S$ 也无偏。

从已知标准差到未知标准差

如果总体标准差 $\sigma$ 已知，且 $X_1,\dots ,X_n$ 独立同分布于 $N(\mu ,{\sigma }^2)$，那么 $$Z=\frac{\overline{X}-\mu }{\sigma /\sqrt{n}}\sim N(0,1).$$ 实际问题里只知道 $S$，自然会考虑 $$T=\frac{\overline{X}-\mu }{S/\sqrt{n}}.$$ 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，$S$ 较小，会把同样的均值误差放大成更大的 $|T|$；这正是尾部变厚的来源之一。

在独立同分布正态样本、$n\ge 2$、$\sigma >0$ 的条件下，精确结论是 $$T\sim t_{n-1}.$$ 由于连续正态样本几乎必然不全相等，$S>0$ 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。宾夕法尼亚州立大学 STAT 414，§26.4

t 变量怎样构造

设 $Z,W_1,\dots ,W_{\nu }$ 是相互独立的标准正态变量，暂取 $\nu$ 为正整数。把 $\nu$ 个平方相加： $$U=W_1^2+\cdots +W_{\nu }^2.$$ 这个平方和的分布称为自由度 $\nu$ 的卡方分布，记作 $U\sim {\chi }_{\nu }^2$。定义 $$T=\frac{Z}{\sqrt{U/\nu }}.$$ 它就服从自由度 $\nu$ 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 $(1,\dots ,1)/\sqrt{n}$ 方向的坐标，就是 $Z=\sqrt{n}(\overline{X}-\mu )/\sigma$；剩下 $n-1$ 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 $$U=\frac{\sum _{i=1}^n(X_i-\overline{X}{)}^2}{{\sigma }^2}=\frac{(n-1)S^2}{{\sigma }^2}.$$ 代入构造式，$\sigma$ 正好约掉： $$\frac{Z}{\sqrt{U/(n-1)}}=\frac{(\overline{X}-\mu )/(\sigma /\sqrt{n})}{S/\sigma }=\frac{\overline{X}-\mu }{S/\sqrt{n}}.$$ 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 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 $$f_{\nu }(t)=\frac{\Gamma ((\nu +1)/2)}{\sqrt{\nu \pi }\Gamma (\nu /2)}{(1+\frac{t^2}{\nu })}^{-(\nu +1)/2},t\in ℝ.$$ 这里的 $t$ 是横坐标数值，$\nu$ 是固定的自由度。Gamma 函数在正实数上定义为 $$\Gamma (a)={\int }_0^{\mathrm{\infty }}{u}^{a-1}{e}^{-u}du,a>0.$$ 分部积分给出 $\Gamma (a+1)=a\Gamma (a)$，而 $\Gamma (1)=1$、$\Gamma (1/2)=\sqrt{\pi }$；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 $\nu >0$ 有意义，本例的抽样自由度则是整数四。NIST DLMF：Gamma 函数定义

例如 $\nu =4$ 时，$\Gamma (5/2)=3\sqrt{\pi }/4$、$\Gamma (2)=1$，故 $$f_4(t)=\frac{3}{8}{(1+\frac{t^2}{4})}^{-5/2}.$$ 它在零处的密度为 $3/8$，比标准正态的约 $0.39894$ 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。

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 $t_4$，$P(|T|>3)\approx 0.039942$；标准正态对应概率约为 $0.002700$。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 $\nu$，当 $|t|$ 很大时，密度按 $|t{|}^{-(\nu +1)}$ 的量级衰减；正态密度则按 $e^{-t^2/2}$ 衰减。低自由度 t 分布的极端值对矩的影响尤其大：$\nu >1$ 才有均值零，$\nu >2$ 才有有限方差 $\nu /(\nu -2)$。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。NIST：t Distribution

自由度增大时，$U/\nu$ 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 $2/\nu$，趋于零。分母越来越接近一，构造式中的 $T$ 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 $c$，满足 $$P(-c\le T\le c)=\mathrm{0.95.}$$ 对称的两条尾部各占 $0.025$，所以应找累计概率 $0.975$ 的分位数： $$c=t_{0.975,4}\approx \mathrm{2.776445.}$$ 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。NIST：Student's t 临界值表

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 $S>0$ 时，事件 $$-c\le \frac{\overline{X}-\mu }{S/\sqrt{n}}\le c$$ 先乘以正数 $S/\sqrt{n}$，再把 $\mu$ 移到中间，等价于 $$\overline{X}-c\frac{S}{\sqrt{n}}\le \mu \le \overline{X}+c\frac{S}{\sqrt{n}}.$$ 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 $$2.776445\times \sqrt{0.5}\approx 1.963243\mathrm{g}.$$ 所以本次算出的百分之九十五置信区间是 $$[100-1.963243,100+1.963243]\approx [98.0368,101.9632]\mathrm{g}.$$ 本例不能直接把临界值换成标准正态的 $1.959964$；那会忽略用五个观测估计标准差带来的额外不确定性。NIST：均值的置信限

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 $\overline{X}$、$S$ 和区间，长期约百分之九十五的区间会覆盖固定的 $\mu$。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 $\mu$ 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 ${\mu }_0=98$ 克与双侧备择 $\mu \ne 98$，得到 $$T_{\mathrm{o}\mathrm{b}\mathrm{s}}=\frac{100-98}{\sqrt{0.5}}=2\sqrt{2}\approx \mathrm{2.828427.}$$ 它大于临界值 $2.776445$，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 $p$ 值约为 $0.04742$。这与九十八不在刚才区间内一致。$p$ 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 $S/\sqrt{n}$ 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 $T$ 一般不精确服从 $t_4$。一个具体反例是独立的零一变量：当它们全为零时，$S=0$，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 $n-1$ 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。原始论文出版记录；宾州州立大学：Student 与 Gosset

参考资料

• 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。
• NIST/SEMATECH e-Handbook，t Distribution：密度、自由度、尾部与矩存在条件。
• NIST，Critical Values of the Student's t Distribution：双侧临界值表。
• NIST，Confidence Limits for the Mean：均值区间及覆盖率解释。
• NIST DLMF，§5.2：Gamma 函数的积分定义。
• 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。