自由度为1的t分布

自由度为1的t分布

自由度为1的t分布即柯西分布（标准柯西分布，Cauchy distribution），是学生t分布族中最极端的特例。其概率密度函数为：

该分布在数学上等同于洛伦兹函数，在物理学中描述共振线型。

来源与等价性

记 $Z \sim N(0,1)$ 和 $V \sim \chi^2_k$ 独立，则 $t = Z / \sqrt{V/k} \sim t_k$。当 $k = 1$ 时，$\chi^2_1$ 即标准正态随机变量的平方，此时 $t_1$ 是两个独立标准正态分布随机变量的比值：若 $X, Y \stackrel{\text{iid}}{\sim} N(0,1)$，则 $X/Y \sim t_1 \sim \text{Cauchy}(0,1)$。这一构造揭示了柯西分布的本质——两个零均值正态变量的比值，因分母可任意接近零，导致分布呈现极端厚尾。

核心性质

无矩性：自由度为1的t分布不拥有任何正整数阶矩。均值不存在（积分 $\int_{-\infty}^{\infty} xf(x)dx$ 条件不收敛），方差、偏度、峰度均无定义。这使它在统计模型中常作为"反例"出现——大数定律和中心极限定理对柯西分布失效：$n$ 个柯西随机变量的样本均值仍服从柯西分布，而非收敛于正态。

厚尾特性：密度函数以 $O(1/x^2)$ 衰减，远慢于正态分布的指数衰减 $O(e^{-x^2/2})$。这意味着极端值出现的概率远高于正态分布——柯西分布在 $\pm 10\sigma_{\text{正态等价}}$ 之外的尾部概率约为正态的数百倍。

稳定性：柯西分布是稳定分布族中指数 $\alpha = 1$ 的特例。若 $X_1, X_2, \ldots, X_n \stackrel{\text{iid}}{\sim} \text{Cauchy}(0,1)$，则 $\bar{X}_n \sim \text{Cauchy}(0,1)$——平均化不带来任何"收缩"效果。

与正态分布的比较

$t_1$ 与 $N(0,1)$ 同为关于0对称的钟形分布，但 $t_1$ 峰值更高、尾部更厚。$t_1$ 在 $x = \pm 1$ 处的密度为 $1/(2\pi) \approx 0.159$，而 $N(0,1)$ 在同样位置的密度约为 0.242——柯西分布在中心区域质量更集中，但极端值概率大得多。$t$ 分布族随自由度增大逐渐逼近正态：$t_{30}$ 在视觉上已与正态几乎不可区分，而 $t_1$ 则是最远离正态的极端情形。

统计意义

在贝叶斯统计中，柯西分布常用作层次模型的弱信息先验（如马蹄先验的全局收缩参数）。在稳健统计中，柯西分布被视为一种极端厚尾的误差模型——当数据可能存在大量离群值时，使用 $t_1$ 似然比正态似然更稳健。然而，由于无矩性，实践中更常用 $\nu = 3$ 或 $\nu = 4$ 的t分布来平衡厚尾与可计算性。

注意事项

一、不要将 $t_1$ 的"钟形"外观误解为具有有限方差——任何基于矩的方法（如矩估计）对其失效；二、两独立 $t_1$ 变量之和不服从 $t_1$（柯西分布的卷积仍是柯西，但尺度参数加倍）；三、$t_1$ 的样本均值不收敛——增加样本量不提高估计精度；四、实践中若估计的自由度 $\hat{\nu} \approx 1$，应警惕数据可能含极端值或模型假设不当。

学生t分布、柯西分布、标准正态分布、稳定分布、大数定律、中心极限定理、贝叶斯统计、层次模型、马蹄先验、稳健统计、矩估计、洛伦兹函数、卡方分布