t-distribution

t分布 (Student's t-Distribution)

t分布（Student's $t$-distribution），又称学生氏t分布，是概率论与数理统计中一类极为重要的连续概率分布。它在小样本统计推断中扮演着不可替代的核心角色，尤其适用于总体方差未知时对正态分布总体均值进行假设检验和区间估计。t分布由英国统计学家威廉·戈塞特（William Sealy Gosset）于1908年以笔名"Student"在《Biometrika》期刊上发表，因此长期被称为学生氏分布。戈塞特当时受雇于爱尔兰都柏林的吉尼斯啤酒厂，为解决小样本酿造质量控制问题而发展了该理论，但因公司保密政策而使用笔名发表。

定义与构造

设 $Z \sim N(0,1)$ 为标准正态分布随机变量，$V \sim \chi^2(k)$ 为卡方分布随机变量，且 $Z$ 与 $V$ 相互独立，则随机变量

服从自由度为 $k$ 的t分布，记作 $T \sim t(k)$，其中参数 $k \in \mathbb{N}^+$ 称为自由度。

从统计学直观来看，t分布刻画了样本标准差替代总体标准差后标准化统计量的确切抽样分布。具体而言，设 $X_1, X_2, \dots, X_n$ 是来自正态总体 $N(\mu, \sigma^2)$ 的独立同分布样本，$\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i$ 为样本均值，$S = \sqrt{\frac{1}{n-1}\sum_{i=1}^n (X_i - \bar{X})^2}$ 为样本标准差，则

这一结论是小样本统计的理论基石，也是t检验的核心依据。该统计量的分母 $S/\sqrt{n}$ 称为标准误，反映了样本均值估计量的抽样误差大小。

概率密度函数

t分布的概率密度函数由以下公式给出：

其中 $\Gamma(\cdot)$ 为伽马函数，定义为 $\Gamma(\alpha) = \int_0^\infty x^{\alpha-1}e^{-x}\,dx$。

该密度函数具有以下特征：首先，它关于 $t=0$ 严格对称，呈现钟形曲线形状，与标准正态分布相似。其次，与正态分布相比，t分布的尾部更厚，即概率密度在远离中心处衰减得更慢。这种厚尾（Heavy Tail）特性使得t分布对异常值具有更好的稳健性，也使其成为稳健统计（Robust Statistics）中的重要工具。自由度为1时，t分布退化为柯西分布，具有最厚的尾部；随着自由度的增加，尾部逐渐变薄，向正态分布逼近。

重要性质

一、对称性。 t分布关于原点对称，密度函数满足 $f_T(t) = f_T(-t)$。若 $T \sim t(k)$，则 $\mathbb{E}[T] = 0$，但前提是 $k > 1$；当 $k = 1$（即柯西分布）时，期望不存在。

二、方差。 方差为 $\operatorname{Var}(T) = \frac{k}{k-2}$，但仅当 $k > 2$ 时有限。当 $k \leq 2$ 时方差不存在或无穷大。方差随自由度增大而减小，当 $k \to \infty$ 时 $\operatorname{Var}(T) \to 1$，与标准正态分布的方差一致。

三、偏度与峰度。 t分布的偏度（Skewness）为零，这是由对称性直接决定的。峰度（Kurtosis）为 $\frac{6}{k-4}$，当 $k > 4$ 时存在。t分布的峰度始终大于正态分布的峰度（3），体现了其厚尾特性。自由度越小，峰度越大，尾部越厚。

四、极限行为。 当自由度 $k \to \infty$ 时，t分布逐点收敛于标准正态分布 $N(0,1)$。这是因为 $\left(1 + \frac{t^2}{k}\right)^{-\frac{k+1}{2}} \to e^{-t^2/2}$，且系数 $\frac{\Gamma\left(\frac{k+1}{2}\right)}{\sqrt{k\pi}\,\Gamma\left(\frac{k}{2}\right)} \to \frac{1}{\sqrt{2\pi}}$。在实际应用中，当 $k \geq 30$ 时，t分布与正态分布的差异已相当微小，许多教科书建议此时可用正态分布近似。

五、矩与母函数。 t分布的矩母函数（Moment Generating Function）不存在，因为其指数阶的期望不收敛。除了矩母函数不存在外，t分布仅当自由度大于矩的阶数时该矩才存在，这是厚尾分布的共性特征。

六、分位数。 t分布的分位数是假设检验和置信区间计算的核心工具。记 $t_{\alpha}(k)$ 为自由度 $k$ 的t分布的右尾 $\alpha$ 分位数，即满足 $P(T > t_{\alpha}(k)) = \alpha$ 的数值。由于对称性，左尾分位数满足 $t_{1-\alpha}(k) = -t_{\alpha}(k)$。t分布的分位数表是所有统计教科书的必备附录。

主要应用

单样本t检验。 最经典的应用是检验正态总体均值是否等于某特定值 $\mu_0$。检验统计量 $t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}}$ 在原假设下服从 $t(n-1)$ 分布。当 $|t|$ 超过临界值时拒绝原假设。该检验广泛应用于医学疗效评价、心理学实验、经济学变量比较等领域。

两独立样本t检验。 用于比较两个独立正态总体的均值是否相等。设两组样本容量分别为 $n_1, n_2$，样本均值为 $\bar{x}_1, \bar{x}_2$。当两总体方差相等时，使用合并方差t检验（Pooled t-test），其统计量为：

该统计量服从 $t(n_1+n_2-2)$。当两总体方差不相等时，使用韦尔奇t检验（Welch's t-test），通过萨特思韦特近似（Satterthwaite Approximation）调整自由度。

配对样本t检验。 用于比较同一组对象在两种条件下的均值差异，如前后测设计、治疗前后对比等。该方法本质上是对成对差值 $d_i = x_{i,\text{后}} - x_{i,\text{前}}$ 做单样本t检验，检验差值总体均值是否为零。

回归系数的显著性检验。 在线性回归模型中，回归系数的显著性检验采用t统计量。系数估计值 $\hat{\beta}_j$ 除以其标准误 $\text{SE}(\hat{\beta}_j)$ 得到的t统计量，在原假设 $H_0: \beta_j = 0$ 下服从 $t(n-p-1)$ 分布，其中 $p$ 为自变量个数。该检验的输出结果是回归分析报告中最重要的组成部分之一，通常以p值形式呈现。

置信区间。 基于t分布构造的置信区间是区间估计的标准方法。正态总体均值的 $1-\alpha$ 置信区间为：

该区间在方差未知的小样本情形下具有精确的覆盖概率，这是基于正态分布的区间估计所无法实现的。

贝叶斯统计中的应用。 在贝叶斯推断中，当似然函数为正态分布且采用无信息先验时，均值参数的后验分布为t分布。此外，t分布因其厚尾特性，在金融风险建模、异常值检测和稳健回归分析中广泛应用。在金融时间序列分析中，t分布常被用于刻画资产收益率的厚尾特征。

与相关分布的关系

t分布与多个重要分布存在深刻联系。首先，t分布的平方服从F分布：若 $T \sim t(k)$，则 $T^2 \sim F(1, k)$。这一关系使得t检验与单因素方差分析（ANOVA）在两组比较时等价。其次，柯西分布是自由度为1的t分布，其概率密度函数为 $f(t) = \frac{1}{\pi(1+t^2)}$，此时均值与方差均不存在。第三，当自由度趋于无穷时，t分布趋近于标准正态分布，这也是大样本情形下t检验与z检验趋同的原因。第四，t分布属于椭圆分布族，且是位置-尺度分布族的一员——若 $T \sim t(k)$，则 $\mu + \sigma T$ 服从非标准化的t分布。

总体而言，t分布是统计学中最为基础和重要的抽样分布之一。它填补了正态分布在方差未知、小样本场景下的理论空白，从戈塞特在吉尼斯啤酒厂的实践到当代数据科学的广泛应用，t分布的影响力跨越了一个多世纪，至今仍是科学发现中最不可或缺的概率模型之一。