高等数学 / 系统课时

t分布

t分布

t 分布解决的是一个常见问题:总体标准差未知时,样本均值还能怎样完成标准化。它与标准正态分布形状相近,但尾部更厚;样本量越大,这种差异越小。

学习目标

  • 理解 t 分布的构造条件与自由度
  • 解释 t 分布为什么比标准正态分布尾部更厚
  • 判断何时应使用 t 分布而不是标准正态分布

t 分布怎样产生

设 Z∼N(0,1)Z\sim N(0,1),U∼χ2(ν)U\sim\chi^2(\nu),并且 ZZ 与 UU 相互独立。定义

T=ZU/νT=\frac{Z}{\sqrt{U/\nu}}

那么 TT 服从自由度为 ν\nu 的 t 分布,记作 T∼t(ν)T\sim t(\nu)。分子是标准正态变量,分母则来自卡方变量的随机缩放,因此 t 变量可以看成“标准正态变量除以一个会波动的标准差估计”。

t 分布关于零对称,取值范围是整个实数轴。它的中心和标准正态分布相同,但由于分母本身具有随机性,出现较大正值或负值的概率会更高。

t分布与标准正态分布的尾部差异

自由度决定尾部厚度

自由度较小时,分母中的方差估计不稳定,t 分布的尾部明显更厚。这意味着极端取值比标准正态分布更常见,因此在计算临界值时,t 分布通常会给出更宽的区间。

随着自由度增大,样本提供的信息越来越多,方差估计逐渐稳定,t 分布会趋近标准正态分布。实践中不能简单地说“样本量超过某个固定数值就必须改用正态分布”;直接使用对应自由度的 t 分布通常更稳妥,而在大样本下两者结果会自然接近。

它为什么出现在样本均值中

设总体服从正态分布 N(μ,σ2)N(\mu,\sigma^2),抽取容量为 nn 的独立样本。当总体标准差 σ\sigma 已知时,标准化后的样本均值服从标准正态分布:

Z=Xˉ−μσ/nZ=\frac{\bar X-\mu}{\sigma/\sqrt n}

但现实中 σ\sigma 往往未知,只能用样本标准差 SS 替代,于是统计量变为

T=Xˉ−μS/n∼t(n−1)T=\frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)

自由度为 n−1n-1,因为样本标准差的计算使用了样本均值,损失了一个独立约束。这个统计量是单样本均值置信区间和单样本 t 检验的基础。

与标准正态分布怎么区分

两者都关于零对称,也都呈钟形,但使用条件不同。总体标准差已知时,可以使用标准正态分布;总体标准差未知、总体近似正态且需要用样本标准差代替时,应使用 t 分布。

“总体方差未知”并不自动保证 t 方法适用。小样本下还应关注总体是否严重偏斜、是否存在明显异常值;这些情况会破坏基于正态总体的精确结论。样本较大时,均值的抽样分布通常更稳定,但仍应先检查数据质量。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

t分布

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通