T-распределение Стьюдента

t-распределение Стьюдента (также распределение Стьюдента) — это однопараметрическое семейство абсолютно непрерывных распределений вероятностей, возникающее при оценивании математического ожидания нормально распределённой случайной величины в условиях неизвестной дисперсии и малого объёма выборки. Является частным случаем обобщённого гиперболического распределения и используется в статистике для проверки гипотез о средних значениях, построения доверительных интервалов и в регрессионном анализе.

История

Распределение было впервые опубликовано в 1908 году английским математиком и статистиком Уильямом Сили Госсетом, работавшим на пивоваренную компанию «Гиннесс» (Guinness). В силу политики компании, запрещавшей сотрудникам публиковать научные работы под собственным именем, Госсет использовал псевдоним «Стьюдент» (Student). В своей статье «The Probable Error of a Mean» он описал распределение, необходимое для работы с малыми выборками, когда стандартное отклонение генеральной совокупности неизвестно и оценивается по данным выборки.

Работа Госсета оставалась малоизвестной до 1920-х годов, когда её популяризировал английский статистик Рональд Фишер. Фишер формализовал теорию распределения, ввёл обозначение \( t \) и разработал таблицы критических значений, что сделало метод широко доступным для практического применения.

Определение

Пусть \( X \) — случайная величина, имеющая стандартное нормальное распределение \( N(0,1) \), а \( Y \) — независимая от \( X \) случайная величина, имеющая распределение хи-квадрат с \( k \) степенями свободы (\( \chi^2_k \)). Тогда случайная величина

\[ T = \frac{X}{\sqrt{Y/k}} \]

имеет t-распределение Стьюдента с \( k \) степенями свободы.

Плотность вероятности t-распределения задаётся формулой:

\[ f(t) = \frac{\Gamma\left(\frac{k+1}{2}\right)}{\sqrt{k\pi}\,\Gamma\left(\frac{k}{2}\right)} \left(1 + \frac{t^2}{k}\right)^{-\frac{k+1}{2}}, \]

где \( \Gamma \) — гамма-функция Эйлера, а \( k > 0 \) — параметр (число степеней свободы).

Свойства

Форма распределения

t-распределение симметрично относительно нуля и имеет колоколообразную форму, напоминающую стандартное нормальное распределение, но с более тяжёлыми «хвостами». Это означает, что вероятность получения значений, далёких от среднего, выше, чем в нормальном распределении. С ростом числа степеней свободы \( k \) распределение приближается к стандартному нормальному: при \( k \to \infty \) t-распределение сходится к \( N(0,1) \).

Моменты

• Математическое ожидание: \( E[T] = 0 \) при \( k > 1 \); при \( k \leq 1 \) не определено.
• Дисперсия: \( \text{Var}[T] = \frac{k}{k-2} \) при \( k > 2 \); при \( k \leq 2 \) бесконечна или не определена.
• Асимметрия: равна 0 (распределение симметрично).
• Эксцесс: \( \frac{6}{k-4} \) при \( k > 4 \); при \( k \leq 4 \) бесконечен или не определён.

Квантили

Квантили t-распределения используются для построения доверительных интервалов и проверки гипотез. Обозначаются как \( t_{\alpha, k} \), где \( \alpha \) — уровень значимости (обычно 0,05 или 0,01), а \( k \) — число степеней свободы. Значения квантилей табулированы в стандартных статистических таблицах и реализованы во всех современных статистических пакетах.

Применение

Проверка гипотез о среднем

Наиболее распространённое применение t-распределения — t-критерий Стьюдента, используемый для проверки гипотез о равенстве средних значений одной или двух выборок. Различают:

• Одновыборочный t-критерий — проверка гипотезы о том, что среднее значение генеральной совокупности равно заданному числу.
• Двухвыборочный t-критерий — проверка гипотезы о равенстве средних двух независимых выборок (предполагается нормальность распределений и равенство дисперсий).
• Парный t-критерий — для зависимых выборок (например, измерения «до» и «после» на одних и тех же объектах).

Доверительные интервалы

t-распределение используется для построения доверительных интервалов для математического ожидания нормальной совокупности при неизвестной дисперсии. Интервал имеет вид:

\[ \bar{x} \pm t_{\alpha/2, n-1} \cdot \frac{s}{\sqrt{n}}, \]

где \( \bar{x} \) — выборочное среднее, \( s \) — выборочное стандартное отклонение, \( n \) — объём выборки.

Регрессионный анализ

В линейной регрессии t-распределение используется для проверки значимости отдельных коэффициентов регрессии. Статистика \( t = \frac{\hat{\beta}_j}{SE(\hat{\beta}_j)} \) (где \( \hat{\beta}_j \) — оценка коэффициента, \( SE \) — его стандартная ошибка) при нулевой гипотезе имеет t-распределение с \( n-p-1 \) степенями свободы (\( p \) — число предикторов).

Робастная статистика

В силу более тяжёлых хвостов t-распределение иногда используется как альтернатива нормальному распределению при моделировании данных с выбросами. В байесовской статистике t-распределение часто применяется в качестве априорного распределения для параметров, когда требуется устойчивость к аномальным наблюдениям.

Связь с другими распределениями

• При \( k \to \infty \) t-распределение сходится к стандартному нормальному распределению.
• Квадрат случайной величины, имеющей t-распределение с \( k \) степенями свободы, имеет распределение Фишера (F-распределение) с 1 и \( k \) степенями свободы: \( T^2 \sim F(1, k) \).
• t-распределение является частным случаем обобщённого t-распределения и распределения Пирсона типа VII.
• Распределение Коши является частным случаем t-распределения при \( k = 1 \).

Критика и ограничения

Основным ограничением t-распределения является предположение о нормальности исходных данных. При сильных отклонениях от нормальности (особенно при наличии асимметрии или множественных выбросов) t-критерий может давать неверные результаты. В таких случаях рекомендуется использовать непараметрические методы, например, U-критерий Манна — Уитни или критерий Уилкоксона.

Кроме того, t-распределение чувствительно к нарушению предположения о равенстве дисперсий в двухвыборочном t-критерии. Для смягчения этого ограничения применяется поправка Уэлча (критерий Уэлча), которая использует приближённое число степеней свободы.

Литература

• Student. The Probable Error of a Mean // Biometrika. — 1908. — Vol. 6, No. 1. — P. 1–25.
• Fisher R. A. Applications of «Student’s» Distribution // Metron. — 1925. — Vol. 5. — P. 90–104.
• Кендалл М. Дж., Стьюарт А. Теория распределений. — М.: Наука, 1966. — 566 с.
• Гмурман В. Е. Теория вероятностей и математическая статистика. — 12-е изд. — М.: Юрайт, 2010. — 479 с.