289. Rozkład t-Studenta – skąd się bierze?

Rozkład t-Studenta pojawia się wtedy, gdy chcemy standaryzować średnią, ale nie znamy odchylenia standardowego populacji i musimy oszacować je na podstawie tej samej próby. To właśnie zastąpienie nieznanego parametru jego estymatorem sprawia, że otrzymujemy nie rozkład normalny, lecz rozkład t. W tej lekcji wyjaśnimy, skąd bierze się rozkład t-Studenta, dlaczego ma cięższe ogony niż rozkład normalny i jak stopnie swobody wpływają na jego kształt.

Temat jest ważnym ogniwem między rozkładem normalnym omawianym w poprzednich lekcjach a praktycznymi metodami wnioskowania: przedziałem ufności dla średniej, testem t dla jednej próby, testem t dla dwóch średnich oraz klasycznym modelem regresji liniowej. W szkoleniu na statystyk.edu.pl warto traktować tę lekcję jako przejście od rozumienia rozkładów do rozumienia statystyk testowych.

Dlaczego rozkład normalny nie zawsze wystarcza?

Załóżmy, że badamy zmienną o rozkładzie normalnym w populacji. Jeżeli średnia populacji wynosi μ, a znane odchylenie standardowe populacji to σ, wówczas dla próby o liczebności n statystyka

Z = (X̄ − μ) / (σ / √n)

ma standardowy rozkład normalny. Symbol X̄ oznacza średnią z próby, a σ/√n jest prawdziwym błędem standardowym średniej. W praktyce jednak σ zwykle nie jest znane. Badacz dysponuje jedynie obserwacjami z próby i oblicza odchylenie standardowe w próbie, oznaczane przez S.

Naturalny pomysł polega na zastąpieniu σ przez S:

T = (X̄ − μ) / (S / √n)

Ten krok wygląda niewinnie, ale ma ważną konsekwencję. Licznik i mianownik nie są już zbudowane wyłącznie z ustalonych parametrów populacji. Mianownik jest losowy, ponieważ S zmienia się od próby do próby. Statystyka T ma zatem większą zmienność niż Z. Rozkład t-Studenta opisuje właśnie tę dodatkową niepewność.

Historyczne źródło rozkładu t

Rozkład został przedstawiony w 1908 roku w artykule The Probable Error of a Mean, opublikowanym pod pseudonimem „Student” w czasopiśmie Biometrika. Autorem był William Sealy Gosset, pracujący w browarze Guinness. Pseudonim wynikał z ograniczeń dotyczących publikowania wyników przez pracowników firmy (Student, 1908).

Problem Gosseta był bardzo praktyczny: jak wnioskować o średniej jakości produktu, gdy dostępne są małe próby, a odchylenie standardowe populacji jest nieznane? W takich warunkach użycie rozkładu normalnego prowadziłoby do zbyt wąskich przedziałów ufności i zbyt liberalnych wniosków. Rozkład t uwzględnia fakt, że przy małej próbie oszacowanie zmienności jest niepewne.

Późniejszy rozwój statystyki, zwłaszcza prace Ronalda Fishera, uporządkował związek między rozkładem t, rozkładem chi-kwadrat i rozkładem F. Dzięki temu rozkład t stał się podstawą wielu procedur w statystyce klasycznej (Fisher, 1925; Senn, 1992).

Matematyczne pochodzenie rozkładu t-Studenta

Iloraz dwóch niezależnych składników

Najważniejsza konstrukcja jest następująca. Niech:

• Z ma standardowy rozkład normalny, czyli Z ~ N(0,1);
• V ma rozkład chi-kwadrat z ν stopniami swobody, czyli V ~ χ²_ν;
• Z i V są niezależne.

Wtedy zmienna

T = Z / √(V/ν)

ma rozkład t-Studenta z ν stopniami swobody. Zapisuje się to jako T ~ t_ν.

Wzór można odczytać intuicyjnie. Licznik Z opisuje losowe odchylenie od wartości oczekiwanej, tak jak w standardowym rozkładzie normalnym. Mianownik √(V/ν) jest losowym przelicznikiem zmienności. Gdyby ten przelicznik był zawsze równy 1, otrzymalibyśmy po prostu rozkład normalny. Ponieważ jednak jest losowy, czasami przyjmuje wartości mniejsze od 1, a czasami większe od 1. Szczególnie wtedy, gdy mianownik jest mały, iloraz może osiągać duże wartości dodatnie lub ujemne. To wyjaśnia cięższe ogony rozkładu t.

Związek z próbą z populacji normalnej

Jeżeli X₁, …, X_n są niezależnymi obserwacjami z populacji normalnej N(μ, σ²), to zachodzą dwa kluczowe fakty:

1. statystyka Z = (X̄ − μ)/(σ/√n) ma rozkład standardowy normalny;
2. statystyka V = (n − 1)S²/σ² ma rozkład chi-kwadrat z n − 1 stopniami swobody i jest niezależna od X̄.

Po podstawieniu tych zależności otrzymujemy:

T = (X̄ − μ)/(S/√n) ~ tn−1

To jest podstawowe źródło statystyki t w analizie średniej. Stopnie swobody wynoszą n − 1, ponieważ przy obliczaniu odchyleń od średniej z próby jedna informacja zostaje wykorzystana do oszacowania tej średniej. Odchylenia obserwacji od X̄ sumują się do zera, więc tylko n − 1 z nich może zmieniać się niezależnie.

Dlaczego rozkład t ma cięższe ogony?

Rozkład normalny zakłada, że skala zmienności, czyli σ, jest znana. Rozkład t działa w trudniejszej sytuacji: skala jest szacowana na podstawie danych. Gdy próba jest mała, S może znacznie różnić się od σ. Jeżeli przypadkowo S okaże się zbyt małe, wartość statystyki t będzie przesadnie duża. Jeżeli S okaże się zbyt duże, wartość bezwzględna statystyki t będzie mniejsza.

Rozkład t kompensuje tę niepewność przez większe prawdopodobieństwo wartości odległych od zera. W konsekwencji krytyczne wartości t są większe niż odpowiednie wartości z. Dla dwustronnego poziomu istotności 0,05 przy 9 stopniach swobody wartość krytyczna wynosi około 2,262, natomiast dla rozkładu normalnego około 1,96. Wraz ze wzrostem liczby stopni swobody rozkład t zbliża się do rozkładu normalnego (NIST, 2024).

Nie oznacza to, że rozkład t jest „gorszą wersją” rozkładu normalnego. Jest właściwym rozkładem dla innego problemu: standaryzowania średniej przy nieznanym odchyleniu standardowym.

Rola stopni swobody

Stopnie swobody nie są dodatkowym parametrem technicznym bez interpretacji. Informują, ile niezależnej informacji pozostaje do oszacowania zmienności po uwzględnieniu parametrów modelu.

• dla jednej średniej z próby: ν = n − 1;
• dla klasycznego testu t dla dwóch niezależnych grup przy założeniu równości wariancji: ν = n₁ + n₂ − 2;
• dla testu Welcha: stopnie swobody są zazwyczaj ułamkowe i wynikają z przybliżenia uwzględniającego różne wariancje grup;
• w regresji liniowej liczba stopni swobody reszt zależy od liczby obserwacji i liczby estymowanych parametrów.

Mała liczba stopni swobody oznacza większą niepewność oszacowania wariancji, a więc cięższe ogony rozkładu. Duża liczba stopni swobody oznacza stabilniejsze oszacowanie zmienności i kształt coraz bardziej podobny do rozkładu normalnego.

Przykład 1: ciśnienie skurczowe w małej próbie

W badaniu pilotażowym zmierzono ciśnienie skurczowe u 10 pacjentów. Średnia wyniosła 128 mmHg, a odchylenie standardowe 12 mmHg. Badacz chce oszacować średnie ciśnienie w populacji.

Błąd standardowy średniej wynosi:

SE = S/√n = 12/√10 ≈ 3,79 mmHg

Dla 9 stopni swobody i dwustronnego poziomu ufności 95% wartość krytyczna t wynosi około 2,262. Przedział ufności ma więc postać:

128 ± 2,262 × 3,79

czyli w przybliżeniu od 119,4 do 136,6 mmHg.

Gdyby badacz użył wartości 1,96 z rozkładu normalnego, otrzymałby węższy przedział, około 120,6–135,4 mmHg. Przy tak małej próbie byłaby to pozorna precyzja, ponieważ niepewność oszacowania odchylenia standardowego nie zostałaby uwzględniona.

Przykład 2: zmiana wyniku skali stresu u pielęgniarek

W badaniu przed–po oceniono zmianę wyniku skali stresu u 16 pielęgniarek po szkoleniu z technik relaksacyjnych. Dla każdej osoby obliczono różnicę: wynik po szkoleniu minus wynik przed szkoleniem. Średnia różnica wyniosła −4,2 punktu, a odchylenie standardowe różnic 6,0 punktów.

W analizie sparowanej pracujemy z jedną zmienną: różnicą dla każdej osoby. Liczba stopni swobody wynosi więc 16 − 1 = 15. Statystyka testowa dla hipotezy o średniej różnicy równej zero to:

t = (−4,2 − 0)/(6,0/√16) = −4,2/1,5 = −2,80

Wartość t należy interpretować względem rozkładu t z 15 stopniami swobody. Jeżeli uzyskany przedział ufności dla średniej różnicy nie obejmuje zera, można opisać wynik jako zgodny z różnicą średnich wyników przed i po szkoleniu. Nie wolno jednak automatycznie stwierdzać, że szkolenie spowodowało poprawę, jeśli projekt nie kontrolował innych wyjaśnień, takich jak upływ czasu, równoczesne zmiany organizacyjne czy efekt powtarzanego pomiaru.

Warto również raportować wielkość różnicy i jej przedział ufności, a nie tylko wartość p. Istotność statystyczna nie mówi sama przez się, czy redukcja o 4,2 punktu ma znaczenie praktyczne dla pracy pielęgniarek.

Przykład praktyczny: kiedy wybrać t, a kiedy z?

W praktyce wybór między rozkładem t a normalnym zależy przede wszystkim od tego, czy odchylenie standardowe populacji jest znane. W badaniach medycznych i społecznych prawie zawsze jest ono nieznane, dlatego dla średnich stosuje się rozkład t. Przy bardzo dużych próbach różnica między t i z może być niewielka, ale nie jest to powód, aby mechanicznie ignorować właściwy model.

Przykładowo, przy próbie 12 osób nie należy używać wartości 1,96 tylko dlatego, że analizowana zmienna jest ilościowa. Należy uwzględnić stopnie swobody, ocenić zasadność założenia o przybliżonej normalności oraz sprawdzić, czy obserwacje są niezależne. Przy małej próbie pojedyncza obserwacja odstająca może silnie zmienić zarówno średnią, jak i odchylenie standardowe.

Założenia stosowania rozkładu t

• obserwacje powinny być niezależne, chyba że zastosowany model jawnie uwzględnia zależności;
• dla klasycznego testu jednej średniej populacja powinna być normalna lub próba powinna być wystarczająco duża, aby uzasadnić przybliżenie;
• zmienna powinna być ilościowa, a średnia powinna mieć sens merytoryczny;
• w przypadku dwóch grup trzeba rozważyć równość wariancji albo zastosować test Welcha;
• przy silnej asymetrii, ciężkich wartościach odstających lub bardzo małej próbie trzeba rozważyć transformację, metody odporne albo procedury nieparametryczne.

Rozkład t nie naprawia naruszenia niezależności obserwacji ani błędnego pomiaru. Nie jest też uniwersalnym rozwiązaniem dla każdej zmiennej, która „nie wygląda normalnie”.

Najczęstsze błędy

• Traktowanie t jako rozkładu wyłącznie dla małych prób. Rozkład t stosuje się wtedy, gdy odchylenie standardowe populacji jest nieznane. Przy dużych próbach różnica względem rozkładu normalnego staje się po prostu mała.
• Używanie niewłaściwych stopni swobody. Dla jednej średniej jest to zwykle n − 1, a nie n.
• Mylenie odchylenia standardowego z błędem standardowym. W statystyce t mianownik ma postać S/√n, a nie samo S.
• Interpretowanie wartości p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p opisuje zgodność danych z hipotezą zerową i przyjętym modelem, a nie prawdopodobieństwo, że hipoteza jest prawdziwa.
• Uznawanie istotności statystycznej za znaczenie kliniczne. Nawet mała różnica może być istotna przy dużej próbie, a ważna klinicznie różnica może nie osiągnąć istotności przy małej próbie.
• Wnioskowanie przyczynowe z każdego testu t. Test t porównuje średnie; sam nie tworzy projektu eksperymentalnego i nie eliminuje zakłóceń.
• Automatyczne stosowanie testu t przy silnych odstających obserwacjach. Wynik trzeba poprzedzić analizą danych i oceną, czy średnia jest adekwatną miarą położenia.

Co warto zapamiętać?

1. Rozkład t powstaje przez podzielenie zmiennej normalnej przez pierwiastek z niezależnej zmiennej chi-kwadrat podzielonej przez liczbę stopni swobody.
2. W zastosowaniu do średniej pojawia się dlatego, że nieznane odchylenie standardowe populacji zastępujemy odchyleniem standardowym z próby.
3. Statystyka (X̄ − μ)/(S/√n) ma rozkład t z n − 1 stopniami swobody, jeżeli próba pochodzi z populacji normalnej.
4. Cięższe ogony rozkładu t odzwierciedlają niepewność oszacowania zmienności.
5. Wraz ze wzrostem liczby stopni swobody rozkład t zbliża się do rozkładu normalnego.
6. Poprawna interpretacja wymaga oddzielenia wartości p, przedziału ufności, wielkości efektu i znaczenia praktycznego.

Najkrócej: rozkład t nie jest arbitralną tabelą używaną przy małych próbach. Jest logicznym skutkiem tego, że w realnym badaniu skala zmienności jest zwykle nieznana i musi zostać oszacowana z tych samych danych, które wykorzystujemy do oceny średniej.

Źródła i dalsza lektura

1. Student (1908). The Probable Error of a Mean. Biometrika, 6(1), 1–25. DOI: 10.1093/biomet/6.1.1.
2. Fisher, Ronald Aylmer (1925). Statistical Methods for Research Workers. 1st edition. Oliver and Boyd. Informacja wydawcy / źródło.
3. NIST/SEMATECH (2024). Critical Values of the Student’s t Distribution. NIST/SEMATECH e-Handbook of Statistical Methods. National Institute of Standards and Technology. Źródło.
4. Altman, Douglas G.; Bland, J. Martin (1995). Statistics notes: the normal distribution. BMJ, 310(6975), 298. DOI: 10.1136/bmj.310.6975.298.
5. Senn, Stephen (1992). The first t-test. Statistics in Medicine, 13(8), 785–803. DOI: 10.1002/sim.4780130802.
6. Kirkwood, Betty R.; Sterne, Jonathan A. C. (2003). Essential Medical Statistics. 2nd edition. Blackwell Science Ltd. Informacja wydawcy / źródło.