در هنگام تعیین تقریبی میانگین نمونه‌های برداشته شده از یک متغیر تصادفی، توزیع تی-استودنت (به انگلیسی: Student's t-distribution) مطرح می‌شود. این توزیع اساس آزمونی به نام "تست تی" است که مقدار اطمینان از تفاوت دو متغیر تصادفی را از روی نمونه‌هایشان اعلام می‌کند.

چرا تی استودنت ؟

فردی که برای اولین بار بر روی موضوع کار می‌کرد (ویلیام سیلی گوسه William Sealy Gosset)، گویا نمی‌توانست به نام اصلیش مقالاتش را امضا کند و به ناچار از نام مستعار استیودنت (شاگرد) استفاده می‌کرد

چگونه ساخته شد ؟

فرض کنید که X1, ..., Xn متغیرهای تصادفی مستقل نرمال با میانگین μ و واریانس σ2 هستند.

اگر میانگین n نمونه فوق مقدار:

\overline{X}_n = (X_1+\cdots+X_n)/n

و واریانس آن :

{S_n}^2=\frac{1}{n-1}\sum_{i=1}^n\left(X_i-\overline{X}_n\right)^2

باشند. می‌توان به راحتی اثبات کرد که متغیر Z:

Z=\frac{\overline{X}_n-\mu}{\sigma/\sqrt{n}}

یک متغیر تصادفی نرمال با میانگین صفر و واریانس ۱ است.

حال به جای متغیر Z فوق، متغیر T را به صورت زیر تعریف می‌کنیم.

T=\frac{\overline{X}_n-\mu}{S_n / \sqrt{n}},

فرق این متغیر با Z، در این است که به جای \scriptstyle \sigma (مقدار واقعی واریانس) از مقدار تخمینی آن \scriptstyle S_n. استفاده شده است. می‌توان نشان داد که متغیر T تابع توزیع احتمالی به فرم زیر دارد.


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

که ν (که درجه آزادی تابع است) برابر است با n − 1 و Γ تابع گاما است.


تابع فوق را به صورت زیر نیز می‌توان نگاشت:

f(t) = \frac{1}{\sqrt{\nu}\, B \left (\frac{1}{2}, \frac{\nu}{2}\right )} \left(1+\frac{t^2}{\nu} \right)^{-(\frac{\nu+1}{2})}\!,

که در آن B، تابع بتا است.

همان‌طور که دیده می‌شود، تابع توزیع نسبت به μ یا σ مستقل است.

ممان‌های این تابع توزیع به صورت زیر هستند.

E(T^k)=\begin{cases} 0 & \mbox{k odd},\quad 0<k< \nu\\ \frac{\Gamma(\frac{k+1}{2})\Gamma(\frac{\nu-k}{2})\nu^{k/2}}{\sqrt{\pi}\Gamma(\frac{\nu}{2})} & \mbox{k even}, \quad 0<k< \nu\\ \mbox{NaN} & \mbox{k odd},\quad 0<\nu\leq k\\ \infty & \mbox{k even},\quad 0<\nu\leq k\\ \end{cases}

اگر ‎ 0 < k < ν ‏ و k‌ زوج باشد، با توجه به خواص تابع گاما، ممان‌ها به صورت زیر ساده می‌شوند:

E(T^k)= \prod_{i=1}^{k/2} \frac{2i-1}{\nu - 2i}\nu^{k/2} \qquad k\mbox{ even},\quad 0<k<\nu.

تست تی

برای بررسی این نکته که آيا میانگین نمونه‌های برداشته شده از یک متغیر تصادفی تا چه حد به میزان "واقعی" (که آزمایشگر نمی‌داند) نزدیک است از تست تی-استیودنت استفاده می‌شود.

  • مثال: میانگین طول عمر ۱۵ بیمار سرطانی که داروی الف را مصرف کردند ۱۱۰ روز است با واریانس ۱۵. میانگین طول عمر ۱۵ بیمار دیگر که داروی مورد آزمایش را مصرف نکردند، ۱۰۰ روز گشته است با واریانس ۱۲. سوال: آیا بهبود در میانگین طول عمر بیمارانی که از داروی جدید استفاده کردند ناشی از عملکرد دارو است یا خطای میانگین‌گیری ناشی از تعداد محدود نمونه‌ها؟
  • جواب:

فرض صفر این مسئله را این قرار می‌دهیم که دارو اثری نداشته است. یا به عبارت دیگر می‌شود این طور فرض کرد که نمونه‌های برداشته شده از هر دو گروه، در واقع نمونه‌گیری از یک متغیر تصادفی است. در این مسئله، ما فرض صفر خود را هنگامی نقض می‌کنیم، که به احتمال ۹۵ درصد مطمئن شویم که غلط است. (این عدد اختیاری است)


این یک مسئله با ۱۴ درجه آزادی و دوطرفه است. پس از جدول مقادیر توزیع t، مقداری را که از تقاطع ۰.۹۷۵ درصد (مقادیر جدول از احتمال یک طرفه حاصل شده‌اند) و ۱۴ درجه آزادی حاصل می‌شود را میابیم: ۲.۱۴۵. این مقدار را اگر در ورایانس اختلاف نمونه‌ها ضرب کنیم (در محاسبه این واریانس فرض مستقل بودن را نیز کرده‌ایم) و بر ریشه ۱۵ تقسیم کنیم عدد ۱۰.۵۸ حاصل می‌گردد.

پس به احتمال ۹۵ درصد، اگر دارو اثری نداشته باشد، باید اختلاف میانگین دو نمونه بین مثبت و منفی ۱۰.۵۸ باشد. که در این مثال هست. پس با قطعیت نمی‌توان از اثر مثبت دارو صحبت کرد.