La distribuzione t: uno strumento chiave per l'inferenza con piccoli campioni

Quando si lavora con dati reali, capita spesso che le dimensioni del campione siano ridotte o che la varianza della popolazione sia sconosciuta. In queste condizioni, le tecniche statistiche tradizionali basate sulla distribuzione normale possono non essere valide. È qui che la distribuzione t, nota anche come distribuzione t di Student, diventa utile. È uno strumento potente per trarre inferenze statistiche affidabili quando i dati sono limitati o l'incertezza è elevata.

In questo articolo vedremo cos'è la distribuzione t, come si confronta con distribuzioni simili, le sue proprietà matematiche fondamentali e come viene utilizzata nella pratica, in particolare nei test d'ipotesi e negli intervalli di confidenza. Ho anche incluso alla fine una tabella della distribuzione t per un rapido riferimento.

Che cos'è la distribuzione t?

Proprio come la distribuzione normale, anche la distribuzione t è simmetrica e a forma di campana. Tuttavia, ha code più pesanti che riflettono una maggiore incertezza, spesso associata a campioni di dimensioni ridotte.

C'è poi un altro fattore chiave che distingue la distribuzione t: è definita dai gradi di libertà (df). Questo valore, df, si calcola come la dimensione del campione meno uno (n − 1) e influisce sulla forma della distribuzione.

All'aumentare dei gradi di libertà, la distribuzione t diventa più simile alla distribuzione normale. Quando la dimensione del campione è grande (ad es., n > 30), la differenza diventa così piccola che la distribuzione t inizia ad assomigliare alla curva normale standard.

Distribuzione t vs. altre distribuzioni simili

È utile confrontare la distribuzione t con altre distribuzioni simili. 

Distribuzione t vs. distribuzione normale

Sebbene entrambe le distribuzioni siano a forma di campana, con la distribuzione t che presenta code più pesanti ed è più adatta a piccoli campioni e varianza della popolazione sconosciuta, è particolarmente importante sottolinearne la tolleranza verso i valori anomali. 

Per campioni più grandi, il teorema del limite centrale giustifica l'uso della distribuzione normale, poiché le medie campionarie tendono a seguire una distribuzione normale a prescindere dalla forma della popolazione.

Distribuzione t vs. distribuzione Z

La distribuzione Z si riferisce alla distribuzione normale standard, che ha media 0 e deviazione standard 1.

Capciamolo con un esempio di codice Python:

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import t, norm

# X-axis range
x = np.linspace(-5, 5, 1000)

# Standard Normal (Z) Distribution
z_dist = norm.pdf(x)

# Plotting
plt.figure(figsize=(10, 6))
plt.plot(x, z_dist, label='Z-Distribution (Standard Normal)', color='black', linewidth=2)

# T-Distributions with different degrees of freedom
dfs = [1, 3, 5, 10, 30]
colors = ['red', 'orange', 'green', 'blue', 'purple']

for df, color in zip(dfs, colors):
    t_dist = t.pdf(x, df)
    plt.plot(x, t_dist, label=f'T-Distribution (df={df})', color=color, linestyle='--')

plt.title('T-Distribution vs Z-Distribution: Heavier Tails for Smaller Sample Sizes')
plt.xlabel('x')
plt.ylabel('Density')
plt.legend()
plt.grid(True)
plt.show()

Casi speciali e distribuzioni correlate

La distribuzione t è strettamente correlata a diverse altre distribuzioni di probabilità:

• Distribuzione normale standard (al crescere di df → ∞): la distribuzione t converge alla distribuzione normale all'aumentare dei gradi di libertà.
• Distribuzione di Cauchy (df = 1): una distribuzione t con 1 grado di libertà è equivalente alla distribuzione di Cauchy, nota per avere media e varianza non definite, il che di fatto significa che una distribuzione t con un grado di libertà è raramente usata in pratica.
• Distribuzione F: il quadrato di una variabile t-distribuita con ν gradi di libertà segue una distribuzione F con gradi di libertà (1, ν).
• Distribuzione t non centrale: usata nell'analisi della potenza e in applicazioni statistiche avanzate, include un parametro di non centralità e nasce quando l'ipotesi nulla è falsa.

Limitazioni della distribuzione t

La distribuzione t assume che i dati sottostanti siano approssimativamente normali. In presenza di dati fortemente asimmetrici o non normali, potrebbe non essere appropriata. In tali casi, tecniche statistiche robuste o metodi non parametrici possono essere più adatti.

Confrontiamo ora come si comporta il t-test su dati normali rispetto a dati asimmetrici, entrambi con la stessa media.

import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt

np.random.seed(42)

# Generate data
normal_data = np.random.normal(loc=0, scale=1, size=30)
skewed_data = np.random.exponential(scale=1.0, size=30) - 1  # Shift to mean ≈ 0

# Perform one-sample t-tests (test if mean == 0)
t_stat_normal, p_normal = stats.ttest_1samp(normal_data, popmean=0)
t_stat_skewed, p_skewed = stats.ttest_1samp(skewed_data, popmean=0)

# Plot histograms
plt.figure(figsize=(12, 5))

plt.subplot(1, 2, 1)
plt.hist(normal_data, bins=15, color='skyblue', edgecolor='black')
plt.title(f'Normal Data\np-value = {p_normal:.3f}')
plt.axvline(0, color='red', linestyle='--')

plt.subplot(1, 2, 2)
plt.hist(skewed_data, bins=15, color='salmon', edgecolor='black')
plt.title(f'Skewed Data\np-value = {p_skewed:.3f}')
plt.axvline(0, color='red', linestyle='--')

plt.suptitle("Impact of Data Shape on t-test")
plt.tight_layout()
plt.show()

Il grafico a sinistra mostra dati da una distribuzione normale, per cui il t-test è valido e il p-value è affidabile. Il grafico a destra mostra invece dati asimmetrici da una distribuzione esponenziale: sebbene la media campionaria possa essere simile, il t-test assume simmetria e non tiene conto dell'asimmetria, potenzialmente restituendo un p-value impreciso.

Proprietà matematiche della distribuzione t

La distribuzione t è definita come:

Dove:

• T è il valore risultante che segue una distribuzione t di Student con gradi di libertà ν
• Z è una variabile casuale normale standard Z∼N(0,1)
• V è una variabile casuale con distribuzione chi-quadrato con ν gradi di libertà, V∼χ²(ν)
• $n$

Funzione di densità di probabilità (PDF)

Proprietà chiave

• Media: 0 (per v > 1)
• Varianza: v / (v - 2) (per v > 2)
• Assimmetria: 0 (distribuzione simmetrica)
• Curto­si: superiore alla distribuzione normale (leptocurtica)

Simulazione

I metodi Monte Carlo sono spesso usati per simulare variabili casuali con distribuzione t, soprattutto per valutare la significatività statistica o creare dati sintetici.

Simuliamo il tutto con Python.

L'obiettivo è simulare un gran numero di esperimenti con piccoli campioni (dimensione campione = 10), calcolare il t-statistic per ciascuno e confrontare la distribuzione risultante con la distribuzione t teorica.

Per farlo, dobbiamo seguire l'approccio seguente:

1. Generare molti campioni da una distribuzione normale (media = 0, dev. std = 1).
2. Per ogni campione, calcolare il t-statistic: (Sottrai la media della popolazione μ dalla media campionaria xˉ, poi dividi il risultato per l'errore standard della media, ovvero la deviazione standard campionaria $s$ divisa per la radice quadrata della dimensione del campione n)
3. Rappresentare l'istogramma dei valori t simulati.
4. Sovrapporre la distribuzione t teorica per il confronto.

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import t

# Simulation parameters
n = 10                      # sample size
mu = 0                      # population mean
sigma = 1                   # population std deviation (not used directly)
df = n - 1                  # degrees of freedom
num_simulations = 10000     # number of Monte Carlo simulations

# Monte Carlo simulation
t_stats = []
for _ in range(num_simulations):
    sample = np.random.normal(loc=mu, scale=sigma, size=n)
    sample_mean = np.mean(sample)
    sample_std = np.std(sample, ddof=1)  # sample std dev with Bessel's correction
    t_stat = (sample_mean - mu) / (sample_std / np.sqrt(n))
    t_stats.append(t_stat)

# Plot histogram of simulated t-statistics
x = np.linspace(-5, 5, 1000)
plt.figure(figsize=(10, 6))
plt.hist(t_stats, bins=50, density=True, alpha=0.6, label='Simulated t-Statistics')

# Overlay theoretical t-distribution
plt.plot(x, t.pdf(x, df), label=f'Theoretical t-Distribution (df={df})', color='red', linewidth=2)

plt.title('Monte Carlo Simulation of t-Distribution (n=10)')
plt.xlabel('t-value')
plt.ylabel('Density')
plt.legend()
plt.grid(True)
plt.show()

I valori t simulati formano una distribuzione che corrisponde strettamente alla distribuzione t teorica con df = 9. Questo è un modo pratico per comprendere e validare la distribuzione t tramite campionamento casuale. È anche un concetto alla base del bootstrapping e dell'inferenza basata sul ricampionamento.

Quando usare la distribuzione t

La distribuzione t è fondamentale in molte applicazioni statistiche:

• Stima della media di una popolazione quando la deviazione standard è sconosciuta
• Test d'ipotesi tramite t-test
• Intervalli di confidenza per campioni piccoli
• Analisi di regressione, dove i coefficienti seguono una distribuzione t
• Inferenza bayesiana, in particolare quando i parametri di varianza sono marginalizzati

Intervalli di confidenza con la distribuzione t

Un intervallo di confidenza per la media si calcola come:

Dove:

• x è la media campionaria
• s è la deviazione standard campionaria
• n è la dimensione del campione
• E la parte centrale è il valore critico dalla distribuzione t. (alpha è il livello di significatività, e alpha diviso due perché il test è a due code.)

Usa una tabella della distribuzione t o una calcolatrice per trovare il valore critico.

Test d'ipotesi con la distribuzione t

Nei t-test, la statistica test è:

Confronti questo valore con un t-critico per accettare o rifiutare l'ipotesi nulla. I t-test possono essere:

• A un campione
• A due campioni
• Appaiati

Illustrazioni grafiche aiutano a visualizzare le regioni critiche nei test a una coda e a due code.

Tabella della distribuzione t

Una tabella della distribuzione t elenca i valori critici della distribuzione t per vari livelli di confidenza e gradi di libertà. È essenziale per:

• Determinare gli intervalli di confidenza
• Condurre t-test
• Verificare la significatività in regressione

Se ti è utile, ho incluso qui una versione condensata di una tabella della distribuzione t a cui puoi fare riferimento:

Spero che questo articolo ti abbia fornito una solida comprensione della distribuzione t e ti abbia aiutato a colmare il divario tra teoria e pratica. È un concetto centrale della statistica che affronta l'incertezza, soprattutto con campioni piccoli o parametri della popolazione sconosciuti.

Inoltre, la distribuzione t continuerà a ricorrere man mano che affronteremo lavori di analisi più avanzati, ad esempio quelli che coinvolgono statistiche robuste e metodi bayesiani. Ti consiglio di iscriverti al nostro percorso di carriera Statistician in R per diventare davvero un esperto.