一个平均数的概率误差
只凭少数几次测量，一个平均值能信到几分？
只测了寥寥几次，你对一个平均值能有几分把握？
小样本，理应配更宽的余量
当你把一样东西测上成千上万次，你就同时知道了它的平均值和它有多分散，误差棒也尽可放心。但真实的实验通常很小——四块大麦试验田、五位病人、几次试验——这时你会撞上一个更安静的难题：你只能用这同一小撮数字去「猜」分散程度。这个猜测很不牢靠，所以诚实的误差棒，必须比教科书里的正态曲线所暗示的更宽。戈塞特精确算出了到底该宽多少，为小样本给出了一条尾部更厚的新钟形曲线。
那位署名「Student」的酿酒师
威廉·西利·戈塞特并非教授，而是都柏林健力士（Guinness）酿酒厂的化学家、首席实验酿造师；他要靠寥寥几批实验，去种出更好的大麦、酿出更稳定的啤酒。健力士怕泄露商业机密，禁止员工发表论文；于是 1908 年戈塞特解决了小样本问题后，只能以笔名「Student」发表。为检验他的新曲线，他做了一个惊人地「亲手」的实验：取来 3000 名囚犯的身体测量数据，逐条写在卡片上，把这副牌洗匀，再发出 750 个各含四人的小样本——一次全靠手工完成的早期模拟。年轻的罗纳德·费舍尔后来严格证明了戈塞特的结果，纠正了一处微妙的计数错误，并以好友之名将这条曲线命名为「Student t」；二人通信往来数十年。
它为何重要
几乎每一个真正要紧的实验，都是在小样本上做的——你很少能拥有成千上万的病人或收成。在戈塞特之前，统计学家没有一条诚实的路，从少数测量得出结论；在他之后，有了。他所成就的 t 检验，成了在医学、农业、心理学，以及今天决定你看到哪一版网页的 A/B 测试中，追问「这个差别是真的，还是只是运气？」的标准做法。它让科学得以既「小」又「严谨」。
凭几条评价下判断
想象给一家餐厅打分。看 300 条评价，你对那个平均分可以相当有信心。只看 3 条，平均分可能撞了好运、也可能撞了霉运——所以明智的人会留余地，让「真实」品质的可能范围宽得多。Student t 分布，正是这种「留余地」的精确数学：测量越少，曲线铺得越宽，结论就越要谨慎。等测量一多，它又收回到我们熟悉的那条钟形曲线。
它在知识谱系中的位置
戈塞特的曲线是实用统计学的一块基石，与本馆其他「在不确定中推理」的基础并列。贝叶斯（1763）揭示了一次观测该如何修正一个信念；柯尔莫哥洛夫（1933）为概率本身奠定了严格地基；罗纳德·费舍尔（1935）在显著性与 t 检验之上，建起了整门实验设计的科学。每当一项研究以「95% 置信」报告结果，或一家公司判定某个网页设计胜过另一个，戈塞特的小样本数学，都在悄悄地起作用。