三大抽样分布

三大抽样分布——卡方分布、$t$ 分布和 $F$ 分布——都可以看作“样本随机性”被规范化后的结果。它们之所以重要，是因为它们把正态总体中的样本波动，直接转化成可以用于参数估计、置信区间和假设检验的标准工具。¹

这三种分布之所以在统计学中占据核心地位，是因为它们都与正态分布有着密切的派生关系。当我们从正态总体中抽取样本并构造统计量时，这些统计量的分布不依赖于原总体的均值或方差参数，只与样本量和自由度有关。这种”参数无关”的特性使得它们成为假设检验和区间估计的通用工具。¹

具体而言：

• 卡方分布：用于度量样本方差相对于总体方差的比例关系，是方差估计和方差齐性检验的基础；
• $t$ 分布：当总体方差未知时，用样本方差替代，描述标准化后均值的分布；
• $F$ 分布：用于比较两个独立样本方差的比值，是方差分析（ANOVA）的核心工具。

引言

在数学统计中，我们通常不是直接研究总体参数，而是先观察样本，再用样本去推断总体。三大抽样分布正是这一推断过程的核心桥梁：

• 卡方分布描述“平方后的波动有多大”；
• $t$ 分布描述“均值估计在总体方差未知时有多不确定”；
• $F$ 分布描述“两个方差或两个方差来源的比值有多大差异”。

因此，它们常常出现在方差分析、方差检验、均值检验和拟合优度检验中，也构成了后续许多统计方法的基础。

卡方分布（Chi-Square Distribution）

定义

设 $Z_1,Z_2,\dots ,Z_n$ 为独立同分布的标准正态随机变量 $N(0,1)$，则：

$${\chi }^2=Z_1^2+Z_2^2+\cdots +Z_n^2\sim {\chi }^2(n)$$

服从自由度为 $n$ 的卡方分布，记作 ${\chi }^2(n)$。

直观上看，卡方分布衡量的是“若干个标准正态扰动的平方和”。平方会消除正负号，因此它适合刻画偏离程度、残差大小和样本方差。

概率密度函数／图像特征

${\chi }^2(n)$ 分布的概率密度函数为：

$$f(x;n)=\frac{1}{2^{n/2}\Gamma (n/2)}{x}^{n/2-1}{e}^{-x/2},x>0$$

其中 $\Gamma (\cdot )$ 为 Gamma 函数。

图像特征：

• 定义域：$x>0$（右偏分布）
• 形状：随自由度 $n$ 增大，分布趋于正态
• $n=1$ 时为标准正态平方，密度在原点附近奇异
• $n\ge 3$ 时，密度函数先增后减，在 $x=n-2$ 处取得峰值

应用

• 用于总体方差的区间估计与假设检验。
• 用于拟合优度检验，判断观察频数与理论频数是否相符。
• 用于描述样本方差的抽样波动，因为样本方差本质上就是“偏离均值的平方平均”。

与其他分布的关系

若 $X\sim {\chi }^2(m)$，$Y\sim {\chi }^2(n)$，且独立，则：

$$X+Y\sim {\chi }^2(m+n)$$

设 $X_1,X_2,\dots ,X_n\sim N(\mu ,{\sigma }^2)$，样本均值为 $\bar{X}$，样本方差为 $S^2$，则：

$$\frac{(n-1)S^2}{{\sigma }^2}\sim {\chi }^2(n-1)$$

这说明：在正态总体下，样本方差经过标准化后，恰好服从卡方分布。也正因为如此，卡方分布成了“方差推断”的天然工具。

---

$t$ 分布（Student’s $t$ Distribution）

定义

设 $Z\sim N(0,1)$，$U\sim {\chi }^2(n)$，且 $Z$ 与 $U$ 独立，则：

$$T=\frac{Z}{\sqrt{U/n}}\sim t(n)$$

服从自由度为 $n$ 的学生 $t$ 分布，记作 $t(n)$。

直观上看，$t$ 分布就是“标准正态除以一个随机尺度”。当总体方差未知时，我们只能用样本标准差代替，于是均值的标准化结果就不再是标准正态，而变成了 $t$ 分布。

概率密度函数／图像特征

$$f(t;n)=\frac{\Gamma ((n+1)/2)}{\sqrt{n\pi }\Gamma (n/2)}{\left(1+\frac{t^2}{n}\right)}^{-(n+1)/2},t\in \mathbb{R}$$

图像特征：

• 对称性：关于 $t=0$ 对称（与标准正态类似）
• 尾部：比正态分布更厚（“重尾”）
• 当 $n\to \infty$ 时，$t(n)\to N(0,1)$
• $n=1$ 时为柯西分布

应用

• 用于总体均值的置信区间估计。
• 用于单样本 $t$ 检验、配对样本 $t$ 检验和两独立样本 $t$ 检验。
• 当样本量不大、总体方差未知时，$t$ 分布比正态分布更保守，因此更适合实际推断。

与其他分布的关系

设 $X_1,X_2,\dots ,X_n\sim N(\mu ,{\sigma }^2)$，样本均值为 $\bar{X}$，样本方差为 $S^2$，则：

$$\frac{\bar{X}-\mu }{S/\sqrt{n}}\sim t(n-1)$$

这表明：$t$ 分布直接来源于“均值误差 ÷ 估计标准误”。它和卡方分布紧密相关，因为分母中的 $S^2$ 就来自卡方分布。

---

$F$ 分布（Fisher-Snedecor Distribution）

定义

设 $U\sim {\chi }^2(n_1)$，$V\sim {\chi }^2(n_2)$，且 $U$ 与 $V$ 独立，则：

$$F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2)$$

服从自由度为 $(n_1,n_2)$ 的 $F$ 分布，记作 $F(n_1,n_2)$。

直观上看，$F$ 分布刻画的是“两组平方波动之比”。因为它比较的是两个方差来源的相对大小，所以特别适合做方差齐性检验和方差分析。

概率密度函数／图像特征

$$f(x;n_1,n_2)=\frac{\sqrt{\frac{(n_{1}x{)}^{n_1}{n}_2^{n_2}}{(n_{1}x+n_2{)}^{n_1+n_2}}}}{x\cdot B(n_1/2,n_2/2)},x>0$$

其中 $B(\cdot ,\cdot )$ 为 Beta 函数。

图像特征：

• 定义域：$x>0$（右偏分布）
• 峰值：随 $n_1,n_2$ 增大，分布趋于对称
• 当 $n_2>2$ 时，密度函数先增后减

应用

• 用于比较两个总体方差是否相等。
• 用于方差分析（ANOVA），判断多个总体均值是否存在显著差异。
• 用于回归模型整体显著性检验，因为模型解释的变异与残差变异的比值常可写成 $F$ 统计量。

与其他分布的关系

设 $X_1,\dots ,X_{n_1}\sim N({\mu }_1,{\sigma }_1^2)$，$Y_1,\dots ,Y_{n_2}\sim N({\mu }_2,{\sigma }_2^2)$，两个样本独立，样本方差分别为 $S_1^2$、$S_2^2$，则：

$$\frac{S_1^2/{\sigma }_1^2}{S_2^2/{\sigma }_2^2}\sim F(n_1-1,n_2-1)$$

$F$ 分布的分位数关系

若 $F\sim F(n_1,n_2)$，则：

$$F_{1-\alpha }(n_1,n_2)=\frac{1}{F_{\alpha }(n_2,n_1)}$$

这一性质常用于置信区间和假设检验。

它反映了 $F$ 分布本质上是“两个卡方变量按自由度标准化之后的比值”，因此它和卡方分布共享同一套随机波动来源。

---

分位数表

三大抽样分布的分位数表是统计推断的重要工具，常见的表格形式包括：

分布	常用分位数	应用场景
${\chi }^2(n)$	${\chi }_{\alpha }^2(n)$	方差估计、拟合优度检验
$t(n)$	$t_{\alpha /2}(n)$	均值置信区间、$t$ 检验
$F(n_1,n_2)$	$F_{\alpha }(n_1,n_2)$	方差齐性检验、方差分析

实际使用：现在通常使用统计软件（如 R、Python scipy）直接计算分位数，已较少依赖纸质分位数表。

三大分布的联系

标准正态 Z ~ N(0,1)
    │
    ├── Z² ──────────────────→ χ²(n)
    │                              │
    │                              │
    └── Z / √(χ²(n)/n) ──────────→ t(n)
    │                              │
    │                              │
χ²(n₁)/n₁ ─┐                       │
           ├─→ (χ²(n₁)/n₁)/(χ²(n₂)/n₂) → F(n₁, n₂)
χ²(n₂)/n₂ ─┘

相关章节

• 抽样分布基础：理解抽样分布的基本概念
• 假设检验：三大分布在假设检验中的应用
• 区间估计：利用抽样分布构造置信区间

Footnotes

1. 这三种分布的直观解释可参考 Medium 文章 Understanding Probability And Statistics: Student-t, Chi-Squared And F Distributions ↩ ↩²