第6章 数理统计基础

🔔 课前激活（花30秒想想再往下读）

你是一家灯泡厂的质检员。厂长拍着胸脯说："我们厂的灯泡平均寿命2000小时！"你怀疑他在吹牛。可是你不可能把全厂每一个灯泡都测一遍——测完就废了。你只能随机抽几十个来测，然后用这几十个灯泡的数据，去"推断"全厂灯泡的真实水平。

问题来了：你抽了64个灯泡，测出平均寿命1950小时。这个数字比厂长的2000小时要低——但低多少才算"明显偏低"？有没有可能只是运气不好恰好抽到了一批寿命偏短的？怎么科学地回答这个问题？

本章就把这件事所需要的"工具"一个一个讲给你。读完本章，你再看这个灯泡问题，就知道该用什么工具来定量分析了。

📌 学完这章你能回答：

• 总体和样本有什么区别？为什么不能直接研究总体？
• 样本方差为什么要除以 n-1 而不是 n？
• χ²分布、t分布、F分布分别是用来解决什么实际问题的？
• 什么是"抽样分布定理"？四个结论什么时候用哪个？
• 总体方差已知和未知时，推断均值的方法有什么不同？

本章考什么

如果把概率论与数理统计比作一栋房子，第1-4章（概率论）是打地基和砌墙——告诉你"随机事件怎么描述""随机变量有什么规律"；第5章（大数定律与中心极限定理）是连接两边的"桥梁"——告诉你"样本够大时规律会浮现"。从第6章开始，方向反过来了——不再是"已知总体，推断样本"，而是"已知样本，推断总体"。

本章就是这扇大门——里面装的是第7章参数估计要用的全部工具。你可以把本章想象成一个工具箱：统计量是"尺子"（把原始数据压缩成有用数字），抽样分布是"说明书"（告诉你尺子量出来的结果有多可靠）。第7章的所有公式都建立在"抽样分布定理"之上——本章学不好，后面寸步难行。

① 核心知识

1.1 从概率论到数理统计——为什么方向反了？

先看一道题：这枚硬币是公平的吗？

你捡到一枚硬币，想知道它是否公平（正反面概率各 1/2）。你抛了 100 次，出现 45 次正面。请问：这枚硬币公平吗？

看到这题，先别慌。难在哪？——这题和前面 5 章学的完全不是一个方向。 前面5章学的都是"概率论"：从已知的总体出发，推导各种可能性。比如"已知硬币是公平的（正面概率0.5），抛100次恰好出现45次正面的概率是多少？"——这是从原因推到结果：硬币的"规矩"（p=0.5）是给定的，我们算它可能的产出。

可现在反过来了：硬币的"规矩"（p）是未知的，你手里只有 100 次抛掷的结果——45 次正面。你要从这 100 个"结果"反推"原因"（硬币到底公平吗）。这就是"数理统计"：总体是未知的，我们通过抽取样本来推断总体。比如"硬币抛了100次，出现45次正面——这枚硬币是公平的吗？"

并排对比（同一枚硬币，两个方向）：

• 概率论：已知硬币公平（p=0.5），问"抛100次恰好45次正面的概率=?" ——从原因推到结果。
• 数理统计：硬币抛100次出现45次正面，问"硬币公平吗？"——从结果反推原因。

就像医生看病：概率论是"知道病因，预测症状"；数理统计是"看到症状，推断病因"。本章讲的是数理统计的"工具箱"——你需要先认识这些工具（统计量、抽样分布），后面才能用它们做推断。

🛑 停一下：下面两句话，哪句是"概率论"，哪句是"数理统计"？
(a) 已知某厂灯泡寿命服从均值为2000小时的正态分布，问"随机抽1个灯泡，寿命超过2100小时的概率"。
(b) 质检员抽了64个灯泡算出平均寿命1950小时，问"全厂灯泡的真实平均寿命是不是2000小时"？
（想清楚再往下读。答案在心里过一遍：a 是从已知规律算概率——概率论；b 是从样本结果反推未知规律——数理统计。）

1.2 总体、样本与简单随机样本

先想一个困境：14亿人的脚长，怎么"说清"？

你是鞋厂老板，想知道全中国成年男性的平均脚长，好决定生产多少双 40 码、多少双 42 码。可你没法把 14 亿人的脚都量一遍。难在哪？ ——你想研究的"全部对象"（全中国成年男性的脚长）太庞大了，根本不可能逐个测。

你只能做一件事：从 14 亿人里随机抽一部分人来量，用这一小部分人的数据，去代替你对全体人的判断。

在动手之前，先把这两个"对象"的名字叫清楚——它们就是本章最基础的两个词：

总体

生活比喻：全中国所有成年男性的脚长——这就是"总体"。你不可能把14亿人的脚都量一遍，但你确实需要知道这个数字来决定生产多少双40码、多少双42码。

正式定义：研究对象的全体称为总体（Population），组成总体的每个基本单元称为个体。总体通常用一个随机变量 $X$ 来表示——因为总体中每个个体的取值是有随机性的（不同人的脚长不同），我们把总体的分布记作 $X \sim F(x)$（其中 $F(x)$ 是某个分布函数）。

为什么一堆数字可以等价于一个随机变量？全中国成年男性的脚长有14亿个数字，你不可能全部记住。但你用一句话就能概括——"随机抽一个成年男性，他的脚长服从均值为25cm、标准差为2cm的正态分布"。这句话里，"随机抽一个人"这个动作产生了一个随机变量X，X的分布刚好描述了这14亿个数字的整体规律。所以"总体"和"一个随机变量"是同一件事的两种说法：一堆数字遵循的规律 = 一个随机变量的分布。 先别管$F(x)$这个符号——你就理解成"全中国人脚长的整体规律"。

如果总体包含的个体数量是有限的（比如某学校所有学生），就是"有限总体"。如果总体在理论上可以无限大（比如生产线上不断产出的零件），就是"无限总体"。考试中大部分题目不区分这两者，通常直接说"设 $X_1, X_2, ..., X_n$ 是来自总体 $X$ 的简单随机样本"（简单随机样本是下一段要讲的概念，先知道有这个说法就行）。

样本

生活比喻：继续鞋厂的例子。你决定从全国随机抽1000个成年男性，量他们的脚长。这1000个人的脚长数据——就是一个"样本"。你希望用这1000个人的平均脚长，来推测全国人的平均脚长。

正式定义：从总体中抽取的一部分个体称为样本（Sample），样本中包含的个体数量 $n$ 称为样本容量（Sample Size）。样本中的每个个体记为 $X_1, X_2, ..., X_n$。

关键在于——不是随便抽一群人就能当样本的！一个好的样本必须满足下面两个条件。

简单随机样本

生活比喻：想象一个抽奖箱，里面有红球和蓝球。你伸手进去摸球。

条件一（独立性）：你摸一个球，看完颜色放回去，摇匀了再摸下一个。这样上一次摸到什么，不影响下一次——这叫做"每次摸球互不影响"。如果你摸完不放回去，那箱子里球的总数在减少，后来摸到某种颜色的概率就变了——这就不是独立了。

条件二（同分布性）：每次摸球时，箱子里球的组成是一样的（红色和蓝色的比例不变）。这样每次摸到红球的概率都一样——这叫"每次摸球的条件一样"。如果中间有人偷偷往箱子里加了几个红球，那条件就变了——这就不是同分布了。

正式定义：如果样本 $X_1, X_2, ..., X_n$ 满足以下两个条件，则称为简单随机样本（Simple Random Sample）：

1. 独立性：$X_1, X_2, ..., X_n$ 相互独立（任何一个的取值不影响其他）
2. 同分布性：每个 $X_i$ 都与总体 $X$ 有相同的分布

合起来就是四个字：独立同分布（英文缩写 i.i.d. = independent and identically distributed）。考试中只要说"设 $X_1, X_2, ..., X_n$ 是来自总体 $X$ 的简单随机样本"，就等于告诉你：它们独立、而且每个都和总体 $X$ 有完全一样的分布。

什么时候"不放回抽样"也近似是简单随机样本？当总体非常大、而样本量很小时，放回和不放回的差别微乎其微。比如从14亿人中抽1000人，不放回和放回几乎没有区别。但考试题一般直接告诉你"是简单随机样本"，不用你判断。

🛑 停一下：回到鞋厂。你从 14 亿人里抽了 1000 个人量脚长。回答：
(1) 这里的"总体"是什么？"样本"又是什么？各自用几个字说清。
(2) 为什么这 1000 个人必须是"独立同分布"地抽出来的？如果有人只抽了学校体训队的 1000 个人（身高普遍偏高），会出什么问题？
（(2) 的答案在心里过一遍：体训队不是"随机"的——他们和全国人的分布不一样，不满足"同分布"条件，用它推断全国平均脚长就会系统性偏高。）

④ 推导复盘

📝 总体、样本、简单随机样本——这三个概念是本章的地基，一句话串起来：总体是你想研究的全部对象（用随机变量X刻画它的规律），样本是你实际能摸到的有限数据（n个随机变量），简单随机样本是这n个数据"互不干扰+和总体同规律"（独立同分布，i.i.d.）。考试中"设X₁,...,Xₙ是来自总体X的简单随机样本"就等价于告诉你：每个Xᵢ的分布和X一模一样，而且彼此不影响。

⑥ 在整条链中的位置

这三个概念处于本章推导链的起点——没有它们，后面"统计量""抽样分布""四大定理"都无从谈起。总体→样本→统计量→统计量的分布，整条链的第一步就是"从总体抽样本"。

1.3 样本的二重性

先想一个问题：明天要抽的1000个人，和已经抽完的1000个人，是同一个东西吗？

你是鞋厂老板，已经决定"明天去抽 1000 个人的脚长"。现在夜深人静，你躺在床上想：明天量完之前，这 1000 个人的脚长是多少？ ——你答不上来，因为还没抽。每个人可能 37 码、38 码、39 码……全是未知的。这时每个数据都是不确定的，像一个还没翻开的扑克牌，都是随机变量。

可等明天真抽完了、量完了，1000 个数字写在纸上了——37、40、42、38……这时每个数字都确定了，不再是"随机"的了，变成了具体的数值。

难在哪？ ——同样是"这 1000 个人的脚长"，抽之前和抽之后，它的"身份"完全不同。一个能讨论"它服从什么分布"，另一个只是死板板的数字。如果不把这个区别说清，后面学"统计量的分布"时会绕晕。

正式定义：样本具有二重性——

• 抽样前（理论层面）：$X_1, X_2, ..., X_n$ 是 $n$ 个随机变量（因为还没抽，不知道结果）
• 抽样后（实际层面）：$x_1, x_2, ..., x_n$ 是 $n$ 个具体数值（已经测出来了）

这一区别在学习"统计量的分布"时至关重要——我们讨论统计量的分布，是在抽样前（把样本当随机变量）讨论的，这样才能谈"服从什么分布"。如果已经测出具体数字了，那就是一个确定的数，没有"分布"可言。

🛑 停一下：我们现在讨论"$\bar{X}$服从什么分布"，讨论的是抽之前还是抽之后？为什么？（想清楚再往下读。）

🔍 回头看看：刚才这节，其实逼你做了一次"角色转换"——把"样本"从"明天要抽的未知数"看成"已经到手的已知数"，再从"已知数"换回"未知数"。以后每次看到 $\bar{X}$ 或 $S^2$，先问一句：现在站的是抽之前（有分布可讨论），还是抽之后（只剩一个数字）？ 这是本章最容易被忽略、却最容易出错的一层"身份"。

④ 推导复盘

📝 样本的二重性一句话：抽之前是"未知数"（随机变量，有分布可讨论），抽之后是"已知数"（具体观测值，没有分布可言）。 这就像彩票——开奖前你的号码是随机变量（可能中可能不中），开奖后它就是确定的结果（中了就是中了）。整章讨论"统计量的分布"时，我们永远站在"抽之前"的立场——因为只有随机变量才有"分布"。一旦数据到手，就只剩一个数字了。

⑥ 在整条链中的位置

二重性不是孤立的——它决定了第7章区间估计的"解释方式"：我们手里只有一个样本（抽之后的具体数字），但我们用"抽之前的分布规律"来判断这个数字有多可靠。整条链的"二重性"意识贯穿始终。

1.4 统计量——从原始数据到有用信息

本节讲四个最常用的统计量：统计量的定义、样本均值、样本方差、样本标准差和样本k阶矩。每个都是概念级（①②④），不涉及复杂推导——重点是理解"这东西是什么、为什么这么算"。

统计量（一）：统计量的定义

① 生活场景

📏 先想一个困境：1000 个数字摆在你桌上，你怎么向厂长汇报？

你拿到了1000个人的脚长数据。1000个数字摆在那里，你没法直接靠它们做决策。难在哪？ ——信息太多，反而说不清。你需要把1000个数字"压缩"成几个更有用的数字——比如算一个平均数、算一个最大最小值。就像你有一大筐苹果，你不会把整筐苹果拿给老板看，你会说"平均每个半斤重""最大的8两""大部分在4到6两之间"。这些"平均重量""最大重量"就是从原始数据加工出来的统计量。

再比如菜市场买菜：你想算"我买的菜比市场均价贵了多少"。但市场均价（总体参数$\mu$）你根本不知道——你只知道你手上这袋菜花了多少钱。所以"我的菜价减去市场均价"这个数你算不出来。而"我手上这袋菜的价格"就能算出来——因为它只用到你已经知道的信息。统计量的设计原则就是：只能用手头样本数据就能算出来的东西。 未知参数是你要"猜"的目标，不能用你自己都不知道的东西去定义一个工具。

② 正式陈述

统计量（Statistic）是样本 $X_1, X_2, ..., X_n$ 的函数，记作 $T = g(X_1, X_2, ..., X_n)$，且 $g$ 中不包含任何未知参数。

• $\bar{X} = \frac{1}{n}\sum X_i$ 是统计量（只用到样本数据，能算出来）
• $\frac{\bar{X} - \mu}{\sigma}$ 不是统计量（含有未知参数 $\mu$ 和 $\sigma$，你算不出来）

关键补充：统计量也是随机变量！因为 $X_1, X_2, ..., X_n$ 是随机变量（抽样前），统计量是它们的函数，所以统计量也是随机变量——它也有自己的分布。这就是后面"抽样分布"要研究的东西。

✍️ 立刻练一道：下面几个量，哪个是统计量？（抽之前）

• (a) $\bar{X} = \frac{1}{n}\sum X_i$
• (b) $\frac{\bar{X} - \mu}{\sigma}$
• (c) $X_1 + X_2$
  （答案：(a) 是——只用到样本数据；(c) 是——也只用到样本数据；(b) 不是——含有未知参数 $\mu$ 和 $\sigma$，你算不出来。判断标准就一句话：算的时候会不会碰到你猜不出来的数？）

④ 推导复盘

📝 统计量的本质就一句话：只用手头样本数据就能算出来的量。不含未知参数是唯一的硬性条件。常见的统计量有样本均值（衡量"中心在哪"）、样本方差（衡量"散得多开"）、样本k阶矩（衡量分布的"形状特征"）。下面逐一展开。

统计量（二）：样本均值 $\bar{X}$

① 生活场景

📏 先看一道题：你抽了1000个人的脚长，怎么"猜"全中国人的平均脚长？

你手里有 1000 个数字。要猜"全中国人平均脚长"，最自然的第一反应就是——把这 1000 个数字加起来，除以人数。难在哪？——好像没啥难的，这就是天天说的"平均数"。可别小看这一步：这个"平均数"就是你用来"猜"全中国人平均脚长的最佳工具，后面所有统计推断都从它出发。它有个正式名字，叫样本均值。

② 正式陈述

样本 $X_1, X_2, ..., X_n$ 的样本均值（Sample Mean）记作 $\bar{X}$：

$$\boxed{\bar{X} = \frac{1}{n}\sum_{i=1}^{n} X_i = \frac{X_1 + X_2 + \cdots + X_n}{n}}$$

两个核心性质（后面反复用到，必须记住）：

第二个性质解释了为什么大规模调查比小规模调查更可靠——样本量翻4倍，样本均值的波动缩小一半。

✍️ 立刻练一道：抽了 5 个人量脚长（单位 cm）：24, 25, 26, 27, 28。求样本均值 $\bar{X}$。（答案：$\bar{X} = (24+25+26+27+28)/5 = 130/5 = 26$）

④ 推导复盘

📝 样本均值的两个性质可以从期望和方差的运算规则直接推出：

• $E(\bar{X}) = E(\frac{1}{n}\sum X_i) = \frac{1}{n} \cdot n\mu = \mu$（和的期望=期望的和）
• $Var(\bar{X}) = Var(\frac{1}{n}\sum X_i) = \frac{1}{n^2} \cdot n\sigma^2 = \frac{\sigma^2}{n}$（独立时和的方差=方差的和，再乘以$1/n^2$）

这两个性质是整个第6章和第7章的基石——几乎所有关于$\bar{X}$的后续结论都从这里出发。

✍️ 立刻练一道（进阶）——刚学的期望方差公式，趁热用一次：

第1题（⭐基础）—— 已知总体参数，求统计量的期望和方差

📍 紧跟本节：样本均值的期望和方差

设总体 $X \sim N(50, 36)$（均值为 50，方差为 36）。从中抽取容量 $n = 36$ 的简单随机样本，$\bar{X}$ 为样本均值，$S^2$ 为样本方差。

（1）求 $E(\bar{X})$ 和 $Var(\bar{X})$，并写出 $\bar{X}$ 服从的分布。
（2）求 $E(S^2)$。
（3）如果样本量从 36 增加到 100，$Var(\bar{X})$ 会如何变化？

统计量（三）：样本方差 $S^2$——为什么要除以 n-1？

① 生活场景

📏 先看一道题：5 个灯泡的寿命是 1950、2000、1980、1990、2020 小时，这批灯泡"散得有多开"？

全班人的脚长都差不多——方差小；有的35码有的45码——方差大。方差衡量的是数据"散得有多开"。按理说，算方差就是：每个数减去平均值，平方，再加起来除以人数。难在哪？——问题就出在"平均值"上：总体的平均值 $\mu$ 我们不知道！只能用样本的平均值 $\bar{X}$ 来代替。

想象一个极端情况：样本里只有1个人（n=1）。这时 $\bar{X} = X_1$，如果你用公式 $\frac{(X_1 - \bar{X})^2}{1}$，分子是 $(X_1 - X_1)^2 = 0$，方差永远是0——这显然不对！一个人不能代表所有人的差异程度。问题就出在：$\bar{X}$ 天然地"靠近"样本中的各个数据点（因为它就是从这些数据算出来的），所以 $(X_i - \bar{X})^2$ 整体偏小。为了纠正这个"偏小"，分母不能除以 $n$，而要除以 $n-1$（分母小一点，结果大一点，正好纠正回来）。

② 正式陈述

样本 $X_1, X_2, ..., X_n$ 的样本方差（Sample Variance）记作 $S^2$：

$$\boxed{S^2 = \frac{1}{n-1}\sum_{i=1}^{n}(X_i - \bar{X})^2}$$

• 除以 $n-1$ 而不是 $n$，保证了 $E(S^2) = \sigma^2$（样本方差的期望 = 总体方差，即 $S^2$ 是 $\sigma^2$ 的无偏估计）
• $n-1$ 称为自由度（Degrees of Freedom）

为什么丢了1个自由度？ 想象你有 $n$ 个数字，本来每个都能随便取。但一旦你规定了它们的平均值必须是某个固定的 $\bar{X}$（即所有数字加起来必须等于 $n\bar{X}$），只要确定了其中 $n-1$ 个，最后一个就被自动决定了。所以真正"自由"的数字只有 $n-1$ 个。

例子：3个数据，和为15。前两个你可以随便取（比如3和7），但第三个数被锁死了（必须是5）。虽然有3个数，真正"自由"的只有2个——这就是"丢了1个自由度"。

和二阶中心矩的区别（考试常考）：$B_2 = \frac{1}{n}\sum (X_i - \bar{X})^2$ 除以 $n$，$S^2$ 除以 $n-1$。关系：$S^2 = \frac{n}{n-1}B_2$。

④ 推导复盘

📝 样本方差分母用 $n-1$ 而非 $n$ 的根本原因：用 $\bar{X}$ 代替了未知的 $\mu$，导致离差平方和系统性偏小；除以 $n-1$ 正好把这个偏差纠正回来，使得 $E(S^2) = \sigma^2$。这个 $n-1$ 就是自由度——"独立信息的个数"。每用样本算出来的量替代一个未知的总体参数，就消耗1个自由度。

✍️ 立刻练一道：回到开头的 5 个灯泡寿命：1950, 2000, 1980, 1990, 2020（小时）。求样本方差 $S^2$。（提示：$\bar{X} = 1988$；偏差平方和 $= (-38)^2+12^2+(-8)^2+2^2+32^2 = 1444+144+64+4+1024 = 2680$；$S^2 = 2680/4 = 670$。注意除以 $n-1=4$，不是除以 5。）

快捷公式：如果只知道 $\sum X_i$ 和 $\sum X_i^2$，怎么办？

刚才算 $S^2$ 要一步步列偏差，太麻烦。先看一道题：从某总体中抽取容量 $n = 8$ 的样本，已知 $\sum X_i = 320$，$\sum X_i^2 = 13200$。求 $S^2$。

看到这题，先别慌。难在哪？——题目不给你原始数据，只给你"总和"和"平方和"，你没法挨个算偏差。试着手动化一化 $S^2$ 的定义式，看能不能只靠 $\sum X_i$ 和 $\sum X_i^2$ 表示：

快捷公式推导：
$$
\begin{aligned}
S^2 &= \frac{1}{n-1}\sum_{i=1}^{n}(X_i - \bar{X})^2 \
&= \frac{1}{n-1}\left[\sum X_i^2 - 2\bar{X}\sum X_i + n\bar{X}^2\right] \quad \text{（展开平方项）}\
&= \frac{1}{n-1}\left[\sum X_i^2 - 2n\bar{X}^2 + n\bar{X}^2\right] \quad \text{（因为 }\sum X_i = n\bar{X}\text{）}\
&= \frac{1}{n-1}\left[\sum X_i^2 - n\bar{X}^2\right] \quad \text{（交叉项化简为 }-n\bar{X}^2\text{）}\
&= \frac{1}{n-1}\left[\sum X_i^2 - \frac{1}{n}\left(\sum X_i\right)^2\right]
\end{aligned}
$$

🧠 这一步在想什么：关键是抓住 $\sum X_i = n\bar{X}$，把 $\bar{X}$ 统统换成 $\sum X_i$——这样式子里的每一项都变成"已知量"了。

🔍 回头看看：原来 $S^2$ 可以只用两个数算出来——"平方和" 减去 "总和的平方除以 $n$"，再除以 $n-1$。这就是快捷公式：

快捷公式：
$$S^2 = \frac{1}{n-1}\left[\sum_{i=1}^{n} X_i^2 - \frac{1}{n}\left(\sum_{i=1}^{n} X_i\right)^2\right]$$

📌 以后就这么办：看到题目给 $\sum X_i$ 和 $\sum X_i^2$，就用快捷公式。顺序别错：先算 $(\sum X_i)^2$，再除以 $n$——不能每个 $X_i$ 先除以 $n$ 再平方。

✍️ 立刻练一道：数据 3, 4, 5, 6（$n=4$）。用快捷公式算 $S^2$。（提示：$\sum X_i = 18$，$\sum X_i^2 = 9+16+25+36 = 86$；$S^2 = [86 - 18^2/4]/3 = (86-81)/3 = \frac{5}{3} \approx 1.667$。验算：$\bar{X}=4.5$，偏差 $-1.5,-0.5,0.5,1.5$，平方和 $= 5$，$S^2 = 5/3$——两种算法一致。）

第2题（⭐⭐中等）—— 已知 ΣXi 和 ΣXi²，用快捷公式

📍 紧跟本节：样本方差——已知 $\sum x_i$ 和 $\sum x_i^2$

从某总体中抽取了容量 $n = 8$ 的样本，已知：
$$\sum_{i=1}^{8} X_i = 320,\quad \sum_{i=1}^{8} X_i^2 = 13200$$

（1）求样本均值 $\bar{X}$。
（2）用快捷公式求样本方差 $S^2$。

统计量（四）：样本标准差 $S$ 和样本 $k$ 阶矩

① 生活场景 & ② 正式陈述

📏 样本标准差：方差算出来单位是"平方厘米"（如果脚长用厘米），不太直观。标准差就是把方差开个根号，单位变回"厘米"——"标准差大约是2厘米"，你马上能想象出数据的分散程度。

$$\boxed{S = \sqrt{S^2} = \sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(X_i - \bar{X})^2}}$$

⚠️ 注意：$E(S) \neq \sigma$（$S^2$无偏不等于$S$无偏——开根号后无偏性不保持）。

📏 样本 $k$ 阶原点矩（Origin Moment）：以0为参照点，"数据离0有多远"的k次方平均值。
$$\boxed{A_k = \frac{1}{n}\sum_{i=1}^{n}X_i^k}$$

• $k=1$：$A_1 = \bar{X}$（一阶原点矩=样本均值）
• $k=2$：$A_2 = \frac{1}{n}\sum X_i^2$（二阶原点矩=平方的均值）

📏 样本 $k$ 阶中心矩（Central Moment）：以 $\bar{X}$ 为参照点，"数据离中心有多远"的k次方平均值。
$$\boxed{B_k = \frac{1}{n}\sum_{i=1}^{n}(X_i - \bar{X})^k}$$

• $k=1$：$B_1 = 0$（一阶中心矩恒为0——正负离差互相抵消）
• $k=2$：$B_2 = \frac{1}{n}\sum (X_i - \bar{X})^2$（二阶中心矩="除以n的方差"）

考研对矩的要求不高（了解即可），只需记住两条：一阶原点矩=均值，二阶中心矩和$S^2$的区别（除以$n$ vs $n-1$）。

④ 推导复盘 & 性质总结

📝 设总体 $X$ 有 $E(X) = \mu$，$Var(X) = \sigma^2$，$X_1, X_2, ..., X_n$ 为简单随机样本：

核心结论：$\bar{X}$ 围绕 $\mu$ 波动（期望等于 $\mu$），$S^2$ 围绕 $\sigma^2$ 波动（期望等于 $\sigma^2$）。这就是"无偏性"——用样本统计量估计总体参数，长期来看不会系统地偏高或偏低。

✍️ 立刻练一道（完整走一遍）——把本节学的公式从头到尾用一次：

第3题（⭐基础）—— 直接给数据，算样本均值和样本方差

📍 紧跟本节：样本均值、样本方差、样本标准差

从某总体中随机抽取了6个样品，测得数据如下：

$$82,\ 78,\ 85,\ 80,\ 77,\ 78$$

（1）求样本均值 $\bar{X}$。
（2）求样本方差 $S^2$ 和样本标准差 $S$。

1.5 样本均值的分布与中心极限定理

① 生活场景

🎯 假设全中国成年男性的身高服从正态分布（像一口钟，中间高两边低），均值170cm，标准差6cm。你随机抽100个人的身高，算出平均身高——这个"平均身高"本身也是一个随机变量（每次抽100个人，算出来的平均值都不一样）。

直觉告诉你两件事：第一，这些平均值的中心应该还在170cm附近（不会系统性偏高或偏低）；第二，100个人的平均身高比单独1个人的身高更"稳定"——抽1个人你可能抽到190cm的大高个，但抽100个人的平均值几乎不可能到190cm，因为要100个人都很高才行。样本均值比单个样本更稳定、更集中在总体均值附近——这就是本节要精确量化的规律。

② 正式陈述

直觉已经有了，可它到底服从哪个分布？ 上一步我们"感觉"到：样本均值应该集中在 $\mu$ 附近、比单个样本更稳。现在要把它写成精确的数学结论。设总体 $X \sim N(\mu, \sigma^2)$（总体服从正态分布），$X_1, X_2, ..., X_n$ 是简单随机样本，则：

$$\boxed{\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)}$$

样本均值也服从正态分布，均值和总体一样（$\mu$），但方差缩小了 $n$ 倍（$\sigma^2/n$）。标准化后：

$$\boxed{\frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \sim N(0, 1)}$$

如果总体不是正态分布呢？ 中心极限定理（CLT）告诉我们：只要样本量 $n$ 足够大（通常 $n \geq 30$），无论总体原来是什么分布，$\bar{X}$ 都近似服从正态分布：

$$\boxed{\bar{X} \stackrel{\text{approx}}{\sim} N\left(\mu, \frac{\sigma^2}{n}\right)}$$

③ 完整推导

🧠 第1步：每个 $X_i$ 都是正态的

已知总体 $X \sim N(\mu, \sigma^2)$，且 $X_1, X_2, ..., X_n$ 是简单随机样本——这意味着每个 $X_i$ 都与总体同分布，即 $X_i \sim N(\mu, \sigma^2)$。

大白话：每个抽出来的人的身高，都服从和总体一模一样的正态分布——均值170cm，方差36。

🧠 第2步：独立正态变量的和仍然是正态（正态分布的可加性）

正态分布有一个极其重要的性质：独立正态变量的线性组合仍然是正态分布。具体来说，如果 $X_1, X_2, ..., X_n$ 相互独立且各自服从正态分布，那么它们的任意线性组合 $a_1X_1 + a_2X_2 + ... + a_nX_n$ 也服从正态分布。

应用到样本均值：$\bar{X} = \frac{1}{n}X_1 + \frac{1}{n}X_2 + ... + \frac{1}{n}X_n$ 是 $X_i$ 的线性组合（每个系数都是 $1/n$），所以 $\bar{X}$ 也服从正态分布。

大白话：把几个独立的正态变量按比例混合（求平均值就是每人取1/n），混合出来的结果还是正态的。这是正态分布独有的"好基因"——不是所有分布都有这个性质。

🧠 第3步：求 $\bar{X}$ 的期望和方差

有了"正态"这个结论，只需要再算出均值和方差，就完全确定了 $\bar{X}$ 的分布。

• 期望：$E(\bar{X}) = E\left(\frac{1}{n}\sum X_i\right) = \frac{1}{n}\sum E(X_i) = \frac{1}{n} \cdot n\mu = \mu$
• 方差：$Var(\bar{X}) = Var\left(\frac{1}{n}\sum X_i\right) = \frac{1}{n^2}\sum Var(X_i) = \frac{1}{n^2} \cdot n\sigma^2 = \frac{\sigma^2}{n}$

大白话：样本均值的期望等于总体均值——说明它"瞄得准"，长期来看不偏高也不偏低。样本均值的方差等于总体方差除以n——抽的人越多，平均值越稳定。抽100个人，平均值的波动只有单人波动的$\frac{1}{100}$（标准差只有$\frac{1}{10}$）。

🧠 第4步：标准化——造出标准正态

$\bar{X} \sim N(\mu, \sigma^2/n)$ 不是标准正态（均值不是0，方差不是1）。做一个标准化变换：减均值、除以标准差，就得到标准正态：

$$\frac{\bar{X} - \mu}{\sqrt{\sigma^2/n}} = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \sim N(0, 1)$$

这个标准化形式是后面做区间估计时的"标配"操作——所有的概率计算都通过这个变换转化为查标准正态表。

大白话：标准化就像把不同身高的人放在同一个"身高尺"上——不管原来均值是多少、波动多大，标准化之后全部变成均值0、标准差1的标准尺子，方便统一查表。

🧠 第5步：如果总体不是正态——中心极限定理（CLT）救场

如果总体不是正态分布（比如均匀分布、指数分布），$\bar{X}$ 的精确分布不再是正态。但中心极限定理告诉我们：大量独立同分布随机变量的均值，无论原来什么分布，都趋近于正态分布。

具体例子：掷一个均匀骰子，掷1次的结果是1到6各1/6概率——完全不是钟形（均匀分布）。但如果你每次掷30次取平均值，重复很多很多次，这些平均值就会形成一口漂亮的钟——集中在3.5附近，两边对称。

大白话：中心极限定理是统计学里最"神奇"的定理——不管你原始数据长什么样（均匀的、偏斜的、甚至奇形怪状的），只要你取足够多的数据算平均值，这个平均值就一定是正态分布。就像不管什么食材，只要剁得够碎，最后都会变成肉酱。$n \geq 30$ 是经验规则——30个人的平均值已经"够碎"了。

④ 推导复盘

📝 整个推导链条就四个核心步骤：

1. 正态可加性：独立正态变量的线性组合仍是正态 → $\bar{X}$ 服从正态分布
2. 期望计算：$E(\bar{X}) = \mu$ → 样本均值"瞄得准"
3. 方差计算：$Var(\bar{X}) = \sigma^2/n$ → n越大越精确
4. 标准化：$(\bar{X} - \mu)/(\sigma/\sqrt{n}) \sim N(0,1)$ → 统一到标准尺子
5. （补充）CLT：总体不正态时，n大则 $\bar{X}$ 近似正态 → 这个结论的适用范围远不止正态总体

为什么这个结论是"统计推断的基石"？因为第7章做区间估计时，你需要知道"$\bar{X}$ 在 $\mu$ 附近怎么波动"——恰好 $\bar{X} \sim N(\mu, \sigma^2/n)$ 精确告诉你这个波动的规律。如果不知道这个分布，你根本没法判断"样本均值1950比声称的2000低，是运气不好还是真的偏低"。

⑤ 易错边界

⚠️ 第1坑：标准化时分母是 $\sigma/\sqrt{n}$，不是 $\sigma$！

$Var(\bar{X}) = \sigma^2/n$，所以标准差是 $\sigma/\sqrt{n}$。很多人顺手写成除以 $\sigma$，差了一个 $\sqrt{n}$ 倍。$\sqrt{n}$ 错了，后面的概率计算全错。

反例：$\sigma=6$，$n=36$。$\bar{X}$ 的标准差是 $6/6=1$，不是 $6$。

⚠️ 第2坑：正态可加性要求"正态+独立"两个条件！

如果 $X_i$ 不独立（比如抽样不放回且总体很小），$\bar{X}$ 的分布就不再是简单的 $N(\mu, \sigma^2/n)$。

⚠️ 第3坑：CLT要求 $n$ 足够大，但"多大算大"取决于总体原来的形状！

• 总体本身接近正态 → $n \geq 10$ 就够了
• 总体对称但不正态（如均匀分布）→ $n \geq 20$ 基本够
• 总体严重偏斜（如指数分布）→ 需要 $n \geq 50$ 甚至更大
• 考研中一般 $n \geq 30$ 认为可以用正态近似

⚠️ 第4坑：CLT只对样本均值成立，对单个样本点不成立！

$X_1$ 本身不管n多大，始终服从总体的原始分布（如果总体是均匀分布，$X_1$ 永远是均匀分布，不会因为n=1000就变成正态）。只有 $\bar{X} = \frac{1}{n}\sum X_i$ 这个"平均值"才趋近正态。

⑥ 在整条链中的位置

样本均值的分布是四条抽样分布定理的第一条，也是最基础的一条：

总体 X ~ N(μ, σ²)
    │ 抽取n个样本，算均值
    ▼
X̄ ~ N(μ, σ²/n)  ← 结论①（本节）
    │
    ├── 标准化：Z = (X̄-μ)/(σ/√n) ~ N(0,1) → 用于σ已知时推断μ
    │
    ├── 如果σ未知，用S替代 → t分布（结论③）
    │
    └── 如果总体非正态 → CLT近似（n≥30）

• 往上追溯：依赖正态分布的可加性 + 期望/方差运算性质
• 往下延伸：结论①是结论③（t分布）的基础——t分布的分子就是结论①的标准化形式
• 和卡方的连接：$(X_i-\mu)/\sigma \sim N(0,1)$，平方后变成 $\chi^2(1)$，这是卡方分布的入口

🛑 停一下：已知总体 $X \sim N(170, 36)$，抽 $n=9$ 的样本。(1) 样本均值 $\bar{X}$ 服从什么分布？均值和方差各是多少？(2) 如果 $n=100$ 呢？（答案：(1) $\bar{X} \sim N(170, 4)$，均值170，方差$36/9=4$；(2) $\bar{X} \sim N(170, 0.36)$，方差从4缩小到0.36——样本量翻约11倍，方差缩小约11倍。）

🛑 再停一下：如果总体是均匀分布 $U(0, 10)$，抽 $n=50$ 的样本，$\bar{X}$ 近似服从什么分布？均值是多少？方差是多少？（答案：近似 $N(5, \frac{100/12}{50}) = N(5, 0.167)$。注意均匀分布 $U(0,10)$ 的方差是 $(10-0)^2/12 = 100/12$。）

✍️ 立刻练一道：总体 $X \sim N(50, 9)$，抽 $n=36$ 的样本。问 $P(49 < \bar{X} < 51)$ 大概多少？
（提示：$\bar{X} \sim N(50, 9/36) = N(50, 0.25)$，标准差 $=0.5$。$49$ 到 $51$ 正好是 $\mu \pm 2\sigma_{\bar{X}}$，约 95.4%——用第2章"3σ 法则"的口径。答案约 0.954。）

第4题（⭐基础）—— 抽样分布定理结论①：已知方差求概率

📍 紧跟本节：样本均值的分布——已知总体方差，求样本均值落在某区间的概率

设总体 $X \sim N(100, 16)$（即均值为 100，方差为 16，标准差为 4）。从中抽取容量 $n = 25$ 的简单随机样本，样本均值记为 $\bar{X}$。

（1）$\bar{X}$ 服从什么分布？写出分布参数。
（2）求 $\bar{X}$ 落在 98.5 到 101.5 之间的概率。（已知 $\Phi(1.875) \approx 0.9696$）

1.5B 样本方差与卡方分布的关系

本节是连接"样本方差"和"卡方分布"的桥梁——告诉你样本方差 $S^2$ 经过一个巧妙的变换后，服从卡方分布。这是后面推断总体方差 $\sigma^2$ 的数学基础，也是抽样分布定理结论④的完整展开。

① 生活场景

🧪 回到灯泡厂的例子。厂长声称灯泡寿命的波动程度是 $\sigma^2=10000$（标准差100小时）。你怀疑实际波动更大——有些灯泡特别耐用，有些则很快烧坏。你抽了16个灯泡，算出样本方差 $S^2=14400$——看起来确实比厂长声称的10000要大。

但问题是：$S^2$ 是用16个灯泡算出来的，它本身也有随机波动。就算真实方差 $\sigma^2$ 确实是10000，你抽16个灯泡算出的 $S^2$ 也可能碰巧是14400。到底 $S^2=14400$ 这个数字，在"真实方差=10000"的前提下有多不寻常？

要回答这个问题，你需要知道一件事：$S^2$ 经过一个特定的数学变换后，服从一个你已经认识的分布——卡方分布。 有了卡方分布这个"尺子"，你就能算出 $P(S^2 > 14400)$ 到底有多罕见。

② 正式陈述

怎么把"$S^2$ 有多大"翻译成"有多罕见"？ 上一步我们问：$S^2=14400$ 在"真实方差=10000"的前提下有多不寻常？要回答它，得知道 $S^2$ 服从什么分布——于是我们去找"样本波动的标准化版本"。设总体 $X \sim N(\mu, \sigma^2)$（总体必须服从正态分布！），$X_1, X_2, ..., X_n$ 是简单随机样本，$S^2$ 为样本方差。则：

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

也就是说：样本方差 $S^2$ 乘以 $(n-1)$、除以总体方差 $\sigma^2$ 之后，服从自由度为 $n-1$ 的卡方分布。

• 自由度是 $n-1$，不是 $n$——因为 $S^2$ 在计算时用了 $\bar{X}$ 替代 $\mu$，消耗了1个自由度
• 这个结论是定理（需要推导证明），不是定义（不像 $\chi^2$ 本身是"定义出来的"）
• 要求总体必须服从正态分布——如果总体不是正态的，这个结论不成立！

③ 完整推导

🧠 第1步：如果 $\mu$ 已知，世界很简单

假设总体均值 $\mu$ 是已知的（虽然现实中几乎不可能，但先沿着这个理想情况想）。我们可以直接用 $\mu$ 来标准化每个样本：

$$\frac{X_i - \mu}{\sigma} \sim N(0, 1)$$

因为有 $n$ 个独立的样本 $X_i$，把它们各自标准化后平方再求和：

$$\sum_{i=1}^{n}\left(\frac{X_i - \mu}{\sigma}\right)^2 \sim \chi^2(n)$$

这是 $n$ 个独立标准正态的平方和——按卡方分布的定义，自由度就是 $n$。

大白话：如果总体均值 $\mu$ 是已知的，那么 $\sum(X_i-\mu)^2/\sigma^2$ 天然就是 $n$ 个独立标准正态的平方和，自由度=$n$。这就像你知道一个班级的真实平均分，每个学生的分数离这个平均分的距离（标准化后）各自独立——有n个学生就有n份独立信息。

🧠 第2步：现实中 $\mu$ 未知，用 $\bar{X}$ 替代——自由度从 $n$ 降到 $n-1$

但现实中 $\mu$ 是未知的——我们只能用样本均值 $\bar{X}$ 来代替它：

$$\sum_{i=1}^{n}(X_i - \bar{X})^2 = (n-1)S^2$$

现在问题来了：虽然这里有 $n$ 个离差项 $(X_i - \bar{X})$，但它们不独立——因为它们满足约束 $\sum_{i=1}^{n}(X_i - \bar{X}) = 0$（所有离差加起来恒为0）。

大白话：用 $\bar{X}$ 替代 $\mu$ 之后，$n$ 个离差不再各自独立——它们被"绑"在了一起（加起来必须等于0）。所以独立的有效信息只有 $n-1$ 份，卡方分布的自由度也就从 $n$ 降到了 $n-1$。

🧠 第3步：n=2 的极端例子——看自由度怎么"丢"的

假设只有2个样本 $X_1$ 和 $X_2$。

• 如果 $\mu$ 已知：$\frac{(X_1-\mu)^2}{\sigma^2} + \frac{(X_2-\mu)^2}{\sigma^2} \sim \chi^2(2)$。两项独立，自由度=2。
• 如果 $\mu$ 未知，用 $\bar{X} = (X_1+X_2)/2$：

$$X_1 - \bar{X} = X_1 - \frac{X_1+X_2}{2} = \frac{X_1-X_2}{2}$$
$$X_2 - \bar{X} = X_2 - \frac{X_1+X_2}{2} = -\frac{X_1-X_2}{2}$$

两者互为相反数！平方后虽然相等，但它们来自同一个随机量 $(X_1-X_2)$，不再独立了。所以自由度从2降到1。

大白话：2个人，本来各自独立。但你用"他们俩的平均值"去衡量每个人离平均有多远——结果两个人的离差"互为相反数"（一个偏离+3，另一个必定偏离-3），不再各自独立了。2个人只剩1份独立信息。

🧠 第4步：推广到n个样本——自由度为什么一定是n-1

n个离差 $(X_1-\bar{X}), (X_2-\bar{X}), ..., (X_n-\bar{X})$ 满足一个约束：
$$\sum_{i=1}^{n}(X_i - \bar{X}) = 0$$

每多一个约束，就少一个自由度。这里只有一个约束（离差之和=0），所以自由度从 $n$ 降到 $n-1$。更一般地说：每用样本统计量替代一个总体参数，就消耗1个自由度。 这里用 $\bar{X}$ 替代了 $\mu$，消耗了1个自由度。

所以最终结论：
$$\frac{(n-1)S^2}{\sigma^2} = \frac{\sum_{i=1}^{n}(X_i - \bar{X})^2}{\sigma^2} \sim \chi^2(n-1)$$

大白话：用样本算出来的方差 $S^2$，经过除以 $\sigma^2$ 和乘以 $(n-1)$ 的变换后，服从卡方分布——自由度是 $n-1$（因为算 $\bar{X}$ 消耗了1个自由度）。这个"换单位"的操作就像把外币按汇率换算成人民币——换个度量单位之后，它就服从一个你认识的已知分布了。

🧠 第5步：为什么非要"除以 $\sigma^2$"？

你可能会问：为什么要除以 $\sigma^2$？不能直接用 $(n-1)S^2$ 吗？

原因在于：$(X_i - \bar{X})$ 的波动幅度取决于 $\sigma^2$——$\sigma^2$ 大的总体，$(X_i - \bar{X})$ 天然就大。如果你不除以 $\sigma^2$，你就不知道这个"大"是总体波动大还是样本的偶然性。除以 $\sigma^2$ 相当于"消除了总体波动程度的影响"——把所有总体都拉到同一个尺度上（标准化），这样才服从一个统一的分布（卡方分布）。

大白话：除以 $\sigma^2$ 就是"统一尺子"。不管你是量身高（厘米）还是量体重（公斤），除以各自总体方差之后，都变成了同一把"标准尺"——这把标准尺上的读数就服从卡方分布。

④ 推导复盘

📝 整个推导的逻辑链条：

1. 理想情况（$\mu$ 已知）：$\sum (X_i-\mu)^2/\sigma^2 \sim \chi^2(n)$——n个独立标准正态的平方和，自由度=n。
2. 现实情况（$\mu$ 未知，用 $\bar{X}$ 替代）：$\sum (X_i-\bar{X})^2/\sigma^2 = (n-1)S^2/\sigma^2$——n个离差的平方和，但只有n-1个独立（因为离差之和=0的约束）。
3. 数学结果：$(n-1)S^2/\sigma^2 \sim \chi^2(n-1)$——自由度从n降到n-1，恰好是因为用 $\bar{X}$ 替代 $\mu$ 消耗了1个自由度。
4. 适用条件：总体必须服从正态分布。这个结论不是凭空定义的——它依赖于正态总体的内在性质。

你可以把 $(n-1)S^2/\sigma^2$ 理解为"样本波动的标准化版本"——把样本方差 $S^2$ 除以总体方差 $\sigma^2$（消除总体尺度的影响），乘以 $(n-1)$（补偿样本量），得到一个服从卡方分布的统计量。

⑤ 易错边界

⚠️ 第1坑：总体必须是正态分布！

这是最致命的错误。如果总体不是正态的，$(n-1)S^2/\sigma^2$ 不服从卡方分布。中心极限定理（CLT）可以"救"样本均值的分布（让 $\bar{X}$ 近似正态），但救不了样本方差的分布——$S^2$ 的卡方性质严格依赖总体的正态性。这也是为什么实际中用卡方检验前要检查数据是否近似正态。

⚠️ 第2坑：自由度是 $n-1$，不是 $n$！

系数是 $(n-1)S^2$，不是 $nS^2$。如果题目给你的是 $\sum(X_i-\bar{X})^2$，认出来它直接就是 $(n-1)S^2$。同样，自由度是 $n-1$，不是 $n$。

反例：$n=10$，$\frac{(10-1)S^2}{\sigma^2} = \frac{9S^2}{\sigma^2} \sim \chi^2(9)$。写成 $\frac{10S^2}{\sigma^2}$ 或 $\chi^2(10)$ 都是错的。

⚠️ 第3坑：$S^2$ 本身不直接服从卡方分布！

$S^2$ 本身不是卡方分布——必须经过变换：乘以 $(n-1)$、除以 $\sigma^2$，才变成卡方分布。很多人直接说"$S^2$ 服从卡方分布"——这是不准确的。

⚠️ 第4坑：恒等式 $\sum(X_i - \bar{X})^2 = (n-1)S^2$

有些题目给你 $\sum(X_i - \bar{X})^2$ 而不是 $S^2$，你要认出来这个恒等式。除以 $\sigma^2$ 后：
$$\frac{\sum(X_i - \bar{X})^2}{\sigma^2} = \frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)$$

两步分开记：(1) 先认出离差平方和 = $(n-1)S^2$；(2) 再除以 $\sigma^2$ 得到卡方。

⑥ 在整条链中的位置

这个结论是抽样分布定理的结论④，在四条定理中负责"推断总体方差"的场景：

总体 X ~ N(μ, σ²)
    │
    ├── 推断均值 μ ── 结论①：X̄~N(μ, σ²/n) → σ已知时用
    │                       结论③：t分布 → σ未知时用
    │
    └── 推断方差 σ² ── 结论④：(n-1)S²/σ² ~ χ²(n-1) ← 本节
                            │
                            └── 这是卡方分布在"实际应用"中的主要入口

• 往上追溯：依赖于"总体正态"这一前提，以及卡方分布的定义
• 往下延伸：结论④是第7章中所有关于 $\sigma^2$ 的区间估计的数学基础
• 和t分布的关系：结论③（t分布）的分母中就用到了结论④——$\sqrt{(n-1)S^2/\sigma^2 / (n-1)}$ 来构造t统计量的分母
• 和F分布的关系：两个独立总体的结论④相除，就得到了比较两个方差的F统计量

🛑 停一下：已知总体 $X \sim N(0, 4)$，抽 $n=10$ 的样本。(1) 构造一个服从卡方分布的统计量，写出表达式和自由度。(2) 如果题目给的不是 $S^2$ 而是 $\sum(X_i-\bar{X})^2 = 36$，统计量怎么写？（答案：(1) $\frac{9S^2}{4} \sim \chi^2(9)$；(2) $\frac{36}{4} = 9 \sim \chi^2(9)$——$\sum(X_i-\bar{X})^2$ 直接就是 $(n-1)S^2$。）

✍️ 立刻练一道：总体 $X \sim N(0, 4)$，抽 $n=10$ 的样本，$S^2$ 为样本方差。构造一个服从 $\chi^2$ 分布的统计量并写出自由度。（答案：$\frac{9S^2}{4} \sim \chi^2(9)$，自由度 $9=n-1$。）

第5题（⭐⭐中等）—— 样本方差的分布（结论④）

📍 紧跟本节：样本方差与卡方分布的关系——已知 $S^2$ 的分布，求相关概率

设总体 $X \sim N(0, 9)$（均值为 0，方差为 9）。从中抽取容量 $n = 16$ 的简单随机样本，样本方差记为 $S^2$。

（1）构造一个服从 $\chi^2$ 分布的统计量，并写出其自由度。
（2）求 $P(S^2 > 12.3)$。

已知 $\chi^2(15)$ 分位数：$\chi^2_{0.10}(15) \approx 22.31$，$\chi^2_{0.25}(15) \approx 18.25$，$\chi^2_{0.50}(15) \approx 14.34$，$\chi^2_{0.75}(15) \approx 11.04$，$\chi^2_{0.90}(15) \approx 8.55$

1.6 三大抽样分布

这部分是本章的重点和难点。三大分布（$\chi^2$、$t$、$F$）各有用处，一个一个来。

一、$\chi^2$ 分布（卡方分布）

① 生活场景

📏 想象你开了一家精密仪器厂，生产高精度温度计。每台温度计的测量值都有微小的随机误差。假设在标准环境下，每台温度计的误差都服从标准正态分布 $N(0,1)$——也就是说，大多数温度计的误差在0附近（偏上偏下概率差不多），偶尔有偏得比较厉害的。

现在你把 $n$ 台温度计同时放进一个恒温箱里测量。你想知道："这 $n$ 台仪器整体的波动有多大？"你不能直接把它们的误差加起来——因为有的偏高、有的偏低，正负会抵消，加起来可能接近0，好像"没有波动"似的。这就像你看一个班级的成绩波动程度，不能光看"张三比平均分高5分、李四比平均分低5分"，合起来是0——但这不代表班级没有差异。

所以你把每台仪器的误差"平方"（消除正负号，只看"离0有多远"），然后把这些平方值加起来。这个"平方和"就是一个衡量整体波动的好指标。这个平方和服从的分布，就是卡方分布。

② 正式陈述

设 $Z_1, Z_2, \dots, Z_n$ 相互独立且都服从标准正态分布 $N(0, 1)$（即 i.i.d. $\sim N(0,1)$），则它们的平方和：

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

称 $\chi^2$ 服从自由度为 $n$ 的卡方分布（Chi-square Distribution），记作 $\chi^2 \sim \chi^2(n)$。

• 自由度 $n$：就是"独立标准正态变量的个数"——每个变量都能自由变化，所以有 $n$ 个自由度。
• 期望：$E[\chi^2(n)] = n$（$n$ 个标准正态的平方，每个期望为1，加起来自然是 $n$）
• 方差：$D[\chi^2(n)] = 2n$

✍️ 立刻练一道：设 $X \sim N(0, 4)$（注意：不是标准正态！）。判断 $\frac{X^2}{4}$ 服从什么分布，自由度是多少？（提示：先标准化 $\frac{X}{2} \sim N(0,1)$，再平方。答案：$\frac{X^2}{4} \sim \chi^2(1)$，自由度 1。如果不先标准化就直接把 $X^2$ 当卡方，就踩坑了——卡方只认标准正态的平方。）

③ 完整推导

🧠 第1步：一个标准正态 $Z \sim N(0,1)$，它的平方 $Z^2$ 是什么分布？

标准正态的密度函数关于0对称——$Z$ 落在 $-1$ 到 $0$ 的概率和落在 $0$ 到 $+1$ 的概率相等。当你把 $Z$ 平方之后，正负号被消掉了：$Z=-1$ 和 $Z=+1$ 平方后都是 $1$。所以 $Z^2$ 的分布是：把 $Z$ 在负数那一半的概率"折叠"到正数这一半来。

结果：$Z^2$ 的取值范围是 $[0, +\infty)$（平方不可能是负数）。它的密度函数从正无穷开始（因为 $Z$ 在0附近的概率密度最大，平方后0附近的概率被"挤压"到0点），然后单调下降。这就是自由度为1的卡方分布：$\chi^2(1)$。

大白话：一个标准正态变量，正负两边对称。平方之后，负的那边"翻折"到正半轴——原来"-1"和"+1"的概率合在一起变成"1"。所以平方之后的分布只活在正半轴，而且0点附近概率密度特别高（因为原来0附近两边的人都被"压"过来了）。

🧠 第2步：$n$ 个独立的 $Z_i^2$ 加起来，得到 $\chi^2(n)$

如果 $Z_1, Z_2, \dots, Z_n$ 是 $n$ 个独立的标准正态变量，那么每一个 $Z_i^2 \sim \chi^2(1)$（独立的"1自由度卡方"）。把它们加起来：

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

这 $n$ 个 $\chi^2(1)$ 相互独立（因为 $Z_i$ 之间独立），它们的和的分布就是 $\chi^2(n)$。自由度从1变成了 $n$——每多一个独立的标准正态变量，自由度就多1。

大白话：就像你有 $n$ 个独立的小陀螺，每个陀螺自己转出来的波动能量是一份"卡方(1)"。你把 $n$ 个陀螺的波动能量全加起来，总能量的分布就是"卡方(n)"。$n$ 越大，你捕获的总能量越多。

🧠 第3步：为什么叫"自由度"？

"自由度"是卡方分布里最重要的概念——你可以把它理解成"有几个独立的信息来源"。

$n$ 个独立的标准正态变量，每个都能自由变化（互不影响），所以有 $n$ 个自由度。但如果这些变量之间有了约束——比如"它们的平方和必须等于某个固定值"——那就有一个变量不再"自由"了（被约束锁死了），自由度就会减少。

举个例子：你有3个标准正态变量 $Z_1, Z_2, Z_3$，它们可以各自独立地取任何值——自由度是3。但如果你规定 $Z_1^2 + Z_2^2 + Z_3^2 = 5$，那么只要前两个确定了，第三个就被锁死了（因为 $Z_3^2 = 5 - Z_1^2 - Z_2^2$）——自由度从3降到2。

大白话：自由度就是"能自己做主的变量个数"。3个人各自决定穿什么衣服——自由度=3。如果老板规定"你们仨的衣服颜色加起来必须=某固定值"——最后一个人没法自己选了，自由度降到2。在卡方分布里，每一个"能自己做主的标准正态变量"贡献1个自由度。

🧠 第4步：$\chi^2(n)$ 的形态随 $n$ 怎么变化？

卡方分布的形状完全取决于自由度 $n$：

• $n=1$：曲线从正无穷高处出发，单调下降——因为 $Z^2$ 在0附近概率密度极高（$Z$ 本身在0附近概率最大，平方后更集中到0），然后迅速衰减。
• $n=2$：曲线从某个有限高度单调下降（类似指数分布的形状）——两个独立 $\chi^2(1)$ 相加后，0点附近的"挤压"被分散了一些。
• $n \geq 3$：曲线开始"站起来"——先上升后下降，呈现单峰右偏的形状。右边拖一条长尾巴（因为平方和可能偶尔很大）。
• $n$ 越来越大：根据中心极限定理（大量独立随机变量之和趋近正态），$\chi^2(n)$ 趋近于正态分布 $N(n, 2n)$。右偏逐渐消失，越来越对称。

大白话：$n=1$ 时卡方长得很"畸形"——0点附近概率密度无限大，像一堵墙。$n$ 越来越大，卡方越来越像一口正常的"钟"（正态分布）。从 $n \approx 30$ 开始，肉眼已经很难区分卡方和正态了——就像一滴墨水滴进水池，刚开始很浓很集中（右偏），越扩散越均匀（趋近对称的正态）。

④ 推导复盘

📝 卡方分布就是从标准正态"长"出来的——把 $n$ 个独立的标准正态变量各自平方，然后求和，就得到了自由度为 $n$ 的卡方分布。

整个逻辑链条就三步：

1. 一个标准正态 $Z \sim N(0,1)$ 的平方 $Z^2$，因为正负号被消掉，概率"折叠"到正半轴，得到 $\chi^2(1)$。
2. $n$ 个独立的 $\chi^2(1)$ 相加，得到 $\chi^2(n)$。
3. $n$ 小时右偏严重（因为平方和不能为负，被"压"在0以上），$n$ 大时趋近于正态（中心极限定理起作用）。

你可以把卡方分布理解为"标准正态变量的波动能量总和"——每一个标准正态变量贡献"1份能量"（期望为1），$n$ 个变量就有 $n$ 份能量。这份总能量不是固定的，而是随机的——有时大有时小。卡方分布就告诉你：总能量有多大、分布是什么形状。

⑤ 易错边界

⚠️ 第1坑：必须是标准正态 $N(0,1)$ 才能直接平方！

这是最致命的错误。如果题目给你 $X \sim N(\mu, \sigma^2)$（不是标准正态），你不能直接把 $X^2$ 当作 $\chi^2(1)$！

正确做法：先标准化——$(X-\mu)/\sigma \sim N(0,1)$，然后 $\left(\frac{X-\mu}{\sigma}\right)^2 \sim \chi^2(1)$。

反例：$X \sim N(2, 9)$（均值2，方差9），$X^2$ 不服从 $\chi^2(1)$！必须先做 $(X-2)/3 \sim N(0,1)$，然后 $[(X-2)/3]^2 \sim \chi^2(1)$。

⚠️ 第2坑：$\chi^2$ 只能取正值（$\geq 0$）！

因为卡方是平方和，每个平方项都 $\geq 0$，所以整个卡方统计量不可能为负。如果题目中出现了"$\chi^2 < 0$"或"$P(\chi^2 < 0)$"，答案永远是0（不可能发生）。

⚠️ 第3坑：可加性要求独立！

$U \sim \chi^2(n_1)$，$V \sim \chi^2(n_2)$，且 $U$ 与 $V$ 独立，才能说 $U+V \sim \chi^2(n_1+n_2)$。如果 $U$ 和 $V$ 不独立（比如共享了某些变量），可加性不成立。

⑥ 在整条链中的位置

卡方分布在三大抽样分布中扮演"地基"的角色：

标准正态 N(0,1)
    │  平方求和
    ▼
卡方分布 χ²(n)  ──────────────┐
    │                          │
    │  作为分母（除以自由度）    │  两个独立卡方各自除以自由度再相除
    ▼                          ▼
t 分布 t(n)                F 分布 F(m,n)

• 往上追溯：卡方来自标准正态——把标准正态平方再求和。
• 往下延伸：卡方是 t 分布和 F 分布的"原材料"——t 分布需要卡方做分母，F 分布需要两个卡方相除。

没有卡方分布，t 分布和 F 分布就无从谈起。所以这一节你一定要彻底搞懂——它是一切的起点。

补充：卡方分布的可加性

若 $U \sim \chi^2(n_1)$，$V \sim \chi^2(n_2)$，且 $U$ 与 $V$ 相互独立，则：

$$\boxed{U + V \sim \chi^2(n_1 + n_2)}$$

两个独立的卡方变量相加，自由度也相加。直观理解：$U$ 是 $n_1$ 个独立标准正态的平方和，$V$ 是另外 $n_2$ 个独立标准正态的平方和，且两组互不影响，那 $U+V$ 自然就是 $n_1+n_2$ 个独立标准正态的平方和——自由度相加理所当然。

✍️ 立刻练一道：$Z_1, Z_2, Z_3$ 独立同分布于 $N(0,1)$。$Z_1^2+Z_2^2$ 服从什么分布？$Z_1^2+Z_2^2+Z_3^2$ 呢？$E(Z_1^2+Z_2^2+Z_3^2)$ 是多少？（答案：$\chi^2(2)$、$\chi^2(3)$、$E=3$——可加性 + 每个 $\chi^2(1)$ 期望为 1。）

🛑 停一下：$Z_1, Z_2, Z_3$ 独立同分布于 $N(0,1)$，则 $Z_1^2+Z_2^2$ 服从什么分布？$Z_1^2+Z_2^2+Z_3^2$ 呢？如果 $X_1 \sim N(2, 9)$（不是标准正态），能直接平方后加进去吗？

第6题（⭐基础）—— 判断卡方分布

📍 紧跟本节：卡方分布——独立标准正态的平方和

设 $X_1, X_2, X_3, X_4$ 相互独立且都服从标准正态分布 $N(0, 1)$。判断下列统计量服从什么分布，并写出自由度：

（1）$Y_1 = X_1^2 + X_2^2 + X_3^2$
（2）$Y_2 = X_1^2 + X_2^2 + X_3^2 + X_4^2$
（3）利用卡方分布的性质，求 $E(Y_2)$ 和 $Var(Y_2)$。

第7题（⭐⭐中等）—— 卡方可加性的应用（综合）

📍 紧跟本节：卡方分布与可加性——两组样本，各自标准化后相加

设 $X_1, X_2, \dots, X_5$ 是来自正态总体 $N(0, 4)$ 的简单随机样本，$Y_1, Y_2, Y_3$ 是来自正态总体 $N(0, 9)$ 的简单随机样本，且两组样本相互独立。

（1）求 $U = \dfrac{1}{4}\sum_{i=1}^{5} X_i^2$ 服从什么分布，写出自由度和期望方差。
（2）求 $V = \dfrac{1}{9}\sum_{i=1}^{3} Y_i^2$ 服从什么分布。
（3）利用卡方可加性，求 $U + V$ 服从什么分布。

第8题（⭐⭐⭐真题风格）—— 卡方分布综合计算

📍 紧跟本节：卡方分布 + 可加性 + 结论④②——综合检验独立性这个"坑"

设总体 $X \sim N(0, 4)$（均值为 0，方差为 4）。$X_1, X_2, \dots, X_{10}$ 为来自该总体的简单随机样本，$\bar{X}$ 为样本均值，$S^2$ 为样本方差。

（1）求统计量 $U = \dfrac{1}{4}\sum_{i=1}^{10} X_i^2$ 服从什么分布，并写出期望和方差。
（2）求统计量 $V = \dfrac{9S^2}{4}$ 服从什么分布。
（3）$U$ 和 $V$ 是否相互独立？为什么？

二、$t$ 分布

① 生活场景

👔 想象你是裁缝店的新学徒。师傅告诉你："正常成年男性的胸围服从正态分布，均值 $\mu$ 未知，但波动程度 $\sigma$ 我知道——是5厘米。"这时候你能量体裁衣，因为布料的"弹性"（$\sigma$）是已知的——你知道你量的尺寸有多少是真实差异、多少是随机波动。

但现在你出师了，自己开店。你面对的是一个全新的客户群体——你不知道他们的胸围波动程度（$\sigma$ 未知）。你能用的只有手头这几十个客户的实际测量数据——你用这些数据自己算了一个波动程度 $S$（样本标准差）。

问题来了：$S$ 是你"估计"出来的，不是真实的 $\sigma$——$S$ 本身也有随机波动！你用 $S$ 代替 $\sigma$ 去推断 $\mu$，就多了一层"不确定"。这层额外的不确定性，让本来应该服从标准正态的统计量"变胖了"——它不再服从标准正态，而是服从一个"尾巴更厚"的新分布：t 分布。

尾巴更厚，意味着极端值出现的概率更大——你用 t 分布做推断，结论会更"保守"（置信区间更宽），但更安全（不会因为低估不确定性而犯错）。

② 正式陈述

设 $Z \sim N(0, 1)$，$V \sim \chi^2(n)$，且 $Z$ 与 $V$ 相互独立，则：

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

称 $T$ 服从自由度为 $n$ 的 $t$ 分布（Student's t-Distribution），记作 $T \sim t(n)$。

• 分子：一个标准正态 $Z$——代表"已知 $\sigma$ 时你会用到的正态推断"。
• 分母：$\sqrt{V/n}$——一个卡方变量除以自由度再开根号。这层"卡方/自由度"就是你"用 $S$ 替代 $\sigma$ 时引入的额外不确定性"。
• 自由度 $n$：来自分母中卡方 $V$ 的自由度。在实际应用中，$n$ 通常等于 $n_{\text{样本}}-1$（因为 $S^2$ 中的卡方自由度为 $n-1$）。

③ 完整推导

🧠 第1步：如果 $\sigma$ 已知——世界很简单

已知总体 $X \sim N(\mu, \sigma^2)$，抽取 $n$ 个样本，样本均值为 $\bar{X}$。由抽样分布定理结论①：

$$\frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \sim N(0, 1)$$

这是一个完美的标准正态——你知道 $\sigma$，所以分母 $\sigma/\sqrt{n}$ 是一个确定的数（不是随机的）。标准化之后，分子 $\bar{X}$ 的随机性被"校准"了，结果服从漂亮的标准正态。

大白话：如果你知道真实波动程度 $\sigma$，那么 $(\bar{X}-\mu)/(\sigma/\sqrt{n})$ 就是一个标准正态——就像你用一把刻度精确的尺子量东西，量出来的误差服从标准正态。

🧠 第2步：$\sigma$ 未知，用 $S$ 替代——多了一层随机性

现实中 $\sigma$ 几乎总是未知的。你只能用样本标准差 $S$ 来代替它：

$$\frac{\bar{X} - \mu}{S/\sqrt{n}}$$

现在分母 $S/\sqrt{n}$ 不再是确定的数——$S$ 本身是随机变量（每次抽样算出来的 $S$ 都不一样）。所以整个分式有两层随机性：分子 $\bar{X}$ 在波动，分母 $S$ 也在波动。

把分式拆开看：

$$\frac{\bar{X} - \mu}{S/\sqrt{n}} = \frac{(\bar{X} - \mu)/(\sigma/\sqrt{n})}{\sqrt{\frac{(n-1)S^2}{\sigma^2} / (n-1)}} = \frac{N(0,1)}{\sqrt{\chi^2(n-1) / (n-1)}}$$

• 分子：$(\bar{X}-\mu)/(\sigma/\sqrt{n}) \sim N(0,1)$（结论①）
• 分母的根号里：$(n-1)S^2/\sigma^2 \sim \chi^2(n-1)$（结论④），除以自由度 $(n-1)$ 后开根号
• 分子和分母相互独立（结论②保证了 $\bar{X}$ 和 $S^2$ 独立）

这正好就是 t 分布的定义！所以：

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

大白话：你不知道真实波动程度 $\sigma$，就用手头样本自己估一个 $S$。但你估的 $S$ 有时偏大、有时偏小——这个"估不准"让分母多了一层随机性。这层随机性刚好是"$\sqrt{\text{卡方}/\text{自由度}}$"的形式，于是整个分式变成了 t 分布。$S$ 估得越不准（$n$ 越小），t 分布和正态的差别越大；$n$ 越大，$S$ 估得越准，t 分布就越接近正态。

🧠 第3步：$n \to \infty$ 时，t 分布回到正态

当样本量 $n$ 越来越大时，$\chi^2(n-1)/(n-1)$（"卡方除以自由度"）越来越稳定地趋近于 1。为什么？因为卡方的期望是 $n-1$，除以 $n-1$ 后期望为 1；方差是 $2(n-1)$，除以 $(n-1)^2$ 后是 $2/(n-1)$——$n$ 越大，方差越小，$\sqrt{\chi^2/(n-1)}$ 越来越接近 1。

所以 $n \to \infty$ 时：

$$\sqrt{V/n} \to 1, \quad T = \frac{Z}{\sqrt{V/n}} \to Z \sim N(0,1)$$

大白话：样本量越大，你估的 $S$ 越接近真实的 $\sigma$。当 $n$ 大到一定程度（比如 $n \geq 30$），$S$ 基本就等于 $\sigma$ 了——这时候 t 分布和标准正态几乎没有区别。就像新手裁缝量了足够多的人之后，他对布料的判断已经和老师傅一样准了。

实际中：$n \geq 30$ 时，t 分布和正态分布差别已经很小；$n \geq 45$ 时几乎可以等同。

④ 推导复盘

📝 t 分布的本质就是"标准正态 + 额外的分母不确定性"。

用大白话重讲一遍整个故事：

1. 如果你知道总体波动 $\sigma$，那么 $(\bar{X}-\mu)/(\sigma/\sqrt{n})$ 服从标准正态——干净利落。
2. 但现实中你不知道 $\sigma$，只能用 $S$ 替代。$S$ 是估出来的，有时偏大有时偏小——这让分母不再是一个确定的数，而是一个随机变量。
3. 这层"分母的随机性"刚好可以表示成 $\sqrt{\chi^2/\text{自由度}}$ 的形式。
4. 于是整个式子变成"标准正态 / $\sqrt{\text{卡方}/\text{自由度}}$"——这就是 t 分布的定义。
5. 样本量 $n$ 越大，$S$ 估得越准，分母越稳定，t 分布越接近正态。

t 分布的形状和标准正态很像（对称、钟形），但尾巴更厚——这意味着极端值出现的概率更大。这层"厚度"就是对你"不知道 $\sigma$"的惩罚——你因为信息不足，判断必须更保守。

⑤ 易错边界

⚠️ 第1坑：$n < 30$ 时 t 和正态差异大，不能混用！

当样本量很小（$n < 30$）时，t 分布的尾部明显比正态厚。比如 $n=5$ 时，t 分布 95% 的分位数大约是 2.571，而正态是 1.96——差了约 30%！如果你在小样本时错用正态分布，会严重低估不确定性，置信区间偏窄，结论不可靠。

$n \geq 30$ 时才可以用正态近似替代 t 分布。

⚠️ 第2坑：t 分布的自由度来自 $S^2$ 中卡方的自由度！

实际使用中，t 分布的自由度通常等于 $n-1$（样本量减1），因为 $S^2$ 对应的卡方自由度是 $n-1$。不是 $n$！ 很多人顺手写成 $t(n)$——这在"纯数学定义"中是对的（定义里分母卡方自由度就是 $n$），但在实际应用（抽样分布定理结论③）中，自由度是 $n-1$。

关键区分：t 分布的定义是 $T = Z/\sqrt{V/n} \sim t(n)$，这里的 $n$ 就是分母卡方 $V$ 的自由度。但实际使用时，$V$ 来自 $(n-1)S^2/\sigma^2 \sim \chi^2(n-1)$，所以自由度是 $n-1$。

⚠️ 第3坑：t 分布是对称的，但方差大于1！

t 分布的均值是 0（$n > 1$ 时），图形关于 0 对称——和标准正态一样。但 t 分布的方差是 $n/(n-2)$（$n>2$ 时），大于 1（标准正态方差=1）。这多余的方差就体现在"更厚的尾巴"上。

澄清：有人说"t 分布和标准正态形状一样，只是方差不同"——这不准确。t 分布和正态密度函数的形状不同（尾巴更厚、峰更矮），不仅仅是方差缩放了。

⑥ 在整条链中的位置

t 分布在三大分布中是"最常用的那个"——它连接了理论上的正态推断和实际中 $\sigma$ 未知的现实：

标准正态 N(0,1) ──┐
                  │  分子：标准正态
                  ├──▶ t 分布 t(n) ── n→∞ ──▶ 回到 N(0,1)
卡方 χ²(n)  ─────┘  分母：√(卡方/n)

• 往上追溯：t 分布需要"一个标准正态 + 一个独立卡方"——两者缺一不可。
• 往下延伸：$n \to \infty$ 时 t 分布退化为标准正态——你懂的越多（样本量越大），t 分布就越像一个普通的正态。
• 和 F 分布的关系：$T \sim t(n)$，则 $T^2 \sim F(1, n)$——t 分布的平方就是第一自由度为 1 的 F 分布。

🛑 停一下：已知总体正态，$\sigma^2$ 未知，抽 $n=16$ 的样本。问：$\frac{\bar{X}-\mu}{S/\sqrt{16}}$ 服从什么分布？自由度是多少？（答案：$t(15)$）

✍️ 立刻练一道：已知总体 $X \sim N(\mu, \sigma^2)$，$\sigma^2$ 未知，抽 $n=25$ 的样本。$\frac{\bar{X}-\mu}{S/\sqrt{25}}$ 服从什么分布？自由度？（答案：$t(24)$——自由度是 $n-1=24$，不是 $n=25$。）

第9题（⭐⭐中等）—— 非标准正态情况下构造 t 分布

📍 紧跟本节：t 分布（抽样分布定理结论③）——$\sigma$ 未知时推断均值

设 $X_1, X_2, \dots, X_9$ 是来自正态总体 $N(\mu, \sigma^2)$ 的简单随机样本，$\bar{X}$ 为样本均值，$S^2$ 为样本方差。

判断统计量 $T = \dfrac{\bar{X} - \mu}{S / 3}$ 服从什么分布，并写出自由度。

三、$F$ 分布

① 生活场景

🏭 你是一家工厂的质检主管，手下有两条生产线——A 线和 B 线，都生产同一种轴承。厂长问你："两条线的质量稳定性有没有差别？"

质量的"稳定性"就是方差——方差小意味着产品质量稳定（每个轴承大小差不多），方差大意味着质量忽好忽坏（有大有小）。

你从 A 线随机抽了 $n_1$ 个轴承，算出样本方差 $S_1^2$；从 B 线抽了 $n_2$ 个，算出 $S_2^2$。直觉告诉你：比较 $\frac{S_1^2}{S_2^2}$——如果两条线稳定性一样，比值应该接近 1；如果 A 线更不稳定，比值应该大于 1。

但问题来了：$S_1^2$ 和 $S_2^2$ 都只是"用样本来估计的方差"——它们本身也有随机波动。就算两条线的真实稳定性完全一样（$\sigma_1^2 = \sigma_2^2$），$S_1^2/S_2^2$ 也不会恰好等于 1——它可能因为抽样的随机性而偏大或偏小。

所以你需要一个"标尺"——到底 $S_1^2/S_2^2$ 大到什么程度，才能说"A 线确实不如 B 线稳定"（而不只是抽样运气不好）？这个标尺就是 F 分布。

② 正式陈述

设 $U \sim \chi^2(m)$，$V \sim \chi^2(n)$，且 $U$ 与 $V$ 相互独立，则：

$$\boxed{F = \frac{U/m}{V/n} \sim F(m, n)}$$

称 $F$ 服从自由度为 $(m, n)$ 的 F 分布（F-Distribution），记作 $F \sim F(m, n)$。

• $m$：第一自由度（分子自由度）——对应分子中卡方 $U$ 的自由度。
• $n$：第二自由度（分母自由度）——对应分母中卡方 $V$ 的自由度。
• 两个自由度的顺序不能颠倒！ $F(m, n) \neq F(n, m)$（除非 $m=n$）。

在比较两个方差时，$(n_1-1)S_1^2/\sigma_1^2 \sim \chi^2(n_1-1)$，$(n_2-1)S_2^2/\sigma_2^2 \sim \chi^2(n_2-1)$，于是：

$$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2} \sim F(n_1-1, n_2-1)$$

当 $\sigma_1^2 = \sigma_2^2$（两个总体波动程度相同）时，简化为 $S_1^2/S_2^2 \sim F(n_1-1, n_2-1)$。

③ 完整推导

🧠 第1步：为什么要"各自除以自由度"？

你可能会问：两个卡方直接相除 $U/V$ 不行吗？为什么要先除以各自的自由度？

关键在于"公平比较"。$U \sim \chi^2(m)$ 是 $m$ 个标准正态的平方和，$V \sim \chi^2(n)$ 是 $n$ 个标准正态的平方和。如果 $m \neq n$，两个卡方的"规模"不一样——$m$ 大的那个卡方期望值更大（$E[U]=m$，$E[V]=n$）。

如果不除以自由度，就算 $U$ 和 $V$ 来自完全相同的分布，$U/V$ 的比值也不会围绕 1 波动——它会围绕 $m/n$ 波动。除以自由度之后，$U/m$ 和 $V/n$ 的期望都是 1，比值围绕 1 波动——这才是"公平比较"。

大白话：A 厨师做了 10 道菜，B 厨师做了 8 道菜。你不能直接比两人盐量的"总方差"——A 做得多，总方差天然更大。你要把总方差除以做菜数量，变成"平均每道菜的方差"，然后再比。除以自由度就是这个"拉平到同等条件"的操作。

🧠 第2步：F 分布的形状——为什么是右偏的？

F 分布是两个正数相除的结果（分子和分母都是卡方除以自由度，都 > 0），所以 F 的取值范围是 $(0, +\infty)$——F 不可能为负。

F 分布的图形不对称（右偏），原因是：分子和分母都在波动，但分母出现在"分母"的位置。当分母偏小（$V/n$ 很小）时，整个比值会变得非常大——这是 F 分布右边拖长尾巴的原因。而当分母偏大时，比值变小，但最小值被 0 挡住（不能为负），所以左边不会拖长尾巴。

大白话：F 分布像是一个被"压扁"在 0 以上的山——左边被 0 这堵墙挡住，右边可以延伸很远（因为分母偶尔很小的话，比值可以很大）。所以 F 分布的图形不对称，右边有一条长尾巴。

🧠 第3步：两个自由度的含义和 F 的"双重身份"

F 分布有两个自由度 $(m, n)$，每个都有自己的含义：

• 分子自由度 $m$：分子中卡方包含了多少个独立标准正态变量的信息。$m$ 越大，分子越稳定（$\chi^2(m)/m$ 的方差 = $2/m$，$m$ 越大越集中）。
• 分母自由度 $n$：分母中卡方包含了多少个独立标准正态变量的信息。$n$ 越大，分母越稳定，整个比值越集中。

当 $m$ 和 $n$ 都很大时，分子和分母都趋近于 1，$F \to 1$——F 分布退化为集中在 1 附近的一个尖峰。

大白话：$m$ 是"分子的可靠程度"，$n$ 是"分母的可靠程度"。两者越大，你比较的结果越可靠——F 值越集中在 1 附近。如果其中一个很小，那个部分的"估不准"就会让整个 F 值剧烈波动。

🧠 第4步：F 分布和 t 分布的关系

若 $T \sim t(n)$，则 $T^2 \sim F(1, n)$。

为什么？因为 $T = Z/\sqrt{V/n}$（$Z \sim N(0,1)$，$V \sim \chi^2(n)$），平方后：

$$T^2 = \frac{Z^2}{V/n} = \frac{Z^2/1}{V/n}$$

$Z^2 \sim \chi^2(1)$，$V \sim \chi^2(n)$，这正是 $F(1, n)$ 的定义！

大白话：t 分布的平方就是 F 分布（分子自由度=1）。所以在某种意义上，t 分布是 F 分布的"平方根版本"——t 检验和 F 检验本质上是一家人。

④ 推导复盘

📝 F 分布就是"两个独立卡方（各自平均化）的比值"——专门用来比较两个方差的大小。

用大白话重讲整个故事：

1. 你有两组数据，各自算了一个样本方差 $S_1^2$ 和 $S_2^2$。
2. 每个样本方差都可以转化成卡方分布（结论④）：$(n-1)S^2/\sigma^2 \sim \chi^2(n-1)$。
3. 两个卡方各自除以自由度（拉平规模），再相除——得到的就是 F 分布。
4. 如果两个总体方差相等（$\sigma_1^2 = \sigma_2^2$），那么 $S_1^2/S_2^2 \sim F(n_1-1, n_2-1)$。
5. 比值接近 1 → 两个方差差不多；比值远离 1 → 两个方差有差异。

F 分布有两个自由度（分子 $m$、分母 $n$），顺序不能搞反——$F(m, n)$ 和 $F(n, m)$ 是完全不同的两个分布。取倒数时自由度也必须对调：$1/F(m,n) \sim F(n,m)$。

⑤ 易错边界

⚠️ 第1坑：两个自由度顺序不能颠倒！

$F(m, n)$ 中，第一个数 $m$ 永远是分子自由度，第二个数 $n$ 永远是分母自由度。

反例：$U \sim \chi^2(5)$，$V \sim \chi^2(8)$，$(U/5)/(V/8) \sim F(5, 8)$。如果把分子分母颠倒，$(V/8)/(U/5) \sim F(8, 5)$——这是两个不同的分布！

⚠️ 第2坑：取倒数后自由度必须对调！

若 $F \sim F(m, n)$，则 $1/F \sim F(n, m)$。不只是数字倒数，自由度的位置也要交换！

反例：$F \sim F(5, 10)$，$1/F \sim F(10, 5)$——不是 $F(5, 10)$！很多人忘了交换自由度，这是 F 分布最容易出错的点。

⚠️ 第3坑：$F > 0$ 永远成立！

F 是两个正数（卡方除以自由度）的比值，分子分母都 > 0，所以 F 永远 > 0。题目如果问"$P(F < 0)$"，答案是 0。

⚠️ 第4坑：F 分布不对称，不能用对称性公式！

正态分布和 t 分布关于 0 对称，有 $z_{1-\alpha} = -z_\alpha$ 和 $t_{1-\alpha} = -t_\alpha$。但 F 分布不对称（只在正半轴，右偏），不能用这个对称公式！

F 分布的下分位数和上分位数的关系是：$F_{1-\alpha}(m, n) = 1 / F_\alpha(n, m)$——取倒数 + 自由度对调。

⑥ 在整条链中的位置

F 分布是三大分布中最"高阶"的一个——它把两个卡方组合在一起：

标准正态 N(0,1) ──平方求和──▶ χ²(m) ──除以m──┐
                                                ├──▶ F(m,n) = (χ²(m)/m) / (χ²(n)/n)
标准正态 N(0,1) ──平方求和──▶ χ²(n) ──除以n──┘

                           t(n) ──平方──▶ F(1, n)

• 往上追溯：F 分布需要两个独立的卡方——每个卡方又来自标准正态的平方和。所以 F 分布的"祖宗"还是标准正态。
• 向下延伸：F 分布在方差分析（ANOVA）和回归分析中是最核心的工具——所有"比较多个方差"的操作都离不开 F 分布。第7章 1.17 的"两总体方差比"区间估计中，凡是涉及"比较两个总体方差"的题目都在用它。
• 和 t 分布的联系：$T \sim t(n) \Rightarrow T^2 \sim F(1, n)$——t 分布可以看作是 F 分布在分子自由度为 1 时的特殊情况。

🛑 停一下：如果你有 $U \sim \chi^2(5)$ 和 $V \sim \chi^2(8)$ 且独立，那么 $\frac{U/5}{V/8}$ 服从什么分布？如果把分子分母倒过来呢？（答案：$F(5,8)$；倒过来是 $F(8,5)$）

✍️ 立刻练一道：设 $T \sim t(10)$。$T^2$ 服从什么分布？（答案：$T^2 \sim F(1, 10)$——分子自由度 1，分母自由度 10，因为 $Z^2 \sim \chi^2(1)$，$Y \sim \chi^2(10)$。）

第10题（⭐⭐中等）—— F 分布与 t 分布的关系

📍 紧跟本节：F 分布与 t 分布的关系——$T^2 \sim F(1, n)$ 及其应用

（1）设 $T \sim t(n)$，证明 $T^2 \sim F(1, n)$。
（2）利用（1）的结论：已知 $t_{0.025}(10) = 2.228$，求 $F_{0.05}(1, 10)$。

第11题（⭐⭐⭐真题风格）—— F 分布与样本方差之比（综合）

📍 紧跟本节：F 分布（两总体补充结论）——两个样本方差之比服从 F 分布

设 $X_1, X_2, \dots, X_{n_1}$ 来自正态总体 $N(\mu_1, \sigma_1^2)$，$Y_1, Y_2, \dots, Y_{n_2}$ 来自正态总体 $N(\mu_2, \sigma_2^2)$，两样本相互独立。$S_1^2$ 和 $S_2^2$ 分别为两个样本的样本方差。

（1）推导：$\dfrac{S_1^2 / \sigma_1^2}{S_2^2 / \sigma_2^2}$ 服从什么分布？写出自由度。
（2）当 $\sigma_1^2 = \sigma_2^2$ 时，$\dfrac{S_1^2}{S_2^2}$ 服从什么分布？
（3）设 $n_1 = 13$，$n_2 = 9$。已知 $F_{0.05}(12, 8) = 3.28$，$F_{0.10}(12, 8) = 2.44$，求 $P\left(\dfrac{S_1^2}{S_2^2} < 2.85\right)$（假设 $\sigma_1^2 = \sigma_2^2$）。

三大分布速查表

1.7 分位数

先想一个场景："前10%的分数线"是怎么定的？

假设全班100人的数学考试成绩排好了。老师说"前10%线是90分"——意思是成绩高于90分的人占10%。这个90分就是一个"上0.1分位数"（$\alpha=0.1$）。

难在哪？ ——考试后我们"从数据里数"出90分很容易；可统计推断里常常反过来：知道分布、知道要截多少概率（比如$\alpha$），要找那个"分数线"落在哪。比如做区间估计时，你要找"让右侧概率=0.025 的那个 $z$ 值"。这个"分数线"就是分位数。

正式定义：对于给定的 $\alpha$（$0 < \alpha < 1$），满足：

$$\boxed{P(X > x_\alpha) = \alpha}$$

的点 $x_\alpha$ 称为随机变量 $X$ 的上 $\alpha$ 分位数（Upper $\alpha$ Quantile）。

换成人话：随机变量 $X$ 的取值，超过 $x_\alpha$ 的概率正好是 $\alpha$。

各分布的分位数记号

✍️ 立刻练一道：标准正态 $Z \sim N(0,1)$。$z_{0.05}$ 表示什么？（答案：满足 $P(Z > z_{0.05}) = 0.05$ 的那个点，即"右侧尾巴占 5% 的分数线"，查表 $z_{0.05} \approx 1.645$。）

分位数的对称性质和转换公式

（1）标准正态分布：由对称性，$z_{1-\alpha} = -z_\alpha$。

（2）t分布：同样关于0对称，$t_{1-\alpha}(n) = -t_\alpha(n)$。

（3）F分布：

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

特别注意：不仅取倒数，两个自由度也要互换！

下面这个推导你可能第一遍看不懂——不要紧，先记住结论：$F_{1-\alpha}(n_1,n_2)=1/F_\alpha(n_2,n_1)$（取倒数、换自由度）。推导过程较繁，先记结论即可。想挑战的话继续读：

第1步：回忆F分布的基本性质。如果 $F \sim F(n_1, n_2)$，那么取倒数后分布变成 $1/F \sim F(n_2, n_1)$——不仅数字倒过来，两个自由度的顺序也要交换。

第2步：写下上α分位数的定义。$F_\alpha(n_1, n_2)$ 的含义是：$P(F > F_\alpha(n_1, n_2)) = \alpha$。

第3步：把不等式 "$F >$ 某个数" 两边同时取倒数。取倒数会反转不等号的方向——比如 $5 > 3$，取倒数后变成 $1/5 < 1/3$。所以：$P(1/F < 1/F_\alpha(n_1, n_2)) = \alpha$。

第4步：把"小于"转成"大于"。因为总概率是1，$P(1/F > 1/F_\alpha(n_1, n_2)) = 1-\alpha$。而 $1/F \sim F(n_2, n_1)$，所以 $1/F_\alpha(n_1, n_2)$ 就是 $F(n_2, n_1)$ 分布的上 $(1-\alpha)$ 分位数，即 $F_{1-\alpha}(n_2, n_1)$。整理得 $F_{1-\alpha}(n_1, n_2) = \dfrac{1}{F_\alpha(n_2, n_1)}$。

✍️ 立刻练一道（对称/倒数关系）：
(1) 已知 $t_{0.05}(20) = 1.725$，求 $t_{0.95}(20)$。（答案：$t_{0.95}(20) = -t_{0.05}(20) = -1.725$，t分布关于0对称）
(2) 已知 $F_{0.025}(8, 6) = 5.60$，求 $F_{0.975}(6, 8)$。（答案：$F_{0.975}(6, 8) = 1/F_{0.025}(8, 6) = 1/5.60 \approx 0.1786$——取倒数 + 自由度互换）

第12题（⭐基础）—— 分位数的对称关系

📍 紧跟本节：分位数的对称性质与转换公式

（1）已知标准正态的上 0.05 分位数 $z_{0.05} = 1.645$。求 $z_{0.95}$。
（2）已知 $t_{0.025}(15) = 2.131$。求 $t_{0.975}(15)$。
（3）已知 $F_{0.05}(5, 10) = 3.33$。求 $F_{0.95}(10, 5)$。

1.8 抽样分布定理——四个核心结论

这是全章最重要的部分。四个结论必须全部掌握，它们是后续所有区间估计的基础。

阅读顺序说明：结论①先教你"已知总体波动程度时怎么推断均值"（最基本的情况）；结论②告诉你"样本均值和样本方差是分开打包、互不干扰的"（这是组合使用的基础）；结论③教你"不知道总体波动程度时怎么推断均值"（实际中最常用）；结论④教你"怎么推断总体的波动程度本身"。按这个顺序读，逻辑最顺。

先想一个困境：你到底会"用什么工具"回答开头的灯泡问题？

回到本章开头：你是质检员，抽了 64 个灯泡，平均寿命 1950 小时，厂长说平均寿命 2000 小时。你凭什么判断"1950 比 2000 低"是运气不好还是真的偏低？ 难在哪？——你得先知道"如果厂长的 2000 是真的，那 64 个灯泡的平均值会有多不稳定"。而这恰恰是前几节攒下的零件：1.5 节告诉你 $\bar{X}$ 怎么分布（结论①），1.5B 节告诉你 $S^2$ 怎么分布（结论④），1.6 节告诉你 t/F 这些"成品"长什么样（结论③）。本节就是把这四个零件装成一个工具箱——以后每道推断题，先按"已知/未知 σ、问均值/方差"挑一把用。

前提条件：设 $X_1, X_2, ..., X_n$ 是来自正态总体 $N(\mu, \sigma^2)$ 的简单随机样本，$\bar{X}$ 为样本均值，$S^2$ 为样本方差。

（注意：以下讨论的都是抽样前的情况——$\bar{X}$ 和 $S^2$ 是随机变量，所以它们有分布。一旦抽样完成变成具体数字，就没有"分布"可言了。）

结论①：样本均值的分布（已知σ，推断μ）

$$\boxed{\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)} \qquad \text{标准化：} \qquad \boxed{\frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \sim N(0, 1)}$$

📖 详细推导见 1.5 节（六段式完整展开）。核心逻辑：正态可加性 → $\bar{X}$ 也是正态 → 期望=$\mu$、方差=$\sigma^2/n$ → 标准化后得到标准正态。

生活比喻：反复抽很多次样，每次算一个平均身高——这些"平均身高"围绕真实平均身高 $\mu$ 形成一口钟。抽的人越多，这口钟越窄（越精确）。

条件：总体必须是正态分布；如果总体不是正态的，需要用 CLT 做近似（$n \geq 30$）。

用途：当 $\sigma^2$ 已知时，用这个结论对 $\mu$ 做区间估计。

结论②：样本均值与样本方差相互独立（组合使用的前提）

$$\boxed{\bar{X} \text{ 与 } S^2 \text{ 相互独立}}$$

这是四条结论中最"隐蔽"但最关键的一条。它不直接给你一个可查表的分布，但它保证了结论③可以合法地"拼装"出来。

生活比喻：假设你要做一道菜，需要"肉馅"和"蔬菜"两种食材。如果肉馅和蔬菜是分开包装的，你可以分别处理、然后按任意比例混合——很方便。但如果它们被搅在一起装进了一个袋子，你就没法单独称肉的重量了。$\bar{X}$ 和 $S^2$ 的独立性，就是保证"肉馅"和"蔬菜"是两个分开的袋子——你可以用 $\bar{X}$ 处理均值（结论①/③），用 $S^2$ 处理方差（结论④），互不干扰。

为什么是正态分布独有的？ 这不是理所当然的——事实上，只有正态分布才保证样本均值和样本方差独立。如果你抽样的总体是均匀分布或指数分布，$\bar{X}$ 和 $S^2$ 就不再独立了（算出来的 $\bar{X}$ 会影响 $S^2$ 的大小）。这个性质叫"Cochran定理"的推论——不要求掌握证明，但要记住：这是正态分布的特权。第7章区间估计用到的t分布和F分布能成立，都暗暗依赖了这个独立性。

直观理解（不严格，但帮助记忆）：$\bar{X}$ 描述数据的"位置"（大家都在哪儿），$S^2$ 描述数据的"形状"（大家散得多开）。在正态分布里，位置和形状恰好是"正交"的——知道位置不给你任何关于形状的信息，反之亦然。就像一张照片，知道照片的中心在哪（$\bar{X}$），不会告诉你照片里的东西聚得有多紧（$S^2$）。

条件：总体必须严格服从正态分布。如果不是正态分布，这个结论一般不成立。

用途：这个结论是"组合使用"的前提——结论③（t分布）的分子和分母分别涉及 $\bar{X}$ 和 $S^2$，只有它们独立才能拼出t分布的定义形式。

结论③：总体方差未知时——t分布上场（未知σ，推断μ——最常用！）

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

📖 详细推导见 1.6 节 t 分布（六段式完整展开）。这里只强调四个结论的"化学反应"——看它们是怎么拼出这个最重要结论的：

$$\underbrace{\frac{\bar{X} - \mu}{S/\sqrt{n}}}{\text{实际可算的统计量}} = \frac{\overbrace{(\bar{X} - \mu)/(\sigma/\sqrt{n})}^{\text{结论①：}N(0,1)}}{\sqrt{\underbrace{\frac{(n-1)S^2}{\sigma^2}}{\text{结论④：}\chi^2(n-1)} \Big/ (n-1)}} \sim t(n-1)$$

分子来自结论①（标准正态），分母的根号里来自结论④（卡方除以自由度），两者的独立性由结论②保证。三条结论凑在一起，刚好拼出t分布的定义！

生活比喻：结论①是"知道真实波动程度时的标配操作"（标准化成标准正态）。但现实中 $\sigma$ 是不知道的，只好用 $S$ 代替——这就像用一把刻度不准的尺子去量东西。$S$ 有时偏大、有时偏小，让分母多了一层随机波动。这层额外的不确定性让分布"变胖了"（t分布比正态尾巴更厚）。好消息是：我们知道它服从 $t(n-1)$，所以胖多少是精确可控的。

条件：总体必须是正态分布。

用途：这是实际中最常用的结论！因为 $\sigma^2$ 几乎总是未知的，做均值的区间估计时，默认就用t统计量。只有题目明确说"已知总体方差"时，才用结论①。

结论④：样本方差与卡方分布的关系（推断σ²）

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

📖 详细推导见 1.5B 节（六段式完整展开）。核心逻辑：如果 $\mu$ 已知 → $\sum(X_i-\mu)^2/\sigma^2 \sim \chi^2(n)$；$\mu$ 未知用 $\bar{X}$ 替代 → 离差平方和自由度降为 $n-1$ → $(n-1)S^2/\sigma^2 \sim \chi^2(n-1)$。

生活比喻：$S^2$ 衡量数据的"波动程度"，但经过除以 $\sigma^2$ 乘以 $(n-1)$ 的"汇率换算"后，变成了卡方分布——就像把外币换成人民币，然后就可以用同一张表来查了。

条件：总体必须严格服从正态分布。中心极限定理救不了这个结论。

关键提醒：

• 恒等式：$\sum(X_i - \bar{X})^2 = (n-1)S^2$（不需要乘系数，直接相等）
• 两步走：(1) 认出离差平方和 = $(n-1)S^2$；(2) 再除以 $\sigma^2$ 得到卡方
• 分子是 $(n-1)S^2$，不是 $nS^2$
• 自由度是 $n-1$，不是 $n$

用途：推断总体方差 $\sigma^2$ 的数学基础。

四个结论速查表

✍️ 立刻练一道（四结论认领）：下面每个统计量，对应哪个结论、什么分布？
(1) $\frac{\bar{X}-\mu}{\sigma/\sqrt{n}}$（σ 已知）→ 结论①，$N(0,1)$
(2) $\frac{(n-1)S^2}{\sigma^2}$ → 结论④，$\chi^2(n-1)$
(3) $\frac{\bar{X}-\mu}{S/\sqrt{n}}$（σ 未知）→ 结论③，$t(n-1)$
（判断口诀：分母是 $\sigma$ 还是 $S$？问的是均值还是方差？）

第13题（⭐⭐⭐真题风格）—— 分布判断题

📍 紧跟本节：四个抽样分布结论——把每个统计量和结论对号入座

设 $X_1, X_2, \dots, X_n$（$n \geq 2$）为来自正态总体 $N(\mu, \sigma^2)$ 的简单随机样本，$\bar{X}$ 为样本均值，$S^2$ 为样本方差。

判断下列统计量服从什么分布，写出分布名称及自由度。

（1）$\dfrac{X_1 - \mu}{\sigma}$
（2）$\dfrac{(n-1)S^2}{\sigma^2}$
（3）$\dfrac{\bar{X} - \mu}{S / \sqrt{n}}$
（4）$\dfrac{X_1 - X_2}{\sqrt{2}\sigma}$
（5）$\dfrac{(X_1 - \mu)^2}{\sigma^2} + \dfrac{(X_2 - \mu)^2}{\sigma^2}$

第14题（⭐⭐⭐真题风格）—— 两样本分组，综合构造 t 分布

📍 紧跟本节：四个结论的综合应用——多个统计量组合，拼出 t 分布

设 $X_1, X_2, \dots, X_9$ 是来自正态总体 $N(\mu, \sigma^2)$ 的简单随机样本。令：
$$Y_1 = \frac{1}{6}(X_1 + \cdots + X_6),\quad Y_2 = \frac{1}{3}(X_7 + X_8 + X_9)$$
$$S_2^2 = \frac{1}{2}\sum_{i=7}^{9}(X_i - Y_2)^2$$

（1）求 $Y_1 - Y_2$ 的分布（写出均值和方差）。
（2）判断 $\dfrac{\sqrt{2}(Y_1 - Y_2)}{S_2}$ 服从什么分布，写出自由度并给出完整推导过程。

第15题（⭐⭐⭐真题风格）—— 混合分布判断与概率计算（综合）

📍 紧跟本节：四个结论的串烧——从结论①④先各算一个，再拼出 t 分布

设 $X_1, X_2, \dots, X_9$ 是来自正态总体 $N(\mu, 16)$ 的简单随机样本，$\bar{X}$ 为样本均值，$S^2$ 为样本方差。

（1）写出 $\dfrac{3(\bar{X} - \mu)}{4}$ 服从的分布。
（2）写出 $\dfrac{8S^2}{16}$ 服从的分布，写出自由度。
（3）利用（1）（2）的结论，构造一个服从 $t(8)$ 分布的统计量。
（4）已知 $P(|T| < 2.306) = 0.95$ 对 $T \sim t(8)$ 成立，求 $P\left(-2.306 < \dfrac{\bar{X} - \mu}{S/3} < 2.306\right)$。

1.9 自由度统一理解

如果你在1.8已经理解了自由度为n-1的原因，1.9可以跳过不读——这里是用统一直觉把各处的自由度串起来，不会讲新东西。

学完本章，你会发现"自由度"这个词像幽灵一样反复出现：

• 卡方分布 $\chi^2(n)$：自由度n=独立标准正态变量的个数
• t分布 $t(n)$：自由度n=分母中卡方的自由度
• F分布 $F(n_1,n_2)$：两个自由度分别对应分子和分母的卡方自由度
• 结论④：$(n-1)S^2/\sigma^2 \sim \chi^2(n-1)$，自由度 $n-1$
• 结论③：$(\bar{X}-\mu)/(S/\sqrt{n}) \sim t(n-1)$，自由度 $n-1$

为什么总是 $n-1$？ 所有涉及 $S^2$ 的地方，自由度都从 $n$ 降到了 $n-1$。原因始终是同一个：$S^2$ 在计算时用 $\bar{X}$（样本均值）代替了 $\mu$（总体均值），而 $\bar{X}$ 本身是用样本数据算出来的——这个"代替"消耗了1个自由的信息。 就像你有 $n$ 个人的身高数据，你算出平均身高之后，只要知道其中 $n-1$ 个人的具体身高，最后一个人的身高就被"确定"了——它不再提供新信息。所以独立的有效信息只剩 $n-1$ 份。

一句话记住：自由度 = 独立信息的个数 = 数据量 − 被估计的参数个数。

② 题型与练习（讲练合一）

本章每个题型的配套练习已就近放在对应知识点后面（①核心知识区），学完知识点立刻就能练，不用再翻到章末。本节剩下的是每个题型的"识别特征"和"完整解题流程"——先抛题、再悟模板。

题型一：样本均值和样本方差的计算（⭐⭐⭐）

识别特征：看到题目里出现以下任何一种情况，就属于这种题型：

• 题目直接给出一组具体数据
• 题目给出了 Σxᵢ 和 Σxᵢ²，要求算 $\bar{X}$ 或 $S^2$
• 题目问"样本均值的期望是多少""样本方差的期望是多少"

关键词信号：样本均值 $\bar{X}$、样本方差 $S^2$、样本标准差 $S$、样本数据、观测值

先看一道题：从某总体中随机抽取5个样品，测得数据为：2, 3, 5, 7, 8。求样本均值 $\bar{X}$ 和样本方差 $S^2$。

看到这题，先别慌。难在哪？——你手头只有 5 个数字，要算出"中心"和"分散程度"两个数。第一小步没问题（加起来除以 5 就是均值），真正容易翻车的是方差：算完偏差平方和后，到底除以 $n=5$ 还是 $n-1=4$？（1.4 节已经讲过：用 $\bar{X}$ 代替 $\mu$ 让偏差偏小，必须除以 $n-1$ 才无偏。）

子类型（1）：已知原始数据

典型题目：从某总体中随机抽取5个样品，测得数据为：2, 3, 5, 7, 8。求样本均值 $\bar{X}$ 和样本方差 $S^2$。

第1步：n = 5（共5个数据）
第2步：X̄ = (2+3+5+7+8) ÷ 5 = 25 ÷ 5 = 5
第3步：偏差计算
  d₁ = 2−5 = −3
  d₂ = 3−5 = −2
  d₃ = 5−5 = 0
  d₄ = 7−5 = 2
  d₅ = 8−5 = 3
第4步：偏差平方和 = (−3)² + (−2)² + 0² + 2² + 3² = 9 + 4 + 0 + 4 + 9 = 26
第5步：S² = 26 ÷ (5−1) = 26 ÷ 4 = 6.5
第6步：S = √6.5 ≈ 2.55

答案：X̄ = 5，S² = 6.5，S ≈ 2.55

子类型（2）：已知 Σxᵢ 和 Σxᵢ²（快捷公式）

当题目不给原始数据，只给总和与平方和时，用快捷公式可以避免先算 $\bar{X}$ 再算偏差的麻烦。

快捷公式：
$$S^2 = \frac{1}{n-1}\left[\sum_{i=1}^{n} X_i^2 - \frac{1}{n}\left(\sum_{i=1}^{n} X_i\right)^2\right]$$

（这个公式的"发现过程"在 1.4 节——把 $\sum X_i = n\bar{X}$ 代进 $S^2$ 的定义式展开就得到它。这里的配套练习第2题也放在 1.4 节。）

典型题目：从某总体中抽取 n=10 的样本，已知 Σxᵢ = 200，Σxᵢ² = 4500。求 $\bar{X}$ 和 $S^2$。

第1步：n = 10
第2步：X̄ = Σxᵢ ÷ n = 200 ÷ 10 = 20
第3步：用快捷公式
  S² = [4500 - (200)²/10] ÷ (10−1)
     = [4500 - 40000/10] ÷ 9
     = [4500 - 4000] ÷ 9
     = 500 ÷ 9 ≈ 55.56

答案：X̄ = 20，S² = 500/9 ≈ 55.56

子类型（3）：已知总体参数，求统计量的期望和方差

这类题目不要求具体算出一个数值，而是问"样本均值的期望等于什么""样本方差的方差等于什么"。需要记住以下公式：

典型题目：设总体 $X \sim N(10, 4)$，从中抽取容量为 n=25 的样本。求 (1) $\bar{X}$ 的期望和方差；(2) $S^2$ 的期望。

已知：μ = 10，σ² = 4，n = 25

(1) X̄ 的期望和方差：
  E(X̄) = μ = 10
  D(X̄) = σ²/n = 4/25 = 0.16
  所以 X̄ ~ N(10, 0.16)

(2) S² 的期望：
  E(S²) = σ² = 4

答案：(1) E(X̄)=10, D(X̄)=0.16；(2) E(S²)=4

🔍 回头看看，我们刚才到底做了什么？ 从子类型（1）到（3），不管题目怎么变，操作都是同一套：先数出 $n$，再算 $\bar{X}$，再算偏差平方和，最后除以 $n-1$；子类型（2）只是把"算偏差"换成"用 $\sum X_i^2 - (\sum X_i)^2/n$"免去列偏差；子类型（3）则是把"算数"换成"套期望方差公式 $E(\bar{X})=\mu,\ Var(\bar{X})=\sigma^2/n$"。

📌 以后就这么办（解题模板）：

第1步：数样本量 n —— 一共有几个数据？
第2步：求样本均值 X̄ = (所有数据之和) ÷ n
第3步：求每个数据与 X̄ 的偏差 dᵢ = Xᵢ − X̄
第4步：求偏差的平方和 Σ(Xᵢ − X̄)²
第5步：样本方差 S² = 第4步结果 ÷ (n−1)     ← ⚠️ 除以 n−1，不是 n！
第6步（如需要）：样本标准差 S = √(S²)

翻车现场：

1. 计算样本方差时习惯性地除以 $n$ 而不是 $n-1$——这是最常见的错误。
2. 快捷公式中，先算 $(\Sigma X_i)^2$ 再除以 $n$，顺序不能反。

🛑 途中停顿

趁热打铁，先问自己两个问题再往下做练习：

（1）样本方差的分母是 $n$ 还是 $n-1$？如果题目给出的是总体方差 $\sigma^2$，要你求"样本均值的方差"，公式是什么？

（2）快捷公式 $S^2 = \frac{1}{n-1}\left[\sum X_i^2 - \frac{1}{n}(\sum X_i)^2\right]$ 中，是先算 $(\sum X_i)^2$ 再除以 $n$，还是每个 $X_i$ 先除以 $n$ 再平方？想清楚为什么。

（答案在你自己心里过一遍就行——如果卡住了，翻回上面子类型（2）的公式推导再看一眼。）

📍 配套练习位置：本题型的三道题已就近放到 1.4 节——

• 第3题（给数据算 $\bar{X}$、$S^2$、$S$）→ 1.4 节"统计量（四）"末尾
• 第1题（已知总体参数求期望方差）→ 1.4 节"统计量（二）样本均值"末尾
• 第2题（已知 $\sum x_i$ 和 $\sum x_i^2$ 用快捷公式）→ 1.4 节"统计量（三）样本方差"末尾（快捷公式下方）

题型二：三大抽样分布的判断（⭐⭐⭐）

识别特征：题目里出现一组独立正态变量、它们的平方和、比值，问题问"服从什么分布"或"下列统计量服从什么分布"。

关键词信号：$\chi^2$ 分布、$t$ 分布、$F$ 分布、自由度、服从什么分布、判断分布

先看一道题（2012年数学三真题）：设 $X_1, X_2, X_3, X_4$ 为来自总体 $N(1, \sigma^2)$（$\sigma > 0$）的简单随机样本，则统计量 $\dfrac{X_1 - X_2}{|X_3 + X_4 - 2|}$ 的分布为（ ）

A. N(0,1)　　B. t(1)　　C. $\chi^2$(1)　　D. F(1,1)

看到这题，先别慌。难在哪？——这个统计量分子分母都"不标准"：分子是 $X_1 - X_2$（不是标准正态），分母带着绝对值（不是现成的平方和）。怎么判断？别急着找现成分布，先干两件事：一、把不标准的变量标准化；二、把复杂的式子往"卡方/t/F 的定义形状"上凑。 下面三个子类型就是三大分布的三种"长相"，逐个认一遍（这道真题的完整解法见子类型（2））：

子类型（1）：直接给标准正态变量——构造 χ²

典型题目：设 $X_1, X_2, X_3$ 独立同分布于 $N(0,1)$，判断 $Y = X_1^2 + X_2^2 + X_3^2$ 服从什么分布。

Y 是三个独立的标准正态 N(0,1) 的平方和 → χ² 分布！
自由度 = 3（共3个独立标准正态变量）

答案：Y ~ χ²(3)

子类型（2）：出现 X̄ 和 S 混在一起——用抽样分布定理

典型题目（2012年数学三真题）：设 $X_1, X_2, X_3, X_4$ 为来自总体 $N(1, \sigma^2)$（$\sigma > 0$）的简单随机样本，则统计量 $\dfrac{X_1 - X_2}{|X_3 + X_4 - 2|}$ 的分布为（ ）

A. N(0,1)　　B. t(1)　　C. $\chi^2$(1)　　D. F(1,1)

第1步：分析分子 X₁ − X₂
  X₁ − X₂ ~ N(0, 2σ²)
  标准化：Z₁ = (X₁−X₂) / √(2σ²) ~ N(0, 1)

第2步：分析分母 |X₃ + X₄ − 2|
  X₃+X₄ ~ N(2, 2σ²)
  标准化：Z₂ = (X₃+X₄−2) / √(2σ²) ~ N(0, 1)
  Z₁ 与 Z₂ 独立

第3步：重新表达
  原式 = (X₁−X₂) / |X₃+X₄−2| = (√(2σ²)·Z₁) / |√(2σ²)·Z₂| = Z₁ / |Z₂|

第4步：转化成 t 分布
  |Z₂| = √(Z₂²)，Z₂² ~ χ²(1)
  原式 = Z₁ / √(χ²(1) / 1) → 正是 t 分布的定义！

答案：B. t(1)

子类型（3）：F 分布的倒数关系和与 t 的关系

典型题目：设 $X \sim t(n)$，问 $X^2$ 服从什么分布？

因为 X ~ t(n)，根据定义：X = Z / √(Y/n)，其中 Z ~ N(0,1)，Y ~ χ²(n)。

则 X² = Z² / (Y/n) = (Z²/1) / (Y/n)
Z² ~ χ²(1)，Y ~ χ²(n)，两者独立

所以 X² ~ F(1, n)

答案：X² ~ F(1, n)

典型题目：设 $F \sim F(5, 10)$，问 $1/F$ 服从什么分布？

根据 F 分布的倒数性质：
如果 F ~ F(n₁, n₂)，则 1/F ~ F(n₂, n₁)

所以 1/F ~ F(10, 5)

注意：分子分母的自由度对调了！

🔍 回头看看，判断分布到底在做什么？ 三个子类型走完，规律浮出来了：先看统计量的"长相"——"几个 $N(0,1)$ 的平方和"→卡方；"$N(0,1)$ ÷ √(卡方/n)"→t；"(卡方₁/n₁)÷(卡方₂/n₂)"→F。长得不像就动手"整容"——不标准的先标准化，带绝对值/平方的往 $\sqrt{Z^2}$ 上凑。最后数自由度——卡方数独立标准正态的个数，t 看分母卡方自由度，F 两个自由度各看各的。

核心口诀（背下来）：

「正态方和卡方出，卡方相除变 F；若想得到 t 分布，一正一卡再相除。」

逐句解释：

• 第一句「正态方和卡方出」：把几个独立的标准正态分布变量各自平方，然后加起来，得到的就是 $\chi^2$（卡方）分布。
• 第二句「卡方相除变 F」：两个独立的卡方分布，各自除以自己的自由度，然后再相除，得到的就是 F 分布。
• 第三、四句「若想得到 t 分布，一正一卡再相除」：一个标准正态分布 ÷ 根号下（卡方分布 ÷ 自由度），得到的就是 t 分布。

📌 以后就这么办（判断流程图）：

第1步：观察统计量的"成分"是什么？
  ├── 是"几个 N(0,1) 的平方加起来"？ → χ² 分布！自由度 = 有几个独立标准正态变量
  ├── 是"N(0,1) ÷ 根号下(χ²/n)"？ → t 分布！自由度 = 分母中那个卡方的自由度
  └── 是"(χ²₁/n₁) ÷ (χ²₂/n₂)"？ → F 分布！自由度 = (分子卡方自由度, 分母卡方自由度)

第2步：确认自由度
  - χ²(n)：数一数有几个独立标准正态变量
  - t(n)：看分母的卡方自由度
  - F(n₁, n₂)：分别看分子和分母卡方的自由度

第3步（极易忽略！）：变量不标准时要先标准化！
  如果题目给的变量是 X ~ N(μ, σ²)（不是标准正态），
  需要先做变换：(X − μ) / σ 才会变成 N(0,1)，
  然后才能去构造 χ² 或 t 或 F 分布。

翻车现场：

1. 忘了标准化——看见 $X \sim N(\mu, \sigma^2)$ 就直接平方去构造 $\chi^2$，这是最致命的错误。必须先变成 $(X-\mu)/\sigma \sim N(0,1)$，然后才能平方。
2. 自由度数错了——$\chi^2$ 的自由度 = 有几个独立的标准正态变量，不是有几个原始变量。
3. F 分布的自由度顺序——$F(n_1, n_2)$ 中 $n_1$ 是分子自由度，$n_2$ 是分母自由度。倒数之后要互换。
4. t 分布的自由度——$t(n)$ 中的 $n$ 来自分母卡方的自由度，不是分子那个正态分布的什么参数。

三大分布的定义速查

$\chi^2$ 分布："标准正态的平方和"

定义：$X_1, X_2, \dots, X_n$ 独立同分布于 $N(0,1)$，则 $\chi^2 = X_1^2 + \cdots + X_n^2 \sim \chi^2(n)$。

重要性质：

• $E[\chi^2(n)] = n$，$D[\chi^2(n)] = 2n$
• 可加性：如果 $U \sim \chi^2(n_1)$，$V \sim \chi^2(n_2)$，且 U 与 V 独立，则 $U + V \sim \chi^2(n_1 + n_2)$

$t$ 分布："标准正态除以卡方的根"

定义：$X \sim N(0,1)$，$Y \sim \chi^2(n)$，且 X 与 Y 独立，则 $t = \dfrac{X}{\sqrt{Y/n}} \sim t(n)$。

重要性质：

• 图形关于 x=0 对称，形状像标准正态但"尾巴更厚"
• 当 $n \to \infty$ 时，$t(n)$ 趋近于 $N(0,1)$
• $t^2 \sim F(1, n)$

$F$ 分布："两个卡方各自除以自由度再相除"

定义：$U \sim \chi^2(n_1)$，$V \sim \chi^2(n_2)$，且 U 与 V 独立，则 $F = \dfrac{U / n_1}{V / n_2} \sim F(n_1, n_2)$。

重要性质：

• 如果 $F \sim F(n_1, n_2)$，则 $\dfrac{1}{F} \sim F(n_2, n_1)$（取倒数后自由度对调）
• 如果 $t \sim t(n)$，则 $t^2 \sim F(1, n)$

🛑 途中停顿

先停一下，用口诀检验自己：

（1）三大分布的构造口诀是什么？默念一遍：「正态方和卡方出，卡方相除变 F；若想得到 t 分布，一正一卡再相除。」

（2）如果题目给你一个 $X \sim N(3, 4)$，你能直接把它平方去构造 $\chi^2$ 吗？不能！要先做什么？

（3）$F(n_1, n_2)$ 取倒数变成什么分布？自由度怎么变？

（答案在脑中过一遍即可——如果任何一个卡住了，翻回上面翻车现场和三大分布定义速查再看一遍。）

📍 配套练习位置：本题型的五道题已就近放到 1.6/1.8 节——

• 第6题（独立标准正态的平方和→卡方）→ 1.6 节"一、$\chi^2$ 分布"（可加性下方）
• 第7题（两组样本标准化后相加→卡方可加性）→ 1.6 节"一、$\chi^2$ 分布"（第6题下方）
• 第9题（$\frac{\bar{X}-\mu}{S/3}$→t 分布）→ 1.6 节"二、$t$ 分布"末尾
• 第10题（$T^2 \sim F(1,n)$ 与分位数）→ 1.6 节"三、$F$ 分布"末尾
• 第13题（五个统计量逐一判断分布）→ 1.8 节末尾（四结论速查表下方）

题型三：抽样分布定理的应用（⭐⭐⭐⭐）

这是本章最核心、考试频率最高的题型。以下四个结论必须背到条件反射的程度。

识别特征：题目开头通常说**"设总体 $X \sim N(\mu, \sigma^2)$，$X_1, X_2, \dots, X_n$ 为来自该总体的简单随机样本"**，然后问某个统计量服从什么分布，或者求某个概率。

先看一道题：设总体 $X \sim N(100, 25)$，从中抽取容量 n=16 的样本。求样本均值 $\bar{X}$ 落在 (98, 103) 之间的概率。

看到这题，先别慌。难在哪？——你要求"$\bar{X}$ 落在某区间的概率"，可你只知道 $\bar{X} \sim N(100, 25/16)$，怎么算概率？关键是：把 $\bar{X}$ 标准化成 $Z$，然后查标准正态表。 下面四个子类型，就是四种最常考的场景；每个场景先抛题、再悟套路。

四个结论速查（解本章所有题目的"总工具箱"，每个结论的发现过程见 1.5/1.6/1.8 节）：

子类型（1）：已知 σ²，求样本均值落在某区间的概率

典型题目：设总体 $X \sim N(100, 25)$，从中抽取容量 n=16 的样本。求样本均值 $\bar{X}$ 落在 (98, 103) 之间的概率。

第1步：正态总体 ✓，μ = 100，σ² = 25，σ = 5，n = 16
第2步：σ² 已知 → 用结论①
第3步：(X̄ − μ) / (σ/√n) ~ N(0,1)，σ/√n = 5/√16 = 1.25

第4步：标准化
P(98 < X̄ < 103) = P((98−100)/1.25 < Z < (103−100)/1.25)
                 = P(−1.6 < Z < 2.4)

第5步：查标准正态分布表
= Φ(2.4) − Φ(−1.6) = Φ(2.4) − [1 − Φ(1.6)]
= 0.9918 − (1 − 0.9452) = 0.9918 − 0.0548 = 0.9370

答案：0.9370（约93.7%的概率）

翻车现场：

• 标准化时分母是 $\sigma/\sqrt{n}$，n越大这个分母越小，所以标准化后的Z值越大。很多人不小心除的是$\sigma$而不是$\sigma/\sqrt{n}$——这两个差了$\sqrt{n}$倍！
• 查正态分布表时注意：$\Phi(-x) = 1 - \Phi(x)$，这是对称性。

子类型（2）：未知 σ²，用 t 分布

典型题目：设总体 $X \sim N(\mu, \sigma^2)$，$\mu$ 和 $\sigma^2$ 均未知。从中抽取容量 n=10 的样本，测得 $\bar{X}=50$，$S=6$。这里只展示"构造统计量 → 判分布 → 查分位数"的思路；如何据此求出 $\mu$ 的范围（置信区间），完整做法见第7章 1.14 节。

💡 先打个招呼：求 $\mu$ 的范围（置信区间）的完整做法在第7章 1.14 节，这里只走思路的前三步：① 由结论③构造统计量 $T = \dfrac{\bar{X}-\mu}{S/\sqrt{n}}$；② 判断分布为 $t(n-1)=t(9)$；③ 查 t 分布表找双侧分位数 $t_{0.025}(9) \approx 2.262$。拿到分位数之后如何代入数值解出 $\mu$ 的范围，第7章 1.14 节系统讲。

第1步：σ² 未知 → 用结论③
第2步：构造统计量 T = (X̄ − μ) / (S/√n) ~ t(n−1) = t(9)
第3步：对于 95% 置信度，α = 0.05，查 t 分布表（双侧）：t_{0.025}(9) ≈ 2.262
（思路到此为止——如何用这个分位数代入数值解出 μ 的范围，见第7章 1.14 节）

翻车现场：

• 用的是 $S$ 而不是 $\sigma$！公式是 $S/\sqrt{n}$，不是 $\sigma/\sqrt{n}$。
• 查的是 t 分布表不是正态分布表！n 不大时 t 值和正态的 z 值差别明显。

子类型（3）：求样本方差的分布或相关概率

典型题目：设总体 $X \sim N(0, 4)$，从中抽取容量 n=16 的样本。求 $P(S^2 > 2.8)$。

第1步：σ² = 4，n = 16
第2步：涉及 S² → 用结论④
  (n−1)S² / σ² ~ χ²(n−1)
  即 15·S² / 4 ~ χ²(15)
第3步：P(S² > 2.8) = P(15·S²/4 > 15×2.8/4) = P(χ²(15) > 10.5)
第4步：查 χ² 分布表，自由度 = 15
  10.5 小于 χ²(15) 的期望14.34，所以概率略大于0.5
  查表得概率约在0.78左右

答案：约0.78

翻车现场：

• 公式是 $(n-1)S^2/\sigma^2 \sim \chi^2(n-1)$，不是 $nS^2/\sigma^2$！系数是 $n-1$。
• 自由度是 $n-1$，不是 $n$。

子类型（4）：涉及两个统计量组合的判断

典型题目：设 $X_1, X_2, \dots, X_9$ 来自正态总体 $N(\mu, \sigma^2)$。令
$$Y_1 = \frac{1}{6}(X_1 + \cdots + X_6), \quad Y_2 = \frac{1}{3}(X_7 + X_8 + X_9)$$
$$S^2 = \frac{1}{2}\sum_{i=7}^{9}(X_i - Y_2)^2$$
证明：$\dfrac{\sqrt{2}(Y_1 - Y_2)}{S} \sim t(2)$。

这是抽样分布定理的综合应用题。

第1步：分析 Y₁
  Y₁ 是 X₁~X₆ 的均值，n₁ = 6
  Y₁ ~ N(μ, σ²/6)

第2步：分析 Y₂
  Y₂ 是 X₇~X₉ 的均值，n₂ = 3
  Y₂ ~ N(μ, σ²/3)

第3步：分析 Y₁ − Y₂
  两组独立，Y₁−Y₂ ~ N(0, σ²/6 + σ²/3) = N(0, σ²/2)
  标准化：(Y₁−Y₂) / (σ/√2) ~ N(0, 1)   ...(A)

第4步：分析 S²
  S² 是 X₇, X₈, X₉ 的样本方差
  由结论④：(3−1)·S² / σ² = 2S²/σ² ~ χ²(2)   ...(B)
  由结论②，Y₂ 与 S² 独立。又 Y₁ 来自另一组独立样本，所以 Y₁−Y₂ 与 S² 也独立。

第5步：组合
  T = √2·(Y₁−Y₂) / S
    = [(Y₁−Y₂)/(σ/√2)] / √[(2S²/σ²)/2]
    = N(0,1) / √(χ²(2)/2)  ~ t(2)

答案：T ~ t(2)，得证。

两个正态总体的补充结论

考研数三近10年未直接考查，了解即可。 重点还是前面的四个单总体结论。

什么时候会用到两个总体？前面的四个结论都是针对"一个总体"的。但在实际问题和考试中，有时需要比较两个不同的总体。比如：A班和B班的平均分有没有差别？新工艺和旧工艺生产出来的零件精度是否一样？

生活比喻：前面你只量了一个班级的身高。现在你同时量了两个班级的身高，想比较哪个班更高、哪个班身高更参差不齐。这时你不能用一个人的数据分别推断两次——两个班的信息必须放在一起比较。

前提：$X_1, \dots, X_{n_1} \sim N(\mu_1, \sigma_1^2)$，$Y_1, \dots, Y_{n_2} \sim N(\mu_2, \sigma_2^2)$，且两样本独立。

其中 $S_w^2 = \dfrac{(n_1-1)S_1^2 + (n_2-1)S_2^2}{n_1+n_2-2}$ 是"合并样本方差"。

🛑 途中停顿

这是全章最核心的题型，先确认以下三点再往下做练习：

（1）四个抽样分布结论各是什么？闭眼默背一遍结论①到④的公式和自由度。

（2）结论①和结论③的核心区别是什么？什么时候用标准正态 $N(0,1)$，什么时候用 $t$ 分布？

（3）结论④中，分子是 $(n-1)S^2$ 还是 $nS^2$？自由度是 $n$ 还是 $n-1$？

（三问都想清楚了，再往下做题。有模糊的，翻回上面四个结论速查表和翻车现场重看。）

🔍 回头看看，这四种子类型到底在做什么？ 其实每一步都在回答三个问题：① 总体是正态的吗？（不是→结论全作废）；② σ² 已知还是未知？（决定用①的正态还是③的t）；③ 求的是 μ 还是 σ²？（求μ用①③，求σ²用④）。三个问题答完，公式自然就选好了——剩下的就是代入、标准化、查表。

📌 以后就这么办（解题模板）：

第1步：确认前提——总体是否服从正态分布？
  （考研数三中，几乎都直接说明"设总体服从正态分布"）

第2步：盘点已知条件
  ├── 总体方差 σ² 已知还是未知？
  ├── n 是多少？
  └── 题目问的是均值 μ 还是方差 σ²？

第3步：选公式
  ├── σ² 已知，问 μ → 结论①（标准正态 N(0,1)）
  ├── σ² 未知，问 μ → 结论③（t 分布）
  ├── 问 σ² 相关 → 结论④（χ² 分布）
  └── 涉及 X̄ 和 S² 同时出现 → 结论②（独立，可拆开处理）

第4步：代入数值，标准化/变换
第5步：写出分布形式
第6步（如需要）：进一步求概率 → 查表

📍 配套练习位置：本题型的六道题已就近放到各知识点——

• 第4题（结论①：已知方差求区间概率）→ 1.5 节末尾
• 第5题（结论④：$S^2$ 的分布与概率）→ 1.5B 节末尾
• 第8题（$\sum X_i^2$ 与 $S^2$ 的独立性判断）→ 1.6 节"一、$\chi^2$ 分布"（第7题下方）
• 第11题（两总体样本方差之比→F）→ 1.6 节"三、$F$ 分布"末尾（第10题下方）
• 第14题（两样本分组拼 t 分布）→ 1.8 节末尾（第13题下方）
• 第15题（四结论串烧 + 概率）→ 1.8 节末尾（第14题下方）

题型四：分位数的查表和计算（⭐⭐）

识别特征：题目里出现**"上 $\alpha$ 分位数""已知概率求临界值""求 $z_\alpha$"**，或者需要查表确定一个值。

先看一道题：已知 $F_{0.05}(5, 10) = 3.33$，求 $F_{0.95}(10, 5)$。

看到这题，先别慌。难在哪？——你手上只有"上 0.05 分位数"，却要"上 0.95 分位数"。这不是查表能直接解决的，得靠"对称/倒数"这类转换公式（1.7 节讲过）。这类题的套路就一句话：先确定查哪个分布的表，再看要上 α 还是下 α，最后用对称（正态/t）或倒数（F）把陌生的转化成熟悉的。 三个例题正好走一遍三种典型操作：

例题1（查表）：求 $z_{0.05}$（标准正态的上 0.05 分位数）。

z_{0.05} = 1.645

常见的标准正态分位数（建议记住）：
  z_{0.10} = 1.28
  z_{0.05} = 1.645
  z_{0.025} = 1.96
  z_{0.01} = 2.33

答案：z_{0.05} = 1.645

例题2（利用对称性）：已知 $t_{0.05}(10) = 1.812$，求 $t_{0.95}(10)$。

因为 t 分布关于 0 对称：t_{0.95}(10) = −t_{0.05}(10)

答案：t_{0.95}(10) = −1.812

例题3（F分布的倒数关系）：已知 $F_{0.05}(5, 10) = 3.33$，求 $F_{0.95}(10, 5)$。

利用 F 分布的倒数关系：
F_{0.95}(10, 5) = 1 / F_{0.05}(5, 10) = 1 / 3.33 ≈ 0.3003

注意：两个自由度也交换了位置！（5,10）变成了（10,5）

答案：F_{0.95}(10, 5) ≈ 0.30

🔍 回头看看，分位数转换靠什么？ 例题2 靠"正态/t 关于 0 对称"，所以 $x_{1-\alpha} = -x_\alpha$；例题3 靠"F 取倒数 + 自由度互换"，所以 $F_{1-\alpha}(n_1,n_2) = 1/F_\alpha(n_2,n_1)$。但卡方分布不对称，这两招对卡方都不适用——卡方只有一张表，上下分位数都得直接查。

📌 以后就这么办（解题模板）：

第1步：确定要查的是什么分布？
  ├── 正态分布（N(0,1)表）
  ├── t 分布（t 分布表）
  ├── χ² 分布（卡方分布表）
  └── F 分布（F 分布表）

第2步：确定分位数类型和 α 的值
  ├── 上α分位数 → 直接查表（右侧面积 = α）
  ├── 下α分位数 → 利用对称或倒数关系转化
  └── 双侧分位数 → 每侧面积 = α/2

第3步：根据自由度找到对应的行/列
第4步：如需要，利用转换公式
  ├── 正态/ t分布：z_{1−α} = −z_α，t_{1−α}(n) = −t_α(n)
  └── F分布：F_{1−α}(n₁,n₂) = 1 / F_α(n₂,n₁) —— 注意自由度对调！

翻车现场：

1. 正态和 t 分布是对称的，所以 $x_{1-\alpha} = -x_\alpha$。但 $\chi^2$ 分布不对称，这个公式不适用于卡方！
2. F 分布取倒数后自由度要交换！$F_{1-\alpha}(n_1,n_2) = 1/F_\alpha(n_2,n_1)$，不是 $1/F_\alpha(n_1,n_2)$。
3. 查 F 分布表时分子分母自由度别搞混。第一自由度对应分子，第二自由度对应分母。
4. $\chi^2$ 分布表中，$\alpha$ 值越小分位数越大（因为卡方的尾巴在右边），这点和正态/t 不同。

🛑 途中停顿

分位数最容易搞混的地方在这里，停一下：

（1）$z_{0.95}$ 等于什么？用 $z_{0.05}$ 怎么表示？（提示：正态分布对称）

（2）$F_{0.95}(10, 5)$ 用 $F_{0.05}(\square, \square)$ 怎么表示？注意自由度有没有交换？

（3）$\chi^2$ 分布能用 $x_{1-\alpha} = -x_\alpha$ 这个对称公式吗？为什么？

（想清楚再往下做题。混淆的地方翻回上面翻车现场。）

📍 配套练习位置：本题型的配套题 第12题（分位数的对称与倒数关系）已就近放到 1.7 节"分位数"末尾。

🧠 学完自测（4选择 + 2判断 + 4简答）

混搭全章知识点，先自己做再看答案。这些是学生最容易踩的坑。

选择题1：设 $X_1, X_2, X_3$ 独立同分布于 $N(0,1)$，则 $\frac{X_1}{\sqrt{(X_2^2+X_3^2)/2}}$ 服从什么分布？

A. $N(0,1)$　　B. $t(2)$　　C. $\chi^2(2)$　　D. $F(1,2)$

选择题2：设总体 $X \sim N(\mu, \sigma^2)$，$\sigma^2$ 未知，从中抽取n=25的样本。要推断$\mu$，应该用哪个结论？

A. 结论①（标准正态）　　B. 结论③（t分布）　　C. 结论④（卡方分布）　　D. 结论②（独立性）

选择题3：若 $F \sim F(5, 10)$，则 $1/F$ 服从什么分布？

A. $F(5, 10)$　　B. $F(10, 5)$　　C. $t(10)$　　D. $\chi^2(5)$

选择题4：样本方差 $S^2 = \frac{1}{n-1}\sum(X_i-\bar{X})^2$，其期望 $E(S^2)$ 等于什么？

A. $\sigma^2/n$　　B. $\sigma^2$　　C. $(n-1)\sigma^2/n$　　D. $\sigma$

判断题1：$\frac{1}{n}\sum_{i=1}^n (X_i - \bar{X})^2$ 是样本方差。

判断题2：卡方分布的可加性意味着：只要 $U$ 和 $V$ 都服从卡方分布，就有 $U+V$ 服从卡方分布。

简答题1：样本方差为什么要除以 $n-1$ 而不是 $n$？用n=1的极端情况解释。

简答题2：结论①和结论③的核心区别是什么？分别什么时候用？

简答题3：三大分布各用来解决什么问题？用一句话概括每个。

简答题4：若总体不是正态分布，本章的四个结论还成立吗？哪些能"挽救"？

③ 综合混搭练习

打乱题型，逼你自己判断用哪个方法。这四道题混合了本章的多个题型。

混搭1 🧪（质检场景：统计量计算 + t分布 + 概率）

某工厂生产电子元件，标称电阻值为100Ω。质检员随机抽取了10个元件进行检测，得到样本均值 $\bar{X} = 98.5\Omega$，样本标准差 $S = 3\Omega$。假设元件的电阻值服从正态分布。

💡 友情提示：第(3)问只需把 $\mu$ 满足的概率不等式写出来并代入数值——这正是子类型(2)展示的"构造统计量+判分布+查分位数"的延伸。从概率式解出 $\mu$ 的范围（置信区间）留给第7章 1.14 节。卡住了的话，此题可以先跳过。

(1) 工厂声称真实均值 $\mu = 100\Omega$。构造一个包含 $\bar{X}$、$\mu$、$S$ 和 $n$ 的统计量来判断这个声称是否合理。这个统计量服从什么分布？自由度是多少？

(2) 如果已知总体方差 $\sigma^2 = 9$（而不是用样本标准差 $S$），上面构造的统计量会发生什么变化？此时它服从什么分布？

(3) 已知 $P(|T| < 2.262) = 0.95$ 对 $T \sim t(9)$ 成立，其中 $T = \dfrac{\bar{X} - \mu}{S/\sqrt{n}}$。利用这个信息，写出 $\mu$ 满足的概率不等式，并代入具体数值。

混搭2 📊（两条生产线：F分布 + 倒数关系 + 概率）

某工厂有两条生产线A和B，都生产同一种轴承。从A线随机抽取 $n_1 = 6$ 个轴承，从B线随机抽取 $n_2 = 8$ 个轴承，测得其直径的样本方差分别为 $S_1^2 = 0.042$（平方毫米），$S_2^2 = 0.015$（平方毫米）。假设两条生产线的轴承直径都服从正态分布。

(1) 写出 $\dfrac{S_1^2 / \sigma_1^2}{S_2^2 / \sigma_2^2}$ 服从的分布，并写出两个自由度。

(2) 如果已知 $\sigma_1^2 = \sigma_2^2$（两条线波动程度相同），写出 $\dfrac{S_1^2}{S_2^2}$ 服从的分布。

(3) 已知 $F_{0.05}(5, 7) = 3.97$，求 $F_{0.95}(7, 5)$。

(4) 假设 $\sigma_1^2 = \sigma_2^2$，$\dfrac{S_1^2}{S_2^2} = \dfrac{0.042}{0.015} = 2.8$。这个比值落在 $F(5, 7)$ 分布的什么位置？（已知 $F_{0.10}(5, 7) = 2.88$，$F_{0.25}(5, 7) = 1.64$）

混搭3 🔄（组合统计量：卡方可加性 + t分布 + 独立性）

设 $X_1, X_2, \dots, X_5$ 是来自正态总体 $N(0, 1)$ 的简单随机样本，$Y_1, Y_2, Y_3, Y_4$ 是来自正态总体 $N(0, 4)$ 的简单随机样本，且两组样本相互独立。

(1) 令 $U = \sum_{i=1}^{5} X_i^2$，$V = \frac{1}{4}\sum_{j=1}^{4} Y_j^2$。$U$ 和 $V$ 分别服从什么分布？写出自由度和期望。

(2) 利用卡方可加性，$U + V$ 服从什么分布？

(3) 令 $W = \dfrac{X_1}{\sqrt{V/4}}$（其中 $V$ 来自(1)）。$W$ 服从什么分布？写出自由度。

(4) $W$ 和 $U$ 是否独立？为什么？

混搭4 🎯（场景综合：抽样分布定理 + t分布 + 分位数）

一项新教学方法的效果评估：随机抽取了 $n=16$ 名学生，记录他们在新教法下的考试成绩。假设成绩服从正态分布，总体均值为 $\mu$（未知），总体方差为 $\sigma^2$（未知）。样本均值为 $\bar{X} = 78$ 分，样本标准差为 $S = 8$ 分。

💡 友情提示：第(3)问是"把 t 分位数变成概率语言"的纯概率题，第(4)问是"区间宽度与样本量的关系"的纯代数题——它们用到的都是本章已学的结论③和分位数概念。卡住了可先跳过。

(1) 构造一个用于推断 $\mu$ 的统计量，它应该只用 $\bar{X}$、$S$、$n$ 和 $\mu$（不含 $\sigma$）。它服从什么分布？

(2) 如果传统教学法的平均成绩是 72 分。你怀疑新教法更好（$\mu > 72$）。在 $\mu = 72$ 的假设下，计算上面构造的统计量的值。

(3) 已知 $P(|T| < t_{0.025}(15)) = 0.95$，其中 $t_{0.025}(15) = 2.131$。利用第(2)问算出的 $T$ 值，判断 $|T|$ 是否落在 $(-2.131, 2.131)$ 之内，并说出这个事件对应的概率。

(4) 如果想要把置信区间的宽度缩小到原来的一半（精度翻倍），样本量需要增加到多少？（忽略 t 分位数变化的影响，假设 $n$ 较大时分位数近似不变）

🔄 回马枪1：条件概率 + 统计推断场景（回顾第1章）

第1章学条件概率时，我们只会算"已知A发生，B的概率是多少"。现在你学完了第6章，回头再看条件概率——它其实就是统计推断的"原始版本"。

某工厂有两条生产线：A线产量占全厂60%，B线占40%。A线生产的灯泡有5%是次品，B线有8%是次品。

(1) 随机抽一个灯泡，发现它是次品——它来自A线的概率是多少？
(2) 把这个问题和第6章的知识联系起来："随机抽一个灯泡是次品"相当于我们观察到了什么（样本）？"来自A线"相当于我们在推断什么（总体参数）？这个推断过程和第7章要讲的"参数估计"有什么相似之处？

🔄 回马枪2：正态分布 + 样本均值分布（回顾第2章）

第2章我们学了正态分布的概率计算。现在第6章告诉你：样本均值也服从正态分布。把两者串起来——这是一道"跨章节混合"的经典题。

设总体 $X \sim N(100, 25)$（均值为100，方差为25）。从中抽取容量 $n = 25$ 的样本。

(1) 第2章回顾：单个样品 $X_1$ 落在 $(95, 105)$ 之间的概率是多少？（用 $\Phi(1)=0.8413$）
(2) 第6章新知识：样本均值 $\bar{X}$ 落在 $(95, 105)$ 之间的概率是多少？
(3) 比较(1)和(2)的结果——为什么样本均值的概率远大于单个样品的概率？这说明"用平均值做判断"比"用单个数据做判断"有什么优势？

🔄 回马枪3：多维正态 + 卡方分布（回顾第3章）

第3章讲了多维随机变量的联合分布。第6章的三大分布（尤其是卡方和F）天然就是多维的——因为它们是"多个变量的平方和"或"比值"。回头看：卡方分布其实就是第3章"多维正态变量函数分布"的一个特例。

设 $Z_1, Z_2, Z_3$ 相互独立，都服从 $N(0, 1)$。

(1) 第3章回顾：$(Z_1, Z_2, Z_3)$ 的联合密度函数是什么形式？
(2) 第6章新知识：$Y = Z_1^2 + Z_2^2 + Z_3^2$ 服从什么分布？期望和方差各是多少？
(3) 追问：$Z_1^2$ 和 $Z_2^2 + Z_3^2$ 是否独立？如果 $Y_1 = Z_1^2 + Z_2^2$，$Y_2 = Z_2^2 + Z_3^2$，$Y_1$ 和 $Y_2$ 是否独立？为什么？

🔄 回马枪4：期望与方差性质 + 抽样分布（回顾第4章）

第4章学的期望和方差运算规则，在第6章全部用上了——$\bar{X}$ 的期望和方差、$S^2$ 的无偏性，全都依赖第4章的基本功。

设总体 $X$ 有 $E(X) = \mu$，$Var(X) = \sigma^2$。$X_1, X_2, X_3$ 是简单随机样本。

(1) 第4章回顾：求 $E(X_1 + X_2 + X_3)$ 和 $Var(X_1 + X_2 + X_3)$。用到了哪几条运算规则？
(2) 第6章延伸：利用(1)的结果，求 $E(\bar{X})$ 和 $Var(\bar{X})$（$n=3$）。
(3) 对比：下面三个人各自算了一个"平均值"，哪个才是正确的 $\bar{X}$？为什么？

• 甲：$\frac{X_1 + X_2}{3}$
• 乙：$\frac{X_1 + X_2 + X_3}{3}$
• 丙：$\frac{X_1 + 2X_2 + X_3}{4}$
• 甲和丙算出的"平均值"的期望各是多少？它们"瞄得准"吗（无偏吗）？

🔄 回马枪5：大数定律与中心极限定理（回顾第5章）

第5章告诉我们：n够大时，样本均值近似正态分布，且越来越集中在总体均值附近。第6章抽样分布定理结论①（正态总体下X̄精确正态）是第5章CLT在"总体本来就正态"时的特殊情况。回头看看两者的联系。

设总体 $X$ 服从均匀分布 $U(0, 10)$（注意：不是正态分布！）。

(1) 第5章回顾：当样本量 $n=50$ 时，样本均值 $\bar{X}$ 近似服从什么分布？写出均值和方差。（均匀分布 $U(0,10)$ 的方差 = $(10-0)^2/12 = 100/12$）
(2) 第6章对比：如果总体是正态分布 $N(5, 100/12)$（和均匀分布有相同的均值和方差），$n=50$ 时 $\bar{X}$ 精确服从什么分布？
(3) (1)和(2)的结论有什么不同？哪个是"近似成立"、哪个是"精确成立"？什么情况下两者几乎没区别？
(4) 如果 $n=5$（小样本），均匀分布总体下的 $\bar{X}$ 还能用正态近似吗？和正态总体下的结论有什么不同？

🎯 考试导航

四大抽样分布定理结论速查

三大分布的期望与方差速查

三大分布的判断口诀

正态方和卡方出，
卡方相除变 F；
若想得到 t 分布，
一正一卡再相除。

常见陷阱提醒清单

做题自检三步走

拿到任何一道本章的题，按下面三步检查：

1. 总体是正态的吗？ —— 如果不是，本章结论全部不能用！
2. $\sigma^2$ 已知还是未知？ —— 这决定你用结论①（正态）还是结论③（t 分布）。
3. 求的是 $\mu$ 还是 $\sigma^2$？ —— 求 $\mu$ 用①或③，求 $\sigma^2$ 用④。

💡 思考题

学完本章，试试不看笔记回答下面三道题——它们帮你检验自己是真的"懂了"还是只是"记住了"。

思考题1：为什么说"样本均值的分布"讨论的是抽样前的情况？如果已经抽完样、拿到了具体数字，X̄=5——这个"5"有分布吗？为什么我们从第7章开始做区间估计时，还要用本章的结论？

思考题2：如果总体不是正态分布，本章的四个结论还成立吗？哪些能"挽救"？

思考题3：有人说"自由度就是独立信息的个数"。在1.4节我们用"3个数字和为15"的例子说明自由度为2；在1.8节结论④我们又用"n=2的样本"推导了自由度为n-1。这两处说的"丢了一个自由度"是同一回事吗？本质原因是什么？

📋 自检清单

学完本章，你应该能回答下面这些问题。如果哪个答不上来，回到对应小节重新看。

• 总体和样本的区别是什么？为什么要抽样？
• 简单随机样本的两个条件是什么？每个条件的含义是什么？
• "独立同分布"（i.i.d.）是什么意思？
• 什么是"样本的二重性"？为什么统计量的分布讨论的是抽样前的情况？
• 什么是统计量？判断一个量是不是统计量的关键条件是什么？
• 样本均值的公式是什么？它的期望和方差各是多少？
• 样本方差的公式是什么？为什么分母是 $n-1$ 而不是 $n$？
• 样本方差 $S^2$ 和二阶中心矩 $B_2$ 的区别是什么？
• 样本标准差和样本方差的关系是什么？
• 样本 $k$ 阶原点矩和 $k$ 阶中心矩各是什么？一阶原点矩是什么？二阶中心矩呢？
• 当总体服从正态分布时，样本均值 $\bar{X}$ 服从什么分布？
• 卡方分布是怎样构造出来的？（独立标准正态的平方和）
• 卡方分布的期望和方差各是多少？可加性是什么意思？
• t分布是怎样构造出来的？（标准正态除以卡方除以自由度的平方根）
• t分布和标准正态分布的关系是什么？什么时候t分布趋近于正态分布？
• F分布是怎样构造出来的？（两个独立卡方除以各自自由度之比）
• 若 $F \sim F(n_1, n_2)$，$1/F$ 服从什么分布？自由度怎么变？
• 什么是上 $\alpha$ 分位数？$z_\alpha$、$t_\alpha(n)$、$\chi^2_\alpha(n)$、$F_\alpha(n_1, n_2)$ 分别表示什么？
• 正态总体下，$\frac{\bar{X} - \mu}{\sigma/\sqrt{n}}$ 服从什么分布？（结论①）
• 正态总体下，$\frac{\bar{X} - \mu}{S/\sqrt{n}}$ 服从什么分布？自由度是多少？（结论③）
• 正态总体下，$\frac{(n-1)S^2}{\sigma^2}$ 服从什么分布？自由度是多少？（结论④）
• 正态总体下，$\bar{X}$ 和 $S^2$ 是否相互独立？（结论②）
• 结论③和结论①的核心区别是什么？分别什么时候用？
• $F_{1-\alpha}(n_1, n_2)$ 和 $F_\alpha(n_2, n_1)$ 是什么关系？
• （思考题）如果总体不是正态分布，本章的四个结论还成立吗？如果不成立，有什么替代方案？
• 🧮 动手验证1：已知总体 $X \sim N(100, 25)$，抽n=16的样本。求 $\bar{X}$ 落在 99~101 的概率。（提示：$\sigma/\sqrt{n}=1.25$，标准化后查表，答案约0.576）
• 🧮 动手验证2：已知总体 $X \sim N(0, 4)$，抽n=10的样本，$S^2$为样本方差。构造一个服从 $\chi^2(9)$ 的统计量并写出表达式。
• 🧮 动手验证3：已知 $T = \dfrac{\bar{X}-\mu}{S/\sqrt{n}} \sim t(15)$，n=16，$\bar{X}=78$，$S=8$。写出 $\mu$ 满足的概率不等式（用 $P(|T| < t_{0.025}(15)) = 0.95$ 展开，不需要查t表，留$t_{0.025}(15)$在式子中即可）。

📐 学完回顾：本章推导链

闭上眼睛，在脑中顺着这张图走一遍——从"总体和样本"出发，一路走到F分布。每一条线都代表一个"怎么变过来的"逻辑。卡住了就说明那个环节还需要回头看一眼。

                            ┌──────────────────────────────────────────┐
                            │           第6章 数理统计基础              │
                            │         全部推导链 一张图看清             │
                            └──────────────────────────────────────────┘

  ┌─────────────────────────────────────────────────────────────────────────────┐
  │                        第一层：从总体到统计量                                │
  │                                                                             │
  │    总体 X ~ F(x)                                                             │
  │    （研究对象全体）                                                           │
  │        │                                                                     │
  │        │ 抽取 n 个，独立同分布（i.i.d.）                                      │
  │        ▼                                                                     │
  │    样本 X₁, X₂, ..., Xₙ                                                       │
  │    （抽样前→随机变量 / 抽样后→观测值 ← "二重性"）                              │
  │        │                                                                     │
  │        │ 加工压缩                                                             │
  │        ▼                                                                     │
  │    ┌──────────────────────────────────────────┐                              │
  │    │  统计量（不含未知参数的样本函数）          │                              │
  │    │  · X̄  = ΣXᵢ/n         样本均值（中心在哪）│                              │
  │    │  · S² = Σ(Xᵢ-X̄)²/(n-1) 样本方差（散得多开）│                             │
  │    │  · Aₖ = ΣXᵢᵏ/n         k阶原点矩          │                              │
  │    │  · Bₖ = Σ(Xᵢ-X̄)ᵏ/n     k阶中心矩          │                              │
  │    └──────────────────────────────────────────┘                              │
  └─────────────────────────────────────────────────────────────────────────────┘
                                        │
                                        │ 统计量也是随机变量→它们有分布！
                                        ▼
  ┌─────────────────────────────────────────────────────────────────────────────┐
  │                    第二层：三大分布——工具是怎么造出来的                       │
  │                                                                             │
  │  ┌─────────────────────────────────────────────────────────────────────┐    │
  │  │ 路线一：标准正态 → 卡方（χ²）                                        │    │
  │  │                                                                     │    │
  │  │   Z ~ N(0,1)                                                        │    │
  │  │     │  平方（正负号消掉，概率"折叠"到正半轴）                        │    │
  │  │     ▼                                                               │    │
  │  │   Z² ~ χ²(1)       ← 1个标准正态的"波动能量"                        │    │
  │  │     │  n个独立Zᵢ各自平方，求和                                       │    │
  │  │     ▼                                                               │    │
  │  │   ΣZᵢ² ~ χ²(n)     ← n份"波动能量"的总和                            │    │
  │  │     │  实际应用：用X̄替代μ（消耗1个自由度）                           │    │
  │  │     ▼                                                               │    │
  │  │   (n-1)S²/σ² ~ χ²(n-1)   ← 样本波动的标准化版本（结论④）            │    │
  │  └─────────────────────────────────────────────────────────────────────┘    │
  │                                                                             │
  │  ┌─────────────────────────────────────────────────────────────────────┐    │
  │  │ 路线二：标准正态 + 卡方 → t 分布                                     │    │
  │  │                                                                     │    │
  │  │   Z ~ N(0,1)          V ~ χ²(n)                                     │    │
  │  │     │                    │  除以自由度n（"拉平规模"）                 │    │
  │  │     │                    ▼                                           │    │
  │  │     │                 V/n                                            │    │
  │  │     │                    │  开根号                                   │    │
  │  │     │                    ▼                                           │    │
  │  │     └────────┬───────────┘                                           │    │
  │  │              │  相除                                                 │    │
  │  │              ▼                                                      │    │
  │  │     Z / √(V/n) ~ t(n)     ← t分布的定义                              │    │
  │  │              │  实际应用：Z=(X̄-μ)/(σ/√n)，V=(n-1)S²/σ²              │    │
  │  │              ▼                                                      │    │
  │  │     (X̄-μ)/(S/√n) ~ t(n-1)  ← 最常用的结论！（结论③）                │    │
  │  └─────────────────────────────────────────────────────────────────────┘    │
  │                                                                             │
  │  ┌─────────────────────────────────────────────────────────────────────┐    │
  │  │ 路线三：两个卡方 → F 分布                                            │    │
  │  │                                                                     │    │
  │  │   U ~ χ²(m)           V ~ χ²(n)                                     │    │
  │  │     │  除以m              │  除以n  （各自"平均化"）                  │    │
  │  │     ▼                    ▼                                           │    │
  │  │   U/m                  V/n                                           │    │
  │  │     │                    │                                           │    │
  │  │     └────────┬───────────┘                                           │    │
  │  │              │  相除                                                 │    │
  │  │              ▼                                                      │    │
  │  │     (U/m)/(V/n) ~ F(m,n)    ← F分布的定义                            │    │
  │  │              │  实际应用：两个样本方差比较                            │    │
  │  │              ▼                                                      │    │
  │  │     (S₁²/σ₁²)/(S₂²/σ₂²) ~ F(n₁-1, n₂-1)                            │    │
  │  └─────────────────────────────────────────────────────────────────────┘    │
  └─────────────────────────────────────────────────────────────────────────────┘
                                        │
                                        ▼
  ┌─────────────────────────────────────────────────────────────────────────────┐
  │              第三层：抽样分布定理——四个结论的"化学反应"                       │
  │                                                                             │
  │   ┌───────────────────────────────────────────────────────────────────┐     │
  │   │                                                                   │     │
  │   │   结论① X̄ ~ N(μ, σ²/n)                                            │     │
  │   │        │                    结论④ (n-1)S²/σ² ~ χ²(n-1)            │     │
  │   │        │                         │                                │     │
  │   │        │   结论② X̄ ⊥ S²         │                                │     │
  │   │        │   （独立性保证）         │                                │     │
  │   │        │       │                │                                │     │
  │   │        └───────┼────────────────┘                                │     │
  │   │                │  三条拼出 t 分布                                  │     │
  │   │                ▼                                                  │     │
  │   │   结论③ (X̄-μ)/(S/√n) ~ t(n-1)                                    │     │
  │   │                                                                   │     │
  │   │   分子来自结论①（标准正态），分母来自结论④（卡方），                │     │
  │   │   分子分母独立由结论②保证。三条凑一起 = t分布的定义。              │     │
  │   │                                                                   │     │
  │   └───────────────────────────────────────────────────────────────────┘     │
  │                                                                             │
  │   四个结论的分工：                                                           │
  │   · 已知 σ → 用①（标准正态）推断 μ                                          │
  │   · 未知 σ → 用③（t分布）推断 μ     ← 最常用！                              │
  │   · 推断 σ² → 用④（卡方）                                                   │
  │   · 组合使用 → ②（独立性）是前提                                            │
  └─────────────────────────────────────────────────────────────────────────────┘
                                        │
                                        ▼
  ┌─────────────────────────────────────────────────────────────────────────────┐
  │                    第四层：三大分布之间的关系                                 │
  │                                                                             │
  │                        标准正态 N(0,1)                                       │
  │                       /        \                                            │
  │                      /          \                                           │
  │               平方求和          作为分子                                     │
  │                    /                \                                        │
  │                   ▼                  \    ┌──────────────────┐              │
  │             卡方 χ²(n)               \   │ t(n)              │              │
  │             /        \                \  │  n→∞ 回到 N(0,1)  │              │
  │            /          \                \ │  T² ~ F(1,n)      │              │
  │     作为分母          两个卡方相除      \└──────────────────┘              │
  │          \               /              /                                   │
  │           \             /              /                                    │
  │            ▼           ▼              /                                     │
  │           t 分布    F 分布 ◄─────────┘                                      │
  │                                                                             │
  │   一句话关系：                                                               │
  │   · 卡方 = 标准正态平方和（地基）                                            │
  │   · t    = 标准正态 / √(卡方/n)  （最常用）                                  │
  │   · F    = (卡方₁/m) / (卡方₂/n)  （比较方差）                               │
  │   · T²   = F(1, n)               （t 和 F 本质上是一家人）                   │
  └─────────────────────────────────────────────────────────────────────────────┘

🔑 记忆锚点：整张图的起点是"标准正态分布"——它平方后变成卡方，卡方再经过不同的组合方式，生出了 t 分布和 F 分布。所以标准正态是"祖宗"，三大分布是"子孙"。学这一章，本质就是在学"标准正态的子孙们各有什么本事、什么时候该请哪位出场"。

本章通关标志：能够不看笔记，完整且正确地写出四个抽样分布定理的结论，并说出每个结论成立的条件和用途。如果做到了，恭喜——你已经掌握了第6章的核心！

🔗 章末过渡

本章讲完了。你现在手里有了四样工具：

• 结论①（标准正态）：已知总体波动程度时，用样本均值去猜总体均值
• 结论②（独立性）：保证上面几样工具可以"组合使用"而不打架
• 结论③（t分布）：不知道总体波动程度时，用样本均值去猜总体均值（最常用！）
• 结论④（卡方分布）：用样本波动程度去猜总体波动程度

再加上三大分布（χ²/t/F）和分位数的查表方法——你现在已经有了第7章需要的全部基础工具。

下一章（第7章）要讲"参数估计"——就是用本章的结论①和结论③，正式地去"猜"总体均值到底是多少。你会发现：点估计就是"用一个数字去猜"，区间估计就是"用一个范围去猜，还告诉你猜对的把握有多大"。本章的四个结论在下一章会变成日常工具——每一道题都在用。

现在你可以把本章当成一个工具箱，翻到第7章时随时回来查。