上周帮人复核一个A/B测试的结论样本量每组只有14个用户报告里写明差异显著Z值2.01超过1.96。我一看就知道判断依据用错了这类两样本比较的场景里自由度只有1395%双侧临界值应该是2.160而不是1.96。拿正态分布的临界值去给t分布的场景盖章等于人为把阈值往小了调得到的显著结论往往站不稳。这种错误我在业务报表和论文初稿里见过太多次根子不在计算工具而在对四个分布之间关系的理解是碎片化的。这也是今天想写透的主题数理统计四大分布——正态分布、卡方分布、学生t分布和F分布。它们不是教科书里四个互不相干的章节而是一条有血缘关系的构造链标准正态是源头卡方是标准正态平方和的产物t是把标准正态放上卡方分母后的形态F则是两个卡方之比。这篇文章不铺开复杂推导重点放在每个分布是怎么来的、密度曲线为什么长那样、自由度到底怎么理解以及做假设检验时怎么用才能不翻车。适合正在学数理统计但觉得公式记不住、查表总查反、软件输出P值却无法独立判断的读者。1. 家族树先立起来四个分布不是并列而是递进1.1 源头从标准正态分布的标准化说起标准正态分布记作N(0,1)是均值0、方差1的特殊正态分布。为什么统计世界里那么喜欢它因为任何N(μ,σ²)里的随机变量X做一次减法、一次除法——Z(X-μ)/σ——就能被归一到同一个刻度上。不同单位、不同量纲的数据一旦变成Z分数就落在同一个可比较的坐标系里查表、计算分位数、比较显著性都变得可行。这个标准化动作太基础以至于很多人忘了它是后来所有检验统计量的起点。检验样本均值是否等于某个已知值时样本均值的标准化量(x̄-μ)/(σ/√n)理论上会趋近N(0,1)。注意这里分母里的σ是总体标准差是一个现实中往往不知道的数字。所以现实操作中会遇到一个岔路如果σ已知Z统计量稳稳落在正态分布上如果σ未知只能拿样本标准差s去顶路径就从正态绕到了t分布。请先把标准化是否已知σ这个岔路口记在脑中后面所有细节都从这里长出来。1.2 卡方标准正态的平方和工厂卡方分布的构造用一个式子就能说清从N(0,1)里相互独立地抽n个变量Z₁,Z₂,…,Zₙ将它们分别平方后相加得到的统计量服从自由度n的卡方分布记为χ²(n)ΣZᵢ²。平方运算天然会把正负号消掉所有平方项都是非负的于是χ²取值被压在0和正无穷之间密度曲线呈现明显右偏。为什么方差的推断一定要靠卡方因为方差公式本身就是一个平方和结构。把每个样本值减去均值的平方加起来再经过自由度换算恰好就落在卡方分布上。你可以把卡方分布理解成平方和的概率管辖范围看到平方和、看到方差、看到拟合优度里的一堆偏差平方心里就该浮现卡方这个名字。自由度的数字含义在卡方这里也最清晰n个独立标准正态平方相加自由度就是n没有折扣。1.3 t和F真正做估计时才会浮现的两个复合体如果统计只停留在σ已知的上帝视角那四大分布只需要正态就够了。但现实推断里最缺的恰恰是σ于是t和F成了必需品。t分布的构造式为t(v)Z/√(χ²(v)/v)分子是一个标准正态变量分母是一个独立的卡方变量除以其自由度再开根号。分子承担信号分母承担基于样本对σ的估计误差。当自由度v变大分母逐步稳定到1附近t就回落到标准正态v很小时分母抖动剧烈尾巴就会明显变厚。F分布的构造式则是F(v₁,v₂)(χ²(v₁)/v₁)/(χ²(v₂)/v₂)是两个独立卡方变量各自除以自由度后的比。它不需要刻意引入正态变量做分子因为卡方本身已经隐藏了正态的平方信息。比较两个总体方差、做方差分析时统计量的构造绕不开这种比值。所以这四大分布的正确打开方式不是四张并列的表而是一棵家族树标准正态是祖先卡方由标准正态平方和生出t是把标准正态和卡方组合的混血F是卡方与卡方的比值。理解了这条链什么时候该用哪个分布这个问题就成功了一半。分布构造来源典型场景自由度N(0,1)对任意正态变量标准化Z检验、区间估计无χ²(n)n个独立标准正态平方和方差推断、列联表、拟合优度nt(v)Z / √(χ²(v)/v)均值检验σ未知时vF(v₁,v₂)(χ²(v₁)/v₁)/(χ²(v₂)/v₂)方差比较、ANOVAv₁与v₂2. 正态分布普及度最高但过度使用也很常见2.1 密度函数之外的三个关键事实正态分布的密度公式是f(x)1/(σ√(2π))·exp(-(x-μ)²/(2σ²))。但实战里真正需要记住的是三条经验事实。第一图形以μ为中心对称σ决定扩散程度第二经验法则落在μ±σ内的概率约68%落在μ±1.96σ内的概率约95%落在μ±3σ内的概率约99.7%第三独立正态变量的线性组合仍然正态——A组和B组均值差的分布只要两组各身为正态差值分布也还是正态。最后这条是A/B检验、双样本推断能顺畅展开的基础很多同学算标准误时没细想其实用的就是它。2.2 Z检验真正的适用前提σ已知而不是样本够大Z检验的统计量是Z√n(x̄-μ)/σ。这里的σ是总体标准差不是样本标准差s。教科书把Z检验放在前面讲因为它逻辑最简单但一到真实数据σ几乎都是未知的很多分析流程直接用s替代然后管结果叫Z值。严格来说这一步已经把分布从正态切换到了t只是样本量足够大时差异很小而已。不少人把30当成魔法数字n30就用Zn30才用t。30只是历史经验不代表一到31就自动进入正态世界。实际上t分布在自由度超过30之后与N(0,1)已经非常接近但拿1.96去替代2.04这类差异在边缘显著性案例里仍可能改变结论。我现在的处理习惯是只要总体标准差未知无论样本量多大都优先用t分布的参考值除非两种分布给出的临界值差不到0.01。这样能少很多不必要的争论。2.3 判断数据是否正态图形优先检验做补充做t检验前要不要做正态性检验我的答案是要做但别被P值绑架。Shapiro-Wilk检验在小样本下相对好用但样本量一旦到几百甚至上千它非常容易因为微小的偏度就给出p0.05然后你就陷入数据不满足正态性、又不能换非参数方法的尴尬。更稳妥的组合是画直方图和Q-Q图观察尾部有没有严重偏离看偏度、峰度是否处于可接受范围最后再用检验结果辅助参考。t检验本身对轻微偏离具有稳健性轻度非正态并不值得恐慌真正需要留意的是强重尾和极端离群值。3. 卡方分布自由度概念的第一课也是方差推断的隐形主角3.1 从平方和定义去理解卡方的形态变化χ²(n)ΣZᵢ²自由度n就是标准正态平方项的个数。n1时平方一个标准正态变量分布被压向0非常右偏n增加到10、30曲线慢慢变宽变对称。它的均值刚好等于n方差等于2n。这个均值-方差关系可以用来做粗略的数量级判断自由度5时均值是5但95%分位数已达11.07比均值大了一倍多自由度30时均值3095%分位数升到43.77。可见卡方分布不是围绕均值对称的往右的尾巴拖得相当长。自由度越大右偏程度越弱但方差随n同比例增长这个事实不变。3.2 自由度n-1为什么比n恰当用平均数锁死了信息来想样本方差除以n-1这个n-1让无数人困惑。直觉版本是当总体均值μ未知我们用x̄去估计μ于是Σ(xᵢ-x̄)中有一部分信息被x̄吃掉了。更具体地说给定了n个数的平均值我们其实只拥有n-1个自由变量因为只要确定其中n-1个数最后一个数就被平均数牢牢锁死。自变量的规模从n降到了n-1。由此得出(n-1)S²/σ²服从χ²(n-1)。这是总体方差区间估计的底层工具求置信区间时把(n-1)S²分别除以χ²分布的上分位数和下分位数注意方向——上分位数在分母时得到的是区间的下边界很多人在这一步把次序搞反结果置信区间完全算错。我建议初学阶段先打印分位数再做除法不要凭记忆一次成型。3.3 卡方检验的两大场景列联表与拟合优度卡方检验最常见的是列联表独立性检验。统计量χ²Σ(O-E)²/EO表示每个格子的观测频数E是在行列独立的假设下推算出的期望频数。自由度为(r-1)(c-1)因为每一行、每一列的合计固定后能够自由变化的格子数就是这个乘积。期望频数太小会让近似变差普遍的经验是最好所有期望频数都≥5否则考虑Fisher精确检验或合并类别。拟合优度检验是同一个思路的另一个面容。比如验证一个六面骰子是否均匀把360次投掷的结果分到6个格子每个格子的期望频数是60代入公式自由度就是类别数减1。如果还从数据中估计了其他参数自由度还要再扣掉估计参数的个数。很多做问卷和用户调研的分析师把卡方检验当黑箱工具但如果你能按公式手算一遍列联表的χ²就会理解为什么结果的解读必须回到观测与期望的距离上来。3.4 卡方分布的可加性方差世界的拼装术两个相互独立的卡方变量相加结果还是卡方变量且自由度直接相加。这条性质看起来只是数学事实实际中却经常在ANOVA和混合方差分析里充当底层引擎不同来源的平方和各自除以对应的σ²后相互独立且都服从卡方合计后的分布也就顺理成章写出来。做统计时如果看到平方和分解这个词通常是卡方分布可加性在背后起作用。4. 学生t分布小样本检验中更保守的真正理由4.1 分母的随机性才是胖尾巴的来源t分布的构造式t(v)Z/√(χ²(v)/v)。分子Z是一个标准正态变量信号本身没有额外波动但分母里的χ²(v)/v是用样本估计σ²时产生的波动项。每次生成一个t值分母可能略大于1也可能小于1。小于1会增加|t|于是比纯正态更容易出现极端值。自由度越小分母的估计就越不靠谱尾巴自然越胖。很多人以为小样本要用t检验是规则规定其实规则背后就是这条构造逻辑。t分布相当于是给正态分布加了一层估计误差保险用样本标准差代替总体标准差时多出来的不确定性已经在分布形状里替你付过账了。理解这一点后就不会再困惑为什么同一份数据用Z值判断显著换t值之后结论可能反转。4.2 单样本、配对与独立样本自由度各是几单样本t检验用于检验样本均值与某个已知参考值的差统计量t(x̄-μ₀)/(s/√n)自由度n-1。配对t检验没有那么神秘先让每个受试者自己和自己比得到一组差值然后对差值做单样本t检验。因此自由度等于配对数减1而不是两倍人数减1。配对设计能滤掉个体间的基底差异如果实验条件允许我会优先推荐配对设计。双独立样本t检验就复杂一些。等方差版本把两组的s²按自由度加权合并成一个合并方差自由度(n₁-1)(n₂-1)适合两组方差差异不大的情况。但现实中两组方差往往不一样于是Welch校正版本直接用两组各自的标准误构造统计量自由度按照Satterthwaite近似计算经常得到非整数。不少论文把自由度写成17、18这种整数从严谨角度讲如果计算出来是16.74写16.7或17都可以接受但更规范的做法是以软件输出为准。4.3 为什么我更愿意默认用Welch版本很多教科书讲完独立样本t检验后再加一句如果方差不齐可用Welch校正。现实是方差不齐才是常态。模拟研究表明样本量差异较大且方差差异较大时等方差t检验的第I类错误率可能明显偏离预设的0.05而Welch版本能较好地控制这个偏差当两组方差实际相等时Welch的统计功效损失又非常小。所以我的私人建议是双独立样本均值比较与其花时间先做方差齐性检验不如直接采用Welch版本。统计软件中不少默认输出就是Welch结果只是很多使用者没有意识到自己已经在用校正版了。5. F分布从方差比到方差分析的中间枢纽5.1 F统计量的定义与两个自由度F(v₁,v₂)(χ²(v₁)/v₁)/(χ²(v₂)/v₂)。分子是第一个卡方变量除以自由度分母是第二个卡方变量除以自由度。卡方只在非负轴取值所以F分布同样只有右侧尾部密度从0开始向右拖尾。使用F表时需要同时确定分子自由度和分母自由度先分子后分母。这个顺序在F检验中特别容易出错尤其是计算出F统计量后去查表时一个不留神就把临界值取错了。5.2 方差齐性检验F检验可以做但要留个心眼最直接的方差比较是Fs₁²/s₂²把较大方差放分子得到大于1的统计量再查对应单尾临界值。这种检验逻辑天然对正态性敏感只要两个总体稍微偏离正态F统计量的实际分布就会和理论F分布产生较大偏差。因此现代实践更推荐Levene检验或Brown-Forsythe检验它们把平方替换为绝对离差对重尾和离群值的抗性明显更好。如果你只是在做方差齐性预检F检验可以作为参考指标但不要让它成为唯一裁判尤其是样本量小时过度依赖F检验做方差齐性判定后续用等方差t检验就更容易翻车。5.3 t²F用来理解和自查的特殊关系一个非常有用的数学事实是服从t分布的自由度v的随机变量平方之后服从分子自由度为1、分母自由度为v的F分布即t²(v)F(1,v)。这带来两个实践收益。第一当ANOVA只有两个组时算出来的F值开平方应该等于从双样本t检验得到的t值符号不计这可以做跨方法的一致性复核。第二它帮你理解为什么双尾t检验和F检验在两组比较中是等价的。我在帮人复核统计结果时经常用这条关系快速判断软件输出的统计量到底是t还是F非常省时间。5.4 ANOVA表平方和、自由度、均方与F值如何串起来单因素方差分析的逻辑是拆解变异的来源。总变异被拆成组间变异和组内变异公式上对应总平方和组间平方和组内平方和。但平方和不能直接比较因为各自的自由度不同所以要做一步折算均方平方和/自由度。组间均方反映各组均值之间的系统性差异组内均方反映各组内部的自然波动。F统计量就是组间均方除以组内均方。若F值远超1且对应的P值很小说明组间差异不像是随机波动产生的。以单因素ANOVA为例组数为k每组样本量为n组间自由度为k-1组内自由度为k(n-1)总自由度为kn-1。报告的常规格式大致如下变异来源平方和自由度均方F组间SSBk-1SSB/(k-1)MSB/MSW组内SSWk(n-1)SSW/[k(n-1)]总变异SSTkn-1这个逻辑在报告写作时容易被误读F值很大只说明整体上有差异无法说明具体哪些组之间有差异。后续需要的事后多重比较如Tukey HSD是另一个话题但务必要记住F检验是整体先探路别一看到F显著就急着给出组与组的详细结论。6. 查表、代码与翻车现场那些让我复核到深夜的细节6.1 查表方向感先看分布再看单尾双尾翻统计附录表之前先问自己三个问题统计量服从什么分布需要左侧累积概率还是右侧尾部概率表里提供的是单尾还是双尾分位数比如标准正态表通常按左侧累积概率提供查95%双侧临界值时要找0.975对应的值得到1.96而很多t表和F表则直接按右尾α提供。不同教材排版不一查表前先看表头说明比什么都重要。6.2 单尾双尾判断业务场景里最容易含糊双尾检验适合只关心有没有差异的场景单尾检验则要求你在看数据之前基于理论或业务逻辑就明确只能往这个方向才算有效。很多业务方拿着数据过来说我们的指标就是更高用单尾没问题这属于数据驱动假设本质是在压缩临界值、放宽显著性标准。我的建议是没有十足的、事前确定的把握就用双尾。双尾更保守也让你在汇报时少被质疑你只是撞了个单尾的运气。6.3 自由度里的三个高频错误第一列联表自由度是(r-1)(c-1)2×2表是1不要误写为3。第二Welch t检验的自由度可能不是整数不要为了写整数而改变显著性结论。第三F检验用两个自由度先分子后分母别在查表或代码参数里把顺序弄反。自由度的本质是有效信息量只要始终围绕这个理解去记就不太容易把公式张冠李戴。6.4 用Python快速复核临界值减少对纸质表的依赖日常工作中我更习惯用SciPy直接算分位数既快又不容易查串行。下面是一段最常用的临界值计算代码标注了每个分布对应的分位数含义。from scipy import stats # 标准正态95%双侧临界值取0.975分位数 z_crit stats.norm.ppf(0.975) # 学生t自由度1395%双侧临界值 t_crit stats.t.ppf(0.975, df13) # 卡方自由度595%左侧累积分位数 chi2_crit stats.chi2.ppf(0.95, df5) # F分布分子自由度2、分母自由度2095%分位数 f_crit stats.f.ppf(0.95, dfn2, dfd20) print(z_crit, t_crit, chi2_crit, f_crit) # 1.959963984540054 2.1603686564610127 11.070497693516351 3.492828816298189输出里你能清楚看到同一个95%置信水平要求下不同分布给出了完全不同的临界值正态是1.96t(13)已经到了2.16卡方(5)是11.07F(2,20)是3.49。所以纯粹背临界值没有意义关键还是回到那棵家族树确认当前检验的统计量到底属于谁。我的习惯是处理数据前先手写一遍检验统计量的构造公式看分母里有没有样本估计量。如果分母里有s或者由s派生出的标准误就默认走t或F如果是平方和与自由度的比值就默认走卡方或F。这套判断流程比记忆一堆临界值耐用得多希望也能帮你少踩几次我踩过的坑。