抽样分布定理

抽样分布定理 (Sampling Distribution Theorems)

抽样分布定理（Sampling Distribution Theorems）是数理统计和统计推断的基石。在统计学中很少能直接观测总体，通常通过获取样本来推断总体性质。抽样分布指从同一总体中多次重复抽取容量为n的样本时，某个统计量如样本均值 $\bar{X}$ 或样本方差 $S^2$ 所服从的概率分布。狭义上的抽样分布定理通常特指在正态总体假设下关于样本均值、样本方差及其相互关系的几个关键定理，构成了t检验、F检验和构建置信区间的数学基础。

正态总体下的三大核心定理

设定总体 $X \sim N(\mu, \sigma^2)$，抽取容量为n的简单随机样本 $X_1, \ldots, X_n$，各 $X_i$ 相互独立且与总体同分布，即 $X_i \sim N(\mu, \sigma^2)$。

定理一：样本均值的分布。样本均值 $\bar{X} = (1/n)\sum X_i$ 服从正态分布，$\bar{X} \sim N(\mu, \sigma^2/n)$，方差缩小为总体方差的 $1/n$ 倍。标准化后 $Z = (\bar{X} - \mu)/(\sigma/\sqrt{n}) \sim N(0, 1)$。当 $\sigma^2$ 已知时，该定理直接用于构造总体均值的Z检验和置信区间。当 $\sigma^2$ 未知时，由定理二和三补救。

定理二：样本方差的卡方分布。$(n-1)S^2/\sigma^2 \sim \chi^2(n-1)$，其中 $S^2 = \sum (X_i - \bar{X})^2/(n-1)$ 为无偏估计量。该统计量服从自由度为 $n-1$ 的卡方分布，因为在估计均值时消耗了一个自由度。

定理三：均值与方差的独立性。在正态总体下，$\bar{X}$ 与 $S^2$ 相互独立，这是正态分布特有的性质，一般分布下均值与方差并不独立。结合定理一和定理二，可构造t统计量 $t = (\bar{X} - \mu)/(S/\sqrt{n}) \sim t(n-1)$。t分布解决了总体方差未知时样本均值的推断问题，当n增大时t分布趋近于标准正态，小样本下需用t分布替代正态近似。

统计推断中的核心地位

正态分布、卡方分布、t分布与F分布共同构成经典统计推断的四大分布家族。F分布定义为两个独立卡方变量各除以其自由度之比，即 $F = (\chi_1^2/d_1)/(\chi_2^2/d_2)$。抽样分布定理为线性回归中的t检验和F检验、方差分析（ANOVA）和列联表分析提供了严格的概率基础。该定理将正态总体假设下的精确分布完整推导出来，使有限样本即小样本下的精确统计推断成为可能，补充了中心极限定理的渐近框架。抽样分布定理因其数学上的完备性和优雅性，为统计推断提供了最经典的理论范式。