标准正态随机变量

标准正态随机变量 (Standard Normal Random Variable)

标准正态随机变量（Standard Normal Random Variable）是概率论与数理统计中最重要的连续型随机变量之一，指服从标准正态分布 $N(0, 1)$ 的随机变量，其均值为 0，方差为 1。通常记作 $Z \sim N(0, 1)$。标准正态随机变量是正态分布族的基准成员：任何一个具有均值 $\mu$ 和方差 $\sigma^2$ 的正态随机变量 $X \sim N(\mu, \sigma^2)$ 都可通过标准化变换 $Z = (X - \mu)/\sigma$ 转化为标准正态随机变量。这一性质使标准正态分布成为所有正态分布相关计算和推断的统一参照系。

概率密度函数与分布函数

标准正态随机变量 $Z$ 的概率密度函数（PDF）为：

该函数关于 $z = 0$ 对称，呈钟形曲线，在 $z = 0$ 处达到最大值 $\phi(0) = 1/\sqrt{2\pi} \approx 0.3989$，向两端指数衰减。其累积分布函数（CDF）记作 $\Phi(z)$，定义为：

$\Phi(z)$ 没有闭式解析表达式，实践中通过数值积分或查表获取其值。由于对称性，$\Phi(-z) = 1 - \Phi(z)$，仅需正半轴函数值即可覆盖全轴。常用的临界值：$\Phi(1.645) = 0.95$，$\Phi(1.96) = 0.975$，$\Phi(2.576) = 0.995$，这些值作为单侧或双侧检验中显著性水平 $\alpha = 0.05$ 或 $0.01$ 对应的临界值而频繁出现。

关键性质

标准化性质是标准正态随机变量的核心意义。若 $X_i$ 独立同分布且具有有限方差，则其样本均值在中心极限定理下标准化后收敛于标准正态分布。这一性质使统计推断在任意总体分布下大样本均可依赖正态近似进行。具体而言，对于来自均值为 $\mu$、方差为 $\sigma^2$ 的总体的独立同分布样本 $X_1, \ldots, X_n$，有：

矩的性质：标准正态随机变量的各阶矩有简洁表达式。奇数阶原点矩全部为零（$E[Z^{2k+1}] = 0$），偶数阶原点矩为 $E[Z^{2k}] = (2k-1)!! = (2k)!/(2^k k!)$。特别地，$E[Z^2] = 1$（方差），$E[Z^4] = 3$（峰度）。矩母函数为 $M_Z(t) = E[e^{tZ}] = e^{t^2/2}$，对所有实数 $t$ 收敛，这是正态分布在指数族中具有良好性质的体现。

统计推断中的应用

标准正态随机变量是构造多种检验统计量的基础。在Z检验中，当总体方差已知时，样本均值的检验统计量 $Z = (\bar{X} - \mu_0)/(\sigma/\sqrt{n})$ 在零假设下服从 $N(0, 1)$，据此可计算p值或与临界值比较做决策。在大样本环境中，许多检验统计量（例如Wald检验统计量、部分似然比统计量）在零假设下渐近服从标准正态分布或卡方分布。标准正态分布还与t分布密切相关：当自由度趋向无穷时，t 分布收敛于标准正态分布，这也是大样本下可用 Z 检验替代 t 检验的原因。