F分布的定义 (F-Distribution)
F分布 （F-Distribution）是统计学 中一种重要的连续型概率分布 ，它以英国统计学家Ronald Fisher 的名字命名。F分布主要应用于方差分析 （ANOVA）、回归分析 的显著性检验以及两个总体方差是否相等的检验（F检验）。该分布由 George W. Snedecor 为了纪念 Fisher 而正式提出，因此有时也称为Fisher-Snedecor分布 。
定义
F分布定义为两个独立的卡方分布 （Chi-squared Distribution）随机变量除以其各自自由度后的比值。具体而言，设 U ∼ χ 2 ( d 1 ) U \sim \chi^2(d_1) U ∼ χ 2 ( d 1 ) V ∼ χ 2 ( d 2 ) V \sim \chi^2(d_2) V ∼ χ 2 ( d 2 ) d 1 d_1 d 1 d 2 d_2 d 2
F = U / d 1 V / d 2 F = \frac{U / d_1}{V / d_2} F = V / d 2 U / d 1 服从自由度为 ( d 1 , d 2 ) (d_1, d_2) ( d 1 , d 2 ) F ∼ F ( d 1 , d 2 ) F \sim F(d_1, d_2) F ∼ F ( d 1 , d 2 ) d 1 d_1 d 1 分子自由度 （Numerator Degrees of Freedom），d 2 d_2 d 2 分母自由度 （Denominator Degrees of Freedom）。分子自由度和分母自由度的顺序至关重要，F ( d 1 , d 2 ) F(d_1, d_2) F ( d 1 , d 2 ) F ( d 2 , d 1 ) F(d_2, d_1) F ( d 2 , d 1 )
概率密度函数
F分布的概率密度函数（PDF）由以下公式给出：
f ( x ; d 1 , d 2 ) = ( d 1 x ) d 1 d 2 d 2 ( d 1 x + d 2 ) d 1 + d 2 x ⋅ B ( d 1 2 , d 2 2 ) , x ≥ 0 f(x; d_1, d_2) = \frac{\sqrt{\frac{(d_1 x)^{d_1} d_2^{d_2}}{(d_1 x + d_2)^{d_1 + d_2}}}}{x \cdot B\left(\frac{d_1}{2}, \frac{d_2}{2}\right)}, \quad x \geq 0 f ( x ; d 1 , d 2 ) = x ⋅ B ( 2 d 1 , 2 d 2 ) ( d 1 x + d 2 ) d 1 + d 2 ( d 1 x ) d 1 d 2 d 2 , x ≥ 0 其中 B ( ⋅ , ⋅ ) B(\cdot, \cdot) B ( ⋅ , ⋅ ) Beta函数 （Beta Function），定义为 B ( α , β ) = ∫ 0 1 t α − 1 ( 1 − t ) β − 1 d t B(\alpha, \beta) = \int_0^1 t^{\alpha-1}(1-t)^{\beta-1} dt B ( α , β ) = ∫ 0 1 t α − 1 ( 1 − t ) β − 1 d t
f ( x ; d 1 , d 2 ) = 1 B ( d 1 2 , d 2 2 ) ( d 1 d 2 ) d 1 / 2 x d 1 2 − 1 ( 1 + d 1 d 2 x ) − d 1 + d 2 2 , x ≥ 0 f(x; d_1, d_2) = \frac{1}{B\left(\frac{d_1}{2}, \frac{d_2}{2}\right)} \left(\frac{d_1}{d_2}\right)^{d_1/2} x^{\frac{d_1}{2} - 1} \left(1 + \frac{d_1}{d_2} x\right)^{-\frac{d_1 + d_2}{2}}, \quad x \geq 0 f ( x ; d 1 , d 2 ) = B ( 2 d 1 , 2 d 2 ) 1 ( d 2 d 1 ) d 1 /2 x 2 d 1 − 1 ( 1 + d 2 d 1 x ) − 2 d 1 + d 2 , x ≥ 0 累积分布函数
F分布的累积分布函数（CDF）可用正则化不完全Beta函数表示：
F ( x ; d 1 , d 2 ) = I d 1 x d 1 x + d 2 ( d 1 2 , d 2 2 ) F(x; d_1, d_2) = I_{\frac{d_1 x}{d_1 x + d_2}}\left(\frac{d_1}{2}, \frac{d_2}{2}\right) F ( x ; d 1 , d 2 ) = I d 1 x + d 2 d 1 x ( 2 d 1 , 2 d 2 ) 其中 I z ( α , β ) = B ( z ; α , β ) B ( α , β ) I_z(\alpha, \beta) = \frac{B(z; \alpha, \beta)}{B(\alpha, \beta)} I z ( α , β ) = B ( α , β ) B ( z ; α , β ) B ( z ; α , β ) = ∫ 0 z t α − 1 ( 1 − t ) β − 1 d t B(z; \alpha, \beta) = \int_0^z t^{\alpha-1}(1-t)^{\beta-1} dt B ( z ; α , β ) = ∫ 0 z t α − 1 ( 1 − t ) β − 1 d t
形状与性质
F分布具有以下重要性质：
非负性 ：F分布的定义域为 [ 0 , ∞ ) [0, \infty) [ 0 , ∞ ) 偏态性 ：F分布是右偏的（正偏态），其偏斜程度随分子自由度的增大而减小。渐近性质 ：当分母自由度 d 2 → ∞ d_2 \to \infty d 2 → ∞ d 1 F d_1 F d 1 F χ 2 ( d 1 ) \chi^2(d_1) χ 2 ( d 1 ) d 1 d_1 d 1 d 2 d_2 d 2 倒数性质 ：如果 X ∼ F ( d 1 , d 2 ) X \sim F(d_1, d_2) X ∼ F ( d 1 , d 2 ) 1 X ∼ F ( d 2 , d 1 ) \frac{1}{X} \sim F(d_2, d_1) X 1 ∼ F ( d 2 , d 1 ) 矩
F分布的矩存在条件与自由度有关。设 X ∼ F ( d 1 , d 2 ) X \sim F(d_1, d_2) X ∼ F ( d 1 , d 2 )
期望 （Mean）：
E [ X ] = d 2 d 2 − 2 , d 2 > 2 E[X] = \frac{d_2}{d_2 - 2}, \quad d_2 > 2 E [ X ] = d 2 − 2 d 2 , d 2 > 2 当 d 2 ≤ 2 d_2 \leq 2 d 2 ≤ 2
方差 （Variance）：
Var ( X ) = 2 d 2 2 ( d 1 + d 2 − 2 ) d 1 ( d 2 − 2 ) 2 ( d 2 − 4 ) , d 2 > 4 \text{Var}(X) = \frac{2 d_2^2 (d_1 + d_2 - 2)}{d_1 (d_2 - 2)^2 (d_2 - 4)}, \quad d_2 > 4 Var ( X ) = d 1 ( d 2 − 2 ) 2 ( d 2 − 4 ) 2 d 2 2 ( d 1 + d 2 − 2 ) , d 2 > 4 当 d 2 ≤ 4 d_2 \leq 4 d 2 ≤ 4
偏度 （Skewness）和峰度 （Kurtosis）的表达式较为复杂，但它们均随自由度的增大而减小。当 d 2 d_2 d 2
众数 （Mode）：当 d 1 > 2 d_1 > 2 d 1 > 2
Mode ( X ) = d 2 d 1 ⋅ d 1 − 2 d 2 + 2 \text{Mode}(X) = \frac{d_2}{d_1} \cdot \frac{d_1 - 2}{d_2 + 2} Mode ( X ) = d 1 d 2 ⋅ d 2 + 2 d 1 − 2 当 d 1 ≤ 2 d_1 \leq 2 d 1 ≤ 2 x = 0 x=0 x = 0
F分布与其他分布的关系
与卡方分布的关系
F分布直接由两个独立的卡方分布 变量构造而成。这种构造方式使得F分布可以视为卡方分布的一种设 T ∼ t ( k ) T \sim t(k) T ∼ t ( k ) k k k
T 2 ∼ F ( 1 , k ) T^2 \sim F(1, k) T 2 ∼ F ( 1 , k ) 即t分布随机变量的平方服从分子自由度为1、分母自由度为 k k k X ∼ F ( 1 , k ) X \sim F(1, k) X ∼ F ( 1 , k ) X ∼ t ( k ) \sqrt{X} \sim t(k) X ∼ t ( k )
应用
1. 方差分析（ANOVA）
F分布在方差分析中扮演核心角色。在单因素方差分析中，F统计量被构造为组间均方（Between-Group Mean Square）与组内均方（Within-Group Mean Square）的比值：
F = M S B M S W ∼ F ( k − 1 , n − k ) F = \frac{MS_B}{MS_W} \sim F(k-1, n-k) F = M S W M S B ∼ F ( k − 1 , n − k ) 其中 k k k n n n
2. 回归模型的整体显著性检验
在多元线性回归 中，F统计量用于检验整个回归模型是否显著，即所有自变量系数是否同时为零。F统计量的形式为：
F = ( S S R reg / k ) ( S S E / ( n − k − 1 ) ) ∼ F ( k , n − k − 1 ) F = \frac{(SSR_{\text{reg}} / k)}{(SSE / (n - k - 1))} \sim F(k, n - k - 1) F = ( SSE / ( n − k − 1 )) ( SS R reg / k ) ∼ F ( k , n − k − 1 ) 其中 S S R reg SSR_{\text{reg}} SS R reg S S E SSE SSE k k k
3. 方差齐性检验
F分布也可用于检验两个总体的方差是否相等（即方差齐性）。F统计量定义为两个样本方差的比值：
F = s 1 2 s 2 2 ∼ F ( n 1 − 1 , n 2 − 1 ) F = \frac{s_1^2}{s_2^2} \sim F(n_1 - 1, n_2 - 1) F = s 2 2 s 1 2 ∼ F ( n 1 − 1 , n 2 − 1 ) 其中 s 1 2 s_1^2 s 1 2 s 2 2 s_2^2 s 2 2 n 1 n_1 n 1 n 2 n_2 n 2
4. 部分F检验
在回归分析中，部分F检验（Partial F-test）用于比较两个嵌套模型（一个包含所有自变量，另一个限制部分系数为零）的拟合优度是否显著不同。它在模型选择中具有重要应用。
历史
F分布的发现和命名与两位统计学家密切相关。Ronald Fisher 在20世纪20年代发展方差分析方法时，首次推导出了F分布的核心理论。他最初使用的统计量称为"方差比"（Variance Ratio），并用 z z z z = 1 2 ln F z = \frac{1}{2}\ln F z = 2 1 ln F F F F Fisher-Snedecor分布 。
F分布的数学推导
F分布的推导基于卡方分布的加法性和独立性。假设 X 1 , … , X d 1 X_1, \dots, X_{d_1} X 1 , … , X d 1 Y 1 , … , Y d 2 Y_1, \dots, Y_{d_2} Y 1 , … , Y d 2 N ( 0 , 1 ) N(0,1) N ( 0 , 1 ) U = ∑ i = 1 d 1 X i 2 ∼ χ 2 ( d 1 ) U = \sum_{i=1}^{d_1} X_i^2 \sim \chi^2(d_1) U = ∑ i = 1 d 1 X i 2 ∼ χ 2 ( d 1 ) V = ∑ j = 1 d 2 Y j 2 ∼ χ 2 ( d 2 ) V = \sum_{j=1}^{d_2} Y_j^2 \sim \chi^2(d_2) V = ∑ j = 1 d 2 Y j 2 ∼ χ 2 ( d 2 ) F = U / d 1 V / d 2 F = \frac{U/d_1}{V/d_2} F = V / d 2 U / d 1 F ( d 1 , d 2 ) F(d_1, d_2) F ( d 1 , d 2 )
在方差分析的语境中，组间平方和的期望值在零假设下等于组内平方和的期望值乘以自由度的倒数，这使得它们的比值恰好服从F分布，从而为假设检验提供了坚实的理论基础。
注意事项
正态性假设 ：F检验作为参数检验，要求原始数据来自正态分布总体。当正态性假设被严重违反时，F检验的结果可能不可靠，此时应考虑非参数方法，如Kruskal-Wallis检验 （Kruskal-Wallis Test）。独立性假设 ：F检验要求样本观测是相互独立的。方差齐性假设 ：在方差分析中，F检验还假设各组的总体方差相等。若方差不齐，应使用Welch's ANOVA 等校正方法。单尾与双尾 ：F检验本质上是单尾检验（右尾），因为F统计量总是正值。当检验两个方差是否相等时，也可构造双尾检验，但通常将较大的方差放在分子位置，以保证F值大于1。