正态分布（Normal disribuion）又名高斯分布（Gaussiandisribuion）若随机变量X服从一个数学期望为μ、方差为σ^2的高斯分布，记为N(μ，σ^2)其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。我们通常所说的标准正态分布是μ = 0,σ = 1的正态分布。
当μ=0σ=1时，正态分布就成为标准正态分布N（01)。概率密度函数为：

正态分布的密度函数的特点是：关于μ对称，并在μ处取最大值在正（负）无穷远处取值为0，在μ±σ处有拐点形状呈现中间高两边低，图像是一条位于x轴上方的钟形曲线

若n个相互独立的随机变量ξ?、ξ?、……、ξn ，均服从标准正态分布N（0,1）（也称独立同分布于标准囸态分布）则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为分布（chi-squaredisribuion）其中参数n称为自由度（通俗講，样本中独立或能自由变化的自变量的个数称为自由度），正如正态分布中均值或方差不同就是另一个正态分布一样自由度不同就昰另一个分布。记为 分布的均值为自由度 从卡方分布图可以看出：卡方分布在第一象限内，卡方值都是正值呈正偏态（右偏态），随著参数 n 的增大；卡方分布趋近于正态分布；随着自由度n的增大卡方分布向正无穷方向延伸（因为均值n越来越大），分布曲线也越来越低闊（因为方差2n越来越大）

首先要提一句u分布，正态分布（normal disribuion）是许多统计方法的理论基础正态分布的两个参数μ和σ决定了正态分布的位置和形态。为了应用方便，常将一般的正态变量X通过u变换[(X-μ)/σ]转化成标准正态变量u，以使原来各种形态的正态分布都转换为μ=0σ=1的标准囸态分布（sandard normaldisribuion）,亦称u分布。根据中心极限定理通过抽样模拟试验表明，在正态分布总体中以固定 n 抽取若干个样本时样本均数的分布仍服從正态分布，即N（μ，σ）。所以对样本均数的分布进行u变换，也可变换为标准正态分布N (0,1)
由于在实际工作中，往往σ(总体方差)是未知的常用s（样本方差）作为σ的估计值，为了与u变换区别，称为变换，统计量 值的分布称为分布。假设X服从标准正态分布N（0,1）Y服从卡方 （n）分布，那么Z=X/sqr(Y/n)的分布称为自由度为n的分布,记为 Z～(n)
可以看出，分布以0为中心左右对称的单峰分布；分布是一簇曲线，其形态变化与n（确切地说与自由度ν）大小有关。自由度ν越小分布曲线越低平；自由度ν越大，分布曲线越接近标准正态分布（u分布）曲线。

设X、Y为两个獨立的随机变量，X服从自由度为n的卡方分布Y服从自由度为m的卡方分布，这两个独立的卡方分布除以各自的自由度以后的比率服从F分布即：
F分布是一种非对称分布；它有两个自由度，即n-1和m-1相应的分布记为F（ n–1，m-1） n-1通常称为分子自由度， m-1通常称为分母自由度；F分布是一個以自由度（n-1）和（m-1）为参数的分布族不同的自由度决定了F 分布的形状。