询问该统计量服从的分布：已知为F(1,n)而非F(m,n)，求推导过程

先从F分布的核心定义入手，再结合你提到的“平方在求和式外部”的结构一步步拆解：

1. 明确F分布的核心定义 #

如果有两个独立的随机变量：

• $U \sim \chi^2(k)$（自由度为k的卡方分布）
• $V \sim \chi^2(m)$（自由度为m的卡方分布）

那么它们各自除以自由度后的比值服从F分布：
$$F = \frac{U/k}{V/m} \sim F(k, m)$$
我们的目标就是把你的统计量套进这个定义，解释为什么自由度是(1,n)。

2. 拆解“求和式外带平方”的分子项 #

假设你的统计量中，带平方的部分是一个标准化的正态线性组合（这是这类问题的典型前提，比如样本均值的标准化形式）：
比如设$X_1,X_2,...,X_m$是来自正态总体$N(\mu, \sigma^{2)$的独立样本，求和式$\sum_{i=1}}m X_i$可转化为样本均值的倍数：
$$\sum_{i=1}^m X_i = m\bar{X}$$
其中$\bar{X} \sim N(\mu, \sigma^2/m)$。将其标准化为标准正态分布：
$$Z = \frac{\bar{X} - \mu}{\sigma/\sqrt{m}} = \frac{\sum_{i=1}^m X_i - m\mu}{\sigma\sqrt{m}} \sim N(0,1)$$

根据卡方分布的定义：标准正态变量的平方服从自由度为1的卡方分布，即：
$$Z^2 = \left( \frac{\sum_{i=1}^m X_i - m\mu}{\sigma\sqrt{m}} \right)^2 \sim \chi^2(1)$$
这就是F分布定义里的$U$，自由度$k=1$。

3. 拆解统计量的分母项 #

假设你的统计量分母是自由度为n的卡方分布除以n（同样是这类问题的常见设定，比如独立正态样本平方和的标准化形式）：
比如设$Y_1,Y_2,...,Y_n$是来自$N(0, \sigma^2)$的独立样本，且与$X_i$完全独立，那么：
$$V = \frac{1}{\sigma^2}\sum_{j=1}n Y_j^2 \sim \chi^2(n)$$
这里的$V$就是F分布定义里的卡方变量，自由度$m=n$，分母部分即为$V/n$。

4. 组合得到F(1,n)分布 #

因为$Z^2$（$\chi2(1)$）和$V$（$\chi^2(n)$）相互独立，代入F分布的定义：
$$\frac{Z^2 / 1}{V / n} = \frac{\left( \frac{\sum_{i=1}^m X_i - m\mu}{\sigma\sqrt{m}} \right)^{2}{\frac{1}{n\sigma}2}\sum_{j=1}^n Y_j^2} \sim F(1,n)$$

化简后就是你提到的“平方在求和式外部”的统计量，它完全符合F(1,n)的结构——分子是自由度1的卡方除以1，分母是自由度n的卡方除以n，且两者独立。

内容的提问来源于stack exchange，提问作者Abhisekkkk