Ch04 统计学 · 复习大纲 (考研/期末)¶
覆盖 5 节: 基础 → 描述性度量 → 抽样 → 假设检验 → 统计推断
本书定位: Ch04 是 Ch05 概率论的"应用层先导", 所有概率语言建立在 Kolmogorov 三公理之上, Ch05 进入测度论和分布族时直接引用本章母版。
承 Ch03: §03 抽样用正态近似 ⇒ Ch03 §04 Taylor 级数; §05 Fisher 信息矩阵 = Ch03 §05 Hessian 统计学对应; §05 估计理论用 Ch03 §05 优化。
跨章符号: λ (Ch03 乘子/Ch03 正则/Ch04 Poisson 率/Ch04 估计正则), α (显著性/回归系数), β (Type II/Beta 分布/回归系数) 必须每次出现时标注语境。
一、考点分级速览¶
两套标签: - 考频 (纵向): 🔴必考 / 🟡常考 / 🟢拓展 - 难度 (横向): 🟢入门 L1-L2 / 🟡进阶 L3-L4 / 🔴高阶 L5-L6 - ⭐: 主干外可跳过
| 考频 | 考点 | 说明 |
|---|---|---|
| 🔴必考 | K1 非负 + K2 规范化 + K3 可列可加 (Kolmogorov 三公理) · 期望 \(E[X]\) · 方差 \(\text{Var}(X)\) · 抽样分布与总体分布区分 · 样本均值 \(\bar X\) 性质 · CLT 中心极限定理 · p 值精确定义 · 第一/二类错误 (α/β) · 95% 置信区间 (z 分布) · 单/双侧 t 检验 · Bayes 公式 \(P(A\|B)=P(B\|A)P(A)/P(B)\) · 似然与极大似然估计 MLE · 抽样分布 χ²/t/F | 考研/期末核心命题池 |
| 🟡常考 | 中位数/分位数 · 偏度/峰度 · Bernoulli/Binomial/Normal 数字性质 · 协方差 Cov(X,Y) 与相关系数 ρ · 预测区间 (≠ CI) · Bonferroni 多重比较修正 · 大数定律 LLN · Bootstrap 重采样 (⭐) · 配对 t 检验 · 两样本 t 检验 | 中题量 |
| 🟢拓展 | Fisher 信息矩阵 \(I(\theta)\) (Ch03 Hessian 对应) · Cramér-Rao 下界 · UMVUE · 充分统计量 · 中心极限定理 Lindeberg-Feller 条件 · Cramér 分解 · 经验过程 · Bayesian 信用区间 (⭐) | 综合题 |
二、考点详解¶
🔴考点 1 · Kolmogorov 概率公理三件套 (Ch04 母版) — 难度 🟢 L1¶
母版出处:
zh/教辅/STATISTICS_AXIOMS_TEMPLATE.md
K1 非负性: \(\forall A, P(A) \ge 0\) - 大白话: 概率像长度, 不能为负 - 反例: P(A) = −0.3, 不合法
K2 规范化: \(P(\Omega) = 1\) - 大白话: 整个样本空间概率 = 1 (100%) - 反例: PMF p(1)=0.5, p(2)=0.3, 总和 0.8 ≠ 1, 不合法
K3 可列可加性: 互不相交 \(A_1, A_2, \ldots\) ⇒ \(P(\bigcup_i A_i) = \sum_i P(A_i)\) - 大白话: 互不相交事件可加 (无限个也行) - 反例: P(A)=0.6, P(B)=0.5, A∩B=∅, 但 P(A∪B)=0.8 ≠ 1.1, 不合法
派生定理 (从公理推, 不是独立公理): - 单点概率 ≤ 1: \(P(A) \le 1\) (K1+K2) - 补集公式: \(P(A^c) = 1-P(A)\) (K2+K3) - 互斥可加: A∩B=∅ ⇒ P(A∪B)=P(A)+P(B) (K3 n=2) - 容斥公式 (n=2): P(A∪B)=P(A)+P(B)−P(A∩B) - 不可能事件: P(∅)=0 (K2+K3)
易错: 把派生定理当公理写 — 三件套是公理, 其他都是定理/推论。
🔴考点 2 · 期望 \(E[X]\) — 难度 🟢 L1¶
- 离散: \(E[X] = \sum_x x\,p(x)\)
- 连续: \(E[X] = \int_{-\infty}^{\infty} x\,f(x)dx\)
- 数字锚点: 公平骰子 \(E[X] = \frac{1+2+3+4+5+6}{6} = 3.5\) (单步可验)
- 性质: \(E[aX+b]=aE[X]+b\) (线性, 不要求独立!)
- 反例陷阱: "期望 = 单次结果" ❌ — 期望是长期平均, 单次仍可能掷出 1 或 6
- 典型题型: 算期望; 算多变量期望; 用线性性简化
🔴考点 3 · 方差 \(\text{Var}(X)\) — 难度 🟢 L2¶
- 定义: \(\text{Var}(X) = E[(X-E[X])^2] = E[X^2]-(E[X])^2\) (后者易算)
- 数字锚点: 公平骰子 \(E[X^2]=\frac{91}{6}\), \((E[X])^2=12.25\), \(\text{Var}=\frac{35}{12}\approx2.92\)
- 标准差: \(\sigma=\sqrt{\text{Var}}\), 量纲回原变量
- 性质: \(\text{Var}(aX+b)=a^2\text{Var}(X)\) (常数平移不变, 缩放平方)
- 反例陷阱: 误以为 \(\text{Var}(X+Y)=\text{Var}(X)+\text{Var}(Y)\) — 仅独立时成立, 否则要加 \(2\text{Cov}(X,Y)\)
- 典型题型: 算方差; 判断独立性再用加性; 求 \(\sigma\) 给定阈值
🔴考点 4 · 抽样分布 vs 总体分布 — 难度 🟡 L2 (新风险点!)¶
| 项 | 总体分布 | 抽样分布 |
|---|---|---|
| 对象 | 单个观测 \(X\) | 统计量的分布 (e.g., \(\bar X\), \(\hat p\)) |
| 例子 | \(X \sim \text{Bernoulli}(p=0.3)\) | \(\bar X_{n=30} \sim N(0.3, 0.007)\) (由 CLT) |
| 参数依赖 | 描述单个观测 | 描述统计量的变异 (随样本变化) |
| 形状 | 通常固定 (如 Bernoulli 是离散 0/1) | \(\bar X\) 多为正态 (CLT) |
- 反例陷阱: "抽样分布 = 总体分布" ❌ — 这是 Ch04 唯一致命错, Ch05 LLN/CLT 和 Ch06 mini-batch SGD 都依赖此区分
- 典型题型: 给定 \(X\sim\) Poisson(λ), \(\bar X_{n=100}\) 分布?
🔴考点 5 · 样本均值 \(\bar X\) — 难度 🟡 L2¶
- 定义: \(\bar X = \frac{1}{n}\sum_{i=1}^n X_i\)
- 性质: \(E[\bar X]=\mu\), \(\text{Var}(\bar X)=\sigma^2/n\) (均值方差缩小 \(n\) 倍!)
- 数字锚点: 公平骰子 \(n=30\): \(E[\bar X]=3.5\), \(\text{Var}(\bar X)=\frac{35/12}{30}\approx0.097\), \(\sigma_{\bar X}\approx0.312\)
- 关键: \(\bar X\) 本身是随机变量 (因样本随机!), 不是固定的数
- 典型题型: 算 \(E[\bar X]\), \(\text{Var}(\bar X)\); 由 \(\bar X\) 估计 \(\mu\) 的精度
🔴考点 6 · CLT 中心极限定理 — 难度 🟡 L3¶
- 陈述: \(\bar X \xrightarrow{n\to\infty} \mathcal{N}\!\left(\mu,\ \frac{\sigma^2}{n}\right)\) (依分布收敛)
- 数字锚点: 均匀 \(U(0,1)\) 抽 \(n=30\), \(\mu=0.5\), \(\sigma^2=1/12\), \(\sigma_{\bar X}\approx0.0527\); 10000 次模拟实测 \(\approx 0.0527\) ✓
- 关键: 收敛是依分布 (\(\xrightarrow{d}\)), 不是几乎必然 (LLN 才是几乎必然)
- 前置: Ch03 §04 Taylor 展开 (CLT 的工程近似依赖正态近似的合理性)
- 典型题型: 给分布, 算 \(\bar X\) 的近似分布; 模拟验证
- 数字陷阱: 误用 \(\sigma\) 而非 \(\sigma/\sqrt{n}\); 误以为 \(n=30\) 是普适阈值 (实际需 \(\ge 30\) 才近似, 且要看偏度)
🔴考点 7 · p 值精确定义 — 难度 🟡 L3 (核心, 易错)¶
定义: 在零假设 \(H_0\) 为真时, 观测数据出现至少与实际观测一样极端的概率。 $\(p = P(T \ge t_{\text{obs}} \mid H_0) \text{ (单侧)}, \quad p = 2\min(P(T \ge t_{\text{obs}}\mid H_0), P(T \le t_{\text{obs}}\mid H_0)) \text{ (双侧)}\)$
5 大误解 (必背): 1. ❌ "p 值 = \(H_0\) 成立概率" → 正: p 是数据在 \(H_0\) 下的极端程度, 不是 \(H_0\) 本身的概率 2. ❌ "p < 0.05 ⇒ \(H_0\) 错" → 正: p 小说明数据在 \(H_0\) 下罕见, 但仍可推出结论 3. ❌ "p > 0.05 ⇒ \(H_0\) 对" → 正: p 大说明数据不极端, 不能证明 \(H_0\) 成立 (只是没拒绝) 4. ❌ "双侧 p = 单侧 p" → 正: 双侧 \(p=2\times\)单侧 5. ❌ "p 值 = 显著性" → 正: α 是显著性阈值, p 是数据指标, 二者比较得结论
典型题型: 给观测 z 值算 p; 判断研究结论合理性; 指出他人 p 值误解
🔴考点 8 · Bayes 公式 — 难度 🟡 L3¶
\[P(A|B) = \frac{P(B|A)P(A)}{P(B)}\]
- 数字例 1 (假阳性): 患病率 1%, 检测灵敏度 95%, 假阳率 5% \(P(\text{患}|\text{阳}) = \frac{0.95\times0.01}{0.059}\approx 16.1\%\) (反直觉!)
- 数字例 2 (三工厂): 工厂 A 出 50% 产品, 次品率 2%; B 出 30%, 次品率 3%; C 出 20%, 次品率 5%; 现抽到次品, 求来自 A 概率: \(P(A|\text{次}) = \frac{0.5\times0.02}{0.028}\approx 0.357\)
- 典型题型: 给 P(A), P(B|A), P(B|¬A) 求 P(A|B); 多事件 Bayes
- 反直觉: base rate 极低时, 即使检测阳性, 实际概率仍小
🔴考点 9 · α/β 错误 (第一类/第二类) — 难度 🟡 L2¶
| 第一类 (α) | 第二类 (β) | |
|---|---|---|
| 也称 | 拒真错误 (Type I) | 取伪错误 (Type II) |
| 含义 | \(H_0\) 真但被拒绝 | \(H_0\) 假但没拒绝 |
| 概率 | \(\alpha\) = 显著性水平 | \(\beta\) = Type II 错误率 |
| 检验功效 | \(1-\alpha\) (正确拒绝 \(H_0\) 的概率) | \(1-\beta\) (正确接受 \(H_a\) 的概率) |
- 数字例: α=0.05, β=0.20 ⇒ 检验功效 = 0.80 (接受真正 \(H_a\) 的概率 80%)
- 典型题型: 给 α, β 求功效; 给功效要求反推样本量
- 反例陷阱: α 与 β 此消彼长 (固定样本下, 减小 α 通常增大 β), 不能只优化 α
🔴考点 10 · 95% 置信区间 (z 分布, σ 已知) — 难度 🟡 L3¶
\[\bar X \pm z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}\]
- 数字例: \(\bar X=100\), \(\sigma=15\), \(n=100\): CI \(= 100 \pm 1.96\times1.5 = [97.06, 102.94]\)
- 正确表述 (频率派): "若重复抽样, 约 95% 的 CI 会覆盖 μ"
- 错误表述: "μ 有 95% 概率在 \([97.06, 102.94]\)" — 频率派严格不这么说
- 易错: CI 与预测区间不同 (PI 更宽, 含个体变异)
- σ 未知时: 改用 t 分布, CI = \(\bar X \pm t_{n-1,\alpha/2}\cdot S/\sqrt{n}\)
- 典型题型: 给数据算 CI; 判断表述合理性; σ 已知 vs 未知的算法切换
🔴考点 11 · 单/双侧 t 检验 — 难度 🔴 L4¶
- 单样本: \(t=\dfrac{\bar X - \mu_0}{S/\sqrt{n}}\), \(\text{df}=n-1\), 双侧 \(p=2P(T\ge|t_{\text{obs}}|)\)
- 配对: 差值 \(D=X-Y\), 同单样本 t 检验 (df=n-1)
- 两样本 (方差齐): \(t=\dfrac{\bar X_1-\bar X_2}{S_p\sqrt{1/n_1+1/n_2}}\), \(\text{df}=n_1+n_2-2\)
- 数字例: 配对 10 对数据, \(\bar D=2.5\), \(S_D=1.2\), \(t=2.5/(1.2/\sqrt{10})=6.6\), df=9, \(p<0.001\) 显著
- 数字陷阱: 误用 z (σ 未知); 配对误当独立样本; 双侧 vs 单侧搞反
🔴考点 12 · CLT 与大数定律 (LLN) — 难度 🟡 L3¶
- LLN (大数定律): \(\bar X \xrightarrow{n\to\infty} \mu\) (几乎必然), 不要求分布形状
- CLT (中心极限定理): \(\bar X\) 的分布趋近正态, 不管原始分布
- 区别: LLN 说"均值收敛到 μ", CLT 说"\(\bar X\) 分布趋正态" — 是两件事!
- 数字例: 公平骰 \(n=30\), 模拟 10000 次 \(\bar X\): 实测均值≈3.5, 标准差≈0.31, 直方图近似正态 ✓
- 依赖 Ch03: CLT 内部用 Taylor 展开做近似 (Ch03 §04)
- 典型题型: 区分 LLN 和 CLT; 用 CLT 算概率近似
🔴考点 13 · 似然与 MLE — 难度 🔴 L4¶
- 似然函数: \(L(\theta) = \prod_i p(x_i|\theta)\) (样本独立)
- 对数似然: \(\ell(\theta)=\log L(\theta)=\sum_i \log p(x_i|\theta)\) (乘法变加法)
- MLE: \(\hat\theta_{\text{MLE}}=\arg\max_\theta \ell(\theta)\), 取对数似然最大
- 数字例: \(n\) 次伯努利 (k 次成功), \(L(p)=p^k(1-p)^{n-k}\), \(\hat p=k/n\) (单步可验)
- 数值法: \(\partial\ell/\partial\theta=0\) 解方程 (闭式) 或 Newton/Gradient Ascent (数值)
- 承 Ch03: MLE 数值法用 Ch03 §05 Newton 或 GD
- 典型题型: 给分布求 MLE; 写对数似然; 求 Fisher 信息
🟡考点 14 · 中位数与分位数 — 难度 🟢 L1¶
- 中位数: 50% 分位数 \(x_{0.5}\), \(\sum_i \text{sgn}(x_i-x_{0.5})=0\)
- 分位数: \(x_p\) 满足 \(P(X \le x_p) = p\)
- 数字例: 数据 [1, 3, 5, 7, 9], 中位数 = 5, \(x_{0.25}=3\)
- 反例陷阱: "中位数 = 平均值" — 二者不同 (偏态分布差很大)
- 典型题型: 算中位数; 找 \(p\) 分位数; 比较中位数 vs 均值的鲁棒性
🟡考点 15 · 偏度与峰度 — 难度 🟡 L2¶
- 偏度 (Skewness): \(\gamma_1 = E[(X-\mu)^3]/\sigma^3\), 正态 = 0
- 峰度 (Kurtosis): \(\gamma_2 = E[(X-\mu)^4]/\sigma^4\), 正态 = 3
- 超额峰度: \(\gamma_2-3\), 正态 = 0
- 数字例: 数据 {2,4,4,4,5,5,7,9}, 偏度 ≈ 0.656 (正偏, 右尾长), 峰度 ≈ 2.781
- 应用: 检验正态性假设; 检测离群值 (峰度对极端值敏感)
- 典型题型: 算偏度峰度; 判分布形状
🟡考点 16 · 常用分布族 — 难度 🟡 L2¶
| 分布 | 参数 | \(E[X]\) | \(\text{Var}(X)\) | 应用 |
|---|---|---|---|---|
| Bernoulli(\(p\)) | \(p\) | \(p\) | \(p(1-p)\) | 二分类 |
| Binomial(\(n,p\)) | \(n,p\) | \(np\) | \(np(1-p)\) | 计数 |
| Poisson(\(\lambda\)) | \(\lambda\) | \(\lambda\) | \(\lambda\) | 事件计数 (单位时间) |
| Exponential(\(\lambda\)) | \(\lambda\) | \(1/\lambda\) | \(1/\lambda^2\) | 寿命/等待时间 |
| Normal(\(\mu,\sigma^2\)) | \(\mu,\sigma\) | \(\mu\) | \(\sigma^2\) | CLT 极限 |
- 典型题型: 给场景选分布; 算 \(E\)/\(\text{Var}\); 参数估计
🟡考点 17 · 协方差与 Pearson 相关系数 — 难度 🟡 L2¶
- 协方差: \(\text{Cov}(X,Y)=E[(X-E[X])(Y-E[Y])]\), 存在当 \(E[XY]\) 存在
- 数字例: \(X,Y\) 独立 ⇒ \(\text{Cov}=0\); \(\text{Cov}=0\) 推不出独立 (可能非线性)
- 存在性陷阱: Cauchy 分布无均值, 故无协方差
- Pearson ρ: \(\rho=\dfrac{\text{Cov}(X,Y)}{\sigma_X\sigma_Y}\), \(|\rho|\le 1\)
- 典型题型: 算 \(\text{Cov}\); 判 ρ 强度; 解读 ρ=0
🟡考点 18 · 预测区间 (≠ CI) — 难度 🟡 L3¶
- 预测区间: \(\bar X \pm t_{n-1,\alpha/2}\cdot S\sqrt{1+\frac{1}{n}}\) (新观测 \(X_{\text{new}}\) 的区间)
- CI: \(\bar X \pm t_{n-1,\alpha/2}\cdot S/\sqrt{n}\) (参数 \(\mu\) 的区间)
- 数字例: \(n=10, \bar X=50, S=5\): CI = \([46.08, 53.92]\), PI = \([29.69, 70.31]\) (PI 更宽!)
- 典型题型: 给数据算 PI; 区分 CI 与 PI 的应用场景
🟡考点 19 · Bonferroni 多重比较修正 — 难度 🟡 L3¶
- 问题: 测 \(m\) 个 p 值, 至少 1 个假阳性概率 = \(1-(1-\alpha)^m\) (m=100 时 ≈ 99.4%!)
- Bonferroni 修正: 单个阈值 \(\alpha'=\alpha/m\), 控制 family-wise error rate ≤ \(\alpha\)
- 数字例: 测 100 个假设, α=0.05 ⇒ 单阈值 0.0005, 严格
- 更宽松: FDR (Benjamini-Hochberg) 控制期望假发现率, 实际更常用
- 典型题型: 算 Bonferroni 修正阈值; p-hacking 防范
🟡考点 20 · Bootstrap 重采样 — 难度 🟡 L3 ⭐¶
- 思路: 抽样再抽样 (有放回) \(B\) 次, 用经验分布代替理论分布
- CI 构造: 对每个 bootstrap 样本算 \(\hat\theta_b\), 取 2.5%/97.5% 分位数得 CI
- 数字例: \(n=20\) 数据, \(B=1000\) bootstrap, 算 \(\bar X\) 分布的 CI
- 优点: 任意统计量都可用 (不要求正态)
- 典型题型: 用 bootstrap 估计 CI; 解释"为什么它能 work"
🟡考点 21 · 配对 t 检验 — 难度 🟡 L3¶
- 场景: 同一对象两次测量 (前/后, 左/右)
- 差值: \(D=X-Y\), \(d_i=x_i-y_i\)
- 检验: \(t=\dfrac{\bar D}{S_D/\sqrt{n}}\), df=\(n-1\), 双侧 \(p=2P(T\ge|t_{\text{obs}}|)\)
- 数字例: 配对 10 对, \(\bar D=2.5\), \(S_D=1.2\), \(t=2.5/(1.2/\sqrt{10})\approx6.6\), df=9, \(p<0.001\) 显著
- 典型题型: 配对 vs 独立两样本的判断; 算 t 与 p
🟡考点 22 · 两样本 t 检验 — 难度 🟡 L3¶
- 场景: 两独立组比较 (实验 vs 对照)
- 方差齐: \(t=\dfrac{\bar X_1-\bar X_2}{S_p\sqrt{1/n_1+1/n_2}}\), \(S_p=\sqrt{\dfrac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}}\), df=\(n_1+n_2-2\)
- 方差不齐 (Welch): 改用 Welch-Satterthwaite 自由度近似
- 数字例: \(n_1=20, \bar X_1=10, S_1=2\); \(n_2=25, \bar X_2=12, S_2=2.5\); 算 \(t\) 与 p
- 典型题型: 给数据算 Welch t; 方差齐性检验 (Levene)
🟢考点 23 · Fisher 信息矩阵 (统计学定义) — 难度 🔴 L5 ⭐¶
- 标量: \(I(\theta)=E\left[\left(\dfrac{\partial \log f(X;\theta)}{\partial\theta}\right)^2\right] = -E\left[\dfrac{\partial^2 \log f(X;\theta)}{\partial\theta^2}\right]\)
- 向量: \(I(\theta)_{ij}=-E\left[\dfrac{\partial^2 \log L(\theta)}{\partial\theta_i\partial\theta_j}\right]\)
- 承 Ch03: \(I(\theta) = -H(\ell)/n\), 是 Hessian 的统计学对应
- Cramér-Rao 下界: \(\text{Var}(\hat\theta)\ge 1/I(\theta)\), 无偏估计方差下限
- 数字例: \(X\sim N(\mu,\sigma^2)\), \(I(\mu)=n/\sigma^2\) (单步可验)
- 典型题型: 算 \(I(\theta)\); 验证 CRLB; 引出 Ch06 自然梯度
🟢考点 24 · 充分统计量 — 难度 🔴 L5¶
- 定义: \(T(X)\) 充分当给定 \(T\) 后, 样本的条件分布不含 \(\theta\)
- Fisher-Neyman 因子化: \(p(x|\theta)=g(T(x),\theta)h(x)\)
- 数字例: \(n\) 次 Bernoulli, \(T=\sum X_i\) 充分 (因为 \(L(\theta)=p^T(1-p)^{n-T}\) 只通过 \(T\) 依赖 θ)
- 典型题型: 验证充分性; 找最小充分统计量
🟢考点 25 · Bayesian 信用区间 (≠ CI) — 难度 🔴 L5 ⭐¶
- 定义: \(P(\theta\in C\mid D) = 1-\alpha\) (直接给参数的概率)
- 构造: 取后验 \(p(\theta|D)\) 的 \(\alpha/2\) 和 \(1-\alpha/2\) 分位数
- 数字例: 先验 \(\theta\sim \text{Beta}(1,1)\), 数据 \(k=5\) 成功 \(n=10\), 后验 Beta(6,6), 95% 信用区间 = \([0.262, 0.738]\)
- 与 CI 区别: CI 频率派不说"参数概率", Bayes 派直接说
- 典型题型: 算后验; 算信用区间; 与 CI 区分
🟢考点 26 · UMVUE 与 Rao-Blackwell — 难度 🔴 L5¶
- UMVUE: 一致最小方差无偏估计 (Uniformly Minimum Variance Unbiased Estimator)
- Rao-Blackwell: 给定任一无偏估计, 条件期望于充分统计量后方差不减
- 典型题型: 验证 UMVUE; 用 Rao-Blackwell 改善估计
三、易错点合集 (25 条, 症状 → 为何错 → 如何避坑)¶
| # | 症状 | 为何错 | 如何避坑 |
|---|---|---|---|
| 1 | 不验 K1/K2/K3 就当概率 | 概率可负 / 总和 ≠ 1 | 先验三公理再算 |
| 2 | 抽样分布 = 总体分布 | 误把统计量分布与个体分布混 | 画表区分 |
| 3 | p 值 = \(H_0\) 成立概率 | 错把数据指标当参数概率 | 记 "p = 数据在 H₀ 下极端程度" |
| 4 | p > 0.05 ⇒ \(H_0\) 对 | 没拒绝 ≠ 证明 | 看功效 \(1-\beta\), 不要等价于接受 |
| 5 | 双侧 p = 单侧 p | 多数问题对称 | 默写"双侧 p = 2×单侧" |
| 6 | CI = "μ 概率在区间内" | 频率派严格不这么说 | 频率派说"重复抽样 95% 覆盖 μ" |
| 7 | \(\text{Var}(aX+b)=a\,\text{Var}(X)\) | 漏平方 | \(\text{Var}(aX+b)=a^2\text{Var}(X)\) |
| 8 | \(\text{Var}(X+Y)=\text{Var}(X)+\text{Var}(Y)\) (非独立) | 漏协方差项 | 加 \(2\text{Cov}(X,Y)\) |
| 9 | Bayes 公式分母忘全概率展开 | 漏 \(P(\neg A)P(B\|\neg A)\) | \(P(B)=P(B\|A)P(A)+P(B\|\neg A)P(\neg A)\) |
| 10 | CLT \(n=30\) 普适阈值 | 偏态分布可能需更大 n | 看分布偏度; \(n \ge 30\) 是经验值 |
| 11 | CLT 当 LLN (收敛几乎必然) | LLN 与 CLT 不同 | LLN 是 \(\bar X \to \mu\) a.s., CLT 是 \(\bar X\) 分布趋正态 |
| 12 | 误把 Cauchy 分布算协方差 | Cauchy 无均值, 故无 E[XY] | 算前先验 E[X] 存在 |
| 13 | Bootstrap 样本必须有放回 | 错会破坏独立性 | 每次抽样放回原集合 |
| 14 | Bonferroni 不修正 | 多重比较假阳性爆炸 | \(\alpha'=\alpha/m\) 或用 FDR |
| 15 | p-hacking: 测 100 个挑显著的 | 假阳性率 99.4% | 预设假设, 修正 α |
| 16 | \(\bar X\) 看作固定数 | \(\bar X\) 是随机变量 (样本随机) | \(\bar X\) 的均值和方差都依赖样本 |
| 17 | 期望当单次结果 | 期望是长期平均 | "期望 3.5" 不代表"下一次必 3.5" |
| 18 | Pearson ρ = 因果 | ρ 只度量线性相关 | 实验设计 + 因果图才能论因果 |
| 19 | \(z\) 检验当 \(t\) 检验 (σ 未知) | σ 未知要用 t | 检查 σ 是否已知 |
| 20 | 单侧 vs 双侧检验搞反 | 单侧只看一侧尾部 | 看问题是否对称 |
| 21 | 配对当独立两样本 | 配对减少了样本独立 | 同对象配对才用配对 |
| 22 | 假设检验 = 真假判断 | 检验 ≠ 真理, 检验 ≠ 决策 | 配合效应量 + 业务背景 |
| 23 | 不验 α 水平就报 p < 0.05 | 不同 α 对应不同判断 | 确认研究预设 α |
| 24 | 95% CI 预测个体值 | CI 与 PI 不同 | PI 更宽, 含个体变异 |
| 25 | 数据科学项目盲目 p < 0.05 | 显著性 ≠ 业务意义 | 大样本下小差异也能显著 |
四、对比记忆表 (9 张)¶
表 1 · 概率公理 vs 派生定理 (强制母版)¶
| 类型 | 名称 | 性质 |
|---|---|---|
| 公理 | K1 非负性 | 独立公理 |
| 公理 | K2 规范化 | 独立公理 |
| 公理 | K3 可列可加性 | 独立公理 |
| 定理 | 单点 ≤ 1 | 由 K1+K2 推出 |
| 定理 | 补集公式 | 由 K2+K3 推出 |
| 定理 | 互斥可加 | K3 n=2 |
| 定理 | 容斥 n=2 | K1+K2+K3 综合 |
| 定理 | \(P(\varnothing)=0\) | 由 K2+K3 推出 |
表 2 · 抽样分布 vs 总体分布¶
| 维度 | 总体分布 | 抽样分布 |
|---|---|---|
| 对象 | \(X\) (单观测) | \(\bar X\) 或 \(\hat\theta\) (统计量) |
| 例子 | \(X\sim\text{Bernoulli}(0.3)\) | \(\bar X_{n=30}\sim N(0.3, 0.007)\) (CLT) |
| 形态 | 由分布决定 | 由 CLT/LLN 趋正态 |
| 用途 | 描述个体 | 描述统计量精度 |
表 3 · CI vs PI¶
| CI (置信区间) | PI (预测区间) | |
|---|---|---|
| 描述对象 | \(\mu\) (参数) | \(X_{\text{new}}\) (新观测) |
| 公式 | \(\bar X\pm t\cdot S/\sqrt{n}\) | \(\bar X\pm t\cdot S\sqrt{1+1/n}\) |
| 宽度 | 较窄 | 更宽 (含个体变异) |
| 应用 | 推断参数 | 预测未来观测 |
表 4 · α/β 错误¶
| α (Type I) | β (Type II) | |
|---|---|---|
| 也称 | 拒真 | 取伪 |
| 含义 | \(H_0\) 真被拒绝 | \(H_0\) 假没拒绝 |
| 概率 | 显著性水平 | Type II 错误率 |
| 检验功效 | \(1-\alpha\) | \(1-\beta\) |
表 5 · 单侧 vs 双侧 p 值¶
| 单侧 | 双侧 | |
|---|---|---|
| 公式 | \(P(T\ge t_{\text{obs}}\mid H_0)\) | \(2\min(P(T\ge\mid P(T\le)\) |
| 适用 | 方向有先验 | 默认 (多数研究) |
| 阈值 0.05 | \(z>1.645\) | \(z>1.96\) |
表 6 · 频率派 vs Bayes 派¶
| 频率派 | Bayes 派 | |
|---|---|---|
| 概率解释 | 长期频率 | 信念程度 |
| 参数 | 固定未知 | 有先验分布 |
| CI 含义 | 重复抽样覆盖 | 后验分位数 |
| 信用区间 | ✗ 不写"参数概率" | ✓ "参数有 95% 概率在此区间" |
表 7 · 常用分布族速查¶
| 分布 | 参数 | \(E\) | \(\text{Var}\) |
|---|---|---|---|
| Bernoulli(\(p\)) | \(p\) | \(p\) | \(p(1-p)\) |
| Binomial(\(n,p\)) | \(n,p\) | \(np\) | \(np(1-p)\) |
| Poisson(\(\lambda\)) | \(\lambda\) | \(\lambda\) | \(\lambda\) |
| Exponential(\(\lambda\)) | \(\lambda\) | \(1/\lambda\) | \(1/\lambda^2\) |
| Normal(\(\mu,\sigma^2\)) | \(\mu,\sigma\) | \(\mu\) | \(\sigma^2\) |
表 8 · λ 多义区分 (强制)¶
| 语境 | 含义 | 章节 |
|---|---|---|
| Ch03 乘子 | \(\nabla f=\lambda\nabla g\) | Ch03 §05 |
| Ch03 正则 | $\mathcal L=f+\lambda\ | w\ |
| Ch04 Poisson | 单位时间事件率 | Ch04 §01 |
| Ch04 估计正则 | 似然加 \(\lambda\) 惩罚 | Ch04 §13 |
表 9 · AI/ML 应用速查¶
| 概念 | ML 对应 | Ch 引用 |
|---|---|---|
| 假设检验 | A/B 测试 | Ch25 |
| 抽样 | mini-batch SGD | Ch06 |
| 置信区间 | Bayesian 信用区间 | Ch05 |
| Fisher 信息 | 自然梯度 | Ch06 |
| CLT | SGD 收敛理论 | Ch06 |
五、识别他人错误陈述题型 (L5, 6 题)¶
5.1 p 值误读 — 学生说 "p=0.02 表示 \(H_0\) 只有 2% 概率为真"。 - 错: p 是数据指标, 不是参数概率。 - 正: p=0.02 表示 \(H_0\) 为真时看到至少这么极端数据的概率。 - 修: 看 Neyman-Pearson 频率派解读 vs Fisher p 值解读的差异。
5.2 CI 误读 — 学生说 "95% CI 是 μ 有 95% 概率在此区间内"。 - 错: 频率派严格不说参数概率。 - 正: "重复抽样约 95% 区间覆盖 μ"。 - 修: 想要"参数概率"用 Bayes 信用区间。
5.3 双侧 = 单侧 — 学生给双侧检验只算单侧 p 值。 - 错: 双侧 \(p=2\times\) 单侧。 - 正: 默认双侧, 看研究是否对称决定单/双。
5.4 α = β — 学生认为 α=0.05 β=0.05。 - 错: 二者通常不相等, 固定样本下 α↓ β↑。 - 正: 算功效 \(1-\beta\) 反映真阳性检出能力。
5.5 p > 0.05 ⇒ \(H_0\) 对 — 学生认为 p 大证明 \(H_0\) 成立。 - 错: 没拒绝 ≠ 证明。 - 正: 看检验功效, 结合业务背景。
5.6 抽样 = 总体 — 学生说 "\(\bar X\) 分布 = \(X\) 分布"。 - 错: \(\bar X\) 由 CLT 趋正态, \(X\) 由原始分布决定。 - 正: 区分"总体分布"与"抽样分布"。
六、AI/ML 应用速查 (入门向)¶
| 概念 | 含义 | Ch 引用 |
|---|---|---|
| A/B 测试 | 假设检验的工程应用 | Ch25 |
| mini-batch SGD | 用抽样估梯度 | Ch06 |
| Bayesian CI | 后验分位数 | Ch05 |
| Bootstrap | 重采样估计任意统计量 CI | ⭐ Ch04 §20 |
| Fisher 信息 | 自然梯度 = 信息逆 | Ch06 |
七、复习路径¶
3 天冲刺: - Day 1: 三公理 + 期望/方差 + 数字例 - Day 2: 抽样分布 + CLT + p 值 - Day 3: CI + t 检验 + Bayes + 错题本
7 天扎实: 见每节考点顺序
14 天精通: 加 Fisher 信息 + Bootstrap + Bayesian CI + UMVUE
八、自测清单 (10 问)¶
- 记忆: 写 Kolmogorov 三公理 + 各举 1 反例。
- 理解: 解释为什么 p > 0.05 不证明 \(H_0\)。
- 应用: 给数据算 \(\bar X\), \(\text{Var}(\bar X)\), 95% CI。
- 应用: 用 Bayes 公式算 P(患|阳)。
- 分析: 区分 LLN 与 CLT, 各举一个具体例子。
- 分析: 解释 CI 与 PI 的关键区别。
- 分析: 验证给定概率分布是否合法 (K1/K2/K3)。
- 评价: 指出他人对 p 值的 5 种误解。
- 评价: 指出 CI 误读, 并改写为 Bayesian 信用区间。
- 综合: 给定场景 (医学诊断 / 产品 A/B / 工厂质检), 选合适统计方法, 列出假设检验步骤。
参考文件:
- chapter 04 - statistics/*.md (5 节源材料)
- Ch02 模板: zh/教辅/复习大纲/第02章.md (4.48 标杆)
- 公理母版: zh/教辅/STATISTICS_AXIOMS_TEMPLATE.md
- 全书规范: zh/教辅/WRITING_TEMPLATE.md