第零章：概率统计的对象与学习方法

用一次质量抽检串起总体、样本、随机变量、统计量、参数和不确定性。

第零章：概率统计的对象与学习方法

贯穿问题： 抽检 100 件产品发现 7 件不合格。总体不合格率是 7%，还是 7% 只是一次随机结果？

概率论从模型出发问“样本可能怎样变化”；统计学从样本出发问“未知总体参数可能是多少”。两者不是两门互不相干的课，而是一条正向与反向推理链。

Rendering diagram…

学习目标

你应能：

区分总体、样本、参数、随机变量、统计量和估计值；
说明概率模型与统计推断的方向差异；
把一个现实问题写成“对象—机制—未知量—数据—结论”；
用模拟观察重复抽样变异；
判断公式需要哪些数学与数据条件。

1. 六个对象不要混

对象	质量抽检中的含义	是否随机
总体	当前生产流程可能产生的全部产品	研究框架
参数 $p$	总体不合格概率	固定但未知
样本 $X_1,\ldots,X_n$	被抽到的 100 件产品状态	是
随机变量 $X_i$	第 $i$ 件是否不合格	是
统计量 $\widehat p=\bar X$	样本不合格比例	抽样前是随机变量
估计值	本次观察到的 0.07	数据出现后是数值

“ $\widehat p$ 是随机的”指重复抽样会得到不同值，不是说参数 $p$ 每次都变。

2. 正向问题与反向问题

若假设每件产品独立且不合格概率为 $p$ ，则

X_i\sim Bernoulli(p),\qquad K=\sum_{i=1}^nX_i\sim Binomial(n,p).

概率论可以在 $p$ 已知时计算 $P(K\ge 7)$ 。统计学面对相反情况：已观察 $K=7$ ，要估计未知 $p$ ，并量化结论因抽样而产生的不确定性。

3. 可运行案例：同一流程会给出不同样本比例

假设真实不合格率为 8%。重复进行 5,000 次“抽 100 件”的实验，观察样本比例的分布。

Py

Python：重复抽样与标准误

三点必须分开：

样本比例的标准差描述重复抽样变异；
它不包含抽样框遗漏、测量错误或产品之间相关；
模拟接近理论结果是数值审计，不是二项模型正确性的证据。

4. 一套通用解题顺序

对象： 事件、随机变量、参数还是决策？
机制： 数据如何产生，独立同分布是否合理？
已知与未知： 哪些量给定，哪些量要推断？
目标： 概率、期望、估计、区间、检验还是预测？
方法： 哪个定理或统计量与目标匹配？
条件： 正态、独立、大样本、连续性或可交换性是否成立？
解释： 数值在原问题中意味着什么，又不能说明什么？

5. 预备知识如何补

知识	本课程中的用途	最低要求
集合与逻辑	事件运算、补集、条件	能读交并补与量词
微积分	密度、期望、变量变换、似然	能求导、积分与极限
线性代数	协方差、多元正态、二次型	向量矩阵运算
编程	Monte Carlo、优化、重抽样	数组、函数、随机数

遇到推导困难时，先用离散小例子确认对象，再回到连续形式；不要用软件输出替代定义。

6. 符号速查

符号	含义
$\Omega,\mathcal F,P$	样本空间、事件族、概率测度
$X\sim F$	随机变量 $X$ 服从分布 $F$
$E[X],\operatorname{Var}(X)$	期望与方差
$\theta,\widehat\theta$	参数与估计量
$H_0,H_1,\alpha$	原假设、备择假设、显著性水平
$X_n\xrightarrow{p}X$	依概率收敛

7. 学习方法

每章完成四种产出：

一段不使用公式的概念解释；
一个可以手算的最小例题；
一个改变参数后的独立模拟；
一张“适用条件—失败方式—诊断证据”表。

证明训练应标明每一步使用了定义、代数、独立性还是极限定理。计算训练应保存随机种子，并先写理论预期再运行。

课堂任务

把“某药物试验中 60 人有 18 人改善”写成：

样本空间和随机变量；
一个可能参数；
一个统计量；
一个概率论问题；
一个统计推断问题；
两个可能破坏二项模型的现实机制。

核心阅读

Ross, A First Course in Probability。
Casella & Berger, Statistical Inference，第 1 章。
Wasserman, All of Statistics，第 1–2 章。

下一章：概率论基础。

Edit this pageorReport an issue

概率论与数理统计

从概率模型、随机变量与极限定理进入区间估计、点估计、假设检验和 Bootstrap 的本科—研究生课程。

第一章：概率论基础

从样本空间与概率公理进入条件概率、独立性、全概率和贝叶斯公式。