# 统计推断

> CIE A-Level 进阶数学 · 进阶概率与统计 第4单元
> 来源: https://www.owlsprep.com/zh/study/cie-9231-u4-statistical-inference/

统计推断利用样本数据对未知总体参数得出有依据的结论。本模块涵盖无偏估计、置信区间构造以及结果正确解读的核心概念。

**先修:** [掌握抽样分布知识](https://www.owlsprep.com/zh/study/cie-9231-u4-sampling-distributions/); [理解正态分布和t分布](https://www.owlsprep.com/zh/study/cie-9231-u4-continuous-probability-distributions/)

## 学习目标

- 区分总体参数与样本统计量
- 识别并计算总体参数的无偏估计量
- 在不同条件下构造均值和比例的置信区间
- 在具体情境中正确解读统计推断的结果

## 推断核心概念与术语

**统计推断** — 仅从总体的较小随机样本收集的数据，得出关于整个总体的一般性结论的过程。

*例:* 从500名11年级学生的样本估计英格兰所有11年级学生的平均考试分数

**参数与统计量** — 参数是描述整个总体的固定未知数值；统计量是从样本数据计算得到的已知数值，用于估计未知参数。

*例:* 所有成年男性的真实平均身高（参数）对比100名抽样男性的平均身高（统计量）

**例题:** 一家面包店每天生产2000条面包，抽取40条样本得到平均质量为402.1g，识别该场景中的参数和统计量。

1. 感兴趣的参数是当日生产的所有2000条面包的真实平均质量，它对于整个总体来说是未知且固定的。
2. 统计量是40条样本面包的平均质量402.1g，从抽样得到，是已知量，用于估计未知参数。

## 无偏估计量

**无偏估计量** — 对于总体参数$\theta$，如果统计量$\hat{\theta}$的期望等于真实参数，即$E(\hat{\theta}) = \theta$，则$\hat{\theta}$是$\theta$的无偏估计量。

*例:* 样本均值$\bar{X}$始终是总体均值$\mu$的无偏估计量

> **warning**
>
> 无偏性不意味着单次样本估计就等于真实参数，它仅表示所有可能样本估计的平均值等于真实参数。

**例题:** 证明$s^2 = \frac{1}{n-1}\sum_{i=1}^n (X_i - \bar{X})^2$是总体方差$\sigma^2$的无偏估计量。

1. 展开离均差平方和的期望：
2. $$E\left[\sum (X_i - \bar{X})^2\right] = E\left[\sum ((X_i - \mu) - (\bar{X} - \mu))^2\right]$$
3. 利用$E(X_i - \mu)^2 = \sigma^2$和$E(\bar{X} - \mu)^2 = \frac{\sigma^2}{n}$化简表达式：
4. $$\sum E(X_i - \mu)^2 - n E(\bar{X} - \mu)^2 = n\sigma^2 - n \cdot \frac{\sigma^2}{n} = (n-1)\sigma^2$$
5. 整理得到$s^2$的期望：
6. $$E(s^2) = \frac{1}{n-1} (n-1)\sigma^2 = \sigma^2$$
7. 这证明了$s^2$是$\sigma^2$的无偏估计量。

*计算器:* allowed

## 置信区间构造

**置信区间** — 根据样本数据构造的区间，旨在以指定置信水平（例如95%）捕获真实未知的总体参数。

*例:* 电池平均寿命的95%置信区间：(11.5小时, 13.5小时)

1. 总体均值，已知$\sigma^2$：$ \bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}} $
2. 总体均值，未知$\sigma^2$，大样本$n$：$ \bar{x} \pm z_{\alpha/2} \frac{s}{\sqrt{n}} $
3. 总体均值，未知$\sigma^2$，小样本$n$：$ \bar{x} \pm t_{n-1, \alpha/2} \frac{s}{\sqrt{n}} $
4. 总体比例，大样本$n$：$ \hat{p} \pm z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} $

**例题:** 抽取25个电池样本，平均寿命为12.5小时，样本标准差为2.4小时，构造真实平均寿命的95%置信区间。

1. 确定适用情况：$\sigma^2$未知，样本量$n=25 < 30$，因此使用自由度为$df = 25-1 = 24$的t分布。
2. 查找95%双侧临界值：$t_{24, 0.025} = 2.064$。
3. 计算标准误：$ \frac{s}{\sqrt{n}} = \frac{2.4}{\sqrt{25}} = 0.48 $。
4. 计算边际误差：$ 2.064 \times 0.48 = 0.99 $。
5. 最终95%置信区间：$ 12.5 \pm 0.99 = (11.51, 13.49) $小时。

*计算器:* allowed

## 推断结果的解读

**考试命令词**

CIE考试对解读问题有特定的表述要求，如下所示：

- **Construct a 95% confidence interval** — 计算上下界，写出所有计算步骤 *(除非题目说明，否则最终结果保留2-3位小数)*

- **Interpret your confidence interval** — 结合情境解释置信水平的含义 *(我们有95%的把握认为真实平均寿命介于11.5小时和13.5小时之间)*

> **warning**
>
> 不要说'真实均值落在区间内的概率为95%'。在频率学派推断中，真实均值是固定的，区间要么包含它要么不包含它。95%指的是构造区间的方法，而非单个区间。

**概念自测**

测试你对解读的理解：

1. 以下哪一项是对95%置信区间的正确解读？

   - 95%的总体数据落在区间内
   - 真实参数落在区间内的概率为95%
   - 95%按此方法构造的区间会包含真实参数
   - 样本统计量95%的时间落在区间内

   *解析:* 正确：置信水平描述的是区间构造方法的长期表现，而非单个区间或参数。

## 常见错误

- **错误做法:** 将95%置信区间解读为'95%的样本数据落在区间内'
  - 原因: 这混淆了样本数据的分布与未知总体参数的不确定范围
  - 正确做法: 95%置信水平描述的是区间构造方法得到包含真实参数的区间的概率
- **错误做法:** 方差未知的小样本使用z临界值而非t临界值
  - 原因: t分布考虑了估计总体方差带来的额外不确定性，而z分布没有
  - 正确做法: 对于方差未知的小样本，始终使用自由度为$n-1$的t分布
- **错误做法:** 将离均差平方和除以$n$得到无偏样本方差
  - 原因: 除以$n$会得到向下偏倚的总体方差估计，导致区间错误
  - 正确做法: 除以$n-1$得到用于推断的无偏样本方差
- **错误做法:** 声称无偏估计量给出的值始终等于真实参数
  - 原因: 无偏性描述的是所有可能样本的期望，而非任意单个样本
  - 正确做法: 单个样本估计几乎总会与真实参数不同，因此我们使用区间估计来量化不确定性
- **错误做法:** 当$n\hat{p} < 5$或$n(1-\hat{p}) < 5$时仍使用正态近似构造比例置信区间
  - 原因: 期望计数非常小时正态近似不成立，会导致区间不准确
  - 正确做法: 使用正态近似前，始终检查$n\hat{p}$和$n(1-\hat{p})$都不小于5

## 速查表

| 参数 | 条件 | 置信区间公式 |
| --- | --- | --- |
| 总体均值 $\mu$ | 已知$\sigma^2$，任意$n$ | $\bar{x} \pm z_{\alpha/2}\frac{\sigma}{\sqrt{n}}$ |
| 总体均值 $\mu$ | 未知$\sigma^2$，大$n$ | $\bar{x} \pm z_{\alpha/2}\frac{s}{\sqrt{n}}$ |
| 总体均值 $\mu$ | 未知$\sigma^2$，小$n$ | $\bar{x} \pm t_{n-1, \alpha/2}\frac{s}{\sqrt{n}}$ |
| 总体比例 $p$ | 大$n$，$n\hat{p}, n(1-\hat{p}) \geq 5$ | $\hat{p} \pm z_{\alpha/2}\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$ |

## 下一步

统计推断是假设检验的基础，假设检验是CIE A-Level进阶概率与统计的下一个核心主题。你在这里学到的无偏估计量、抽样变异和区间估计概念，是你接下来遇到的所有假设检验方法的基础。它们帮助你理解假设检验为什么有效，p值如何量化针对原假设的证据，以及如何对未知总体参数得出有效结论。掌握推断基础后，你就可以学习单样本、双样本的均值、比例以及总体参数差的检验，这些内容占9231试卷分数的很大比例。正确解读推断也能帮助你避免考试中常见的丢分错误。

- [生成函数](https://www.owlsprep.com/zh/study/cie-9231-u4-generating-functions/)
- [非参数检验](https://www.owlsprep.com/zh/study/cie-9231-u4-non-parametric-tests/)

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/cie-9231-u4-statistical-inference/