统计与概率 (AI HL) (Statistics and Probability (AI HL)) — IB Math AI HL AI HL 学习指南

适合谁：IB Math AI HL 参加 IB Math: Applications & Interpretation HL 的考生。

覆盖内容：覆盖抽样技术与偏差、离散与连续分布、HL专属假设检验（t检验、卡方检验）、线性与非线性回归、HL专属置信区间五大核心子主题。

前置知识：IGCSE / pre-DP 数学；熟悉应用题与计算工具。

关于练习题：下文「练习题」一节的所有题目均为我们按 IB Math AI HL 风格编写的原创题目 (original problems)，仅用于教学。它们不是 IBO 真题的复制，措辞、数值或语境可能不同。请把它们当作练手用；评分细则请对照 IBO 官方 mark scheme。

1. 什么是统计与概率 (AI HL)？

统计与概率是IB Math AI HL占比最高的核心模块，占Paper 1、2、3总分的30%-35%，侧重考察统计工具在商业、自然科学、社会科学等真实场景的应用，允许使用图形计算器（GDC）完成大部分计算。本模块所有考点均会结合应用题考察，HL专属内容（假设检验、置信区间）是Paper 3综合题的高频出题点，需要你同时掌握概念逻辑和计算步骤。

2. 抽样技术与偏差 (Sampling techniques and bias)

统计研究的核心是用样本特征推断总体特征，第一步就是选择合理的抽样技术 (sampling technique)，避免偏差 (bias)。

核心抽样方法

1. 简单随机抽样：总体每个个体被抽中概率相等，适用于总体同质化高的场景
2. 分层抽样：将总体按特征分为不同层，每层按比例抽样，适用于总体分层差异明显的场景
3. 整群抽样：将总体分为多个群，随机抽取若干个群作为样本，适用于群内差异和总体一致的场景
4. 方便抽样：抽取容易接触的个体，属于非随机抽样，偏差极高

常见偏差类型

选择偏差、应答偏差、测量偏差，所有偏差都会导致样本无法代表总体，统计结论无效。

范例：调查某学校学生平均每日睡眠时间，仅在早自习门口抽样属于测量偏差，因为早自习到校的学生普遍睡眠时间较短，样本不具备代表性。

3. 离散与连续分布 (Discrete and continuous distributions)

随机变量 (random variable) 按取值类型分为离散和连续两类，对应不同的分布模型：

核心离散分布

1. 二项分布：$X\sim B(n,p)$，n次独立重复试验的成功次数，期望$E(X)=np$，方差$Var(X)=np(1-p)$
2. 泊松分布：$X\sim Po(\lambda )$，固定时间/空间内随机事件发生的次数，期望和方差均为$\lambda$

核心连续分布

1. 正态分布：$X\sim N(\mu ,{\sigma }^2)$，最常用的连续分布，HL要求掌握二项分布、泊松分布的正态近似
2. 均匀分布：$X\sim U(a,b)$，区间内取值概率相等

范例：已知某咖啡店每小时到店人数服从$\lambda =8$的泊松分布，求2小时内到店人数超过15的概率？ 解答：设2小时到店人数为$Y$，则$Y\sim Po(16)$，用GDC计算得$P(Y>15)=1-P(Y\le 15)\approx 0.524$。

4. 假设检验：t检验与卡方检验 (Hypothesis testing — t-test, chi-squared (HL))

假设检验 (hypothesis testing) 是HL专属考点，用于验证关于总体参数的猜想是否成立，核心逻辑是“小概率事件在一次试验中几乎不会发生”。

t检验 (t-test)

适用于总体服从正态分布、总体方差未知、小样本的场景，用于检验总体均值是否等于某个值：

1. 设定原假设$H_0$（默认成立的结论）和备择假设$H_1$（要验证的结论）
2. 计算检验统计量$t=\frac{\bar{x}-{\mu }_0}{s/\sqrt{n}}$，自由度$df=n-1$
3. 比较p值和显著性水平$\alpha$：若$p<\alpha$则拒绝$H_0$，否则不拒绝

卡方检验 (chi-squared test)

分为两类：拟合优度检验（验证数据是否符合某分布）、独立性检验（验证两个分类变量是否相关），检验统计量为${\chi }^2=\sum \frac{(O-E{)}^2}{E}$，其中$O$是观测频数，$E$是理论频数，要求所有$E\ge 5$，否则需要合并相邻组。

5. 线性与非线性回归 (Linear and non-linear regression)

回归分析 (regression analysis) 用于建立两个或多个变量之间的关系模型：

1. 线性回归：计算皮尔逊相关系数$r$衡量线性相关程度（$|r|$越接近1相关性越强），得到回归方程$y=ax+b$，用$r^2$衡量拟合优度
2. 非线性回归：对于指数模型$y=k{e}^{mx}$、幂函数模型$y=k{x}^m$等非线性关系，通过对数变换转化为线性关系后再拟合，同样用$r^2$判断拟合效果

范例：某实验的x,y数据拟合幂函数模型$y=k{x}^n$，两边取对数得$\ln y=n\ln x+\ln k$，变换后计算得$r^2=0.972$，说明模型拟合效果极佳。

6. 置信区间 (HL) (Confidence intervals (HL))

置信区间 (confidence interval) 是HL专属考点，用于用样本统计量估计总体参数的范围：

1. 总体方差未知时，总体均值的置信区间为$\bar{x}\pm t^{\ast }\frac{s}{\sqrt{n}}$，其中$t^{\ast }$是对应置信水平、自由度$n-1$的t临界值
2. 95%置信水平的含义是：重复抽样100次，计算得到的100个区间中，有95个会包含真实的总体参数

范例：随机抽取12名学生的物理考试成绩，平均分为68，样本标准差为7，求总体均值的95%置信区间？ 解答：自由度$df=11$，t临界值$t^{\ast }=2.201$，标准误为$\frac{7}{\sqrt{12}}\approx 2.02$，区间为$68\pm 2.201\times 2.02\approx (63.56,72.44)$。

7. 常见陷阱 (Common Pitfalls)

1. 错误做法：卡方检验时理论频数小于5的单元格不合并，直接计算检验统计量。原因：忘记考纲要求所有理论频数必须≥5，否则卡方检验结果无效。正确做法：合并相邻的低频数组后再计算。
2. 错误做法：t检验时误用正态分布的z临界值。原因：混淆了总体方差已知和未知的场景。正确做法：总体方差未知、小样本时必须用t临界值。
3. 错误做法：将置信区间解释为“真实参数有95%的概率落在区间内”。原因：混淆了随机变量和固定值的概念。正确做法：解释为“我们有95%的信心真实参数落在该区间内，真实参数是固定值，区间是随机的”。
4. 错误做法：分层抽样和整群抽样混淆，按类别划分群体就认为是分层抽样。原因：没有理解两种抽样的逻辑差异。正确做法：分层抽样是每层抽取部分个体，整群抽样是抽取整个群体的所有个体。

8. 练习题 (IB Math AI HL 风格)

题目1

某城市要调查居民对公共交通的满意度，全市共20000户居民，分为主城区（12000户）、郊区（6000户）、远郊（2000户）三类区域。(a) 若采用分层抽样抽取200户，每个区域应抽多少户？(b) 若调查员仅在地铁站入口抽样，会存在什么偏差？

解答

(a) 抽样比例为$\frac{200}{20000}=\frac{1}{100}$，因此主城区抽$12000\times \frac{1}{100}=120$户，郊区抽60户，远郊抽20户。 (b) 存在选择偏差，样本无法覆盖不乘坐地铁的居民（比如老年群体、自驾群体），结论不具备代表性。

题目2

某健身房宣称其会员平均每月减重4kg，现随机抽取10名会员，测得平均每月减重3.2kg，样本标准差为1.1kg，假设减重服从正态分布，在5%显著性水平下是否能认为该宣称不实？

解答

设定原假设$H_0:\mu =4$，备择假设$H_1:\mu \ne 4$，采用双侧t检验，自由度$df=9$。 检验统计量$t=\frac{3.2-4}{1.1/\sqrt{10}}\approx -2.30$，计算得p值约为0.047<0.05，因此拒绝原假设，有足够证据认为该宣称不实。

题目3

随机抽取36名高三学生的模考数学成绩，平均分为76，样本标准差为9，求总体平均分的90%置信区间。

解答

自由度$df=35$，t临界值$t^{\ast }=1.690$，标准误为$\frac{9}{\sqrt{36}}=1.5$，因此置信区间为$76\pm 1.690\times 1.5=(73.47,78.53)$。

9. 速查表 (Quick Reference Cheatsheet)

10. 接下来怎么学

本模块是IB Math AI HL Paper 3综合应用题的核心出题载体，后续会和数学建模、优化、决策分析等内容结合考察，你需要熟练掌握GDC的统计功能，能快速计算分布概率、检验统计量和置信区间，同时要重点练习应用题的题干解读，能快速从长文本中提取统计相关的已知条件。 如果你在刷题过程中遇到任何考点疑问、真题不会做，都可以随时找小欧提问，我们会提供针对性的讲解和配套练习。