1 基本概念
数理统计以随机现象的观测数据为研究对象，核心任务是由样本推断总体特征，并在不完全信息条件下进行估计、检验与决策。它通常建立在概率论基础之上，强调用模型描述数据生成过程，再借助样本信息提炼规律。
1.1 随机变量与样本
随机变量是对随机现象结果的数量化表达，样本则是从总体中抽取的一组观测值。二者构成数理统计最基本的数据与模型对应关系。
1.1.1 总体与个体
总体是研究对象的全体，个体是总体中的单个元素。总体可以是有限的，也可以在理论上视为无限集合。统计研究通常不直接观察整个总体，而是通过个体的抽样信息推知其整体性质。
1.1.2 样本与样本容量
样本是从总体中抽取的一组个体观测值，样本容量则表示样本中所含观测数量。样本容量越大，通常越有利于提高推断稳定性，但实际研究中还需考虑成本、可行性与抽样方式。
1.1.3 统计量与抽样分布
统计量是样本的函数，如样本均值、样本方差等，其数值由样本决定而不含未知参数。抽样分布是统计量在重复抽样下的概率分布，是参数估计、假设检验和误差分析的重要基础。
1.2 概率论基础
概率论为数理统计提供了处理随机性与不确定性的数学工具，使样本推断具备严格的理论框架。
1.2.1 随机事件与概率
随机事件是试验中可能发生也可能不发生的结果集合，概率用于刻画事件发生的可能性。数理统计中的许多方法都依赖对事件概率结构的分析。
1.2.2 常见概率分布
常见分布包括二项分布、泊松分布、正态分布、指数分布等。不同分布适用于不同类型的数据与过程，其中正态分布因其理论性质和应用广泛而尤为重要。
1.2.3 期望、方差与协方差
期望描述随机变量的平均水平，方差衡量离散程度，协方差则反映两个随机变量之间的联合变动趋势。这些指标既用于刻画数据特征，也构成估计与建模的重要参数。
1.3 数理统计的研究对象
数理统计关注的是如何从有限样本中认识未知总体，并建立可检验、可比较、可解释的模型。
1.3.1 参数与非参数
参数方法通常假定总体分布具有特定形式，并用少量参数刻画其特征；非参数方法则较少依赖具体分布假设，更强调数据本身的信息提取。两类方法各有适用场景。
1.3.2 统计推断的基本思想
统计推断是以样本为依据，对总体参数、结构或规律作出结论的过程。其基本思想是在随机波动中识别稳定模式，并明确结论所伴随的不确定性。
1.3.3 经验数据与随机模型
经验数据来源于实际观测，随机模型则用数学方式描述数据的生成机制。数理统计的关键任务之一，是在两者之间建立合理对应，使模型既能反映现实，又能支持推断。
2 统计推断基础
统计推断是数理统计的核心内容，主要包括参数估计和假设检验等方法，目的是从样本中获得对总体的定量认识。
2.1 参数估计
参数估计是利用样本信息推断总体参数取值的过程，可分为点估计与区间估计。
2.1.1 点估计
点估计以一个具体数值估计未知参数，常用于提供参数的中心判断。好的点估计通常要求较小偏差、较低波动和较高稳定性。
2.1.1.1 矩估计法
矩估计法通过令样本矩等于理论矩来求解未知参数。该方法思路直观、计算方便，常作为参数估计的初步手段。
2.1.1.2 极大似然估计法
极大似然估计法通过寻找使样本观测出现概率最大的参数值来进行估计。该方法在许多模型中具有良好的理论性质，并在实际分析中应用广泛。
2.1.2 区间估计
区间估计不仅给出参数的可能取值范围，还附带相应的可信程度，用于反映估计的不确定性。
2.1.2.1 置信区间的构造
置信区间通常基于统计量的抽样分布构造，通过设定区间端点，使其在重复抽样中具有预定覆盖率。它是区间估计最常见的表达形式。
2.1.2.2 置信水平与误差界
置信水平表示区间包含真参数的长期频率保证，误差界则刻画估计值与真值之间允许偏离的范围。二者共同反映估计结果的精度与可靠性。
2.2 假设检验
假设检验用于根据样本证据判断某一关于总体的命题是否可接受，是统计推断中的另一基本工具。
2.2.1 原假设与备择假设
原假设通常表示“无差异”或“无效应”的基准命题，备择假设则是与之对立的研究命题。检验过程本质上是在这两种陈述之间作出数据支持下的判断。
2.2.2 显著性水平与检验统计量
显著性水平是预先设定的判别阈值，用于控制拒绝原假设的风险。检验统计量是根据样本计算得到的量，其取值决定了检验结论。
2.2.3 第一类与第二类错误
第一类错误是原假设实际上成立却被错误拒绝，第二类错误则是原假设实际上不成立却未被拒绝。统计检验通常需要在两类错误之间权衡。
2.2.4 常见检验方法
常见检验方法包括均值检验、比例检验、方差检验及非参数检验等。不同方法适用于不同类型数据和模型条件。
2.3 估计与检验的关系
估计与检验虽侧重点不同，但在理论上关系紧密，常共享同一概率模型与统计量结构。
2.3.1 统计决策视角
从统计决策角度看，估计与检验都属于基于有限信息作出最优或近似最优判断的过程。二者都需要考虑信息充分性、误差控制和结论稳健性。
2.3.2 一致性与有效性
一致性表示样本量增大时估计或判别结果趋于真实值，有效性则强调在相同条件下方法具有更小误差或更高区分能力。这些性质是评价统计方法的重要标准。
3 常用统计模型
数理统计在应用中常通过具体模型表达变量之间的关系，以便进行解释、预测和比较。
3.1 线性回归
线性回归用于研究响应变量与一个或多个解释变量之间的线性关系，是最经典的统计建模方法之一。
3.1.1 一元线性回归
一元线性回归描述单个自变量与因变量之间的近似直线关系。它常用于探索趋势、预测数值并检验变量间是否存在显著联系。
3.1.2 多元线性回归
多元线性回归引入多个解释变量，以刻画多个因素对响应变量的共同影响。该模型能够更全面地反映现实中的复杂关系。
3.1.3 回归系数的解释
回归系数表示在其他条件不变时，某一解释变量变化一个单位对响应变量平均水平的影响。其解释依赖于模型设定和变量尺度。
3.1.4 模型诊断与残差分析
模型诊断用于检查回归模型是否满足基本假设，残差分析则通过考察拟合误差来判断模型适配程度。常见问题包括非线性、异方差和异常值影响。
3.2 方差分析
方差分析主要用于比较多个总体均值是否存在显著差异，适合处理因素分组数据。
3.2.1 单因素方差分析
单因素方差分析考察一个因素不同水平下各组均值是否相同。它通过分解总体变异来判断组间差异是否显著。
3.2.2 双因素方差分析
双因素方差分析同时研究两个因素及其交互作用对响应变量的影响。该方法可揭示主效应与交互效应的不同作用机制。
3.2.3 多重比较
当方差分析显示总体差异存在时，多重比较用于进一步识别哪些组之间存在差异。其目的在于在控制错误率的前提下进行细致比较。
3.3 分类数据分析
分类数据分析处理的是以类别、频数或比例形式呈现的数据，常用于调查、实验和列联表研究。
3.3.1 列联表分析
列联表分析通过整理两个或多个分类变量的频数分布，考察它们之间是否存在关联。该方法在社会调查与医学研究中十分常见。
3.3.2 卡方检验
卡方检验利用观测频数与理论频数之间的偏离程度，判断分类变量之间的关系或样本是否符合某一分布。它是一类典型的频数型检验方法。
3.3.3 相关性与独立性判断
相关性判断关注变量之间是否存在统计联系，独立性判断则进一步检验这种联系是否达到可区分程度。二者有联系但不完全相同，尤其在分类变量分析中需要明确区分。
3.4 非参数方法
非参数方法在分布假设较弱或样本较小时具有重要价值，常用于对数据进行稳健比较。
3.4.1 秩和检验
秩和检验通过比较样本排序后的秩次而非原始数值进行分析，适用于不满足正态性假设的情形。它常用于两组或多组差异比较。
3.4.2 符号检验
符号检验仅利用差值的正负号判断总体位置差异，方法简便且对分布假设要求较低。其代价是信息利用较少。
3.4.3 分布无关方法
分布无关方法是指不依赖于特定总体分布形式的统计技术。此类方法强调稳健性，适合模型假设难以严格成立的现实数据。
4 抽样与实验设计
抽样与实验设计决定数据如何获得，是保证推断可靠性的前提。
4.1 抽样理论
抽样理论研究如何从总体中获取有代表性的样本，并分析由抽样带来的不确定性。
4.1.1 简单随机抽样
简单随机抽样要求总体中每个个体被抽中的机会相同。它是最基础、最直观的抽样方式，便于理论分析。
4.1.2 分层抽样
分层抽样先将总体按某种特征划分为若干层，再在各层内分别抽样。该方法有助于提高估计精度并保证各层代表性。
4.1.3 整群抽样
整群抽样以群体为单位进行抽取，常用于总体范围较大或个体分散的情况。它在节约成本方面具有优势，但抽样误差结构较为复杂。
4.2 实验设计
实验设计关注如何合理安排实验条件，以提高结论的可信度并减少无关因素干扰。
4.2.1 完全随机设计
完全随机设计将实验单位随机分配到不同处理组中，适用于实验条件较为均匀的场景。其优点是实施简单，分析方便。
4.2.2 随机区组设计
随机区组设计先按相似性分组，再在组内随机分配处理。这样可以控制部分已知干扰因素，提高比较效率。
4.2.3 析因设计
析因设计同时考察多个因素及其交互作用，适用于研究复杂系统中多因素共同影响的情况。它能够在较少实验次数下获取丰富信息。
4.3 抽样误差与偏差
抽样误差与偏差是影响统计结论准确性的两类主要问题。
4.3.1 抽样误差的来源
抽样误差来自样本与总体之间的随机差异，即便抽样方法正确也难以完全避免。其大小通常与样本容量和抽样设计有关。
4.3.2 系统偏差与随机误差
系统偏差是由测量方法、抽样框或实验安排引入的持续性偏离，随机误差则体现为无方向的波动。前者会导致结论偏离真实值，后者主要影响精度。
4.3.3 样本代表性
样本代表性是指样本能够较好反映总体特征。代表性不足会削弱推断结论的外推能力，因此是抽样与调查设计中的重要目标。
5 数理统计方法论
数理统计不仅提供具体技术，也形成了一套评价和选择方法的原则。
5.1 统计推断原则
统计推断原则用于衡量估计与检验方法的优劣，是方法选择的重要依据。
5.1.1 充分性
充分性强调统计量应尽可能保留样本中与参数有关的信息。充分统计量可以在不损失信息的前提下降低数据复杂度。
5.1.2 无偏性
无偏性指估计量的期望等于被估参数。它反映方法在长期重复抽样中的系统偏离程度。
5.1.3 一致性
一致性要求样本量增大时估计量趋近真实参数。该性质体现了方法在大样本条件下的可靠性。
5.1.4 有效性
有效性强调在满足同类条件下估计量或检验方法具有更小方差、更高功效或更优表现。它常用于比较不同方法的性能。
5.2 统计决策理论
统计决策理论把统计问题视为在不确定环境下选择行动方案的过程，强调损失、风险与最优策略。
5.2.1 损失函数
损失函数用于衡量决策结果偏离真实状态时所付出的代价。不同研究场景下，损失函数的形式可能不同。
5.2.2 风险函数
风险函数是损失函数在随机情形下的平均表现，用于比较不同决策规则的总体代价。它是决策理论中的核心评价指标之一。
5.2.3 贝叶斯决策思想
贝叶斯决策思想将先验信息与样本信息结合，在后验分布基础上作出决策。它适合于信息来源较多、需要融合经验知识的场景。
5.3 模型选择与评价
模型选择与评价用于判断统计模型是否合适，以及在多个模型之间如何取舍。
5.3.1 拟合优度
拟合优度反映模型对观测数据的解释程度。良好的拟合应在不过度复杂的前提下尽量贴近数据特征。
5.3.2 信息准则
信息准则通过同时考虑拟合效果和模型复杂度，对不同模型进行比较。它有助于避免过拟合并提升泛化能力。
5.3.3 交叉验证
交叉验证通过将数据分成训练集和验证集，评估模型在未见数据上的表现。该方法常用于预测建模与模型选择。
6 应用领域
数理统计在多个学科中都有广泛应用，尤其适合处理复杂数据、随机波动和不确定判断问题。
6.1 自然科学中的应用
自然科学研究常伴随实验测量与误差分析，数理统计因此成为重要工具。
6.1.1 物理实验数据分析
在物理实验中，统计方法可用于处理测量误差、拟合实验曲线并检验理论模型。它有助于从实验结果中提取稳定规律。
6.1.2 化学与生物测量
化学和生物测量常涉及重复实验、浓度比较和反应分析，统计方法可帮助评估结果差异与测量可靠性。它也用于分析复杂实验条件下的数据变动。
6.2 社会科学中的应用
社会科学研究经常处理调查、问卷与经济行为数据，统计推断能够支持概括与比较。
6.2.1 调查数据分析
调查数据分析用于从样本问卷推断群体特征，常涉及比例估计、交叉分析和因素比较。样本设计的合理性对结果尤为重要。
6.2.2 经济统计推断
经济统计推断用于分析价格、收入、产出等经济变量的变动规律。它常服务于趋势判断、政策评估和关系建模。
6.3 工程与质量控制
工程领域重视稳定性、误差管理与过程控制，数理统计在其中具有基础地位。
6.3.1 质量管理
质量管理利用统计方法监测生产过程，识别异常波动并保持产品一致性。控制图、抽样检验等都是常见工具。
6.3.2 可靠性分析
可靠性分析关注设备或系统在规定条件下正常工作的概率与寿命特征。统计方法可用于故障时间建模与寿命分布研究。
6.4 医学与公共卫生
医学和公共卫生研究通常涉及临床观察、群体健康与风险因素分析，统计方法是其基础支撑。
6.4.1 临床试验统计
临床试验统计用于设计试验方案、分配受试者并分析治疗效果。其重点在于控制偏倚、提高证据质量。
6.4.2 流行病学研究
流行病学研究常通过统计方法分析疾病分布、暴露因素与健康结局之间的关系。它为疾病监测和防控策略提供依据。
7 发展与相关学者
数理统计的形成经历了长期积累，从早期经验总结逐步发展为严密的数学分支。
7.1 学科发展历程
统计思想的演进与科学实验、社会调查和概率理论的发展密切相关。
7.1.1 早期统计思想
早期统计思想主要体现在人口、税赋、天文与测量记录中，侧重整理和归纳现象。此阶段尚未形成完整的理论体系。
7.1.2 现代数理统计的形成
随着概率论、误差理论和抽样理论的成熟，统计学逐渐从经验性汇总发展为以数学推导为基础的学科。现代数理统计由此建立起较为系统的理论框架。
7.1.3 当代发展趋势
当代数理统计持续向高维数据、复杂模型与计算方法方向拓展。理论研究与计算技术结合更加紧密，应用范围也不断扩大。
7.2 重要学者与贡献
数理统计的发展凝聚了多位学者的贡献，他们在估计、检验和回归等领域奠定了基础。
7.2.1 参数估计理论的发展
参数估计理论的完善，使统计推断从粗略判断走向可计算、可比较的系统方法。相关研究推动了估计量性质分析的发展。
7.2.2 假设检验方法的完善
假设检验方法的发展，建立了从样本证据到统计结论的规范流程。其基本框架后来被广泛应用于多种学科研究。
7.2.3 回归与多元分析的推进
回归与多元分析的发展，使统计学能够处理多个变量之间的联合关系。此类方法在解释现象、构建模型和预测结果方面具有重要意义。
8 相关概念与扩展
数理统计与多个学科和方法体系相互交织，构成更广阔的统计与数据分析领域。
8.1 统计学分支
统计学内部具有多种分支，各自侧重不同的研究对象和应用场景。
8.1.1 描述统计学
描述统计学主要用于整理、概括和展示数据特征，如均值、离散程度、图表表示等。它是统计分析的基础环节。
8.1.2 经济统计学
经济统计学关注经济活动中的数量关系与变化规律，强调指标体系和宏观、微观数据分析。它在经济监测与政策研究中应用广泛。
8.1.3 生物统计学
生物统计学将统计方法用于生命科学研究，处理实验、生理和遗传等数据。它在生物医学研究中具有重要地位。
8.2 数学基础
数理统计的理论构建依赖多门数学工具，尤其是概率论、线性代数和微积分。
8.2.1 概率论
概率论研究随机现象及其数量规律，是数理统计的直接理论基础。统计推断的大部分概念都建立在概率模型之上。
8.2.2 线性代数
线性代数提供向量、矩阵和线性变换工具，广泛用于回归分析、多元统计与高维模型。它使复杂数据关系能够以简洁形式表达。
8.2.3 微积分
微积分在极值求解、概率密度分析和参数估计中发挥重要作用。许多统计方法的推导都依赖其连续变化与优化思想。
8.3 现代扩展方向
随着计算能力提升，数理统计不断与新兴数据分析方法融合，形成新的研究方向。
8.3.1 贝叶斯统计
贝叶斯统计强调将先验知识与样本信息结合，通过后验分布进行推断。它在不确定性表达和动态更新方面具有独特优势。
8.3.2 机器学习中的统计思想
机器学习中的许多方法本质上继承了统计建模与风险最小化思想。统计学为模型训练、泛化评估和误差控制提供了理论基础。
8.3.3 大数据分析
大数据分析面对规模大、类型杂和速度快的数据环境，要求统计方法与计算技术协同使用。其重点不仅在于计算效率，也在于解释能力和稳健推断。
</INTERNAL_LINK_CANDIDATES> 概率论（研究随机现象及其数量规律的数学基础学科） 随机变量（对随机现象结果进行数量化表示的变量） 样本（从总体中抽取的一组观测值） 总体（研究对象的全体） 统计量（由样本构成且不含未知参数的函数） 抽样分布（统计量在重复抽样下的概率分布） 参数估计（利用样本信息推断总体参数的过程） 假设检验（根据样本证据判断总体命题的方法） 线性回归（研究变量间线性关系的统计模型） 方差分析（用于比较多个总体均值差异的方法） 列联表（用于整理分类变量频数的表格） 卡方检验（基于频数差异进行判断的检验方法） 抽样理论（研究如何从总体中获取代表性样本的理论） 实验设计（对实验条件和处理安排的系统方法） 贝叶斯统计（将先验信息与样本信息结合的统计方法） 机器学习（从数据中学习模式并进行预测的计算方法） 大数据分析（面向大规模、多类型数据的分析方法） 生物统计学（将统计方法应用于生命科学的分支）