跳到主要内容

数理统计 (Mathematical Statistics)

数理统计是研究如何有效地收集、整理和分析带有随机性的数据，并对所考察的问题作出推断的学科。它是连接概率理论与实际应用的桥梁。

知识架构​

抽样分布

从总体到样本的过渡。掌握 χ2\chi^2 分布、tt 分布、FF 分布的构造与性质，这是统计推断的基石。

参数估计

点估计（矩估计、极大似然估计）与区间估计。评价标准：无偏性、有效性、相合性。

假设检验

显著性检验原理、正态总体参数检验、拟合优度检验。理解第一类与第二类错误。

回归分析

一元与多元线性回归、最小二乘估计、模型诊断与预测。

章节目录​

1. 抽样分布 (Sampling Distribution)​

  • 统计量与抽样分布：样本均值、样本方差的分布
  • 三大分布：χ2(n)\chi^2(n)、t(n)t(n)、F(m,n)F(m,n) 的定义与性质
  • 正态总体下的抽样分布定理

2. 参数估计 (Estimation)​

  • 点估计方法：
    • 矩估计法（Method of Moments）
    • 极大似然估计（Maximum Likelihood Estimation）
  • 估计量的评价：无偏性、有效性、Cramér-Rao 下界
  • 区间估计：置信区间的构造与解释

3. 假设检验 (Hypothesis Testing)​

  • 基本概念：原假设 vs 备择假设、显著性水平、P 值
  • 参数检验：单样本/双样本正态总体检验
  • 非参数检验：χ2\chi^2 拟合优度检验、独立性检验

4. 回归分析 (Regression Analysis)​

  • 一元线性回归：最小二乘估计、显著性检验
  • 多元线性回归：矩阵形式、共线性诊断
  • 模型评估：R2R^2、残差分析

计算验证：C++ 统计量计算​

点击查看 C++ 实现样本统计量计算
#include <iostream>
#include <vector>
#include <math>
#include <iomanip>

using namespace std;

struct Statistics {
    double mean;
    double variance;      // 样本方差 (n-1)
    double std_dev;
    double min, max;
};

Statistics compute_stats(const vector<double>& data) {
    int n = data.size();
    double sum = 0, sum_sq = 0;
    double min_val = data[0], max_val = data[0];

    for (double x : data) {
        sum += x;
        sum_sq += x * x;
        min_val = min(min_val, x);
        max_val = max(max_val, x);
    }

    double mean = sum / n;
    // 样本方差 (无偏估计)
    double variance = (sum_sq - n * mean * mean) / (n - 1);

    return {mean, variance, sqrt(variance), min_val, max_val};
}

int main() {
    // 示例数据
    vector<double> data = {12.5, 13.2, 11.8, 14.1, 12.9, 13.5, 12.3, 13.8};

    auto stats = compute_stats(data);

    cout << fixed << setprecision(4);
    cout << "样本统计量:" << endl;
    cout << "样本均值: " << stats.mean << endl;
    cout << "样本方差: " << stats.variance << endl;
    cout << "标准差:   " << stats.std_dev << endl;
    cout << "最小值:   " << stats.min << endl;
    cout << "最大值:   " << stats.max << endl;

    return 0;
}

跨领域映射​

领域统计应用典型方法
机器学习模型评估、特征选择交叉验证、假设检验
金融工程风险度量、收益率分析VaR、时间序列分析
生物统计临床试验、基因分析生存分析、多重检验
质量控制过程监控、缺陷检测控制图、抽样检验

学习建议：数理统计的核心在于理解"从样本推断总体"的思想。建议在学习理论的同时，使用 Python (scipy.stats) 或 R 进行实际数据分析练习。

本章节由 SolKnow 系统根据标准教材整理。