Solarex从大学第一次接触数理统计到现在，我越来越觉得这门学科的思维方式是被严重低估的。很多人学统计只记住了公式和检验步骤，却说不清“为什么样本均值服从正态分布”“p值到底能不能代表结论可靠程度”“置信区间的95%到底在说什么”。这篇笔记一，我想从最底层的逻辑讲起，把数理统计里那些“人人都用、但未必人人都懂”的概念掰开揉碎。如果你是刚转行做数据分析、或者读论文时被统计术语卡住、又或者学完概率论但不知道怎么落地，这篇笔记就是写给你的。我会尽量用业务场景代替数学推导，把每个概念的“为什么”讲透。
1. 概率论和数理统计的分工：先搞清楚我们在学什么
1.1 “已知”与“未知”：两种完全不同的推理方向
很多人学数理统计觉得混乱，根源在于没分清概率论和统计的底层方向是相反的。概率论是“已知总体，推测样本”：比如你知道一枚硬币正面朝上的概率是0.5，那么抛100次，出现40到60次正面的概率是多少？这是正向推理，信息是完备的。而数理统计是“已知样本，反推总体”：你抛了100次硬币，看到45次正面，那么“这枚硬币正面朝上的概率真的是0.5吗？”这就是逆向推断，信息不完备，答案也不是唯一的。
我见过不少数据分析师天天跑回归、算显著性，但问他“为什么t检验能说明两组有差异”，他就开始含糊其辞。根本原因就是没有理解统计推断的不确定性逻辑——你永远无法证明某个总体参数精确等于某个值，你只能根据样本给出一个“合理的范围”或“拒绝某个假设的把握有多大”。
1.2 一个例子讲清“抽样分布”这个概念到底在说什么
“抽样分布”是我当年学统计最头疼的概念，因为教材一上来就讲“样本均值的分布是正态分布，方差是σ²/n”。我当时满脑子问号：样本均值不就是一个数吗？怎么自己还有分布？
后来在业务里头做用户调研，我才真正搞懂。假设全公司五万用户的平均使用时长是30分钟（这个值你并不真的知道），你每次随机抽100个人算平均时长，这个平均值每次都会不一样。如果反复抽样几千次，你会得到几千个不同的“样本平均值”，这些平均值本身会形成一个分布——这就是抽样分布。它有两个极其重要的性质：中心极限定理告诉我们，不管原始数据是不是正态，样本均值的分布在样本量够大时都接近正态；抽样分布的方差是总体方差除以样本量n，也就是说，样本量越大，样本均值越稳定，围绕真实均值的波动越小。
理解了这个，后面所有关于置信区间、假设检验的公式你都能推导出直觉，而不是死记硬背。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 描述统计：在建模之前先把数据“看”明白
2.1 均值、中位数、众数：三种中心趋势各说各话
数理统计的第一课永远是描述统计。很多人觉得描述统计简单，不就是算个平均吗？但实际项目里，只看均值是会出大问题的。
我举个例子。你统计一个团队12个人的月薪（单位：千元）：[6, 6.5, 7, 7.2, 7.5, 8, 8, 8.5, 9, 9.5, 10, 85]。均值为14.35千元，看起来“团队平均工资过万了”，但这个数字完全掩盖了“大部分人工资都在6到10千元之间”的事实。那个85千元的极端值是CTO，把均值拉高了。这时候中位数是8.25千元，众数是8千元，它们才真正代表大多数人的水平。
所以我的习惯是这样：拿到任何一组数据，先将均值、中位数、众数三个指标一起看。它们三者相差越远，说明数据偏态越严重或极端值越