第01讲 统计推断的基本对象与统计量

讲义信息

• **课程：**数理统计
• **章节：**第 1 章导论，对应课件 lec1.1(2026)169
• **讲次：**第 01 讲
• 日期：
• **对应大纲：**数理统计大纲
• **对应课件：**slides/lec1.1(2026)169.pdf
• **研究对象：**总体分布、总体参数、样本及其函数
• **统计任务：**建立数理统计的基本语言，明确“从样本推断总体”这一主线
• **本讲结论用途：**为后续抽样分布、点估计、区间估计、假设检验提供统一术语和建模框架

[!summary]+ 本讲导读

• 本讲研究的问题：数理统计到底在研究什么，统计推断是如何从数据走向结论的。
• 已知什么：来自总体的一组样本数据，或关于总体的模型假设。
• 未知什么：总体分布本身，或总体分布中控制其形状的参数。
• 核心统计对象：总体、个体、样本、统计量、参数、分布族、经验分布函数。
• 本讲结论最终服务什么推断任务：把后续所有“估计”和“检验”都放回到同一条链条中，即 Data → Statistics → Information。

先看全局

这一讲最重要的不是记住几个定义，而是先把整门课的层次关系理清。一个统计问题通常至少有四层：

1. **现实对象层：**我们真正关心的是寿命、成功率、平均水平、波动大小等现实问题。
2. **总体模型层：**把现实对象抽象成某个总体分布，例如 $N(\mu,\sigma^2)$、$B(1,p)$、$E(\lambda)$。
3. **样本层：**真正能观察到的是从总体中抽出来的一组样本 $X_1,\dots,X_n$。
4. **统计量层：**为了做推断，再把样本压缩成 $\overline X$、$S^2$、$\sum X_i$、$F_n(x)$ 这类统计量。

后面所有章节，其实都只是在这四层之间来回切换：

• 概率论更像“已知总体，研究样本”；
• 数理统计更像“观察样本，反推总体”。

一、本讲定位

• 在课程中的位置：这是整门课的入口课，负责建立基本术语、基本对象和基本视角。
• 和前一讲的连接：无，属于课程起点。
• 和后一讲的连接：下一步将进入“抽样分布”的研究，开始讨论统计量到底服从什么分布。
• 本讲重点内容：
  • 统计推断的总体框架
  • 总体、样本、参数与统计量的区分
  • 参数模型、非参数模型与分布族
  • 简单随机样本
  • 经验分布函数
  • 统计量的定义与基本例子

二、模型与前提

1. 研究模型

• **总体：**研究对象全体的概率规律。
• **参数空间：**控制总体分布的未知参数的取值集合，常记为 $\Theta$。
• **样本：**从总体中抽取的观测结果，记为 $X_1,\dots,X_n$。
• 抽样方式：本讲默认简单随机抽样，即样本独立同分布。
• **参数含义：**参数不随样本变化，是总体分布的未知特征；参数函数 $g(\theta)$ 仍然属于推断对象。

2. 对象区分

• **总体：**要研究的整体对象，其概率规律通常用随机变量 $X$ 或分布函数 $F$ 表示。
• **样本：**从总体中得到的随机变量组 $(X_1,\dots,X_n)$。
• **参数：**总体分布中的未知常数，如 $\mu,\sigma^2,p,\lambda$。
• **统计量：**样本的函数，且不含未知参数。
• 估计量：专门用来估计参数或参数函数的统计量。
• **检验统计量：**专门用来做假设检验的统计量。

3. 模型前提检查

[!warning]+ 条件先检查

• 是否为 i.i.d. 样本：本讲中“简单随机样本”默认是。
• 是否来自正态总体：本讲不强求，但后续很多精确分布结论会依赖它。
• 参数是否已知：本讲只做对象区分，不要求具体已知。
• 是小样本还是大样本：本讲不区分，但经验分布函数的收敛结论涉及 $n\to\infty$。
• 是精确结论还是渐近结论：经验分布函数逼近总体分布属于渐近结论。
• 是否还需要额外正则条件：本讲一般不需要，但涉及极限理论时要明确收敛方式。

三、核心概念

[!definition]+ 数理统计的基本任务 数理统计研究的是：在总体分布未知、只能观察样本的条件下，怎样利用样本中的信息去推断总体分布或总体参数。

更紧凑地说，数理统计的主线是

$$\text{Data} \longrightarrow \text{Statistics} \longrightarrow \text{Information}.$$

用途：这是整门课的总纲，而不是某一道题的局部技巧。

正文说明：

• **直觉理解：**统计并不是盯着某一个样本值本身，而是借助样本去看它背后的总体规律。
• 和相邻概念的区别：概率论常常是“已知总体分布，研究样本行为”；数理统计则是“观察样本，反推总体分布或参数”。
• 题目里看到哪些信号会想到它：只要题目问“估计”“检验”“判断总体参数”“推断总体分布”，都在这条主线上。

[!definition]+ 总体、个体与样本

• 总体（population）：研究对象的全体。
• 个体（individual）：总体中的一个具体单位。
• 样本（sample）：从总体中抽取的一组观测值或随机变量。

在数理统计中，常把总体用一个随机变量 $X$ 或其分布函数 $F$ 表示，把样本记作

$$(X_1,X_2,\dots,X_n).$$

用途：这是后续所有定义的起点。

正文说明：

• **直觉理解：**总体回答“研究谁”，样本回答“我们实际看到了谁”。
• 和相邻概念的区别：总体不是样本的简单并列堆积，而是概率规律意义下的“来源”；样本是从总体中抽出来的观测。
• 题目里看到哪些信号会想到它：题目里凡是出现“从某总体中抽取”“设 $X_1,\dots,X_n$ 来自某分布”，都默认进入总体与样本的语言。

[!definition]+ 参数与分布族 若总体分布属于某一类由参数控制的分布集合

$$\mathcal{F}=\{F_\theta:\theta\in\Theta\},$$

则称 $\mathcal{F}$ 为一个分布族，$\theta$ 为参数，$\Theta$ 为参数空间。

用途：这是把实际问题写成“统计模型”的标准形式。

正文说明：

• **直觉理解：**参数模型的核心不是“一条确定分布”，而是“在一族可能的分布里找出真正那一条”。
• 和相邻概念的区别：参数是未知但固定的总体特征；统计量会随样本变化，参数不会随样本变化。
• 题目里看到哪些信号会想到它：当题目写出 $X\sim N(\mu,\sigma^2)$、$X\sim B(1,p)$、$X\sim E(\lambda)$ 时，本质上都在给出一个分布族。

四、统计量与分布

1. 总体分布与统计模型

现实问题进入数理统计时，通常先做的不是“直接计算”，而是建模。也就是说，要先回答：

• 总体可以用哪个随机变量表示；
• 总体分布属于哪一个分布族；
• 未知的到底是有限维参数，还是整个分布函数。

典型例子如下。

1. 指数分布族：

   $$\mathcal{F}=\{E(\lambda):\lambda>0\}.$$

   用途：表示寿命、等待时间等非负随机现象的参数模型。

2. Bernoulli 分布族：

   $$\mathcal{F}=\{B(1,p):0<p<1\}.$$

   用途：表示“成功 / 失败”“合格 / 不合格”这一类二值总体。

3. 正态分布族：

   $$\mathcal{F}_1=\{N(\mu,\sigma^2):-\infty<\mu<\infty,\ \sigma>0\}.$$

   用途：表示均值与方差都未知的正态总体模型。

4. 部分参数已知的正态模型：

   $$\mathcal{F}_2=\{N(\mu,\sigma_0^2):-\infty<\mu<\infty\}.$$

   用途：表示方差已知、只需估计均值时的参数模型。

5. 非参数模型：

   $$\mathcal{F}=\{F(x):F\ \text{为分布函数}\}.$$

   用途：表示我们并不预先指定有限维参数，而是把整个分布函数都作为研究对象。

[!theorem]+ 简单随机样本的联合分布 若 $X_1,\dots,X_n$ 是来自总体分布 $F$ 的简单随机样本，即它们独立同分布，则其联合分布函数为

$$F_n(x_1,\dots,x_n)=F(x_1)F(x_2)\cdots F(x_n).$$

若总体有密度或概率函数 $f$，则样本的联合密度或联合概率函数为

$$f_n(x_1,\dots,x_n)=\prod_{i=1}^n f(x_i).$$

用途：这是后续构造似然函数、研究统计量分布的基础。

正文说明：

• 这个分布是如何得到的：关键只用到两件事，独立性给出“乘积结构”，同分布给出“每一项都长得一样”。
• 与正态、$\chi^2$、$t$、$F$ 的联系：后续所有正态样本下的精确分布结论，都是从这种联合结构出发推出来的。
• **这里是否依赖独立性或正态性：**依赖独立同分布，但不依赖正态性。

2. 经验分布函数

[!definition]+ 经验分布函数 对样本 $X_1,\dots,X_n$，定义

$$F_n(x)=\frac{1}{n}\#\{X_i\le x: i=1,\dots,n\} =\frac{1}{n}\sum_{i=1}^n I\{X_i\le x\}.$$

用途：这是用样本直接逼近总体分布函数 $F(x)$ 的基本对象。

正文说明：

• 直觉理解：$F_n(x)$ 就是“样本中不超过 $x$ 的比例”。
• 和相邻概念的区别：$F(x)$ 是总体分布函数，固定但未知；$F_n(x)$ 是由样本构造出来的随机函数。
• 题目里看到哪些信号会想到它：一旦题目谈“从样本恢复总体分布”“用样本频率近似概率”，就应该想到经验分布函数。

若记样本次序统计量为

则经验分布函数可写为分段形式

**用途：**这是看清 $F_n$ 是一个右连续阶梯函数的标准表达。

[!theorem]+ 经验分布函数的一致收敛 若 $X_1,\dots,X_n$ 是来自总体分布 $F$ 的 i.i.d. 样本，则

$$P\left(\lim_{n\to\infty}\sup_{x\in\mathbb{R}}|F_n(x)-F(x)|=0\right)=1.$$

这就是 Glivenko-Cantelli 定理。

用途：说明样本量增大时，经验分布函数会一致逼近总体分布函数。

正文说明：

• **这个结论回答了什么问题：**样本频率能否稳定地逼近真实分布。
• **为什么它重要：**它给“用样本恢复总体分布”提供了理论保证。
• 这里属于什么类型的结论：这是渐近结论，不是有限样本下的精确等式。

五、主要结论

1. 统计量

[!definition]+ 统计量 设样本为 $X=(X_1,\dots,X_n)$。若

$$T=T(X_1,\dots,X_n)$$

是样本的 Borel 可测函数，且不含未知参数，则称 $T$ 为统计量。

用途：统计量负责把原始数据压缩为可用于推断的信息。

容易混淆的点有三类。

1. 统计量必须是样本的函数。
2. 统计量可以是一个数，也可以是一个向量。
3. 统计量中不能含未知参数，但可以含已知常数。

例如，在总体 $X\sim N(\mu,\sigma^2)$ 且 $\mu$ 未知、$\sigma>0$ 未知时：

• $X_1+X_2+X_3$ 是统计量；
• $\max(X_1,X_2,X_3)$ 是统计量；
• $|X_3-X_1|$ 是统计量；
• $X_1+\mu$ 不是统计量，因为含有未知参数 $\mu$；
• $\dfrac{1}{\sigma^2}\sum_{i=1}^3 X_i^2$ 不是统计量，因为含有未知参数 $\sigma^2$；
• 常数 $30$ 可以看作平凡统计量，因为它不依赖未知参数。

2. 常见统计量

[!theorem]+ 常用样本统计量 对样本 $X_1,\dots,X_n$，最常见的统计量包括：

$$\overline{X}=\frac{1}{n}\sum_{i=1}^n X_i,$$

用途：样本均值，用于估计总体均值 $\mu=EX$。

$$S^2=\frac{1}{n-1}\sum_{i=1}^n (X_i-\overline{X})^2,$$

用途：样本方差，用于估计总体方差 $\sigma^2=\operatorname{Var}(X)$。

$$a_{n,k}=\frac{1}{n}\sum_{i=1}^n X_i^k,$$

用途：$k$ 阶原点样本矩，用于估计 $EX^k$。

$$m_{n,k}=\frac{1}{n}\sum_{i=1}^n (X_i-\overline{X})^k,$$

用途：$k$ 阶中心样本矩，用于估计中心矩。

正文说明：

• 这些统计量之所以重要，不是因为形式复杂，而是因为它们分别对应均值、方差、矩等总体特征。
• 从“Data → Statistics → Information”的角度看，这些统计量就是把原始样本压缩成若干可解释的数。

3. 参数、统计量、估计量的关系

[!theorem]+ 三者的角色分工

• 参数：总体中的未知常数，如 $\mu,\sigma^2,p,\lambda$。
• 统计量：样本的函数，不含未知参数。
• 估计量：以参数或参数函数为目标的统计量。

用途：这是后续“点估计”一章的语言基础。

一个最常见的误区是把总体均值 $\mu$ 和样本均值 $\overline{X}$ 混为一谈。两者虽然都和“平均”有关，但角色不同：

• $\mu$ 属于总体层，是未知参数；
• $\overline{X}$ 属于样本层，是统计量；
• 用 $\overline{X}$ 去估计 $\mu$ 时，$\overline{X}$ 才进一步成为估计量。

[!warning]+ 使用边界

• 只要表达式里含未知参数，就不是统计量。
• 经验分布函数逼近总体分布是渐近结论，不能误写成有限样本下的恒等式。
• 简单随机样本的联合分布乘积形式依赖独立同分布，抽样方式一变，公式可能就失效。

关键公式释义

1. 分布族记号

• **来源：**这是把“总体可能属于哪些分布”统一写成集合的标准方式。
• **含义：**真实总体不是任意分布，而是落在这族分布中的某一个；未知的只是其中的参数 $\theta$。
• **使用提醒：**以后看到任何“设 $X\sim N(\mu,\sigma^2)$”“设 $X\sim B(1,p)$”之类写法，都可以理解成在指定一个分布族。

2. 简单随机样本的联合分布

• **来源：**独立性给出乘积结构，同分布说明每一项都用同一个 $f$。
• **含义：**样本的整体分布完全由单个样本点的分布和“独立同分布”这两个条件决定。
• **使用提醒：**只要样本不是 i.i.d.，这个乘积形式就不能直接写。

3. 经验分布函数

• **来源：**把“样本中不超过 $x$ 的个数”除以样本量 $n$。
• **含义：**它是在用样本比例近似总体概率 $P(X\le x)$。
• **使用提醒：**它是样本函数，不是真实总体分布函数；只有在大样本下才会逼近 $F(x)$。

4. 统计量定义式

• **来源：**统计量本质上就是样本的函数。
• **含义：**它把一整组样本压缩成一个数或一个向量，用于后续推断。
• **使用提醒：**判断是否是统计量时，除了看是不是样本的函数，还必须检查是否含未知参数。

六、推导与证明

1. 证明依赖

• 用到的定义：简单随机样本、经验分布函数、统计量。
• 用到的前序定理：无。
• 用到的分布性质：独立同分布的乘积结构。
• 用到的关键技巧：把经验分布函数写成指示函数平均，再调用大数定律或更强的一致收敛定理。

2. 证明思路

• **目标是什么：**说明为什么经验分布函数能逼近总体分布函数。
• **为什么选这个工具：**因为 $$F_n(x)=\frac{1}{n}\sum_{i=1}^n I\{X_i\le x\}$$ 本身就是 i.i.d. 随机变量的样本均值。
• **关键一步在哪：**固定 $x$ 后，把 $I\{X_i\le x\}$ 看成 Bernoulli 随机变量，其均值正好是 $F(x)$。
• **最后如何回到命题：**先得到逐点收敛，再用 Glivenko-Cantelli 升级为一致收敛。

[!proof]- 经验分布函数逐点逼近总体分布的思路 对固定的 $x$，令

$$Y_i=I\{X_i\le x\},\qquad i=1,\dots,n.$$

则 $Y_1,\dots,Y_n$ 独立同分布，且

$$P(Y_i=1)=P(X_i\le x)=F(x).$$

因而

$$E(Y_i)=F(x),\qquad \operatorname{Var}(Y_i)=F(x)(1-F(x)).$$

又因为

$$F_n(x)=\frac{1}{n}\sum_{i=1}^n Y_i,$$

所以由大数定律可得

$$F_n(x)\to F(x)\quad \text{a.s.}$$

用途：这是说明经验分布函数合理性的第一步。若进一步要求对全体 $x$ 一致成立，则需使用 Glivenko-Cantelli 定理。

七、例题与变式

1. 标准题

**题型：**概念判别题 / 估计题预备题

题目：

设 $X_1,\dots,X_n$ 来自总体 $X\sim B(1,p)$，其中 $0<p<1$ 未知。判断下列表达式哪些是统计量：

思路：

• **先判断统计任务是什么：**这是“识别统计量”的基本题。
• **再判断使用哪个统计对象和哪个结论：**只需抓住统计量定义，即“样本的函数，且不含未知参数”。

解答：

• $\overline{X}$ 是统计量。
• $\sum_{i=1}^n X_i$ 是统计量。
• $\overline{X}-p$ 不是统计量，因为含未知参数 $p$。
• $p(1-p)$ 不是统计量，因为它只依赖未知参数而不依赖样本。
• $\max(X_1,\dots,X_n)$ 是统计量。

**用途：**这是把“定义”真正落到判别上的标准题。

2. 变式题

• 改变总体分布后，哪些步骤失效：判断统计量是否成立与总体具体分布通常无关，只看是否含未知参数。
• 改变参数已知情况后，方法如何调整：若题中声明某个参数已知，则含该已知常数的表达式仍可能是统计量。
• 若改成大样本，是否可换成渐近方法：本题不需要，大样本方法与“统计量定义”无关。

3. 题型提醒

[!tip]+ 做题顺序

• 先看表达式里有没有未知参数。
• 再看它是否真的是样本的函数。
• 不要把“参数的函数”误当成“统计量”。

八、章节连接

• **这一讲建立在哪些知识之上：**概率论中随机变量、分布函数、密度函数、独立同分布、期望与方差。
• 这一讲为后面哪些内容做准备：抽样分布、点估计、区间估计、假设检验、充分统计量。
• 这一讲在整门课中的功能：统一语言，明确研究对象，建立“从样本到总体”的思维起点。

九、复习整理

[!summary]+ 本讲小结

• 研究的问题：如何从样本出发推断总体分布或总体参数。
• 使用的模型：总体 $X$ 或分布函数 $F$ 描述总体，样本 $(X_1,\dots,X_n)$ 描述观测。
• 核心统计量：经验分布函数 $F_n(x)$、样本均值 $\overline{X}$、样本方差 $S^2$、样本矩等。
• 关键结论：简单随机样本的联合分布具有乘积形式；经验分布函数一致逼近总体分布；统计量是不含未知参数的样本函数。
• 最重要的条件：简单随机样本要求独立同分布。
• 本讲最终服务什么推断任务：为后面研究统计量分布及其推断作用打基础。

高频误套

[!warning]+ 常见错误

• 把总体均值 $\mu$ 与样本均值 $\overline{X}$ 混写。
• 看到“样本函数”就以为一定是统计量，却忘了检查是否含未知参数。
• 把总体分布 $F$ 与经验分布函数 $F_n$ 混为一谈。
• 把“逐点收敛”误当成“一致收敛”。

条件卡

1. 结论：$X_1,\dots,X_n$ 的联合分布可写成乘积形式。 成立条件：样本独立同分布。 不能用在：不放回抽样、相关样本、时间序列样本。 常见误套场景：只看到“来自同一总体”就直接写成乘积。

2. 结论：$F_n(x)$ 可以逼近 $F(x)$。 成立条件：样本来自同一总体，且通常讨论 $n\to\infty$ 的极限。 不能用在：有限样本下把 $F_n(x)$ 当成 $F(x)$ 的精确等式。 常见误套场景：把经验分布函数直接当成真实分布函数使用而不说明近似性质。

3. 结论：$T(X_1,\dots,X_n)$ 是统计量。 成立条件：$T$ 是样本的函数，且不含未知参数。 不能用在：表达式中含有 $\mu,\sigma^2,p,\lambda$ 等未知参数时。 常见误套场景：把 $\overline{X}-\mu$、$\sum X_i/\sigma^2$ 当成统计量。

十、习题区

1. 概念题

1. 用自己的话解释“Data → Statistics → Information”在数理统计中的含义。
2. 说明总体、样本、参数、统计量四者的区别与联系。
3. 为什么说参数函数 $g(\theta)$ 仍然是统计推断对象？

2. 标准题

1. 给定 $X\sim E(\lambda)$，写出总体分布族，并写出 i.i.d. 样本的联合密度。
2. 给定样本 $X_1,\dots,X_n$，判断若干表达式是否为统计量，并说明理由。
3. 写出经验分布函数的定义，并解释它为什么是阶梯函数。

3. 综合题

1. 给一个实际背景，自行写出“总体建模 + 参数空间 + 样本表示 + 统计量示例”。
2. **结合经验分布函数说明：**为什么统计推断研究的是“稳定规律”，而不是单个样本值本身。

附：排版约定

[!tip]+ 写作规则

• 行内公式统一用 $...$。
• 行间公式统一用 $$...$$。
• 重要公式后面补一句“用途说明”。
• 先写条件，再写结论，再写用途。
• 少用缩进，多用小标题、短段落和留白。
• 保留老师强调过的原表达，但其余内容改写为讲义语言。
• 每讲默认产出：本讲小结、高频误套、3 至 5 张条件卡、标准题与变式题。