FINAL TRACK 0 · START HERE

统计语言零基础预备课Before formulas, learn what every symbol is trying to say.

你不是“智商不够”。统计课真正难的地方，是老师常常用一行符号压缩了五六句中文，却只解释那一行符号。这里先把最常见的词全部拆开。你读完后，不要求会做题，只要求看到公式时知道它正在问什么。

1 hourno prerequisitestiny examples

人话 → 符号

先翻译，再计算。不会翻译的公式，不值得死背。

01 · FIVE PEOPLE IN THE STORY

一题统计题里，到底谁是谁

教授慢讲

想象你要知道全校学生每天睡多久

全校真实平均睡眠时间存在，但你不可能问完每个人。于是你随机找 10 个人，得到 10 个数字。接下来统计学做的全部事情，都是用看得到的 10 个数字，推测看不到的全校真相。

Parameter 参数 θ: 看不到的总体真相。例如全校真实平均睡眠时间。它通常固定，但我们不知道。
Random variable 随机变量 X: 抽人以前，结果还没出现，所以用大写 X 表示“可能出现的数”。
Observed data 观测 x: 抽完以后，纸上真的写下来的数。通常用小写 x。
Statistic 统计量 T(X): 只用样本算出来的东西，例如样本平均。它不能含未知参数。
Estimator 估计量 θ̂: 拿来猜参数的随机规则，例如“永远用样本平均猜总体平均”。
Estimate 估计值: 把这次真实数据代入 estimator 得到的具体结果。

还没抽样时写。抽完得到 6、8、7 小时，写。规则是 estimator；这次算出的 7 小时是 estimate。

帽子不是“真正参数变了一顶帽子”，而是“我们用数据做出的猜测”。Bar 表示平均；下标 i 只是第 i 个观察，不是乘法。

“全校学生真实平均睡眠时间”属于哪一类？

02 · WHAT A MODEL DOES

概率模型是一台“造数据机器”

给机器一个参数，它就告诉你各种数据出现的可能性。参数不同，机器的行为也不同。统计推断则反过来：我们看到机器吐出的数据，猜机器里的参数。

硬币例子

同一枚硬币，参数 p 控制正面倾向

若，机器是公平硬币；若，它很爱出正面。Bernoulli 模型不是说结果一定等于 p，而是说每次只取 0 或 1，取 1 的概率是 p。

中文给定参数 p，看到一次正面的概率是 p，看到反面的概率是 1−p。

→

符号

为什么这个短公式同时容纳正反两种情况？当，它变成；当，它变成。指数 0 相当于把不需要的那项关掉。

三种符号先学会朗读

“把每一项加起来”。就是所有观察总和。

“把每一项乘起来”。独立数据的联合概率常用乘积。

把乘法变加法，而且不改变谁最大，所以 MLE 很喜欢它。

03 · PROBABILITY VS LIKELIHOOD

同一个公式，问题方向反过来

Probability 的问题

参数已知：如果 p=0.7，未来看到 HHT 的可能性是多少？

Likelihood 的问题

数据已知：我们已经看到 HHT，p=0.2、0.5、0.8，哪个更能解释它？

观察到 HHT，也就是两次正面、一次反面。Likelihood 是。

p 很接近 0：两次正面很难解释。
p 很接近 1：最后那次反面又很难解释。
最合理的位置会在中间，而且偏向“正面占 2/3”。

MLE 最后给，不是因为背过答案，而是“观测比例最能复现观测数据”。

数据 HHT 已经发生，不再随机变化。

把 p 当成旋钮，从 0 到 1 试不同设定。

每个 p 都会给 HHT 一个可能性。

让这个可能性最大的 p，就是 MLE。

Likelihood 不是“p 自己的概率分布”。在频率派 MLE 里，p 是未知常数；只用来比较不同 p 对当前数据的解释力。

04 · EXPECTATION

Expected count 不是“我猜会发生”

Expectation 是把同一个实验重复很多很多次以后，长期平均会靠近的数。一次实验完全可以不像 expectation。

90 只老鼠各选三扇门。H₀ 说三扇门没有偏好，每扇概率都是 1/3。那么每扇的 expected count 是。

这不是说三扇门一定恰好各 30 只，而是说 30、30、30 是 H₀ 的中心预测。观察到 29、31、30 很普通；观察到 80、5、5 就很难用 H₀ 解释。

中文总共有 n 次机会，每次落进第 i 类的概率是 pᵢ。

→

符号

χ² statistic 比较的是“实际看到的 O”与“H₀ 预测的 E”。分母用 E，因为我们需要用 H₀ 自己的尺度衡量偏差。

05 · HYPOTHESIS TESTING

H₀ 是暂时采用的基准，不是真理

法庭类比

“无罪推定”不是“证明无罪”

H₀ 像暂时的无罪假设。我们问：如果 H₀ 真的成立，眼前证据会不会离谱到很难出现？若非常离谱，就拒绝 H₀；若不够离谱，只能说证据不足，不能宣布 H₀ 已被证明。

有人声称一枚硬币公平。只抛 3 次看到 HHH，并不足以确定它有问题；抛 100 次看到 99 次正面就很可疑。p-value 衡量的是：假设硬币真的公平，出现当前结果或更极端结果的概率。

p-value 不是“H₀ 为真的概率”。频率派检验没有直接给假设分配概率。也不要写“接受 H₀”；写“没有足够证据拒绝 H₀”。

p-value 很大时，正确结论是什么？

06 · COVARIANCE & LINEAR COMBINATIONS

回归证明到底在证明什么

Covariance 问两个随机量是否一起上下移动。正表示常一起同向，负表示常反向，零表示没有线性的共同移动。

气温越高，冰淇淋销量通常越高，所以 covariance 为正。气温越高，暖气用量通常越低，所以 covariance 为负。

回归里与的 covariance 为 0，意思是“整组 Y 一起抬高”会改变平均高度，却不会改变斜率。斜率只关心左右两边的相对差。

Linear combination 就是“加权平均的亲戚”

叫 linear combination。普通平均的权重全是；回归斜率也能写成加权和，只是左侧 x 的权重为负、右侧为正。

若 x 只有 0、1、2 三个位置，中心在 1。中间点对斜率没有左右信息，所以权重是 0；两端一负一正。斜率本质上在比较“右端 Y − 左端 Y”。

Covariance 为 0 一般不代表独立。只有本课程回归里，因为相关量都是同一个 joint Normal 向量的线性组合，才能把 zero covariance 升级成 independence。

07 · FOUR QUESTIONS TO CARRY FORWARD

以后每看到公式，先问这四句

不要急着算：

现在什么是固定的？什么是随机的？
这个式子在比较谁和谁？
每个求和、乘积、log 是从哪句话翻译来的？
最终答案要用什么中文句子解释？

下一课	真正的问题	你已经会的地基
MLE	哪个参数最能解释数据？	模型机器、likelihood 旋钮
χ²	观察计数离 H₀ 的期望有多远？	expected count、检验语言
Regression	如何证明斜率与预测的性质？	linear combination、covariance
Bayes Factor	哪台模型机器更能生成数据？	模型、likelihood 与 hypothesis

预备课 mastery0/4

我能区分 parameter、data、statistic、estimator、estimate。我能用 HHT 例子解释 probability 与 likelihood 的方向差异。我知道 expected count 与 p-value 分别在说什么。我能用“整体抬高不改变斜率”解释 Cov(Ȳ,β̂₁)=0 的直觉。