概率论与数理统计，放在一起，我们常常分不清，到底哪部分是概率论？哪部分是数理统计？

核心一句话表明本质：

概率论：已知模型，推演数据（正向）；

数理统计：已知数据，反推模型（逆向）。

核心逻辑对比

概率论

已知规律(概率分布) → 计算各种事件发生的概率、随机变量的性质(期望、方差、分布、概率)

例如，硬币有正反两面，抛硬币，每面出现的概率都是0.5。

基于此，去求解它的期望、方差；

基于此，去求解它的分布情况；

基于此，去求解抛10次，其中6次出现正面的概率...

整个过程不需要真实抛硬币，依靠模型就可以完成全部计算

数理统计

数理统计，就像概率论遇到了现实，我们拿不到真实的分布规律，只能拿到样本。

在这种情况下，我们要基于数据去反推，背后的分布、参数、规律。

二者的关系

数理统计建立在概率论之上

有概率论的定理做保证，统计的推断才是靠谱的，否则就是瞎猜

数理统计最核心的两根支柱是：大数定律 + 中心极限定理

1. 大数定律

核心结论：样本量不断增大时，样本均值会逼近总体期望

这条理论解决了统计的根本问题：为什么可以拿有限样本，去估计总体的真实参数？

2. 中心极限定理

核心结论：无论原始数据服从什么分布，只要样本量足够大，独立样本的平均值，会近似服从正态分布

注意：中心极限定理说的是样本均值，不是原始数据

这有什么用呢？

我们知道了样本均值的波动，且波动服从正态分布，就能：

a. 计算置信区间：估计值大概在什么范围；

b. 做假设检验：观测到的差异，是真实差异，还仅仅是随机采样的运气？

总结一下，大数定律与中心极限定理：

i. 两者属于概率论，但却是统计的地基；

ii. 大数定律：样本大，样本均值逼近真实期望。这让参数估计变得可能。

iii. 中心极限定理：样本均值的随机波动，服从正态分布。这允许我们算置信区间、做假设检验。

概率论与数理统计的各自内容

概率论主要学习内容

1. 随机事件与概率公理

事件运算、条件概率、全概率公式等，建立了“概率”的数学规则。

2. 随机变量与各类分布

离散变量、连续变量、各种分布。给定分布，计算区间概率

3. 数字特征

总体期望、总体方差等，刻画一个随机变量本身固有的性质。

4. 大数定律与中心极限定理

数理统计的主要学习内容

1. 样本与统计量

总体与样本的概念；统计量：样本均值、样本方差

2. 抽样分布

t分布、F分布等。这些分布是用概率论推导出来的，专门用来描述统计量的波动行为。

3. 参数估计

点估计、区间估计..

4. 假设检验

p值、显著性水平...；卡方检验、t检验、Z检验...

5. 回归分析

本文总结

概率论：知模型算现象；

数理统计：见现象猜模型。