核心要点

  • 总体=研究对象全体及其分布参数（μ、σ、p，固定未知）；样本=抽取的子集，用统计量（x̄、s、p̂）估计

  • 统计量是随机变量（随样本而变），参数是固定常数；二者切勿混用符号

  • 能说明随机抽样为何重要：避免抽样偏差，使样本代表总体

  • 理解抽样偏差（幸存者、自选择）无法靠增大 n 消除，只能改进抽样设计

简要回答

总体 Population 样本 Sample
定义 研究目标的全体 总体的一部分观测
描述量 参数 μ, σ, p 统计量 x̄, s, p̂
是否可得 通常未知 观测可得

目标：用样本统计量推断总体参数（点估计、区间估计、假设检验）；

关键假设：

  • 随机抽样：减少选择偏差
  • 样本量：越大估计越稳（大数定律保证 x̄ 收敛到 μ）
  • 独立同分布（i.i.d.）常作为理论起点

AI 语境：训练集可视为从数据生成过程抽样的「样本」

标准回答

总体 Population 样本 Sample
定义 研究目标的全体 总体的一部分观测
描述量 参数 μ, σ, p 统计量 x̄, s, p̂
是否可得 通常未知 观测可得

目标：用样本统计量推断总体参数（点估计、区间估计、假设检验）。

关键假设：

  • 随机抽样：每个个体有已知非零入样概率，减少选择偏差
  • 样本量：越大估计越稳（大数定律保证 x̄ 收敛到 μ）
  • 独立同分布（i.i.d.）常作为理论起点

AI 语境：训练集可视为从数据生成过程抽样的「样本」；测试集评估泛化到「总体」分布的性能。分布偏移 = 样本不再代表目标总体。

常见误区

⚠️ 常见踩坑

混淆参数与统计量：把样本均值 x̄ 当成总体均值 μ，或对固定参数说「概率」——参数不是随机变量，随机的是样本统计量。另一误区：以为增大样本量能修正抽样偏差；偏差来自抽样方式（如只调查线上用户），加大 n 只会更精确地估出一个错误的值。

追问

追问 1：参数和统计量举例说明？

总体均值 μ 是参数；样本均值 x̄ 是统计量。总体比例 p vs 样本比例 p̂。统计量是随机变量（随样本变），参数是固定未知常数。

追问 2：什么是抽样偏差？

样本不能代表总体，如只调查线上用户推断全体、幸存者偏差、自愿回应偏差。偏差无法靠增大样本消除，需改进抽样设计。

追问 3：有限总体修正何时需要？

当无放回抽样且样本占总体比例较大（经验上 n/N > 5%）时，标准误需乘有限总体修正因子 √((N−n)/(N−1))，否则会高估方差。总体很大或抽样比很小时该因子接近 1，可忽略。

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

📰 AI 资讯

🎯 相关面试题