核心要点
描述统计总结已有数据，推断统计推广到总体
能各举常用方法
知道推断需要假设与不确定性量化
简要回答
描述统计用图表和汇总量刻画样本；推断统计用样本对总体参数或假设做结论，并量化不确定性。
标准回答
一、描述统计（Descriptive）
——「数据说了什么」：
- 集中趋势：均值、中位数、众数
- 离散：方差、标准差、IQR
- 可视化：直方图、箱线图、散点图
- 不超出样本本身
二、推断统计（Inferential）
——「样本能推广什么」：
- 参数估计：点估计 + 置信区间
- 假设检验：p 值、显著性
- 回归与建模：预测 + 推断系数
- 需要抽样假设、样本量、显著性水平
描述 推断 样本均值 x̄ 推断总体 μ 样本比例 推断总体比例 无概率陈述 有置信度/显著性
三、数据科学工作流
EDA（描述）→ 建模（推断/预测）→ 验证。见 概率论基础。
面试里如果出现公式，建议先说 描述统计与推断统计有何区别 解决的直觉问题，再解释变量含义和适用条件。最后补一个反例或边界，比如样本量不足、分布假设不成立、数值不稳定时应该怎么处理。
回答思路
【定义】用一句话说清「描述统计与推断统计」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：只罗列名词、不会举例；混淆相似概念；忽略工程约束（成本、延迟、数据质量）。不确定时应主动说明假设。
追问
追问 1：探索性数据分析 EDA 属于哪类？
主要是描述统计，但指导后续推断/建模假设（分布形态、异常值、缺失）。EDA 不直接做总体推广，但为推断打基础。
追问 2：预测和推断有什么区别？
推断关注参数/因果解释（β 是否显著）；预测关注新观测 ŷ 的准确度。高预测精度不一定有可解释推断，反之亦然。
追问 3：大数据时代描述统计还不够吗？
全量数据时某些「总体参数」可直接计算，但仍有分布漂移、因果、反事实问题需推断框架；且很多场景本质上仍是样本（日志采样、用户子集）。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习