六、抽样、标准误与置信区间

1. 为什么需要抽样分布

前面我们描述的是手里已经看到的数据。但真实项目里，我们经常只拿到总体的一部分：抽一部分用户做问卷，抽一批订单看客单价，抽一组样本看新方案效果。

这时要问的就不是“样本均值是多少”这么简单，而是：这个样本均值离总体均值可能有多远？

这里引出一个核心概念：标准误（Standard Error, SE）。标准差描述单个数据点的波动，标准误描述样本统计量的波动。以样本均值为例：

2. 中心极限定理

中心极限定理说的是：在样本量足够大、样本独立且来自同一总体的情况下，样本均值的分布会逐渐接近正态分布，即使原始数据本身不是正态分布。

这就是很多统计推断能成立的原因。我们不是假装所有数据都正态，而是利用“样本均值”这个统计量在重复抽样下的稳定规律。

用公式写，若总体均值为 $\mu$μ，总体标准差为 $\sigma$σ，样本量为 $n$n，那么样本均值大致满足：

3. 置信区间

置信区间用来回答一个很实用的问题：我们用样本均值估计总体均值时，合理的不确定范围有多大？

当总体标准差未知时，均值的置信区间常写成：

Python代码：

import numpy as np
import scipy.stats as stats

# 一组考试成绩样本
exam_scores = np.array([75, 82, 90, 65, 88, 78, 94, 70])

# 样本统计量
n = len(exam_scores)
mean_score = np.mean(exam_scores)
sample_std = np.std(exam_scores, ddof=1)
standard_error = sample_std / np.sqrt(n)

# 95% 置信区间
confidence_level = 0.95
alpha = 1 - confidence_level
t_critical = stats.t.ppf(1 - alpha / 2, df=n - 1)
margin_of_error = t_critical * standard_error

ci_lower = mean_score - margin_of_error
ci_upper = mean_score + margin_of_error

print("Sample mean:", mean_score)
print("Standard error:", standard_error)
print("95% confidence interval:", (ci_lower, ci_upper))

这段代码把置信区间拆成了三步：先算样本均值，再算标准误，最后乘以 t 临界值得到误差范围。你以后看到 “均值 ± 误差” 的表达，可以先问一句：这里的误差是标准差、标准误，还是置信区间半宽？这三个东西很像，但含义不一样。

置信区间和假设检验也有联系：在同样的前提下，如果某个原假设值落在 95% 置信区间之外，双侧检验在 $\alpha =0.05$ 下通常会拒绝这个原假设。