#019. 概率六：假设检验与置信区间
先用一个小例走通
100次公平硬币的正面数均值50、标准差5；观察到60是高出2个标准差。标准误是某个估计量在重复取样中的波动，本例正面比例的标准误\(5/100=0.05\)。p值把至少同样极端的全部结果概率加起来，不是“恰60次”的单点概率；置信区间则反过来找哪些参数还与数据相容。
#学习目标：从直觉到检验
掷 100 次硬币得到 60 个正面，「硬币偏了」这句话在面试里是不合格的答案——偏多少算偏？多大的偶然波动算正常？假设检验（hypothesis testing）给出的回答是：先假设硬币公平，再看这次数据在公平假设下有多「离谱」，离谱到给定水平就拒绝假设。置信区间（confidence interval）则换一个方向：不回答「是不是偏」，而是给真实正面率一个可信的范围。
本章还会处理两个高频追问。第一是大样本陷阱：偏差只有 1%，但样本量一百万次，结论会怎样？统计显著（statistical significance）与经济显著（economic significance）是两件事。第二是独立性不够用的时候：周六周日各 20% 下雨，两天都下雨的概率是多少？你会发现 marginals 完全决定不了答案，必须引入相关性。
原假设、检验统计量、显著性水平、拒绝域、p 值。面试里能五件套齐着说出来，比直接报答案更加分。
用「偏离了几个标准误」来度量异常：\(z=(\hat p-p_0)/\sqrt{p_0(1-p_0)/n}\)。它把所有二项检验统一成一个数。
z 随 \(\sqrt{n}\) 放大：同样 1% 的偏差，1 万次掷是边界案例，100 万次是压倒性拒绝。但每次交易的「边」还是 1%。
- 我能说出检验五要素，并区分 p 值与「原假设为真的概率」。
- 我会用连续性修正把二项问题换成正态计算，并知道何时必须用精确二项。
#知识点一：假设检验的完整框架
检验的逻辑是「带显著性水平的反证法」：先立一个默认的怀疑对象——原假设（null hypothesis）\(H_0\)，例如「硬币公平」，即正面率 \(p=0.5\)；然后构造一个统计量度量数据与 \(H_0\) 的偏离程度；偏离超过临界值，就拒绝 \(H_0\)。它永远不能「证明」\(H_0\) 正确，只能说数据不足以拒绝它——这一点是面试追问的重灾区。
原假设与备择：\(H_0: p=p_0\)（如 \(p_0=0.5\)），双边备择 \(H_1: p\ne p_0\)。怎么读：我们只在「偏得过分」时改口，方向不限。
z 统计量：\(z=\dfrac{\hat p-p_0}{\sqrt{p_0(1-p_0)/n}}\)，其中 \(\hat p=X/n\) 是观测频率。怎么读：观测频率偏离假设值多少个标准误（standard error）。
拒绝域：双边 5% 水平的拒绝域是 \(|z|\gt 1.96\)，因为 \(\Phi(1.96)=0.975\)，标准正态落在 \(\pm 1.96\) 之外的概率恰为 5%。
p 值：在 \(H_0\) 为真的前提下，出现与观测同样极端或更极端数据的概率；双边 \(p=2(1-\Phi(|z|))\)。当 \(p\lt\alpha\)（如 \(\alpha=5\%\)）时拒绝。
两类错误：第一类错误（type I）是把无偏判成偏，概率受 \(\alpha\) 控制；第二类错误（type II）是把偏判成无偏。降低一个必然抬高另一个，除非增加样本量。
p 值是一个条件概率 \(P(\text{数据如此极端}\mid H_0)\)，而很多人误读成 \(P(H_0\mid\text{数据})\)——后者是贝叶斯量，需要先验（见 018 章）。检验只有「拒绝」和「不拒绝」两种输出：「不拒绝」是证据不足，不是「接受 \(H_0\)」。
什么时候这套框架失效。三点：其一，\(np_0\) 与 \(n(1-p_0)\) 都不能太小（经验下限各为 5），否则正态近似失真，应改用精确二项分布；其二，试验必须独立同分布——掷同一枚硬币满足，但「策略连续 100 天的日收益」之间常有自相关；其三，多重检验（multiple testing）会污染 \(\alpha\)：同时检验 100 个策略，5% 水平下「恰好」平均有 5 个被误判显著，这是回测过拟合的统计根源。
#知识点二：正态近似与置信区间
二项精确概率 \(\binom{n}{k}p^k(1-p)^{n-k}\) 在 \(n\) 大时手算不动，中心极限定理（CLT）提供替代：若 \(X\sim \mathrm{Bin}(n,p)\)，则 \(\dfrac{X-np}{\sqrt{np(1-p)}}\) 近似标准正态。离散换连续要付一笔「连续性修正」（continuity correction）：把整数点 \(k\) 想成区间 \((k-0.5,\,k+0.5)\)。
单点概率：\(P(X=k)\approx \dfrac{1}{\sigma}\,\varphi\!\left(\dfrac{k+0.5-np}{\sigma}\right)\)，其中 \(\sigma=\sqrt{np(1-p)}\)，\(\varphi\) 是标准正态密度。怎么读：用正态密度在区间中点的值乘区间宽度 1。
尾概率：\(P(X\ge k)\approx 1-\Phi\!\left(\dfrac{k-0.5-np}{\sigma}\right)\)，\(P(X\le k)\approx \Phi\!\left(\dfrac{k+0.5-np}{\sigma}\right)\)。
Wald 置信区间：\(\hat p\pm 1.96\sqrt{\dfrac{\hat p(1-\hat p)}{n}}\)。怎么读：真实 \(p\) 落入该区间的长期频率约 95%。标准误里用的是 \(\hat p\) 而不是 \(p_0\)，因为区间不预设假设值。
区间与检验的对偶：95% Wald 区间不含 \(p_0\)，当且仅当 5% 双边 z 检验拒绝 \(H_0: p=p_0\)。两个口径一问一答，答案必须一致。
z 统计量近似等于 \(\sqrt{n}\cdot|\hat p-p_0|/\sqrt{p_0(1-p_0)}\)：偏差固定，样本量翻一百倍，z 翻十倍。所以「极其显著」可能只是「样本量极大」；每次交易能赚多少取决于效应量 \(|\hat p-p_0|\)，与 \(n\) 无关。面试里主动说破这一点，是区分背题者与从业者的分水岭。
#例题详解 I：二项概率的两种算法
例题 1（源题 P7）：掷一枚公平硬币 100 次，恰好得到 60 个正面的概率是多少？至少 55 个正面的概率呢？
建模。正面数 \(X\sim\mathrm{Bin}(100,\tfrac12)\)，均值 \(\mu=np=50\)，方差 \(\sigma^2=np(1-p)=25\)，标准差 \(\sigma=5\)。第一问是单点概率 \(P(X=60)\)，第二问是右尾概率 \(P(X\ge 55)\)。按题意给两条路线：精确二项与正态近似。
推导。精确口径：
正态近似（带连续性修正）：60 对应区间 \((59.5,60.5)\)，端点的 z 值为 \((59.5-50)/5=1.9\) 与 \((60.5-50)/5=2.1\)，区间宽度折算成密度乘 1：
右尾从 54.5 起算：\(P(X\ge 55)\approx 1-\Phi\!\big((54.5-50)/5\big)=1-\Phi(0.9)\approx 1-0.8159=0.1841\)。
检验。两条路线在四位小数上一致（0.0108 对 0.0108，0.1841 对 0.1841），说明 \(n=100\)、\(p=0.5\) 时正态近似已非常准。量级自查：60 正在均值上方 2 个标准差处，单点概率 1% 合理；「至少 55」即「至少 1 个标准差」，正态下约 15.9%，二项略偏（离散修正后 18.4%），量级吻合。
面试怎么讲。先报模型 \(X\sim\mathrm{Bin}(100,\tfrac12)\)、\(\sigma=5\)，然后说「单点用密度近似 \(\varphi(2)/5\)、尾概率用 54.5 的连续性修正」，最后主动给出两个数：1.08% 和 18.4%。若面试官追问「不用修正会怎样」：\(P(X\ge 55)\approx 1-\Phi(1)=15.9\%\)，比精确值低估约 2.5 个百分点——修正的价值就在这一档精度。
推导补全与自检。恰60正的精确值为\(C(100,60)/2^{100}\approx 0.01084\)；至少55正为\(\sum _{k=55}^{100}C(100,k)/2^{100}\approx 0.1841\)。正态近似的至少55应使用54.5连续性修正，\(z=(54.5-50)/5=0.9\)；单点60则积分[59.5,60.5]。点概率和尾概率差一个数量级，不能用正态密度值直接当所有尾部的概率。
#例题详解 II：这枚硬币偏不偏
例题 2（源题 P8）：100次掷币得60正40反，在5%显著性水平如何检验公平性？
先规定检验。原假设 \(H_0:p=1/2\)，双侧备择 \(H_1:p\ne1/2\)，100次独立抛掷、样本量事先固定。采用双侧精确二项检验：观测60比均值50高10次，对称的另一尾为不超过40次。
因为0.05689大于0.05，在该检验下不拒绝公平假设；这并不证明硬币公平，也不是“公平的后验概率为94.3%”。
为什么常见答案却说拒绝？不作连续性修正时，\(z=(60-50)/5=2\)，正态近似双侧p值约0.0455，会在5%阈值作相反决定。作连续性修正，右尾从59.5开始，z=1.9，双侧近似约0.0574，更接近精确值。临界附近应把方法、假设和数值一起报告，而不是混用一个检验的统计量和另一个检验的结论。
推导补全与自检。100次二项数据的分布可精确求和，故本题以精确检验为主结论；z=2只作为未修正近似的对照。1%显著性水平下这些方法均不拒绝。序贯观察、抛掷相关或事后挑硬币都会改变检验设计，不能机械沿用此p值。
例题 3（源题 P64 与 P51，同族对照）：掷 1 万次得 5100 正，掷 100 万次得 51 万正——偏差都是 1%，硬币偏吗？
建模。两问的效应量相同：\(\hat p=0.51\)，偏差 \(|\hat p-p_0|=0.01\)；差别只在样本量 \(n=10^4\) 对 \(n=10^6\)。把 z 写成 \(z=\sqrt{n}\,|\hat p-p_0|/\sqrt{p_0(1-p_0)}\)，就能直接看出样本量的作用。
推导。1 万次：标准误 \(\sqrt{0.25/10^4}=0.005\)，
压线拒绝，与例题 2 同一档。100 万次：标准误 \(\sqrt{0.25/10^6}=0.0005\)，
远超一切临界值：任何合理水平下都断然拒绝，正面率与 0.5 的差异是确凿的。
检验。两个 z 之比 \(20/2=10=\sqrt{10^6/10^4}\)，与 \(\sqrt{n}\) 缩放律吻合。反向自查：若硬币真公平，100 万次掷出 z = 20 的事件概率约为 \(10^{-89}\)——远小于「连续中两次彩票」，可以放心排除巧合。
面试怎么讲。分两句话说清：「统计上，1% 的偏差在 1 万次时刚过 5% 线，在 100 万次时 z = 20，是压倒性的显著——显著性随 \(\sqrt n\) 增长，样本够大任何微小偏差都能检出。经济上，显著性不等于赚钱多少：每掷一次的期望优势仍是 0.01，价值取决于能重复多少次、赔率如何。一个 51% 胜率的赔率游戏，长期下注期望为正（可联系 024 章），但单次优势仍然很薄。」主动把统计显著与经济显著拆开讲，是这道题的得分点。
推导补全与自检。原假设标准误为\(0.5/\sqrt{n}\)，所以偏差0.01对应\(z=0.02\sqrt{n}\)。\(n=10^{4}\)时\(z=2\)，\(n=10^{6}\)时\(z=20\)。后者显著性极强，但经济效应同为1个百分点，交易价值仍须计成本；数据若有自相关，n应换成适当有效样本量，百万行记录不等于百万次独立试验。
#例题详解 III：区间、叠加概率与相关性
例题 4（源题 P38）：掷硬币 100 次观察到 70 个正面，给出真实正面率 \(p\) 的置信区间。
建模。样本量 \(n=100\)，\(\hat p=0.70\)。用 Wald 区间：\(\hat p\pm 1.96\sqrt{\hat p(1-\hat p)/n}\)。适用条件 \(n\hat p(1-\hat p)=21\) 远大于 5，近似可靠。
推导。代入：
得 95% 置信区间约 \([0.61,\,0.79]\)。
检验。对偶自查：区间不含 0.5，对应 5% 双边检验拒绝公平——z 值为 \((0.70-0.50)/0.05=4\gt 1.96\)，两个口径一致。区间半宽约 0.09，说明 100 次掷只能把 \(p\) 定位到 ±9% 的量级；想把它压到 ±3% 需要 \(n\) 放大 9 倍（900 次），因为半宽按 \(1/\sqrt n\) 收缩。
面试怎么讲。「Wald 区间 \([0.61,0.79]\)；区间不包含 0.5，所以数据与公平硬币显著不符。另外我会补充：Wald 区间在 \(\hat p\) 靠近 0 或 1、或 \(n\) 小时会越界失真，业内更稳妥的是 Wilson 区间——能说出这一点通常会让面试官点头。」
推导补全与自检。Wald区间为0.7±\(1.96\sqrt{0.7\times 0.3/100}\)，约[0.6102,0.7898]。Wilson区间把未知p放回原假设方差再反解二次不等式，约[0.6042,0.7811]，更稳妥且不会越出[0,1]。95%覆盖说的是重复采样产生的区间有95%包含固定p，不是频率派语义下“p有95%概率落在本区间”。
例题 5（源题 P85）：投递 100 家对冲基金，每家成功率 1%。至少拿到一个 offer 的概率是多少？请分别用渐近公式和伯努利变量的中心极限定理两种方法推导。
建模。offer 数 \(S=\sum_{i=1}^{100} I_i\)，\(I_i\sim\mathrm{Bernoulli}(0.01)\) 相互独立，\(S\sim\mathrm{Bin}(100,0.01)\)。所求 \(P(S\ge 1)=1-P(S=0)\)。精确值是基准：\(P(S=0)=0.99^{100}\approx 0.366\)，故 \(P(S\ge 1)\approx 0.634\)。
推导（方法一：泊松渐近）。稀有事件、\(n\) 大、\(np=\lambda=1\) 适中，二项收敛到泊松：\(P(S=0)\approx e^{-\lambda}=e^{-1}\)，
推导（方法二：伯努利 CLT）。对 \(S\) 用正态近似：\(E[S]=np=1\)，\(\mathrm{Var}(S)=np(1-p)=0.99\)，\(\sigma\approx 0.995\)。事件 \(S=0\) 用连续性修正写成 \(S\lt 0.5\)：
检验。三个数排序：精确 0.634、泊松 0.632、正态 0.692。泊松几乎无误差；正态明显偏大，原因是 \(np=1\) 太小、分布严重右偏，CLT 的适用条件（\(np\) 与 \(n(1-p)\) 都够大）不满足——CLT 把 \(P(S=0)\) 估小了（0.308 对 0.366）。结论取 63% 左右；并主动说明两个近似的适用边界。
面试怎么讲。「答案约 63%，远低于直觉的『100 次机会总该中了吧』。我会先给泊松口径 \(1-e^{-1}\)，再用 CLT 复核，并指出正态在这里精度差是因为 \(np=1\) 太小——题目要求两种推导，但更重要的是知道哪种近似在什么条件下可信。」
同型题（源题 P2）。「烤一个 1kg 的蛋糕，随机撒入 \(n\) 颗巧克力豆。要使随机切下的一块以至少 99% 的概率含豆，至少要撒多少颗？」同一台 \(1-e^{-\lambda}\) 机器：设切块占蛋糕体积的比例为 \(f\)，每颗豆独立落入该块的概率为 \(f\)，块内豆数 \(\sim\mathrm{Bin}(n,f)\approx\mathrm{Poisson}(nf)\)。要求 \(1-(1-f)^n\approx 1-e^{-nf}\ge 0.99\)，精确解为 \(n\ge\ln 0.01/\ln(1-f)\)（小 \(f\) 时约 \(\ln 100/f\approx 4.6/f\)）：\(f=\tfrac12\) 时要 7 颗，\(f=\tfrac1{12}\) 时要 53 颗。面试要点是先问清切块大小——答案与 \(f\) 成反比，口径不同答案完全不同。
推导补全与自检。独立假设下精确概率\(1-0.99^{100}\approx 0.63397\)，泊松近似\(1-e^{-1}\approx 0.63212\)。\(np=1\)很小，正态CLT在零附近很差，即便连续性修正也不能当高精度结论。若100家都受同一个候选人匹配度因素影响，独立性不成立；全然正相关时“至少一家成功”甚至只有1%，因此简历投递数不能直接当独立试验数。
例题 6（源题 P76）：周六下雨概率 20%，周日下雨概率 20%。两天都下雨的概率是多少？
建模。令 \(A\)、\(B\) 分别为周六、周日下雨，\(P(A)=P(B)=0.2\)。两个边缘概率定不了联合分布——必须引入相关系数 \(\rho\) 才能回答。用伯努利指示变量 \(I_A,I_B\) 的协方差把联合概率参数化。
推导。单个指示变量的标准差为 \(\sqrt{0.2\times 0.8}=0.4\)，故 \(\mathrm{Cov}(I_A,I_B)=\rho\times 0.4\times 0.4=0.16\rho\)。于是
可行范围由 Fréchet 界给出：\(\max(0,\,0.2+0.2-1)\le P(AB)\le \min(0.2,0.2)\)，即 \(P(AB)\in[0,\,0.2]\)，对应 \(\rho\in[-0.25,\,1]\)。独立（\(\rho=0\)）时答案就是 4%；若两天有天气持续性（\(\rho\gt 0\)，气象上的常态），答案高于 4%。例如 \(\rho=0.5\) 时 \(P(AB)=0.12\)，联合表为：都下 0.12、只周六 0.08、只周日 0.08、都不下 0.72，边缘与相关系数均吻合。
检验。代入 \(\rho=1\) 得 \(P(AB)=0.2\)：两天完全同涨同落，一致事件概率等于边缘——上界吻合；\(\rho=-0.25\) 得 0，正好是不可能再小的下界。公式与界都对得上。
面试怎么讲。「只给边缘答不了，答案写成 \(0.04+0.16\rho\)；独立时 4%，但天气有持续性，实际通常高于 4%。这道题考的是：不相关不是默认选项，联合行为需要相关结构——这与 029 章的相关系数、026 章的回归残差是同一族考点。」
推导补全与自检。令联合下雨概率q，四格表为\((q,0.2-q,0.2-q,0.6+q)\)，非负性给\(0\le q\le 0.2\)。独立只是一种特殊情况\(q=0.04\)；完全同涨落时\(q=0.2\)，两日从不同雨云互斥时\(q=0\)。若用相关系数表示，\(q=0.04+0.16\rho \)，故\(\rho \)范围是\([-0.25,1]\)，不是任意\([-1,1]\)都能实现。
#误区与边界
一，把 p 值说成「原假设为真的概率」——它是 \(P(\text{数据}\mid H_0)\)，不是 \(P(H_0\mid\text{数据})\)。二，把「不拒绝」说成「接受无偏」——正确表述是证据不足。三，忽略边界敏感性：60/100 的正态 p 值 4.6% 拒绝、精确二项 5.7% 不拒绝，压线结论要交代口径。四，把统计显著当经济显著：z 随 \(\sqrt n\) 涨，效应量不涨。五，默认独立：P76 说明只要问「联合」，就必须问相关性。
考官追问的常见变式还有三个方向。变样本量：例题 3 的对照已经覆盖——记住「效应量固定，z 随 \(\sqrt n\) 放大」。变检验方向：单边检验的临界值是 1.645 而非 1.96，拒绝域只在一侧，面试要先问清「偏大算偏，还是偏大偏小都算偏」。变统计量：若已知硬币要么公平要么 60% 正面，更优的检验是似然比或贝叶斯判别（018 章），z 检验只是对「任意方向偏离」的通用装备。另外，Wald 区间在 \(\hat p\) 极端（接近 0 或 1）时可能越出 \([0,1]\)，小样本换 Wilson 或精确 Clopper–Pearson 区间。
#检查清单
- 我能完整说出检验五要素，并用 z 统计量对二项数据做双边检验（60/100 → z = 2，p ≈ 4.6%）。
- 我能在正态近似中正确使用连续性修正，并解释为什么 59.5 与 54.5 是正确的替换端点。
- 我能用 \(np\)、\(n(1-p)\) 的大小判断该用精确二项、正态近似还是泊松近似（P85 三口径对照）。
- 我会构造 Wald 置信区间（70/100 → \([0.61,0.79]\)），并说清它与双边检验的对偶关系。
- 我能解释统计显著与经济显著的区别，并算出「同样 1% 偏差、n 差百倍、z 差十倍」。
- 遇到「两个事件都发生」类问题，我能先问相关结构，并写出 \(P(AB)=0.04+0.16\rho\) 与可行域。
- 我知道多重检验为何会让 5% 的假阳性批量出现，并能把它连到回测过拟合。