简介：这是面向统计学初学者与备考者的术语符号速查文档，聚焦《统计学原理》核心内容，帮助读者快速掌握希腊字母符号的读音、书写及在统计公式中的意义，同时厘清总体、样本、普查、抽样、离散/连续变量、母体参数、样本统计量等关键概念的中英文对应关系与适用场景。包体为1个doc文件，仅111KB，携带方便，已有4072人浏览学习。文档系统梳理了24个希腊字母的大小写、国际音标与中文读音，并逐一说明其在角度、系数、磁通、波长、电阻等场景中的典型用途；还汇总了单纯随机抽样、分层抽样、整群抽样等常用抽样方法，以及常态分配、回归分析、变异数分析等统计方法的关键术语，并介绍了圆饼图、茎叶图、盒须图、直方图、肩形图等常用图表的名称与特点。使用这份文档能显著减少因符号和术语混淆带来的阅读障碍，既可作为课堂学习的补充材料，也能在备考复习或数据报告撰写时快速查阅，提升学习与应用的效率。

1. 统计学术语和符号到底是什么：给统计新手的一张解码表

拿到一本统计学教材，最劝退你的往往不是公式本身，而是公式里的符号——α、β、Σ、μ、σ……每个字母都见过，连起来却不知道在说什么。更烦人的是，同一个概念在不同教材里还叫不同的名字：“总体”和“母体”是一回事，“方差”又被写作“变异数”。这种“满屏暗号”的感觉，足以让任何新手在第一页就合上书。

通俗地说，统计学术语和符号就像乐谱里的音符。吹过笛子的人都知道，五线谱上那些小蝌蚪不是装饰，它们决定了每个音的高度和长短；统计里的希腊字母和英文术语也一样，它们是统计学家的标准语言。你不需要背下全部 24 个希腊字母，也不需要把上百个英文名词倒背如流，但你得有一张能随时查阅的“解码表”，帮你把教材里出现的缩写、符号、英文术语翻译成听得懂的中文含义。

这份《统计学术语及符号》本质上就是一张这样的解码表。它不教你做统计分析，也不会推导公式，而是把读统计资料时最常遇到的符号、读音、含义，以及中英文术语逐条对照列出来。搞清楚这张表里装着什么，比死记硬背任何一本教材的前几章都更省力。

2. 为什么希腊字母是统计的必修暗号：大小写、读音与高频用途

我们都听说过“阿尔法”“贝塔”“西格玛”，但很少有人知道，这些字母在统计学里承担着像数学公式“变量名”一样的角色。如果一个统计学术语是概念的名字，那希腊字母就是这些名字在公式里的“缩写”。

2.1 大小写之间，藏着完全不同的含义

希腊字母最迷惑人的一点是：同一个字母，大写和小写经常代表两个完全不同的统计量。

最典型的是 Σ 和 σ。大写 Σ 读作“西格马”，在统计里几乎只干一件事——求和。比如教材里写 $\sum_{i=1}^{n} x_i$，意思就是把所有 $x_1, x_2, \ldots, x_n$ 加起来。而小写 σ 是“总体标准差”的符号，衡量一组数据波动有多大。一个是“把它们都加起来”的动作，一个是“这些数据散不散”的指标，差了十万八千里。

再看 Δ 和 δ。大写 Δ 常表示“变化量”，比如 $\Delta x$ 指 x 的变化；小写 δ 在回归分析里则经常代表模型的误差项，也可以指“微小偏差”。如果你在公式里看到 δ，得先判断它是“误差项”还是“变化量”，而不是默认它们是一个意思。

还有一对经典组合是 μ 和 σ。μ（缪）代表“总体均值”，比如全年级所有人的平均身高；σ 则代表“总体标准差”。当你想说“这批数据的中心位置在哪”时用 μ，想说“数据离这个中心多远”时用 σ。这两个符号总是一起出现，但千万别混用——你写“均值是 5、标准差是 3”时，如果符号标反了，公式立刻就变味了。

不光是希腊字母，统计量本身也有这样的“大小写”讲究。比如总体均值用 μ，样本均值用 $\bar{x}$；总体标准差用 σ，样本标准差用 s。看到符号的第一反应，不是读它的音，而是先看它是大写还是小写、是希腊字母还是普通字母。这一步判断错了，后续整个公式的意思都会偏。

2.2 读音才是真正的“玄学”：为什么中文译音会对不上号

如果说大小写还只是“看”的问题，那读音就完全是“玄学”了。很多学统计的人都有过这种经历：上课时老师说“这个西塔等于多少”，你翻课件找半天找不到“西塔”，最后发现老师口中的“西塔”其实是希腊字母 θ。同样一个字母，英文教材里的老师把它念成接近“赛塔”（/ˈθiːtə/），中文教材按旧译名写成“西塔”，两边听着都不像同一个东西。

更狠的是 χ。它的英文注音写的是 chi，国际音标却标成 phai，中文译名又是“西”。于是同一个符号可以听到“凯”“派”“西”三种读法。当你听到别人说“卡方检验”里的“卡”时，其实指的就是 χ²——这个 χ 的发音在不同渠道里五花八门。文档里给每个字母配了英文注音、国际音标和中文读音三套标注，正是为了治这个“听到读不出、看到读不对”的病。

之所以会这么乱，是因为这些希腊字母本来就是从希腊语转写进英文，再被早期中文译者按自己的理解音译了一遍。同一个 θ，有人按希腊语发音译成“西塔”，有人按英语发音理解成“赛塔”，两套音译系统并存。你不需要学会“正确”的希腊语发音，只需要在一份资料里看到字母时能按注音读出来，听到老师念某个音时能反查回字母。这比纠结哪个音更纯正重要得多。

2.3 统计里真正高频的希腊字母，其实翻来覆去就十几个

与其把 24 个字母按顺序背一遍，不如记住统计里最常露脸的这一小批。这里整理成一张速查表，按出现频率排序：

看到没有？真正在入门阶段天天碰面的，其实不超过十个。α、β、μ、σ、Σ、ρ、χ² 这几个是“主力队员”，其他更多是路过打个招呼。你不需要背下每个字母的全部含义，而是看到它时能立刻反应出“这是显著性水平，还是标准差，还是相关系数”。这份资料的价值就在于把每个符号最常见的含义直接给你，省去自己翻几本书汇总的功夫。

2.4 一个符号多个含义不可怕，可怕的是不查表就默认

希腊字母还有一个让新手头疼的特点——“一词多义”。同样是 β，在假设检验里是“第二类错误概率”，在回归分析里是“自变量系数”；同样是 σ，在统计里主要当标准差，在物理里是电导率。同一个字母在不同领域、不同教材里各说各话，这并非统计学的缺陷，而是学科交叉留下的习惯。

我在读一篇论文时曾经踩过这样的坑：作者用 α 表示“截距项”，而教材里 α 明明是显著性水平。如果我没看文章前面的符号说明，直接按“显著性水平”去理解，整段推导都读不通。所以读任何统计资料前，先花 30 秒找有没有“符号表”这一节。有就扫一眼，没有就默认按最常见的含义理解。这份《统计学术语及符号》之所以把含义列得那么宽泛（比如 ω 既写“角速度”又写“欧姆”），就是提醒你：符号的含义是跟着学科场景走的，别把一套教材里的定义死搬到另一本里。

另外一个实用策略是“把符号放进公式里记”。μ 单独看不好记，但当你看到 $\frac{x-\mu}{\sigma}$ 时，自然就明白它是正态分布里的均值参数。符号不需要单独背，公式用多了自然就熟了。

3. 统计术语的“一物多名”：看懂中英对照，就别再纠结换个说法就认不出

如果说希腊字母是“暗号”，那统计术语就是“方言”。同一个概念，大陆教材叫“总体”，港台教材叫“母体”；中文叫“方差”，英文叫 variance，老教材里写作“变异数”。你以为自己在学新知识，其实只是换了一套名字在说同一件事。

3.1 为什么“总体”又叫“母体”

“总体”在英文里叫 population，这个词直译是“人口、群体”。早期中文统计学从日文和英文两路转译过来，有人把它译成“母体”，取“万物之母、一切数据的来源”之意，也有人译成“总体”。于是两套译名并存到今天。

类似的还有：variance 被译成“方差”和“变异数”；descriptive statistics 有“描述统计”和“叙述统计”两种说法；standard deviation 有人译“标准差”，也有人叫“标准偏差”。你从图书馆借一本十年前的统计书，看到“变异数”这个词，如果不知道它就是现在的“方差”，可能直接在第二章就卡住了。

这份《统计学术语及符号》里特意把“叙述统计学”“推论统计学”“母体参数”这些偏旧或港台的译名和中英文并列排列，做成了“方言与普通话对照词典”。你不需要纠结哪种译名更“正统”，只需要知道它们是同一个东西就行。遇到老教材时心中自动换算，遇到英文文献时也能对上号，这才是术语对照的真正用处。

3.2 描述统计和推断统计：一个整理事实，一个猜测真相

初学统计最容易忽略的“大分岔”是：统计学其实分为两半，一半叫描述统计（Descriptive Statistics），一半叫推断统计（Inferential Statistics）。

描述统计干的事，是把一堆原始数据整理成能看懂的样子。比如算平均数（Mean）、众数（Mode）、标准差（Standard Deviation），画直方图（Histogram）、长条图（Bar Chart）、盒须图（Box Plot）。这些都是“事实”，数据是什么样，它就如实告诉你什么样。

推断统计则更进一步，它用样本（Sample）去猜测总体（Population）的性质。比如从 1000 个样本的平均身高推断整个城市 100 万人的平均身高，或者判断两个教学方法的成绩差异是不是“真的存在”而不是“碰巧产生的”。点估计（Point Estimation）、区间估计（Interval Estimation）、假设检定（Testing Statistical Hypothesis）、回归分析（Regression Analysis）都属于这一半。

打个比方：描述统计是给全班同学拍一张合影，照片里高矮胖瘦清清楚楚；推断统计是你只拍了 30 个人，却要推测全班 50 个人的平均身高。前者是“整理”，后者是“预测”。很多初学者拿到数据第一件事就是算平均值、画图，这些没错，但如果你永远停留在描述层面，那就等于只用了统计学的一半功能。看到文档里“叙述统计学”和“推论统计学”两个分类时，先分清自己当前的任务是“描述现状”还是“推断未知”。

3.3 参数和统计量：一个属于总体，一个属于样本

最容易让人在术语上翻车的，是“参数”（Parameter）和“统计量”（Statistic）这两个词。它们听起来差不多，但在统计学里有严格区分：

• 参数（Population Parameters）：描述总体的数字。比如总体均值 μ、总体标准差 σ，它们是客观存在的真值，但通常你永远不知道确切是多少，因为总体太大了。
• 统计量（Sample Statistics）：用样本算出来的数字。比如样本均值 $\bar{x}$、样本标准差 s，它们是你手里“看得见摸得着”的数，但因抽样不同而波动。

一句话记忆：参数是“工程图纸上的尺寸”，统计量是“你拿尺子量出来的读数”。图纸上写着零件直径应该 10mm，这是参数；你用卡尺量了五个成品，平均 9.8mm，这是统计量。两者有关系，但永远不完全相等。

这里的衍生结论是：你在论文里写“平均身高 172cm”时，得说清楚这是“样本均值”还是“总体均值”。很多初学者在报告里只写“均值为 172cm”，既不标符号也不说明数据来源，这在统计学里是不合格的表述。凡是带“统计量”字样的，都属于样本；凡是符号用希腊字母 μ、σ 的，默认指总体。这条规则能帮你避开一半以上的术语混用。

3.4 为什么这份资料把“统计学”和“市场调查”词汇编在一起

可能有人会疑惑：为什么这份文档里既有“回归分析”“概率论”这些纯统计词汇，又有“问卷”“邮寄问卷法”“人员访问法”这类市场调查的词？原因是统计学在市场调研领域有大量实际应用——抽样、问卷、信度效度检验本来就是统计的分支场景。

比如市场调查里常用的“雪球抽样”（Snowball Sampling），就是先找到少量目标人群，再请他们介绍更多符合条件的受访者，像滚雪球一样越滚越大，适合调查那些难以定位的人群（比如某种稀有用户群体）。而“配额抽样”则是按性别、年龄等特征设定配额，访员在街头按配额找人。这些方法都属于抽样调查（Sampling Survey）的范畴，只是更偏应用。把“统计学术语”和“市调词典”合在一起，反而是好事：学统计的人能看懂市场调查报告里的术语，做市场调研的人也能理解自己用的方法在统计学体系里处于什么位置。

4. 从数据到结论：把这些英文术语串成一条分析流水线

统计不是一堆孤立名词的大杂烩，而是一条完整的流水线：先抽样拿数据，再描述和可视化，最后做推断下结论。把这条线的环节和对应术语对应上，你才能活学活用。

4.1 抽样方法：随机不是“随便”，每一种背后都有一个小心思

抽样（Sampling）是从总体（Population）里选样本（Sample）的过程。听起来简单，但方法不同，结论的可信度天差地别。先看最常见的概率抽样方法，它们共同点是“每个个体都有已知的、非零的概率被抽中”：

• 单纯随机抽样（Simple Random Sampling）：像抽签一样，让总体里每个个体等概率被选入。最简单，也最基础。
• 系统抽样（Systematic Sampling）：按某种间隔抽取，比如从名单里每隔 10 人抽一个。操作快，但如果名单有周期性，可能踩坑（比如名单按家庭排，每家人挨在一起）。
• 分层抽样（Stratified Sampling）：先把总体按特征分成几个“层”（如按年级、收入段），再在每层里独立随机抽样。它的好处是能保证每个子群体都有代表，精度通常比简单随机更高。
• 整群抽样（Cluster Sampling）：先把总体分成若干“群”（如班级、社区），随机抽出几个群，然后对选中的群做全查。省成本，但群内部越相似，精度越差。
• 多级抽样（Multistage Sampling）：先抽大群，再在大群里抽小群，最后抽个体。大型调查（如全国性问卷调查）基本都走这条路。

为什么不能都“随便抽”？因为“随机”不等于“随便”。站在街头找人填问卷，这叫便利抽样（Convenience Sampling），虽然方便，但样本几乎必然是“愿意在街头停留、有时间答问卷”的人，和总体很不一样。文档里还列出了配额抽样、雪球抽样、判断抽样等非概率抽样方法，它们各有用途，但共同弱点是：无法保证样本对总体的代表性，因此不适合做严格的统计推断。做市场调查可以接受，写严谨的统计分析论文就要慎用。

另外要区分两个总被绑在一起说的误差：抽样误差（Sampling Error）是抽样这个动作本身天然造成的误差——你只看了 30 个人，当然不可能和 100 万人完全一样；它可以通过增大样本量、优化抽样设计来减小。非抽样误差（Non-sampling Error）则来自抽样之外的一切环节：问卷题目有歧义、被访者撒谎、数据录错、一部分人怎么都联系不上。这类误差不会因为样本变大而消失，反而可能被放大。遇到结果异常时，先问一句：这是抽样带来的自然波动，还是问卷设计本身就带偏了？后者靠加样本量是救不回来的。

4.2 统计图表：选择哪张图，取决于你想表达哪件事

拿到数据画图，不是“哪个好看用哪个”，而是看你想借图表说清什么。文档里的几种图各有侧重，下面这张对照表能帮你快速选型：

最典型的混淆是直方图和长条图。直方图用于连续数据，柱子之间没有间隙，因为相邻分组是连续的；长条图用于分类数据，柱子之间有间隔，因为类别之间是离散的。一个统计新手如果把“男生 20 人、女生 25 人”画成直方图，视觉上会误导读者以为男女之间存在“连续过渡”，这就是用错图了。

盒须图（Box Plot）值得一提：它只用了五个数字就概括了整组数据——最小值、下四分位数、中位数、上四分位数、最大值。中位数那条线在箱子里的位置，能让你一眼看出数据是偏左还是偏右，箱外的点则是可疑的异常值。做数据分析时，我习惯先画盒须图检查有没有离谱的数据点，再考虑要不要做模型，这能省下后面不少“翻车”时间。

4.3 从样本到结论：点估计、区间估计、假设检验究竟做什么

当你手上有了一个样本，就进入了统计学的核心地带：推断。这个环节有三个“工具”，分工非常明确。

点估计（Point Estimation）：用一个具体数值去猜总体参数。比如用样本均值 $\bar{x}=172cm$ 去估计总体均值 μ。简单直接，但几乎必然有误差——它像一个射手只报“我瞄准 10 环”，却不告诉你偏了多少。

区间估计（Interval Estimation）：给一个范围，并附上“信心程度”。比如“总体均值预计在 169cm 到 175cm 之间，信赖系数（Confidence Coefficient）为 95%”。这里的“95%”常常被误解成“总体均值有 95% 概率落在这个区间里”，正确的理解是：“用同样的抽样方法重复很多次，大约 95% 次算出的区间会覆盖真实值。”这不是咬文嚼字——前者把区间本身看成随机的，后者把总体参数看成随机的，后者在经典统计框架里是不成立的。区间的宽度由样本量和标准差共同决定，这里就用上了前面说的标准误（Standard Error）。标准误越小，区间越窄，估计越精准。

统计假设检定（Testing Statistical Hypothesis）：设计一场“对赌”。先立一个原假设，比如“这个班级的数学平均分等于全年级平均分”，然后看样本数据是否有足够强的证据推翻它。为什么不能直接证明“有差异”？因为样本永远有波动，我们只能看“差异大不大、大到离谱的概率高不高”。当这个概率（p 值）低于显著性水平 α（通常取 0.05）时，才敢说“差异是显著的”。α 在这里就是“我愿意承担多大的误判风险”——你希望结论可信，就得把 α 设小一点，但同时也会让检验变得更“保守”。

回归分析（Regression Analysis）则是另一个常用工具：找变量之间的数量关系。比如广告投入每增加 1 万元，销售额大约增加多少。回归给出的是“估计的斜率”，它描述的是相关关系，而不是因果关系。文档里特意列出了“相关系数”（Correlation Coefficient）和“回归分析”两个词，就是想强调：它们能告诉你两个变量“一起变”，却无法告诉你“谁导致谁”。

5. 最坑的几组术语区别：标准误、标准差、信度效度，别再混为一谈

统计里有一些术语，名字长得像亲兄弟，含义却差了很远。每届学统计的人几乎都会在同样的地方翻车。这里把最典型的几组拎出来，逐个拆开。

5.1 标准差 vs 标准误

易混点：两组词都带“标准”二字，公式长得也有点像，报告里常常被混写。

为什么混：标准差（Standard Deviation）描述“数据本身有多散”；标准误（Standard Error）描述“样本均值这个估计值有多不可靠”。前者是数据的性质，后者是估计的质量指标。

怎么区分：问自己一个问题——你是想描述“这群人高矮差异大不大”，还是想说“猜他们的平均身高猜得准不准”？前者用标准差，后者用标准误。用代码算一遍就清楚了：

import numpy as np # 某班8名学生身高（cm） heights = np.array([172, 171, 175, 178, 174, 173, 170, 176]) n = len(heights) # 样本标准差：描述这一组身高数据本身的离散程度 std = np.std(heights, ddof=1) # 标准误：标准差除以根号n，衡量样本均值估计总体均值的精度 se = std / np.sqrt(n) print("样本均值:", np.mean(heights)) print("标准差 S =", round(std, 2), "cm") print("标准误 SE =", round(se, 2), "cm")

输出会显示标准差大约是 2.62cm，标准误大约是 0.93cm。标准误总是小于标准差，因为把 8 个人的身高平均之后，偶然的高个和矮个互相抵消了，估计值的波动自然比原始数据小。如果你手里是 80 个人的样本，标准误会更小，而标准差基本不变——这就是加样本量能提升估计精度、却不会改变总体离散程度的体现。

5.2 相关系数 vs 因果关系

易混点：算出一个高的相关系数 ρ（比如 0.8），就下结论说“A 导致 B”。

为什么混：因为相关分析呈现的现象很简单——两个变量同时变大变小。人脑天然习惯“先有因后有果”，看到同步波动就容易脑补因果。

怎么区分：记住一句话：相关系数只回答“它们有没有关系”，不回答“谁影响了谁”。经典的教训是“烈日下的冰淇淋销量和游泳溺水人数高度正相关”，但吃冰淇淋显然不导致溺水。真正的原因是第三个变量“夏天高温”同时推高了这两个数。统计上要证明因果，需要设计实验、控制混杂变量、验证时间先后，远不是算一个相关系数就能交差的。看到论文里用“correlation implies causation”说事，你的第一反应应该是质疑。

5.3 信度 vs 效度

易混点：两者都是评价问卷或测量工具质量的词，经常被当成“都差不多”。

为什么混：因为它们本质上是连续两次问同一个问题——第一次问“这个测量工具好不好”，第二次还在问“这个测量工具好不好”，只是角度不同。

怎么区分：信度（Reliability）问的是“稳不稳”——用同一把尺子量同一个物体，每次结果都一致吗？效度（Validity）问的是“准不准”——这把尺子真的在量你打算量的东西吗？最经典的例子：用一台没校准的体重秤测体重，它每次读数都是 60.0kg，非常稳定，信度很高；但真实体重是 55kg，效度就不行。统计上理想的目标是“既稳又准”，信度是效度的必要条件，却不是充分条件——测量工具可能稳定地测错了。

5.4 抽样误差 vs 非抽样误差

易混点：把所有结果偏差都归咎于“样本量不够大”。

为什么混：因为这两类误差都会让结果“不准”，初学时很难分清来源。

怎么区分：抽样误差是抽样的“天然代价”，你只调查了 100 人而不是 100 万人，误差天然存在——解决办法是增大样本量、用分层抽样等方法优化设计。非抽样误差是抽样之外的“人为事故”：问卷题目有歧义，受访者夸大或隐瞒，数据录入按错数字，或者某些人群压根联系不上。这类误差不会因为你把样本量翻十倍而变小。一个电话调查如果只联系到有固定电话的住户，样本再大也代表不了所有人群，这就是抽样框缺失导致的“非抽样误差”，加样本量反而可能更系统地偏。看到调查结果离谱时，先判断是“抽少了”还是“问错了”，两个方向的对策完全不同。

5.5 普查 vs 抽样调查 / 样本量 vs 代表性

易混点：认为普查（Census）一定比抽样（Sampling）好，样本量越大结果就越可信。

为什么混：普查覆盖全部个体，听起来最“全”；样本量大的数据自然显得更“硬”，这两个直觉放在统计里却不一定成立。

怎么区分：普查虽然理论上覆盖全部，但成本极高，容易造成无回答、漏查、录入错误，而且普查里也存在测量偏差。一次设计精良的抽样调查（Sampling Survey），如果抽样框完整、方法得当，同样可以得到非常准确的估计，还能省下巨额成本。样本量的作用也常被高估：决定样本代表性的关键是抽样方法，而不是单纯的数量。一份 1000 人的便利抽样问卷，可能比一份 100 人的随机抽样更能误导人，因为前者缺失的人群是有系统性的。所以不要只盯着“样本量 n 有多大”，先问“这批人是怎么抽出来的”。

6. 什么时候该看这份术语对照表：一份“解码工具”的适用边界

这份《统计学术语及符号》的真正定位很明确：它是一个随时可查的“翻译官”，而不是一本“教科书”。那它该在什么时刻登场，什么时刻让位？

该用时，通常是这四种场景。

第一种，翻开教材或论文，一段话里连续出现 Σ、σ、β、χ²，你读不出声也看不懂含义时。这时候对着符号表查一遍，比在正文里反复猜高效得多。第二种，写报告或论文需要给出中英文术语对照时。很多期刊要求图表、方法部分配英文关键词，这份文档里的英汉对照能帮你避免“想当然地直译”带来的错误。第三种，考前突击名词解释，把“信度”“效度”“区间估计”这些词快速过一遍，建立体系感。第四种，做数据分析时，你算出的是一个“标准误”，写结论时却不确定自己该叫它“标准误”还是“标准差”，甚至不确定自己算的是哪一个。回到表里确认一下，就能避免低级错误。

别用它的场合也很清楚。如果你想学“怎么做回归分析”“如何用 Python 跑假设检验”“样本量要多少才够”，这份资料帮不上忙——它不包含推导过程、操作步骤和代码案例。它只是词典，不是老师。想系统理解统计，你仍然需要配合好点的教材和课程。另外，它只解决“名词认识不认识”的问题，不解决“选择哪个方法”的问题——你知道了“分层抽样”和“整群抽样”的定义，不代表你知道自己的项目该用哪一个，那需要结合成本和误差的权衡。

最后说个我自己的例子。A 同学写毕业论文时，在结果部分把“标准误（Standard Error）”写成了“标准差（Standard Deviation）”，被导师一句话点醒：“你这表格里的数差了三倍，到底是数据本身散，还是你的估计不准？”他回去对照了这份资料里的术语表，才意识到自己一直把“样本均值的波动”和“原始数据的波动”混为一谈。从那以后，我每次写完一个统计量，都会强制自己多问一句：这个数是描述样本的，还是描述估计本身的？这个符号是希腊字母还是英文字母？它代表总体还是样本？这个小习惯帮我避免过不少次“哪哪都对不上”的尴尬。希望帮到你。

本文还有配套的精品资源，点击获取