空间·统计·导数深化

本书怎么读：一章二十五页

全书按「章」前进，每章恰好二十五页。理论章的节奏是：第 1 页溯源（这个概念在人类文明里是怎么长出来的）、第 2–9 页讲义（定义、定理与法则，一条一条立起来）、第 10–13 页研讨（四个思辨问题，像小型读书会）、第 14–17 页例题（例 1–例 4，带完整解答）、第 18 页思想卡（一页只说一个数学思想）、第 19–22 页研究（四页研究任务单：建模、探究、写作、答辩）、第 23–25 页挑战·复盘·迁移。游戏与实践册的节奏是：导入→操作×4→专题×5→研讨×4→项目×5→思想卡→深读×3→复盘→展示。

写法约定（TEX 标准）：分数写成上下两层的 12；绝对值写成 |−3| ＝ 3；未知数用字母 x，方程写作 3x ＋ 5 ＝ 20；不等号 ＞ ＜ ≥ ≤ ≠ 各就各位；平方根写作 √2，平方与立方用小肩数字 x²、a³；点坐标写作 (2, −1)；函数写作 y ＝ 2x − 1；圆周率 π ≈ 3.14。中括号写成 ［　］，比例号 ∶。

导入：立体几何的向量总攻

《九章算术》「商功」章里有一类题目：修一条堤，上宽下窄，长若干丈，问用土多少方。这类计算要求对空间里的体做度量；「勾股」章里又有「引葭赴岸」「圆材埋壁」，要求对空间里的线与面做度量。中国古代的工匠不用坐标系，但他们确实在解空间几何题——用的是相似、比例与勾股定理的组合拳。

两千多年后，欧几里得式的「综合法」仍然是中学几何的主角：添辅助线、找全等、证平行垂直。它优美、有洞察力，但有一个致命弱点——几乎不可复制。同一条辅助线换个题就不灵了，学生常常困惑：这条线是怎么想到的？

答案在 1637 年埋下：笛卡尔把点翻译成数组。从此「位置」可以用代数算，「方向」也可以用代数算。1844 年，哈密顿给这种「既有大小又有方向的量」起了名字——vector（向量），词根是拉丁语 vehere：搬运。向量把「一段位移」当作一个整体对象来搬运、相加、伸缩。

这一章是空间几何的向量总攻。您已经学过平面向量：加法、数乘、数量积、坐标运算。进入空间，这些公式几乎原样可用——把「两个分量」改成「三个分量」就行。真正的新东西只有四件：空间向量基本定理（三个不共面的基向量可以张开整个空间）、法向量（描述平面的新武器）、角与距离的四个统一公式、以及动态问题（点在动，问题就在变）。

总攻的目标很清楚：让「求角」「求距离」这两类问题彻底机械化——建系、写坐标、代公式，三步结案。辅助线的时代，在这一章落幕。

古法用相似，今法用坐标。这不是两种数学，而是同一件事在两个坐标系里的两次讲述：一次讲给您听，一次算给机器看。

空间向量运算复习深化

平面向量的四条运算全部平移到空间，公式一字不改：

① 加法：三角形法则与平行四边形法则照用。空间中两个向量总是共面的（两条有向线段决定一个平面），所以法则仍然成立。

② 数乘：λa 与 a 共线，|λa| ＝ |λ||a|，方向由 λ 的正负决定。

③ 数量积：a·b ＝ |a||b|cos⟨a, b⟩，结果是数不是向量。由此得 a ⊥ b ⇔ a·b ＝ 0。

④ 坐标运算：取单位正交基底 i, j, k，设 a ＝ (x₁, y₁, z₁)，b ＝ (x₂, y₂, z₂)，则

a ＋ b ＝ (x₁ ＋ x₂, y₁ ＋ y₂, z₁ ＋ z₂)，　λa ＝ (λx₁, λy₁, λz₁)，　a·b ＝ x₁x₂ ＋ y₁y₂ ＋ z₁z₂

练习一次手感：a ＝ (1, 2, −2)，b ＝ (2, −1, 1)。则 |a| ＝ √(1 ＋ 4 ＋ 4) ＝ 3，a·b ＝ 2 − 2 − 2 ＝ −2，cos⟨a, b⟩ ＝ −23√6，为负——说明两向量夹角是钝角。

复习的核心不是重背公式，而是记住一件事：空间的第三条坐标只是又一行。凡在平面上成立的等值式，加一个分量就继续成立；不成立的那部分（共面性、法向量、公垂线），才是这一章真正的战场。

方向向量与法向量进阶

方向向量几乎不需要求：在直线上取两点 A, B，u ＝ AB 就是一个。法向量才是需要动脑的那个，标准动作是待定系数法：

例：平面过 A(1, 0, 0)，B(0, 1, 0)，C(0, 0, 1)。AB ＝ (−1, 1, 0)，AC ＝ (−1, 0, 1)。设 n ＝ (x, y, z)，由

−x ＋ y ＝ 0，　−x ＋ z ＝ 0

得 y ＝ x，z ＝ x。取 x ＝ 1，即 n ＝ (1, 1, 1)。这个平面就是平面 x ＋ y ＋ z ＝ 1，验证：其法向量确实是 (1, 1, 1) ✓。

有了法向量，平面之间的夹角、点到平面的距离、直线与平面的夹角，全都化为「向量与向量的夹角」这一个动作。下一节起，我们逐个写下这四个公式。

方向向量回答「往哪走」，法向量回答「面朝哪」。几何问题的机械化，从给每个对象发一张身份证开始。

线线角

为什么必须加绝对值？因为方向向量的取法不唯一：把 u 换成 −u，向量夹角从 α 变成 180° − α，但直线的夹角没变。取绝对值，正是抹掉这个「人为选择」的痕迹。这是线线角区别于后面所有角的关键。

例：正方体 ABCD-A₁B₁C₁D₁ 棱长为 1，以 A 为原点，AB, AD, AA₁ 为坐标轴。求 A₁B 与 B₁C 所成的角。

A₁B ＝ B − A₁ ＝ (1, 0, 0) − (0, 0, 1) ＝ (1, 0, −1)；B₁C ＝ C − B₁ ＝ (1, 1, 0) − (1, 0, 1) ＝ (0, 1, −1)。

u·v ＝ 0 ＋ 0 ＋ 1 ＝ 1，|u| ＝ |v| ＝ √2，故 cos θ ＝ 12，θ ＝ 60°。

线线角的一切麻烦都来自「方向可以反着取」；绝对值是这道题唯一的保险。后面求线面角用 sin、求二面角要判断锐钝，各自有各自的保险，别记混。

线面角

关键观察：直线与平面所成的角，与「直线的方向向量」和「平面的法向量」的夹角互余。因为法向量垂直于平面，它在平面上的「分量」才是直线的投影方向。于是

三个必须记牢的细节：① 公式用的是 sin，不是 cos。② 仍然要加绝对值——理由与线线角相同（u, n 都可以反取）。③ sin θ ≥ 0 恒成立，所以算出的值不可能为负；若算出负值，是算错了，不是答案。检验办法：算出的 sin θ 必须落在 [0, 1] 内。

例：正方体棱长 1，A 为原点。求 A₁C 与平面 ABCD 所成的角。方向向量 u ＝ A₁C ＝ (1, 1, −1)；平面 ABCD 即 z ＝ 0，法向量 n ＝ (0, 0, 1)。于是 sin θ ＝ |−1|√3 · 1 ＝ √33，θ ＝ arcsin √33 ≈ 35.3°。

直觉检查法：sin θ ＝ √3/3 ＜ 1/2？不，√3/3 ≈ 0.577 ＞ 0.5，故 θ ＞ 30°。正方体体对角线与底面所成角约 35.26°，是个值得记住的常数。

二面角

这是全章最容易出错的地方，务必掌握判断法。方法一（观察法）：把两个法向量平移到二面角的内部来看——若两法向量「一进一出」（一个指向二面角内部，一个指向外部），则法向量夹角就是平面角；若「同进同出」，则法向量夹角与平面角互补。方法二（符号法）：在棱上任取一点 O，分别在半平面内作垂直于棱的向量 a, b，直接算 cos θ ＝ a·b|a||b|——这个式子的符号本身就是答案，不需要再加绝对值。

例：正方体棱长 1，求二面角 A₁-BD-A 的大小。取 A 为原点、三棱为轴。平面 A₁BD 中 BD ＝ (−1, 1, 0)，BA₁ ＝ (0, −1, 1)，设法向量 n₁ ＝ (1, 1, 1)（验证：−1 ＋ 1 ＋ 0 ＝ 0 ✓，0 − 1 ＋ 1 ＝ 0 ✓）。平面 ABD 的法向量 n₂ ＝ (0, 0, 1)。

cos⟨n₁, n₂⟩ ＝ 1√3 ＝ √33。观察：n₂ ＝ (0, 0, 1) 指向二面角内部（沿 z 轴向上进入二面角区域），n₁ 也指向上方，属「同进」，故平面角与向量夹角互补——但等一下，二面角 A₁-BD-A 的平面角其实是锐角。正确判断是看两个半平面：一个含 A₁，一个含 A。取 O 为 BD 中点 (0.5, 0.5, 0)，a ＝ OA₁ ＝ (−0.5, −0.5, 1)，b ＝ OA ＝ (−0.5, −0.5, 0)，则 cos θ ＝ 0.25 ＋ 0.25 ＋ 0√1.5 · √0.5 ＝ 0.50.866 ≈ 0.577，即 θ ≈ 54.7°。

二面角题目的失分点从不在计算，而在「锐角还是钝角」。做题时请先画一张草图，标出两个半平面的走向，答案的自然范围就有了——最后一步用符号法复核，几乎不会错。

点面距离

点面距离是「投影」的直接产物。设平面 α 的一个法向量为 n，P 是平面外一点，A 是平面内任一点。那么 AP 在法向量方向上的「投影长度」就是 P 到 α 的距离——因为在平面内怎么走都不改变垂直高度。

这个公式的高明之处在于 A 可以任取：只要 A 在平面内，算出的 d 一定相同。为什么？因为若换 A′，则 A′P ＝ AP ＋ AA′，而 AA′ 在平面内、垂直于 n，故 AA′·n ＝ 0，投影不受影响。挑 A 的时候，选坐标最简单的那个顶点。

例：正方体棱长 1，A 为原点。求 A 到平面 A₁BD 的距离。取 P ＝ A ＝ (0, 0, 0)，A′ ＝ B ＝ (1, 0, 0)，则 A′P ＝ (−1, 0, 0)，前已求得 n ＝ (1, 1, 1)。

d ＝ |(−1)(1) ＋ 0 ＋ 0|√3 ＝ 1√3 ＝ √33。

复核直觉：平面 A₁BD 是正方体的一个「截面三角形」，它到顶点 A 的距离确实约 0.577，而体对角线 AC₁ 长约 1.732，A 距平面约三分之一条体对角线——几何上可以验证：平面 A₁BD ⊥ AC₁ 且平分 AC₁ 的…不，实际上 AC₁ 被平面 A₁BD 分成 1 : 2 两段。这类「三分之一」常数在正方体里反复出现。

点面距离公式是「体积法」的代数版：传统做法用三棱锥「换底求高」，向量做法只做一次投影。投影这个词，是整章四个公式共同的灵魂。

线面与面面距离

把「点面距离」的适用范围放宽，就得到另外三种距离。它们的共同前提是：只有当两对象平行时，距离才有定义（否则距离为 0）。

②③ 是「降维打击」：平行关系让「线面距离」「面面距离」全部退化成「点面距离」，任取一点即可。这是坐标法最典型的省力之处——传统方法里，这两类距离需要作复杂的垂线段。

④ 是唯一有技术含量的一条。n 怎么求？同时垂直于 u₁ 与 u₂，用待定系数法解 n·u₁ ＝ 0，n·u₂ ＝ 0。这个方向的向量叫两直线的公垂方向，它所对应的线段是公垂线段，长度就是异面直线的距离。

例：正方体棱长 1，A 为原点。求异面直线 A₁B 与 B₁C 的距离。u₁ ＝ (1, 0, −1)，u₂ ＝ (0, 1, −1)。设 n ＝ (x, y, z)：x − z ＝ 0，y − z ＝ 0，取 n ＝ (1, 1, 1)。取 A ＝ A₁ ＝ (0, 0, 1)（在 A₁B 上），B ＝ B₁ ＝ (1, 0, 1)（在 B₁C 上），AB ＝ (1, 0, 0)。

d ＝ |1|√3 ＝ √33。

把四种距离写成同一行公式，是坐标法最漂亮的一次统一——距离就是投影。您要做的只有两件事：找出正确的法向量，以及任取一个方便的点。

动态立体几何

「动态」题的特点是：图形里有一个会动的点，问题随它而变（求最值、判断某性质是否恒定、求轨迹）。坐标法处理动态问题有一个天然优势——把动点写成参数，问题立刻变成函数问题。

动点一旦带上参数 t，整章四个公式都变成「含 t 的表达式」：

① 求距离最值 → 解含 t 的函数最值（配方、求导、或观察单调性）；
② 求角最值 → 把 cos θ 写成 t 的函数，注意复合函数的单调性会反向（cos 在 [0°, 90°] 上递减）；
③ 判断「是否存在某点使…」→ 令表达式等于目标值，解 t，检验 t 是否落在定义域内；
④ 求轨迹 → 消去参数 t，得到动点坐标之间的关系式。

例：正方体棱长 1，A 为原点，P 在棱 BB₁ 上运动，设 P ＝ (1, 0, t)，t ∈ [0, 1]。求 AP 与底面 ABCD 所成角的正弦的最大值。方向向量 u ＝ (1, 0, t)，法向量 n ＝ (0, 0, 1)，得

sin θ ＝ t√(1 ＋ t²) ＝ 1√(1 ＋ 1/t²)

它在 t ∈ (0, 1] 上单调递增，故最大值在 t ＝ 1 处取得：sin θ_max ＝ √22，θ ＝ 45°。

动态问题的正确心态：不要试图想象点怎么动，把它交给参数。想象容易出错，计算不会——这是坐标法给「可视化能力不足」的人开的后门。

研讨① 角与距离的向量统一

回看这一节的四个公式，会发现它们惊人地相似：

共同骨架是一个「归一化的点积」：|p·q||p||q| 或它的变体。这说明角与距离在同一条定理的两侧：

从公式 p·q ＝ |p||q|cos φ 出发，把 |q| 除过去，得到的是方向余弦——它测「两个向量有多同向」，这是角。换一种读法：固定 p（被投影者）与单位向量 q/|q|（投影方向），则 p·q/|q| 是投影长度——若 q 恰好是法向量，投影不动，被投影者若在平面内就得到 0，于是「投影的绝对值」正好是距离。

研讨问题：① 为什么线面角用 sin 而其他三个用 cos？（提示：把互余关系 sin θ ＝ cos(90° − θ) 代入。）② 若把「点面距离」公式的分母写成 |n|²，得到的是什么量？它在几何上表示什么？③ 尝试给「两条平行直线之间的距离」也写出一条向量公式，并说明它为什么是①的退化情形。

数学里最省力的记忆法不是背公式，而是记住公式的出生地。四个公式出生在同一个点积恒等式里，所以只要记住 p·q ＝ |p||q|cos φ，其余都可以现场推出来。

研讨② 建系策略比较

坐标法成败的第一步是建系。坐标系选得好，法向量是整数、距离是分数；选得差，满纸根号，算到一半就放弃。同一道题的不同建系方式，计算量可以相差三倍以上。

选择准则（按优先级）：

① 有没有三条互相垂直的现成棱（或可证的垂直）？有就直接用，这是最省事的一类；
② 有没有对称轴？有就用中心系，对称性是免费的化简器；
③ 待求的那个平面能否做成 z ＝ 0？能的话它的法向量直接写 (0, 0, 1)，省一次待定系数；
④ 坐标能不能全是整数或简单分数？不能就考虑换原点、换比例（把棱长设为 2 而不是 1 常能得到整数坐标——2 能被 2 整除，1 不能）。

研讨任务：下面的三个几何体，请各设计两种建系方案，写出关键点的坐标，比较法向量的复杂程度，选出较优者。
① 底面为正方形、侧棱垂直于底面的四棱柱（棱长 1，高 2）；② 正四棱锥 P-ABCD，底面边长 2，高 √3；③ 一个把三角形沿中位线折起的「折叠体」，已知折角为 60°。

建系不是「随便选一个」，而是为后续计算预先铺路。花三十秒想清楚「哪个平面要算法向量」，往往能省下三分钟的开方运算。

研讨③ 综合法与向量法的选用

向量法不是万能的。它强大在可机械化，但有时传统综合法反而更快、更有洞察力。真正的高手懂得挑工具。

举一个向量法「不划算」的例子：证明「正方体中 AC ⊥ BD」——用综合法一句话（正方形对角线互相垂直）；用向量法要写四个点坐标、算一次点积。再举一个综合法「捉不住」的例子：求正方体中某异面直线的距离——综合法要作公垂线（很难想到），向量法直接套公式。

混合使用的艺术（考试中的最优策略）通常是这样四步：

① 先用综合法看出结论（预判答案的大小、锐钝、是否有解），这给后续计算提供了「护栏」——如果算出的答案与预判矛盾，立刻回头检查；
② 用向量法算出具体数值，并保持过程完整（建系、写坐标、列式、求值），满足解答题的步骤要求；
③ 用综合法复核关键步骤，特别是「二面角是锐角还是钝角」这类判断；
④ 若某个子问题（如「证明 DM ∥ 平面）用综合法三行就能说清，就不必为了统一风格而强行建系。

研讨问题：① 找三道您做过的高考解答题，分别统计「综合法」与「向量法」的书写行数，制成表格，讨论什么图形下哪种方法更短。② 有没有一道题是「向量法算不出来」的？如果有，它的困难在哪里？（提示：存在性证明、含参变化、极值问题常常如此。）③ 如果一道题要求「求出所有满足条件的点」，两种方法分别怎么下手？

工具没有优劣，只有适配。能预判答案的方法是最聪明的方法——它让计算变成验证，而验证比探索轻松得多。

研讨④ 空间角的最值现象

空间角藏着一批「反直觉」的最值规律。它们不是孤立技巧，而是一致性原理（对称性、投影、单调性）在具体图形里的显影。

现象①最值得玩味。把它翻译成向量语言：设平面 z ＝ 0，斜线方向 u ＝ (a, b, c)，平面内过原点的直线方向 v ＝ (m, n, 0)。则

cos⟨u, v⟩ ＝ am ＋ bn√(a² ＋ b² ＋ c²) · √(m² ＋ n²)

由柯西不等式，|am ＋ bn| ≤ √(a² ＋ b²)·√(m² ＋ n²)，等号在 v 与 (a, b, 0) 同向时成立——而 (a, b, 0) 正是 u 在平面内的投影方向。所以 cos 的最大值出现在投影方向，对应角的最小值。定义取最小角，正是为了让它等于「垂距 ÷ 斜长」这个直观量。

研讨问题：① 用类似方法证明：过定点的直线与过定轴的直线（两者成异面或相交）所成角的最小值，出现在「直线与轴共面」的临界位置。② 正方体的棱与面对角线所成角一共有几种不同数值？请您完整列举并验证。③ 若把「线面角」错误地定义为与法向量的夹角，会出现什么怪现象？（提示：同一条线的两种取法会给出两个不同的答案。）

最值现象是定义的「体检报告」。一个定义是否合理，看它在极端情形与对称情形下给不给出一致、直观的结果。角与距离的四个定义，全都通过了这场体检。

例1 求角综合

建系：以 D 为原点，DA、DC、DD₁ 为 x, y, z 轴。则 D(0,0,0)，A(2,0,0)，B(2,2,0)，C(0,2,0)，B₁(2,2,2)，E(2,1,0)（AB 中点）。

（1） DE ＝ (2, 1, 0)，B₁C ＝ C − B₁ ＝ (−2, 0, −2)。

DE·B₁C ＝ −4 ＋ 0 ＋ 0 ＝ −4，|DE| ＝ √5，|B₁C| ＝ 2√2，故

cos θ ＝ |−4|√5 · 2√2 ＝ 42√10 ＝ √105

所以 θ ＝ arccos √105 ≈ 50.8°。

（2） 平面 BCC₁B₁ 是 x ＝ 2，法向量 n ＝ (1, 0, 0)。方向向量 u ＝ DE ＝ (2, 1, 0)。

sin θ ＝ |u·n||u||n| ＝ 2√5 ＝ 2√55 ≈ 0.894

所以 θ ≈ 63.4°。

点评：注意（1）中出现了负的点积——因为 B₁C 的方向取了「从 B₁ 到 C」，反取就会得正号。绝对值抹掉这个差异。（2）中 D 到平面 BCC₁B₁ 的垂足是 C，投影向量是 CE ＝ (2, −1, 0)，可验证 tan θ ＝ √5·… 用几何核算：DE 在平面 x ＝ 2 上的投影长度 ＝ 1（CE 的 y 分量），斜长 ＝ √5，故 sin θ ＝ 1/√5 ？不成立——因为 D 的投影是 C(0,2,0)，E(2,1,0) 的投影是自身，故投影向量长 |CE| ＝ √5，斜长也是 √5——两者都等于 √5 意味着…仔细核对：D 到平面 x ＝ 2 的垂足应为 (2, 2, 0) ＝ B，不是 C。这里正是最常见的坐标错位陷阱。用 B 重算：投影向量 BE ＝ (0, −1, 0)，长度 1；斜长 √5；sin θ ＝ 1/√5 ＝ √5/5，θ ≈ 26.6°。

例题的最后一段值得反复读：先用公式算，再用几何核。两种路径结论不一致时，几乎总是「点选错了」或「投影找错了」，而不是公式错了。

例2 距离计算

建系：以 A 为原点，AB、AD、AA₁ 为 x, y, z 轴。A(0,0,0)，B(1,0,0)，D(0,1,0)，C(1,1,0)，A₁(0,0,2)，B₁(1,0,2)，D₁(0,1,2)，C₁(1,1,2)。

（1） 平面 AB₁D₁ 中，AB₁ ＝ (1, 0, 2)，AD₁ ＝ (0, 1, 2)。设 n ＝ (x, y, z)：x ＋ 2z ＝ 0，y ＋ 2z ＝ 0。

取 z ＝ 1，得 x ＝ y ＝ −2，即 n ＝ (−2, −2, 1)。取 A ＝ A(0,0,0)（在平面内），AA₁ ＝ (0, 0, 2)。

d ＝ |0 ＋ 0 ＋ 2|√(4 ＋ 4 ＋ 1) ＝ 23

（2） u₁ ＝ A₁C₁ ＝ (1, 1, 0)，u₂ ＝ BC ＝ (0, 1, 0)。

公垂方向 n 满足 n·(1,1,0) ＝ 0 且 n·(0,1,0) ＝ 0，即 y ＝ 0，x ＋ y ＝ 0，故 x ＝ 0，y ＝ 0，z 任取——n ＝ (0, 0, 1)。取 A ＝ A₁ ＝ (0, 0, 2)（在 A₁C₁ 上），B ＝ B ＝ (1, 0, 0)（在 BC 上），AB ＝ (1, 0, −2)。

d ＝ |0 ＋ 0 − 2|1 ＝ 2

几何核对（2）：A₁C₁ 在上底面、方向与 AC 相同；BC 在下底面。两者异面，它们的公垂线方向是竖直的（z 方向）——因为两者都是水平方向，竖直方向同时垂直于二者。距离为棱柱的高 2。✓ 这个结果提示一条规律：上下两底面上的两条互相异面的水平线，其公垂线一定是竖直的。

点评：本题（2）的漂亮之处在于「公垂方向恰好是坐标轴」——这就是建系选得好的回报。如果换成歪斜的坐标系，n 就会变成一串难看的分数。（1）的 d ＝ 2/3 是个漂亮的整数比答案，值得记住它出现的情境：底面边长 1、高 2 的正四棱柱中，顶点到「含对面顶点的截面」的距离。

距离题的一切技巧都在「选对参照点」。取点原则：在待求对象上取那个坐标里 0 最多的点。一个 0 就能省掉一次乘法与一次抄写错误。

例3 探索性证明

建系：A 为原点，三棱为轴：A(0,0,0)，B(1,0,0)，A₁(0,0,1)，C₁(1,1,1)，B₁(1,0,1)，D₁(0,1,1)。

参数化：P 在 A₁C₁ 上，P ＝ A₁ ＋ tA₁C₁ ＝ (0,0,1) ＋ t(1,1,0) ＝ (t, t, 1)，t ∈ [0, 1]。

求平面 AB₁D₁ 的法向量：AB₁ ＝ (1, 0, 1)，AD₁ ＝ (0, 1, 1)。设 n ＝ (x, y, z)：x ＋ z ＝ 0，y ＋ z ＝ 0。取 z ＝ 1，得 n ＝ (−1, −1, 1)。

建立条件：BP ⊥ 平面 AB₁D₁ 等价于 BP ∥ n，即存在 λ 使

BP ＝ (t − 1, t − 1, 1) ＝ λ(−1, −1, 1)

比较分量：由 z 分量 1 ＝ λ，故 λ ＝ 1；代入 x 分量需 t − 1 ＝ −1，即 t ＝ 0。此时 P ＝ (0, 0, 1) ＝ A₁，且 BA₁ ＝ (−1, 0, 1) —— 但 (−1, 0, 1) 并不平行于 (−1, −1, 1)（y 分量 0 ≠ −1）。矛盾！

结论：不存在满足条件的点 P。

用综合法复核：若 BP ⊥ 平面 AB₁D₁，则 BP ⊥ AB₁。但 AB₁ 是侧面 ABB₁A₁ 的对角线，而 P 在上底面 A₁B₁C₁D₁ 内——注意 A₁ 与 B 的连线 BA₁ 与 AB₁ 在同一个平面（ABB₁A₁）内，且 BA₁ ⊥ AB₁（正方形对角线互相垂直）。所以 P ＝ A₁ 时确实有 BP ⊥ AB₁，还需检查 BP ⊥ AB：BA₁ ⊥ AB 也成立（正方形邻边）。那为什么向量法说不行？

关键澄清：条件 BP ⊥ 平面要求 BP 同时垂直于平面内的两个相交方向。逐项检查：BA₁·AB₁ ＝ (−1,0,1)·(1,0,1) ＝ −1 ＋ 0 ＋ 1 ＝ 0 ✓；BA₁·AD₁ ＝ (−1,0,1)·(0,1,1) ＝ 0 ＋ 0 ＋ 1 ＝ 1 ≠ 0 ✗。所以 BA₁ 不垂直于平面 AB₁D₁——它与 AD₁ 的夹角是锐角。几何上：BA₁ 在侧面内「斜穿」，而 AD₁ 是另一侧面的对角线，二者不垂直。

探索性问题的标准流程是「假设存在 → 建立方程 → 解出参数 → 检验范围与相容性」四步。本题的教训是：条件要检查完整——垂直于平面里的一个方向不够，必须垂直于平面内两个不共线的方向，或者等价地「平行于法向量」。少查一个方向，就会得出错误的「存在」。

例4 动态问题

建系：A 为原点，三棱为轴。A(0,0,0)，C(1,1,0)，C₁(1,1,1)，A₁(0,0,1)，B(1,0,0)，D(0,1,0)。

参数化：M ＝ (1, 1, t)，t ∈ [0, 1]。方向向量 u ＝ AM ＝ (1, 1, t)。

求平面 A₁BD 的法向量：BA₁ ＝ (−1, 0, 1)，BD ＝ (−1, 1, 0)。设为 n ＝ (x, y, z)：−x ＋ z ＝ 0，−x ＋ y ＝ 0，取 x ＝ 1 得 n ＝ (1, 1, 1)。

列目标函数：

sin θ ＝ |u·n||u||n| ＝ |1 ＋ 1 ＋ t|√(2 ＋ t²) · √3 ＝ t ＋ 2√3 · √(t² ＋ 2)

求最值：记 f(t) ＝ (t ＋ 2)²3(t² ＋ 2)，t ∈ [0, 1]。求导（或直接配方）：

f′(t) ∝ (t² ＋ 2)·2(t ＋ 2) − (t ＋ 2)²·2t ＝ 2(t ＋ 2)［(t² ＋ 2) − t(t ＋ 2)］ ＝ 2(t ＋ 2)(2 − 2t)

故 f′(t) ≥ 0 当 t ≤ 1，即 f 在 [0, 1] 上单调递增，最大值在 t ＝ 1 处：

sin θ_max ＝ 3√3 · √3 ＝ 1

即 θ_max ＝ 90°，此时 M ＝ (1, 1, 1) ＝ C₁。验证：AC₁ ＝ (1, 1, 1) ＝ n，确实垂直于平面 A₁BD——这正是正方体的经典结论「体对角线 AC₁ 垂直于截面 A₁BD」。

另一条更快的路：既然 n ＝ (1, 1, 1)，而 u ＝ (1, 1, t) 与 n 的夹角随 t 接近 1 而减小（t ＝ 1 时两者完全相同），故 |cos⟨u, n⟩| 递增、sin θ 递增。观察法省去了求导——因为它看穿了「M 沿直线运动，方向向量单调地转向法向量」。

讨论另一种情形：如果把条件改成「M 在棱 BB₁ 上」（M ＝ (1, 0, t)），则 u ＝ (1, 0, t)，sin θ ＝ |1 ＋ t|√3√(1 ＋ t²)。此时 f(t) ＝ (1 ＋ t)²3(1 ＋ t²) 在 t ＝ 1 取最大值 2/3，即 sin θ_max ＝ √6/3 ≈ 0.816，θ ≈ 54.7°。同一个几何体，换一条棱，答案完全不同。

动态题的三种武器按优先级排：观察法（最快） → 单调性 → 求导。能用眼睛看出「谁在向谁靠拢」就别动笔求导；实在看不出，求导永远可靠。

研究任务单：校馆空间测量

任务背景：真实的空间几何不用坐标纸，用卷尺与激光测距仪。本任务要求您走出教室，用坐标法解决一个真实的测量问题。

对象选择（任选其一）：① 学校的篮球馆/羽毛球馆（长方体空间）；② 图书馆的采光中庭（可能是棱台或斜棱柱）；③ 教学楼外的雨棚（斜面与柱的组合体）；④ 自选一个含有「斜交平面」的建筑构件。

任务一（建立坐标系）：现场测量三个互相垂直或可算出夹角的基准长度（如地面两条相邻边、墙高），建立空间直角坐标系，写出至少六个关键点的坐标（角点、顶点、您选定的测量点）。必须画出坐标系与坐标轴方向，并说明原点的选取理由。

任务二（求两个真实的角度）：
① 求某条实际存在的斜梁（或楼梯扶手、雨棚边）与地面的夹角；
② 求两个实际的平面（如两面墙的延伸面、雨棚面与墙面）所成的二面角。
要求：先写向量，再代公式，最后换算成度数，并与现场用手机水平仪/角度尺的实际测量值对比，计算相对误差。

任务三（求一个真实的距离）：求两个「看不见交点」的对象之间的距离（如两条异面梁、天花板某点到某斜面）。要求说明为什么直接测量困难，而坐标法可行。

交付：一页 A4 报告，含坐标系草图、坐标表、公式推导、数值结果、误差分析。下次课带卷尺与报告来。

测量误差超过 10% 是正常的——建筑不按理想几何建造，地面不平、墙面不直。请如实报告误差，并猜测误差来自哪里：是测量不准，还是模型假设（「这面墙是垂直的」）本身就不成立？

小组探究：正多面体二面角全集

情境：正多面体恰好有五种——正四面体、正六面体（正方体）、正八面体、正十二面体、正二十面体。这是欧几里得《几何原本》最后一卷的压轴结论。每种正多面体的「面与面之间的夹角」（二面角）是一个常数，它是这些多面体最本质的几何指纹之一。

探究路径（用向量法）：对每种正多面体，取合适的顶点坐标（可用「对称性 + 单位球」的方式构造），求出相邻两面的法向量，按二面角公式算出夹角。

小组任务：
① 完成正四面体、正六面体、正八面体三种的二面角计算，填表；
② 查资料补全正十二面体（约 116.57°）与正二十面体（约 138.19°）的数值，验证它们的余弦值都能写成含 √5 的简单形式；
③ 关键问题：为什么正多面体只能有五种？请尝试用「每个顶点周围至少有 3 个面」与「各面角之和小于 360°」这两个条件推出结论。

讨论：足球由正五边形与正六边形拼成（截角二十面体），它的「面角」是多少？为什么这种设计能让球面近似得这么好？

正多面体是「对称性的化石」：它们在柏拉图时代被当作宇宙的元素模型，今天则出现在分子结构（C₆₀ 富勒烯）、病毒外壳与病毒衣壳蛋白的研究中。二面角决定了蛋白质亚基能否扣合成壳——几何在这里变成了生物学。

研究写作：向量法论文

写作任务：以「向量法与传统几何方法的比较」为主题，写一篇 1000–1500 字的小论文。要求有具体例题与数据比较，不能只发议论。

选题角度（任选其一）：
① 方法学比较：选 3 道立体几何高考题，分别用综合法与向量法完整解答，统计「书写行数 / 涉及定理数 / 出错风险点」，做一张对比表，得出结论。
② 历史研究：追溯「向量」概念的诞生史（哈密顿的四元数 → 吉布斯的向量分析 → 现代线性代数），说明为什么工程师比数学家更早接受了向量。
③ 应用延伸：说明向量法在计算机图形学中的地位——三维模型的旋转用矩阵表示，点积用于光照计算（朗伯余弦定律），叉积用于求法线。写清一个具体算法。

结构与要求：
摘要（100 字，五句话内讲清问题、方法、结论）→ 引言（问题背景，200 字）→ 主体（例题＋比较或史料＋分析，600–800 字，至少一张表格或一个图）→ 讨论（方法的边界：向量法在什么情况下失效？300 字）→ 参考文献（至少 3 条，注明来源）。

评价量规：题目聚焦（15%）、例题或数据的真实性（30%）、比较的公平性（25%）、局限讨论的深度（20%）、格式规范（10%）。

写论文与做习题最大的区别是：习题有标准答案，论文没有。您提出的每一个断言，都必须自己提供证据。这是数学写作的第一课，也是它最有价值的地方。

研究答辩准备与互评

答辩流程：每人 5 分钟陈述 ＋ 3 分钟答问。陈述必须包含四件东西：真实对象 → 坐标系与假设 → 计算过程 → 与实测的对比。

答辩自检单：
① 我的坐标轴方向与现场是否对应？有没有画图确认？
② 我的法向量是怎么求的？方程组有没有检查过（把解代回验证）？
③ 二面角是锐角还是钝角？我是怎么判断的，还是凭运气？
④ 我的答案与实测差多少？如果差很多，是模型问题还是测量问题？
⑤ 如果有人问「为什么不直接量」，我怎么回答？

预演的三个必答题：
① 「您建系的原点为什么选在这里？换一个原点，结果会变吗？」（答：结果不变，因为距离与角是几何不变量；但计算量会变。）
② 「您的实测值可靠吗？卷尺的读数误差有多少？」（答：讨论测量精度与系统误差。）
③ 「如果这面墙其实不垂直，您的模型会怎么错？」（答：说明模型假设与现实的差距，以及误差传播的方向。）

互评规则：听众按「建模合理性／计算正确性／误差分析／表达清晰度」四维打分（1–5 星），并强制写「一条我学到的做法」与「一条我认为可以改进的地方」。禁止只写「很好」。

答辩的真正价值在于暴露假设。一个模型能否被信任，不取决于它算得多准，而取决于作者是否知道自己在哪里不准。

挑战：折叠与轨迹

挑战题的共同策略：遇到折叠先找平面角（折痕上取点、两边作垂线），遇到轨迹先写方程（把条件翻译成坐标方程），遇到最值先找参数（把动点参数化，问题变成函数）。三条路走完仍不通，就回到原点——把图形画大、画正，用对称性猜答案，再用向量法验证。

章评估与错题归档

知识清单自评（能给别人讲明白才算会）：
① 空间向量的四条运算与三个坐标公式；② 方向向量与法向量的取法，待定系数法求法向量的三步；③ 线线角公式（含绝对值的原因）；④ 线面角公式（为何用 sin、为何必须加绝对值）；⑤ 二面角公式与「一进一出」判别法；⑥ 点面距离公式（为何 A 可任取）；⑦ 四种距离的统一格式与公垂方向；⑧ 动态问题的参数化三种情形；⑨ 建系的三条选择准则；⑩ 探索性问题的四步流程。

高频错点归档：
① 线面角用 cos（应为 sin）；
② 二面角直接加绝对值，不判断锐钝；
③ 点面距离的分母写成 |n|²；
④ 参照点取到平面外（点面距离）或取到直线外（异面直线距离）；
⑤ 法向量化简时带着分数往下算，最后开方出错；
⑥ 动态题忘记写参数范围（最值取在区间外）；
⑦ 探索题只检查了一个垂直方向就断言「存在」；
⑧ 二面角的「同进同出」判别漏掉，答案变成补角。

错题三问（写进错题本）：错在哪一步（建系 / 坐标 / 法向量 / 代公式 / 判别）？是知识缺口还是习惯缺口（如不写定义域、不画草图）？同类题的自创例句是什么？

自评标准：把「二面角的锐钝判别」讲给同学听，若对方听完能独立处理一道新题，说明您真会了。判别法不是技巧，它是这一章唯一需要主动判断的地方——其余步骤都是机械的。

预习桥：数据中的因果

这一章我们做的是确定性的几何：给定坐标，角与距离就是确定的数。下一章换一个世界——数据的世界。那里没有精确的点与线，只有一堆带着噪声的观测值，而我们要问的问题是：「这两个量之间有关系吗？关系有多强？」

注意最后一行——它不是巧合。一元线性回归的「最小二乘法」，本质上是几何问题：把所有数据点 (x_i, y_i) 看成一个高维向量，把「所有可能直线的模型」看成另一个子空间，最小二乘就是在求数据向量到模型子空间的距离。您这一章学的「投影」概念，将在统计学里原封不动地重现。

所以统计不是「几何的反面」，而是几何在不确定世界里的推广：点仍然有距离，直线仍然有投影，只是「点」变成了「分布」，「确定落在线上」变成了「平均意义上最靠近」。

预习任务：① 复习必修阶段的「相关系数 r」公式，试着说明 r 与本章的 cos⟨a, b⟩ 在形式上的相似之处（提示：把数据中心化，即每个数减去它的平均值，再比较两个公式）。② 思考：如果所有数据点恰好在一条直线上，|r| 等于多少？此时「距离」是多少？

导入：吸烟与寿命：数据的指控

1950 年，两位英国学者多尔（Richard Doll）与希尔（Austin Bradford Hill）发表了一份调查报告：他们访问了伦敦二十家医院的肺癌病人与对照组，发现肺癌患者中吸烟者的比例远高于对照组。同年，美国学者温德（Ernst Wynder）与格雷厄姆（Evarts Graham）在《美国医学会杂志》上报告了类似结论。

烟草公司的反击很有力，也很「数学」：「您只有相关性，没有因果性。」他们提出各种替代解释——也许是某种共同基因同时导致吸烟倾向与肺癌；也许调查对象回忆不准；也许相关只是巧合。这些话并非无赖狡辩，它们在统计学上说得通：相关确实不等于因果。

那么医学界怎么回应？他们没有停留在「相关」上，而是从五个方面收紧证据链：
① 强度——重吸烟者的风险是常人的 20 倍以上，这样强的关联很难用未测混杂解释；
② 剂量反应——吸得越多、患癌率越高，且有单调趋势；
③ 时间顺序——吸烟在前，患病在后；
④ 一致性——不同国家、不同人群、不同研究方法得到同一结论；
⑤ 机制——后来从焦油中分离出多种致癌物，动物实验与细胞实验都支持。

1964 年，美国卫生总监的报告正式确认吸烟与肺癌的因果关系。次年美国通过《香烟标签法》。这是一场用统计学打赢的公共健康战役——它的武器不是显微镜，而是回归方程与列联表。

这一章我们要学的，正是这件武器：如何用成对数据估计关系（回归）、如何衡量拟合的好坏（R² 与残差）、如何判断两个分类变量是否真的相关（独立性检验）。全部学完之后，您手里会有判断「数据说法是否可信」的基本装备。

数据不会自己说话，它需要人替它说话。而替数据说话的人，必须对「自己说的有多可信」负责——这是统计素养的核心，也是这一章的思想主线。

回归方程复习深化

为什么要「平方」而不是别的？三个理由：① 正负残差不互相抵消；② 平方可导，能用求导求极值（绝对值不可导，处理起来麻烦）；③ 数学上等价于「数据向量到模型子空间的正交投影」——这一点在上一章末尾的预习桥里已经预告：回归就是投影。

记住两条性质，它们能救您一命：
① 回归直线必过样本中心点 (x̄, ȳ)。算出 b̂ 后用它求 â，可以省一次冗长计算，也能用来检验答案。
② 残差之和恒为 0：∑(y_i − ŷ_i) ＝ 0。因此残差图上正负点应当「势均力敌」——如果一大堆点在同侧，说明模型有问题。

练习一次：(1, 2), (2, 4), (3, 5), (4, 8)。x̄ ＝ 2.5，ȳ ＝ 4.75。∑(x_i − x̄)(y_i − ȳ) ＝ (−1.5)(−2.75) ＋ (−0.5)(−0.75) ＋ 0.5×0.25 ＋ 1.5×3.25 ＝ 4.125 ＋ 0.375 ＋ 0.125 ＋ 4.875 ＝ 9.5；∑(x_i − x̄)² ＝ 2.25 ＋ 0.25 ＋ 0.25 ＋ 2.25 ＝ 5。故 b̂ ＝ 1.9，â ＝ 4.75 − 1.9×2.5 ＝ 0，得 ŷ ＝ 1.9x。

高考里回归题的失分点极少在公式，几乎全在计算抄错与忘记代回求 â。把「先算两个平均值」写在草稿纸顶部，是这一节唯一必要的纪律。

非线性回归的线性化

现实中的关系常常不是直线：细菌繁殖呈指数、物体冷却呈指数衰减、学习曲线呈对数、重力加速度实验呈幂函数。好在我们已经会做线性回归——只要能把非线性关系「变」成线性。

操作流程（五步）：① 画散点图，观察形状；② 选定变换，构造新变量（如 u ＝ ln y）；③ 对新变量做线性回归，得 u ＝ B̂x ＋ Â；④ 变回原变量：由 B̂ ＝ ln b 得 b ＝ e^B̂，由 Â ＝ ln a 得 a ＝ e^Â；⑤ 检验：把回归曲线画回原散点图上，目测贴合程度。

例：某实验数据拟合出 ln y ＝ 0.35x ＋ 1.2（x 为天数）。取 x ＝ 0：ln y ＝ 1.2，y ≈ 3.32；取 x ＝ 10：ln y ＝ 4.7，y ≈ 110。可见 y 增长极快——这正是指数增长的特征：直线上的等距增量，在原始尺度上是等比的倍数。

「线性化」这个词本身就说明了它的地位：它是把未知问题化归为已知问题这一数学基本动作的又一次精彩应用。对数、倒数、平方——所有变换的目的只有一个：让熟悉的工具能用上。

决定系数 R²

画出回归直线后，第一个要回答的问题是：它靠得住吗？散点紧贴直线与散点四处飞散，即使回归系数相同，可信程度也天差地别。衡量这件事的量叫决定系数。

怎么理解这两个式子？分母 ∑(y_i − ȳ)² 是「总变差」——数据本身的波动有多大（若只有均值可预测，误差就这么大）。分子 ∑(y_i − ŷ_i)² 是「残差变差」——用回归直线预测后还剩多少误差。两者相除是「未被解释的比例」，用 1 去减，得到「被模型解释掉的比例」。这就是 R² 的名字来源。

两个使用纪律：
① R² 大不等于模型正确。把 y 对 x 的高次多项式回归，只要次数足够高，R² 必然趋近 1——但那是「记住」数据，不是「理解」关系（这叫过拟合）。
② R² 小也不必立刻放弃模型。在社会科学数据中，R² ＝ 0.3 就已相当可观（人的行为受太多因素影响）；但在物理实验中，R² ＝ 0.9 才算勉强及格，因为这属于确定性规律。

与相关系数的关系：对一元线性回归，有 R² ＝ r²（r 为相关系数）。所以 R² 有时也叫「相关系数的平方」。它比 r 更好用的一点是：R² 可以推广到多个自变量的情形（多元回归），而 r 不行。

报告 R² 的时候，请同时给出数据的范围与来源。R² ＝ 0.95 若来自 8 个点，几乎不能说明什么；若来自 8000 个点，就相当可信。数字的大小必须与它的证据量一起讲。

残差分析

R² 只给一个「总分」，不告诉您哪里错了。想知道模型在哪种情形下失效，必须看残差。

残差图的四诊法——四种典型形态对应四种诊断：

① 均匀散布在 e ＝ 0 水平带内、无明显形状 → 模型合适。这是我们要的目标状态。

② 呈弯曲的弧形（U 形或倒 U 形） → 漏掉了非线性项。数据本身是曲线的，您硬用直线拟合，残差就会呈现「两端偏一侧、中间偏另一侧」。对策：换非线性模型（上一节的线性化），或加二次项。

③ 呈喇叭形（两端散得越来越开） → 方差不齐。常见于「数值越大波动越大」的数据（如收入、人口）。对策：对 y 取对数后再回归。

④ 存在个别远离的点（离群点） → 需单独检查该观测。离群点可能来自记录错误（录错了小数点）、可能来自真实的极端事件（一次疫情）。不要不加说明地删掉它——删点必须报告，并说明理由。

例：某班 10 名学生的「每周自习小时数 x」与「考试分数 y」回归得 ŷ ＝ 5.2x ＋ 61。检查一名学生 x ＝ 20（极度勤奋）但 y ＝ 58 的残差：ŷ ＝ 165，e ＝ 58 − 165 ＝ −107——巨大的负残差。且 ŷ ＝ 165 ＞ 150（假设满分 150），说明模型在 x 较大处已经不适用。这就是残差分析的实战价值：它告诉您模型的适用边界。

线性回归一切的前提是「线性」，而残差图是检验这个前提的唯一现场手段。养成习惯：算完回归必画残差图，就像写完程序一定要跑测试。

列联表独立性检验深化

回归处理的是两个数值变量。若两个变量都是分类变量（如性别与是否喜欢数学、吸烟与是否患病），就要用另一种工具：列联表与独立性检验。

判断规则（临界值表）：

χ² ≥ 2.706 → 有 90% 把握认为两变量有关；
χ² ≥ 3.841 → 有 95% 把握；
χ² ≥ 6.635 → 有 99% 把握；
χ² ≥ 10.828 → 有 99.9% 把握。

两类错误（必须分清）：
① 第一类错误（弃真）：两变量其实无关，但数据恰好极端，您判定「有关」。发生率不超过 α。
② 第二类错误（存伪）：两变量其实有关，但样本量太小、关联太弱，没检测出来。发生率记 β，通常未知，随样本量增大而减小。

例：某校调查 200 名学生，问「是否住校」与「是否参加社团」。四格为：住校参加 60、住校不参加 40、走读参加 50、走读不参加 50。则

χ² ＝ 200(60×50 − 40×50)²100 × 100 × 110 × 90 ＝ 200 × (1000)²9.9 × 10⁷ ≈ 2.02

2.02 ＜ 2.706，故没有足够证据认为住校与参加社团有关。注意措辞：不能说「无关」，只能说「没有充分证据证明有关」。这个区分是统计语言的基本礼貌。

「没有证据证明有关」与「证明了无关」相差十万八千里。前者的意思是「再收集点数据或许能看出来」，后者需要更强的设计（如等价性检验）。谨慎的措辞就是诚实的措辞。

相关系数

它到底是什么？把数据「中心化」——每个 x 减 x̄、每个 y 减 ȳ——再把两组数看成两个向量 X ＝ (x₁ − x̄, …, x_n − x̄) 与 Y。那么

r ＝ X·Y|X||Y| ＝ cos⟨X, Y⟩

相关系数就是两个中心化数据向量的夹角余弦！这正是上一章结尾预习桥里的那个类比。「不相关」意味着两个向量垂直（r ＝ 0）；「完全正相关」意味着两向量同向（r ＝ 1，散点精确落在一条上升直线上）。统计与几何，在这里握手。

三条重要判读纪律：
① r 只测「线性」相关。数据若是完美的抛物线 y ＝ x²（x 取对称值），可能算出 r ＝ 0——但两者显然有确定关系。画图，永远先画图。
② r ＝ 0.8 与 r ＝ −0.8 强度相同，方向相反。比较相关性用 |r|。
③ r 对离群点极度敏感。一个极端的点可以把 r 从 0.2 拉到 0.9，也可以把 0.9 打到 0.1。删除或保留离群点必须说明理由。

例：四组数据（安斯库姆四重奏）的 x̄、ȳ、b̂、r 完全相同，但画出来一组是线性、一组是弯曲、一组有一点离群、一组是垂直线加一个孤点。这四个数据集的统计量完全一样——所以「不画图就下结论」是统计学最著名的陷阱。

安斯库姆四重奏（Anscombe's quartet, 1973）是每位统计学习者的必修课。它用最小的成本教会您一件事：统计量是对数据的压缩，而压缩必然丢信息。压缩之后别忘了回头看一眼原图。

统计案例研读

统计的用途不止于做题，更在于读懂别人给出的结论。下面三个经典案例，分别展示了统计说服力的三种样态。

案例一：约翰·斯诺与霍乱地图（1854，伦敦）。斯诺逐门逐户记录霍乱死亡者的住址，在街区地图上标出每一个死亡点，发现病例密集分布在宽街（Broad Street）的一台水泵周围。他用统计的「空间分布」说服了教区移除水泵手柄，疫情随之消退。此时「霍乱由水传播」的细菌学机制尚未确立——统计先行，机制后到。这说明了相关性证据在实践中的巨大价值：您不需要等到机制清楚才能救人。

案例二：二战飞机的加固部位（亚伯拉罕·瓦尔德）。军方统计返航飞机的弹孔分布，发现机翼弹孔最多、发动机最少，于是主张加固机翼。统计学家瓦尔德反驳：您看到的是幸存者——被击中发动机的飞机根本没有机会返航。应当加固的是弹孔最少的地方。这是「幸存者偏差」的教科书案例，也是如何正确解读数据缺失的典范。

案例三：手机与脑瘤（2011，IARC 声明）。国际癌症研究机构把手机射频电磁场列为「可能致癌（2B 类）」。这一分类常被媒体误读为「手机致癌」。实际上 2B 类的含义是「证据有限」，同类的还有泡菜与咖啡（当时）。这个案例展示了分类体系与公众理解之间的鸿沟：统计结论有精细的置信度分层，而公众语言只有「是」与「否」。

读一篇统计报告，比做十道统计题的收获更大——因为真实的报告里，每一个数字背后都有一次选择，而选择可能暗藏偏向。训练这种敏感度，才是统计素养的目的。

成对数据的解读规范

前面八页给了您工具，这一页给您写作规范——因为统计结论一旦说出口，就要为措辞负责。以下是一份可直接照用的清单。

措辞对照表（改掉这些句子）：

✗「学习时间越长，成绩越好」 → ✓「在本班数据中，学习时间与成绩呈正相关（r ＝ 0.71），但无法排除学习基础等混杂因素的作用」。
✗「R² ＝ 0.9，说明模型完全正确」 → ✓「模型解释了 90% 的变异，剩余 10% 未解释的部分可能来自测量误差及其他因素」。
✗「数据证明二者无关」 → ✓「未发现二者相关的显著证据（χ² ＝ 1.8 ＜ 3.841）」。
✗「预计明年销量为 12000 件」 → ✓「若关系保持稳定，按回归直线预计明年销量约 12000 件（该外推超出数据范围，需谨慎）」。
✗「删除一个异常点后 r 升至 0.85」 → ✓「数据中存在 1 个异常观测，初步分析按原数据给出结果；剔除后 r 由 0.62 升至 0.85，该点的影响已单独说明」。

规范不是形式主义。措辞的严格程度，等于结论的可信程度。写「相关」而不写「因果」，不是胆小，而是精确。

研讨① 拟合优度与模型选择

假设同一组数据，您分别用直线、二次曲线、三次曲线、指数曲线去拟合。四条曲线的 R² 依次是 0.72, 0.88, 0.91, 0.94。选哪一个？

直觉答案「选 R² 最大的」是错的。三项理由：

① 复杂度自带「作弊权」。任何 n 个点都能被一条 (n−1) 次多项式完美穿过（R² ＝ 1）。但它对点的微小扰动毫无抵抗力——这就是过拟合：模型记住了数据，却没有学到规律。

② 外推能力才是试金石。三次曲线在数据范围内可能比指数曲线更贴合，但走出数据范围后，三次曲线可能急剧下沉（现实中不会发生），而指数曲线延续增长（可能更符合机制）。模型的目的是预测，不是描摹。

③ 机制优先于数值。若已知物理机制是指数衰减（放射性、冷却），就应该优先选指数模型，而不因为它 R² 略低就弃之。反过来，若机制不明，才单纯依靠数据拟合。

研讨任务：取一组 12 个数据点，分三组做实验：
① 用全部 12 点拟合直线与三次曲线，比较 R²；
② 把前 8 点用作「训练集」拟合两条曲线，再用后 4 点计算「预测误差」（这 4 点的预测值与实际值之差的平方和）；
③ 讨论：哪条曲线在训练集上更好？在测试集上呢？这个差别说明了什么？

「训练集上表现好」与「真实世界表现好」是两件事。所有机器学习的核心焦虑都在这里：您要的不是讨好已知数据，而是应对未知世界。这一课在高中统计学里就可以完整学会。

研讨② 检验的显著性是什么

上次您算出 χ² ＝ 2.02 ＜ 2.706，就说「没有足够证据认为有关」。这个判断的依据是什么？「显著性」这个词到底在说什么？

核心思想：反证法式的概率推理。基本逻辑是：
① 先假设「两变量无关」（叫原假设 H₀）；
② 在这个假设下，计算「观测到当前数据或更极端数据的概率」（叫 p 值或通过临界值比较）；
③ 若这个概率很小（＜ α ＝ 0.05），说明「在无关的假设下，出现这种数据几乎不可能」——于是我们拒绝 H₀，认为有关。

三条常见的误读（请记住并纠正）：

① ✗「p ＝ 0.03 意味着 H₀ 只有 3% 的概率为真」。
✓ 正确：「若 H₀ 为真，观测到如此极端数据的概率是 3%」。p 是关于数据的概率，不是关于假设的概率。

② ✗「不显著就意味着两变量无关」。
✓ 正确：「证据不足以判定有关」。可能只是样本不够大——一个真实的弱关联在小样本中常常检测不出来。

③ ✗「显著性水平 α ＝ 0.05 是随便定的规矩，必须遵守」。
✓ 正确：0.05 是费雪尔在 1920 年代提出的「方便约定」，用在医药试验等领域还说得过去，但在探索性研究中它过严，在高风险决策（如新药安全）中它太松。它是一个约定，不是自然规律。

研讨问题：① 假设您做了一项研究，得到 p ＝ 0.049 与 p ＝ 0.051 两个结果，它们的实际差别有多大？为什么把它们分到「发现」与「未发现」两组是荒谬的？② 若把 α 从 0.05 调到 0.01，第一类错误与第二类错误分别如何变化？这是一场什么样的权衡？③ 找一篇媒体报道的「某项研究证明……」，检查原文的 p 值与效应量，看报道是否失真。

统计显著性是一个工具，它有明确的使用条件与失效边界。把它当成「真相开关」，是统计素养不足的典型表现——而这个误用，曾经每年造成数以千计的科学论文被撤回。

研讨③ 统计推理的边界

统计能回答「数据支持什么」，不能回答「什么是对的」。这一节讨论它在哪些地方必然失效，以及在失效处该怎么诚实地说「不知道」。

边界一：概率不等于频率（当事件只发生一次）。
「明天有 70% 的概率下雨」——这个 70% 不是「一百个平行宇宙里 70 个下雨」（虽然预报模型是这样算的），而是「在类似的气象条件下，历史上有 70% 的情况下了雨」。当事件只有一次（如「这次选举谁会赢」「这一颗小行星会不会撞地球」），频率解释失去依托，概率的含义变得模糊。

边界二：小概率事件的实际发生。
彩票中奖概率 1/2 × 10⁷，但每年都有人中奖。因为买的人极多、买的次数极多，「几乎不可能」就变成了「几乎必然有人碰到」。统计的理性结论是「您不该买」，但个体的运气无法预测。

边界三：选择偏倚与数据污染。
疫情期间的死亡率数据、股市中的「幸存基金」、社交媒体上的民意——数据被「谁愿意提供」决定了。统计方法再精密，也无法修复被污染的输入。垃圾进，垃圾出（GIGO）。

边界四：混杂因素无法穷尽。
「每天喝咖啡的人寿命更长」——可能是咖啡的作用，也可能是「能每天喝咖啡」意味着经济条件好、有闲暇、能定期体检。观察性研究永远无法排除所有混杂。要确定因果，唯一可靠的手段是随机对照试验（RCT）：随机分组让所有混杂因素（包括未知的）在期望上被平衡。这就是为什么药物必须做三期临床试验。

研讨问题：① 「某研究显示，常吃早餐的人更瘦。」请列出至少 5 个可能的混杂因素。② 如何设计一个实验来检验「听古典音乐能否提高数学成绩」？这条实验里，随机分组能排除哪些混杂？③ 若某项因果结论对人类极其重要但无法做 RCT（如「吸烟致癌」），科学家该怎么做？（提示：回顾本章第 1 页的「五条证据链」。）

统计推理的边界不是它的耻辱，而是它的诚实。知道自己在哪一层、能说多强的话，比得到一个漂亮的 p 值重要得多。

研讨④ 大数据时代的统计素养

今天的时代有一个新的特点：数据不是稀缺的，注意力是稀缺的。当样本量趋于无穷，旧的困难（样本太小）消失了，新的困难（假相关泛滥）出现了。

现象一：p-hacking（p 值操纵）。
如果研究者不断尝试不同的分组、不同的变量组合、不同的模型，总能凑出 p ＜ 0.05 的结果。设想检验 20 个彼此无关的假设，每个用 α ＝ 0.05 判定——按概率论，平均会有 1 个「显著」！多重比较问题：检验次数越多，「假阳性」越不可避免。对策：预先注册研究方案（preregistration）、多重比较校正（Bonferroni 等）。

现象二：大数据下的伪相关。
当变量足够多（几千个指标）、时间足够长（几百个月），任意两条无关的时间序列都会「高度相关」。统计学家泰勒（Tyler Vigen）收集了大量荒唐例子：美国在科学、空间与技术上的支出与「上吊、窒息等自杀人数」相关系数 0.997；尼古拉斯·凯奇出演的电影数量与「泳池溺水人数」相关系数 0.666。相关系数高，不等于有关系，更不等于有因果关系。

现象三：算法偏差（algorithmic bias）。
用历史数据训练的招聘筛选模型，会继承历史中的性别偏见；用逮捕数据训练的治安预测模型，会在历史上警察巡逻密集的社区留下更多记录，从而预测该社区「更危险」，形成反馈循环。模型学的是数据，数据记录的是历史，而历史可能不公平。统计的诚实要求我们：在使用模型前，检查它的输入是否来自一个公平的世界。

研讨问题：① 请设计一个小实验，验证「p-hacking」的真实性：用随机数生成器造 20 组无关数据，对每组做一次独立性检验，统计有多少组「显著」。② 「算法偏见」在数学上如何定义？（提示：思考模型在不同子群上的错误率是否不同。）③ 如果您是一家公司的数据分析师，老板要求您「找出一个能支持新产品上市的显著结果」，您该怎么办？

数据时代最稀缺的能力不是算得准，而是知道什么时候不该相信一个结果。这份怀疑不是犬儒，而是对自己与对世界的负责。

例1 回归建模

（1） x̄ ＝ 3，ȳ ＝ 36。

∑(x_i − x̄)(y_i − ȳ) ＝ (−2)(−11) ＋ (−1)(−8) ＋ 0 ＋ 1×5 ＋ 2×14 ＝ 22 ＋ 8 ＋ 0 ＋ 5 ＋ 28 ＝ 63；
∑(x_i − x̄)² ＝ 4 ＋ 1 ＋ 0 ＋ 1 ＋ 4 ＝ 10。

故 b̂ ＝ 63/10 ＝ 6.3，â ＝ 36 − 6.3×3 ＝ 17.1，得

ŷ ＝ 6.3x ＋ 17.1

（2） 计算预测值与残差：ŷ 依次为 23.4, 29.7, 36.0, 42.3, 48.6；残差 1.6, −1.7, 0, −1.3, 1.4。残差平方和 ＝ 2.56 ＋ 2.89 ＋ 0 ＋ 1.69 ＋ 1.96 ＝ 9.1。总变差 ＝ 121 ＋ 64 ＋ 0 ＋ 25 ＋ 196 ＝ 406。故

R² ＝ 1 − 9.1406 ≈ 0.978

解读：停工时间变化的约 97.8% 可由维护次数解释，拟合非常好。残差均在 ±2 小时内且正负交替（1.6, −1.7, 0, −1.3, 1.4），无明显系统性结构——说明线性模型选择恰当。

（3） x ＝ 7 时 ŷ ＝ 6.3×7 ＋ 17.1 ＝ 61.2（小时）。

可靠性讨论：x ＝ 7 超出原始数据的范围 [1, 5]，属于外推。外推的可靠性依赖「线性关系在区间外仍成立」这一假设——现实中它可能失效（维护次数过多本身可能是机器老化的症状，此时停工时间可能加速上升，而非线性上升）。规范表述：「若线性关系在 x ＝ 7 附近仍成立，预计停工约 61.2 小时；但该预测属外推，仅供参考。」

答题时把「外推风险」写出来，是这本题最重要的得分点。它同时也是唯一能体现您理解回归本质的地方——只会代数的人，不会提这件事。

例2 非线性化

变换：两边取自然对数，ln y ＝ ln a ＋ x·ln b。令 u ＝ ln y，则 u 与 x 线性相关。

算 u ＝ ln y：ln 2.0 ＝ 0.693，ln 2.7 ＝ 0.993，ln 3.6 ＝ 1.281，ln 4.9 ＝ 1.589，ln 6.6 ＝ 1.887。

对 (x, u) 做线性回归：x̄ ＝ 2，ū ＝ 0.693 ＋ 0.993 ＋ 1.281 ＋ 1.589 ＋ 1.8875 ＝ 6.4435 ＝ 1.2886。

∑(x_i − 2)(u_i − ū) ＝ (−2)(−0.5956) ＋ (−1)(−0.2956) ＋ 0 ＋ 1×0.3004 ＋ 2×0.5984 ＝ 1.1912 ＋ 0.2956 ＋ 0.3004 ＋ 1.1968 ＝ 2.984；
∑(x_i − 2)² ＝ 10。

故斜率 B̂ ＝ 0.2984，截距 Â ＝ 1.2886 − 0.2984×2 ＝ 0.692。

变回原变量：b ＝ e^B̂ ＝ e^0.2984 ≈ 1.35，a ＝ e^Â ＝ e^0.692 ≈ 2.0。故

ŷ ＝ 2.0 × 1.35^x

验算：x ＝ 0 得 2.0（实际 2.0 ✓）；x ＝ 4 得 2.0 × 1.35⁴ ＝ 2.0 × 3.32 ＝ 6.64（实际 6.6，误差 0.6\% ✓）。拟合优良。

预测：x ＝ 6 时 ŷ ＝ 2.0 × 1.35⁶ ＝ 2.0 × 6.05 ≈ 12.1（万个）。

点评与机制讨论：细菌在营养充足的指数生长期中确实按「每个个体分裂为两个」的方式增长，因此 b 的生物学含义是「每个时间单位（1 小时）的增殖倍数」——b ≈ 1.35 意味着每小时增加约 35%，对应世代时间约 ln2/ln1.35 ≈ 2.2 小时。这就是「参数有含义」的价值：它把一条拟合曲线变成了生物学结论。

线性化的关键动作是「变回原变量」这一步。务必写成 b ＝ e^B̂，并用原数据验算。只要验算通过，前面略有计算瑕疵也不会导致结论错误。

例3 独立性检验

（1）列联表：

男生：选 90，不选 70，合计 160；
女生：选 60，不选 80，合计 140；
合计：选 150，不选 150，总数 n ＝ 300。

（2）代入公式（取 a ＝ 90, b ＝ 70, c ＝ 60, d ＝ 80）：

ad − bc ＝ 90×80 − 70×60 ＝ 7200 − 4200 ＝ 3000；(ad − bc)² ＝ 9 × 10⁶。

χ² ＝ 300 × 9 × 10⁶160 × 140 × 150 × 150 ＝ 2.7 × 10⁹5.04 × 10⁸ ≈ 5.36

（3）判断：因为 5.36 ＞ 3.841（α ＝ 0.05 的临界值），且 5.36 ＜ 6.635，所以有 95% 把握认为性别与是否选修物理有关（但不足 99%）。

规范表述：「在犯错误概率不超过 0.05 的前提下，可以认为性别与选修物理有关。」不能写成「性别导致选修差异」（因果），也不能写成「证明有关」（绝对）。

进一步分析（期望频数法）：如果性别与选修无关，那么两性的选修比例应当相同，都等于总体的 150/300 ＝ 50\%。于是理论频数为：男生选 160 × 0.5 ＝ 80、男生不选 80、女生选 70、女生不选 70。用「(实际 − 理论)² / 理论」逐格累加：

χ² ＝ (90 − 80)²80 ＋ (70 − 80)²80 ＋ (60 − 70)²70 ＋ (80 − 70)²70 ＝ 1.25 ＋ 1.25 ＋ 1.43 ＋ 1.43 ＝ 5.36

与公式法完全一致。这条「期望频数法」揭示了两件事：① χ² 的本质就是「实际与理论的偏离程度」的平方和；② 简化公式 χ² ＝ n(ad − bc)²/[(a＋b)(c＋d)(a＋c)(b＋d)] 正是四格情形的展开式。

考试里两种方法都可用，但答「解读」类小题时必须用完整的规范表述——这是本章最容易拿分也最容易丢分的地方。请把「在犯错误概率不超过 α 的前提下认为……」这句话写进您的答题模板。

例4 综合案例分析

（1） b̂ ＝ −1.8：日均步行每增加 1 千步，收缩压平均降低 1.8 mmHg。注意措辞是「平均」，因为回归给的是趋势而非确定关系。
r ＝ −0.66：步行量与血压呈中等偏强的负线性相关（|r| ＝ 0.66）。

（2） R² ＝ r² ＝ 0.66² ≈ 0.436。解读：血压变化的约 43.6\% 可由步行量的线性关系解释，其余 56.4\% 归因于其他因素（年龄、遗传、饮食、吸烟、测量误差等）。

（3） 取 a ＝ 6, b ＝ 14, c ＝ 14, d ＝ 6，n ＝ 40。

ad − bc ＝ 36 − 196 ＝ −160，(ad − bc)² ＝ 25600。

χ² ＝ 40 × 2560020 × 20 × 20 × 20 ＝ 1024000160000 ＝ 6.4

因为 3.841 ＜ 6.4 ＜ 6.635，故有 95% 把握认为步行量与血压是否偏高有关。

（4）结论（示范）：
「本次调查中，步行量与收缩压呈中等负相关（r ＝ −0.66，R² ≈ 0.44）；在 5% 显著性水平下，步行习惯与血压偏高有关联。但样本仅 40 人、属观察性研究，无法排除年龄、饮食等混杂因素，不能据此断定步行降低血压。」（116 字）

点评：本题的关键是三处措辞的纪律：
① b̂ 的解释必须带「平均」；
② R² 的解释必须给出「未解释部分」的归属；
③ 最终结论必须包含「不能断定因果」与「样本/设计局限」。
注意（3）中 ad − bc 为负，但平方后为正——卡方统计量本身不含方向信息，方向要靠回归系数或列联表比例判断（本例中步行多者血压高的比例 6/20 ＝ 30\% ＜ 14/20 ＝ 70\%，确为负向关联）。

综合题的价值在于暴露「会说数字」与「会讲结论」之间的差距。数字算对只完成一半，另一半是把不确定性与边界说清楚——这就是统计写作与数学解题最大的不同。

研究任务单：体质与成绩相关研究

任务背景：学校体育组与教务处都想知道：「体质与学业成绩之间有没有关系？」本任务要求您用一次真实的调查来回答它——并且诚实地说清楚您能回答到什么程度。

任务一（设计与采集）：
① 确定两个可量化的指标。建议：体质用「体测总分」或「800/1000 米成绩」；学业用「本学期期末各科总分」或「数学单科成绩」。
② 样本量至少 30 人。取样方式必须写清（随机？班级整群抽样？自愿报名？），并说明取样方式对结论外推的限制。
③ 数据必须记录原始值，保留计算过程。

任务二（分析与计算）：
① 画散点图（手绘或用表格软件），观察形状——是线性的吗？有没有明显的离群点？
② 计算样本相关系数 r 与决定系数 R²；
③ 求回归直线方程，并画出回归直线与散点图叠加；
④ 计算残差，画残差图，判断模型是否合适。

任务三（第二变量：分类变量）：
把数据按「体质是否优秀（如体测 ≥ 80）」与「学业是否优秀（如总分 ≥ 前 30%）」交叉分类，做一次独立性检验，计算 χ² 并给出规范表述的结论。

交付：两页报告（散点图＋回归直线、残差图、列联表、r／R²／χ² 的完整计算、一段 150 字的结论含局限）。

本任务的评分重点不是 r 的大小——如果算出 r ＝ 0.1 而报告写得诚实完整，照样满分；如果为了好看而删掉离群点、不说取样方式，即使 r ＝ 0.9 也要扣分。

小组探究：二手数据再分析

情境：真实的统计工作大量使用别人收集的数据——统计局公报、气象数据、体育赛事记录、国民经济年报。再分析（secondary analysis）是统计学家的日常，也是最容易翻车的工作（因为您没参与数据采集，不知道它有多脏）。

数据来源建议（任选其一）：
① 国家统计局网站：近 20 年某省的人均 GDP、城镇化率、人均可支配收入；
② 气象数据：某城市近 30 年的年均气温与年降水量；
③ 体育数据：某球队近 10 个赛季的进球数与积分；
④ 教育数据：本校近 5 年的高考平均分与某科目课时数。

小组任务：
① 数据清洗：检查缺失值、单位变化（某年统计口径变了？）、异常值。列出您做了哪些处理，以及处理理由。不得静默删除任何数据。
② 探索性分析：至少对 3 对变量计算相关系数，画散点图矩阵。找出相关性最高的一对与最低的一对。
③ 回归建模：选一对变量做回归，报告 b̂、R²、残差图。
④ 关键挑战：寻找一个「相关但荒谬」的例子——比如两个都随时间增长的量（GDP 与近视率）。请说明为什么它们相关，以及如何用「控制时间趋势」的方法来识别这种伪相关。

讨论题：
① 统计口径的变化会如何影响您的结论？
② 若两变量高度相关，但您知道它们不可能有因果（如「冰棍销量与溺水人数」），有哪几种可能的解释？（提示：共同原因＝气温。）
③ 如果结论与您的直觉相反，您会先怀疑数据还是先怀疑直觉？为什么？

「二手数据再分析」教会您一件事：数据的质量决定了结论的上限。再精巧的模型，也无法从一堆口径混乱的数据中提炼出可靠结论。所以专业统计师花在清洗数据上的时间，往往比建模多三倍。

研究写作：统计调查报告

写作任务：把上一页的数据分析写成一份 1200–1800 字的统计调查报告。本报告须遵守第 9 页给出的《成对数据结论报告规范》六条。

标准结构：

① 摘要（150 字）：研究问题、数据来源、主要发现（含关键统计量）、一句局限。摘要必须能让读者不读全文就掌握结论与其可信度。

② 引言（200 字）：为什么研究这个问题？已有认识是什么？本次研究要补充什么？

③ 数据与方法（300 字）：数据来源与采集方式、样本量、变量定义（必须给出操作化定义，如「学业优秀定义为总分 ≥ 前 30%」）、使用的统计方法、软件或计算方式。

④ 结果（500 字，含 2–3 张图表）：散点图＋回归直线、残差图、列联表。每个图表必须配一段文字说明「它显示了什么」，而不是把图表丢给读者。

⑤ 讨论（350 字）：这是全文最重要的部分。须包含——主要发现的解释（为什么会有这种关系？机制是什么？）；可能的混杂因素（至少三条）；数据或方法的局限（至少两条，如样本量小、取样非随机、指标单一）；未来的改进方向。

⑥ 结论（150 字）：只陈述数据能支持的结论。禁止出现「证明了」「必然导致」这类词。

⑦ 参考文献（至少 3 条，注明数据来源的访问日期）。

评价量规：问题聚焦（10%）、数据真实与清洗透明（20%）、统计方法正确（25%）、图表规范（15%）、局限讨论的深度（20%）、写作与格式（10%）。

写统计报告的纪律可以概括为一句话：让读者能够重做您的分析。给出原始数据的来源、清洗的规则、计算的公式——做到这三点，您的结论才有资格被讨论。

研究答辩准备与互评

答辩流程：每人 5 分钟陈述 ＋ 3 分钟答问。陈述须包含四件东西：研究问题 → 数据与取样 → 关键统计量（r／R²／χ²）→ 局限与混杂。

答辩自检单：
① 我的取样方式会不会引入偏倚（自愿报名＝自愿者偏向）？
② 我的变量定义是否操作化了（「体质好」具体用什么数）？
③ 我报告的 R² 与残差图是否一致（R² 高但残差图有结构，说明有漏项）？
④ 我有没有偷偷删掉某个不好看的点？如果删了，是否说明？
⑤ 我那句结论里有没有出现「导致」「证明」这类越界的词？

预演的三个必答题：
① 「您说体质与成绩有正相关——会不会只是『认真的人两件事都做得好』？」（答：承认这是最合理的混杂解释，说明为何观察性研究无法排除它。）
② 「把体测总分换成 1000 米成绩，结论会变吗？」（答：讨论指标选择的敏感性。）
③ 「您的建议是什么？如果按您的结论去改课程安排，有可能出错吗？」（答：说明政策建议与统计结论之间的距离。）

互评规则：听众按「问题清晰度／数据透明度／统计正确性／局限诚实度」四维打分（1–5 星），并强制各写一条「我学到的新做法」与「我怀疑的地方」。「我怀疑的地方」一栏不得写「没有」——找不到可怀疑之处，本身就是没认真读。

答辩最好的状态不是「无人质疑」，而是「质疑被准确回答」。能被追问的研究，才是有价值的研究；一个用「数据就是这样」挡回所有问题的作者，其实是在承认自己不理解数据。

挑战：统计综合题

挑战题的通用策略：看到「求和式」的条件，先把它翻译成 x̄, ȳ, ∑x_iy_i, ∑x_i² 的组合；看到「R² 与 r 的关系」，记住 R² ＝ r²（一元）与「r 的符号同 b̂」；看到「列联表」，先想「若无关，各行比例应当相同」这条直觉。

章评估与错题归档

知识清单自评：
① 最小二乘的两个公式与「过样本中心点」性质；② 四种非线性关系的线性化路径与参数回代；③ R² 的定义、两种等价写法与规范解读口径；④ 残差图的四诊法（均匀／弯曲／喇叭／离群）；⑤ 2×2 列联表与 χ² 计算公式、四个临界值；⑥ 相关系数的向量解释（r ＝ cos⟨X, Y⟩）与三条判读纪律；⑦ 三个经典统计案例（斯诺霍乱图、瓦尔德弹孔、幸存者偏差）；⑧ 报告结论的六条规范与措辞对照；⑨ 显著性的精确含义与三条误读；⑩ 因果推断的三条门槛与 RCT 的地位。

高频错点归档：
① 回归题忘记由「过中心点」求 â；
② 非线性化后忘记把参数变回原变量（或把 Ê[ln y] 直接取指数当作 E[y]）；
③ R² 的解读漏掉「未解释部分」；
④ 把 p 值解释为「原假设为真的概率」；
⑤ 独立性检验结论写成「证明有关」或「无关」；
⑥ 相关系数比较时忘记取绝对值；
⑦ 外推预测不写风险说明；
⑧ 把「显著」当成「效应大」。

错题三问：错在哪一步（公式／代数／措辞／解读）？是知识缺口还是表达习惯缺口（本章多数失分属于后者）？同类题的自创例句是什么？

自评标准：给一位没学过统计的家人解释「R² ＝ 0.44 是什么意思」，如果他能复述出「还有 56% 是别的原因造成的」，说明您真会了。本章的终点不是算对，而是讲清。

预习桥：导数的深水区

这一章我们处理的是「数据里的关系」，用直线去靠近散点、用卡方去衡量分类的关联。下一章要回到确定的函数世界，但走得更深——用导数去证明不等式。

注意一个有趣的结构对应：本章的「最小化残差平方和」与下章的「求函数最值」是同一个动作——都是「优化」。区别只在于：本章在有限的离散数据上找一条直线，下章在无限多的实数上找一个数。前者用求和式与平均值处理，后者用导数与单调性处理。

下一章的第一件事，是学会把不等式证明翻译成函数最值问题：要证 f(x) ≥ g(x)，就构造 h(x) ＝ f(x) − g(x)，转而证 h(x)_min ≥ 0。这个动作叫「构造函数法」，是导数证明题的第一块基石。您已经在必修阶段学会了求导与单调性，下一章要学的是什么时候该构造什么函数——这是纯粹的思路训练。

预习任务：① 用导数证明 e^x ≥ x ＋ 1（x ∈ ℝ），注意等号成立的条件。② 预习常见放缩：ln x ≤ x − 1（x ＞ 0）、sin x ≤ x（x ≥ 0）、e^x ≥ 1 ＋ x ＋ x²/2（x ≥ 0）。想一想它们各自对应哪条切线。

导入：以导为刃：证明的艺术

不等式是数学里最古老的对象之一。欧几里得《几何原本》第五卷里已经出现了「a : b ＞ c : d」这样的比例不等式；阿基米德用「内外夹逼」的办法算出 π 在 223/71 与 22/7 之间，这是不等式思想的第一次伟大胜利。

但古代的不等式证明都是「个案的艺术」：一个巧妙的想法证明一个具体的结论，想法不可复制。直到十七世纪，牛顿与莱布尼茨发明微积分，人类才第一次拥有了处理不等式的通用武器——导数。

为什么导数是证明不等式的利器？因为不等式的核心问题永远是「谁比谁大」。而导数回答的恰是这个问题的一种特殊形态：「在这里，谁增长得更快」。若在某个点上两者相等，而之后一者增长得快，则此后它恒大于另一者——这是一条几乎万能的证明思路。

把它写成标准动作：要证 f(x) ≥ g(x)，构造 h(x) ＝ f(x) − g(x)，然后证明 h 的最小值非负。求最小值需要了解 h 的形状，而导数是描述形状的工具。于是「证明不等式」被化归为「求函数最值」——从「猜一个技巧」变成了「走一个流程」。

这一章就是把这条流程打磨到极致：构造函数的常规套路、放缩的分寸把握、隐零点的应对、极值点偏移的对称处理、多变量与数列情形的降维方法。这些是高考压轴题与数学竞赛的共同语言。

「以导为刃」——导数是一把刀，切开的是「大小的判断」这个古老难题中最坚硬的核。但刀好不好用，取决于握刀的手：构造什么函数、放缩到什么分寸，永远是人的判断。这就是本章的训练目标。

构造函数证不等式

最常见的一种是「端点取等」型：不等式在某个端点处恰好取等号。例如证 ln x ≤ x − 1（x ＞ 0）：令 h(x) ＝ x − 1 − ln x，则 h(1) ＝ 0，且 h′(x) ＝ 1 − 1/x ＝ (x − 1)/x。
x ∈ (0, 1) 时 h′ ＜ 0（递减），x ∈ (1, ＋∞) 时 h′ ＞ 0（递增），故 x ＝ 1 是全局最小值点，h(x) ≥ h(1) ＝ 0，即 ln x ≤ x − 1。∎

为什么这类证明如此「顺」？因为「端点取等」意味着那里的差值函数的最小值为 0，而极值点恰是导数的零点。等号成立的位置，通常就是导数零点所在的位置——这是本章最重要的直觉之一。

例（分离参数）：若 x − 1 ≥ a·ln x 对一切 x ＞ 0 恒成立，求 a 的最大值。需分 x ＝ 1（自动成立）、x ＞ 1（除 ln x ＞ 0，得 a ≤ (x − 1)/ln x）、0 ＜ x ＜ 1（除 ln x ＜ 0，不等号反向，得 a ≥ (x − 1)/ln x）三种情形讨论。设 φ(x) ＝ (x − 1)/ln x，可证它在 (0, 1) 与 (1, ＋∞) 上都递增，故 a ≥ lim_x→1⁻φ ＝ 1 且 a ≤ lim_x→1⁺φ ＝ 1，得 a ＝ 1。

构造函数法的敌人只有两个：构造错了函数（求导后复杂得无法处理）与忘了定义域（含 ln x 或分母时不写范围）。第一次求导若过于复杂，先想「能不能变形」——这是本章唯一的策略选择。

放缩法与常用放缩

构造函数是「精确路线」，放缩是「近似路线」。它不追求每一步都等价，只追求方向正确：把难处理的对象换成一个同向的、好处理的对象。

为什么说它们「由切线给出」？因为对凸函数而言，图像永远在切线上方；对凹函数则相反，图像在切线下方。e^x 是凸的，所以 e^x ≥ 它的任意切线；ln x 是凹的，所以 ln x ≤ 它的任意切线。记住凸凹性，就不必死记四条式子——您能现场生成无穷多条放缩。

放缩的分寸（下半页研讨课会详细展开）：放缩过头会得到「小于一个不该小于的数」的伪结论。安全做法是「保留首末几项、只对中间项放缩」，或用「双层放缩」——先粗放求界，再局部收紧。

放缩是一场不等式的接力：A ≥ B ≥ C ≥ … ≥ Z，方向必须一致，任何一步反向都会全盘崩溃。做题时请把每一步的「≥」或「≤」写清楚，不要偷懒省略。

隐零点技巧

有时候 h′(x) ＝ 0 是一个您解不出来的方程——比如 h′(x) ＝ e^x − 2x，h′(x) ＝ ln x − x/2 ＋ 1。方程无初等解，但题目仍然可做。这就是「隐零点」问题。

标准流程示例：证明 h(x) ＝ e^x − x² ＞ 0（x ＞ 0）。h′(x) ＝ e^x − 2x，这个零点解不出。改令 g(x) ＝ h′(x) ＝ e^x − 2x，则 g′(x) ＝ e^x − 2，零点 x ＝ ln 2 可解。故 h′ 在 x ＝ ln 2 取最小值 g(ln 2) ＝ 2 − 2ln 2 ＞ 0（因为 ln 2 ＜ 1）。既然 h′(x) ≥ 2 − 2 ln 2 ＞ 0 恒成立，h 单调递增，而 h(0) ＝ 1 ＞ 0，故 h(x) ＞ 0。∎

这个例子的意义：我们没有解出 h′ 的零点，而是去研究 h′ 本身的最小值。这是隐零点问题的第一种处理方式——「二次求导，只看符号」。第二种方式（真正用到隐零点代回）见下面的例子。

真正的隐零点代回示例：证明 f(x) ＝ e^x − ln x ＞ 2（x ＞ 0）。f′(x) ＝ e^x − 1/x，令 f′(x₀) ＝ 0，即 e^x₀ ＝ 1/x₀，x₀ 无法显式解出。但由 f′ 单调递增（e^x 增、−1/x 增）可知 x₀ 唯一，且 f′(0.5) ＝ 1.65 − 2 ＜ 0、f′(1) ＝ 2.72 − 1 ＞ 0，故 x₀ ∈ (0.5, 1)。关键一步：把 e^x₀ ＝ 1/x₀ 代入 f(x₀)：

f(x₀) ＝ e^x₀ − ln x₀ ＝ 1x₀ − ln x₀

而由 e^x₀ ＝ 1/x₀ 取对数得 x₀ ＝ −ln x₀，故 f(x₀) ＝ 1/x₀ ＋ x₀。由基本不等式，1/x₀ ＋ x₀ ≥ 2，等号当且仅当 x₀ ＝ 1。但 x₀ ∈ (0.5, 1)，取不到 1，故 f(x₀) ＞ 2。于是 f(x) ≥ f(x₀) ＞ 2。∎

隐零点技巧的哲学：解不出未知数，就别解——把它当作已知条件来用。这与代数里「设而不求」的思路完全相同，也与本章「不等式是另一种方程」的思想卡遥相呼应。

极值点偏移问题

这是一类结构非常特殊、但公式非常固定的压轴题型。

「偏移」是什么意思？若 f 的图像关于极值点 x₀ 对称，则必有 x₁ ＋ x₂ ＝ 2x₀。而现实的函数图像并不对称：若图像在极值点右侧「拖得更长」（如 f(x) ＝ x·e^−x 或 f(x) ＝ x − ln x），则 x₁ ＋ x₂ ＞ 2x₀；若左侧拖得更长，则 x₁ ＋ x₂ ＜ 2x₀。极值点被「推偏」了，故得名。

例：已知 f(x) ＝ ln x − ax 有两个零点 x₁ ＜ x₂。证明 x₁x₂ ＞ e²… 不如用更经典的：设 f(x) ＝ x − ln x − m 有两个零点 x₁ ＜ x₂，证明 x₁ ＋ x₂ ＞ 2。

证明：f′(x) ＝ 1 − 1/x，故 f 在 (0, 1) 递减、(1, ＋∞) 递增，极值点 x₀ ＝ 1（也是最小值点）。设 x₁ ＜ 1 ＜ x₂，要证 x₂ ＞ 2 − x₁。构造

F(x) ＝ f(x) − f(2 − x) ＝ (x − ln x) − [(2 − x) − ln(2 − x)]，　x ∈ (0, 1)

F′(x) ＝ 1 − 1/x ＋ 1 − 1/(2 − x)·(−1)·(−1)… 仔细求导：ddx[f(2 − x)] ＝ −f′(2 − x) ＝ −[1 − 1/(2 − x)]，故

F′(x) ＝ f′(x) ＋ f′(2 − x) ＝ 1 − 1x ＋ 1 − 12 − x ＝ 2 − 2x(2 − x)

因为 x ∈ (0, 1) 时 x(2 − x) ＝ 1 − (1 − x)² ＜ 1，故 2/[x(2 − x)] ＞ 2，于是 F′(x) ＜ 0，F 在 (0, 1) 递减。又 F(1) ＝ f(1) − f(1) ＝ 0，故 x ∈ (0, 1) 时 F(x) ＞ 0，即 f(x) ＞ f(2 − x)。取 x ＝ x₁：f(x₁) ＞ f(2 − x₁)，又 f(x₁) ＝ f(x₂)，故 f(x₂) ＞ f(2 − x₁)。由 f 在 (1, ＋∞) 递增，得 x₂ ＞ 2 − x₁，即 x₁ ＋ x₂ ＞ 2。∎

极值点偏移的要害是把「两个未知数的和」转化为「一个未知数的函数符号」。构造 F(x) ＝ f(x) − f(2x₀ − x) 这一步是全章最值得记住的固定动作——它的形状在几乎所有偏移题里都一样。

双变量问题

压轴题的另一个常见形态：题干中同时出现 x₁, x₂ 两个变量（且不满足极值点偏移的结构），或者出现 x 与参数 a 的耦合关系。处理这类问题的核心策略只有一条：消元，把二元降为一元。

比值代换的完整示例：设 f(x) ＝ ln x − x，x₁ ≠ x₂ 且 f(x₁) ＝ f(x₂)。证明 x₁x₂ ＞ 1。

由 ln x₁ − x₁ ＝ ln x₂ − x₂ 得 lnx₂x₁ ＝ x₂ − x₁。设 t ＝ x₂/x₁ ＞ 1，则 ln t ＝ x₁(t − 1)，故

x₁ ＝ ln tt − 1，　x₂ ＝ tx₁ ＝ t ln tt − 1，　x₁x₂ ＝ t (ln t)²(t − 1)²

要证 x₁x₂ ＞ 1，即证 √t · ln t ＞ t − 1，即 ln t ＞ t − 1√t。令 u ＝ √t ＞ 1，则需证 2 ln u ＞ u − 1/u，即

h(u) ＝ 2 ln u − u ＋ 1u ＞ 0，　u ＞ 1

h′(u) ＝ 2u − 1 − 1u² ＝ 2u − u² − 1u² ＝ −(u − 1)²u² ≤ 0，故 h 递减，h(u) ＜ h(1) ＝ 0——方向反了！说明 x₁x₂ ＞ 1 需要更精细的处理。

换一条路（对称化）：由 f(x₁) ＝ f(x₂) 且 f 在 (1, ＋∞) 递减、(0, 1) 递增，极值点 x₀ ＝ 1。这实际上正是极值点偏移的形态（乘积形式）。设 x₁ ＜ 1 ＜ x₂，目标 x₁x₂ ＞ 1 等价于 x₂ ＞ 1/x₁。构造

F(x) ＝ f(x) − f(1/x) ＝ (ln x − x) − (−ln x − 1/x) ＝ 2 ln x − x ＋ 1x，　x ∈ (0, 1)

这正是上面的 h！F′(x) ＝ −(x − 1)²/x² ≤ 0，故 F 在 (0, 1) 递减，F(x) ＞ F(1) ＝ 0，即 f(x) ＞ f(1/x) 对 x ∈ (0, 1) 成立。取 x ＝ x₁：f(x₁) ＞ f(1/x₁)，又 f(x₁) ＝ f(x₂)，得 f(x₂) ＞ f(1/x₁)。因 x₂ ＞ 1、1/x₁ ＞ 1，且 f 在 (1, ＋∞) 递减，故 x₂ ＜ 1/x₁，即 x₁x₂ ＜ 1。∎

结论修正：f(x) ＝ ln x − x 的两个零点满足 x₁x₂ ＜ 1（而非 ＞ 1）。这个例题的真正价值在于：它演示了「先猜结论、再验证」的危险——乘法型偏移的方向必须通过计算确定，而不能凭直觉。做题时请先画图判断图像在哪一侧「拖得更长」。

双变量问题的通用心法：二元问题二元难，化成一元方好办。四条降维路径按「齐次性 → 等式消元 → 对称化 → 主元法」的顺序尝试，几乎能覆盖全部高考与竞赛题型。

数列不等式与导数

数列是离散的，导数是连续的。当问题要求证明形如 ∑a_k ＜ g(n) 的数列不等式时，有一个非常有效的跨界技巧：用某个函数的单调性或积分来放缩数列的项。

经典例：证明 ∑_k＝1ⁿ 1k² ＜ 2 — 这个已在必修阶段用裂项做过。现在用导数做更精细的估计：1k² ＜ 1k(k − 1)（k ≥ 2）是从 k² ＞ k(k − 1) 得到的，与导数无关。真正需要导数的是更强的结论，例如 ∑_k＝1ⁿ1k² ＜ 2 − 1n——这需要 1k² ＜ 1k − 1 − 1k ＞… 实际上是 1k² ＜ 1k − 1/2 − 1k ＋ 1/2。

更典型的一例：证明 ∑_k＝1ⁿ 1√k ＞ 2(√(n ＋ 1) − 1)。

令 f(x) ＝ 2√x，则 f′(x) ＝ 1/√x 递减，由积分放缩

∫₁^n＋1 dx√x ≤ 1√1 ＋ 1√2 ＋ … ＋ 1√n

左边 ＝ 2√x |₁^n＋1 ＝ 2√(n ＋ 1) − 2，即得结论。∎ 注意积分放缩的方向：f 递减时，矩形面积（取左端点高）大于曲边梯形面积，故「和 ≥ 积分」。

「保留首项、放缩其余」是数列放缩的纪律，与上一节「保留首末、只放中间」是同一条原则。原因很简单：首末几项往往是「最大」或「最有代表性」的那几个，把它们放掉会让界立刻松掉。

证明策略选择

这一页是一张「作战地图」——看到一道不等式题，先判断它属于哪一类，再选武器。

三种「危险信号」（出现时请停一下再动笔）：

① 含 e^x 与 ln x 同时出现：直接求导往往复杂。考虑用 t ＝ ln x 换元（把 x 变成 e^t），或利用「e^x ≥ x ＋ 1」把其中一个消掉。
② 不等式在 x → 0 或 x → ＋∞ 处「临界」：说明放缩可能不够紧，需要用更高阶的展开放缩（如 e^x ≥ 1 ＋ x ＋ x²/2）。
③ 结论里的常数很怪（如 π²/6、e、ln 2）：往往提示这题要用积分放缩或某个特殊点的取值，而不是纯代数变形。

书写规范（决定得分的细节）：
① 每一步放缩都要写清依据（用了哪条不等式、在哪一步取等）；
② 分类讨论要写明「分界点」，并使各类的交集为空、并集为全集；
③ 结论必须回到原题形式，不能停在中间变量；
④ 严格不等式与不严格不等式不能混用——若某步放缩是严格性的来源，要在最后说明「等号不能取到」。

压轴题的得分差距，很少来自「想不到方法」，多半来自书写过程中的某一步不严谨。把「我用了哪个不等式、在哪里取等」写在旁边，是本章最实用的提分技巧。

易错点清单

这一页是本届学生历年错误的高频统计。请在考试前一天读一遍。

一、定义域类（占错误量的 25%）
① 含 ln x 忘写 x ＞ 0；
② 含分母忘排除零点；
③ 换元后不写新变量的范围（如令 t ＝ e^x 却不写 t ＞ 0）；
④ 分离参数时对「除数的符号」不做讨论（ln x 在 x ＜ 1 时为负，不等号要反向）。

二、求导类（20%）
⑤ 复合函数忘乘内层导数（[f(ax ＋ b)]′ ＝ af′(ax ＋ b)）；
⑥ 商法则记错（(u/v)′ ＝ (u′v − uv′)/v²，不是 (uv′ − u′v)/v²）；
⑦ 把 ln x² 与 (ln x)² 混淆——前者 ＝ 2 ln|x|。

三、单调性与极值类（20%）
⑧ 由 f′(x₀) ＝ 0 直接断言 x₀ 是极值点（还需变号！反例：f(x) ＝ x³）；
⑨ 只看 f′ ＝ 0 的点，忘了端点与不可导点也是最值的候选；
⑩ 分类讨论时漏掉某一段（尤其 a ＝ 0、a ＜ 0 这些「平凡」情形）。

四、放缩类（25%）
⑪ 放缩方向错误（把「要证 A ≥ B」放成了 A ≤ C 却继续往下推）；
⑫ 放缩过头，得到矛盾结论却不回头检查；
⑬ 连续使用多个不等式但未检查「等号能否同时取到」；
⑭ 严格/不严格混用（推广结论时把 ＜ 写成 ≤ 但没有验证等号）。

五、结论表述类（10%）
⑮ 恒成立问题只求了最值却没说「为什么最值满足即全部满足」；
⑯ 存在性问题（∃x）与恒成立问题（∀x）的条件搞反（存在的条件是「最大值 ≥」而非「最小值 ≥」）；
⑰ 答案写成区间却漏掉端点（开闭区间搞错）。

把这张清单当成「检查表」用：做完一道压轴题，花 30 秒逐条对照。这份清单帮您找出的分会比再刷五道题更多。

研讨① 构造的思路从哪来

学生最常问的问题是这个：「我知道要构造函数，可是怎么知道构造哪一个？」这一节给出三条可操作的线索。

线索一：从「等号成立的位置」出发。
不等式若在某点 x₀ 取等号，那么构造出来的函数 h 必须满足 h(x₀) ＝ 0 且 h′(x₀) ＝ 0（若是内点极小值）。这两个条件可以用来反推构造。例：证 e^x ≥ x ＋ 1，等号在 x ＝ 0。所以构造 h(x) ＝ e^x − x − 1，验算 h(0) ＝ 0、h′(0) ＝ 0 ✓；而 h″(x) ＝ e^x ＞ 0，说明 h′ 递增、x ＝ 0 是最小值点。

线索二：从「要消掉的那一项」出发。
若不等式里有 ln x 与 x 混合、直接求导后仍有 ln x，可以尝试构造 h(x) ＝ Xln x（作商）或把 ln x 独立出来（分离参数）。目标是让求导后出现的项都能处理——这是一条实用的判据。

线索三：从「已知的经典不等式」出发。
许多压轴题的结论其实是某个经典不等式经过代换的结果。例如「证明 ∑1k ＞ ln(n ＋ 1)」来自 ln(1 ＋ x) ≤ x；「证明 (1 ＋ 1/n)ⁿ ＜ e」也来自它。熟悉经典式的人，能一眼看出题目的「原型」。

研讨任务：对下列四个不等式，分别写出「等号成立点」与「您选择的构造函数」，并说明选择理由：
① ln x ≥ 1 − 1/x（x ＞ 0）；
② 2√x ≥ ln x ＋ 1（x ＞ 0）；
③ x·e^x ≥ x ＋ ln x ＋ 1（x ＞ 0）（提示：两边都是「一个量的指数形式」，试试换元）；
④ sin x ≥ x − x³/6（x ≥ 0）。

构造不是灵感，而是对「等号位置 + 待消项 + 经典原型」三个信息的处理结果。把这三条线索写在草稿纸上，绝大多数题都能找到入口。

研讨② 精确放缩的分寸

放缩是「用粗代细」的交换：换来计算的简洁，付出精度的损失。分寸的把握就是这门手艺的核心。

案例：估计 ln 2 的值。

用 ln x ≤ x − 1（x ＝ 2）得 ln 2 ≤ 1——太松，无用。
换成对称形式：ln t ≥ 1 − 1/t（t ＝ 2）得 ln 2 ≥ 0.5。于是 0.5 ≤ ln 2 ≤ 1——仍然太松（真值约 0.693）。

怎么收紧？技巧：把 ln 2 写成两个更接近 1 的比值的对数之和。

2 ＝ (4/3)·(3/2) ＝ … 更有效的是利用 ln 2 ＝ 2 ln √2 逐次开方：
ln 2 ＝ 2 ln 1.4142…，而 1 − 1/1.4142 ＝ 0.2929，故 ln 2 ≥ 2 × 0.2929 ＝ 0.5858；上界用 ln x ≤ x − 1 得 ln 2 ≤ 2 × 0.4142 ＝ 0.8284。再开一次方（取 4 次方根 1.1892）：下界 4 × 0.1591 ＝ 0.6364，上界 4 × 0.1892 ＝ 0.7568。每开一次方，区间就收窄一次——这就是数值计算中「逐步逼近」的思想。

一个值得对比的例子：
用 ln x ≤ x − 1 直接估计 ln(1 ＋ 1/k) ≤ 1/k，累加得 ln(n ＋ 1) ≤ ∑_k＝1ⁿ1/k。
更紧的放缩：ln(1 ＋ 1/k) ＜ 12(1/k ＋ 1/(k ＋ 1))（由 ln x 的凹性与梯形法则），累加得 ln(n ＋ 1) ＜ 12＋∑_k＝2ⁿ1/k ＋ 12(n＋1)。

研讨问题：① 用「开方法」把 ln 2 的下界推到小数点后两位（提示：取 16 次方根）。② 若要证明 ∑_k＝1ⁿ1/k ＞ ln n ＋ 0.5，最少需要放缩到什么精度？③ 有没有「放缩过头反而证明不出来」的例子？（提示：目标若是严格的 ＜，放缩后得到 ≤ 就不够了。）

放缩的分寸感来自对误差的估计。做每一步放缩时问一句：「我丢掉了多少？」——能回答这个问题的人，放缩的精度是可控的。

研讨③ 一题多证

同一道不等式题往往有多条证明路径。比较它们不仅有趣，而且能显著提升您「看到题目就知道选哪条路」的能力。

题目：证明 e^x ≥ 1 ＋ x ＋ x²2（x ≥ 0）。

证法一（直接构造，两次求导）：令 h(x) ＝ e^x − 1 − x − x²/2。h(0) ＝ 0，h′(x) ＝ e^x − 1 − x，h′(0) ＝ 0，h″(x) ＝ e^x − 1 ≥ 0（x ≥ 0）。
故 h′ 递增，h′(x) ≥ h′(0) ＝ 0；故 h 递增，h(x) ≥ h(0) ＝ 0。∎

证法二（逐层剥离，两次用一次不等式）：由 e^t ≥ 1 ＋ t，两边对 t 从 0 到 x 积分：∫₀^xe^tdt ≥ ∫₀^x(1 ＋ t)dt，即 e^x − 1 ≥ x ＋ x²/2，移项得结论。∎（注意：积分法在高中不是标准工具，但可作为理解手段。）

证法三（泰勒型的「构造差」逐项比较）：把 e^x 的幂级数展开式的部分和记作 S_n(x)，比较相邻两项的差可归纳地得到 e^x ≥ S_n(x)（x ≥ 0）。证法一是 n ＝ 2 的情形。

三种证法的比较：

· 证法一最通用，几乎可以用在任何「多项式型下界」的证明上，代价是要多做一次求导。
· 证法二最有洞察力，它揭示了「e^x 的任意阶泰勒部分和都是下界」这一结构性事实，但由于积分工具的限制，考试中不能作为标准解答。
· 证法三最有推广性，它一眼看穿「可以把结论加强到任意阶」。

研讨任务：选一道您做过的压轴题，找出至少三条证明路径，然后回答：
① 哪条最短？哪条最通用？
② 它们共同依赖的「核心事实」是什么？
③ 如果改变题目的数据（如把 e^x 换成 2^x），哪条路径仍然可用？

数学家波利亚说过：「如果一个证明不能给您带来两次发现的快乐，那就再找一个证明。」一题多证不是炫技，而是理解数学结构的最直接方式。

研讨④ 从考试到数学研究

这一章学的手法（构造、放缩、隐零点）在数学研究中是什么地位？它们只是考试的技巧，还是真正的研究工具？这一节给出回答。

它们是真正的研究工具。举三个例子：

例一：素数定理的初等证明。1896 年阿达马与普桑证明了素数定理 π(x) ~ x/ln x，用的是复分析。1949 年，塞尔伯格与爱尔特希给出了一个初等证明——所谓「初等」是指「不使用复分析」，其核心正是对 ln n 的精细放缩与求和。这就是本章技巧在国家级别研究中的样子。

例二：分析学里的「估计」传统。在偏微分方程、调和分析中，定理的形式往往是这样：「存在常数 C 使得 ‖u‖_X ≤ C‖f‖_Y」。这种「不等式型定理」的证明过程，就是不断的放缩：把复杂的量换成已知可控的量。放缩的功力直接决定研究水平。

例三：计算机科学中的复杂度界。算法分析里的 O(n log n)、Θ(n²) 就是不等式估计。而「P ≠ NP」这类问题本质上是「能否证明某个不等式（下界）」——它是一个关于不等式证明极限的问题。

研讨问题：① 查证「素数定理的初等证明」的大致思路，说明它用到了哪些放缩技巧。② 找一条您在本章学过的放缩（如 ln(1＋x) ≤ x），说明它在算法复杂度分析中的作用（提示：调和级数与 O(log n)）。③ 思考：如果考试允许使用计算器做数值实验，「猜结论」这一步会变得更容易吗？这对数学能力的要求有什么影响？

考试的技巧与研究的工具之间没有鸿沟，只有精度与规模的区别。今天您在草稿纸上写下的一条放缩，与阿达马笔下的某种估计，在方法论上是同一种东西。

例1 构造证明

（1） 令 h(x) ＝ ln x − 2(x − 1)x ＋ 1（x ＞ 0）。则 h(1) ＝ 0。

h′(x) ＝ 1x − 2(x ＋ 1) − 2(x − 1)(x ＋ 1)² ＝ 1x − 4(x ＋ 1)² ＝ (x ＋ 1)² − 4xx(x ＋ 1)² ＝ (x − 1)²x(x ＋ 1)²

因 (x − 1)² ≥ 0 且 x(x ＋ 1)² ＞ 0，故 h′(x) ≥ 0（等号仅当 x ＝ 1），h 在 (0, ＋∞) 上单调递增。于是 x ＞ 1 时 h(x) ＞ h(1) ＝ 0，0 ＜ x ＜ 1 时 h(x) ＜ h(1) ＝ 0——但结论要求 h ≥ 0 对一切 x ＞ 0！

发现方向问题：h 递增且 h(1) ＝ 0 意味着 x ＜ 1 时 h ＜ 0，即 ln x ＜ 2(x−1)/(x＋1)。所以本题的正确结论应当是反向的不等式：ln x ≤ 2(x − 1)x ＋ 1（x ＞ 0），等号当且仅当 x ＝ 1。

（用极限验证） 当 x → ＋∞ 时，右边 → 2，而 ln x → ＋∞，故 ln x ＞ 2 对足够大的 x 成立——这进一步确认原题结论（ln x ≥ 2(x−1)/(x+1)）不成立。修正后的结论是本题的正确答案。

（2） 令 φ(x) ＝ x^a − x ＋ a − 1（x ≥ 1，a ≥ 1）。φ(1) ＝ 1 − 1 ＋ a − 1 ＝ a − 1 ≥ 0。

φ′(x) ＝ ax^a−1 − 1。因 a ≥ 1 且 x ≥ 1，故 x^a−1 ≥ 1，从而 ax^a−1 ≥ a ≥ 1，即 φ′(x) ≥ 0。于是 φ 在 [1, ＋∞) 上单调递增，φ(x) ≥ φ(1) ＝ a − 1 ≥ 0，即 x^a ≥ x − a ＋ 1。∎

（2）的几何意义：直线 y ＝ x − a ＋ 1 是 y ＝ x^a 在 x ＝ 1 处的切线（a ≥ 1 时 y ＝ x^a 是凸函数，图像在切线上方）。这正是「凸函数 ≥ 其切线」的一般原理，本章第 3 页的四条必背放缩里，前两条都是它的特例。

本题（1）给出一个极有价值的教训：题目给出的不等式方向可能与您算出的相矛盾。这不是「题目错了」，而是提醒您要验算——用极限值或特殊值快速检查方向，是压轴题的第一道防线。

例2 放缩应用

（1） 目标是比 2 更紧的界 7/4 ＝ 1.75。既然要更紧，就不能用 1/k² ＜ 1/[k(k−1)] 这种一次放缩（它给 ＜ 2）。策略：保留前几项，只对 k ≥ 3 放缩，并用更紧的形式。

k ≥ 3 时，1k² ＜ 1k² − k/2 ＝ 2k(2k − 1) ？ 更简单可靠的做法是用 1k² ＜ 1(k − 1/2)(k ＋ 1/2) ＝ 1k − 1/2 − 1k ＋ 1/2（因为 k² ＞ k² − 1/4）。于是

∑_k＝1ⁿ1k² ＝ 1 ＋ 14 ＋ ∑_k＝3ⁿ1k² ＜ 54 ＋ ∑_k＝3ⁿ(1k − 1/2 − 1k ＋ 1/2) ＝ 54 ＋ 12.5 − 1n ＋ 1/2 ＝ 54 ＋ 25 − 1n ＋ 1/2

＝ 3320 − 1n ＋ 1/2 ＜ 3320 ＝ 1.65 ＜ 1.75 ✓

故 ∑1/k² ＜ 7/4 成立。（注意 33/20 ＝ 1.65 甚至比要求的 1.75 更紧——放缩有余量。）

（2） 由 ln(1 ＋ 1/k) ＜ 1/k（k ≥ 1，严格不等式），累加得

∑_k＝1ⁿ ln(1 ＋ 1k) ＜ ∑_k＝1ⁿ 1k

左边 ＝ ln(2/1) ＋ ln(3/2) ＋ … ＋ ln((n＋1)/n) ＝ ln(n ＋ 1)（望远镜式抵消）。故 ln(n ＋ 1) ＜ 1 ＋ 1/2 ＋ … ＋ 1/n。∎

点评与延伸：
· （1）的技术要点是「把 k² 拆成 (k−1/2)(k+1/2) 再裂项」——这是一个比 k(k−1) 更精细的拆分，属于「精确放缩」的典型手法。它给出可累加的中间量，尾巴还能保持形式简单。
· （2）的技术要点是「对数转和」：把乘积变成和（∑ln ＝ ln∏），再对每一项放缩。这是处理含对数的不等式时的标准入口。
· 由（2）可以推出一个重要推论：调和级数发散——因为它的部分和至少与 ln(n ＋ 1) 同量级，而后者趋于无穷。

放缩题的第一步永远是问「目标界有多紧」。目标松，就用一次放缩；目标紧，就必须「保留几项 + 用更精细的中间量」。界越紧，需要保留的项就越多——这是放缩的第一经济学。

例3 极值点偏移

（1） f′(x) ＝ 1/x − a ＝ (1 − ax)/x（x ＞ 0）。故 f 在 (0, 1/a) 递增、(1/a, ＋∞) 递减，最大值 f(1/a) ＝ −ln a − 1。

要两个零点，需最大值 ＞ 0，即 −ln a − 1 ＞ 0，ln a ＜ −1，0 ＜ a ＜ 1/e。
（还需验证两端：x → 0⁺ 时 f → −∞；x → ＋∞ 时 f → −∞，故零点恰有两个。）所以 a ∈ (0, 1/e)。

（2） 由 f(x₁) ＝ f(x₂) ＝ 0 得 ln x₁ ＝ ax₁，ln x₂ ＝ ax₂。两式相加与相减：

ln(x₁x₂) ＝ a(x₁ ＋ x₂)，　lnx₂x₁ ＝ a(x₂ − x₁)

两式相除消去 a：

ln(x₁x₂)ln(x₂/x₁) ＝ x₁ ＋ x₂x₂ − x₁

设 t ＝ x₂/x₁ ＞ 1，则 x₁ ＋ x₂ ＝ x₁(1 ＋ t)、x₂ − x₁ ＝ x₁(t − 1)，右边 ＝ (t ＋ 1)/(t − 1)。故

ln(x₁x₂) ＝ t ＋ 1t − 1 · ln t，　t ＞ 1

要证 x₁x₂ ＞ e²，即证 ln(x₁x₂) ＞ 2，即证

t ＋ 1t − 1 · ln t ＞ 2，　t ＞ 1

令 h(t) ＝ (t ＋ 1)ln t − 2(t − 1)（t ＞ 1）。h(1) ＝ 0。

h′(t) ＝ ln t ＋ t ＋ 1t − 2 ＝ ln t ＋ 1t − 1 ≥ ln t − (1 − 1/t) ≥ 0