05 抽样估计.docxVIP

第五章　抽样估计　第一节　抽样估计的理论基础抽样估计的基本内容就是研究如何根据总体的部分数据信息（构造样本指标也称统计量）去估计未知总体指标（也称参数）的理论和方法。　　学习步骤：抽样估计的理论基础——大数定律和中心极限定理→掌握抽样分布的有关概念及基本原理→抽样估计的理论和方法。　　　一、大数定律　　　大量的独立重复测量值的算术平均值具有稳定性。对于这种稳定性的研究构成了大数定律的基本内容。　　两个重要的大数定律：贝努里大数定理、辛钦大数定律　　设事件A在一次试验中发生的概率为p，在n次独立重复试验中，事件A发生了m次，那么对任意给定的正数ε，有　　其等价形式是　　贝努里大数定理说明：事件发生的频率m/n，依概率收敛于事件发生的概率p，这个定理用严格的数学形式表达了频率的稳定性，也就是说，当n很大时，事件发生的频率与概率有较大偏差的可能性很小。因此，当n很大时，可用事件发生的频率m/n近似地代替事件发生的概率p，即p≈m/n，这种方法称为抽样估计，它是数理统计的主要研究课题。　　（二）辛钦大数定律　　设随机变量X1，X2，…，Xn相互独立，服从同一分布，且（E（Xk）＝μ，k＝1，2，…），则对任意正数ε，恒有：　　　　辛钦大数定律为我们用测量数据的算术平均数代替其真值的方法提供了理论依据。假定要测量某一物理量μ，在不变条件下测量n次，得到的结果X1，X2，…，Xn是不完全相同的，它们可以看作n个独立随机变量X1，X2，…，Xn（它们服从同一分布且数学期望均为μ）。按照辛钦大数定律，当n很大时，我们取n次测量结果的算术平均数作为真值μ的近似值，这时出现较大偏差的可能性很小。一般说来，测定的次数越多，近似程度越好。　　二、中心极限定理　　当处理大样本问题时，将它作为一个非常重要的工具。　　下面介绍两个常用的中心极限定理。　　定理1：林德贝格—勒维中心极限定理，也称为独立同分布中心极限定理。　　定理2：　　德莫佛—拉普拉斯中心极限定理。它表明：二项分布的极限分布是正态分布，因此，当n充分大时，若随机变量Xn～B（n，p），则近似地有Xn～N（np，np（1－p），于是我们可以利用正态分布近似地计算二项分布的概率。同时，这个定理还给离散型随机变量与连续型随机变量之间的转换提供了一种有效途径。　　【例5—1】在一家保险公司里有10000人参加人寿保险，每人每年交保费12元，假定一年内一个意外死亡的概率为0.006，死亡时其家属可向保险公司索赔1000元，计算：保险公司亏本的概率有多大？保险公司一年利润不低于40000元的概率有多大？　　解：以X表示10000个参加保险的人中一年内意外死亡的人数，则X～B（10000，0.006）。因此，　　P{1000X＞120000}表示保险公司亏本的概率，　　P{120000－1000X≥400000}表示保险公司一年的利润不低于40000元的概率，由于n＝10000比较大，所以根据定理2得：　　（1）P{1000X＞120000}＝P{X＞120}　　＝P{（X－10000×0.006）/（10000×0.006×0.994）1/2＞（120－60）/（59.64）1/2}＝1－φ（7.7693）＝0　　（2）P{120000－1000x≥40000}＝P{（X－10000×0.006）/（10000×0.006×0.994）1/2≤（80－60）/（59.64）1/2}＝φ（2.5898）＝0.9952 第二节　抽样方法与抽样分布一、抽样方法　　（一）重复抽样和不重复抽样（识记二者概念。重点）　　对于无限总体而言，抽样总是可以认为是重复抽样（即重置抽样或放回抽样），因此，它没有重复抽样和不重复抽样的区别。然而，对于有限总体而言，重复抽样与不重复抽样是不一样的。下面我们只对有限总体的重复抽样和不重复抽样进行分别介绍。　　1.重复抽样　　首先，我们假设有限总体中所包含的个体数为N，重复抽样可以认为是有限总体条件下的简单随机抽样。其特点是：如果我们做了n次独立试验（也就是抽取n个个体的样本），那么总样本个数（即所能获得的全部样本数）是Nn而样本容量为n，每个样本被抽到的概率都为1/Nn。　　2.不重复抽样　　不重复抽样（即不重置抽样或不放回抽样）是指每次从有限总体中随机抽取一个个体，登记结果后不放回原总体，下一个个体继续从总体中余下的个体中随机抽取。其特点是：第一，n个个体的样本是由n次抽取的结果组成。　　第二，每次抽取的结果不是独立的。　　第三，虽然在同次试验中每个个体被抽中的概率是相同的，但在不同次试验中每个个体被抽中的概率是不相同的。　　（二）其他抽样方法　　简单随机抽样、类型抽样、等距抽样、整群抽样。　　　　二、抽样分布　　（一）抽样分布的概念（识记。重点）　　对于给定的总体和抽样方式以及