- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
14 第四章 均数的抽样误差与t分布
数值变量资料的统计推断
统计推断包括两个方面:
1、参数估计(总体均数的可信区
间估计)
2、假设检验(均数的假设检验)
⑴、两样本均数必较(u检验、
t检验)
⑵、多样本均数必较(F检验)
统计推断statistical inference
第一节均数的抽样误差
样本均数的分布试验(抽样试验)
以某地高三男生的身高视为一个总体,设身高变量为X,假定X服从正态分布,其总体均数μ=168.15,总体标准差σ=6.00,记为X~N(168.15, 62)。从总体X中反复随机抽样,样本含量分别为n=4,n=16和n=36,分别随机抽10000个样本并计算样本均数,把同一样本含量的10000个样本均数视为一个新的样本资料作频数图
抽样实验小结
中心极限定理
1. 从正态总体N( (,()中,随机抽取例数为n 的样本,样本均数也服从正态分布;即使从偏态总体随机抽样,当n 足够大时(如n 50),样本均数也近似正态分布。 2. 从均数为 ( ,标准差为( 的正态或偏态总体中,随机抽取例数为n 的样本,样本均数的总体均数也为( ,样本均数的标准差与原标准差成正比,与样本例数的平方根成反比。
3. 随着样本量的增大, 样本均数的变异范围也逐渐变窄。
均数的抽样误差(Sampling error of mean)
由于组成正态总体的个体之间存在变异(量的变异),因此,由同一个正态总体中随机抽取n相等的若干样本,样本均数与总体均数之间或样本均数与样本均数之间会存在差异,这种差异称作均数的抽样误差。均数的抽样误差大小以均数的标准误表示。
均数的标准误(standard error of mean)
样本均数的标准差叫均数的标准误,以 表示。它是描述均数抽样误差大小的指标,反映含量相同的样本均数的离散趋势或变异程度。 越大,说明样本均数
波动范围越大或抽样误差越大。实际应用中, 常属未知,无法计算 ,故常以
作为 的估计值。
均数标准误的计算
1、σ已知
2、σ未知,以 S 代替σ,计算均数标准误的估计值
减少抽样误差的方法
(1)改进抽样方法,增加样本的代
表性;
(2)增加样本含量;
(3)选择变异程度较小的观察指标。
均数标准误的应用
一、说明均数抽样误差的大小以及样本均数的可靠性,
文献中以 或 表示。
二、结合均数推断总体均数的可信区间。
1、σ已知
μ的95%可信区间:
μ的99%可信区间:
2、σ未知,但n足够大(n100)
μ的95%可信区间:
μ的99%可信区间:
3、σ未知,且n较小
μ的95%可信区间:
μ的99%可信区间:
三、用均数标准误进行两均数的假设检验。
第二节 总体均数的可信区间与t分布
参数估计(parameter estimation)
统计上常用参数来描述总体的特征,如用总体均数μ来描述总体的中心位置或集中趋势,用总体标准差σ来描述总体的离散趋势。但总体参数常属未知,需要用样本统计量来估计总体参数,这称之为参数估计。参数估计有点估计和区间估计两种方法,以后者更为多用。
参数估计方法
1.点估计(近似值)
点估计(point estimation)是直接用样本统计量作为总体参数的估计值,非常简单,但是没有考虑抽样误差问题。
2.区间估计(近似范围)
区间估计是按一定的概率(1-α)估计的包含未知总体参数的可能范围。该范围称为总体参数的可信区间(Confidence Interval,CI)。预先给定的概率(1-α) 称为可信度(水平)(Confidence Level),常取95%或99% 。
参数的估计
可信区间 (comfidence interval)
按预先给定的概率,通过样本统计量来估计未知参数值的可能范围,这个范围称为被估计参数的可信区间,或称置信区间。预先给定的概率称为可信度,又称置信度、可信水平,可信系数或置信系数,记作1-α。可信度常取95%或99%,按此确定的可信区间分别称为95%可信区间或99%可信区间。
可信区间的涵义
文档评论(0)