社會統計學的意義 What is Meant by Statistics_.pptVIP

社會統計（上） Sampling Theory and Some Important Sampling Distributions 統計主要問題在於如何透過樣本的統計量來推估或檢證母體的參數(parameters)。 參數為描述母體某些特性的數值。 如μ、σ、母體中位數等皆為參數。 樣本統計Sample statistics 是用來描述樣本的特性的數量，樣本統計為觀察到的樣本之函數，樣本的統計量隨著取樣的不同，會有不同的變化。因此，樣本統計量本身可以被視為是一隨機變數。 母體參數，樣本統計量 一個樣本統計量(如樣本平均數)是隨機樣本的函數，其本身為一隨機變數 Introduction to Sampling Distribution 用於推估母體的參數（μ）的樣本統計量（如X-bar），稱為「估計式」(an estimator)。 抽樣分配 樣本的統計量為一隨機變數，樣本統計量的值隨著抽出樣本的不同而不同，每一個特定變量出現的機率呈某一機率分配，稱為樣本統計的抽樣分配(sampling distribution)，為多次抽樣結果的機率分佈。 抽樣分配 Very simple random sample (VSRS) 樣本中每一個元素被抽到的機率皆相同 每一個元素的期望值為母體平均數μ 每一個元素的標準差為母體標準差σ Independently and identically distributed, i.i.d. When X1, X2, …Xn are drawn from the same distribution and are independently distributed, they are said to be independently and identically distributed or i.i.d. 樣本平均值的期望值與變異數 如果X1, X2, …Xn 為i.i.d.，則對於每一個X而言都有相同的平均值（μ）及變異量（σ2）。 樣本平均值的期望值與變異數 中央極限定理The Central Limit Theorem 當X為來自於母體為常態分配的i.i.d.樣本時，無論樣本數大小，樣本平均數的抽樣分配必為常態。 中央極限定理 中央極限定理The Central Limit Theorem 標準化分數與標準常態分配 設X為一呈常態分配的隨機變數，其平均數=?，變異數為?2 Z = (X - ?)/?，Z為標準化變數，且E(Z) = 0, Var(Z) = 1 中央極限定理The Central Limit Theorem 標準常態分配曲線下的面積 P(Z0) = 0.5 Interval Estimation區間估計 在前章中我們介紹了各種估計母體參數的方法(point estimator)。例如我們發現樣本平均數X為母體平均數μ的一個不偏估計式。 雖然平均而言，X能正確的代表μ，但每一次觀察到的X不會剛好等於μ，而是隨著抽到的樣本不同有高有低： Interval Estimation區間估計 因此除了點估計外，我們還想進一步知道從樣本中得到的估計值有多可靠，由於樣本的估計值本身也是一個隨機變數，不一定會剛好等於母體參數，因此我們問：估計值與母體參數有多接近？ Interval Estimation區間估計 在估計的問題中，我們希望估計式具有以下兩個性質： 1. 估計式為不偏估計(unbiased estimator)，即估計式不會系統性的高估或低估母體參數。 2. 我們希望估計式的抽樣分配集中於母體參數的周圍，即估計式的變異數愈小愈好。 Interval Estimation區間估計 在估計的問題中，我們希望估計式具有以下兩個性質： Interval Estimation區間估計 從估計式的抽樣分配中，我們可以建立一套系統性的方法來表達估計式的精確度。 例題 母體：加州250,000高三學生 數學SAT分數 樣本500，得樣本平均值=461 How reliable is this estimate? 例題 根據樣本平均數的抽樣分配(sampling distribution)，我們知道： 根據經驗法則，.95的機率，樣本平均數會落在以μ為中心點，向左右延伸兩個標準誤的界域內。 (μ － 2 × 4.5 , μ ＋ 2 × 4.5) Statistical confidence The language of statistical inference uses this fact about what would happen in the long run to express our confidence in the results of any one samp