第6章抽样与抽样分布_2.pptx

你不必吃完整一头牛，才知道它的 肉是咬不动的。 Samel Johnson;第 6 章 抽样与抽样分布;学习目标;6.1 概率抽样方法;;概率抽样(probability sampling);简单随机抽样(simple random sampling);简单随机样本(simple random sample);简单随机抽样(用Excel对分类数据随机抽样);简单随机抽样(用Excel对分类数据随机抽样);简单随机抽样(用Excel对数值型数据随机抽样);分层抽样(stratified sampling);系统抽样(systematic sampling);整群抽样(cluster sampling);多阶段抽样(multi-stage sampling);统计量;6.2 三种不同性质的分布;总体中各元素的观察值所形成的分布 分布通常是未知的 可以假定它服从某种分布 ;一个样本中各观察值的分布 也称经验分布 当样本容量n逐渐增大时，样本分布逐渐接近总体的分布 ;样本统计量的概率分布，是一种理论分布 在重复选取容量为n的样本时，由该统计量的所有可能取值形成的相对频数分布 随机变量是 样本统计量 样本均值, 样本比例，样本方差等 结果来自容量相同的所有可能样本 提供了样本统计量长远而稳定的信息，是进行推断的理论基础，也是抽样推断科学性的重要依据 ;; 三大抽样分布;?2 分布(卡方分布);该密度函数的图像是一只取非负值的偏态分布 ;F 分布;该密度函数的图象也是一只取非负值的偏态分布 ;t 分布 ; t 分布的密度函数的图象是一个关于纵轴对称的分布，与标准正态分布的密度函数形状类似，只是峰比标准正态分布低一些尾部的概率比标准正态分布的大一些。; n?1时, t 分布的数学期望存在且为0； n?2时，t 分布的方差存在，且为n/(n?2)； 当自由度较大 (如n?30) 时， t 分布可以用 正态分布 N(0,1)近似。;当随机变量t ?t(n) 时，称满足 P(t ? t1??(n)) =1?? 的 t1??(n) 是自由度为 n 的 t 分布的1??分位数. 分位数 t1??(n) 可以从附表4中查到。 譬如 n=10,?=0.05，那么从附表4上查得 t1?0.05(10) = t0.95(10)=1.812 .;一些重要结论;推论 设 x1, x2,…, xn 是来自N(?1, ?12) 的 样本，y1, y2,…, yn 是来自N(?2, ?22) 的样本， 且此两样本相互独立，则有;推论 在推论的记号下，设 ?12 =?22 = ?2 ，并记;充分统计量;第二种信息对了解该运动员的命中率是没有什么帮助的。一般地，设我们对该运动员进行n 次观测，得到 x1, x2,…, xn，每个xj 取值非0即1，命中为1，不命中为0。令 T = x1+…+xn ，T为观测到的命中次数。在这种场合仅仅记录使用T 不会丢失任何与命中率 ? 有关的信息，统计上将这种“样本加工不损失信息”称为“充分性”。;统计量T =T (x1,x2,…,xn) 也有一个抽样分布F?T(t) ，当我们期望用统计量T 代替原始样本并且不损失任何有关 ? 的信息时，也就是期望抽样分布 F?T(t) 像 F?(x) 一样概括了有关 ? 的一切信息，这即是说在统计量 T 的取值为 t 的情况下,样本 x 的条件分布 F?(x|T=t) 已不含 ? 的信息，这正是统计量具有充分性的含义。;定义 设 x1, x2, …, xn 是来自某个总体 的样本，总体分布函数为F ( x ;? )，统计 量 T = T(x1, x2, …, xn) 称为 ? 的充分统计 量，如果在给定T 的取值后，x1, x2,…, xn 的条件分布与? 无关.;因子分解定理;抽样分布;6.3 样本统计量的抽样分布 (一个总体参数推断时);样本均值的抽样分布;在重复选取容量为n的样本时，由样本均值的所有可能取值形成的相对频数分布 一种理论概率分布 推断总体均值?的理论基础 ;样本均值的抽样分布(例题分析);样本均值的抽样分布 (例题分析);样本均值的抽样分布 (例题分析);;样本均值的抽样分布与中心极限定理;中心极限定理(central limit theorem);中心极限定理 (central limit theorem);;样本均值的数学期望 样