【统计推断】-01 抽样原理之(三)

文章目录

一、说明

上文中叙述母体和抽样的设计;以及抽样分布的概念,本篇将这种关系定量化,专门针对抽样的指标参数和母体参数的对应关系,这是我们以后做检验的基础。

二、抽样分布

考虑从给定的母体中抽取容量为N的所有可能样本(抽样时无论放回和不放回)。对于每一个样本,我们可以计算出某个统计量(如均值、标准差)的值,不同样本得到的统计量(均值或标准差)不同,用这种方法得到的统计量分布称为抽样分布。
抽样分布有多种,我们这里重点介绍几个典型抽样分布.

  • 均值抽样分布。
  • 比例抽样分布。
  • 和(差)抽样分布。

三 均值抽样分布

均值抽样是最常见的抽样。我们知道抽样的目的是从若干个局部,推演出全局的过程。推而广之,从个别是不是属于一个全局的概率。这其实有一个先验前提,母体基本情况是确定的。因此,预先知道母体的基本信息有:

  • 有限母体
  • 无限母体
    从抽样方式上,又分为:
  • 无放回抽样
  • 有放回抽样
    下面我们将分别叙述。

3.1 有限母体无放回抽样

假定一个有限母体,容量为 N p N_p Np.母体均值和方差为: μ , σ \mu,\sigma μ,σ。抽样的容量为N,均值方差记号为 μ x ˉ , σ x ˉ \mu_{\bar{x}},\sigma_{\bar{x}} μxˉ,σxˉ,那么,抽样的均值和方差与母体的均值和方差存在下列关系:

   以上关系我们给出一个实例说明:
   给出一个母体 { 2 , 3 , 6 , 8 , 11 } \{2,3,6,8,11\} {2,3,6,8,11},从母体中有放回地抽样,抽样的容量是2;

如何获取母体的均值和方差
μ = 2 + 3 + 6 + 8 + 11 5 = 6 σ 2 = ( 2 − 6 ) 2 + ( 3 − 6 ) 2 + ( 6 − 6 ) 2 + ( 8 − 6 ) 2 + ( 11 − 6 ) 2 5 = 10.8 \mu = \frac{2+3+6+8+11}{5}=6 \\ \sigma^2 = \frac{(2-6)^2+(3-6)^2+(6-6)^2+(8-6)^2+(11-6)^2}{5}=10.8 μ=52+3+6+8+11=6σ2=5(2−6)2+(3−6)2+(6−6)2+(8−6)2+(11−6)2=10.8
σ = 3.29 \sigma=3.29 σ=3.29
   如何获取抽样的均值和方差
   从总体中抽取容量为2的样本,而且是无放回的,这说明什么?

  • 当抽出一个数以后,不放回再抽取第二个,说明两个数不能一样。
  • 当抽取出(a,b)和(b,a)属于同一个抽样。
    这样的抽样共有 C 5 2 C^2_5 C52种,分别是:
Column 1 Column 2 均值
2 3 2.5
2. 6 4
2 8 5
2 11 6.5
3. 6 4.5
3 8 5.5
3 11 7
6 8 7
6 11 8.5
8 11 9.5

样本均值为:
μ x ˉ = 2.5 + 4 + 5 + 6.5 + 4.5 + 5.5 + 7 + 7 + 8.5 + 9.5 10 = 6 \mu_{\bar{x}}=\frac{2.5+4+5+6.5+4.5+5.5+7+7+8.5+9.5}{10}=6 μxˉ=102.5+4+5+6.5+4.5+5.5+7+7+8.5+9.5=6

样本方差:

因此,符合我们给出的(1)式。

3.2 有限母体有放回抽样

有限母体和抽样中,母体均值和抽样的关系。
μ x ˉ = μ              σ x ˉ = σ N \mu_{\bar{x}}=\mu \; \; \; \; \; \; \sigma_{\bar{x}}=\frac{\sigma}{\sqrt{N}} μxˉ=μσxˉ=N σ (2)

3.3 无限母体

对于无限的母体,它和有限母体的有放回抽样是一样的,
无限的母体的抽样中,母体均值和抽样的关系。
μ x ˉ = μ              σ x ˉ = σ N \mu_{\bar{x}}=\mu \; \; \; \; \; \; \sigma_{\bar{x}}=\frac{\sigma}{\sqrt{N}} μxˉ=μσxˉ=N σ (3)

好了,我们以上对均值的抽样做出完整解释。下面请看比例抽样是个什么概念。

四、比例抽样分布

关键词: sampling distribution of proportions
   有一类事物,总是能归结到某事物发生或不发生的概率。这是一个二分法问题,比如,进入某商店的客人中,购买商品的顾客比例。这种问题可以归结到抛硬币问题,或者二项式分布问题。
   总体设定:将总体看成是0-1分布,均值和方差为:
μ = p ;      σ 2 = p ( 1 − p ) \mu=p; \; \; \sigma^2=p(1-p) μ=p;σ2=p(1−p)
   那么,抽样的均值和方差分别是:
μ p = p ;      σ p = p ( 1 − p ) N \mu_p=p; \; \; \sigma_p=\sqrt{ \frac{p(1-p)}{N}} μp=p;σp=Np(1−p) (3)
   这个结论和有限,有放回抽样的结果一样的。

五、和差抽样分布

和差抽样分布,是针对;对两个母体分别抽样,然后估算两组抽样中指标数(如均值)和、差的统计运算。
   假如对于两个母体 Ω 1 \Omega_1 Ω1和 Ω 2 \Omega_2 Ω2
   从 Ω 1 \Omega_1 Ω1中对统计量 S 1 S_1 S1进行抽样,容量 N 1 N_1 N1。计算出统计量的估计分布是 μ S 1 \mu_{S_1} μS1和 σ S 1 \sigma_{S_1} σS1
   从 Ω 2 \Omega_2 Ω2中对统计量 S 2 S_2 S2进行抽样,容量 N 2 N_2 N2。计算出统计量的估计分布是 μ S 2 \mu_{S_2} μS2和 σ S 2 \sigma_{S_2} σS2
   那么, S 1 − S 2 S_1-S_2 S1−S2 的分布是:

   如果S1和S2表示两个样本的均值,那么,两者差的估计是:

   同样,对于母体 Ω 1 \Omega_1 Ω1和 Ω 2 \Omega_2 Ω2是二项式分布 ( p 1 , q 1 ) (p_1,q_1) (p1,q1)和 ( p 2 , q 2 ) (p_2,q_2) (p2,q2),S1和S2相当于成功比例P1和P2,那么,差的估计是:

   注意以上S1和S2的抽样是相互独立的。至此,我们将统计量差的估计交待清楚了,对于两者的和,只要将均值估计改成加法,如下:

相关推荐
无水先生4 天前
ML 系列赛: 第 22 节 — 离散概率分布 (Multinoulli Distribution)
概率论
qzhqbb4 天前
贝叶斯定理
概率论
无水先生4 天前
ML 系列:第 21 节 — 离散概率分布(二项分布)
概率论
我不爱机器学习4 天前
python实现各种描述统计/概率分布/假设检验/置信区间/回归/方差分析/卡方检验
python·统计学
pzx_0014 天前
【独立同分布】
人工智能·机器学习·概率论
TiAmo·penny5 天前
测度论原创(三)
概率论
phoenix@Capricornus5 天前
中心极限定理的三种形式
机器学习·概率论
庆庆知识库5 天前
信号与噪声分析——第二节:随机变量的统计特征
概率论
Researcher-Du6 天前
随机采样之接受拒绝采样
概率论
无水先生7 天前
ML 系列:机器学习和深度学习的深层次总结( 19)— PMF、PDF、平均值、方差、标准差
概率论