重点公式速览

1. 样本率的均数与标准差：
   $${\mu }_p=\pi ,{\sigma }_p=\sqrt{\frac{\pi (1-\pi )}{n}}$$
2. 样本均数的均数与标准差：
   $${\mu }_{\overline{X}}=\mu ,{\sigma }_{\overline{X}}=\frac{\sigma }{\sqrt{n}}$$
3. 正态近似条件：
   $$n\pi >5\text{且}n(1-\pi )>5$$

---

1. 样本率的抽样分布

1.1 基本概念

• 总体与样本：总体参数（如总体率$\pi$）通过抽样得到样本统计量（如样本率$p$）。
• 抽样误差：样本统计量与总体参数的差异，反映抽样波动性。

1.2 二项分布与样本率

若单次试验成功概率为$\pi$，独立重复$n$次试验中成功次数$X$服从二项分布：
$$X\sim B(n,\pi ),P(X=k)=\left(\genfrac{}{}{0ex}{}{n}{k}\right){\pi }^k(1-\pi {)}^{n-k}$$

1.3 样本率分布的计算方法

1.3.1 概率公式法（精确计算）

步骤：

1. 列出所有可能成功次数$X$；
2. 计算各$X_i$对应的概率${\pi }_i$；
3. 转换为样本率$p$并汇总分布。

• 样本量均数
  $${\mu }_x=\sum x_i{\pi }_i$$
• 样本量标准差
  $${\sigma }_x=\sqrt{\sum (x_i-{\mu }_x{)}^2{\pi }_i}$$

1.3.2 统计表法（查表法）

• 使用二项分布表，通过$n$和$\pi$查得各$k$值的概率。
• 注意：当$\pi >0.5$时，需查$1-\pi$对应的概率并反向转换。

1.3.3 模拟实验法（蒙特卡罗）

• 通过重复抽样（如1000次）生成样本率分布。
• 结果验证：模拟均数接近$\pi$，标准差$\sigma$随$n$增大而减小：

示例：硬币正面概率$\pi =0.6$，投掷n次（样本量为n）,重复抽样1000次。

样本量$n$	抽样次数	模拟均数	模拟标准差
3	1000	0.6017	0.2812
30	1000	0.6006	0.0879
150	1000	0.5995	0.0405

1.4 样本率分布的正态近似

1.4.1 近似条件

当$n\pi >5$且$n(1-\pi )>5$时，样本率$p$近似服从正态分布：
$$p\sim N\left(\pi ,\frac{\pi (1-\pi )}{n}\right)$$

示例：某题错误率$\pi =0.08$，抽样$n=150$：

• 验证条件：$150\times 0.08=12>5$，满足正态近似。

1.4.2 连续性校正（拓展）

因二项分布为离散型，需对区间端点调整以提升精度：

• $P(X\le k)\approx P\left(Z\le \frac{k+0.5-n\pi }{\sqrt{n\pi (1-\pi )}}\right)$
• 应用场景：小样本或边界概率计算。

---

2. 样本均数的抽样分布

2.1 基本概念

• 样本均数$\overline{X}$：随机变量，其分布反映不同样本的均值波动。

2.2 概率分布计算

2.2.1 精确计算法（有限总体）

示例：总体为 { 2.5 , 4.0 , 2.5 , 3.5 } \{2.5, 4.0, 2.5, 3.5\} {2.5,4.0,2.5,3.5}，抽样$n=2$：

1. 列出所有可能样本组合；
2. 计算各组合均数及概率（见表）：

样本组合	概率	均数$\overline{X}$
(4.0, 2.5)	1/3	3.25
(2.5, 2.5)	1/6	2.50
(3.5, 2.5)	1/3	3.00
(4.0, 3.5)	1/6	3.75

3. 计算${\mu }_{\overline{X}}=3.125$（等于总体均数$\mu$）。

2.2.2 模拟实验法

• 通过重复抽样（如1000次）生成均数分布。
• 结果：模拟频率与理论概率一致（如$Pr(\overline{X}=3.25)\approx 0.358$）。

2.3 样本均数分布的正态近似

2.3.1 中心极限定理（CLT）

核心结论：无论总体分布如何（不管是不是小正太），当样本量$n$足够大时，$\overline{X}$近似服从正态分布：
$$\overline{X}\sim N\left(\mu ,\frac{{\sigma }^2}{n}\right)$$

• 样本均数的变异范围较之原变量的变异范围大大缩小。
• $n$增大 → 分布更集中，更接近正态，即样本均数的变异范围逐渐缩小。

2.3.2 数理公式(难点)

(结合4 基本概率理论进行理解)

• 均数：$${\mu }_{\overline{X}}=\frac{1}{n}\sum {\mu }_{X_i}=\frac{1}{n}(\sum _1^n\mu )=\mu$$
• 标准差（标准误）：$${\sigma }_{\overline{X}}=\sqrt{(\frac{1}{n}{)}^2\sum {\sigma }_{X_i}^2}=\sqrt{(\frac{1}{n}{)}^{2}n{\sigma }_{X_i}^2}=\frac{\sigma }{\sqrt{n}}$$。
  (注意：当总体中的个体数远远大于样本量时，认为样本之间是相互独立的)

---

3. 数理结论总结

3.1 样本率分布(以正态分布近似)

1. 均数${\mu }_p=\pi$，标准差${\sigma }_p=\sqrt{\frac{\pi (1-\pi )}{n}}$；
2. 正态近似需满足$n\pi >5$且$n(1-\pi )>5$。

3.2 样本均数分布

1. 均数${\mu }_{\overline{X}}=\mu =n\pi$，标准差${\sigma }_{\overline{X}}=\frac{\sigma }{\sqrt{n}}$；
2. 中心极限定理保证大样本时分布趋近正态。

---

4. 难点解析

4.1 连续性校正的必要性

• 问题：二项分布为离散型，直接使用正态分布计算概率会产生偏差。
• 解决：通过扩展区间（如$k\pm 0.5$）将离散概率“连续化”。

4.2 抽样分布的实际意义

• 抽样误差量化：标准差（标准误）反映统计量的稳定性；
• 样本量影响：$n$增大 → 标准误减小 → 估计更精确。

---

5. 样本率与样本均数综合对比表

项目	样本率的抽样分布	样本均数的抽样分布
总体参数	总体率：$\pi$ 标准差：$\sqrt{\frac{\pi (1-\pi )}{n}}$	总体均数：$\mu$ 标准差：$\frac{\sigma }{\sqrt{n}}$
样本统计量	样本率：$P$ 标准差：$\sqrt{\frac{P(1-P)}{n}}$	样本均数：$\bar{X}$ 标准差：$\frac{S}{\sqrt{n}}$
变量类型	离散型变量	连续型变量
分布特性	- 随着样本量增大，分布逐渐对称 - 当 $n$ 较大且 $\pi$ 不接近 0 或 1 时，近似正态分布	- 样本均数围绕总体均数对称分布（中间多，两边少） - 样本均数比个体观测值更接近正态分布
分布类型	二项分布 → 正态近似	任意分布 → 正态近似（CLT）
近似正态分布条件	需满足： $n\pi \ge 5$ 且 $n(1-\pi )\ge 5$ 近似服从 $N\left(\pi ,\sqrt{\frac{\pi (1-\pi )}{n}}\right)$	不论总体分布如何，当 $n$ 增大时，近似服从 $N\left(\mu ,\frac{{\sigma }^2}{n}\right)$
变异范围变化	样本率变异范围随 $n$ 增大而缩小	样本均数变异范围随 $n$ 增大而缩小

---

注：

• 样本率的正态近似需严格满足 $n\pi \ge 5$ 和 $n(1-\pi )\ge 5$，否则需使用二项分布或Poisson分布分析。
• 样本均数的分布特性是统计推断（如置信区间、假设检验）的理论基础。