M1 学习笔记：抽样分布与点估计
各位同学大家好！欢迎来到统计学的新篇章。就算章节标题听起来有点吓人，也别担心，我们会把它拆解开来，逐一说明。在这个课题中，我们将学习如何利用一个小群体（一个样本）来聪明地推测一个大群体（一个总体）的特性。这在现实生活中超级实用，从预测选举结果，到检查一批 iPhone 的质量而无需测试每一部，都用得上。让我们开始吧！
1. 总体与样本：大局观
要理解统计学，我们首先需要知道“总体”和“样本”之间的区别。
什么是总体？
一个总体是你想研究或了解的“整个”群体。它包含所有人或所有事物。
例子：如果你想知道香港所有中六学生的平均身高，那么总体就是香港“每一个”中六学生。
什么是样本？
一个样本是总体中你实际收集数据的一小部分。由于研究总体中的每一个人通常是不可能或太昂贵的，所以我们取一个样本来代替。
例子：你不可能测量所有50,000名中六学生。因此，你随机选取200名来自不同学校的学生，测量他们的身高。这200人组成的群体就是你的样本。
类比：想象一下品尝汤羹。整锅汤就是总体。你尝的一勺就是样本。你利用样本的味道来猜测整锅汤的味道！
参数与统计量
现在，我们再增加两个重要术语。我们对总体和样本使用不同的符号。
总体参数：这些是描述整个总体的数值。它们通常是未知数，因为我们无法测量每一个人。我们通常用希腊字母来表示它们。
- 总体平均值 (μ)：整个总体的真实平均数。
- 总体方差 (σ²)：衡量整个总体数据分散程度的量度。
样本统计量：这些是根据你的样本数据计算出来的数值。你总是可以计算出这些值。我们用它们来估计总体参数。
- 样本平均值 (x̄)：你的样本的平均数。读作“x-bar”。
- 样本方差 (s²)：衡量你的样本数据分散程度的量度。
快速复习：关键术语和符号
这张表格是你学习本章的新“好朋友”！务必熟记。
概念
总体 (整体群体)
样本 (一小部分)
平均值
参数：$$ \mu $$ (mu)
统计量：$$ \bar{x} $$ (x-bar)
方差
参数：$$ \sigma^2 $$ (sigma-squared)
统计量：$$ s^2 $$
大小
参数：N
统计量：n
计算总体方差
课程要求你认识总体方差的公式。如果你能神奇地知道一个大小为 N 的总体中每一个个体的数据，那么公式会是：
总体方差：
$$ \sigma^2 = \frac{\sum_{i=1}^{N} (x_i - \mu)^2}{N} $$这意味着：对于每个人，找出他们的值 ($x_i$) 与总体平均值 ($\mu$) 之间的差异，将其平方，然后将所有这些平方值加起来，最后除以总体大小 ($N$)。
重点归纳：我们研究一个样本（其统计量如 $$ \bar{x} $$ 和 $$ s^2 $$），以对整个总体（其参数如 $$ \mu $$ 和 $$ \sigma^2 $$）作出有根据的猜测。
2. 样本平均值 (X̄) 的抽样分布
这听起来很复杂，但其理念其实相当巧妙。如果一开始觉得有点难，别担心，我们会用类比来解释。
想象一下，我们想知道所有中六学生的真实平均身高 (μ)。我们知道我们无法测量所有学生。那么，我们该怎么办呢？
1. 随机抽取30名学生作为样本，计算他们的平均身高，$$ \bar{x}_1 $$。也许我们得到168厘米。
2. 再来一次！抽取“不同”的随机样本30名学生，计算他们的平均值，$$ \bar{x}_2 $$。也许这次我们得到171厘米。
3. 不断重复这个过程，或许数千次。我们将得到一长串不同的样本平均值：{168, 171, 169.5, 170, 167.8, ...}。
样本平均值的抽样分布是所有这些可能的样本平均值的概率分布。如果我们将这些样本平均值列成一个柱状图，我们就能看到这个分布。
你“必须”知道的两个神奇特性
从均值为 μ、方差为 σ² 的总体中抽取大小为 n 的随机样本，样本平均值 ($$\bar{X}$$) 的分布具有两个非常重要的特性：
1. 样本平均值的平均值
$$ E[\bar{X}] = \mu $$简单来说：你所有可能抽取到的样本平均值的平均数，等于真实的总体平均值。这是个好消息！这意味着我们的样本平均值，平均来说，能够“命中目标”来估计总体平均值。
2. 样本平均值的方差
$$ Var(\bar{X}) = \frac{\sigma^2}{n} $$简单来说：这个公式告诉我们样本平均值的分布有多分散。注意分母的“n”。这点超级重要！
- 当样本大小 (n) 越大时，样本平均值的方差就越小。
- 这意味着，样本越大，你的样本平均值 ($$\bar{x}$$) 更有可能非常接近真实的总体平均值 (μ)。这很合理，对吧？更大的样本会给你一个更可靠的估计。
这个分布的标准差称为平均数的标准误差：$$ \sigma_{\bar{X}} = \sqrt{Var(\bar{X})} = \frac{\sigma}{\sqrt{n}} $$
如果原始总体是正态分布呢？
如果你抽样的原始总体本身已呈正态分布，即 $$ X \sim N(\mu, \sigma^2) $$，那么样本平均值的抽样分布也将“完美”呈正态分布，无论样本大小如何。
结果：如果 $$ X \sim N(\mu, \sigma^2) $$，那么 $$ \bar{X} \sim N(\mu, \frac{\sigma^2}{n}) $$
重点归纳：样本平均值的抽样分布是我们通过抽取许多样本并观察其平均值而获得的分布。它的平均值是 $$ \mu $$，方差是 $$ \frac{\sigma^2}{n} $$。样本越大，样本平均值的结果分布就越集中。
3. 中心极限定理 (CLT)
这是统计学中最重要和最令人惊叹的定理之一！它就像一种超能力。
那么，如果原始总体“不是”正态分布呢？如果它是偏态的，或是双峰的，或者只是奇形怪状的呢？
中心极限定理 (CLT) 指出：
对于足够大的样本大小 (n)，样本平均值 ($$\bar{X}$$) 的抽样分布将会近似正态分布，无论原始总体的分布形状如何。
这是不是很奇妙？！即使我们从一个形状奇特的总体开始，如果我们的样本足够大，其样本平均值的结果分布也将看起来像一个漂亮、熟悉的钟形曲线（正态分布）。
“足够大”究竟有多大？
统计学中常用的经验法则指出：
n ≥ 30
如果你的样本大小为30或更多，你通常可以假定中心极限定理适用。
综合所有概念 (重要结果)：
如果 n 足够大（例如，n ≥ 30），那么根据中心极限定理：
$$ \bar{X} \approx N(\mu, \frac{\sigma^2}{n}) $$请注意“近似”符号 ($$\approx$$)，因为这是一个近似值，而不是精确的分布（除非原始总体本身就是正态分布）。
你知道吗？CLT 是正态分布在现实世界中如此常见的原因。许多事物，比如一袋50个苹果的总重量，都是许多小随机效应的叠加结果。CLT 预测这些总和与平均值将趋于遵循正态分布。
重点归纳：中心极限定理是我们的秘密武器。它让我们能够使用正态分布来解决涉及样本平均值的问题，只要我们的样本大小足够大 (n ≥ 30)，即使我们对原始总体的样子一无所知。
4. 点估计：我们最佳的猜测
我们已经谈论了很多关于如何利用样本来理解总体。点估计是做到这一点最简单的方法。它是一个单一数值，我们用它作为对未知总体参数的“最佳猜测”。
类比：如果有人问你估计温度，你会给出一个单一数值，例如“25度”。你不会说“在24到26度之间”。这个单一数值就是一个点估计。
估计总体平均值 (μ)
对于未知的总体平均值 μ，我们最佳的猜测是什么？
样本平均值 ($$\bar{x}$$) 是总体平均值 (μ) 的最佳点估计。
例子：如果你从200名学生样本中测得的平均身高 ($$\bar{x}$$) 是170.5厘米，那么你对香港所有中六学生真实平均身高 (μ) 的最佳点估计就是170.5厘米。
估计总体方差 (σ²)
对于未知的总体方差 σ²，我们最佳的猜测是什么？
样本方差 ($$s^2$$) 是总体方差 (σ²) 的最佳点估计。但要小心公式！
样本方差 (s²) 的关键公式
当我们从“样本”计算方差来估计总体方差时，我们会使用一个稍微不同的公式。我们是用 n-1 来除，而不是 n。
$$ s^2 = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n-1} $$为什么要除以 n-1？无偏估计量的概念
这是一个关键概念。除以 n-1 会使 $$s^2$$ 成为 $$σ^2$$ 的“无偏估计量”。
简单解释：样本中的数据，通常会比整个总体的数据分散程度略低。如果我们除以“n”，我们对方差 ($$s^2$$) 的估计值平均来说会稍微偏小。通过除以一个较小的数 (n-1)，我们让答案稍微变大，从而修正了这种倾向。从长远来看，这会给我们一个更准确的估计。
你不需要证明这一点，但你“确实需要记住”在计算样本方差 $$s^2$$ 时要使用 n-1！
常见错误，切勿混淆！
不要混淆总体方差和样本方差的公式。
- 总体方差 $$ \sigma^2 $$：除以 N。当你拥有“整个”总体的数据时使用这个公式。(现实中很少见)。
- 样本方差 $$ s^2 $$：除以 n-1。当你拥有样本数据并想“估计”总体方差时使用这个公式。(非常常见)。
重点归纳：点估计是对参数的单一数值猜测。样本平均值 ($$\bar{x}$$) 估计总体平均值 (μ)。样本方差 ($$s^2$$，分母为 n-1) 是总体方差 ($$σ^2$$) 的无偏估计量。