高等数学 / 系统课时

样本均值的分布

样本均值的分布

本课回答一个核心问题:随机抽取一组样本后,样本均值会围绕总体均值怎样波动。你将掌握其期望、方差和标准误,并能判断何时可以使用正态分布进行概率近似。

学习目标

  • 推导样本均值的期望与方差
  • 理解标准误随样本量变化的规律
  • 判断样本均值何时服从或近似服从正态分布

期望、方差与标准误

设 X1,X2,…,XnX_1,X_2,\ldots,X_n 独立同分布,总体均值为 μ\mu,总体方差为 σ2\sigma^2,样本均值为

\bar{X}=\frac{1}{n}\sum_{i=1}^{n}X_i $$。利用期望的线性性质可得。

E(\bar{X})=\mu $$

因此样本均值是总体均值的无偏估计量。独立条件下,各观测值方差可以相加,所以

Var⁡(Xˉ)=σ2n\operatorname{Var}(\bar{X})=\frac{\sigma^2}{n}

样本均值抽样分布的标准差称为标准误:

SE⁡(Xˉ)=σn\operatorname{SE}(\bar{X})=\frac{\sigma}{\sqrt{n}}

样本量扩大 4 倍,标准误缩小为原来的一半。增加样本可以提高稳定性,但标准误按 1/n1/\sqrt{n} 下降,并不是按 1/n1/n 下降。

分布形状与正态近似

当总体本身服从正态分布时,无论样本量大小,样本均值都精确服从正态分布:

Xˉ∼N(μ,σ2n)\bar{X}\sim N\left(\mu,\frac{\sigma^2}{n}\right)

当总体不是正态分布时,中心极限定理说明:在独立同分布且总体方差有限的条件下,样本量充分大时,标准化后的样本均值近似服从标准正态分布。

总体形状与样本均值分布的关系

“充分大”没有对所有总体都适用的统一门槛。总体越偏斜、尾部越重或离群值越多,通常需要更大的样本量;若总体接近对称且无重尾,较小样本也可能得到良好近似。

概率计算示例

某总体均值为 7070,标准差为 1212。随机抽取 3636 个独立观测,则样本均值的期望为 7070,标准误为

SE⁡(Xˉ)=1236=2\operatorname{SE}(\bar{X})=\frac{12}{\sqrt{36}}=2

若总体正态,或样本量已足以支持正态近似,则

P(68≤Xˉ≤72)=P(−1≤Z≤1)≈0.6827P(68\leq\bar{X}\leq72) =P\left(-1\leq Z\leq1\right) \approx0.6827

这表示重复抽取 36 个观测并计算均值时,约有 68.27%68.27\% 的样本均值会落在 6868 到 7272 之间。这里使用的是样本均值的标准误 22,不是单个观测值的标准差 1212。

适用条件与边界

上述方差公式依赖样本观测相互独立。若从有限总体中不放回抽样,而且抽样比例不可忽略,标准误应乘以有限总体修正系数:

SE⁡(Xˉ)=σnN−nN−1\operatorname{SE}(\bar{X}) =\frac{\sigma}{\sqrt{n}} \sqrt{\frac{N-n}{N-1}}

其中 NN 是总体容量。抽样比例很小时,修正系数接近 1,通常可以忽略;抽样比例较大时,不修正会高估样本均值的波动。

还要区分总体标准差 σ\sigma 与样本标准差 SS。当 σ\sigma 未知时,实际推断常用 S/nS/\sqrt{n} 估计标准误;小样本正态总体下进一步进行区间估计时,通常需要使用 tt 分布,而不是直接套用标准正态分布。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

样本均值的分布

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通