样本及其抽样分布基本概念

抽样与抽样分布在统计学中，抽样是一种常用的数据收集方法，通过从总体中选择一部分样本来进行研究和分析。

抽样的目的是通过样本来推断总体的特征和性质。

在进行抽样时，我们需要了解抽样的方法和抽样分布的概念。

一、抽样方法1. 无偏抽样无偏抽样是指所有样本有相同被选中的机会。

这样可以确保样本的代表性，从而减小样本估计值和总体真值之间的误差。

常见的无偏抽样方法包括简单随机抽样、系统抽样和分层抽样等。

2. 有偏抽样有偏抽样是指样本的选择并不具有相等的机会。

这样可能导致样本的代表性不足，从而产生较大的估计误差。

有时，有偏抽样也可以用于特定的研究目的，但需要明确地说明和分析偏差带来的影响。

二、抽样分布1. 抽样分布的概念抽样分布是指统计量在各个可能样本上的取值分布。

统计量可以是样本均值、样本方差等。

抽样分布的性质对于进行统计推断和假设检验非常重要。

2. 样本均值的抽样分布样本均值的抽样分布在中心极限定理的条件下近似服从正态分布。

中心极限定理指出，当样本容量足够大时，无论总体分布如何，样本均值的抽样分布都会接近正态分布。

3. 样本比例的抽样分布样本比例的抽样分布在满足一些条件的情况下也近似服从正态分布。

这些条件包括样本容量足够大、总体比例接近0.5以及样本与总体之间的独立性等。

4. 样本方差的抽样分布样本方差的抽样分布不服从正态分布。

通常情况下，样本方差的抽样分布呈右偏态，即偏度大于0。

为了得到样本方差的抽样分布，可以使用抽样分布的近似分布，如卡方分布。

三、应用案例抽样与抽样分布的方法和理论在实际统计学中有广泛的应用。

以下是一些常见的应用案例：1. 调查研究在进行调查研究时，我们经常需要从总体中选择一部分样本进行问卷调查或面访。

通过利用抽样与抽样分布的方法，我们可以将样本的调查结果推广到总体中，从而得到总体的特征和性质。

2. 假设检验假设检验是统计学中常用的推断方法之一。

通过比较样本统计量与假设的总体参数值，我们可以判断假设的合理性。

抽样分布的概念及重要性抽样分布是统计学中一个重要的概念，它描述了从总体中抽取样本的过程中，统计量的分布情况。

在统计学中，我们通常无法对整个总体进行研究，而是通过抽取样本来推断总体的特征。

抽样分布的概念帮助我们理解样本统计量的变异性，并为统计推断提供了理论基础。

本文将介绍抽样分布的概念及其重要性。

一、抽样分布的概念抽样分布是指在相同条件下，重复从总体中抽取样本，并计算样本统计量的分布情况。

在抽样分布中，样本统计量可以是样本均值、样本比例、样本方差等。

抽样分布的特点是，当样本容量足够大时，样本统计量的分布会趋近于一个稳定的形态，即抽样分布的形状不会随着样本的变化而变化。

抽样分布的形态通常可以用正态分布来近似描述。

中心极限定理是支持抽样分布近似为正态分布的重要理论基础。

根据中心极限定理，当样本容量足够大时，无论总体分布是什么形态，样本均值的抽样分布都会近似于正态分布。

这使得我们可以利用正态分布的性质进行统计推断。

二、抽样分布的重要性抽样分布在统计学中具有重要的意义和应用价值。

以下是抽样分布的几个重要方面：1. 参数估计：抽样分布为参数估计提供了理论基础。

通过从总体中抽取样本，我们可以计算样本统计量，并利用抽样分布的性质来估计总体参数。

例如，通过计算样本均值来估计总体均值，通过计算样本比例来估计总体比例等。

2. 假设检验：抽样分布为假设检验提供了理论依据。

在假设检验中，我们需要根据样本数据来判断总体参数是否符合某个假设。

抽样分布的性质可以帮助我们计算出假设检验的统计量，并进行显著性检验。

3. 置信区间：抽样分布为置信区间的构建提供了理论基础。

置信区间是用来估计总体参数的范围，它可以告诉我们总体参数的估计结果的可信程度。

抽样分布的性质可以帮助我们计算出置信区间，并确定置信水平。

4. 抽样方法选择：抽样分布的性质可以帮助我们选择合适的抽样方法。

不同的抽样方法会对样本统计量的抽样分布产生不同的影响。

通过了解抽样分布的性质，我们可以选择适合的抽样方法，以提高统计推断的准确性。

抽样分布与理论分布一、抽样分布总体分布：总体中所有个体关于某个变量的取值所形成的分布。

样本分布：样本中所有个体关于某个变量大的取值所形成的分布。

抽样分布：样品统计量的概率分布，由样本统计量的所有可能取值和相应的概率组成。

即从容量为N 的总体中抽取容量为n 的样本最多可抽取m 个样本，m 个样本统计值形成的频率分布，即为抽样分布。

样本平均数的抽样分布：设变量X 是一个研究总体，具有平均数μ和方差σ2。

那么可以从中抽取样本而得到样本平均数x ，样本平均数是一个随机变量，其概率分布叫做样本平均数的抽样分布。

由样本平均数x 所构成的总体称为样本平均数的抽样总体。

它具有参数μx 和σ2x ，其中μx 为样本平均数抽样总体的平均数，σ2x 为样本平均数抽样总体的方差，σx 为样本平均数的标准差，简称标准误。

统计学上可以证明x 总体的两个参数 μx 和σ2x 与X 总体的两个参数μ和σ2有如下关系：μx = μ σ2x = σ2 /n由中心极限定理可以证明，无论总体是什么分布，如果总体的平均值μ和σ2都存在，当样本足够大时（n>30），样本平均值x 分布总是趋近于N （μ，n2)分布。

但在实际工作中，总体标准差σ往往是未知的，此时可用样本标准差S 估计σ。

于是，以nS估计σx ，记为X S ，称为样本标准误或均数标准误。

样本平均数差数的抽样分布：二、正态分布2.1 正态分布的定义：若连续型随机变量X 的概率密度函数是⎪⎭⎫ ⎝⎛--=σμπσx ex f 22121)( （-∞＜x ＜+∞）则称随机变量X 服从平均数为μ、方差为σ2的正态分布，记作X~N （μ，σ2）。

相应的随机变量X 概率分布函数为 F （x ）=⎰∞-x dx x f )(它反映了随机变量X 取值落在区间（-∞，x ）的概率。

2.2 标准正态分布当正态分布的参数μ=0，σ2=1时，称随机变量X 服从标准正态分布，记作X~N （0,1）。

抽样分布知识点总结抽样分布是统计学中一个重要的概念，它描述了在进行抽样时得到的样本统计量的分布情况。

抽样分布是统计推断的基础，它可以帮助我们理解抽样误差以及估计参数的可信度。

在本文中，我们将对抽样分布的基本概念、性质和相关理论进行总结和讨论。

一、基本概念1.1 抽样与总体在统计学中，总体是指我们想要研究的所有个体的集合，而抽样则是从总体中选取一部分个体作为样本，以获得对总体特征的估计。

抽样可以是随机抽样、分层抽样、系统抽样等方法，目的是代表性地反映总体的特征。

1.2 样本统计量在抽样中，对样本数据进行统计分析得到的统计量称为样本统计量，常见的样本统计量有均值、方差、标准差、比例等。

样本统计量能够提供有关总体参数的估计和推断。

1.3 抽样分布抽样分布是描述样本统计量的分布情况的统计学概念。

当我们从总体中抽取多个样本，并计算每个样本的统计量时，得到的这些统计量的分布就是抽样分布。

抽样分布可以反映出样本统计量的可变性、偏移和分布形态等特征。

二、性质2.1 中心极限定理中心极限定理是抽样分布理论中的重要定理，它描述了在一定条件下，样本均值的抽样分布近似服从正态分布。

中心极限定理对于理解抽样分布的性质和应用具有重要意义，也为许多统计推断方法提供了理论基础。

2.2 大数定律大数定律是另一个重要的抽样分布性质，它描述了当样本容量足够大时，样本均值会收敛于总体均值，即样本均值的抽样分布会集中在总体均值附近。

大数定律为我们理解样本统计量的稳定性和准确性提供了重要参考。

2.3 置信区间置信区间是根据抽样分布推断总体参数的一种方法，通过对抽样分布的分布情况进行分析，我们可以建立对总体参数的置信区间，从而对总体特征进行推断。

置信区间对于统计推断的可信度和精度有着重要的作用。

三、理论基础3.1 样本容量样本容量是影响抽样分布的一个重要因素，在实际抽样中，样本容量的大小对于样本统计量的分布情况有着重要的影响。

通常情况下，样本容量越大，抽样分布的稳定性和准确性越高。

抽样分布根据样本统计量去估计总体参数，必须知道样本统计量分布。

定义6.2 某个样本统计量的抽样分布，从理论上说就是在重复选取容量为n 的样本时，由每一个样本算出的该统计量数值的相对数频数分布或概率分布。

由于现实中我们不可能将所有的样本都抽出来，因此，统计的抽样分布实际上是一种理论分布。

（一）样本均值的抽样分布从单位数为N 的总体中抽取样本容量为n 的随机样本，在重复抽样的条件下共有n N 个可能的样本，在不重复抽样条件下，共有!!()!nNN C n N n =-个可能样本。

对于每一个样本，我们都可以计算出样本的均值2()x s 或或p ，因此，样本均值是一个随机变量。

所有的样本均值形成的分布就是样本均值的抽样分布。

[例6.4]设一个总体含有4个个体（元素），即N=4，取值分别为：12341234x x x x ====总体分布为均匀分布，如图6.1所示。

图6.1总体均值：102.54X μ=== x总体方差：22() 1.25x x nσ-==∑若重复抽样，n=2 则共有2416=个可能样本。

具体列示如表5.1.1。

表6.1 可能的样本及其均值每个样本被抽中的概率相同，均值为116样本均值的抽样分布如表5.1.2和图5.1.2所示。

样本均值x 抽样分布的形状与原有总体的分布有关，如果原有总体是正态分布，样本均值也服从正态分布。

如果总体分布是非正态分布，当x 为大样本（30n ≥）时，样本均值的分布趋于服从正态分布；当x 为小样本时，其分布不是正态分布。

下面再让我们来看看样本均值x 抽样分布的特征：数学期望和方差。

设总体共有N 个元素，其均值为μ，方差为2σ，从中抽取容量为n 的样本。

E()x x X μ=== （6.1）22xnσσ=（重复抽样） （6.2）22()1xN nn N σσ-=-（不重复抽样） （6.3）对于无限总体，样本均值的方差，不重复抽样也可按重复抽样来处理；对于有限总体，当N 很大，而/n N 又很小，修正系数1N nN --会趋于1，不重复抽样也可按重复抽样来处理。

抽样分布样本统计量的分布及其应用在统计学中，抽样是一种数据分析的方法，它通过对总体中的一部分个体进行观察和测量来推断总体的特征。

而抽样分布是指抽取相同样本量的多个样本后得到的统计量的分布。

样本统计量是对样本数据进行计算得到的统计指标，它可以用来估计总体参数，并进行假设检验。

1. 抽样分布的基本概念抽样分布具有一些基本性质，首先是无偏性。

当样本容量趋向于总体容量时，样本统计量的期望值会无限接近总体参数的真实值。

其次是有效性，即样本统计量的方差趋近于零，它可以用来估计总体参数的精确度。

最后是一致性，样本统计量在样本容量逐渐增大时趋近于总体参数。

2. 抽样分布的常见形式常见的抽样分布有正态分布、t分布和卡方分布。

其中正态分布应用最为广泛，它在中心极限定理的作用下，当样本容量足够大时，样本均值的抽样分布近似服从正态分布。

而t分布则适用于当总体标准差未知、样本容量较小的情况下，它的形状比正态分布要略扁平一些。

卡方分布则主要用于样本方差的估计与检验。

3. 抽样分布的应用抽样分布的应用非常广泛，常用于以下几个方面：3.1 参数估计通过抽样分布，我们可以利用样本统计量对总体参数进行估计。

例如，可以利用样本均值估计总体均值，利用样本标准差估计总体标准差。

通过计算置信区间，我们可以得到对总体参数的范围估计。

3.2 假设检验假设检验是统计学中非常重要的一项工具，用于判断样本数据是否支持某个假设。

基于抽样分布，我们可以计算统计量的P值，进而判断样本数据与假设的一致性。

常用的假设检验有均值检验、方差检验、比例检验等。

3.3 质量控制在生产过程中，质量控制是非常关键的。

通过对样本数据进行分析，可以判断生产过程是否正常。

例如，可以通过控制图分析样本均值的变化情况，以判断过程是否处于控制状态。

3.4 统计决策在实际决策中，我们往往需要依据样本数据来进行判断。

抽样分布提供了一种基于统计的决策依据。

例如，在市场调研中，我们可以通过对样本数据进行分析，对市场潜力进行预测，从而指导营销策略的制定。

概率论抽样分布说明在概率论中，抽样分布是指从总体中选取样本并计算样本统计量的分布。

通过研究抽样分布，可以推断总体的性质和参数。

在这篇文档中，我们将介绍概率论抽样分布的基本概念、特性以及常用的分布类型。

抽样分布的定义抽样分布是由于从总体中抽取样本导致的统计量的分布。

在统计学中，统计量是从样本数据中计算得出的数值，如样本均值、样本方差等。

通过从总体中不断抽取样本并计算统计量的值，可以得到抽样分布。

抽样分布的特性抽样分布具有以下特性：1.中心极限定理：当样本容量足够大时，抽样平均值的抽样分布近似呈正态分布。

2.抽样分布的均值等于总体均值：样本均值的期望值等于总体均值。

3.抽样分布的方差等于总体方差除以样本容量：样本均值的方差等于总体方差除以样本容量。

常见的抽样分布类型在概率论中，常用的抽样分布类型包括：1.正态分布：也称为高斯分布，是最常用的抽样分布。

当样本容量足够大时，均值的抽样分布近似呈正态分布。

2.t分布：用于小样本（样本容量较小）情况下对总体均值的推断。

相对于正态分布，t分布有更宽的尾部。

3.卡方分布：用于推断总体方差时的抽样分布。

卡方分布的形态由自由度决定。

4.F分布：用于比较两个总体方差是否相等的抽样分布。

F分布的形态由两个样本的自由度决定。

抽样分布的应用抽样分布广泛应用于统计学和概率论中的推断与检验问题。

通过从总体中抽取样本并计算统计量的分布，可以进行以下应用：1.参数估计：通过抽样分布，我们可以估计总体参数的取值，如总体均值、总体方差等。

2.假设检验：通过比较样本统计量与抽样分布的临界值，我们可以判断总体参数是否满足某个假设。

3.置信区间估计：通过计算抽样分布的分位数，我们可以得到总体参数的置信区间，从而评估参数的精确性。

总结抽样分布是概率论中的重要概念，用于推断总体的性质和参数。

具备了中心极限定理、均值和方差的性质等特点，常见的抽样分布类型包括正态分布、t分布、卡方分布和F分布。

通过抽样分布，我们可以进行参数估计、假设检验和置信区间估计等应用。

统计学中的抽样分布理论统计学是一门研究数据收集、分析和解释的学科。

在统计学中，抽样分布理论是一个重要的概念。

抽样分布理论是指在特定的抽样方法下，样本统计量的分布情况。

本文将介绍抽样分布理论的基本概念、应用以及与推断统计学的关系。

一、抽样分布理论的基本概念抽样分布理论是统计学的基石之一，它是建立在大数定律和中心极限定理的基础上的。

大数定律指出，当样本容量趋向于无穷大时，样本均值会趋于总体均值。

中心极限定理则指出，当样本容量足够大时，样本均值的分布会接近于正态分布。

基于这些定理，抽样分布理论可以推导出许多重要的统计量的分布情况，如样本均值的分布、样本方差的分布等。

这些分布可以用来进行统计推断和假设检验，帮助我们对总体参数进行估计和推断。

二、抽样分布理论的应用抽样分布理论在实际统计分析中有着广泛的应用。

首先，它可以用来进行参数估计。

在抽样分布理论的指导下，我们可以利用样本统计量对总体参数进行估计。

例如，通过样本均值的抽样分布，我们可以估计总体均值的置信区间。

其次，抽样分布理论可以用于假设检验。

在假设检验中，我们需要根据样本数据判断总体参数的真实值是否在某个范围内。

抽样分布理论提供了关于样本统计量的分布情况，从而帮助我们进行假设检验。

例如，通过样本均值的抽样分布，我们可以判断总体均值是否与某个假设值相等。

此外，抽样分布理论还可以用于确定样本容量。

在实际调查中，我们往往需要确定样本容量以达到一定的置信水平和抽样误差。

通过抽样分布理论，我们可以计算出所需的样本容量，从而保证统计结果的可靠性。

三、抽样分布理论与推断统计学的关系抽样分布理论是推断统计学的基础。

推断统计学是利用样本数据对总体参数进行推断的一种方法。

而抽样分布理论则提供了关于样本统计量的分布情况，为推断统计学提供了理论依据。

推断统计学的核心是利用样本数据来推断总体参数的真实值。

通过抽样分布理论，我们可以得到样本统计量的分布情况，从而对总体参数进行估计和推断。

三大抽样分布知识点一览抽样分布的概念抽样分布：从已知的总体中以一定的样本容量进行随机抽样，由样本的统计数所对应的概率分布称为抽样分布。

抽样分布是统计推断的理论基础。

如果从容量为N的有限总体抽样，若每次抽取容量为n的样本，那么一共可以得到N取n的组合个样本(所有可能的样本个数)。

抽样所得到的每一个样本可以计算一个平均数，全部可能的样本都被抽取后可以得到许多平均数。

如果将抽样所得到的所有可能的样本平均数集合起来便构成一个新的总体，平均数就成为这个新总体的变量。

由平均数构成的新总体的分布，称为平均数的抽样分布。

随机样本的任何一种统计数都可以是一个变量，这种变量的分布称为统计数的抽样分布。

三大抽样分布1. 卡方分布χ2(n)定义：若n个相互独立的随机变量ξ₁、ξ₂、……、ξn,均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布（chi-square distribution）。

2. t分布定义：设X1服从标准正态分布N(0,1)，X2服从自由度为n的χ2分布，且X1、X2相互独立，则称变量t=X1(X2/n)1/2所服从的分布为自由度为n的t分布。

3. F分布定义:设X1服从自由度为m的χ2分布，X2服从自由度为n的χ2分布，且X1、X2相互独立，则称变量F=(X1/m)/(X2/n)所服从的分布为F分布，其中第一自由度为m，第二自由度为n。

与正态分布一同构成数理统计中的四大分布。

由标准正态总体样本的适当组合构成的统计量形成数理统计中的其他三大基础分布。

所以，数理统计中总是以正态总体作为研究对象展开。

在数理统计中，"总体"、"抽样"、"样本"是三个基本概念,分位点是"小概率事件"发生的临界点，置信区间是参数估计和假设检验的核心计算问题。

第五章 样本及抽样分布从本章开始, 我们将讲述数理统计的基本内容. 数理统计作为一门学科诞生于19世纪末20世纪初, 是具有广泛应用的一个数学分支, 它以概率论为基础, 根据试验或观察得到的数据, 来研究随机现象, 以便对研究对象的客观规律性作出合理的估计和判断.由于大量随机现象必然呈现出它的规律性, 故理论上只要对随机现象进行足够多次观察, 则研究对象的规律性就一定能清楚地呈现出来, 但实际上人们常常无法对所研究的对象的全体(或总体) 进行观察, 而只能抽取其中的部分(或样本) 进行观察或试验以获得有限的数据.数理统计的任务包括: 怎样有效地收集、整理有限的数据资料; 怎样对所得的数据资料进行分析、研究, 从而对研究对象的性质、特点, 作出合理的推断, 此即所谓的统计推断问题, 本课程主要讲述统计推断的基本内容.第一节 数理统计的基本概念内容分布图示★ 引言 ★ 总体与总体分布 ★ 样本与样本分布 ★ 例1★ 例2 ★ 例3 ★ 例4★ 统计推断问题简述★ 分组数据统计表和频率直方图 ★ 例5 ★ 经验分布函数 ★ 例6★ 统计量 ★ 样本的数字特征★ 例7 ★ 例8 ★ 例9 ★ 内容小结 ★ 课堂练习 ★ 习题5-1 ★ 返回内容要点：一、总体与总体分布总体是具有一定共性的研究对象的全体, 其大小与范围随具体研究与考察的目的而确定. 例如, 考察某大学一年级新生的体重情况, 则该校一年级全体新生就构成了待研究的总体. 总体确定后, 我们称总体的每一个可观察值为个体. 如前述总体(一年级新生) 中的每一个个体即为每个新生的体重. 总体中所包含的个体的个数称为总体的容量. 容量为有限的称为有限总体, 容量为无限的称为无限总体.数理统计中所关心的并非每个个体的所有性质, 而仅仅是它的某一项或某几项数量指标. 如前述总体(一年级新生)中, 我们关心的是个体的体重, 进而也可考察该总体中每个个体的身高和数学高考成绩等数量指标.总体中的每一个个体是随机试验的一个观察值, 故它是某一随机变量X 的值,于是, 一个总体对应于一个随机变量X , 对总体的研究就相当于对一个随机变量X 的研究, X 的分布就称为总体的分布函数, 今后将不区分总体与相应的随机变量, 并引入如下定义:定义 统计学中称随机变量(或向量)X 为总体, 并把随机变量(或向量)的分布称为总体分布.注(i) 有时个体的特性很难用数量指标直接描述, 但总可以将其数量化,如检验某学校全体学生的血型, 试验的结果有O 型、A 型、B 型、AB 型4种, 若分别以1,2,3,4依次记这4种血型,则试验的结果就可以用数量来表示了;(ii) 总体的分布一般来说是未知的, 有时即使知道其分布的类型(如正态分布、二项分布等),但不知这些分布中所含的参数等(如p ,,2σμ等).数理统计的任务就是根据总体中部分个体的数据资料对总体的未知分布进行统计推断.二、样本与样本分布由于作为统计研究对象的总体分布一般来说是未知的,为推断总体分布及其各种特征,一般方法是按一定规则从总体中抽取若干个体进行观察,通过观察可得到关于总体X 的一组数值),,,(21n x x x Λ,其中每一i x 是从总体中抽取的某一个体的数量指标i X 的观察值.上述抽取过程为抽样,所抽取的部分个体称为样本.样本中所含个体数目称为样本的容量.为对总体进行合理的统计推断,我们还需在相同的条件下进行多次重复的、独立的抽样观察,故样本是一个随机变量(或向量).容量为n 的样本可视为n 维随机向量),,,(21n X X X Λ,一旦具体取定一组样本,便得到样本的一次具体的观察值),,,(21n x x x Λ,称其为样本值.全体样本值组成的集合称为样本空间.为了使抽取的样本能很好地反映总体的信息, 必须考虑抽样方法,最常用的一种抽样方法称为简单随机抽样, 它要求抽取的样本满足下面两个条件:1. 代表性: n X X X ,,,21Λ与所考察的总体具有相同的分布;2. 独立性: n X X X ,,,21Λ是相互独立的随机变量.由简单随机抽样得到的样本称为简单随机样本, 它可用与总体独立同分布的n 个相互独立的随机变量n X X X ,,,21Λ表示. 显然, 简单随机样本是一种非常理想化的样本, 在实际应用中要获得严格意义下的简单随机样本并不容易.对有限总体, 若采用有放回抽样就能得到简单随机样本,但有放回抽样使用起来不方便, 故实际操作中通常采用的是无放回抽样, 当所考察的总体很大时, 无放回抽样与有放回抽样的区别很小, 此时可近似把无放回抽所得到的样本看成是一个简单随机样本. 对无限总体, 因抽取一个个体不影响它的分布, 故采用无放回抽样即可得到的一个简单随机样本.注: 今后假定所考虑的样本均为简单随机样本, 简称为样本.设总体X 的分布函数为)(x F ,则简单随机样本),,,(21n X X X Λ的联合分布函数为∏==ni i n x F x x x F 121)(),,,(Λ并称其为样本分布.特别地, 若总体X 为连续型随机变量,其概率密度为)(x f ,则样本的概率密度为∏==ni i n x f x x x f 121)(),,,(Λ分别称)(x f 与),,,(21n x x x f Λ为总体密度与样本密度.若总体X 为离散型随机变量,其概率分布为}{)(i i x X P x p ==, x 取遍X 所有可能取值, 则样本的概率分布为,)(},,,{),,,(12121∏======ni i n n x p x X x X x X p x x x p ΛΛ分别称)(i x p 与),,,(21n x x x p Λ为离散总体密度与离散样本密度.三、统计推断问题简述总体和样本是数理统计中的两个基本概念. 样本来自总体，自然带有总体的信息，从而可以从这些信息出发去研究总体的某些特征（分布或分布中的参数）. 另一方面，由样本研究总体可以省时省力（特别是针对破坏性的抽样试验而言）. 我们称通过总体X 的一个样本n X X X ,,,21Λ对总体X 的分布进行推断的问题为统计推断问题.总体、样本、样本值的关系:总体↙ ↖推断（个体）样本 → 样本值抽样在实际应用中, 总体的分布一般是未知的, 或虽然知道总体分布所属的类型, 但其中包含着未知参数. 统计推断就是利用样本值对总体的分布类型、未知参数进行估计和推断.为对总体进行统计推断, 还需借助样本构造一些合适的统计量, 即样本的函数, 下面将对相关统计量进行深入的讨论.四、分组数据统计表和频数直方图 通过观察或试验得到的样本值，一般是杂乱无章的，需要进行整理才能从总体上呈现其统计规律性. 分组数据统计表或频率直方图是两种常用整理方法. 1. 分组数据表：若样本值较多时，可将其分成若干组，分组的区间长度一般取成相等, 称区间的长度为组距. 分组的组数应与样本容量相适应. 分组太少，则难以反映出分布的特征，若分组太多，则由于样本取值的随机性而使分布显得杂乱. 因此，分组时，确定分组数（或组距）应以突出分布的特征并冲淡样本的随机波动性为原则. 区间所含的样本值个数陈为该区间的组频数. 组频数与总的样本容量之比称为组频率.2. 频数直方图：频率直方图能直观地表示出频数的分布，其步骤如下： 设n x x x ,,,21Λ是样本的n 个观察值.(i) 求出n x x x ,,,21Λ中的最小者)1(x 和最大者)(n x ；(ii) 选取常数a （略小于)1(x ）和b （略大于)(n x ），并将区间],[b a 等分成m 个小区间（一般取m 使nm 在101左右）： mab t m i t t t i i -=∆=∆+,,,2,1),,[Λ, 一般情况下，小区间不包括右端点.(iii) 求出组频数i n ，组频率i i f nn ∆=，以及),,2,1(,n i tfh i i Λ=∆=(iv) 在),[t t t i i ∆+上以i h 为高，t ∆为宽作小矩形，其面积恰为i f ，所有小矩形合在一起就构成了频率直方图五、经验分布函数样本的直方图可以形象地描述总体的概率分布的大致形态，而经验分布函数则可以用来描述总体分布函数的大致形状。

统计学中的抽样分布理论统计学是一门深奥而又广泛应用的学科，其中抽样分布理论是其中一个重要支柱。

本文将从抽样、样本统计量和抽样分布三个方面进行论述，以便更好的理解其理论和应用。

一、抽样与样本统计量统计学的基本任务之一是推断总体特征。

但由于总体数据规模庞大，难以全面观察和分析，因此我们通常采用小样本的方式来代表总体。

这就是抽样的概念。

抽样是指从总体中随机抽取一部分数据，用这一部分数据代表总体，以此估计总体的特征。

常用的抽样包括简单随机抽样、分层抽样、整群抽样等。

在抽样中，一个样本统计量的重要性凸显出来，因为它可以帮助我们更好的估计总体的特征。

比如，一个数据集的均值和标准差就是两个重要的样本统计量。

二、抽样分布抽样分布是指在所有可能的样本中，某个样本统计量的分布情况。

这里需要区分参数（population）和统计量（sample statistic）之间的关系。

参数是总体参数，是我们想要研究的总体特征，比如总体均值、总体方差等。

统计量是在样本中计算出来的数值，比如样本均值、样本方差等。

样本统计量是对总体参数的估计，不同的样本统计量可能对总体参数的估计存在一定的差异。

抽样分布不同于总体分布。

总体分布是指总体中所有变量的分布，而抽样分布是指在所有可能的样本中，某个样本统计量的分布。

抽样分布是一个特殊的概率分布，其形状和参数取决于总体分布和样本大小。

这是因为在计算样本统计量时，会受到样本数量和样本变异的影响。

在实际使用中，我们通过抽样分布来推断总体参数。

具体方法是：首先，通过采样方法得到一个样本，计算该样本统计量的值。

然后，通过数学公式推算样本统计量的抽样分布，从而得到一个概率区间。

若该样本统计量恰好位于这个区间内，则认为该样本统计量的估计值与总体参数的差异可以用统计学上的概率来表示。

这个概率就是所谓的显著性水平（signicance level）。

三、中心极限定理中心极限定理是抽样分布理论中最为重要的定理之一。