样本统计量与总体的关系，抽样分布的概念性质

本文对抽样分布的概念、无偏差和最小偏差等性质，以及中心极限定理和样本比例的抽样分布进行总结。

2 抽样分布基本概念

参数（parameter）：参数是对总体的数值描述，因为是总体，所以值经常是未知的。
样本统计量（sample statistics）：样本的数值描述，利用样本计算而来。

常见的参数和样本统计量如下表所示。

	总体参数	样本统计量
均值	$\mu$	$\bar{x}$
中位数	$\eta$	$m$
方差	$\sigma^2$	$s^2$
标注差	$\sigma$	$s$
二项比率	$p$	$\hat{p}$

抽样分布(sampling distribution):统计量的概率分布，根据n个测量值的样本计算得到。

2 抽样分布的性质

性质一：无偏性

无偏估计（unbisaed estimate)：样本统计量的抽样分布均值和要估计的总体参数相等，就认为这个统计量是参数的无偏估计。
有偏估计（biased estimate）：抽样分布的均值和要顾及的参数不相等，就认为这个统计量是参数的有偏估计。

性质二：最小方差

如果两组统计量的抽样分部都无偏，我们更加倾向选择标注差最小的，抽样分部的标准差也被成为统计量的标准误（standard error of the statistic）。

3 样本均值的抽样分布和中心极限定理

3.1 $\bar{x}$的抽样分部的性质：

$\bar{x}$的抽样分布的性质：
1.抽样分部的均值等于抽样总体的均值，即$\mu_\bar{x}=E(\bar{x})=\mu$。
2.抽样分部的标准差等于：
$\frac{抽样总体的标注差}{样本量的平方根}，即\sigma_\bar{x}=\frac{\sigma}{\sqrt{n}}$。（标准差$\sigma_\bar{x}$一般被称为均值的标准误（standard error of the mean）。
3.正态分布的抽样分布：如果从一个服从正态分布的总体中选取一个有n个观测值的随机样本，那么$\bar{x}$的抽样分布也是一个正态分布。

3.2 中心极限定理

从一个均值为 $\mu$ 、标准差为$\sigma$的总体中选取一个有$n$个观测值的随机样本。那么当$n$足够大时，$\bar{x}$的抽样分布将近似服从均值$\mu_\bar{x}=\mu$ 、标准差$\sigma_\bar{x}=\sigma/\sqrt{n}$的正态分布。并且样本量越大，对$\bar{x}$ 的抽样分布的正太近似越好。

4 样本比例的抽样分布

和样本均值是总体均值的良好估计一样，样本比例（记为$\hat{p}$），是总体比例$p$的良好估计。和样本均值的抽样分布有着类似的性质。

$\hat{p}$的抽样分布性质：
1. 抽样分布的均值等于二项比例$p$，也就是$E(\hat{p})=p$。因此，$\hat{p}是p$的无偏估计。
2. 抽样分布的标准差等于$\sqrt{p(1-p)/n}$，即$\sigma_\hat{p}=\sqrt{p(1-p)/n}$。
对于大样本，抽样分布近似于正太。