抽样分布、参数估计和假设检验
参数估计与假设检验的区别和联系
参数估计与假设检验的区别和联系统计学方法包括统计描述和统计推断两种方法，其中，推断统计又包括参数估计和假设检验。
（一）参数估计就是用样本统计量去估计总体的参数，它的方法有点估计和区间估计两种。
点估计是用估计量的某个取值直接作为总体参数的估计值。
点估计的缺陷是没法给出估计的可靠性，也没法说出点估计值与总体参数真实值接近的程度。
区间估计是在点估计的基础上给出总体参数估计的一个估计区间，该区间通常是由样本统计量加减估计误差得到的。
在区间估计中，由样本估计量构造出的总体参数在一定置信水平下的估计区间称为置信区间。
统计学家在某种程度上确信这个区间会包含真正的总体参数。
在区间估计中置信度越高，置信区间越大。
置信水平为1-a, a为小概率事件或者不可能事件，常用的置信水平值为99%，95%，90%，对应的a为0.01, 0.05， 0.1。
置信区间是一个随机区间，它会因样本的不同而变化,而且不是所有的区间都包含总体参数。
一个总体参数的区间估计需要考虑总体分布是否正态分布，总体方差是否已知，用于估计的样本是大样本还是小样本等。
（1）来自正态总体的样本均值，不论抽取的是大样本还是小样本，均服从正态分布。
（2）总体不是正态分布，大样本的样本均值服从正态分布，小样本的服从t 分布。
（3）不论已判断是正态分布还是t 分布，如果总体方差未知，都按t 分布来处理。
（4）t 分布要比标准正态分布平坦，那么要比标准正态分布离散，随着自由度的增大越接近。
（5）样本均数服从的正态分布为N（u , a^2/n）远远小于原变量离散程度N (u, a^2) 。
（二）假设检验是推断统计的另一项重要内容，它与参数估计类似，但角度不同，参数估计是利用样本信息推断未知的总体参数，而假设检验则是先对总体参数提出一个假设，然后利用样本信息判断这一假设是否成立。
假设检验的基本思想：先提出假设，然后根据资料的特点，计算相应的统计量，来判断假设是否成立，如果成立的可能性是一个小概率的话，就拒绝该假设，因此称小概率的反证法。
概率论与数理统计
概率论与数理统计概率论与数理统计是现代数学中非常重要的分支之一，它们在自然科学、社会科学，以及工程技术等领域都有广泛的应用。
在生物学，物理学，化学等领域，常常需要采用概率论和数理统计的方法，来研究和分析现象。
这篇文章将要探讨概率论和数理统计的一些基本概念和方法，并介绍它们在现实生活中的应用。
一、概率论概率论是一门研究随机现象及其规律的数学学科。
它的基本思想是通过建立数学模型，来描述随机事件的概率分布及其规律。
随机事件指某一次试验中可能发生或不发生的事情，例如掷骰子、抛硬币、抽扑克牌等，这些事件的结果是随机的，因此需要采用概率论的方法来研究。
1.概率和概率分布概率是指某一事件发生的可能性，用一个数值来表示。
在概率论中，对于某一特定随机事件，概率的大小常常用P(A)来表示，其中A是这个事件。
例如，抛一枚硬币，正面朝上的概率是0.5，用数学语言可以表示为P(正面)=0.5，反面朝上的概率也是0.5，即P(反面)=0.5。
概率分布是指某个随机事件的各种结果的概率分布情况。
在一次试验中，随机事件可能会有多个结果，即样本空间。
概率分布用来描述每个结果的概率大小。
例如，抛一枚硬币的样本空间是{正面，反面}，正面和反面各占1/2的概率。
2.条件概率和独立事件条件概率是指在已知某个事件发生的情况下，某个随机事件会发生的概率。
条件概率的计算方法一般采用贝叶斯公式，例如给定事件A，以及事件B，P(A|B)表示在B发生的情况下，A 发生的概率，则条件概率可以表示为：P(A|B) = P(AB)/P(B)其中AB表示事件A和事件B同时发生的概率，P(B)表示事件B发生的概率。
独立事件是指某个随机事件的发生不会对另一个随机事件的发生产生影响。
如果事件A、B是独立事件，则可以表示为P(A|B) = P(A)，P(B|A) = P(B)，即A和B的概率相互独立，并不受对方的影响。
3.期望值和方差期望值是统计学中一个非常重要的概念，用来描述一个随机变量的总体平均数。
参数的假设检验抽样分布、参数估计、假设检验(回归分析)
z = -3.162 < 1.64 接受原假设
5% 1.64
假设检验的基本原理
2）相伴概率 P 检验统计量观察值以及所有所有比
它更为极端的可能值出现的概率之和 双侧检验：
P = P(Z < -3.162) + P(Z > 3.162) = 0.002
左侧检验：P = P(Z < -3.162) = 0.001
1
t分布两尾 概率分位点
P(x t / 2sx x t / 2sx ) 1
参数估计 - 区间估计
正态总体方差的区间估计
(n 1)s2
2
~
2 (n 1)
2分布上尾 概率分位点
P(12
2
(n 1)s2
2
2
2)
1
P(
(n 1)s2
12 2
2
(n 1)s
2 2
2
)
1
参数估计 - 区间估计
n
Z x ~ N(0,1) 2 n
中心极限定理
➢ 无论样本所来自的总体是否服从正态分布， 只要样本足够大，样本平均数就近似服从正 态分布，样本越大，近似程度越好。
➢所需的样本含量随原总体的分布而异，但只 要样本含量 30，无论原总体是何分布，都 足以满足近似的要求。
➢设原总体的期望为，方差为 2，则样本平 均数的期望为，方差为 2 /n。
统计推断概述
抽样分布 参数估计简介 假设检验的基本原理
抽样分布的概念
样本统计量的概率分布称为抽样分布（sampling distribution）
样本是通过对总体的随机抽样获得的 样本统计量是随机变量，有一定的概率分布
简单随机样本
概率与统计中的抽样分布与假设检验
概率与统计中的抽样分布与假设检验概率与统计是一门研究随机事件及其规律的学科，其中抽样分布与假设检验是概率与统计学中至关重要的概念。
本文将介绍抽样分布的概念及其重要性，并探讨假设检验的原理和应用。
一、抽样分布在统计学中，抽样是指从总体中选取一部分样本进行观察和测量，通过对样本的分析和推断，得出对总体特征的结论。
而抽样分布则是在多次抽取样本的基础上得到的一组统计量的概率分布。
抽样分布的重要性在于它为统计推断提供了理论基础。
根据中心极限定理，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。
这意味着通过对样本数据的分析，我们可以对总体特征进行合理的推断和估计。
二、假设检验假设检验是概率与统计学中常用的分析方法，用于检验关于总体参数的某种假设。
它基于样本数据，通过比较样本统计量与假设值之间的差异，来判断是否拒绝或接受某个假设。
假设检验的基本步骤包括：1. 建立原假设（H0）和备择假设（H1）：原假设通常是关于总体特征的某种陈述，而备择假设则是与原假设相对立的假设。
2. 选择适当的检验统计量：根据具体问题选择合适的统计量进行计算和分析。
3. 确定显著性水平（α）：显著性水平是进行假设检验时预先设定的一个界限，用来判断是否拒绝原假设。
通常将显著性水平设定为0.05或0.01。
4. 计算检验统计量的观察值：通过对样本数据进行计算，得到实际的检验统计量的值。
5. 判断检验统计量的观察值是否落在拒绝域内：拒绝域是指在显著性水平下，根据分布函数得到的一组临界值。
如果观察值落在拒绝域内，则拒绝原假设；否则，接受原假设。
6. 得出结论：根据判断结果，对于原假设的合理性进行结论。
假设检验在实际问题中有着广泛的应用。
例如，在医学研究中，可以使用假设检验来判断新药物是否对疾病有显著疗效；在工商管理中，可以使用假设检验来判断某种市场策略是否能够提高销售业绩。
总结：概率与统计中的抽样分布与假设检验是概率与统计学的重要概念。
参数估计和假设检验
参数估计和假设检验1.参数估计参数估计是指通过样本数据来推断总体参数的过程。
总体参数是指总体的其中一种性质，比如总体均值、总体方差等。
样本数据是从总体中随机抽取的一部分数据，用来代表总体。
参数估计的目标是使用样本数据来估计总体参数的值。
常见的参数估计方法有点估计和区间估计。
（1）点估计点估计是通过一个统计量来估计总体参数的值。
常见的点估计方法有样本均值、样本方差等。
点估计的特点是简单、直观，但是估计值通常是不准确的。
这是因为样本的随机性导致样本统计量有一定的误差。
因此，点估计通常会伴随着误差界限，即估计值的置信区间。
（2）区间估计区间估计是通过一个统计量构建总体参数的估计区间。
常见的区间估计方法有置信区间和可信区间。
置信区间是指当重复抽样时，包含真实总体参数的概率。
置信区间的计算方法是在样本统计量的基础上，加减一个合适的误差界限，得到一个估计区间。
可信区间是指在一次抽样中，包含真实总体参数的概率。
可信区间的计算方法同样是在样本统计量的基础上，加减一个合适的误差界限，得到一个估计区间。
参数估计的应用非常广泛，可以用于各个领域的数据分析和决策。
例如，经济学家可以通过样本数据估计失业率，政治学家可以通过样本数据估计选举结果，医学研究者可以通过样本数据估计药物的疗效等。
2.假设检验假设检验是指通过样本数据来判断总体参数的其中一种假设是否成立。
在假设检验中，我们先提出一个原假设（H0），然后使用样本数据来检验该假设的合理性。
在假设检验中，我们需要确定一个统计量，该统计量在原假设成立时，其分布是已知的。
然后，我们计算该统计量在样本数据下的取值，并通过比较该取值与已知分布的临界值，来判断原假设是否成立。
假设检验包含两种错误，即第一类错误和第二类错误。
第一类错误是指在原假设成立的情况下，拒绝原假设的错误概率。
第二类错误是指在原假设不成立的情况下，接受原假设的错误概率。
常见的假设检验方法有单样本假设检验、双样本假设检验、方差分析等。
统计学原理教案中的抽样与抽样分布揭示学生如何进行抽样和利用抽样分布进行推断
统计学原理教案中的抽样与抽样分布揭示学生如何进行抽样和利用抽样分布进行推断统计学是一门研究收集、分析和解释数据的学科，而抽样和抽样分布则是统计学中至关重要的概念。
本文将探讨统计学原理教案中的抽样和抽样分布，以揭示学生如何进行抽样和利用抽样分布进行推断。
首先，我们来理解抽样的概念。
在统计学中，抽样是指从总体中选择一部分个体进行观察和研究。
总体是指我们感兴趣的整体，而样本则是从总体中选取的一部分个体。
通过抽样，我们可以通过研究样本来推断总体的特征，这是由于抽样的随机性能够保证样本与总体的代表性。
接下来，让我们了解抽样的方法。
常见的抽样方法包括简单随机抽样、系统抽样、分层抽样和整群抽样等。
每种抽样方法都有其特点和适用范围。
简单随机抽样是一种随机选择样本的方法，每个个体被选择的概率相同。
系统抽样是按照一定的规律选择样本，例如每隔一定数量选择一个个体。
分层抽样是将总体分成若干层次，然后从每个层次中抽取样本。
整群抽样则是将总体分成若干群体，然后随机选择一些群体并全面调查其中的个体。
选择合适的抽样方法可以更好地保证样本的代表性和可靠性。
抽样之后，我们需要了解抽样分布的概念。
在统计学中，抽样分布是指根据大量抽样的结果所得到的分布。
常见的抽样分布包括正态分布、t分布和F分布等。
其中，正态分布是抽样分布的重要特例，它在许多情况下都可以作为近似的抽样分布来使用。
t分布则用于小样本情况下的推断，它相比于正态分布更为宽阔且更适用于样本数据较少的情况。
F分布常用于分析方差比较和回归模型中的显著性分析。
抽样分布的重要性在于它可以帮助我们进行推断。
根据抽样分布的性质，我们可以利用统计推断方法进行参数估计和假设检验。
参数估计是根据样本的统计量来估计总体的参数值，例如通过样本均值估计总体均值。
假设检验是用来判断总体参数是否在某个范围内或是否相等的统计方法。
通过抽样分布的理论知识，我们可以进行参数估计和假设检验，并对总体进行推断。
在统计学原理教案中，抽样和抽样分布是学生学习的重点内容。
参数估计和假设检验
参数估计和假设检验参数估计和假设检验是统计学中常用的两种方法，用于根据样本数据对总体的特征进行推断和判断。
参数估计是通过样本数据估计总体参数值的方法，而假设检验则是基于样本数据对总体参数假设进行判断的方法。
下面将详细介绍这两种方法以及它们的应用。
1.参数估计参数是指总体特征的度量，比如总体均值、总体方差等。
在实际应用中，我们往往无法得到总体数据，只能通过抽样得到样本数据。
参数估计的目标是利用样本数据去估计总体参数的值。
最常用的参数估计方法是点估计和区间估计：-点估计是使用样本统计量来估计总体参数的值，常用的样本统计量有样本均值、样本方差等。
-区间估计是利用样本数据构建一个置信区间，用来估计总体参数的取值范围。
置信区间的计算方法通常是基于样本统计量的分布进行计算。
在进行参数估计时，需要注意以下几个要点：-选择适当的样本容量和抽样方法，确保样本具有代表性，并满足参数估计的要求。
-选择适当的样本统计量进行参数估计，并对其进行合理的解释与限制。
-利用抽样分布特性和统计理论，计算参数估计的标准误差和置信区间，对参数估计结果进行解释和判断。
2.假设检验假设检验是基于样本数据对总体参数假设进行判断的方法。
在实际问题中，我们常常需要根据样本数据来判断一些总体参数是否达到一些要求或存在其中一种关系。
假设检验的基本步骤：-建立原假设（H0）和备择假设（H1）。
原假设通常是对总体参数取值的一种假设，备择假设则是原假设的对立假设。
-选择适当的统计量用来检验假设，并计算样本统计量的检验统计量。
-根据样本数据计算得出的检验统计量，利用抽样分布特性和统计理论计算P值。
-根据P值与事先设置的显著性水平进行比较，如果P值小于显著性水平，则拒绝原假设；反之，接受原假设。
在进行假设检验时，需要注意以下几个要点：-显著性水平的选择：显著性水平（α）是进行假设检验过程中设置的一个临界值，它反映了能够容忍的错误发生的概率。
常用的显著性水平有0.05和0.01-选择适当的统计量与检验方法：根据问题的性质和数据类型选择适当的统计量和检验方法。
参数估计与假设检验的关系
1-2
！
参数估计与假设检验的区别
2、区间估计通常求得的是以样本估计值为中心的双侧置 信区间。 假设检验不仅有双侧检验也有单侧检验。 3、区间估计立足于大概率1-α，通常以较大的把握程度( 可信度)1-α去估 计总体参数的置信区间。 假设检验是立 足于小概率α ，通常以很小的显著水平去检验对总体参数 的先验假设是否成立。
双侧检验！
1-7
！
用置信区间进行检验
(例题分析)
H0: = 1000
置信区间为
H1: 1000
= 0.05
n = 49
临界值(s):
拒绝 H0
拒绝 H0
.025
.025
-1.96 0 1.96 Z
x z 2
n
,
x
z
2
n
9911.96
50 ,991 1.96 16
50 16
966.5,1015.5
3. 右侧检验：求出单边置信上限
X z
n
或X
t
S n
4. 若总体的假设值0大于单边置信上限，拒绝H0
1-6
！
用置信区间进行检验
(例题分析)
【例】一种袋装食品每包的标准重量应为
1000克。现从生产的一批产品中随机抽取16 袋，测得其平均重量为991克。已知这种产 品重量服从标准差为50克的正态分布。试确 定这批产品的包装重量是否合格？( = 0.05)
参数估计与假设检验的区别
1、参数估计是根据样本资料估计总体参数的真值，假设检验是根 据样本资料来检验对总体参数的先验假设是否成立。 例如，通过 随机抽取的样本对某地区居民的平均收入进行推断：
参数估计：要求以一定的概率估计总体平均收入 假设检验：要求以一定的概率判断总体平均收入是否达到某
(完整版)统计学贾俊平考研知识点总结
统计学重点笔记第一章导论一、比较描述统计和推断统计：数据分析是通过统计方法研究数据，其所用的方法可分为描述统计和推断统计。
（1）描述性统计：研究一组数据的组织、整理和描述的统计学分支，是社会科学实证研究中最常用的方法，也是统计分析中必不可少的一步。
内容包括取得研究所需要的数据、用图表形式对数据进行加工处理和显示，进而通过综合、概括与分析，得出反映所研究现象的一般性特征。
（2）推断统计学：是研究如何利用样本数据对总体的数量特征进行推断的统计学分支。
研究者所关心的是总体的某些特征，但许多总体太大，无法对每个个体进行测量，有时我们得到的数据往往需要破坏性试验，这就需要抽取部分个体即样本进行测量，然后根据样本数据对所研究的总体特征进行推断，这就是推断统计所要解决的问题。
其内容包括抽样分布理论，参数估计，假设检验，方差分析，回归分析，时间序列分析等等。
（3）两者的关系：描述统计是基础，推断统计是主体二、比较分类数据、顺序数据和数值型数据：根据所采用的计量尺度不同，可以将统计数据分为分类数据、顺序数据和数值型数据。
（1）分类数据是只能归于某一类别的非数字型数据。
它是对事物进行分类的结果，数据表现为类别，是用文字来表达的，它是由分类尺度计量形成的。
（2）顺序数量是只能归于某一有序类别的非数字型数据。
也是对事物进行分类的结果，但这些类别是有顺序的，它是由顺序尺度计量形成的。
（3）数值型数据是按数字尺度测量的观察值。
其结果表现为具体的数值，现实中我们所处理的大多数都是数值型数据。
总之，分类数据和顺序数据说明的是事物的本质特征，通常是用文字来表达的，其结果均表现为类别，因而也统称为定型数据或品质数据；数值型数据说明的是现象的数量特征，通常是用数值来表现的，因此可称为定量数据或数量数据。
三、比较总体、样本、参数、统计量和变量：（1）总体是包含所研究的全部个体的集合。
通常是我们所关心的一些个体组成，如由多个企业所构成的集合，多个居民户所构成的集合。
matlab概率论部分数学实验指导书
1.9
0.8
1.1
0.1
0.1
4.4 5.5 1.6 4.6 3.4
0.7 -1.6 -0.2 -1.2 -0.1 3.4 3.7 0.8 0.0 2.0
试就下列两种情况分析这两种药物的疗效有无显示性的差异。 （ α = 0.05 ） 。 ① X 与 Y 的方差相同；② X 与 Y 的方差不同。 （7） 、 已知某一试验， 其温度服从正态分布， 现在测量了温度的五个值为： 1250， 1265，1245，1260，1275。问是否可以认为 µ = 1277 （8） 、其它教材上的题目或自己感兴趣的题目。 （ α = 0.05 ） 。 ？
A =[16 25 19 20 25 33 24 23 20 24 25 17 15 21 22 26 15 23 22
20 14 16 11 14 28 18 13 27 31 25 24 16 19 23 26 17 14 30 21 18 16 18 19 20 22 19 22 18 26 26 13 21 13 11 19 23 18 24 28 13 11 25 15 17 18 22 16 13 12 13 11 09 15 18 21 15 12 17 13 14 12 16 10 08 23 18 11 16 28 13 21 22 12 08 15 21 18 16 16
实验四、样本的统计与计算 实验目的： 熟练使用 matlab 对样本进行基本统计，包括样本的位置统计、分散性统计、样 本中心矩、分布的形状统计。求样本均值、中位数、样本方差，偏度、峰度、 样本分位数和其它数字特征，并能做出频率直方图和经验分布函数。 实验内容： 来自总体的样本观察值如下，计算样本的样本均值、中位数、样本方差、极差, 偏度、峰度、画出频率直方图，经验分布函数图。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
抽样分布一、抽样分布的理论及定理 （一） 抽样分布抽样分布是统计推断的基础，它是指从总体中随机抽取容量为n 的若干个样本，对每一样本可计算其k 统计量，而k 个统计量构成的分布即为抽样分布，也称统计量分布或随机变量函数分布。
（二） 中心极限定理中心极限定理是用极限的方法所求的随机变量分布的一系列定理，其内容主要反映在三个方面。
1．如果总体呈正态分布，则从总体中抽取容量为n 的一切可能样本时，其样本均数的分布也呈正态分布；无论总体是否服从正态分布，只要样本容量足够大，样本均数的分布也接近正态分布。
2．从总体中抽取容量为n 的一切可能样本时，所有样本均数的均数（X μ）等于总体均数（μ）即μμ=X3．从总体中抽取容量为n 的一切可能样本时，所有样本均数的标准差（X σ）等于总体标准差除以样本容量的算数平方根，即n X σσ=中心极限定理在统计学中是相当重要的。
因为许多问题都使用正态曲线的方法。
这个定理适于无限总体的抽样，同样也适于有限总体的抽样。
中心极限定理不仅给出了样本均数抽样分布的正态性依据，使得大多数数据分布都能运用正态分布的理论进行分析，而且还给出了推断统计中两个重要参数（即样本均数X μ与样本标准差X σ）的计算方法。
（三）抽样分布中的几个重要概念1．随机样本。
统计学是以概率论为其理论和方法的科学，概率又是研究随机现象的，因此进行统计推断所使用的样本必须为随机样本（random sample ）。
所谓随机样本是指按照概率的规律抽取的样本，2．抽样误差。
从总体中抽取容量为n 的k 个样本时，样本统计量与总体参数之间总会存在一定的差距，而这种差距是由于抽样的随机性所引起的样本统计量与总体参数之间的不同，称为抽样误差。
3．标准误。
样本统计量分布的标准差或某统计量在抽样分布上的标准差，符号SE 或Xσ表示。
根据中心极限定理其标准差为n X σσ=正如标准差越小，数据分布越集中，平均数的代表性越好。
同理，在推断统计中，标准误越小，说明样本统计量与总体参数的之间越接近，即样本对总体的代表性越好，这时用样本统计量去推断总体就越可靠、越准确；相反，标准误越大，说明样本统计量与总体参数之间的差距越大，即样本对总体的代表性越差，这时用样本统计量去推断总体就越不可靠、越不准确。
所以说标准误是进行统计推断可靠性高低的指标。
4．自由度。
一群数据或观测值可以独立自由变动的数目称为自由度，用符号df 或n '表示。
在N XX ∑=中， N df =。
在计算方差或标准差时，因受()∑=-0X X 的限制，1-=N df ，即有方差()122--=∑N X X S 。
二、常用抽样分布在心理与教育统计中，常用的抽样分布有正态分布、渐近正态分布、t 分布、F 分布、q 分布和2χ分布等等。
（一） 正态分布及渐近正态分布当统计量的分布符合正态分布或渐近正态分布时，进行统计推论的理论依据即为正态分布的理论。
以样本平均数为例，正态分布的应用情形如下。
1．总体呈正态，总体方差2σ已知，则样本均数的分布也呈正态。
根据中心极限定理则有① 样本均数的均数等于总体均数，即μμ=X② 样本均数的标准差等于总体标准差除以样本容量的平方根，即n X σσ=③ 差异检验值为X SE X Z μ-=2．总体呈非正态，总体方差2σ已知，样本容量n 足够大，样本均数的分布为渐近正态分布。
根据中心极限定理，亦有① 样本均数的均数等于总体均数：μμ=X② 样本均数的标准差等于总体标准差除以样本容量的平方根。
n X σσ=③ 检验值X SE X Z μ-=（二）t 分布 1．t 分布的定义t 分布是由小样本统计量形成的概率分布。
2．t 分布的特点① t 分布也是对称分布。
即平均数位于曲线的中央，在这一点上有一个单峰，从中央向两侧逐渐下降，尾部无限延长，但不与基线相交。
② t 分布曲线的形状易变，曲线不是一条而是一族，其曲线形状随着样本容量的变化而有规律地变动，即随自由度的大小而变化。
③ 理论上，当n →∞时，t 分布曲线以标准正态曲线为极限，即呈正态分布。
当n 逐渐减少时，分布的离散程度逐渐增大，曲线逐渐与标准正态分离；其峰顶逐渐下降，尾部抬高。
如图7-13所示④ t 分布的t 值及对应的概率值（p ）是根据自由度的大小由理论模型推导出来的，构成t 分布临界值，表见附表4。
3．t 分布的应用未知，且n＜30时，样本平均数的分布呈t分布。
1）总体正态，2t 分布的标准误为1-=n S SE n X 或n S SE n X 1-=因为总体标准差σ未知，只能以样本标准差n S 来代替。
而样本标准差n S 与总体标准差σ的差距较大，统计学家发现总体标准差的良好无偏估计量为1-n S ，即()121--=∑-N X X S n所以用1-n S 代替σ则有上式 。
t 分布的检验值为X SE X t μ-=2）总体呈非正态，2σ未知，n ＞30时，则样本均数的分布呈t 分布或渐近正态分布，其①样本均数的标准误为1-=n S SE n X 或n S SE n X 1-=检验值为X SE X t μ-=或X SE X Z μ-=此外，当2σ未知时，两个样本均数之差（21X X -）的分布、相关系数的分布、回归系数的分布等也服从近似正态分布。
参数估计第一节 统计推断的有关问题一、 什么是推断统计推断统计就是指由样本资料去推测相应总体情况的理论与方法。
也就是由部分推全体， 由已知推未知的过程。
推断统计根据推测的性质不同而分为参数估计和假设检验两方面。
参数估计是用样本去估计相应总体的状况，其具体方法有点估计和区间估计。
假设检验的主要用途是对出现差异的两个或多个现象或事物进行真实性情况的检验，又称统计检验。
它又为参数检验和非参数检验。
参数检验法在检验时对总体分布和总体参数（μ，2σ）有所要求，而非参数检验法在检验时则不依赖于总体的分布形态和总体参数的情况。
二、统计推断的基本问题进行统计推断时应首先考虑以下三个方面的问题。
一是关于统计推断的基本前提。
统计推断的前提是随机抽样。
进行统计推断时，首先要了解抽样的方式，是随机抽取的，还是人为抽取的。
二是样本的规模与样本的代表性。
抽样研究需要有一定的样本规模，而样本要具有代表性也需要有一定的样本规模来保证，以减少抽样误差。
值得注意的样本规模和样本代表性是建立在随机抽样基础之上的，否则即使样本再大也是无意义的。
三是统计推断的错误要有一定限度。
统计推断是在特定的时间、空间和条件下得出的结论，加上抽样误差的影响，在用样本推测总体时总会犯一定的错误。
但这种错误要有一定的限度，统计推断中允许犯错误的限度是用小概率事件来表示。
第二节 参数估计的原理一、参数估计的定义所谓参数估计就是根据样本统计量去估计相应总体的参数。
二、参数估计的方法（一）点估计点估计是在参数估计中直接以样本的统计量（数轴上的一个点）作为总体参数的估计值。
良好点估计的统计量必须具备一定的前提条件。
1．无偏性无偏性要求在用各个样本的统计量作为估计值时，其偏差为0，即()0=-∑μX2．一致性总体参数的估计量随样本容量的无限增大，应当能越来越接近它所估计的总体参数。
此3．有效性当总体参数的无偏估计量不止一个统计量时,则要分析无偏估计量的变异大小的情况。
无偏估计量变异性小的,有效性较高；无偏估计量变异性大的，则有效性较低。
用统计量——样本均数作为总体参数μ的估计值是最佳选择。
4．充分性充分性是指一个容量为n 的样本统计量是否充分地反映了全部n 个数所反映的总体信息。
（二）区间估计区间估计是以一个统计量的区间来估计相应的总体，它要求按照一定的概率要求,根据样本统计量来估计总体参数可能落入的数值范围。
区间估计是用两个数之间的距离或数轴上的一段距离来表示未知参数可能落入的范围。
1．区间估计的标准误()n SE X X σσ=2．置信区间、置信系数和置信限 在X σμ96.1±中有三个重要概念，置信区间、置信系数和置信限。
置信区间是指在特定的可靠性（即置信系数）要求下，估计总体参数所落的区间范围，亦即进行估计的全距。
以样本均数（X ）为例，在估计总体均数（μ）时，其置信区间为X X σ96.1-＜μ＜X X σ96.1+ X X σ58.2-＜μ＜X X σ58.2+置信系数是指被估计的总体参数落在置信区间内的概率D ，或以α-1表示。
又叫置信水平、置信度、可靠性系数和置信概率。
置信系数是用来说明置信区间可靠程度的概率，也是进行正确估计的概率。
一个置信系数同时反映了在做出一个估计时所犯错误的小概率（α），即可靠性为95%时，意味着犯错误的概率为5%；可靠性为99%时，意味着犯错误的概率为1%。
置信限是被估计的总体参数所落区间的上、下界限，即X X σ96.1-＜μ＜X X σ96.1+置信下限 置信上限例8-1：某次测验中有10个正误判断题，试问在置信系数为0.95时，能猜对多少道题？ 根据二项分布的平均数与标准差公式，有52110=⨯==np X58.1212110=⨯⨯==npq X σ8~23558.196.15=⨯=⨯±=μ 3．置信区间与置信系数的关系在进行参数估计时，一般人首先想到的是选用一个较高的置信系数，以为这样就会得到一个精确度很高的估计值。
然而，实际情况并非如此，一个较高的置信系数并不意味着有一个较精确的估计。
事实上高的置信系数会造成置信区间的扩大，而一种跨距很大的区间本身又会降低估计精确性，结果只能给我们一个非常模糊的估计数。
如例8-1，=D 0.95时,=μ2～8；=D 0.99时，=μ1～9。
因此置信系数和置信区间在估计时应综合考虑。
当置信区间过于宽大时，即使估计达到了99%的置信系数，其估计结果可能很少有真实的价值；相反，置信区间过于狭窄，其估计与一个低水平的置信系数相联，估计结果的真实价值也值得怀疑。
一般来说，最佳的估计既要求置信区间适度，又要求置信系数较高。
第三节 总体均数的估计一、均数估计的标准误（一）标准误的定义式——2σ已知 当总体σ2已知时，根据中心极限定理三有()nSE X X σσ=()nn X ∑-=2μ其区间估计公式为X X σμ96.1±= X X σμ58.2±=（二）标准误的近似式——2σ未知1-=n S SE X二、总体均数的估计方法（一）正态估计法，σ2已知一是总体呈正态时，不论样本容量的大小，样本均数的分布都呈正态分布。
二是总体呈非正态时，只要样本容量大于30，样本均数的分布呈近似正态分布。
例8-2：已知某总体为正态分布，其总体标准差为10。
现从这个总体中随机抽取n 1=20，n 2=30的两个样本，其平均数分别80和82。
试问总体参数μ在0.95和0.99的置信区间是多少。