{
  "id": "sampling-distribution",
  "title": "抽样分布",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "在指定抽样过程下反复抽取样本时，统计量所服从的概率分布。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "统计量的抽样分布"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/sampling-distribution/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/sampling-distribution/",
      "json": "https://aiwiki.page/en/sampling-distribution.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "抽样分布是指在指定抽样过程下抽取随机样本，并由这些样本计算出的统计量所服从的概率分布。它描述样本均值、样本比例或估计系数等量如何随样本而变化。在统计学中，抽样分布将观测数据与总体特征联系起来，为量化估计和检验中的不确定性提供基础。它关注的是统计量在各种可能样本中的表现，而不是单个样本内各观测值的分布。(online.stat.psu.edu)"
    },
    {
      "heading": "定义与解释",
      "text": "设 \\(X_1,\\ldots,X_n\\) 表示抽样得到的观测值，并令\n\n\\[T=g(X_1,\\ldots,X_n)\\]\n\n为一个统计量，即不含未知参数的样本函数。由于其输入是随机的，\\(T\\) 是一个随机变量。它的抽样分布为其可能取值赋予概率。当 \\(T\\) 用于估计总体参数时，它就是一个估计量；根据某个实际观测样本计算出的数值则称为估计值。(stat.berkeley.edu)\n\n必须区分三种分布。总体分布描述总体中各个体取值的分布。经验分布描述实际观测样本中各取值的分布。抽样分布描述统计量在各种可能样本中的分布。重复抽样是一种概念上的设想：即使只收集了一个样本，抽样分布在数学上依然存在。由大量模拟样本计算出的统计量所绘制的直方图，是对该分布的近似，而不是该分布的定义。(online.stat.psu.edu)\n\n抽样分布取决于总体模型、样本量、统计量和抽样设计。即使是同一个统计量，有放回抽样、无放回抽样以及更复杂的抽样程序也可能产生不同的分布。(stat.berkeley.edu)"
    },
    {
      "heading": "中心、变异性与估计",
      "text": "估计量抽样分布的中心通常用其期望值衡量。对于参数 \\(\\theta\\) 的估计量 \\(\\hat\\theta\\)，其偏差为\n\n\\[\\operatorname{Bias}(\\hat\\theta)=E(\\hat\\theta)-\\theta.\\]\n\n无偏估计量的抽样分布具有与目标参数相等的期望值；这并不意味着每次得到的估计值都等于该参数。(stat.berkeley.edu)\n\n估计量的方差衡量其在重复抽样中的离散程度。抽样分布的标准差称为标准误：\n\n\\[\\operatorname{SE}(\\hat\\theta) =\\sqrt{\\operatorname{Var}(\\hat\\theta)}.\\]\n\n标准误描述统计量的不确定性，而各观测值的标准差描述原始数据的变异性。在实践中，标准误本身往往也需要根据样本进行估计。(online.stat.psu.edu)"
    },
    {
      "heading": "均值的抽样分布",
      "text": "假设 \\(X_1,\\ldots,X_n\\) 是同分布且满足统计独立性的观测值，其均值为 \\(\\mu\\)，有限方差为 \\(\\sigma^2\\)。它们的样本均值为\n\n\\[\\bar X=\\frac{1}{n}\\sum_{i=1}^{n}X_i.\\]\n\n其期望和方差分别为\n\n\\[E(\\bar X)=\\mu,\\qquad \\operatorname{Var}(\\bar X)=\\frac{\\sigma^2}{n},\\]\n\n因此，其标准误为 \\(\\sigma/\\sqrt n\\)。在这些假设下，将样本量增至原来的四倍，会使标准误减半。如果总体服从正态分布，那么对于任何正整数样本量，都精确地有\n\n\\[\\bar X\\sim N(\\mu,\\sigma^2/n).\\]\n\n(online.stat.psu.edu)\n\n对于从容量为 \\(N\\) 的有限总体中进行的无放回简单随机抽样，观测值之间并不独立。如果总体方差的定义以 \\(N\\) 为分母，则样本均值的方差为\n\n\\[\\operatorname{Var}(\\bar X) =\\frac{\\sigma^2}{n}\\frac{N-n}{N-1}.\\]\n\n其中的附加因子反映了样本逐渐接近整个总体时不确定性的减小；普查不存在抽样变异性。(stat.berkeley.edu)"
    },
    {
      "heading": "精确分布与近似分布",
      "text": "中心极限定理指出，对于独立同分布且方差有限并为正的观测值，\n\n\\[\\frac{\\sqrt n(\\bar X-\\mu)}{\\sigma} \\xrightarrow{d}N(0,1).\\]\n\n因此，随着 \\(n\\) 增大，采用正态分布近似样本均值的分布会逐渐变得适宜。该定理针对的是标准化后的均值，而不是原始观测值。不存在能够普遍保证近似准确的样本量阈值：高度偏斜的总体可能需要大得多的样本。(online.stat.psu.edu)\n\n对于相互独立、服从成功概率为 \\(p\\) 的伯努利分布的二元观测值，成功次数 \\(K\\) 服从二项分布。因此，样本比例 \\(\\hat p=K/n\\) 具有精确的离散抽样分布，且\n\n\\[E(\\hat p)=p,\\qquad \\operatorname{SE}(\\hat p)=\\sqrt{\\frac{p(1-p)}{n}}.\\]\n\n当预期成功次数和预期失败次数都足够大时，正态近似具有实用价值。(online.stat.psu.edu)\n\n对于来自方差未知的正态总体、各观测值相互独立的样本，标准化统计量\n\n\\[T=\\frac{\\bar X-\\mu}{S/\\sqrt n}\\]\n\n服从自由度为 \\(n-1\\) 的学生t分布，其中 \\(S\\) 为通常定义的样本标准差。服从 \\(t\\) 分布的是这个标准化统计量，而不是未经标准化的样本均值。(stat.umn.edu)"
    },
    {
      "heading": "在统计推断中的作用",
      "text": "置信区间利用抽样分布中的概率，构建在重复抽样下具有指定覆盖率的区间方法。例如，在相关假设成立的条件下，95%置信区间构造方法在反复应用时，有95%的次数会使所得区间包含那个固定的参数；这一概率陈述针对的是观测数据之前的区间构造方法。(online.stat.psu.edu)\n\n在统计假设检验中，需要将检验统计量与其在原假设下的抽样分布进行比较。P值是指，在该假设和所假定模型成立的条件下，按照检验规定的极端程度排序，得到至少与观测结果同样极端的结果的概率。(online.stat.psu.edu)"
    },
    {
      "heading": "计算近似",
      "text": "当无法获得解析公式时，可以通过模拟样本来近似抽样分布。自助采样则利用已观测的样本近似未知总体，反复进行重采样并重新计算统计量。由此得到的自助分布用于估计给定观测数据条件下的抽样变异性；它并不等同于真实的抽样分布。(stat135.berkeley.edu)\n\n重采样方案必须反映原始抽样过程。如果样本来自更复杂的抽样设计，对单个观测值进行普通重采样的方法可能失效。增加自助采样的重复次数可以提高数值精度，但无法消除原始样本或重采样假设中的缺陷。(stat20.berkeley.edu)"
    }
  ],
  "links": [
    "probability-distribution",
    "statistics",
    "random-variable",
    "estimator",
    "expected-value",
    "estimator-bias",
    "variance",
    "standard-deviation",
    "standard-error",
    "statistical-independence",
    "sample-mean",
    "normal-distribution",
    "central-limit-theorem",
    "bernoulli-distribution",
    "binomial-distribution",
    "degrees-of-freedom",
    "students-t-distribution",
    "confidence-interval",
    "statistical-hypothesis-testing",
    "test-statistic",
    "null-hypothesis",
    "p-value",
    "bootstrap-sampling"
  ],
  "sources": [
    {
      "title": "online.stat.psu.edu/stat500/Lesson04",
      "url": "https://online.stat.psu.edu/stat500/Lesson04"
    },
    {
      "title": "stat.berkeley.edu/~stark/SticiGui/Text/estimation.htm",
      "url": "https://www.stat.berkeley.edu/~stark/SticiGui/Text/estimation.htm"
    },
    {
      "title": "online.stat.psu.edu/stat800/Lesson04",
      "url": "https://online.stat.psu.edu/stat800/Lesson04"
    },
    {
      "title": "online.stat.psu.edu/stat462/node/251/",
      "url": "https://online.stat.psu.edu/stat462/node/251/"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson27",
      "url": "https://online.stat.psu.edu/stat414/Lesson27"
    },
    {
      "title": "stat.umn.edu/geyer/3701/notes/bootstrap.html",
      "url": "https://www.stat.umn.edu/geyer/3701/notes/bootstrap.html"
    },
    {
      "title": "online.stat.psu.edu/stat506/Lesson01",
      "url": "https://online.stat.psu.edu/stat506/Lesson01"
    },
    {
      "title": "online.stat.psu.edu/stat555/node/35/",
      "url": "https://online.stat.psu.edu/stat555/node/35/"
    },
    {
      "title": "stat135.berkeley.edu/spring-2026/lectures/lecture-9.html",
      "url": "https://stat135.berkeley.edu/spring-2026/lectures/lecture-9.html"
    },
    {
      "title": "stat20.berkeley.edu/spring-2026/3-generalization/09-bootstrapping/notes.html",
      "url": "https://stat20.berkeley.edu/spring-2026/3-generalization/09-bootstrapping/notes.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}