未记录事实核验 · 状态：现行内容

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

warning 适用边界与维护说明

本文适用于抽样分布概念入门及样本均值的基础模拟。代码先生成一份含10000个值的固定模拟数据，再默认有放回地抽取30个值、重复1000次，所得直方图是该抽样机制下样本均值分布的模拟近似。末尾的经典中心极限定理提示已限定独立同分布、总体方差有限且样本量足够大等条件，不应推广到任意统计量或总体。本次仅作结构审阅，未运行代码或核验相关知识链接。

🧪 抽样分布（Sampling Distribution）

abstract 📋 本节概览

  • 🎯 学习目标：理解什么是抽样分布，生活中如何理解，如何用Python模拟
  • 📚 前置知识：抽样方法、正态分布
  • ⏱️ 预计用时：10分钟

🌟 通俗解释

note 📖 **什么是抽样分布？**

抽样分布就是"同样的方法反复抽样，每次算出来的统计量（比如平均数）会形成一个新的分布"。

生活例子：

  • 你从一大箱苹果里，每次随机挑10个，分别算平均重量。多做几次，所有"平均重量"就会形成一个分布，这就是抽样分布。

🛠️ Python实现思路

  1. 思路说明

    • 用numpy生成总体数据
    • 多次随机抽样，每次计算样本均值，收集所有均值形成分布

  2. 学习目标

    • numpy（生成数据、抽样）
    • matplotlib（画图）

  3. 代码示例

import numpy as np
import matplotlib.pyplot as plt
# 假设总体为10000个苹果，重量正态分布，均值150，标准差10
data = np.random.normal(150, 10, 10000)
sample_means = []
for _ in range(1000):
    sample = np.random.choice(data, 30)  # 每次抽30个
    sample_means.append(np.mean(sample))
plt.hist(sample_means, bins=30, color='skyblue', edgecolor='black')
plt.title('样本均值的抽样分布')
plt.xlabel('均值')
plt.ylabel('频数')
plt.show()

tip 💡 在独立同分布且总体方差有限等条件下，样本量足够大时，样本均值的抽样分布可近似为正态分布，这是经典中心极限定理的应用；并非所有统计量的抽样分布都近似正态。

🔗 相关知识

#统计学 #抽样分布 #基础