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

本文适合用成绩抽样和NumPy基础模拟理解随机抽样波动与选择偏差，文中偏差定义限于抽样方法造成的系统性偏离，不覆盖测量、无应答等其他偏差。代码中的np.random.choice默认有放回抽样；输出的“抽样误差均值”是多次抽样的有符号差值平均，不代表单次误差或误差的典型幅度。本示例不提供实际调查中的偏差诊断与校正方案。本次仅作全文结构审阅，未运行代码或核验外部链接。

🎯 抽样误差与偏差（Sampling Error & Bias）

abstract 📋 本节概览

  • 🎯 学习目标：理解什么是抽样误差和偏差，如何用Python模拟
  • 📚 前置知识：抽样方法、抽样分布
  • ⏱️ 预计用时：10分钟

抽样误差与偏差

note 📖 **什么是抽样误差和偏差？**

抽样误差是"样本和总体之间的偶然差异"，偏差是"抽样方法本身带来的系统性错误"。

生活例子：

  • 你随机抽查10个同学的成绩，平均分和全班平均分可能有点差距，这就是抽样误差。
  • 如果你只抽成绩好的同学，结果就会偏高，这就是偏差。

🛠️ 学习目标

  1. 思路说明

    • 用numpy生成总体数据
    • 多次随机抽样，计算样本均值与总体均值的差异（误差）
    • 模拟有偏抽样，观察均值偏离

  2. 常用类库

    • numpy（生成数据、抽样）

  3. 代码示例

import numpy as np
# 总体：10000个学生成绩，均值80，标准差5
population = np.random.normal(80, 5, 10000)
# 抽样误差
errors = []
for _ in range(1000):
    sample = np.random.choice(population, 30)
    errors.append(np.mean(sample) - np.mean(population))
print("抽样误差均值:", np.mean(errors))
# 偏差模拟：只抽成绩>85的学生
biased_sample = np.random.choice(population[population>85], 30)
print("有偏样本均值:", np.mean(biased_sample))
print("总体均值:", np.mean(population))

tip 💡 在随机抽样条件下，增加样本量通常可以减小抽样误差的典型幅度，但不能保证某一次抽样的误差更小，也不能自动消除抽样偏差。改进抽样设计，或在适用条件下进行加权与统计调整，可以减轻部分偏差，但不保证完全消除。

🔗 相关知识

#统计学 #抽样 #误差 #偏差 #基础