相关笔记

Lecture 14 — Sampling and Sampling Distributions

第14讲——抽样与抽样分布

---

Slide 1 — Sampling and Sampling Distributions

第1页——抽样与抽样分布

Knowledge Points (知识点)

1. Sampling（抽样）
2. Sampling distribution（抽样分布）
3. Key measures: $\bar{x}$, $\hat{p}$（关键统计量）

---

Knowledge Point 1 — Sampling（抽样）

• Explanation（解释）
  Sampling is the process of selecting a subset of a population to estimate population characteristics.
  抽样是从总体中选择部分个体，以推断总体特征的统计过程。

• Example（例子）
  A researcher surveys 100 WKU students instead of all students to estimate average weekly spending.
  研究者通过调查100名温州肯恩大学学生，而非全体学生，以估计平均每周支出。

• Extension（拓展）
  Sampling reduces cost and time, and when properly designed, yields accurate estimates of population parameters.
  抽样可以节约成本和时间，只要设计合理，也能提供对总体参数的准确估计。

• Summary（总结）
  Sampling allows inference about the whole population without a complete census.
  抽样能在不进行全面调查的情况下推断总体特征。

---

Knowledge Point 2 — Sampling Distribution（抽样分布）

• Explanation（解释）
  A sampling distribution shows how a sample statistic varies when repeated samples are drawn from the same population.
  抽样分布描述了在重复抽样时样本统计量的变动规律。

• Example（例子）
  Drawing multiple samples of 50 students each and calculating their mean GPA produces a distribution of sample means — the sampling distribution of $\bar{x}$.
  若多次抽取50名学生并计算平均绩点，这些均值的分布即为样本均值 $\bar{x}$ 的抽样分布。

• Extension（拓展）
  The concept of sampling distribution is the foundation for understanding probability-based inference such as confidence intervals and hypothesis testing.
  抽样分布概念是理解基于概率的统计推断（如置信区间与假设检验）的基础。

• Summary（总结）
  Sampling distribution connects sample variability with population characteristics through probability.
  抽样分布通过概率理论将样本变异与总体特征联系起来。

---

Knowledge Point 3 — Key Measures: $\bar{x}$ and $\hat{p}$（关键统计量）

• Explanation（解释）
  The sample mean $\bar{x}$ estimates population mean $\mu$; the sample proportion $\hat{p}$ estimates population proportion $p$.
  样本均值 $\bar{x}$ 用于估计总体均值 $\mu$，样本比例 $\hat{p}$ 用于估计总体比例 $p$。

• Example（例子）
  If 60 of 100 surveyed students use mobile payments, then $\hat{p}=0.6$, an estimate for $p$.
  若100名学生中有60人使用移动支付，则 $\hat{p}=0.6$，为总体比例 $p$ 的估计。

• Extension（拓展）
  These sample statistics serve as point estimators that summarize information about the population.
  这些样本统计量作为点估计量，用于概括总体信息。

• Summary（总结）
  $\bar{x}$ and $\hat{p}$ are central statistics for inference about means and proportions.
  $\bar{x}$ 与 $\hat{p}$ 是均值与比例推断中的核心统计量。

---

Slide 2 — Selecting a Sample (Finite Population)

第2页——抽样选择（有限总体）

Knowledge Points (知识点)

1. Finite population（有限总体）
2. Equal chance selection（等概率抽样）
3. Randomness and representativeness（随机性与代表性）

---

Knowledge Point 1 — Finite Population（有限总体）

• Explanation（解释）
  A finite population has a fixed and countable number of elements, such as 900 applicants or 500 customers.
  有限总体由固定数量的成员构成，如900名申请者或500位顾客。

• Example（例子）
  St. Andrew’s College has $N=900$ applications, and a sample of $n=30$ is randomly selected for review.
  圣安德鲁学院共有 $N=900$ 份申请，随机选取 $n=30$ 名申请者进行评估。

• Extension（拓展）
  Sampling from a finite population allows for exact probability assignment and control over bias.
  从有限总体抽样能精确控制概率与偏差，结果更可重复。

• Summary（总结）
  Finite populations provide a known frame for random selection, ensuring every member has a measurable chance.
  有限总体提供明确抽样框，使每个成员都有可测的选中概率。

---

Knowledge Point 2 — Equal Chance Selection（等概率抽样）

• Explanation（解释）
  Every element in the population has an equal probability of being chosen.
  总体中的每个成员被选中的概率相同。

• Example（例子）
  Assign numbers 1–900 to applicants and use a random number generator to select 30 IDs.
  将900位申请者编号为1至900，并使用随机数生成器抽取30人。

• Extension（拓展）
  Equal chance sampling ensures fairness and prevents selection bias.
  等概率抽样可保证抽样公平，避免选择偏差。

• Summary（总结）
  Equal probability is the foundation of valid random sampling.
  等概率原则是随机抽样的基本条件。

---

Knowledge Point 3 — Randomness and Representativeness（随机性与代表性）

• Explanation（解释）
  A representative sample accurately reflects population characteristics; randomness helps achieve that.
  具有代表性的样本能准确反映总体特征，而随机性能帮助实现这一目标。

• Example（例子）
  Selecting 30 students randomly from different majors avoids concentration bias.
  从不同专业随机选取30名学生可避免样本集中偏差。

• Extension（拓展）
  Representativeness depends on both random selection and sufficient sample size.
  样本代表性取决于随机抽样与样本量的充足。

• Summary（总结）
  A random and representative sample supports accurate statistical inference.
  随机且具代表性的样本能提供更准确的推断。

---

Slide 3 — Selecting a Sample (Infinite Population)

第3页——抽样选择（无限总体）

Knowledge Points (知识点)

1. Infinite population（无限总体）
2. Random sampling from infinite population（无限总体的随机抽样）
3. Independence of observations（观测独立性）

---

Knowledge Point 1 — Infinite Population（无限总体）

• Explanation（解释）
  An infinite population occurs when new elements continuously appear, e.g., production output or customer arrivals.
  无限总体指不断生成新数据的总体，如生产线输出或顾客到达。

• Example（例子）
  A company monitoring daily website visits treats each new visit as part of an infinite population.
  公司监测每日网站访问量时，将每次访问视为无限总体的一部分。

• Extension（拓展）
  Infinite populations are modeled probabilistically since their total number is unobservable.
  无限总体无法穷尽，只能通过概率模型进行刻画。

• Summary（总结）
  Infinite populations describe processes rather than finite groups.
  无限总体用于描述持续过程而非固定群体。

---

Knowledge Point 2 — Random Sampling from Infinite Population（无限总体随机抽样）

• Explanation（解释）
  Sampling from an infinite population requires independent selection of each observation.
  从无限总体抽样时，每个观测值必须独立选择。

• Example（例子）
  Selecting every 100th customer transaction in a continuous system maintains randomness.
  在连续交易系统中，每隔100笔抽样一次能保持随机性。

• Extension（拓展）
  Independence ensures unbiased estimation and valid inference from streaming data.
  保证样本独立能确保无偏估计与有效推断。

• Summary（总结）
  Independent random sampling is essential when dealing with infinite populations.
  独立随机抽样是无限总体分析的必要条件。

---

Knowledge Point 3 — Independence of Observations（观测独立性）

• Explanation（解释）
  Independence means the selection of one element does not affect another’s chance.
  独立性指一个样本被选中不会影响另一个样本的选中概率。

• Example（例子）
  When drawing data from automated sensors, each reading is independent of previous ones.
  从自动传感器收集的数据中，每次测量结果相互独立。

• Extension（拓展）
  Violating independence leads to biased estimates and underestimated variability.
  若独立性被破坏，将导致估计偏差与方差低估。

• Summary（总结）
  Independence preserves randomness and validity in sampling results.
  样本独立性保证随机性与结果的有效性。

---

Slide 4 — Point Estimation

第4页——点估计

Knowledge Points (知识点)

1. Point estimation（点估计）
2. Sample statistic vs population parameter（样本统计量与总体参数）
3. Unbiasedness and efficiency（无偏性与有效性）

---

Knowledge Point 1 — Point Estimation（点估计）

• Explanation（解释）
  Point estimation uses sample statistics to estimate population parameters.
  点估计是利用样本统计量来估计总体参数的过程。

• Example（例子）
  Use $\bar{x}$ to estimate $\mu$, or $\hat{p}$ to estimate $p$.
  以样本均值 $\bar{x}$ 估计总体均值 $\mu$，以样本比例 $\hat{p}$ 估计总体比例 $p$。

• Extension（拓展）
  Good estimators should be unbiased ($E(\bar{x})=\mu$), consistent, and efficient.
  优秀的估计量应具备无偏性（一致性）与高效率。

• Summary（总结）
  Point estimation provides a single best guess of population parameters.
  点估计为总体参数提供最佳单点估计。

---

Knowledge Point 2 — Sample Statistic vs Population Parameter（样本统计量与总体参数）

Sample Statistic（样本统计量）	Population Parameter（总体参数）
$\bar{x}$	$\mu$
$s$	$\sigma$
$\hat{p}$	$p$

• Explanation（解释）
  Sample statistics are used as estimators for corresponding population parameters.
  样本统计量是相应总体参数的估计量。

• Example（例子）
  If the sample variance is $s^2=4$, it estimates population variance ${\sigma }^2$.
  若样本方差为 $s^2=4$，则它用于估计总体方差 ${\sigma }^2$。

• Extension（拓展）
  These relationships are key to connecting data to theoretical parameters.
  这些对应关系是从样本到总体推断的基础。

• Summary（总结）
  Each sample statistic provides information about a specific population characteristic.
  每个样本统计量反映总体的某一特征。

---

Knowledge Point 3 — Unbiasedness and Efficiency（无偏性与有效性）

• Explanation（解释）
  An estimator is unbiased if its expected value equals the true parameter.
  若估计量的期望值等于总体真实值，则称其为无偏。

• Example（例子）
  Since $E(\bar{x})=\mu$, the sample mean is an unbiased estimator of the population mean.
  因 $E(\bar{x})=\mu$，故样本均值是总体均值的无偏估计。

• Extension（拓展）
  Efficiency compares the variances of unbiased estimators; smaller variance means higher efficiency.
  有效性比较无偏估计量的方差，方差越小效率越高。

• Summary（总结）
  Unbiased and efficient estimators yield reliable and precise statistical inferences.
  无偏且有效的估计量能提供更精确的推断。

---

Slide 5 — Comments on Sampling

第5页——关于抽样的说明

Knowledge Points (知识点)

1. Population vs Sample（总体与样本）
2. Representativeness（样本代表性）
3. Sampling bias（抽样偏差）

---

Knowledge Point 1 — Population vs Sample（总体与样本）

• Explanation（解释）
  The population is the complete set of elements we want to study, while the sample is a smaller group taken from it.
  总体是研究目标的全部成员，而样本是从总体中抽取的一部分。

• Example（例子）
  A company wants to know employee satisfaction across all 2,000 workers, but surveys only 200 randomly chosen employees.
  某公司想了解2000名员工的满意度，仅随机调查200人作为样本。

• Extension（拓展）
  The closer the sample characteristics are to the population, the more valid the statistical inference.
  样本特征越接近总体特征，统计推断结果越可靠。

• Summary（总结）
  Sampling provides manageable data while maintaining a link to the population’s properties.
  抽样使数据更可管理，同时保持总体特征的代表性。

---

Knowledge Point 2 — Representativeness（样本代表性）

• Explanation（解释）
  Representativeness means the sample accurately mirrors the diversity and proportions of the population.
  代表性意味着样本准确反映总体的多样性与比例。

• Example（例子）
  If 60% of WKU students are female, a representative sample should also have roughly 60% females.
  若温肯大学学生中女性占60%，则具有代表性的样本中女性比例也应接近60%。

• Extension（拓展）
  Random sampling, stratified sampling, and sufficient sample size increase representativeness.
  随机抽样、分层抽样及足够的样本量能提高样本代表性。

• Summary（总结）
  Representative samples ensure that sample statistics reflect true population parameters.
  代表性样本能保证样本统计量准确反映总体参数。

---

Knowledge Point 3 — Sampling Bias（抽样偏差）

• Explanation（解释）
  Sampling bias occurs when the method of selection systematically favors certain outcomes.
  抽样偏差指抽样方法系统性地偏向某一结果。

• Example（例子）
  Conducting an online survey about internet use may exclude individuals without online access.
  通过网络问卷调查上网习惯会排除没有网络的人群，从而产生偏差。

• Extension（拓展）
  Bias can be reduced through randomization and strict adherence to sampling procedures.
  通过随机化与规范抽样程序可减少偏差。

• Summary（总结）
  Avoiding sampling bias is crucial for reliable and generalizable conclusions.
  避免抽样偏差是获得可靠、可推广结论的关键。

---

Slide 6 — Sampling Distribution of $\bar{x}$

第6页——样本均值的抽样分布

Knowledge Points (知识点)

1. Sampling distribution of $\bar{x}$（样本均值的分布）
2. Expected value $E(\bar{x})=\mu$（样本均值的期望）
3. Unbiased estimator（无偏估计量）

---

Knowledge Point 1 — Sampling Distribution of $\bar{x}$（样本均值的分布）

• Explanation（解释）
  The sampling distribution of $\bar{x}$ shows the probability distribution of all possible sample means from samples of size $n$.
  样本均值 $\bar{x}$ 的抽样分布描述了所有样本量为 $n$ 的样本均值的概率分布。

• Example（例子）
  Suppose we take 100 different samples of 50 students each, compute each mean GPA, and plot their distribution—it forms the sampling distribution of $\bar{x}$.
  假设抽取100个样本（每个样本包含50名学生），计算各样本平均绩点，其分布即为 $\bar{x}$ 的抽样分布。

• Extension（拓展）
  The sampling distribution allows the application of probability to describe the variability of statistics.
  抽样分布使我们能够用概率刻画统计量的变动性。

• Summary（总结）
  Sampling distributions bridge descriptive statistics and inferential analysis.
  抽样分布连接了描述统计与推断统计。

---

Knowledge Point 2 — Expected Value $E(\bar{x})=\mu$（样本均值的期望）

• Explanation（解释）
  The expected value of $\bar{x}$ equals the true population mean $\mu$:
  $E(\bar{x})=\mu$
  样本均值的期望等于总体均值 $\mu$，即 $E(\bar{x})=\mu$。

• Example（例子）
  If the population mean height of students is $\mu =170$ cm, the average of sample means across repeated sampling will also be 170 cm.
  若总体平均身高 $\mu =170$ cm，多次抽样计算样本均值的平均值也为170 cm。

• Extension（拓展）
  This property shows that the sample mean $\bar{x}$ is centered around $\mu$, ensuring unbiased estimation.
  这一特征表明样本均值 $\bar{x}$ 以总体均值为中心，是无偏的。

• Summary（总结）
  The equality $E(\bar{x})=\mu$ is the mathematical foundation of unbiased estimation.
  $E(\bar{x})=\mu$ 是无偏估计的重要数学基础。

---

Knowledge Point 3 — Unbiased Estimator（无偏估计量）

• Explanation（解释）
  An estimator is unbiased if its expected value equals the true parameter being estimated.
  若估计量的期望值等于所估参数的真实值，则称其为无偏估计量。

• Example（例子）
  Since $E(\bar{x})=\mu$, $\bar{x}$ is an unbiased estimator of $\mu$.
  因 $E(\bar{x})=\mu$，所以 $\bar{x}$ 是 $\mu$ 的无偏估计量。

• Extension（拓展）
  Other unbiased estimators include sample proportion $\hat{p}$ for population $p$, and sample variance $s^2$ for ${\sigma }^2$.
  其他无偏估计量还包括：样本比例 $\hat{p}$ 估计总体比例 $p$，样本方差 $s^2$ 估计总体方差 ${\sigma }^2$。

• Summary（总结）
  Unbiasedness ensures estimators neither overestimate nor underestimate true values on average.
  无偏性保证估计量在长期平均下既不高估也不低估总体参数。

---

Slide 7 — Making Statistical Inference

第7页——统计推断的过程

Knowledge Points (知识点)

1. Relationship between $\bar{x}$ and $\mu$（样本均值与总体均值的关系）
2. Statistical inference steps（统计推断步骤）
3. Estimation and decision making（估计与决策）

---

Knowledge Point 1 — Relationship between $\bar{x}$ and $\mu$（样本均值与总体均值）

• Explanation（解释）
  The sample mean $\bar{x}$ serves as a point estimator for the population mean $\mu$.
  样本均值 $\bar{x}$ 是总体均值 $\mu$ 的点估计量。

• Example（例子）
  If $\bar{x}=3.4$ is obtained from a random sample of 50 students, we infer $\mu \approx 3.4$.
  若从50名学生的样本中得到 $\bar{x}=3.4$，则可推测总体均值 $\mu \approx 3.4$。

• Extension（拓展）
  The reliability of $\bar{x}$ as an estimator depends on sample size $n$ and sampling variability.
  $\bar{x}$ 作为估计量的可靠性取决于样本量 $n$ 与抽样变异程度。

• Summary（总结）
  $\bar{x}$ connects observed data to the theoretical population mean $\mu$.
  样本均值 $\bar{x}$ 将观测数据与总体参数 $\mu$ 联系起来。

---

Knowledge Point 2 — Statistical Inference Steps（统计推断步骤）

• Explanation（解释）
  Statistical inference converts sample information into knowledge about the population.
  统计推断是将样本信息转化为总体结论的过程。

• Example（例子）
  Steps:
  1️⃣ Select a random sample
  2️⃣ Compute $\bar{x}$
  3️⃣ Use $\bar{x}$ to estimate $\mu$ or test hypotheses about $\mu$.
  推断过程包括：① 随机抽样；② 计算样本均值；③ 用 $\bar{x}$ 推断或检验 $\mu$。

• Extension（拓展）
  These steps form the foundation for hypothesis testing and confidence interval estimation.
  该过程为假设检验与置信区间估计奠定基础。

• Summary（总结）
  Statistical inference generalizes sample findings to population conclusions.
  统计推断使样本结论能推广至总体。

---

Knowledge Point 3 — Estimation and Decision Making（估计与决策）

• Explanation（解释）
  Once $\bar{x}$ estimates $\mu$, managers can use this estimate for strategic or policy decisions.
  当 $\bar{x}$ 用于估计 $\mu$ 后，管理者可据此进行战略或政策决策。

• Example（例子）
  A firm estimates average customer spending \bar{x} = \85$;decisionsonpricingorinventoryfollowthisestimate.企业估计顾客平均消费为$\bar{x} = $85$，据此调整定价与库存策略。

• Extension（拓展）
  Inferential results must be interpreted cautiously, considering sampling error and confidence level.
  推断结果应结合抽样误差与置信水平谨慎解释。

• Summary（总结）
  Estimation links data analysis to actionable business and policy insights.
  统计估计将数据分析转化为可操作的商业与政策见解。

---

Slide 8 — Sampling Distribution of $\bar{x}$ (Standard Error)

第8页——样本均值的抽样分布（标准误差）

Knowledge Points (知识点)

1. Definition of standard error（标准误差定义）
2. Finite population correction factor（有限总体修正系数）
3. Infinite population approximation（无限总体近似）

---

Knowledge Point 1 — Definition of Standard Error（标准误差定义）

• Explanation（解释）
  The standard deviation of the sampling distribution of $\bar{x}$, denoted ${\sigma }_{\bar{x}}$, is called the standard error of the mean.
  样本均值抽样分布的标准差称为均值的标准误差，记作 ${\sigma }_{\bar{x}}$。

• Example（例子）
  For a population with $\sigma =10$ and sample size $n=25$,
  ${\sigma }_{\bar{x}}=\frac{10}{\sqrt{25}}=2.$

• Extension（拓展）
  The standard error measures how much sample means vary around the population mean.
  标准误差表示样本均值围绕总体均值的波动程度，反映估计精度。

• Summary（总结）
  Smaller ${\sigma }_{\bar{x}}$ means higher precision in estimating $\mu$.
  ${\sigma }_{\bar{x}}$ 越小，估计总体均值 $\mu$ 的精度越高。

---

Knowledge Point 2 — Finite Population Correction Factor（有限总体修正系数）

• Explanation（解释）
  For a finite population of size $N$, the standard error is adjusted using the finite population correction factor (FPC):
  ${\sigma }_{\bar{x}}=\sqrt{\frac{N-n}{N-1}}\times \frac{\sigma }{\sqrt{n}}$
  其中 $\sqrt{\frac{N-n}{N-1}}$ 即为有限总体修正系数。

• Example（例子）
  If $N=1000$, $n=100$, and $\sigma =20$, then
  ${\sigma }_{\bar{x}}=\sqrt{\frac{900}{999}}\times \frac{20}{\sqrt{100}}\approx \mathrm{1.90.}$

• Extension（拓展）
  When $n/N>0.05$, the FPC must be applied to avoid overestimating variability.
  当抽样比例 $n/N>0.05$ 时，必须使用修正系数以防高估变异性。

• Summary（总结）
  FPC corrects the reduction of variability caused by sampling without replacement.
  修正系数用于校正无放回抽样导致的样本依赖问题。

---

Knowledge Point 3 — Infinite Population Approximation（无限总体近似）

• Explanation（解释）
  For large or infinite populations,
  ${\sigma }_{\bar{x}}=\frac{\sigma }{\sqrt{n}}$
  applies, since the effect of FPC becomes negligible.

• Example（例子）
  When $n/N\le 0.05$, we can treat the population as infinite.
  若 $n/N\le 0.05$，则可将总体视为无限总体。

• Extension（拓展）
  This assumption simplifies calculations while maintaining high accuracy for large $N$.
  对于较大总体，此假设能简化计算且精度高。

• Summary（总结）
  Infinite population assumption is reasonable when sample fraction is small.
  当抽样比例极小，视总体为无限是合理近似。

---

Slide 9 — Normal Distribution of $\bar{x}$ (Central Limit Theorem)

第9页——样本均值的正态分布（中心极限定理）

Knowledge Points (知识点)

1. Sampling distribution of $\bar{x}$（样本均值的分布）
2. Rule of sample size（样本量规则）
3. Central Limit Theorem（中心极限定理）

---

Knowledge Point 1 — Sampling Distribution of $\bar{x}$（样本均值的分布）

• Explanation（解释）
  If the population follows a normal distribution, then $\bar{x}$ is normally distributed for any $n$.
  若总体服从正态分布，则样本均值 $\bar{x}$ 在任意样本量下也服从正态分布。

• Example（例子）
  If student IQ scores follow $N(100,15)$, then sample mean $\bar{x}$ also follows a normal distribution with the same mean.
  若学生智商服从 $N(100,15)$，则样本均值 $\bar{x}$ 亦服从均值为100的正态分布。

• Extension（拓展）
  This property simplifies inferential analysis for populations known to be normal.
  若总体正态，则简化推断计算，可直接应用标准正态法则。

• Summary（总结）
  $\bar{x}$ retains normality when the population itself is normally distributed.
  若总体正态，样本均值也保持正态。

---

Knowledge Point 2 — Rule of Sample Size（样本量规则）

• Explanation（解释）
  For non-normal populations, the sampling distribution of $\bar{x}$ approaches normal when sample size is large ($n\ge 30$).
  若总体非正态，当样本量较大（$n\ge 30$）时，样本均值分布近似正态。

• Example（例子）
  In skewed income data, sample means of $n=50$ or $n=100$ approximate a normal curve.
  对偏态收入数据，样本量50或100时，其样本均值分布近似正态。

• Extension（拓展）
  For highly skewed data or extreme outliers, a larger sample ($n\ge 50$) is required.
  若总体严重偏态或存在极端值，则应采用 $n\ge 50$ 的样本量。

• Summary（总结）
  Larger samples yield more symmetric and normal-like sampling distributions.
  样本量越大，样本均值分布越接近正态。

---

Knowledge Point 3 — Central Limit Theorem（中心极限定理）

• Explanation（解释）
  The Central Limit Theorem (CLT) states that as $n$ increases, the sampling distribution of $\bar{x}$ approaches a normal distribution regardless of the population’s shape.
  中心极限定理指出：当样本量 $n$ 增大时，无论总体分布形态如何，样本均值分布都会趋近于正态。

• Example（例子）
  Even if population sales data are skewed, sample means of $n=40$ are nearly normal.
  即使销售数据偏态，当样本量为40时，样本均值分布也接近正态。

• Extension（拓展）
  CLT justifies using normal models in estimation and hypothesis testing.
  中心极限定理为估计与假设检验中使用正态模型提供理论依据。

• Summary（总结）
  CLT is the foundation for inferential statistics based on large samples.
  中心极限定理是大样本统计推断的理论基础。

---

Slide 10 — Example: St Andrew’s College (SAT Distribution)

第10页——案例：圣安德鲁学院（SAT分数抽样分布）

Knowledge Points (知识点)

1. Sampling distribution of $\bar{x}$（样本均值分布）
2. Standard error computation（标准误差计算）
3. Probability estimation（概率估计）

---

Knowledge Point 1 — Sampling Distribution of $\bar{x}$（样本均值分布）

• Explanation（解释）
  For SAT scores with $\mu =1090$, $\sigma =80$, and $n=30$, the mean of the sampling distribution is $E(\bar{x})=1090$.
  当 SAT 分数总体均值 $\mu =1090$、标准差 $\sigma =80$、样本量 $n=30$ 时，样本均值分布的期望为 $E(\bar{x})=1090$。

• Example（例子）
  ${\sigma }_{\bar{x}}=\frac{\sigma }{\sqrt{n}}=\frac{80}{\sqrt{30}}=14.6$
  均值标准误差为 14.6。

• Extension（拓展）
  The narrower the sampling distribution, the higher the precision of $\bar{x}$.
  抽样分布越窄，样本均值估计越精确。

• Summary（总结）
  $\bar{x}$ follows a normal distribution centered at $\mu =1090$, with ${\sigma }_{\bar{x}}=14.6$.
  样本均值服从均值为1090、标准误差为14.6的正态分布。

---

Knowledge Point 2 — Probability Estimation（概率估计）

• Explanation（解释）
  We want $P(|\bar{x}-\mu |\le 10)$ for a sample of 30 students.
  求样本均值与总体均值差不超过10的概率。

• Example（例子）
  $z=\frac{10}{14.6}=0.685$
  $P(-0.685<z<0.685)=0.7533-0.2467=0.5066$
  概率约为 0.5066，即约 50.66%。

• Extension（拓展）
  About half of all 30-student samples will have mean SAT scores within ±10 of 1090.
  约50%的30人样本均值会落在总体均值1090的±10范围内。

• Summary（总结）
  The example illustrates using the $z$-score and normal probability to assess sampling accuracy.
  此案例展示了如何用标准正态分布求样本均值精度概率。

---

Knowledge Point 3 — Statistical Interpretation（统计解释）

• Explanation（解释）
  A higher sample size reduces ${\sigma }_{\bar{x}}$, increasing the probability that $\bar{x}$ is close to $\mu$.
  样本量越大，标准误差越小，样本均值越可能接近总体均值。

• Example（例子）
  If $n$ doubles to 60, then ${\sigma }_{\bar{x}}=80/\sqrt{60}\approx 10.3$, and accuracy improves.
  若样本量增至60，标准误差变为10.3，精确度提升。

• Extension（拓展）
  This relationship shows why large samples lead to more stable statistical inference.
  该关系解释了为何大样本能带来更稳定的统计推断。

• Summary（总结）
  Increasing $n$ enhances confidence that $\bar{x}$ approximates $\mu$.
  样本量越大，对 $\bar{x}$ 接近 $\mu$ 的置信程度越高。

---

Slide 12 — Example: Effect of Sample Size on Sampling Distribution

第12页——样本量对抽样分布的影响

Knowledge Points (知识点)

1. Relationship between sample size and standard error（样本量与标准误差的关系）
2. Probability comparison ($n=30$ vs. $n=100$)（不同样本量下的概率比较）
3. Interpretation of variability（变异性的解释）

---

Knowledge Point 1 — Relationship Between Sample Size and Standard Error（样本量与标准误差的关系）

• Explanation（解释）
  As the sample size $n$ increases, the standard error ${\sigma }_{\bar{x}}$ decreases, making the sampling distribution narrower.
  随着样本量 $n$ 的增加，标准误差 ${\sigma }_{\bar{x}}$ 会减小，从而使样本均值的分布更集中、更窄。

• Example（例子）
  When $n=30$, ${\sigma }_{\bar{x}}=14.6$; when $n=100$, ${\sigma }_{\bar{x}}=8$.
  样本量为30时，标准误差为14.6；样本量为100时，标准误差为8。

• Extension（拓展）
  This shows that larger samples provide more consistent estimates of $\mu$, reducing random fluctuations.
  这说明样本量越大，对总体均值 $\mu$ 的估计越稳定，随机波动越小。

• Summary（总结）
  Increasing sample size leads to higher precision in estimating population parameters.
  增加样本量能显著提高总体参数估计的精确度。

---

Knowledge Point 2 — Probability Comparison: $n=30$ vs. $n=100$（样本量下的概率比较）

• Explanation（解释）
  We compare the probability that $\bar{x}$ is within ±10 of $\mu =1090$ for two sample sizes.
  比较在样本量不同（30与100）时，样本均值距总体均值 ±10 的概率。

• Example（例子）
  For $n=30$:
  $z=\frac{10}{14.6}=0.685\Rightarrow P(-0.685<z<0.685)=0.5066$
  For $n=100$:
  $z=\frac{10}{8}=1.25\Rightarrow P(-1.25<z<1.25)=0.7887$
  当 $n=30$ 时，概率为 0.5066；当 $n=100$ 时，概率提升至 0.7887。

• Extension（拓展）
  As $n$ increases, $\bar{x}$ becomes more concentrated around $\mu$, raising the probability of accurate estimation.
  随着样本量增加，样本均值更集中于总体均值周围，估计的准确概率上升。

• Summary（总结）
  Larger sample size improves precision and confidence in estimation.
  样本量越大，估计越精确，对结果的置信度越高。

---

Knowledge Point 3 — Interpretation of Variability（变异性的解释）

• Explanation（解释）
  The blue curve (n = 30) shows greater spread, while the yellow curve (n = 100) is narrower, meaning less variability.
  蓝色曲线（n=30）分布更宽，黄色曲线（n=100）更窄，表示样本均值的变异性降低。

• Example（例子）
  With ${\sigma }_{\bar{x}}=14.6$, $\bar{x}$ values are more dispersed; with ${\sigma }_{\bar{x}}=8$, values cluster near $\mu =1090$.
  当标准误差为14.6时，样本均值分布较散；当标准误差降至8时，样本均值更集中在1090附近。

• Extension（拓展）
  Reduced variability increases reliability of conclusions drawn from the sample.
  较小的变异性提高了基于样本得出的结论的可靠性。

• Summary（总结）
  Smaller ${\sigma }_{\bar{x}}$ means less uncertainty and higher confidence in results.
  标准误差越小，不确定性越低，对结果的置信度越高。

---

Slide 13 — Relationship Between Sample Size and Sampling Distribution

第13页——样本量与抽样分布的关系总结

Knowledge Points (知识点)

1. Sample size effect（样本量效应）
2. Variability of $\bar{x}$（样本均值的变异性）
3. Practical implication（实际应用意义）

---

Knowledge Point 1 — Sample Size Effect（样本量效应）

• Explanation（解释）
  Selecting a larger sample (e.g., 100 applicants) yields a smaller standard error than a smaller one (e.g., 30 applicants).
  较大的样本（如100人）相比于较小样本（如30人）会产生更小的标准误差。

• Example（例子）
  ${\sigma }_{\bar{x}}(n=30)=14.6,{\sigma }_{\bar{x}}(n=100)=8.$
  数值表明样本量越大，标准误差显著下降。

• Extension（拓展）
  With reduced standard error, $\bar{x}$ becomes a more stable and accurate estimator of $\mu$.
  标准误差下降意味着样本均值对总体均值的估计更稳定、更准确。

• Summary（总结）
  Larger $n$ → Smaller ${\sigma }_{\bar{x}}$ → More reliable inference.
  样本量越大 → 标准误差越小 → 推断越可靠。

---

Knowledge Point 2 — Variability of $\bar{x}$（样本均值的变异性）

• Explanation（解释）
  Larger samples reduce variability in $\bar{x}$ and make it more likely to approximate $\mu$.
  较大的样本量能降低样本均值的变异，使其更接近总体均值。

• Example（例子）
  For $n=100$, $\bar{x}$ has less spread around $\mu =1090$ than for $n=30$.
  样本量为100时，$\bar{x}$ 围绕1090的分布更集中。

• Extension（拓展）
  Reduced variability enhances the accuracy of population estimates and strengthens confidence intervals.
  变异性降低提高了总体估计的准确度，并使置信区间更窄。

• Summary（总结）
  Less variability implies greater consistency and stronger predictive power.
  变异性越小，估计越一致，预测力越强。

---

Knowledge Point 3 — Practical Implication（实际应用意义）

• Explanation（解释）
  Researchers must balance accuracy and cost when determining sample size.
  研究者在确定样本量时需平衡精度与成本。

• Example（例子）
  A business survey may prefer $n=100$ for reliable results, though it costs more than $n=30$.
  商业调查中，尽管样本量100成本更高，但能提供更可靠的结果。

• Extension（拓展）
  In practice, choose $n$ large enough to minimize error within resource constraints.
  实务中应在资源允许范围内尽量增大样本量，以降低误差。

• Summary（总结）
  Larger samples yield better inference, but efficiency and feasibility must be considered.
  样本越大推断越准，但需兼顾效率与可行性。