PENDUDUK, SAMPEL
& CONTOH
DISTRIBUSI
Ada dua aspek dalam gagasan percobaan. Ini adalah proses apa pun
dalam hal ini, ini juga dianggap sebagai pengambilan sampel dari suatu
populasi. Sini
dianggap baik sebagai nilai-nilai variabel acak dan sebagai sampel data
tahap lebih lanjut, kita dapat menyimpulkan bahwa nilai-nilai yang terjadi
dalam suatu populasi dapat
Ini adalah ide penting, tetapi dapat diperpanjang lebih jauh. Relatif
kemampuan nilai-nilai ini sebagai nilai-nilai variabel acak. Jadi, kita bisa
berdebat
10.1.1 Contoh
distribusi, setidaknya sebagai ... perkiraan pertama. Maka dari itu perlu
didiskusikan
10.2
maksud teoritis
artinya populasi.
Hal yang sama berlaku untuk varians var [X] dari X: itu
varian teoretis
varians populasi.
10.1.1. Jika kita de ... ne X menjadi variabel acak mengambil nilai 1 jika
a
nilai-nilai parameter ini tidak diketahui oleh kami, dan umumnya, kami
akan melakukannya
dan analisis data itu: proses ini disebut inferensi statistik. Begitu,
parameter lation.
variabel dom.
10.3.1 Contoh
siswa.
topi adalah salah satu metode yang mungkin, meskipun tidak terlalu
praktis untuk populasi besar.
Sesi dapat dipenuhi hanya jika barang yang diambil dari populasi
"diganti"
berbeda di setiap undian. Namun, jika kita memiliki populasi "besar", dan
a
"Kecil" ukuran sampel relatif terhadap ukuran populasi, ada sedikit
praktis
10.3.3
transparan.
Populasi berisi 1000 elemen, tetapi hanya tiga nilai yang berbeda ok
saat ini dalam populasi ini, 0; 1; 2; dengan populasi frekuensi relatif p0;
p1; p2
Nilai Probabilitas X
0 p0
1 hal
2 hal
Dalam populasi ini, 0 terjadi 1000p0 kali, 1 terjadi 1000p1 kali dan 2
terjadi 1000p2 kali. Jika kita memilih elemen dari populasi secara acak,
kami tidak tahu sebelumnya elemen mana yang akan digambar, tetapi
setiap elemen
1000
ukuran populasi:
1000p0
1000
= p0:
menjelaskan apa yang mungkin diperoleh pada ... undian pertama dari
populasi ini.
dari populasi:
undian kedua adalah independen dari ... undian pertama. Nilai yang
sama
gambar kedua juga dijelaskan oleh variabel acak, X2; katakan, yang
mana
X2 tidak tergantung pada X1; dan memiliki distribusi yang sama dengan
X.
bahwa apa yang mungkin diperoleh dalam sampel acak ukuran 1 dari
probabilitas
variabel acak.
bution,
variabel acak X
variabel
Penting untuk dicatat bahwa diskusi ini berkaitan dengan apa yang
mungkin terjadi
10.3.4 Contoh
terdiri dari tiga variabel acak i.i.d X1; X2; X3: Misalkan bahwa
x1 = 0; x2 = 0; x3 = 1:
5000; 10002
XN
5000; 10002
uted:
Xi N
5000; 10002
; i = 1; :::; 10:
;2
Xi N
;2
; i = 1; :::; 10:
Jika kita mengira bahwa nilai sampel seperti yang ditunjukkan di atas, itu
menggoda untuk menggunakan data ini untuk membuat tebakan dan 2:
Bab 11
DISTRIBUSI
11.1 Statistik
Ables X1; :::; Xn; dan sampel data terdiri dari nilai-nilai x1; :::; xn
mean sampel,
x=
Xn
i=1
xi
s2 =
n 1
Xn
i=1
(xi x) 2
ukuran penyebaran yang tepat untuk satu set data. Ada notasi
tant.
fungsi dari nilai x1; :::; xn dari variabel acak sampel X1; :::; Xn:
Ada ekspresi yang berhubungan dengan x dan s2 dalam hal sampel ini
Xn
i=1
Xi;
S2 =
n 1
Xn
i=1
Xi X
2:
BAB 11. DISTRIBUSI STATISTIK & SAMPLING
variabel X1; :::; Xn; dan karena itu variabel acak itu sendiri, memiliki
Distribusi probabilitas X
itu bisa sangat melelahkan untuk ... menemukan mereka dari ... prinsip
pertama.
11.2.1 Contoh
Kemungkinan 0: 2 0: 3 0: 5 1: 3
Sampel acak akan terdiri dari variabel acak independen X1; X2;
= 0:06:
(X1 + X2):
Strateginya adalah untuk ... mencari tahu sampel apa yang bisa diambil,
apa
: Semua
(0; 0) 0:04 0
(0; 1) 0:06 0: 5
(0; 2) 0: 1 1
(1; 0) 0:06 0: 5
(1; 1) 0:09 1
(1; 2) 0:15 1: 5
(2; 0) 0: 1 1
(2; 1) 0:15 1: 5
(2; 2) 0:25 2
Nilai X
0 0: 5 1 1: 5 2 E
benar.
Aspek penting dari contoh ini adalah nilai yang diharapkan dari X
berarti populasi.
5.2.2.
sejumlah keberhasilan,
T=
Xn
i=1
Xi:
Pr (T = t) =
t (1 ) n t; t = 0; :::; n; 0 <<1:
=
1
Xn
i=1
Xi =
bisa
mengambil nilai
0;
; :::;
n 1
;1
dan itu
Pr
X
= Pr (T = t); t = 0; :::; n:
sama
distribusi pling X
bution adalah. Ini adalah hasil yang sangat berguna dan penting.
Sejak
n
Xn
i=1
Xi;
131
adalah kombinasi linear dari variabel acak sampel X1; :::; Xn; maka
hasil dalam Bagian 9.1.2 dan 9.2.1 dapat digunakan untuk… dan E
dan var
ai =
Pada gilirannya, dari sifat-sifat pengambilan sampel acak, kita tahu itu
E [Xi] = E [X] =;
var [Xi] = var [X] = 2:
berarti:
=E
"
Xn
i=1
Xi
Xn
i=1
E [Xi]
Xn
i=1
=:
Bukti:
var
X
= var
"
Xn
i=1
Xi
Xn
i=1
var
Xi
Xn
i=1
n
2
var [Xi]
Xn
i=1
n2
n2
; dan ini
biasanya diberi nama spesifik kesalahan standar. Sejauh ini, kami telah
mengidentifikasi
ti ... parameter populasi dengan parameter distribusi
variabel acak yang sesuai X: Kita dapat memperluas ini untuk mencakup
karakteristik
: Jadi, var
; dan sebagainya
SE
pn
11.3.3 Contoh
temukan itu
E
X2
distribusi X
bahwa
= 1: 995:
Ini memberi
var
133
yang tepatnya
0:61
SE
11.3.4 Ringkasan
padat.
dan varian 2;
: var
Efek yang terkandung dalam mean sampel. Jelas, hal yang sama
berlaku untuk standar
dard error SE
X
demikian juga.
Di sini, X
X2
= (0) 2 (1 ) + (1) 2 () =;
var [X] = E
X2
(E [X]) 2 = 2 = (1 ):
Menggunakan properti umum dari Bagian 11.3.1 dan 11.3.2, itu akan
mengikuti
bahwa
=; var
X
(1 )
= n (1 ):
informasi tersebut kami tidak dapat menghitung, untuk nilai apa pun x,
Pr
X
6x
garis X
adalah tempat
Hasil ini sangat penting. Hampir semua sisa dari kursus ini
N
;2
; kemudian
Perhatikan bahwa rata-rata dan varian dari distribusi ini persis seperti itu
distribusi.
katanya. Kemudian,
100;
400
25
; atau, X
N (100; 16):
Pr
<90
= Pr
100
<
90 100
= Pr (Z < 2: 5)
= 0: 0062:
135
jika X
sampel,
SE
SE
X
mendekati standar
SE
sekitar
cukup jika
Gagasan bahwa X
Klaim buku teks di sini adalah bahwa sampel "besar" setidaknya 20. Ini
tidak benar-benar
masuk akal, tetapi cukup untuk digunakan dalam kursus seperti ini.
<90
= 0: 0062