样本均值的抽样分布

AP 统计学· 12 分钟阅读

1. 样本均值抽样分布的核心性质★★☆☆☆⏱ 15 min

当你从一个定量总体中重复抽取样本量均为n的随机样本时，所有可能的样本均值会形成一个具有可预测性质的独特概率分布。

📘 定义

x̄的抽样分布

\mu_{\bar{x}}, \sigma_{\bar{x}}

从目标总体中抽取固定大小n的所有样本得到的全部可能样本均值取值的集合

\mu_{\bar{x}} = \mu

x̄抽样分布的均值完全等于总体均值μ，与样本量无关。这意味着样本均值是总体均值的无偏估计量。

\sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}}

该抽样分布的标准差公式仅在不放回抽样且满足10%条件时成立：样本量n不超过总体总规模的10%。

📐 例题

美国成年男性总体的平均身高为69英寸，标准差为3.1英寸。计算样本量n=25时，x̄抽样分布的均值与标准差。

1
识别给定的总体参数：μ = 69，σ = 3.1，n = 25
2
计算抽样分布的均值：μ_x̄ = μ = 69 英寸
3
验证10%条件：25远小于所有美国成年男性总数的10%，因此标准差公式适用
4
$\sigma_{\bar{x}} = \frac{3.1}{\sqrt{25}} = 0.62 \text{ 英寸}$

2. 样本均值的中心极限定理★★★☆☆⏱ 18 min

中心极限定理（CLT）是入门统计学中最强大的结论之一，它允许我们在不知道原始总体分布形状的情况下进行正态概率计算。

📘 定义

中心极限定理

对于任意总体分布（无论其偏斜程度或形态如何特殊），随着样本量n增大，x̄的抽样分布将趋近于正态分布形态

📐 例题

某大城市的家庭收入呈强右偏分布，均值为72000美元，标准差为28000美元。描述样本量n=40时x̄抽样分布的形态。

1
注意原始总体分布呈强右偏，不服从正态分布
2
检查样本量：n=40 ≥ 30，因此中心极限定理适用
3
结论：无论原始总体是否偏斜，x̄的抽样分布都近似服从正态分布

3. 样本均值的正态性条件检验★★★☆☆⏱ 12 min

原始总体分布已明确说明服从正态分布，无需最小样本量
样本量n至少为30，因此中心极限定理保证抽样分布近似正态
当n < 30时，样本数据无强异常值，且总体分布大致对称

📐 例题

从一所大型高中收集n=22份考试成绩的样本，样本数据无异常值且大致对称。证明x̄的抽样分布近似正态。

1
样本量n=22 < 30，因此中心极限定理不直接适用
2
检查样本数据：无强异常值，分布大致对称
3
结论：考试成绩的总体分布近似正态，因此x̄的抽样分布近似正态

4. 样本均值结果的概率计算★★★★☆⏱ 20 min

一旦确认x̄的抽样分布近似正态，你就可以使用z分数和正态累积分布函数来计算任意区间内观测到样本均值的概率。

z = \frac{\bar{x} - \mu}{\sigma / \sqrt{n}}

📐 例题

学生考试成绩的总体均值为78，标准差为9。对于n=36名学生的随机样本，计算样本均值大于81的概率。

1
确认正态性：n=36 ≥ 30，中心极限定理适用，抽样分布近似正态
2
计算抽样分布参数：μ_x̄ =78，σ_x̄ = 9/√36 = 1.5
3
$z = \frac{81 - 78}{1.5} = 2$
4
使用正态累积分布函数求得P(z > 2) ≈ 0.0228，因此概率约为2.3%

✓ 快速检测

在继续学习前测试你的理解：

当总体σ=20，样本量n=100时，抽样分布的标准差是多少？
显示答案
2 —
σ/√100 = 20/10 = 2
对于偏态总体，以下哪个样本量可以满足中心极限定理的适用条件？
- n=10
- n=20
- n=35
- n=15
显示答案
n=35 —
样本量≥30满足中心极限定理要求

5. 常见陷阱

错误做法:

直接使用总体标准差σ计算z分数，而非σ/√n

原因:

忘记抽样分布的变异性远小于单个观测值的变异性

正确做法:

计算样本均值的标准差时，务必将σ除以√n

错误做法:

在样本量小于30时应用中心极限定理

原因:

小样本会保留原始总体的偏态或特殊形态

正确做法:

仅当n ≥ 30时使用中心极限定理的正态近似，除非总体明确服从正态分布

错误做法:

不放回抽样时忽略10%条件

原因:

当样本占总体比例较大时，会高估标准误计算的精度

正确做法:

在使用σ/√n公式前确认n ≤ 总体总规模的10%

错误做法:

表述为'样本分布是正态的'而非提及抽样分布

原因:

AP阅卷人会因错误指明中心极限定理适用的分布类型扣分

正确做法:

讨论中心极限定理正态性时，明确指出是样本均值的抽样分布

错误做法:

在总体σ已知时使用t分布计算概率

原因:

混淆了σ未知的推断流程与抽样分布概率计算工作

正确做法:

当总体标准差已知时，使用正态近似计算抽样分布概率

6. 速查表

性质	公式 / 规则	AP考试要求
x̄分布的均值	$μ_{\overset{x}{ˉ}} = μ$	无需任何条件
x̄分布的标准差	$σ_{\overset{x}{ˉ}} = \frac{σ}{n}$	需要满足10%条件
CLT正态性	n ≥ 30 → 近似正态	必须说明样本量依据
x̄的Z分数	$z = \frac{x ˉ - μ}{σ / n}$	不得使用单个观测值的z分数

真题中的出现

AI 根据考纲规律估算的考点位置,请对照官方真题核实准确性。仅作复习重点参考。

2023 · 1
关于麦片盒重量抽样分布的自由问答题
2022 · 2
针对n=50户家庭样本的中心极限定理选择题
2021 · 1
关于通勤时间抽样分布性质的自由问答题

下一步

掌握样本均值的抽样分布是你后续学习AP统计学中所有单样本t区间和t检验推断流程的关键基础。你在这里学到的性质直接解释了为什么当总体标准差未知时我们使用t分布（而非z分布），以及如何计算总体均值置信区间的边际误差。之后你在比较两个独立样本均值时也会用到完全相同的逻辑，因此请确保你能可靠地证明正态性并计算标准误，不会混淆单个观测值和样本均值的变异性。这些技能几乎在每一次AP统计学自由问答题部分都会被考察，所以请练习区分你处理的是样本均值还是单个观测值，避免常见的失分点。