統(tǒng)計(jì)推斷

個體是總體的一部分，局部的特性能反映全局的特點(diǎn)，但是，由于總體的不均勻性和樣本的隨機(jī)性，又使得樣本不能精確地反映總體。因此，抽取部分個體經(jīng)分析得出有關(guān)總體的結(jié)論存在著差錯和不可靠。從理論上講有兩種途徑可以消除和減少這種差錯。

盡量均勻

總體是我們要研究的未知事物，我們往往不可能改變他的均勻性，當(dāng)能夠使其達(dá)到理想的均勻時，已經(jīng)完全掌握了它，沒有研究的必要了。

確保抽樣代表性

采取適當(dāng)?shù)某闃臃椒ù_保抽樣的“代表性”，可有效地控制和提高統(tǒng)計(jì)推斷的可靠性和正確性。隨機(jī)抽樣的方法很多，常用的有：

（1）簡單隨機(jī)抽樣：

簡單隨機(jī)抽樣，是指抽樣過程應(yīng)獨(dú)立進(jìn)行并且總體中每個個體被抽到的機(jī)會均等。隨機(jī)抽樣不是隨便抽取，隨便抽取容易受到個人好惡的影響。為實(shí)現(xiàn)隨機(jī)化，可采取抽簽、擲隨機(jī)數(shù)骰子或查隨機(jī)數(shù)值表等辦法。如從100件產(chǎn)品中隨機(jī)抽取l0件組成樣本，可以把這100件產(chǎn)品從l開始編號直到100號，然后用抓鬮的辦法任意抽出l0個編號，由這l0個編號代表的產(chǎn)品組成樣本。此種抽樣方法的優(yōu)點(diǎn)是抽樣誤差小，缺點(diǎn)是手續(xù)繁雜。在實(shí)踐中真正做到每個個體被抽到的機(jī)會相等是不容易的。

（2）周期系統(tǒng)抽樣：

周期系統(tǒng)抽樣，又叫等距抽樣或機(jī)械抽樣，即將總體按順序編號，用抽簽或查隨機(jī)數(shù)值表的方法確定首件，進(jìn)而按等距原則依次抽取樣本。如從120個零件中取五個做樣本，先按生產(chǎn)順序給產(chǎn)品編號，用簡單隨機(jī)抽樣法確定首件，然后按每隔24(由120÷5=24得)個號碼抽取一個，共抽取五個組成樣本。這種方法特別適用于流水線上取樣，操作簡便，實(shí)施起來不易出現(xiàn)差錯。但抽樣起點(diǎn)一經(jīng)確定，整個樣本就完全固定。對總體質(zhì)量特性含有某種周期性變化，而當(dāng)抽樣間隔恰好與質(zhì)量特性變化周期吻合時，就可能得到一個偏差很大的樣本。

（3）分層抽樣法：

分層抽樣法，即從一個可以分成不同子總體的總體中，按規(guī)定比例從不同層中隨機(jī)抽取個體的方法。當(dāng)不同設(shè)備、不同環(huán)境生產(chǎn)同一種產(chǎn)品時，由于條件差別產(chǎn)品質(zhì)量可能有較大差異，為了使所抽取的樣本具有代表性，可以將不同條件下生產(chǎn)的產(chǎn)品組成組，使同一組內(nèi)產(chǎn)品質(zhì)量均勻，然后在各組內(nèi)按比例隨機(jī)抽取樣品合成一個樣本。這種抽樣方法得到的樣本代表性比較好，抽樣誤差較小，缺點(diǎn)是抽樣手續(xù)較繁，常用于產(chǎn)品質(zhì)量檢驗(yàn)。

（4）整群抽樣法：

這種方法是先將總體按一定方式分成多個群，然后隨機(jī)地抽取若干群并由這些群中的所有個體組成樣本。如按照生產(chǎn)過程將1000個零件分別裝入20個箱中，每箱50個，然后隨機(jī)抽取一箱，此箱中50個零件組成樣本。這種抽樣方法實(shí)施方便，但樣本來自個別群體而不能均勻分布在總體中，因而代表性差，抽樣誤差較大。

先假設(shè)真實(shí)差異不存在，表面差異全為試驗(yàn)誤差。然后計(jì)算這一假設(shè)出現(xiàn)的概率，根據(jù)小概率事件實(shí)際不可能性原理，判斷假設(shè)是否正確。這是對樣本所屬總體所做假設(shè)是否正確的統(tǒng)計(jì)證明，稱為統(tǒng)計(jì)假設(shè)測驗(yàn)。

統(tǒng)計(jì)假設(shè)測驗(yàn)的基本步驟為：

（1）對樣本所屬總體提出假設(shè)(包括

（2）確定顯著水平

（3）在

（4）將算得的概率與

統(tǒng)計(jì)推斷(statistical inference)，是指根據(jù)帶隨機(jī)性的觀測數(shù)據(jù)（樣本）以及問題的條件和假定（模型），而對未知事物作出的，以概率形式表述的推斷。它是數(shù)理統(tǒng)計(jì)學(xué)的主要任務(wù)，其理論和方法構(gòu)成數(shù)理統(tǒng)計(jì)學(xué)的主要內(nèi)容。

統(tǒng)計(jì)推斷是從總體中抽取部分樣本，通過對抽取部分所得到的帶有隨機(jī)性的數(shù)據(jù)進(jìn)行合理的分析，進(jìn)而對總體作出科學(xué)的判斷，它是伴隨著一定概率的推測。統(tǒng)計(jì)推斷的基本問題可以分為兩大類：一類是參數(shù)估計(jì)問題；另一類是假設(shè)檢驗(yàn)問題。在質(zhì)量活動和管理實(shí)踐中，人們關(guān)心的是特定產(chǎn)品的質(zhì)量水平，如產(chǎn)品質(zhì)量特性的平均值、不合格品率等。這些都需要從總體中抽取樣本，通過對樣本觀察值分析來估計(jì)和推斷，即根據(jù)樣本來推斷總體分布的未知參數(shù)，稱為參數(shù)估計(jì)。參數(shù)估計(jì)有兩種基本形式：點(diǎn)估計(jì)和區(qū)間估計(jì)。

統(tǒng)計(jì)推斷的一個基本特點(diǎn)是：其所依據(jù)的條件中包含有帶隨機(jī)性的觀測數(shù)據(jù)。以隨機(jī)現(xiàn)象為研究對象的概率論，是統(tǒng)計(jì)推斷的理論基礎(chǔ)。

在數(shù)理統(tǒng)計(jì)學(xué)中，統(tǒng)計(jì)推斷問題常表述為如下形式：所研究的問題有一個確定的總體，其總體分布未知或部分未知，通過從該總體中抽取的樣本（觀測數(shù)據(jù)）作出與未知分布有關(guān)的某種結(jié)論。例如，某一群人的身高構(gòu)成一個總體，通常認(rèn)為身高是服從正態(tài)分布的，但不知道這個總體的均值，隨機(jī)抽部分人，測得身高的值，用這些數(shù)據(jù)來估計(jì)這群人的平均身高，這就是一種統(tǒng)計(jì)推斷形式，即參數(shù)估計(jì)。若感興趣的問題是“平均身高是否超過1.7（米）”，就需要通過樣本檢驗(yàn)此命題是否成立，這也是一種推斷形式，即假設(shè)檢驗(yàn)。由于統(tǒng)計(jì)推斷是由部分（樣本）推斷整體（總體），因此根據(jù)樣本對總體所作的推斷，不可能是完全精確和可靠的，其結(jié)論要以概率的形式表達(dá)。統(tǒng)計(jì)推斷的目的，是利用問題的基本假定及包含在觀測數(shù)據(jù)中的信息，作出盡量精確和可靠的結(jié)論。

統(tǒng)計(jì)推斷基本信息

作　者： （美）卡塞拉（Casella,G.），（美）貝耶（Berger,R.L.） 著；

出 版 社：機(jī)械工業(yè)出版社；

出版時間： 2004-2；

字　數(shù)： 824000；

頁　數(shù)： 660；

開　本： 16；

紙　張： 膠版紙；

I S B N ： 9787111109457；

包　裝： 平裝；

定價：￥39.00。

統(tǒng)計(jì)推斷內(nèi)容介紹

本書從概率論的基礎(chǔ)開始，通過例子與習(xí)題的旁征博引，引進(jìn)了大量近代統(tǒng)計(jì)處理的新技術(shù)和一些國內(nèi)同類教材中不能見而廣為使用的分布。其內(nèi)容包括工科概率論入門、經(jīng)典統(tǒng)計(jì)和現(xiàn)代統(tǒng)計(jì)的基礎(chǔ)，又加進(jìn)了不少近代統(tǒng)計(jì)中數(shù)據(jù)處理的實(shí)用方法和思想，例如：Bootstrap再抽樣法、刀切（Jackknife）估計(jì)、EM算法、Logistic回歸、穩(wěn)?。≧obust）回歸、Markov鏈、Monte Carlo方法等。它的統(tǒng)計(jì)內(nèi)容與國內(nèi)流行的教材相比，理論較深，模型較多，案例的涉及面要廣，理論的應(yīng)用面要豐富，統(tǒng)計(jì)思想的闡述與算法更為具體。本書可作為工科、管理類學(xué)科專業(yè)本科生、研究生的教材或參考書，也可供教師、工程技術(shù)人員自學(xué)之用。

統(tǒng)計(jì)推斷目錄

出版說明

序

1 Probability Theory

1.1 Set Theory

1.2 Basics of Probability Theory

1.3 Conditional Probability and Independence

1.4 Random Variables

1.5 Distribution FunCtions

1.6 Density and Mass Functions

1.7 Exercises

1.8 Miscellanea

2 Transformations and Expectations

2.1 Distributions of Functions of a Random Varible

2.2 Expected Values

2.3 Moments and Moment Generating Functions

2.4 Differentiating Under an Integral Sign

2.5 Exercises

2.6 Miscellanea

3 Common Families of Distributions

3.1 Introduction

3.2 Discrete Distributions

3.3 Continuous Distributions

3.4 Exponential Families

3.5 Location and Scale Families

3.6 Inequalities and Identities

3.7 Exercises

3.8 Miscellanea

4 Multiple Random Variables

4.1 Joint and Marginal Distributions

4.2 Conditional Distributions and Independence

4.3 Bivariate Transformations

4.4 Hierarchical Models and Mixture Distributions

4.5 Covariance and Correlation

4.6 Multivariate and Correlation

4.7 Inequalities

4.8 Exercises

4.9 miscellanea

5 Properties of a Random Sample

……

6 Principles of Data Reduction

7 Point Estimation

8 Hypothesis Testing

9 Interval Estimation

10 Asymptotic Evaluations

11 Analysis of Variance and Regression

12 Regression Models

Appendix:Computer Algebra

Table of Common Distributions

References

Author Index

Subject Index