6 数据类型与数据收集之样本与总体

查看大图

统计学的价值在于用有限样本做有边界的判断，学习时要同时看数据、假设和结论。阅读时可以按「总体与样本的定义 -> 总体 -> 样本 -> 样本与总体的关系」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「总体与样本的定义」，再查「总体」。

在上一节中，我们探讨了不同的数据收集方法，包括调查、实验和观察等。了解这些基本的收集方法后，我们接下来将在这一节中深入研究与统计学密切相关的两个关键概念——样本和总体。这些概念是我们分析数据和进行推断时的重要基础。

总体与样本的定义

在统计学中，总体（或称为“母体”）是我们所关注的完整数据集合，而样本是我们从总体中选取的一部分数据。我们通常通过样本来估计总体的特征，因为直接访问和测量整个总体往往是不可行的。

查看大图

学习样本与总体时，先看样本来自哪个总体、抽样方式是否合理、结论能否推广。统计推断不能脱离样本来源。

总体

总体是指某特定研究中所有相关个体的集合。它可以是有限的，也可以是无限的。例如：

• 如果我们想研究某城市的居民健康状况，那么这个城市的所有居民构成了我们的总体。
• 在另一种情况下，如果我们想研究未来某种新品的需求，而这个新品可能在未来生产大量产品，那么我们的总体就是所有潜在消费者。

总体的性质非常重要，因为我们希望通过对样本的分析来推断总体的特性。

样本

样本是从总体中随机选择的一部分。这部分数据应当能够代表总体的属性，以便我们能够通过样本的分析得出对总体的推断。在选择样本时，通常需要考虑样本的“代表性”。常见的样本选择方法包括：

1. 简单随机抽样：每个个体有相同的机会被选中。
2. 分层抽样：根据总体的某些特征将总体划分为若干子群体（或层），然后从每个层中抽取样本。
3. 系统抽样：通过固定间隔从总体中选取样本。

案例分析

假设我们要分析某高中学生的数学成绩。总体是该高中的所有学生，而样本可能是从中随机选择的100名学生。通过对这100名学生的数学成绩进行分析，我们可以估计整个学校的数学成绩水平。

import numpy as np
import pandas as pd

# 模拟数据：假设有1000名学生的数学成绩
numpy.random.seed(0)
total_students = np.random.normal(loc=75, scale=10, size=1000)  # 正态分布

# 随机选择100名学生作为样本
sample_students = np.random.choice(total_students, size=100)

# 创建DataFrame以便分析
df = pd.DataFrame(sample_students, columns=["Math_Scores"])
print(df.describe())

通过对样本数据的描述性统计分析，比如计算平均分和标准差，我们可以估计整个学校的数学成绩均值和波动程度。

样本与总体的关系

样本和总体之间的关系是统计学推断的基础。通过对样本进行分析，我们可以使用统计方法来推断总体特征。这种推断的准确性依赖于样本的选择和样本量。

查看大图

《数据类型与数据收集之样本与总体》适合边看图边读正文。先确认问题和判断标准，再看概念解释与练习步骤，信息会更容易连成一条线。

1. 样本量：样本量越大，样本统计量（如均值、方差）的估计通常会更加接近总体参数。
2. 抽样误差：不同的样本可能会得到不同的结果，而这种结果之间的差异称为“抽样误差”。我们通过信任区间和假设检验等方法来量化和处理这些误差。

案例延续

继续我们之前的案例，现在我们可以计算样本均值和标准差，并建立一个95%的置信区间，以估计总体均值。

import scipy.stats as stats

sample_mean = np.mean(sample_students)
sample_std = np.std(sample_students, ddof=1)
n = len(sample_students)

# 计算95%置信区间
confidence_level = 0.95
critical_value = stats.t.ppf((1 + confidence_level) / 2, df=n-1)  # t分布临界值

margin_of_error = critical_value * (sample_std / np.sqrt(n))
confidence_interval = (sample_mean - margin_of_error, sample_mean + margin_of_error)

print(f"样本均值: {sample_mean:.2f}, 样本标准差: {sample_std:.2f}")
print(f"95%置信区间: ({confidence_interval[0]:.2f}, {confidence_interval[1]:.2f})")

上面的代码计算了样本的均值和标准差，并构造了95%的置信区间。我们通过这些统计量可以推测总体的数学成绩均值。

查看大图

学完《数据类型与数据收集之样本与总体》后，不妨换一个自己的场景试一次，重点观察输入、处理和输出是否能对应起来。

查看大图

如果想把《数据类型与数据收集之样本与总体》用到自己的任务里，可以先缩小场景，只验证一个最关键的判断点。

小结

在本节中，我们介绍了总体和样本的基本概念，并阐述了它们之间的关系。理解这两个概念是学习统计学的基础，对于后续的描述性统计分析尤为重要。接下来，我们将在下一节中讨论描述性统计中的“中心趋势的度量”，进一步深化我们对数据的理解。