【抽样技术】CH2 简单随机抽样

前言

一、定义

二、概述

1.总体

2.单元

3.抽样比

4.样本抽取原则

5.在抽样理论中的地位与作用

三、参数估计

1.参数表示

2.对总体特征的估计思路

3.对总体均值的估计

（1）引理

（2）对总体均值的估计

4.方差和协方差的估计

5.区间估计

6.样本量的确定

（1）费用

（2）步骤

（3）精度(编辑编辑编辑)

（4）估计总体均值时样本量的确定方法

7.对总体比例的估计

（1）总体比例的估计量

（2）总体比例估计量的方差

（3）估计总体比例时样本量的确定

8.总体总值的简单估计

（1）总体总值的简单估计

（2）总体总值简单估计量的性质

（3）估计总体总值时估计量的确定

9.放回简单随机抽样的估计

10.设计效应（）

（1）定义

（2）的作用

（3）设计效应和样本量的确定

四、附表——抽样理论&数理统计的比较

前言

学习一种抽样方法必须掌握的五个要点：

该抽样方法的定义
实施抽样的方法
利用该抽样方法所得数据进行参数估计的方法
估计量的性质：期望、方差
估计量方差（精度）的估计方法

一、定义

1.从总体的个单元中，一次整批抽取个单元，使任何一个单元被抽中的概率都相等，任何n个不同单元组成的组合被抽中的概率也都相等，这种抽样成为简单随机抽样（s.r.s）。

2.从总体的个单元中，逐个不放回地抽取单元，每次抽到尚未入样的任何一个单元的概率都相等，直到抽足个单元为止，这样所得的个单元组成一个简单随机样本。（现实中采用的方法）

【注】

对于简单随机抽样，依次抽到一组特定样本单元的概率为：

$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20P%28%20y_%7B1%7D%3DY_%7Bi_%7B1%7D%7D%2C%20y_%7B2%7D%3DY_%7Bi_%7B2%7D%7D%2C%5Ccdots%20%2C%20y_%7Bn%7D%3DY_%7Bi_%7Bn%7D%7D%29%3D%5Cfrac%7B%28N-n%29%21%7D%7BN%21%7D$

$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%7B%5Ccolor%7BBlue%7D%20%7DP%28y_%7B1%7D%3DY_%7Bi_%7B1%7D%7D%2Cy_%7B2%7D%3DY_%7Bi_%7B2%7D%7D%2C%5Ccdots%20%2Cy_%7Bn%7D%3DY_%7Bi_%7Bn%7D%7D%29%3DP%28y_%7B1%7D%3DY_%7Bi_%7B1%7D%7D%29P%28y_%7B2%7D%3DY_%7Bi_%7B2%7D%7D%7Cy_%7B1%7D%3DY_%7Bi_%7B1%7D%7D%29%5Ccdots%20P%28y_%7Bn%7D%3DY_%7Bi_%7Bn%7D%7D%7Cy_%7B1%7D%3DY_%7Bi_%7B1%7D%2C%5Ccdots%20%2Cy_%7Bn-1%7D%3DY_%7Bi_%7Bn-1%7D%7D%7D%29%3D%5Cfrac%7B1%7D%7BN%7D*%5Cfrac%7B1%7D%7BN-1%7D*%5Ccdots%20*%5Cfrac%7B1%7D%7BN-n+1%7D%3D%5Cfrac%7B%28N-n%29%21%7D%7BN%21%7D$

之前课本中为，为其具体值（非随机）；在抽样课程中，为总体真值（非随机），为样本值，是。前面提到的一般较大，若从种可能的样本中随机抽取一种，需要先列出所有可能的种样本，不现实。

不考虑顺序，则抽中一组特定样本的概率为：

$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%5Cfrac%7B%28N-n%29%21%7D%7BN%21%7Dn%21%3D%5Cfrac%7B1%7D%7BC_%7BN%7D%5E%7Bn%7D%7D$

对于样本量n=1和n=2两种特殊情形（N个总体单元中抽取n个样本单元的简单随机抽样）

$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20P%28%20y_%7Bk%7D%3DY_%7Bs%7D%29%3D%5Cfrac%7B1%7D%7BN%7D%2CP%28%20y_%7Bk%7D%3DY_%7Bs%7D%2C%20y_%7Bj%7D%3DY_%7Bt%7D%29%3D%5Cfrac%7B1%7D%7BN%28N-1%29%7D$

，

$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%7B%5Ccolor%7BBlue%7D%20P%28y_%7Bk%7D%3DY_%7Bs%7D%29%3D%5Csum_%7Ball%28i_%7B1%7D%2C%5Ccdots%20%2Ci_%7Bn%7D%29%2Cbut%2Ci_%7Bk%7D%3Ds%7DP%28y_%7B1%7D%3DY_%7Bi_%7B1%7D%7D%2C%5Ccdots%20%2Cy_%7Bn%7D%3DY_%7Bi_%7Bn%7D%7D%29%3D%5Cfrac%7B%28N-n%29%21%7D%7BN%21%7D%5Cbinom%7BN-1%7D%7Bn-1%7D%28n-1%29%21%3D%5Cfrac%7B1%7D%7BN%7D%7D$

$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%7B%5Ccolor%7BBlue%7D%20P%28y_%7Bk%7D%3DY_%7Bs%7D%2Cy_%7Bj%7D%3DY_%7Bt%7D%29%3D%5Csum_%7Ball%28i_%7B1%7D%2C%5Ccdots%20%2Ci_%7Bn%7D%29%2Cbut%2Ci_%7Bk%7D%3Ds%2Ci_%7Bj%7D%3Dt%7DP%28y_%7B1%7D%3DY_%7Bi_%7B1%7D%7D%2C%5Ccdots%20%2Cy_%7Bn%7D%3DY_%7Bi_%7Bn%7D%7D%29%3D%5Cfrac%7B%28N-n%29%21%7D%7BN%21%7D%5Cbinom%7BN-2%7D%7Bn-2%7D%28n-2%29%21%3D%5Cfrac%7B1%7D%7BN%28N-1%29%7D%7D$

不计第几次抽样，抽中某特定单元的概率相等，都为 $gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%5Cfrac%7B1%7D%7BN%7D$ 。

二、概述

1.总体

具体总体
有限总体
与抽样框存在一一对应关系的实际调查总体

2.单元

构成抽样总体的抽样单元并不总是等同于个体，个体是不可再分的单元，抽样单元可能包含很多个体。

3.抽样比

样本容量相对于总体规模的比例 $gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20f%3D%5Cfrac%7Bn%7D%7BN%7D$ 。

4.样本抽取原则

排除主观因素，按随机原则取样
每个抽样单元被抽中的概率都是已知或事先可以计算的
总体各单元的入样概率相等
对于不放回抽样，总体各单元的入样概率之和等于样本量

5.在抽样理论中的地位与作用

优点：

简单直观、理论成熟
抽样调查的基础

缺点：

N很大时难以获得抽样框
样本分散时不易实施
很少单独使用，除非没有其他信息（常结合其他抽样方法使用）

三、参数估计

1.参数表示

总体真值	样本值
$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%5Cbar%7BY%7D%3D%5Cfrac%7B1%7D%7BN%7D%5Csum_%7Bi%3D1%7D%5E%7BN%7DY_%7Bi%7D%3D%5Cfrac%7BY_%7B1%7D+Y_%7B2%7D+%5Ccdots%20%2CY_%7BN%7D%7D%7BN%7D$	$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%5Cbar%7By%7D%3D%5Cfrac%7B1%7D%7Bn%7D%5Csum_%7Bi%3D1%7D%5E%7Bn%7Dy_%7Bi%7D%3D%5Cfrac%7By_%7B1%7D+y_%7B2%7D+%5Ccdots%20%2Cy_%7Bn%7D%7D%7Bn%7D$

$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20P%3D%5Cfrac%7BA%7D%7BN%7D%3D%5Cfrac%7B1%7D%7BN%7D%5Csum_%7Bi%3D1%7D%5E%7BN%7DY_%7Bi%7D$ 示性变量或（当符合条件时取值为1）
$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20R%3D%5Cfrac%7B%5Csum_%7Bi%3D1%7D%5E%7BN%7DY_%7Bi%7D%7D%7B%5Csum_%7Bi%3D1%7D%5E%7BN%7DX_%7Bi%7D%7D%3D%5Cfrac%7B%5Cbar%7BY%7D%7D%7B%5Cbar%7BX%7D%7D$	$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%5Chat%7BR%7D%3D%5Cfrac%7B%5Csum_%7Bi%3D1%7D%5E%7Bn%7Dy_%7Bi%7D%7D%7B%5Csum_%7Bi%3D1%7D%5E%7Bn%7Dx_%7Bi%7D%7D%3D%5Cfrac%7B%5Cbar%7By%7D%7D%7B%5Cbar%7Bx%7D%7D$
$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%5Csigma%20%5E2%3D%5Cfrac%7B1%7D%7BN%7D%5Csum_%7Bi%3D1%7D%5E%7BN%7D%28Y_%7Bi%7D-%5Cbar%7BY%7D%29%5E2$	$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20s%20%5E2%3D%5Cfrac%7B1%7D%7Bn-1%7D%5Csum_%7Bi%3D1%7D%5E%7Bn%7D%28y_%7Bi%7D-%5Cbar%7By%7D%29%5E2$
$gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20S%20%5E2%3D%5Cfrac%7B1%7D%7BN-1%7D%5Csum_%7Bi%3D1%7D%5E%7BN%7D%28Y_%7Bi%7D-%5Cbar%7BY%7D%29%5E2%3D%5Cfrac%7BN%7D%7BN-1%7D%5Csigma%20%5E2$

【注】总体参数上面带符号“^”表示由样本得到的总体参数的估计。估计量的方差用大写的表示，对的样本估计值用表示。

2.对总体特征的估计思路

利用样本的目标变量观测值对其总体参数进行直接估计
借助与目标变量高度相关的辅助变量对目标变量总体参数进行区间估计，如比率估计、回归估计等

3.对总体均值的估计

（1）引理

【引理2.1】从大小为的总体中抽取一个样本量为n的简单随机样本，则总体中每个特定单元入样的概率为 $gif.latex?%5Cdpi%7B100%7D%20%5Csmall%20%5Cfrac%7Bn%7D%7BN%7D$ ，两个特定单元都入样的概率为 $\pi _{i}=\frac{n(n-1)}{N(N-1)}$ 。

${\color{Blue} proof:}$

${\color{Blue} \pi_{ij}=\frac{\binom{2}{2}\binom{N-2}{n-2}}{\binom{N}{n}}=\frac{n(n-1)}{N(N-1)}}$

【注】简单随机抽样下，所有可能的 $\binom{N}{n}$ 个样本中，包含某个特点单元的样本数为？同时包含两个特定不同单元的样本数为？

【引理2.2】从总体规模为N的总体中抽取一个样本量为n的简单随机样本。若对总体中的每个单元 $Y_{i}$ ，引入随机变量 $a_{i},i=1,2,\cdots ,N$ ，如下， $a_{i}=\left\{\begin{matrix} 1\\ 0 \end{matrix}\right.$ ，1表示 $Y_{i}$ 被抽中，0表示未被抽中。则：

$E(a_{i})=\frac{n}{N}=f,i=1,2,\cdots ,N$

$V(a_{i})=\frac{n}{N}\frac{N-n}{N}=f(1-f),i=1,2,\cdots ,N$

$cov(a_{i},a_{j})=-\frac{n}{N(N-1)}(1-\frac{n}{N})=-\frac{f(1-f)}{N-1},i=1,2,\cdots ,N;i\neq j$

（2）对总体均值的估计

【定理2.1】对于简单随机抽样， $\bar{y}$ 是 $\bar{Y}$ 的无偏估计（估计量无偏性），即 $E(\bar{y})=\bar{Y}$

证明：从总体规模为N的总体中抽取一个样本量为n的简单随机样本。若对总体中的每个单元 $Y_{i}$ ，引入随机变量 $a_{i},i=1,2,\cdots ,N$ ，如下， $a_{i}=\left\{\begin{matrix} 1\\ 0 \end{matrix}\right.$ ，1表示 $Y_{i}$ 被抽中，0表示未被抽中。则 $\bar{y}$ 可表达为 $\bar{y}=\frac{1}{n}\sum_{i=1}^{N}a_{i}Y_{i}$ ，式中 $Y_{i},i=1,2,\cdots ,N$ 是常数，故 $E(\bar{y})=\frac{1}{n}\sum_{i=1}^{N}Y_{i}E(a_{i})=\frac{1}{n}\sum_{i=1}^{N}Y_{i}\frac{n}{N}=\frac{1}{n}\frac{n}{N}\sum_{i=1}^{N}Y_{i}=\bar{Y}$

【推论2.1】对于简单随机抽样， $\hat{Y}=N\bar{y}$ 的期望为 $E(\hat{Y})=E(N\hat{y})=N\hat{Y}=Y$

【推论2.2】对于简单随机抽样， $\hat{P}=p$ 的期望为 $E(\hat{P})=E(p)=p$

【推论2.3】对于简单随机抽样，n较大时， $\hat{R}=r$ 的期望为 $E(\hat{R})=E(r)\approx R$

【定理2.2】对于简单随机抽样， $\bar{y}$ 的方差 $V(\bar{y})=\frac{N-n}{Nn}S^2=\frac{1-f}{n}S^2$ ，式中 $f=\frac{n}{N}$ 为抽样比，为有限总体校正系数（fpc）

${\color{Blue}proof: }$

【注】简单估计量估计精度影响因素 $V(\bar{y})=\frac{N-n}{Nn}S^2=\frac{1-f}{n}S^2$ 。估计量的方差 $V(\bar{y})$ 是衡量估计量精度的度量。影响估计量方差的因素包括样本量，总体大小和总体方差。通常N很大，当时，可将近似取为1。总体方差是我们无法改变的，因此在简单随机抽样的条件下，只有通过加大样本量来提高估计量的精度。

4.方差和协方差的估计

【Th】 $s^2=\frac{1}{n-1}\sum_{i=1}^{N}(y_{i}-\bar{y})^2$ 是的无偏估计

${\color{Blue} proof:}$

【 $\Rightarrow1$ 】对于简单随机抽样， $v(\bar{y})=\frac{1-f}{n}s^2$ 是 $V(\bar{y})$ 的无偏估计

【 $\Rightarrow 2$ 】 $v(\hat{Y})=v(N\bar{y})=N^2\frac{1-f}{n}s^2$ 是 $V(\hat{Y})=N^2\frac{1-f}{n}s^2$ 的无偏估计

5.区间估计

由中心极限定理， $\small \frac{\bar{y}-\bar{Y}}{\sqrt{V(\bar{y})}}\sim N(0,1)$ ， $\small P(\left |\frac{\bar{y}-\bar{Y}}{\sqrt{V(\bar{y})}} \right |\leqslant u _{\frac{\alpha }{2}})=P(\left |\bar{y}-\bar{Y} \right |\leqslant u _{\frac{\alpha }{2}}\sqrt{V(\bar{y})})=1-\alpha$ 。总体均值的置信区间为 $\small \bar{y}-u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}\leqslant \bar{Y}\leqslant \bar{y}+u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}$ ，其中 $\small u_{\frac{\alpha }{2}}$ 是标准正态分布的上 $\small \frac{\alpha }{2}$ 分位数， $\small d=u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}$ 称为绝对误差限。用 $v(\bar{y})=\frac{1-f}{n}s^2$ 估计 $\small V(\bar{y})=\frac{1-f}{n}s^2$ ，因而 $\small \bar{Y}$ 的置信区间为 $\small \left [ \bar{y}-u_{\frac{\alpha }{2}}\sqrt{\frac{1-f}{n}}s, \bar{y}+u_{\frac{\alpha }{2}}\sqrt{\frac{1-f}{n}}s\right ]$ 。进行多次抽样后，根据各次的样本算得的置信区间包含总体均值 $\small \bar{Y}$ 的比例约为 $\small 1-\alpha$ 。 $\small 1-\alpha$ 称为置信水平或置信度，反应抽样调查的信度水平。绝对误差限 $\small d=u_{\frac{\alpha }{2}}\sqrt{\frac{1-f}{n}}s$ 为置信区间的半长。

$\small Var(\bar{y})$ 的估计： $\small var(\bar{y})=\frac{1-f}{n}s^2$ ， $\small Var(\bar{Y})$ 的估计： $\small var(\bar{Y})=N^2\frac{1-f}{n}s^2$ 。

$\small \bar{y}$ 的区间估计： $\small \left [ \bar{y}-u_{\frac{\alpha }{2}}\sqrt{\frac{1-f}{n}}s, \bar{y}+u_{\frac{\alpha }{2}}\sqrt{\frac{1-f}{n}}s\right ]$

$\small \hat{Y}$ 的区间估计： $\small \left [ N\bar{y}-u_{\frac{\alpha }{2}}N\sqrt{\frac{1-f}{n}}s, N\bar{y}+u_{\frac{\alpha }{2}}N\sqrt{\frac{1-f}{n}}s\right ]$

6.样本量的确定

（1）费用

$\small C=c_{0}+c_{1}n$ 。即总费用=固定费用+可变费用。固定费用包含设计费、分析费、办公费、管理费、场租费……； $\small c_{1}$ ，即平均调查一个样本单元的费用包括访问员费、交通费、礼品费、电话费……

（2）步骤

明确估计量的精度要求（绝对误差限 $\small d$ 或相对误差限 $\small r$ ）
找出样本量与精度之间的关系
估计所需的样本量数值，即求解 $\small n$
如超出预算，调整精度值重新计算样本量

（3）精度( $\small margin$ $\small of$ $\small error$ )

允许最大绝对误差（绝对误差限） $\small d=u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}$
以相对误差限 $\small r$ 来表示 $\small r=\frac{d}{\bar{Y}}=\frac{u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}}{\bar{Y}}$

$\small P(\left | \frac{\bar{y}-\bar{Y}}{\bar{Y}} \right |\leqslant r)=1-\alpha$ ， $\small P(\left | \frac{\bar{y}-\bar{Y}}{\sqrt{V(\bar{y})}} \right |\leqslant u_{\frac{\alpha }{2}})=1-\alpha \Rightarrow P(\left | \frac{\bar{y}-\bar{Y}}{\bar{Y}} \right |\leqslant \frac{u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}}{\bar{Y}})=1-\alpha$

绝对误差限与估计量标准差的关系为： $\small d=u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}=u_{\frac{\alpha }{2}}S(\bar{y})$
相对误差限与绝对误差限（估计量方差）的关系为： $\small r=\frac{d}{\bar{Y}}=\frac{u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}}{\bar{Y}}=u_{\frac{\alpha }{2}}\frac{\sqrt{V(\bar{y})}}{E\bar{y}}=u_{\frac{\alpha }{2}}C(\bar{y})$ 。 $\small E\bar{y}=\bar{Y}$ 在估计量无偏可以替换，其中 $\small C(\bar{y})$ 称为变异系数。

（4）估计总体均值时样本量的确定方法

按绝对误差限确定样本量

设在 $\small 1-\alpha$ 置信度下，给定绝对误差限为 $\small d=u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}$ ，即 $\small d^2={u_{\frac{\alpha }{2}}}^2\frac{1}{n}(1-\frac{n}{N})S^2$ ，得出 $\small n=\frac{{{u_{\frac{\alpha }{2}}}^2}S^2}{d^2+\frac{1}{N}{{u_{\frac{\alpha }{2}}}^2}S^2}=\frac{n_{0}}{1+\frac{n_{0}}{N}}$ ，N很大时， $\small n\approx n_{0}=\frac{{{u_{\frac{\alpha }{2}}}^2S^2}}{d^2}$ 。其中， $\small n_{0}$ 为有放回抽样或无限总体条件下达到该精度至少需要的样本量。

按相对误差限确定样本量

设在 $\small 1-\alpha$ 的置信度下，给定相对误差限为 $\small r=\frac{d}{\bar{Y}}=\frac{u_{\frac{\alpha }{2}}\sqrt{V(\bar{y})}}{\bar{Y}}$ ，平方得 $\small r^2{\bar{Y}}^2={{u_{\frac{\alpha }{2}}}^2}\frac{1}{n}(1-\frac{n}{N})S^2$ ，得出 $\small n=\frac{{{u_{\frac{\alpha }{2}}}^2S^2}}{r^2{\bar{Y}}^2+\frac{1}{N}{{u_{\frac{\alpha }{2}}}^2S^2}}$ ， $\small N$ 很大时， $\small n\approx \frac{{{u_{\frac{\alpha }{2}}}^2S^2}}{r^2{\bar{Y}}^2}$ 。

7.对总体比例的估计

估计具有某类特征的单元占总体单元数N中的比例P。

将总体单元按是否具有这种特征划分为两类，设总体中有A个单元具有这个特征，如果对每个单元都定义指标值 $\small Y_{i}=\left\{\begin{matrix} 1\\ 0 \end{matrix}\right.$ ，1表示第 $\small i$ 个单元具有所考虑的特征。 $\small P=\frac{A}{N}=\frac{1}{N}\sum_{i=1}^{N}Y_{i}=\bar{Y}$ 。

（1）总体比例的估计量

总体比例 $\small P=\frac{A}{N}=\frac{\sum_{i=1}^{N}Y_{i}}{N}$ 的估计量为样本比例 $\small p=\frac{a}{n}=\frac{\sum_{i=1}^{n}y_{i}}{n}$ ，其中 $\small y_{i}=\left\{\begin{matrix} 1\\ 0 \end{matrix}\right.$ ，1表示第 $\small i$ 个单元具有所考虑的特征。

样本比例 $\small p$ 是总体比例 $\small P$ 的无偏估计。 $\small Ep=E\bar{y}=\bar{Y}=P$

（2）总体比例估计量的方差

总体比例的估计量 $\small p=\frac{a}{n}=\frac{\sum_{i=1}^{n}y_{i}}{n}$ 的方差 $\small V(p)=\frac{PQ}{n}\frac{N-n}{N-1}$ 。

总体比例估计量 $\small p=\frac{a}{n}=\frac{\sum_{i=1}^{n}y_{i}}{n}$ 的方差 $\small V(p)=\frac{PQ}{n}\frac{N-n}{N-1}$ 用 $v(p)=\frac{1-f}{n-1}pq$ 估计。（抽样比很小时近似为 $\frac{pq}{n-1}$ ）

总体比例的区间估计为 $\left [ p-{u_{\frac{\alpha }{2}}\sqrt{\frac{(1-f)pq}{n-1}}} , p+{u_{\frac{\alpha }{2}}\sqrt{\frac{(1-f)pq}{n-1}}}\right ]$ 。

（3）估计总体比例时样本量的确定

当待估参数是时，估计量是。

给定的绝对误差限

$d^2={{u_{\frac{\alpha }{2}}}^2}V(p)={{u_{\frac{\alpha }{2}}}^2}\frac{PQ}{n}\frac{N-n}{N-1}$

$n(N-1)d^2={{u_{\frac{\alpha }{2}}}^2}PQN-{{u_{\frac{\alpha }{2}}}^2}PQn$

$n=\frac{{{u_{\frac{\alpha }{2}}}^2}PQN}{{{u_{\frac{\alpha }{2}}}^2}PQ+(N-1)d^2}=\frac{\frac{{u_{\frac{\alpha }{2}}}^2}{d^2}PQ}{1+\frac{1}{N}(\frac{{u_{\frac{\alpha }{2}}}^2PQ}{d^2}-1)}$

若 $n_{0}=\frac{{u_{\frac{\alpha }{2}}}^2}{d^2}PQ$ ，则 $n=\frac{n_{0}}{1+\frac{n_{0}-1}{N}}$

$n_{0}$ 为放回抽样或无限总体情形下达到该精度最少所需样本量

8.总体总值的简单估计

总体总值为总体均值的N倍，即 $Y=N\bar{Y}=\sum_{i=1}^{N}Y_{i}$ ，只要有了总体均值的估计结果，就可以很容易地推出总体总值的估计结果。

（1）总体总值的简单估计

N倍的样本均值是总体总值的简单估计量，即 $\hat{Y}=N\bar{y}=\frac{N}{n}\sum_{i=1}^{n}y_{i}$ 。

（2）总体总值简单估计量的性质

由于总体总值是总体均值的N倍，其简单估计量也是总体均值估计量的N倍，而N是固定常数，所以总体总值的简单估计量的性质由总体均值的简单估计量的性质来决定。

容易证明：

$E(\hat{Y})=E(N\bar{y})=NE(\bar{y})=N\bar{Y}=Y$

$V(\hat{Y})=N^2V(\bar{y})=\frac{N^2(1-f)}{n}S^2$ 的无偏估计为 $v(\hat{y})=N^2v(\bar{y})=\frac{N^2(1-f)}{n}s^2$

（3）估计总体总值时估计量的确定

$d=u_{\frac{\alpha }{2}}\sqrt{Var(\hat{Y})}=Nu_{\frac{\alpha }{2}}\sqrt{var(\bar{y})}$

$d^2=N^2{{u_{\frac{\alpha }{2}}}^2}var(\bar{y})=N^2{{u_{\frac{\alpha }{2}}}^2}(\frac{1}{n}-\frac{1}{N})s^2$

$n=\frac{{{u_{\frac{\alpha }{2}}}^2}s^2}{\frac{{u_{\frac{\alpha }{2}}}^2s^2}{N}+\frac{d^2}{N^2}}$

9.放回简单随机抽样的估计

现实中有许多情况下，抽样是放回的，即从总体中抽中的单元每次都要放回总体中去。例如在城市中对行人、车辆的调查等抽样都是有放回的，有可能重复抽中某些单位。

对于每次抽到的结果（视为随机变量） $y_{i}$ 都有

$E(y_{i})=\sum_{i=1}^{N}\frac{1}{N}Y_{i}=\bar{Y}$
$V(y_{i})=\sum_{i=1}^{N}\frac{1}{N}(Y_{i}-\bar{Y})^2=\sigma ^2$
方差 $Var(\bar{y})=\frac{1}{n}\sigma ^2$ （与无限总体情形下均值估计量方差结果相同）
样本方差 $s^2=\frac{1}{n-1}\sum_{i=1}^{n}(y_{i}-\bar{y})^2$ 是无限总体方差 $\sigma ^2$ 的无偏估计量
方差 $V(\bar{y})$ 的一个无偏估计是 $v(\bar{y})=\frac{s^2}{n}$

10.设计效应（）

（1）定义

所采用抽样技术的参数估计量方差与相同样本量下简单随机抽样的参数估计量方差之比。

值越大，说明估计效率越低

（2）的作用

评价抽样设计的一个依据

如果，则抽样设计比简单随机抽样的效率高

如果，则抽样设计比简单随机抽样的效率低

计算样本量

如多阶段抽样的大约在 $2\sim 2.5$ 之间。 $n=n^{'}(deff)$ ， $n^{'}$ 为简单随机抽样下满足估计量精度要求所需样本量。

（3）设计效应和样本量的确定

有放回抽样的方差： $V_{srswr}=\frac{N-1}{N}\frac{s^2}{n}$

不放回抽样的方差： $V_{srswr}=\frac{N-n}{N}\frac{s^2}{n}$

有放回抽样的设计效应： $deff=\frac{N-1}{N-n}>1$

所以，要满足一定的估计精度，采用放回简单随机抽样比采用不放回简单随机抽样需要更大的样本量。

常用于复杂抽样样本量的确定；在一定精度条件下，简单随机抽样所需的样本量 $n^{'}$ 比较容易得到。

所考虑的抽样设计的样本量=简单随机抽样时满足方差要求时的样本量*

$n=n^{'}*deff$

四、附表——抽样理论&数理统计的比较

	抽样理论	数理统计
假设	有限总体，样本之间不独立有 $\binom{N}{n}$ 种可能的样本	无限总体，样本之间独立，可取无限种可能的样本
符号	$\bar{y}$	$\bar{y}$
定义	$\bar{y}=\frac{1}{n}\sum_{i=1}^{n}y_{i}$	$\bar{y}=\frac{1}{n}\sum_{i=1}^{n}y_{i}$
期望	$E(\bar{y})=E(\frac{1}{n}\sum_{i=1}^{n})=\frac{1}{n}\sum_{i=1}^{n}E(y_{i})=\frac{1}{n}[n\mu ]=\mu$	$E(\bar{y})=E(\frac{1}{n}\sum_{i=1}^{n})=\frac{1}{n}\sum_{i=1}^{n}E(y_{i})=\frac{1}{n}[n\mu ]=\mu$
方差	$V(\bar{y})=\frac{1-f}{n}S^2$	$V(\bar{y})=E[\bar{y}_{i}-\mu ]=E[\frac{1}{n}\sum_{i=1}^{n}-\mu ]=\frac{1}{n}{E(y_{i}-\mu )}^2=\frac{\sigma ^2}{n}$

抽样

理论

数理

统计

相同之处

不同之处

定义

都是根据从一个总体中

抽样得到的样本，然后

定义样本均值为：

$\bar{y}=\frac{1}{n}\sum_{i=1}^{n}y_{i}$

抽样理论中样本是从有限总体中按不放回的抽样方法得到的，样本中的样本点不会重复；

数理统计中的样本是从无限总体中利用有放回的抽样方法得到的，样本点有可能是重复的。

性质

(1)样本均值的期望都等于总体均值，也就是抽样理论和数理统计中的样本均值都是无偏估计

(2)不论总体原来是何种分布，在样本量足够大的条件下，样本均值近似服从正态分布

(1)抽样理论中，各个样本之间是不独立的；数理统计中的各个样本之间是相互独立的

(2)抽样理论中的样本均值的方差为 $V(\bar{y})=\frac{1-f}{n}S^2$ ，其中 $S^2=\frac{1}{N-1}\sum_{i=1}^{N}(Y_{i}-\bar{Y})^2=\frac{N}{N-1}\sigma ^2$

(3)数理统计中样本均值的方差为 $\frac{\sigma ^2}{n}$ ，其中 $\sigma ^2=\frac{1}{N}\sum_{i=1}^{N}(Y_{i}-\bar{Y})^2$

你可能感兴趣的:(抽样技术,数据分析)

UI学习——cell的复用和自定义cell Magnetic_h ui 学习
目录cell的复用手动（非注册）自动（注册）自定义cellcell的复用在iOS开发中，单元格复用是一种提高表格（UITableView）和集合视图（UICollectionView）滚动性能的技术。当一个UITableViewCell或UICollectionViewCell首次需要显示时，如果没有可复用的单元格，则视图会创建一个新的单元格。一旦这个单元格滚动出屏幕，它就不会被销毁。相反，它被添
学点心理知识，呵护孩子健康静候花开_7090
昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
Cell Insight | 单细胞测序技术又一新发现，可用于HIV-1和Mtb共感染个体诊断尐尐呅
结核病是艾滋病合并其他疾病中导致患者死亡的主要原因。其中结核病由结核分枝杆菌（Mycobacteriumtuberculosis,Mtb）感染引起，获得性免疫缺陷综合症（艾滋病）由人免疫缺陷病毒（Humanimmunodeficiencyvirustype1,HIV-1）感染引起。国家感染性疾病临床医学研究中心/深圳市第三人民医院张国良团队携手深圳华大生命科学研究院吴靓团队，共同研究得出单细胞测序
店群合一模式下的社区团购新发展——结合链动 2+1 模式、AI 智能名片与 S2B2C 商城小程序源码说私域人工智能小程序
摘要：本文探讨了店群合一的社区团购平台在当今商业环境中的重要性和优势。通过分析店群合一模式如何将互联网社群与线下终端紧密结合，阐述了链动2+1模式、AI智能名片和S2B2C商城小程序源码在这一模式中的应用价值。这些创新元素的结合为社区团购带来了新的机遇，提升了用户信任感、拓展了营销渠道，并实现了线上线下的完美融合。一、引言随着互联网技术的不断发展，社区团购作为一种新兴的商业模式，在满足消费者日常需
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
腾讯云技术深度探索：构建高效云原生微服务架构我的运维人生云原生架构腾讯云运维开发技术共享
腾讯云技术深度探索：构建高效云原生微服务架构在当今快速发展的技术环境中，云原生技术已成为企业数字化转型的关键驱动力。腾讯云作为行业领先的云服务提供商，不断推出创新的产品和技术，助力企业构建高效、可扩展的云原生微服务架构。本文将深入探讨腾讯云在微服务领域的最新进展，并通过一个实际案例展示如何在腾讯云平台上构建云原生应用。腾讯云微服务架构概览腾讯云微服务架构基于云原生理念，旨在帮助企业快速实现应用的容
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
DIV+CSS+JavaScript技术制作网页（旅游主题网页设计与制作）云南大理 STU学生网页设计网页设计期末网页作业 html静态网页 html5期末大作业网页设计 web大作业
️精彩专栏推荐作者主页:【进入主页—获取更多源码】web前端期末大作业：【HTML5网页期末作业(1000套)】程序员有趣的告白方式：【HTML七夕情人节表白网页制作(110套)】文章目录二、网站介绍三、网站效果▶️1.视频演示2.图片演示四、网站代码HTML结构代码CSS样式代码五、更多源码二、网站介绍网站布局方面：计划采用目前主流的、能兼容各大主流浏览器、显示效果稳定的浮动网页布局结构。网站程
2020-04-12每天三百字之连接与替代冷眼看潮
不知道是不是好为人师，有时候还真想和别人分享一下我对某些现象的看法或者解释。人类社会不断发展进步的过程，就是不断连接与替代的过程。人类发现了火并应用火以后，告别了茹毛饮血的野兽般的原始生活（火烧、烹饪替代了生食）人类用石器代替了完全手工，工具的使用使人类进步一大步。类似这样的替代还有很多，随着科技的发展，有更多的原始的事物被替代，代之以更高效、更先进的技术。在近现代，汽车替代了马车，高速公路和铁路
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
使用LLaVa和Ollama实现多模态RAG示例 llzwxh888 python 人工智能开发语言
本文将详细介绍如何使用LLaVa和Ollama实现多模态RAG（检索增强生成），通过提取图像中的结构化数据、生成图像字幕等功能来展示这一技术的强大之处。安装环境首先，您需要安装以下依赖包：!pipinstallllama-index-multi-modal-llms-ollama!pipinstallllama-index-readers-file!pipinstallunstructured!p
关于城市旅游的HTML网页设计——(旅游风景云南 5页)HTML+CSS+JavaScript 二挡起步 web前端期末大作业 javascript html css 旅游风景
⛵源码获取文末联系✈Web前端开发技术描述网页设计题材，DIV+CSS布局制作,HTML+CSS网页设计期末课程大作业|游景点介绍|旅游风景区|家乡介绍|等网站的设计与制作|HTML期末大学生网页设计作业，Web大学生网页HTML：结构CSS：样式在操作方面上运用了html5和css3，采用了div+css结构、表单、超链接、浮动、绝对定位、相对定位、字体样式、引用视频等基础知识JavaScrip
HTML网页设计制作大作业（div+css）云南我的家乡旅游景点带文字滚动二挡起步 web前端期末大作业 web设计网页规划与设计 html css javascript dreamweaver 前端
Web前端开发技术描述网页设计题材，DIV+CSS布局制作,HTML+CSS网页设计期末课程大作业游景点介绍|旅游风景区|家乡介绍|等网站的设计与制作HTML期末大学生网页设计作业HTML：结构CSS：样式在操作方面上运用了html5和css3，采用了div+css结构、表单、超链接、浮动、绝对定位、相对定位、字体样式、引用视频等基础知识JavaScript：做与用户的交互行为文章目录前端学习路线
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
CX8836：小体积大功率升降压方案推荐（附Demo设计指南）诚芯微科技社交电子
CX8836是一颗同步四开关单向升降压控制器，在4.5V-40V宽输入电压范围内稳定工作，持续负载电流10A，能够在输入高于或低于输出电压时稳定调节输出电压，可适用于USBPD快充、车载充电器、HUB、汽车启停系统、工业PC电源等多种升降压应用场合，为大功率TYPE-CPD车载充电器提供最优解决方案。提供CX8836Demo测试、CX8836样品申请及CX8836方案开发技术支持。CX8836同升
【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选**1.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
【华为OD技术面试真题 - 技术面】-测试八股文真题题库（1）算法大师华为od 面试 python 算法前端
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.黑盒测试和白盒测试的区别2.假设我们公司现在开发一个类似于微信的软件1.0版本，现在要你测试这个功能：打开聊天窗口，输入文本，限制字数在200字以内。问你怎么提取测试点。功能测试性能测试安全性测试可用性测试跨平台兼容性测试网络环境测试3.接口测试的工具你了解哪些
2019-11-04复盘——飞来山上千寻塔，闻说鸡鸣见日升。那一叶秋
1、大盘篇先上老图，看习惯了，也就知道走势了图1上证指数日线图还是那张老图，自己可以在自己的相关软件上画出来，快变盘了。2、个股篇未加仓、未减仓。分析量能的时候，突然发现这么一个东西：“放量突破年线，缩量回调。”合众科技日线图其实，最近的N只个股，在技术分析上，都到了变盘的临界时候。结合这么久的走势，特别是ZJH不断放开IPO的申请，本质上说是融资难度变大，或者说是为企业的融资开创便利。但现在市场
【华为OD技术面试真题精选 - 非技术题】 -HR面，综合面_华为od hr面一个射手座的程序媛程序员华为od 面试职场和发展
最后的话最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！资料预览给大家整理的视频资料：给大家整理的电子书资料：如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化的资料的朋友，可以点击这里获
18、架构-可观测性之聚合度量大树~~ 架构 java python 后端架构
聚合度量聚合度量是指对系统运行时产生的各种指标数据进行收集、聚合和分析，以了解系统的健康状况和性能表现。聚合度量是可观测性的关键组成部分，通过对度量数据的分析，可以及时发现系统中的异常和瓶颈。以下是对聚合度量各个方面的详细解析，并结合具体的数据案例和技术支撑。指标收集收集系统运行时产生的各种指标数据是聚合度量的基础。常见的指标包括CPU使用率、内存使用率、请求处理时间、请求数、错误率等。以下是指标
教育用心灵温暖心灵
@陈春丽长期学习班冯倩。今天一早就听到说高职合并，取消中专教育的教育信息。感觉是虽然知道，再听还是吓一跳。国家重视职业教育为何还要取消中专技术学校的教育？再听高中就要进行技术教育了，一部分人学习好继续努力学习考大学，一部分人在高中就可以进行职业教育接受职业教育了还要中专技术教育学校干什么呢！a有些职业教育学校转型升级快，不是孩子上完给找工作，而是学校帮孩子创业，我觉得是不错的方向！新闻新你得实时更
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
EIO国际确定性的交易（3/10）资管，资金委托安全吗？古城鹏哥
大家可能都知道资金托管，账户是自己开，钱在自己的账户上，密码是由自己掌控，别人提不走你账户的资金，每天可以看下到自己的账户，也可以看到交易流水。现金只能提到自己的银行卡中。账户由技术人员或操作人员，或者是机构团队帮你操作账户，产生盈利和收入，以获得的利润来分配盈利，技术强硬和做的时间久了过硬技术团队，会保证你的资金本金，不会让你的本金亏损的按照一定比例分配收入。所以在这个过程当中一定要看清楚技术的
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
OPENAIGC开发者大赛企业组AI黑马奖 | AIGC数智传媒解决方案 RPA中国人工智能 AIGC 传媒
在第二届拯救者杯OPENAIGC开发者大赛中，涌现出一批技术突出、创意卓越的作品。为了让这些优秀项目被更多人看到，我们特意开设了优秀作品报道专栏，旨在展示其独特之处和开发者的精彩故事。无论您是技术专家还是爱好者，希望能带给您不一样的知识和启发。让我们一起探索AIGC的无限可能，见证科技与创意的完美融合！创未来AI应用赛-企业组AI黑马奖作品名称：AIGC数智传媒解决方案参赛团队：深圳市三象智能技术
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Algorithm 香水浓 java Algorithm
冒泡排序 public static void sort(Integer[] param) { for (int i = param.length - 1; i > 0; i--) { for (int j = 0; j < i; j++) { int current = param[j]; int next = param[j + 1];
mongoDB 复杂查询表达式开窍的石头 mongodb
1:count Pg: db.user.find().count(); 统计多少条数据 2:不等于$ne Pg: db.user.find({_id:{$ne:3}},{name:1,sex:1,_id:0}); 查询id不等于3的数据。 3：大于$gt $gte(大于等于) &n
Jboss Java heap space异常解决方法, jboss OutOfMemoryError : PermGen space 0624chenhong jvm jboss
转自 http://blog.csdn.net/zou274/article/details/5552630 解决办法： window->preferences->java->installed jres->edit jre 把default vm arguments 的参数设为-Xms64m -Xmx512m ----------------
文件上传下载解析相对路径不懂事的小屁孩文件上传
有点坑吧，弄这么一个简单的东西弄了一天多，身边还有大神指导着，网上各种百度着。下面总结一下遇到的问题：文件上传，在页面上传的时候，不要想着去操作绝对路径，浏览器会对客户端的信息进行保护，避免用户信息收到攻击。在上传图片，或者文件时，使用form表单来操作。前台通过form表单传输一个流到后台，而不是ajax传递参数到后台，代码如下: <form action=&
怎么实现qq空间批量点赞换个号韩国红果果 qq
纯粹为了好玩！！逻辑很简单 1 打开浏览器console；输入以下代码。先上添加赞的代码 var tools={}; //添加所有赞 function init(){ document.body.scrollTop=10000; setTimeout(function(){document.body.scrollTop=0;},2000);//加
判断是否为中文灵静志远中文
方法一： public class Zhidao { public static void main(String args[]) { String s = "sdf灭礌 kjl d{';\fdsjlk是"; int n=0; for(int i=0; i<s.length(); i++) { n = (int)s.charAt(i); if((
一个电话面试后总结 a-john 面试
今天，接了一个电话面试，对于还是初学者的我来说，紧张了半天。面试的问题分了层次，对于一类问题，由简到难。自己觉得回答不好的地方作了一下总结：在谈到集合类的时候，举几个常用的集合类，想都没想，直接说了list,map。然后对list和map分别举几个类型： list方面：ArrayList,LinkedList。在谈到他们的区别时，愣住了
MSSQL中Escape转义的使用 aijuans MSSQL
IF OBJECT_ID('tempdb..#ABC') is not null drop table tempdb..#ABC create table #ABC ( PATHNAME NVARCHAR(50) ) insert into #ABC SELECT N'/ABCDEFGHI' UNION ALL SELECT N'/ABCDGAFGASASSDFA' UNION ALL
一个简单的存储过程 asialee mysql 存储过程构造数据批量插入
今天要批量的生成一批测试数据，其中中间有部分数据是变化的，本来想写个程序来生成的，后来想到存储过程就可以搞定，所以随手写了一个，记录在此： DELIMITER $$ DROP PROCEDURE IF EXISTS inse
annot convert from HomeFragment_1 to Fragment 百合不是茶 android 导包错误
创建了几个类继承Fragment, 需要将创建的类存储在ArrayList<Fragment>中; 出现不能将new 出来的对象放到队列中,原因很简单; 创建类时引入包是:import android.app.Fragment; 创建队列和对象时使用的包是:import android.support.v4.ap
Weblogic10两种修改端口的方法 bijian1013 weblogic 端口号配置管理 config.xml
一.进入控制台进行修改 1.进入控制台: http://127.0.0.1:7001/console 2.展开左边树菜单域结构->环境->服务器-->点击AdminServer(管理) &
mysql 操作指令征客丶 mysql
一、连接mysql 进入 mysql 的安装目录； $ bin/mysql -p [host IP 如果是登录本地的mysql 可以不写 -p 直接 -u] -u [userName] -p 输入密码，回车，接连；二、权限操作［如果你很了解mysql数据库后，你可以直接去修改系统表，然后用 mysql> flush privileges; 指令让权限生效］ 1、赋权 mys
【Hive一】Hive入门 bit1129 hive
Hive安装与配置 Hive的运行需要依赖于Hadoop，因此需要首先安装Hadoop2.5.2，并且Hive的启动前需要首先启动Hadoop。 Hive安装和配置的步骤 1. 从如下地址下载Hive0.14.0 http://mirror.bit.edu.cn/apache/hive/ 2.解压hive，在系统变
ajax 三种提交请求的方法 BlueSkator Ajax jqery
1、ajax 提交请求 $.ajax({ type:"post", url : "${ctx}/front/Hotel/getAllHotelByAjax.do", dataType : "json", success : function(result) { try { for(v
mongodb开发环境下的搭建入门 braveCS 运维
linux下安装mongodb 1）官网下载mongodb-linux-x86_64-rhel62-3.0.4.gz 2）linux 解压 gzip -d mongodb-linux-x86_64-rhel62-3.0.4.gz; mv mongodb-linux-x86_64-rhel62-3.0.4 mongodb-linux-x86_64-rhel62-
编程之美-最短摘要的生成 bylijinnan java 数据结构算法编程之美
import java.util.HashMap; import java.util.Map; import java.util.Map.Entry; public class ShortestAbstract { /** * 编程之美最短摘要的生成 * 扫描过程始终保持一个[pBegin,pEnd]的range,初始化确保[pBegin,pEnd]的ran
json数据解析及typeof chengxuyuancsdn js typeof json解析
// json格式 var people='{"authors": [{"firstName": "AAA","lastName": "BBB"},' +' {"firstName": "CCC&
流程系统设计的层次和目标 comsci 设计模式数据结构 sql 框架脚本
流程系统设计的层次和目标
RMAN List和report 命令 daizj oracle list report rman
LIST 命令使用RMAN LIST 命令显示有关资料档案库中记录的备份集、代理副本和映像副本的信息。使用此命令可列出： • RMAN 资料档案库中状态不是AVAILABLE 的备份和副本 • 可用的且可以用于还原操作的数据文件备份和副本 • 备份集和副本，其中包含指定数据文件列表或指定表空间的备份 • 包含指定名称或范围的所有归档日志备份的备份集和副本 • 由标记、完成时间、可
二叉树:红黑树 dieslrae 二叉树
红黑树是一种自平衡的二叉树,它的查找,插入,删除操作时间复杂度皆为O(logN),不会出现普通二叉搜索树在最差情况时时间复杂度会变为O(N)的问题. 红黑树必须遵循红黑规则,规则如下 1、每个节点不是红就是黑。 2、根总是黑的 &
C语言homework3，7个小题目的代码 dcj3sjt126com c
1、打印100以内的所有奇数。 # include <stdio.h> int main(void) { int i; for (i=1; i<=100; i++) { if (i%2 != 0) printf("%d ", i); } return 0; } 2、从键盘上输入10个整数，
自定义按钮, 图片在上, 文字在下, 居中显示 dcj3sjt126com 自定义
#import <UIKit/UIKit.h> @interface MyButton : UIButton -(void)setFrame:(CGRect)frame ImageName:(NSString*)imageName Target:(id)target Action:(SEL)action Title:(NSString*)title Font:(CGFloa
MySQL查询语句练习题，测试足够用了 flyvszhb sql mysql
http://blog.sina.com.cn/s/blog_767d65530101861c.html 1.创建student和score表 CREATE TABLE student ( id INT(10) NOT NULL UNIQUE PRIMARY KEY , name VARCHAR
转：MyBatis Generator 详解 happyqing mybatis
MyBatis Generator 详解 http://blog.csdn.net/isea533/article/details/42102297 MyBatis Generator详解 http://git.oschina.net/free/Mybatis_Utils/blob/master/MybatisGeneator/MybatisGeneator.
让程序员少走弯路的14个忠告 jingjing0907 工作计划学习
无论是谁，在刚进入某个领域之时，有再大的雄心壮志也敌不过眼前的迷茫：不知道应该怎么做，不知道应该做什么。下面是一名软件开发人员所学到的经验，希望能对大家有所帮助 1.不要害怕在工作中学习。只要有电脑，就可以通过电子阅读器阅读报纸和大多数书籍。如果你只是做好自己的本职工作以及分配的任务，那是学不到很多东西的。如果你盲目地要求更多的工作，也是不可能提升自己的。放
nginx和NetScaler区别流浪鱼 nginx
NetScaler是一个完整的包含操作系统和应用交付功能的产品，Nginx并不包含操作系统，在处理连接方面，需要依赖于操作系统，所以在并发连接数方面和防DoS攻击方面，Nginx不具备优势。 2.易用性方面差别也比较大。Nginx对管理员的水平要求比较高，参数比较多，不确定性给运营带来隐患。在NetScaler常见的配置如健康检查，HA等，在Nginx上的配置的实现相对复杂。 3.策略灵活度方
第11章动画效果（下） onestopweb 动画
index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
FAQ - SAP BW BO roadmap blueoxygen BO BW
http://www.sdn.sap.com/irj/boc/business-objects-for-sap-faq Besides, I care that how to integrate tightly. By the way, for BW consultants, please just focus on Query Designer which i
关于java堆内存溢出的几种情况 tomcat_oracle java jvm jdk thread
【情况一】：　　 java.lang.OutOfMemoryError: Java heap space：这种是java堆内存不够，一个原因是真不够，另一个原因是程序中有死循环；　　如果是java堆内存不够的话，可以通过调整JVM下面的配置来解决：　　<jvm-arg>-Xms3062m</jvm-arg> 　　<jvm-arg>-Xmx
Manifest.permission_group权限组阿尔萨斯 Permission
结构继承关系 public static final class Manifest.permission_group extends Object java.lang.Object android. Manifest.permission_group 常量 ACCOUNTS 直接通过统计管理器访问管理的统计 COST_MONEY可以用来让用户花钱但不需要通过与他们直接牵涉的权限 D

【抽样技术】CH2 简单随机抽样

前言

一、定义

二、概述

1.总体

2.单元

3.抽样比

4.样本抽取原则

5.在抽样理论中的地位与作用

三、参数估计

1.参数表示

2.对总体特征的估计思路

3.对总体均值的估计

（1）引理

（2）对总体均值的估计

4.方差和协方差的估计

5.区间估计

6.样本量的确定

（1）费用

（2）步骤

（3）精度( )

（4）估计总体均值时样本量的确定方法

7.对总体比例的估计

（1）总体比例的估计量

（2）总体比例估计量的方差

（3）估计总体比例时样本量的确定

8.总体总值的简单估计

（1）总体总值的简单估计

（2）总体总值简单估计量的性质

（3）估计总体总值时估计量的确定

9.放回简单随机抽样的估计

10.设计效应（ ）

（1）定义

（2）的作用

（3）设计效应和样本量的确定

四、附表——抽样理论&数理统计的比较

你可能感兴趣的:(抽样技术,数据分析)

（3）精度( $\small margin$ $\small of$ $\small error$ )

10.设计效应（）