sampling_distribution
Differences
This shows you the differences between two versions of the page.
Both sides previous revisionPrevious revisionNext revision | Previous revisionNext revisionBoth sides next revision | ||
sampling_distribution [2016/05/17 15:23] – [n = 4 인 경우] hkimscil | sampling_distribution [2021/04/01 07:53] – hkimscil | ||
---|---|---|---|
Line 1: | Line 1: | ||
====== Sampling Distribtution, | ====== Sampling Distribtution, | ||
- | Sample Distribution (표본분포)과 Sampling Distribution (표집분포)는 비록 비슷하게 들리겠지만 전혀 다른 의미를 갖는다. 전자는 //하나의 샘플에서 추출한 구성원에 대한 분포//를 말한 것이고, 후자는 // | + | 이 글을 읽고 [[:mean and variance of the sample mean]] 문서를 읽을 |
+ | 또한 [[:sampling distribution in R]] 읽을 것. | ||
- | < | + | {{ : |
+ | |||
+ | Sample distribution이 population의 parameter와 동일한 statistics을 가질 확률은 그리 많지 않다. 가령, 우리나라 대학생의 communication apprehension 지수가 (index) 70이고 [[:Standard Deviation|standard deviation]]이 15라고 가정하면, | ||
위의 모집단은 $\mu=70, \;\; \sigma=15$ 의 특징을 갖는다. 이 모집단을 가지고 아래와 같은 가상의 실험을 한다고 생각해보자. | 위의 모집단은 $\mu=70, \;\; \sigma=15$ 의 특징을 갖는다. 이 모집단을 가지고 아래와 같은 가상의 실험을 한다고 생각해보자. | ||
Line 13: | Line 16: | ||
의 절차를 끝없이 (상상으로) 반복하여 그 평균값들의 분포를 (distribution of the sample means) 그린다면 어떻게 될까? | 의 절차를 끝없이 (상상으로) 반복하여 그 평균값들의 분포를 (distribution of the sample means) 그린다면 어떻게 될까? | ||
- | < | + | < |
연구자는 위의 사실에서 다른 사람들에게 다음과 같이 이야기 할 수 있다. " | 연구자는 위의 사실에서 다른 사람들에게 다음과 같이 이야기 할 수 있다. " | ||
Line 30: | Line 33: | ||
그렇다면 n = 4로 하여 샘플을 뽑는 경우는 어떨까? | 그렇다면 n = 4로 하여 샘플을 뽑는 경우는 어떨까? | ||
===== n = 4 인 경우 ===== | ===== n = 4 인 경우 ===== | ||
- | 이 모집단에서: | + | < |
- 샘플 구성원의 숫자가 4 인 샘플 (sample size, n = 4) 을 뽑아서 평균을 기록하고 | - 샘플 구성원의 숫자가 4 인 샘플 (sample size, n = 4) 을 뽑아서 평균을 기록하고 | ||
- 다시 그 샘플을 모집단에 넣은 다음 | - 다시 그 샘플을 모집단에 넣은 다음 | ||
Line 37: | Line 40: | ||
의 절차를 끝없이 (상상으로) 반복하여 그 평균값들의 분포를 (distribution of the sample means) 그린다면 어떻게 될까? | 의 절차를 끝없이 (상상으로) 반복하여 그 평균값들의 분포를 (distribution of the sample means) 그린다면 어떻게 될까? | ||
- | < | + | 위의 경우가 n =1 인 경우와 다른 점은 샘플의 숫자이다 (n=4). n =4인 경우에 구하는 샘플의 평균값으로 나올 수 있는 최소의 값을 n = 1인 경우에 구할 수 있는 최소값과 비교하여 보자. 어떤 점수가 더 크게 나올 가능성이 많을까? 당연히 n = 4인 경우이다. n = 4인 경우에서 샘플의 평균이 n =1 인 경우의 최소값과 같기 위해서는 population의 최소값이 연속해서 4번 뽑혀야 하기때문이다. 이는 한 번만 뽑히는 경우보다 확률적으로 더 어렵다. 따라서, n = 4인 경우의 샘플평균들의 분포곡선의 최소값은 n = 1인 경우의 그것에 비하면 상대적으로 홀쭉한 모양을 갖게 될 것이다. 홀쭉하다 함은 즉 이 샘플평균 분포곡선의 표준편차는 n =1인 경우의 그것에 비하면 작다는 것을 의미한다. |
<WRAP clear /> | <WRAP clear /> | ||
그렇다면 n = 16일 경우에는 어떨까? | 그렇다면 n = 16일 경우에는 어떨까? | ||
- | < | + | < |
* n = 25인 경우는? | * n = 25인 경우는? | ||
* n = 36인 경우는? | * n = 36인 경우는? | ||
Line 47: | Line 50: | ||
* n = 900인 경우? | * n = 900인 경우? | ||
* n = 1600인 경우? | * n = 1600인 경우? | ||
+ | <WRAP clear /> | ||
- | ===== CLT ===== | + | ===== in R ===== |
- | 위에서 언급한 가상의 샘플평균들의 분포를 구한다면 그 분포곡선은 아래의 성질을 갖게 된다. | + | < |
+ | s.size <- 4 | ||
+ | #s.size <- 25 | ||
+ | #s.size <- 64 | ||
+ | #s.size <- 100 | ||
+ | #s.size <- 400 | ||
+ | p <- rnorm(1000000, | ||
+ | range <- seq(1: | ||
+ | s <- rep (NA, length(range)) | ||
+ | for (i in range) { | ||
+ | s[i] <- mean(sample(p, | ||
+ | } | ||
+ | s.size | ||
+ | s.900 <- hist(s) | ||
+ | </ | ||
+ | ===== CLT ===== | ||
+ | 위에서 언급한 가상의 **샘플평균들의 분포**를 구한다면 그 분포곡선은 아래의 성질을 갖게 된다. | ||
* $\mu_{\overline{\tiny{X}}} = \mu$ | * $\mu_{\overline{\tiny{X}}} = \mu$ | ||
* $\sigma_{\overline{X}} = \frac{\sigma}{\sqrt{n}}$ | * $\sigma_{\overline{X}} = \frac{\sigma}{\sqrt{n}}$ | ||
- | (sampling distribution은 [Central Limit Theorem] 을 이해하기 위해서 꼭 필요한 개념이다.) | + | (sampling distribution은 |
- | $\mu=70$ 이며 $\sigma=15$ 인 모집단의 경우에서 n = 100인 샘플을 뽑는다고 가정을 해보면, | + | < |
* $\mu_{\tiny\overline{X}} = \mu = 70$ | * $\mu_{\tiny\overline{X}} = \mu = 70$ |
sampling_distribution.txt · Last modified: 2021/04/01 08:44 by hkimscil