17-Sampling Distribution Models
同一个调查，不同时期进行得出的概率不一样
17.1 Sampling Distribution of aProportion¶
背景：对一同一个实验，多次得出的概率分布如下
1，It is called the sampling distribution of the proportions
The histogram is unimodal, symmetric, and centered at p.
样本统计量随样本变化的抽样分布模型使我们能够量化这种变化，并说明我们认为相应的种群参数在哪里
注意：
案例
2，Which Normal? To use a Normal model, we need to specify two parameters: its mean and standard deviation. The center of the histogram is naturally at p, so that’s what we’ll use for the mean of the Normal model.
因为我们有一个正态模型，所以我们可以使用68-95-99.7规则，或使用表或技术查找精确的概率。例如，我们知道95%的正态分布值大约在平均值的两个标准差范围内，因此，如果各种可能问同一问题的民调报告了不同的结果，我们不应该感到惊讶。
Such sample-to-sample variation is sometimes called sampling error. It’s not really an error at all, but just variability you’d expect to see from one sample to another. Abetter term would be sampling variability.
17.2 When Does the Normal Model Work? Assumptions and Conditions¶
满足一下条件 The Independence Assumption： 样本中的个体（我们发现的比例）必须相互独立；
如果你的数据来自一个实验，其中受试者被随机分配到治疗中，或来自基于一个简单的随机样本的调查，那么这些数据就满足随机化条件Randomization Condition. 10% Condition: 抽样过多的人口也可能是一个问题。一旦你抽样了超过10%的人口，剩下的个体就不再真正独立。
Success/Failure Condition: You should have at least 10 successes and 10 failures in your data。np和nq都必须>=10
案例
17.3 The Sampling Distribution of Other Statistics¶
术语：skewed to the right，
Simulating the Sampling Distribution of a Mean
17.4 The Central Limit Theorem: The Fundamental Theorem ofStatistics¶
中心极限定理告诉我们，当样本量足够大时，样本均值的分布慢慢变成正态分布，就像这个图：
1，Laplace’s result is called the Central Limit Theorem13 (CLT).
随着样本量的增长，重复随机样本的均值分布不仅越来越接近正态模型，而且无论种群分布的形状如何，这都是如此！即使我们从偏态或双峰种群中提取样本， 中心极限定理也告诉我们，随着样本量的增长，重复随机样本的方法将倾向于遵循正态模型
中心极限定理(CLT)随机样本的均值是一个抽样分布可以近似的随机变量,
2，Assumptions and Conditions
Independence Assumption:
Sample Size Condition: |
|---|
3，Which normal
区别：重点
17.5 Sampling Distributions: A Summary¶
