KNOWECON WIKI

ARTICLE

sample mean

样本均值 (Sample Mean) 样本均值 (Sample Mean) 是统计学 (Statistics) 中用于描述一组样本数据集中趋势 (Central Tendency) 的核心统计量。对于来自某总体 (Population) 的独立同分布样本 X_1, X_2, , X_n，样本均值定义为： 样本均值是总体均值 = E[X_i] 最直接、最常用的

浏览 0 更新 2026-07-11

样本均值 (Sample Mean)

样本均值 (Sample Mean) 是统计学 (Statistics) 中用于描述一组样本数据集中趋势 (Central Tendency) 的核心统计量。对于来自某总体 (Population) 的独立同分布样本 X1,X2,…,XnX_1, X_2, \dots, X_n，样本均值定义为：

Xˉn=1n∑i=1nXi\bar{X}_n = \frac{1}{n} \sum_{i=1}^{n} X_i

样本均值是总体均值 μ=E[Xi]\mu = \mathbb{E}[X_i] 最直接、最常用的估计量。在推断统计学 (Inferential Statistics) 中，样本均值既是描述统计 (Descriptive Statistics) 的输出，也是参数估计与假设检验 (Hypothesis Testing) 的起点，占据连接数据与理论的枢纽地位。

大数定律与一致性

样本均值的核心理论支撑来自大数定律 (Law of Large Numbers, LLN)。弱大数定律 (Weak Law of Large Numbers) 指出，当 n→∞n \to \infty 时，样本均值依概率收敛于总体均值：

Xˉn→pμ\bar{X}_n \xrightarrow{p} \mu

这意味着随着样本量增大，样本均值以任意高的概率接近总体均值，即估计量具有一致性 (Consistency)。强大数定律 (Strong Law of Large Numbers) 进一步保证几乎必然收敛：Xˉn→a.s.μ\bar{X}_n \xrightarrow{\text{a.s.}} \mu。大数定律是频率学派统计推断的根基——它保证了通过增大样本量可以无限逼近真实参数，使得基于样本均值的推断在理论上具有可辩护性。

无偏性与期望

样本均值的期望等于总体均值：

E[Xˉn]=1n∑i=1nE[Xi]=μ\mathbb{E}[\bar{X}_n] = \frac{1}{n} \sum_{i=1}^{n} \mathbb{E}[X_i] = \mu

这一无偏性 (Unbiasedness) 意味着在重复抽样中，样本均值的长期平均恰好等于总体真值，不存在系统性的高估或低估。结合线性性和无偏性，样本均值属于最佳线性无偏估计量 (Best Linear Unbiased Estimator, BLUE) 的范畴——在高斯-马尔可夫定理 (Gauss-Markov Theorem) 框架下，它是所有线性无偏估计量中方差最小的。若总体服从正态分布 (Normal Distribution)，样本均值更是一致最小方差无偏估计量 (Uniformly Minimum Variance Unbiased Estimator, UMVUE)。

方差与标准误

样本均值的方差由总体方差 σ2=Var⁡(Xi)\sigma^2 = \operatorname{Var}(X_i) 和样本量 nn 共同决定：

Var⁡(Xˉn)=σ2n\operatorname{Var}(\bar{X}_n) = \frac{\sigma^2}{n}

其平方根 σ/n\sigma / \sqrt{n} 称为样本均值的标准误 (Standard Error)，衡量了估计量的抽样波动幅度。标准误与样本量的平方根成反比——将样本量扩大四倍，标准误差缩小一半，这是确定样本量 (Sample Size) 的核心依据。由于总体方差 σ2\sigma^2 通常未知，实践中以样本方差 (Sample Variance) s2=1n−1∑(Xi−Xˉ)2s^2 = \frac{1}{n-1}\sum (X_i - \bar{X})^2 替代，得到估计标准误 s/ns / \sqrt{n}。

标准误在置信区间 (Confidence Interval) 和假设检验中起关键作用。例如，总体均值 μ\mu 的 95%95\% 置信区间可表示为 Xˉn±tn−1,0.025×s/n\bar{X}_n \pm t_{n-1, 0.025} \times s / \sqrt{n}，其中 tn−1,0.025t_{n-1, 0.025} 为t分布 (t-Distribution) 的临界值。

中心极限定理

中心极限定理 (Central Limit Theorem, CLT) 是样本均值最重要的渐近性质。无论总体服从何种分布（只要方差有限），当样本量 nn 充分大时，样本均值的抽样分布 (Sampling Distribution) 近似服从正态分布：

n(Xˉn−μ)→dN(0,σ2)\sqrt{n}(\bar{X}_n - \mu) \xrightarrow{d} \mathcal{N}(0, \sigma^2)

等价地，Xˉn→dN(μ,σ2/n)\bar{X}_n \xrightarrow{d} \mathcal{N}(\mu, \sigma^2/n)。这一结论使研究者可以在不知道总体分布形态的前提下，基于正态近似进行统计推断。中心极限定理的普适性解释了为何正态分布在整个统计学中占据核心地位，也是t检验 (t-Test) 在大样本下仍然稳健的理论基础。经验上，当 n≥30n \ge 30 时，正态近似通常已足够好；但对于高度偏态的分布，可能需要更大的样本量。

线性变换性质

样本均值具有简洁的线性变换 (Linear Transformation) 性质：若定义 Yi=a+bXiY_i = a + b X_i，则 Yˉn=a+bXˉn\bar{Y}_n = a + b \bar{X}_n。这一性质使得数据经过标准化或其他线性变换后，样本均值可以轻松换算，极大简化了数据分析中的尺度调整。同时，样本均值使残差平方和 (Sum of Squared Residuals) 最小化——对于任意常数 cc，有 ∑(Xi−Xˉ)2≤∑(Xi−c)2\sum (X_i - \bar{X})^2 \le \sum (X_i - c)^2，这直接奠定了最小二乘法 (Ordinary Least Squares) 的数学基础。

子样本均值与分组均值

当全样本被划分为 KK 个不相交的子组时，总体样本均值与子组均值之间存在关系：

Xˉ=1n∑k=1KnkXˉ(k)\bar{X} = \frac{1}{n} \sum_{k=1}^{K} n_k \bar{X}_{(k)}

其中 nkn_k 和 Xˉ(k)\bar{X}_{(k)} 分别为第 kk 组的容量和均值。换言之，总体样本均值是各组均值的加权平均，权重为各组样本量占比。这一性质在方差分析 (Analysis of Variance, ANOVA) 中至关重要——ANOVA 的核心正是将总变异分解为组间变异和组内变异，而组均值与总体均值的关系贯穿其中。

样本均值与分组均值（Weighted Mean）

当观测值具有不同权重时，加权样本均值 (Weighted Sample Mean) 扩展了基本定义：

Xˉw=∑i=1nwiXi∑i=1nwi\bar{X}_w = \frac{\sum_{i=1}^{n} w_i X_i}{\sum_{i=1}^{n} w_i}

加权均值在调查统计 (Survey Sampling) 中用于处理不等概率抽样 (Unequal Probability Sampling)，在分层抽样 (Stratified Sampling) 中以层权重加权计算总体均值估计。元分析 (Meta-Analysis) 中不同研究的效应量也按精度（方差的倒数）加权组合，即加权均值思想的重要应用。

样本均值与中位数的比较

样本均值和样本中位数 (Sample Median) 是衡量集中趋势的两大常用统计量。样本均值利用全部数据信息，效率更高——在正态分布下，样本均值的渐近相对效率 (Relative Efficiency) 是中位数的 2/π≈63.7%2/\pi \approx 63.7\%，即中位数需要多约 57%57\% 的样本才能达到与均值相同的精度。然而，样本均值对异常值 (Outliers) 极为敏感，一个极端值即可显著拉动均值。样本中位数具有崩溃点 (Breakdown Point) 高达 50%50\% 的稳健性——即使接近半数的数据被污染，中位数仍能保持稳定。实际应用中，对厚尾分布或存在异常值的数据，常采用截尾均值 (Trimmed Mean) 作为折中方案。在气象学、经济学 的收入分布分析等领域，数据常呈现偏态分布 (Skewed Distribution)，此时中位数更能代表"典型"个体。

样本均值的局限性

尽管样本均值是应用最广泛的统计量，使用时必须注意其局限性。首先，样本均值要求数据至少为定距尺度 (Interval Scale)，对定类数据 (Nominal Data) 或定序数据 (Ordinal Data) 计算均值无统计学意义。其次，对时间序列数据 (Time Series Data) 或存在自相关 (Autocorrelation) 的观测，标准误公式 σ/n\sigma / \sqrt{n} 不再适用——正自相关导致标准误被低估，需采用纽威-韦斯特估计量 (Newey-West Estimator) 等异方差自相关一致估计 (HAC) 方法校正。第三，在多重比较 (Multiple Comparison) 场景中，多个样本均值的联合推断需考虑族系错误率 (Family-wise Error Rate) 控制，而非孤立审视单个均值。

样本均值在数理统计中的推广

样本均值的概念可向多个方向推广。在多元统计 (Multivariate Statistics) 中，样本均值向量 (Sample Mean Vector) Xˉ=1n∑i=1nXi\bar{\boldsymbol{X}} = \frac{1}{n} \sum_{i=1}^{n} \boldsymbol{X}_i 是总体均值向量的自然估计，其协方差矩阵为 Σ/n\boldsymbol{\Sigma} / n。在函数型数据分析 (Functional Data Analysis) 中，样本均值函数在每一点上对观测函数取平均。在回归分析 (Regression Analysis) 中，条件均值函数 (Conditional Mean Function) E[Y∣X]\mathbb{E}[Y \mid X] 的估计——无论是线性回归 (Linear Regression) 还是非参数回归 (Nonparametric Regression)——本质上都可视为在特定条件下的局部样本均值估计。在机器学习 (Machine Learning) 的集成方法 (Ensemble Methods) 中，袋装法 (Bagging) 通过对多个基学习器的预测取均值来降低方差，这正是样本均值方差缩减性质的直接应用。

样本均值看似简单，却是整座统计学大厦的基石。从大数定律到中心极限定理，从参数估计到假设检验，从描述统计到机器学习，样本均值无处不在。深刻理解其性质与局限，是正确开展任何定量分析的起点。