抽樣調(diào)查實(shí)驗(yàn)考試題2013-2014(1)

1、實(shí) 驗(yàn)（實(shí)訓(xùn)）考試項(xiàng) 目 名 稱 浙江財(cái)經(jīng)大學(xué)2013-2014學(xué)年第一學(xué)期 抽樣調(diào)查實(shí)驗(yàn)課程期末綜合測(cè)試 所屬課程名稱 抽樣調(diào)查 適用專業(yè)、班級(jí) 11統(tǒng)計(jì)1，統(tǒng)計(jì)2 實(shí)驗(yàn)(實(shí)訓(xùn))日期 2013年12月4日 班 級(jí) 11統(tǒng)計(jì)2 學(xué) 號(hào) 110112100237 姓 名 張舒婕 浙江財(cái)經(jīng)大學(xué)教務(wù)處制要求：編寫R程序完成以下題目，請(qǐng)?jiān)诘?頁(yè)開(kāi)始答題，在答案中列出程序與結(jié)果。1. R 軟件基本操作 (30分)(1) 讀取student.txt中數(shù)據(jù)，j計(jì)算全部30名學(xué)生的數(shù)學(xué)、物理的平均成績(jī)；k抽取一個(gè)樣本容量為8的樣本，求總體中數(shù)學(xué)、物理的平均成績(jī)的估計(jì)；l計(jì)算該估計(jì)的誤差。(2) j 用函數(shù)re

2、p()構(gòu)造一個(gè)向量x，它由3個(gè)4，4個(gè)3，5個(gè)1構(gòu)成；k 用1-12產(chǎn)生一個(gè)3*4的矩陣；l 產(chǎn)生一個(gè)數(shù)據(jù)表(list)，第一層為(1)題中student數(shù)據(jù)集，第二層為R內(nèi)嵌的mtcars數(shù)據(jù)集。(3) j 產(chǎn)生來(lái)自正態(tài)分布N(5,1)的100個(gè)隨機(jī)數(shù)； k 計(jì)算其概率密度在x=3處的函數(shù)值； l 畫(huà)出其分布函數(shù)的圖像。2簡(jiǎn)單隨機(jī)抽樣 (25分)設(shè)總體N=10，其指標(biāo)值為3，3，4，5，5，5，6，7，7，9(1) 計(jì)算總體方差S2；(2) 從中抽取n=3的隨機(jī)樣本，計(jì)算不放回抽樣的方差；(3) 按不放回抽樣，驗(yàn)證=。3分層抽樣 (30分)調(diào)查某個(gè)地區(qū)的養(yǎng)牛頭數(shù)，以村作為抽樣單元。根據(jù)村的海

3、拔高度和人口密度劃分成四層，每層取10個(gè)村作為樣本單元，經(jīng)過(guò)調(diào)查獲得下列數(shù)據(jù)層村總數(shù)樣本村養(yǎng)牛頭數(shù)1 2 3 4 5 6 7 8 9 10123414114705255814997 43 84 98 0 10 44 0 124 13 0 50 147 62 87 84 158 170 104 56 160 228 262 110 232 139 178 334 0 63 220 17 34 25 34 36 0 25 7 15 31要求：(1) 估計(jì)該地區(qū)養(yǎng)?？傤^數(shù)Y及其估計(jì)量的相對(duì)標(biāo)準(zhǔn)誤差；(2) 計(jì)算分層抽樣簡(jiǎn)單估計(jì)的設(shè)計(jì)效應(yīng)；(3) 若樣本量不變采用Neyman分配可以減少方差多少？4.

4、 SPSS軟件在抽樣調(diào)查中的應(yīng)用 (15分)在test.xls 中采取分層抽樣方法，以語(yǔ)言為層，從每層抽取20人，對(duì)變量Total進(jìn)行估計(jì)和分析，得出Total的平均成績(jī)，95的置信區(qū)間以及標(biāo)準(zhǔn)誤。答題紙1（1）student=read.table("D:/student.txt",head=T)MATH<-student,2PHYSICS<-student,3MATHbar=mean(MATH)PHYSICSbar=mean(PHYSICS)math<-sample(MATH,8)mathbar<-mean(math)physics<-sam

5、ple(PHYSICS,8)physicsbar<-mean(physics)errormath<-mathbar-MATHbarerrorphysics<-physicsbar-PHYSICSbar> MATHbar1 75.8> PHYSICSbar1 75.66667> mathbar1 77.25> physicsbar1 83.375> errormath1 1.45> errorphysics1 7.708333（2）jrep(c(4,3,1),c(3,4,5)> rep(c(4,3,1),c(3,4,5) 1 4 4 4

6、 3 3 3 3 1 1 1 1 1kA<-array(1:12,c(3,4)> A ,1 ,2 ,3 ,41, 1 4 7 102, 2 5 8 113, 3 6 9 12lL1<-list(student,mtcars)> L11 name math physics chem literat english1 Katty 65 61 72 84 792 Leo 77 77 76 64 553 Ricky 67 63 49 65 574 Marry 80 69 75 74 635 Mark 74 70 80 84 746 Steven 78 84 75 62 647

7、Simon 66 71 67 52 578 Angel 77 71 57 72 719 Jed 83 100 79 41 5010 Jack 86 94 97 51 5511 Mike 74 80 88 64 6612 Jetty 67 84 53 58 5613 Corner 81 62 69 56 5214 Osten 71 64 94 52 5215 Liggle 78 96 81 80 7616 Over 69 56 67 75 8017 Charlie 77 90 80 68 6018 Ellin 84 67 75 60 6319 Ellen 62 67 83 71 7720 Sim

8、ke 74 65 75 72 7321 Peter 91 74 97 62 6622 Joke 72 87 72 79 7623 Joe 82 70 83 68 8524 Kanto 63 70 60 91 8225 Amon 74 79 95 59 5926 Aril 66 61 77 62 6427 Bob 90 82 98 47 6028 Joseph 77 90 85 68 7629 Linda 91 82 84 54 6030 Mirra 78 84 100 51 602 mpg cyl disp hp drat wt qsec vs am gear carbMazda RX4 21

9、.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2Valiant 18.1 6 225.0 105 2.76 3.460 20.2

10、2 1 0 3 1Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4Merc 450SE 16.4 8 275.8 180 3.07 4.070

11、17.40 0 0 3 3Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4Fi

12、at 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2AMC Javelin 15.2 8 304.0 150 3.15 3.4

13、35 17.30 0 0 3 2Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2Ford Pantera L 15.

14、8 8 351.0 264 4.22 3.170 14.50 0 1 5 4Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2（3）jt3<-rnorm(100,5,1)> t3 1 5.953077 4.959017 5.689704 5.068329 4.692593 5.274664 6.525339 5.9

15、10423 9 6.272918 3.827202 5.168024 4.281271 6.240866 5.336448 5.099403 4.895205 17 4.957410 4.816335 6.538315 5.201177 4.876169 4.074963 5.137676 4.546700 25 4.749302 6.730578 4.706235 3.686105 4.650488 2.720799 2.668071 6.527311 33 5.590950 5.613246 5.831065 5.310059 4.132391 3.427109 5.411178 5.40

16、6784 41 6.349528 4.403036 5.794842 5.301420 7.381394 5.726573 5.169707 3.458096 49 4.928585 5.846426 4.507062 4.464090 3.123067 5.180168 7.438835 3.018410 57 4.655002 3.908018 4.572243 4.987395 6.064749 4.506512 4.492135 6.515194 65 5.042278 5.625063 6.206204 4.221909 4.733240 5.545970 5.031514 3.23

17、5411 73 4.372942 5.379107 3.669377 4.114216 3.870707 4.410980 5.014450 4.139538 81 5.725638 5.463456 4.298852 4.360008 4.395778 5.820750 5.665403 5.848363 89 3.020288 5.355182 4.420641 4.571820 3.586872 5.278463 5.842702 4.663464 97 5.829202 4.603738 5.399471 4.356240kdnorm(3,5,1)> dnorm(3,5,1)1

18、0.05399097lcurve(pnorm(x,5,1),xlim=c(-15,15),ylim=c(0,1.2),col='red')2（1）N<-10Y<-c(3,3,4,5,5,5,6,7,7,9)var<-sd(Y)2> var1 3.6（2）N<-10n<-3Y<-c(3,3,4,5,5,5,6,7,7,9)y<-sample(Y,n)vary<-sd(y)2> vary1 1（3）N<-10n<-3Y<-c(3,3,4,5,5,5,6,7,7,9)Ybar<-mean(Y)Ite&

19、lt;-100000ybar<-rep(0,Ite)for(i in 1:Ite)y<-sample(Y,n)ybari<-mean(y)Eybar<-mean(ybar)error<-Eybar-Ybar> error1 -0.00019666673（1）y1<-c(43,84,98,0,10,44,0,124,13,0) y2<-c(50,147,62,87,84,158,170,104,56,160) y3<-c(228,262,110,232,139,178,334,0,63,220) y4<-c(17,34,25,34,36

20、,0,25,7,15,31) N1<-1411 N2<-4705 N3<-2558 N4<-14997 N<-N1+N2+N3+N4w1<-N1/N w2<-N2/N w3<-N3/N w4<-N4/N n<-10 y1bar<-mean(y1) y2bar<-mean(y2) y3bar<-mean(y3) y4bar<-mean(y4) ybar<-w1*y1bar+w2*y2bar+w3*y3bar+w4*y4bar Y<-N*ybar vary<-(1/n)*(N1*(N1-n)*va

21、r(y1)+N2*(N2-n)*var(y2)+N3*(N3-n)*var(y3)+N4*(N4-n)*var(y4)SYY<-sqrt(vary)/Y> Y1 1353572> SYY1 0.09098019養(yǎng)?？傤^數(shù)為Y= 1353572相對(duì)標(biāo)準(zhǔn)誤差=sqrt（vary）/Y= 0.09098019（2）分層抽樣y1<-c(43,84,98,0,10,44,0,124,13,0) y2<-c(50,147,62,87,84,158,170,104,56,160) y3<-c(228,262,110,232,139,178,334,0,63,220) y4

22、<-c(17,34,25,34,36,0,25,7,15,31) N1<-1411 N2<-4705 N3<-2558 N4<-14997 N<-N1+N2+N3+N4w1<-N1/N w2<-N2/N w3<-N3/N w4<-N4/N n<-10 y1bar<-mean(y1) y2bar<-mean(y2) y3bar<-mean(y3) y4bar<-mean(y4) ybar<-w1*y1bar+w2*y2bar+w3*y3bar+w4*y4bar Y<-N*ybar vary<-(1/n)*(N1*(N1-n)*var(y1)+N2*(N2-n)*var(y2)+N3*(N3-n)*var(y3)+N4*(N4-n)*var(y4)deff<-sqrt(vary)/Y> vary1gt; deff1 0.09098019(3)y1<-c(43,84,98,0,10,44,0,124,13,0) y2<-c(50,147,62,87,84,158,170,104,