抽样调查实验考试题2013-2014(1)

1、实 验（实训）考试项 目 名 称 浙江财经大学2013-2014学年第一学期 抽样调查实验课程期末综合测试 所属课程名称 抽样调查 适用专业、班级 11统计1，统计2 实验(实训)日期 2013年12月4日 班 级 11统计2 学 号 110112100237 姓 名 张舒婕 浙江财经大学教务处制要求：编写R程序完成以下题目，请在第2页开始答题，在答案中列出程序与结果。1. R 软件基本操作 (30分)(1) 读取student.txt中数据，j计算全部30名学生的数学、物理的平均成绩；k抽取一个样本容量为8的样本，求总体中数学、物理的平均成绩的估计；l计算该估计的误差。(2) j 用函数re

2、p()构造一个向量x，它由3个4，4个3，5个1构成；k 用1-12产生一个3*4的矩阵；l 产生一个数据表(list)，第一层为(1)题中student数据集，第二层为R内嵌的mtcars数据集。(3) j 产生来自正态分布N(5,1)的100个随机数； k 计算其概率密度在x=3处的函数值； l 画出其分布函数的图像。2简单随机抽样 (25分)设总体N=10，其指标值为3，3，4，5，5，5，6，7，7，9(1) 计算总体方差S2；(2) 从中抽取n=3的随机样本，计算不放回抽样的方差；(3) 按不放回抽样，验证=。3分层抽样 (30分)调查某个地区的养牛头数，以村作为抽样单元。根据村的海

3、拔高度和人口密度划分成四层，每层取10个村作为样本单元，经过调查获得下列数据层村总数样本村养牛头数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) 估计该地区养牛总头数Y及其估计量的相对标准误差；(2) 计算分层抽样简单估计的设计效应；(3) 若样本量不变采用Neyman分配可以减少方差多少？4.

4、 SPSS软件在抽样调查中的应用 (15分)在test.xls 中采取分层抽样方法，以语言为层，从每层抽取20人，对变量Total进行估计和分析，得出Total的平均成绩，95的置信区间以及标准误。答题纸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养牛总头数为Y= 1353572相对标准误差=sqrt（vary）/Y= 0.09098019（2）分层抽样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,