本期介绍样本统计量是怎么算的，并用Python来模拟随机抽样。用一个在鱼塘捞鱼的简单例子来理解样本均值的概念。
如何理解重复试验？
指能够在完全相同条件下进行多次的试验；
比如我们抛10枚硬币，用来计算正面出现的概率，那每抛一次就相当于进行了一次试验，可以抛3次小样本，也可以抛30次大样本。
如何理解样本统计量？
每进行一次抽样，都能获得一个样本均值。也即每次抽样只能计算1次样本均值，有多少次抽样就有多少个样本均值。
比如我们要算鱼塘鱼的长度，在鱼塘随机捞10条鱼，计算鱼的平均长度，放回后又重新捞10条，那就相当于进行了两次试验，并且得到了2组样本均值。这计算得出的样本均值就是样本统计量啦。
接下来用Python模拟从鱼塘里捞鱼测量鱼的长度：
先调用要用到的包：
# 用于数值计算的库
import numpy as np
import pandas as pd
import scipy as sp
from scipy import stats
# 用于绘图的库
from matplotlib import pyplot as plt
import seaborn as sns
sns.set()
# 设置浮点数打印精度
%precision 3
# 在Jupyter Notebook 里显示图形
%matplotlib inline定义一个总体：均值为4，标准差为0.8（方差为0.64）
population = stats.norm(loc = 4, scale = 0.8)代码详解：
scipy库中的norm函数用于创建正态分布概率密度函数；
loc参数指定正态分布的均值为4；
scale参数指定正态分布的标准差为0.8；
接下来用Python模拟一下随机试验和样本均值的计算：
sample_mean_array = np.zeros(10000)
np.random.seed(1)
for i in range(0, 10000):
sample = population.rvs(size = 10)
sample_mean_array[i] = sp.mean(sample)zeros()函数创建了一个长度为10000的一维数组，并将其所有元素都初始化为0，用于存储多次随机抽样后的样本均值；
random是随机函数，seed是随机种子，设置随机种子可以保证每次随机数生成的结果都是相同的；
for循环设置一个0到10000的循环；
population指正态分布概率密度函数对象；rvs方法是random variates方法的缩写，用于生成符合指定分布的随机变量； 也可以这样写：stats.norm.rvs(loc = 4, scale =0.8, size = 10)；
mean()求均值，得到每次试验的样本均值，并保存在sample_mean_array里；
最后计算这10000次试验的均值，结果与总体均值很接近：
sp.mean(sample_mean_array)
绘制样本均值的直方图，也是近似正态分布：
sns.distplot(sample_mean_array)
如果只进行5次试验，结果可见样本均值比总体均值的差距就稍微有点大了：
