Sampling and estimation

欢迎来到抽样与估计！

你有没有想过，新闻台如何在所有选票点算完毕之前，就能预测选举结果？或者灯泡工厂如何在不烧坏每一个灯泡的情况下，知道它们的使用寿命有多长？答案就是抽样与估计 (Sampling and Estimation)！在这个章节中，我们将学习如何透过观察一小群数据（样本，sample）来对庞大的群体（总体，population）做出精明的猜测。如果一开始觉得这些概念有点抽象也不用担心，我们会循序渐进地带你拆解！

1. 总体与样本：宏观视角

在深入数学运算之前，我们先厘清一些基本定义。

• 总体 (Population)：你感兴趣的整个群体（例如：全球所有应考 Cambridge A-Levels 的学生）。

• 样本 (Sample)：从该总体中选出的一小部分（例如：你学校里的 50 名学生）。

• 参数 (Parameter)：描述整个总体的数值（例如：所有人真实的平均身高）。通常我们是不知道这个数值的！

• 统计量 (Statistic)：从样本计算出来的数值（例如：那 50 名学生的平均身高）。我们用它来估计总体参数。

比喻：想象一大锅汤。整锅汤就是总体。你舀了一勺来试味道——那一勺就是样本。如果那勺汤太咸，你就会估计整锅汤都很咸。

2. 无偏估计量 (Unbiased Estimators)

由于我们通常不知道总体平均数 \( \mu \) 或总体方差 \( \sigma^2 \)，我们必须利用样本数据进行估计。无偏估计量 (Unbiased estimator) 是一个公式，它在平均而言能给出准确的总体数值。

估计总体平均数 (\( \mu \))

估计总体平均数的最佳方法就是使用样本平均数 \( \bar{x} \)。它是 \( \mu \) 的一个无偏估计量。
公式： \( \bar{x} = \frac{\sum x}{n} \)

估计总体方差 (\( \sigma^2 \))

这里稍微有点复杂！如果你只使用之前学过的标准方差公式（除以 \( n \)），通常会低估真实的总体方差。为了修正这一点并使其成为“无偏”的，我们改为除以 \( n-1 \)。我们将这个无偏估计量称为 \( s^2 \) 或 \( \hat{\sigma}^2 \)。

无偏方差公式：
\( s^2 = \frac{1}{n-1} \left( \sum x^2 - \frac{(\sum x)^2}{n} \right) \)

快速复习：
• 估计平均数：除以 \( n \)。
• 估计方差：除以 \( n-1 \)。
• 常见错误：在计算方差估计值时，忘记从分母中减去 1！

3. 中心极限定理 (CLT)

这是统计学中“神奇”的部分。想象你从总体中抽取许多不同的样本，并计算每个样本的平均数。这些样本平均数会形成它们自己的分布，称为平均数的抽样分布 (Sampling Distribution of the Mean)。

规则： 如果你的总体平均数为 \( \mu \)，方差为 \( \sigma^2 \)，那么样本平均数 \( \bar{X} \) 的分布将会有：
1. 相同的平均数： \( E(\bar{X}) = \mu \)
2. 较小的方差： \( Var(\bar{X}) = \frac{\sigma^2}{n} \)

如果总体不是正态分布呢？

这就是中心极限定理 (Central Limit Theorem, CLT) 大显身手的时候了。即使原始总体的分布形状像个“U”、“J”，或是完全不规则，只要样本数 \( n \) 足够大（通常 \( n \ge 30 \)），样本平均数的分布就会自动呈现正态分布 (Normal Distribution)！

核心重点： 当 \( n \) 很大时， \( \bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right) \)。

你知道吗？ 样本数越大，平均数的分布就会变得越窄、越高。这代表更大的样本能提供更可靠的估计！

4. 总体平均数的置信区间 (Confidence Intervals)

与其只给出一个单一数字作为估计（例如“平均值是 50”），通常给出一个范围会更好（例如“我有 95% 的把握平均值在 48 到 52 之间”）。这个范围称为置信区间 (Confidence Interval, C.I.)。

如何计算置信区间

置信区间的公式为：
\( \bar{x} \pm z \times \frac{\sigma}{\sqrt{n}} \)

计算步骤：
1. 找出样本平均数 (\( \bar{x} \))。
2. 确认总体标准差 (\( \sigma \))。如果你不知道，请使用无偏估计量 \( s \)。
3. 根据置信水平选择你的“临界值”(Critical Value, \( z \))：
• 95% 置信区间，使用 \( z = 1.96 \)
• 99% 置信区间，使用 \( z = 2.576 \)
4. 计算“标准误”(Standard Error)： \( \frac{\sigma}{\sqrt{n}} \)。
5. 将 \( z \) 乘以标准误得到“误差范围”(Margin of Error)。
6. 将此值从 \( \bar{x} \) 中加减，即可得到区间。

范例： 若 \( \bar{x} = 100 \)， \( \sigma = 15 \)， \( n = 36 \)，我们想要 95% 的置信区间：
标准误 = \( 15 / \sqrt{36} = 2.5 \)
误差范围 = \( 1.96 \times 2.5 = 4.9 \)
区间 = \( (100 - 4.9) \) 到 \( (100 + 4.9) = [95.1, 104.9] \)。

重要提示： 如果样本数增加，区间的宽度会减少（精确度更高）。如果置信水平增加（例如从 95% 增加到 99%），区间的宽度会增加（你需要更大的范围来确保准确性）。

5. 比例的置信区间

有时我们测量的不是数值（如身高），而是比例 (Proportion)（如喜欢巧克力的人数比例）。我们称样本比例为 \( p_s \) 或 \( \hat{p} \)。

公式：
\( \hat{p} \pm z \times \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} \)

这与平均数的区间计算方式完全相同，只是标准误的公式不同！

快速复习箱：
• 平均数的标准误： \( \frac{\sigma}{\sqrt{n}} \)
• 比例的标准误： \( \sqrt{\frac{p(1-p)}{n}} \)
• 95% 置信度使用 \( z = 1.96 \)。
• 99% 置信度使用 \( z = 2.576 \)。

总结：避免常见陷阱

• 搞混 \( n \) 和 \( \sqrt{n} \)：务必记得在误差公式的分母中要对样本数开平方根！
• 混淆 \( \sigma \) 和 \( \sigma^2 \)：仔细阅读题目，确认给出的是标准差还是方差。
• 不必要时强行使用 CLT：如果总体本身已经是正态分布，那么对于任何样本大小，\( \bar{X} \) 都是正态分布。如果总体不是正态分布，你必须满足 \( n \ge 30 \) 才能使用正态分布公式。

你已经完成了抽样与估计的学习笔记！ 深呼吸一下。先练习无偏方差的计算，然后再深入了解中心极限定理的“魔法”。你一定做得到的！