欢迎来到抽样技术（Sampling Techniques）的世界！
在本章中，我们将探讨数学家和科学家如何在不询问全球每一位人士的情况下收集数据。试想象一下：你只需要试喝一匙汤，就能判断整锅汤是否需要加盐——你并不需要喝完整锅汤才能知道答案！我们将学习挑选这“一匙汤”的正确与错误方法，确保我们的结果既公平又准确。
别担心，初看这些定义可能会觉得很陌生。一旦你了解这些技术在现实生活中如何运作，它们其实非常容易记忆！
1. 基础概念：总体与样本 (Population vs. Sample)
在探讨如何抽样之前，我们必须先了解我们所抽取的对象是什么。
关键术语
总体 (Population)：我们感兴趣的整个群体或对象。例子：学校里所有的学生，或北海里的每一条鳕鱼。
样本 (Sample)：从总体中选出进行研究的较小群体。例子：从学校中抽样选出的 30 位学生来进行问卷调查。
为什么要抽样？
我们使用样本是因为研究整个总体通常会遇到以下问题：
1. 成本太高。
2. 太耗时。
3. 不可能实现（例如：你无法测试每一个灯泡的寿命，因为这样测试完后你就没有灯泡可以卖了！）。
推论：宏观视野 (Inference)
当我们计算样本的平均值 (mean) 或方差 (variance) 时，我们是在利用这些数据对整个总体进行非正式推论 (informal inference)（即基于数据的合理推测）。
小贴士：不同的样本会得出不同的结果。如果你选出 5 位学生，他们的平均身高可能与下一组选出的 5 位学生不同。这是很正常的现象！
重点总结
总体就是“整锅汤”，而样本就是“那一匙”。我们利用样本来推断整锅汤的味道。
2. 随机抽样技术 (Random Sampling Techniques)
在随机样本 (random sample) 中，总体中的每一项都有被选中的机会。这有助于防止偏差 (bias)（即不公平或倾向于某种特定结果）。
简单随机抽样 (Simple Random Sampling, SRS)
这是“黄金标准”。任何可能出现的样本组合都有相等的机会被选中。
做法：为总体中的每个人编号，然后使用随机数生成器来选出样本。
比喻：把所有人的名字写在纸条上放入大帽子里，彻底摇匀后再进行抽取。
系统抽样 (Systematic Sampling)
这是一种较为“有秩序”的抽样方式。
做法：
1. 计算你的“间隔”大小 \( k \)： \( k = \frac{\text{总体大小}}{\text{样本大小}} \)
2. 在 1 到 \( k \) 之间随机选定一个起点。
3. 从该点开始，每隔 \( k \) 个人选取一位。
例子：如果你有 100 人，想要 10 人的样本，间隔就是 10。你可能从第 3 个人开始，然后选第 13、23、33 个人，以此类推。
分层抽样 (Stratified Sampling)
当你的总体包含性质可能不同的群体（称为层 (strata)）时使用。例如：十二年级与十三年级的学生。
做法：从每个群体中进行随机抽样，但样本的大小须与该群体在总体中的比例相符。
公式：
\( \text{该层的样本数} = \frac{\text{该层人数}}{\text{总人数}} \times \text{总样本大小} \)
重点总结
随机方法通常较为公平，因为它们避免了人为选择，从而减少了偏差。
3. 非随机抽样技术 (Non-Random Sampling Techniques)
有时候，进行随机抽样太困难或太昂贵。在这些情况下，我们必须使用其他方法，但必须非常小心偏差 (bias)。
便利抽样 (Opportunity Sampling)
这仅仅是挑选当下随手可得的人。
例子：站在健身房门口，采访最先走出来的 20 个人。
问题：这非常不公平！这些人可能有相似的兴趣（如健身），无法代表整个小镇的居民。
配额抽样 (Quota Sampling)
这类似于分层抽样，但并非随机。
做法：访问员被要求找出 20 名男性和 20 名女性进行采访。他们可以随意挑选任何人，直到达到这些“配额”。
冷知识：街头民调员经常使用这种方法。一旦他们达到“30 岁以下男性”的配额，他们就会停止询问这类人，并专门寻找其他群体。
整群抽样 (Cluster Sampling)
将总体分成多个群体，称为“群集 (clusters)”（通常基于地理位置）。
做法：随机选取几个群集，然后对这些群集内部的每一个人进行采访。
例子：为了调查英国学校，你可能会随机抽取 5 个城市，并调查这 5 个城市内的所有学生。
自选抽样 (Self-Selected / Volunteer Sampling)
人们主动选择成为样本的一部分。
例子：新闻网站上的在线“是/否”投票。
问题：通常只有立场鲜明的人才会去回应，因此结果往往呈现极端化！
重点总结
非随机样本虽然容易取得，但极有可能出现偏差，且无法代表总体。
4. 评估抽样方法
在考试中，你可能会被要求批评某种抽样方法。以下是评估时的快速检查清单：
1. 是否存在偏差？
这种方法是否排除了某些群体？（例如：在周二上午 10 点进行调查，会排除大多数朝九晚五的上班族）。
2. 是否具可行性？
你是否有完整的总体清单（即抽样框, sampling frame）？如果没有，你就无法进行简单随机抽样！
3. 样本大小是否足够？
样本越小，仅凭偶然得出“古怪”结果的可能性就越高。
避免常见错误
错误： 认为“随机”就等于“随便（haphazard）”。
更正： 在数学中，“随机”有严格定义——必须使用随机数生成器或抽签系统。在街上“随意”找人问话实际上是便利抽样 (Opportunity Sampling)！
记忆辅助：抽样口诀
要记住这些抽样类型，试试这个口诀：“简单系统分层，配额便利整群”（对应 Simple, Systematic, Stratified, Quota, Opportunity, Cluster）。
总结：本章重点
1. 总体 (Population) = 整体；样本 (Sample) = 整体的一部分。
2. 简单随机抽样最公平，但需要完整的总体名单。
3. 分层抽样确保所有层级都按比例被涵盖。
4. 系统抽样使用固定间隔（每第 \( k \) 个项目）。
5. 便利抽样与自选抽样虽然常见，但往往有极大的偏差。
6. 在采信结果之前，务必检查样本是否具有代表性 (representative)！