欢迎来到“估计与置信区间”的世界！
在这一章，我们将学习如何成为“数学侦探”。在现实世界中，我们几乎不可能完全了解一个群体（例如地球上每个人的确切平均身高）。相反地，我们会抽取一个样本 (sample)，并利用它来推测总体 (population) 的情况。这个过程就称为估计 (estimation)。
别担心，即使某些公式乍看之下很吓人，我们也会一步步拆解。学完之后，你将能够准确地计算出你对统计猜测的“信心程度”有多高！
1. 估计量：做出最佳预测
估计量 (estimator) 就像是用来预测总体参数的规则或公式。而估计值 (estimate) 则是当你代入数据后所得到的实际数值。
偏差与无偏估计量
想象你在练习射箭。如果你的箭总是偏向靶心的左边，那么你的瞄准就是有偏差 (biased) 的。在统计学中，我们追求的是无偏估计量 (unbiased estimators)。这意味着如果我们进行非常多次的取样，所有估计值的平均数将会等于真正的总体数值。
你需要掌握两个重要的无偏估计量：
- 样本平均数 (\(\bar{x}\))： 这是总体平均数 (\(\mu\)) 的无偏估计量。它其实就是数据的平均值！
- 样本方差 (\(s^2\))： 为了让样本方差成为无偏估计量，我们必须将分母设为 \(n - 1\) 而非单纯的 \(n\)。
无偏样本方差的公式：
\(s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2\)
小复习： 为什么要用 \(n - 1\)？除以 \(n - 1\)（即所谓的贝塞尔修正 Bessel's correction）会稍微增大结果。这是为了弥补小样本的离散程度通常比整个总体还要小的现象。
估计量的质量
我们该如何在两个不同的无偏估计量之间做选择呢？我们会看它们的方差 (variance)。一个“好”的估计量不仅是无偏的，还要有较小的方差。
类比： 想象两位射手。两者平均来说都能射中靶心，但射手 A 的箭都紧密地聚在一起，而射手 B 的箭则是四处散落。射手 A 是较佳的“估计量”，因为他更稳定！
关键要点： 我们希望估计量是无偏 (unbiased) 的，且具有最小方差 (minimum variance)。
2. 置信区间：你的“安全网”
置信区间 (confidence interval) 是一个数值范围，我们相当确定真实的总体平均数就落在其中。我们不会说“平均数刚好是 50”，而是说“我们有 95% 的信心认为平均数介于 48 到 52 之间”。
如何解读（最容易搞混的部分！）
学生在这里常犯一个错误。“95% 置信区间”并不意味着总体平均数有 95% 的概率落在该特定区间内。
它的真正含义是：“如果我们进行多次取样，并为每一个样本建立一个置信区间，那么其中 95% 的区间会包含真正的总体平均数。”
计算正态分布平均数的置信区间
当总体方差 (\(\sigma^2\)) 已知时，我们使用正态分布来找出边界：
\(\bar{x} \pm z \frac{\sigma}{\sqrt{n}}\)
- \(\bar{x}\)：你的样本平均数。
- \(z\)：临界值 (critical value)（取决于你的置信水平，例如 95% 对应 1.96）。
- \(\frac{\sigma}{\sqrt{n}}\)：这称为标准误 (Standard Error)。它告诉我们样本平均数的变异程度。
步骤指引：
1. 找出样本平均数 (\(\bar{x}\))。
2. 确认总体标准差 (\(\sigma\)) 和样本大小 (\(n\))。
3. 选择你的置信水平（例如 95%）并从表中找出对应的 \(z\) 值。
4. 计算误差边际 (error margin)：\(z \times \frac{\sigma}{\sqrt{n}}\)。
5. 将此值加减到 \(\bar{x}\)，即可得到你的区间边界。
你知道吗？ 当样本大小 (\(n\)) 变大时，你的置信区间会变得更窄。这很合乎逻辑：数据越多，你就越能确定答案！
关键要点： 置信区间提供了一个参数的合理数值范围，其宽度由标准误和置信水平共同决定。
3. 假设检验：两个平均数之间的差异
有时我们想比较两个不同的组别——例如，“A 班学生的成绩是否比 B 班高？”
场景设定
如果我们有两个独立的常态总体，且方差已知 (\(\sigma_x^2\) 和 \(\sigma_y^2\))，我们可以检验它们平均数的差异是否为特定值（通常为零）。
零假设 (\(H_0\))： \(\mu_x - \mu_y = D\) (通常 \(D=0\))。
检验统计量 (Test Statistic)：
\(Z = \frac{(\bar{X} - \bar{Y}) - (\mu_x - \mu_y)}{\sqrt{\frac{\sigma_x^2}{n_x} + \frac{\sigma_y^2}{n_y}}}\)
此统计量服从标准正态分布 \(Z \sim N(0, 1)\)。
避开常见错误： 如果题目给的是 \(\sigma\) 而不是 \(\sigma^2\)，别忘了要平方！另外，即使是在检验差异，分母中的方差也务必使用相加的逻辑。
4. 大样本与中心极限定理 (CLT)
如果总体不是正态分布，或者我们不知道总体方差 (\(\sigma^2\)) 怎么办？
如果样本大小 (\(n\)) 很大（通常 \(n > 30\)），中心极限定理 (Central Limit Theorem) 将成为你的救星！它告诉我们，无论原始总体的形态如何，样本平均数的分布都会趋近于正态分布。
大样本下的未知方差
如果我们不知道 \(\sigma^2\)，我们可以使用无偏样本方差 (\(s^2\)) 来替代。检验统计量或置信区间的公式基本保持不变，只需将 \(\sigma^2\) 换成 \(s^2\) 即可：
\(Z \approx \frac{(\bar{X} - \bar{Y}) - (\mu_x - \mu_y)}{\sqrt{\frac{s_x^2}{n_x} + \frac{s_y^2}{n_y}}}\)
小复习方块：
- 小样本 + 方差已知： 使用 \(Z\) (正态分布)。
- 大样本 + 方差未知： 使用 \(Z\) (正态分布)，并以 \(s^2\) 取代 \(\sigma^2\)（得益于中心极限定理）。
- 标准误： 计算永远涉及除以 \(\sqrt{n}\)。
关键要点： 对于大样本，我们可以将样本方差视为总体方差，并使用正态分布的方法进行检验和建立区间。
关键词汇总结
参数 (Parameter)： 描述整个总体的数值（例如 \(\mu\)）。
统计量 (Statistic)： 从样本计算出来的数值（例如 \(\bar{x}\)）。
无偏 (Unbiased)： 平均而言，估计量能准确命中真实数值。
标准误 (Standard Error)： 估计量的标准差（通常为 \(\frac{\sigma}{\sqrt{n}}\)）。
中心极限定理 (Central Limit Theorem)： 那个允许我们在大样本下使用正态分布的“魔法”规则。