引言：充滿信心地估算！
大家好！你有沒有想過全港中六學生的平均身高，或者人們每天花在 Instagram 上的平均時間是多少呢？要問每一個人，那是不可能的，不是嗎？那將耗費無窮的時間！
那麼，我們該怎麼辦呢？我們會抽取一個樣本（一個較小的群體）並計算其平均值。這稱為點估計。但問題來了：我們樣本的平均值很可能與整個總體的真實平均值不完全相同。它只是一個單一的最佳猜測。
這就是置信區間派上用場的時候了！我們不再只給出一個數字，而是創建一個數值範圍，並說：「我們相當有信心真實的平均值就在這個範圍內。」這就像從嘗試用一支飛鏢擊中一個微小目標，轉變為向目標拋出一個大圈。這樣好多了，不是嗎？
在本章中，你將學習：
- 點估計和區間估計之間的分別。
- 「置信水平」的真正含義（它可能與你想像的不同！）。
- 在兩種不同情況下計算總體平均值 (\(\mu\)) 的置信區間。
如果一開始覺得有點難，不用擔心。我們會用簡單的例子一步步地拆解。我們開始吧！
第一節：基礎知識—參數與統計量
快速溫習：總體與樣本
在我們構建區間之前，讓我們先記住這些關鍵術語。想像一下煮一大鍋湯……
- 總體： 這是你感興趣的整個群體。
例子：鍋裡所有的湯。
我們用希臘字母表示總體數值，稱為參數：- \(\mu\) (mu) = 總體平均值
- \(\sigma\) (sigma) = 總體標準差
- 樣本： 這是你實際收集數據的總體中的一小部分。
例子：你嚐一口湯來檢查調味的那一勺湯。
我們用常用字母表示樣本數值，稱為統計量：- \(\bar{x}\) ("x-bar") = 樣本平均值
- \(s\) = 樣本標準差
點估計：我們最佳的單一猜測
當我們使用樣本統計量來估計總體參數時，這稱為點估計。這是我們最佳的單一猜測。
- 我們用樣本平均值 \(\bar{x}\) 作為總體平均值 \(\mu\) 的點估計。
- 我們用樣本方差 \(s^2\) 作為總體方差 \(\sigma^2\) 的點估計。
問題： 點估計幾乎從來都不是完全準確的！你嚐的那勺湯可能比整鍋湯稍微鹹一點或淡一點。我們需要一種方法來考慮這種不確定性。
重點摘要
我們使用樣本統計量 (\(\bar{x}, s\)) 來估計未知的總體參數 (\(\mu, \sigma\))。單一猜測 (\(\bar{x}\)) 是點估計，但一個數值範圍（置信區間）能提供更多資訊。
第二節：什麼是置信區間？
漁網的比喻
想像一下，真實的總體平均值 \(\mu\) 是一條在巨大湖泊中游泳的單條隱形魚。
- 點估計 (\(\bar{x}\)) 就像嘗試用魚叉捕魚。你必須極其準確（而且幸運！）才能擊中它。你很可能錯過。
- 置信區間 就像使用漁網。你在你認為魚可能在的區域撒下你的網。你可能不知道它的確切位置，但你可以非常有信心你已經把它捕獲在網裡了！
置信區間為我們提供了真實總體平均值 \(\mu\) 的合理數值範圍。
理解置信水平
你會看到諸如「95% 置信區間」的短語。那麼 95% 到底是什麼意思呢？
這是一個非常常見的混淆點，請仔細閱讀！
錯誤理解： 「真實平均值 \(\mu\) 在我計算出的區間內的機率是 95%。」（這是錯誤的，因為一旦你計算出一個區間，真實平均值要麼在這個區間內，要麼不在。機率是 1 或 0。）
正確理解： 「我對用於創建此區間的方法有 95% 的信心。」
讓我們回到漁網的比喻。95% 的置信水平意味著，如果我們從總體中抽取 100 個不同的隨機樣本，並創建 100 個不同的「網」（區間），我們預計大約95 個網能夠成功捕獲真實平均值 \(\mu\)。
置信水平： 該方法的成功率（例如，90%、95%、99%）。
顯著水平 (\(\alpha\))： 該方法的失敗率。它簡單地等於 \(1 - \text{置信水平}\)。
- 對於 95% 置信水平，\(\alpha = 1 - 0.95 = 0.05\)。
- 對於 99% 置信水平，\(\alpha = 1 - 0.99 = 0.01\)。
重點摘要
置信區間是對 \(\mu\) 的區間估計。置信水平告訴我們，在多次重複抽取樣本的情況下，我們的區間構建程序有多可靠。
第三節：構建置信區間—公式！
通用結構
所有平均值的置信區間都具有相同的基本結構。這是一個你應該記住的公式！
置信區間 = 點估計 \(\pm\) 誤差幅度
讓我們拆解一下：
- 點估計： 我們對 \(\mu\) 的最佳猜測，即樣本平均值 \(\bar{x}\)。
- 誤差幅度 (\(E\))： 我們在點估計上增加或減少的「裕度」來創建範圍。它決定了我們區間的寬度。
誤差幅度本身有一個公式：
誤差幅度 (\(E\)) = (臨界值) \(\times\) (平均值標準誤差)
尋找臨界值 (\(z_{\alpha/2}\))
臨界值是標準正態分佈中的 z 分數。它由你的置信水平決定。我們將其寫為 \(z_{\alpha/2}\)，因為「誤差」機率 \(\alpha\) 平均分佈在正態曲線的兩端。
你不需要每次都從頭計算這些值。只需記住常見的即可！
快速回顧：常見的臨界值
- 對於 90% 置信水平：\(\alpha = 0.10\)，\(\alpha/2 = 0.05\)。臨界值是 \(z_{0.05} \approx 1.645\)
- 對於 95% 置信水平：\(\alpha = 0.05\)，\(\alpha/2 = 0.025\)。臨界值是 \(z_{0.025} \approx 1.96\)
- 對於 99% 置信水平：\(\alpha = 0.01\)，\(\alpha/2 = 0.005\)。臨界值是 \(z_{0.005} \approx 2.576\)
記憶小貼士：在統計學中，95% 和 1.96 是最好的朋友。你會經常看到它們一起出現！
現在，讓我們看看香港中學文憑考試（HKDSE）課程中你需要了解的兩種具體情況。
第四節：情況 1—我們已知總體方差 (\(\sigma^2\))
情況
這是你將遇到的第一種情況。主要條件是：
- 假設總體呈正態分佈。
- 總體方差 \(\sigma^2\)（以及因此的標準差 \(\sigma\)）是已知的。
（在現實生活中，這種情況很少見。如果你不知道總體平均值 \(\mu\)，你又怎會知道它的方差 \(\sigma^2\) 呢？但它是學習的完美起點！）
公式
\(\mu\) 的 \(100(1-\alpha)\%\) 置信區間由以下公式給出：
\(\left( \bar{x} - z_{\alpha/2} \frac{\sigma}{\sqrt{n}}, \bar{x} + z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \right)\)
其中：
- \(\bar{x}\) 是樣本平均值。
- \(z_{\alpha/2}\) 是你的置信水平所對應的臨界值。
- \(\sigma\) 是已知的總體標準差。
- \(n\) 是樣本大小。
逐步範例
某種蘋果的重量呈正態分佈，總體標準差為 \(\sigma = 20\) 克。隨機抽取了 \(n=16\) 個蘋果的樣本，發現樣本平均重量為 \(\bar{x} = 150\) 克。構建所有此類蘋果真實平均重量的 95% 置信區間。
步驟 1：識別所有數值。
\(\bar{x} = 150\)，\(\sigma = 20\)，\(n = 16\)
步驟 2：找到你的臨界值。
置信水平 = 95%。這意味著 \(\alpha = 0.05\)，所以我們需要 \(z_{\alpha/2} = z_{0.025}\)。
從我們的表格中，\(z_{0.025} = 1.96\)。
步驟 3：計算誤差幅度 (\(E\))。
\(E = z_{\alpha/2} \frac{\sigma}{\sqrt{n}} = 1.96 \times \frac{20}{\sqrt{16}} = 1.96 \times \frac{20}{4} = 1.96 \times 5 = 9.8\)
步驟 4：構建區間。
區間 = \((\bar{x} - E, \bar{x} + E)\)
\((150 - 9.8, 150 + 9.8) = (140.2, 159.8)\)
步驟 5：寫下你的結論。
我們有 95% 的信心，所有此類蘋果的真實平均重量介於 140.2 克和 159.8 克之間。
情況 1 的重點摘要
當總體呈正態分佈並且已知 \(\sigma\) 的數值時，這就是你應該使用的公式。這是最簡單的情況。
第五節：情況 2—總體方差 (\(\sigma^2\)) 未知
情況
這是一個更真實的情況。主要條件是：
- 總體方差 \(\sigma^2\) 是未知的。
- 樣本大小 \(n\) 很大（按慣例，\(n \ge 30\)）。
為什麼「大 \(n\)'」很重要？ 因為神奇的中央極限定理 (CLT)！CLT 告訴我們，如果樣本大小 \(n\) 足夠大（\(n \ge 30\)），樣本平均值 (\(\bar{x}\)) 的分佈將近似正態分佈，不論原始總體的分佈如何。這讓我們仍然可以使用標準正態分佈（z 分佈）！
由於我們不知道 \(\sigma\)，該怎麼辦呢？我們用它最好的估計值：樣本標準差，\(s\)。
公式
\(\mu\) 的 \(100(1-\alpha)\%\) 置信區間由以下公式給出：
\(\left( \bar{x} - z_{\alpha/2} \frac{s}{\sqrt{n}}, \bar{x} + z_{\alpha/2} \frac{s}{\sqrt{n}} \right)\)
你注意到了嗎？與第一個公式唯一的變化是我們用已知的樣本標準差 \(s\) 替換了未知的 \(\sigma\)！
逐步範例
一位校長想估計 M1 學生每週的平均學習時數。抽取了一個包含 \(n=100\) 名學生的大型隨機樣本。樣本平均值為 \(\bar{x} = 15.5\) 小時，樣本標準差為 \(s = 2.5\) 小時。構建真實平均學習時數的 99% 置信區間。
步驟 1：識別所有數值。
\(\bar{x} = 15.5\)，\(s = 2.5\)，\(n = 100\)
步驟 2：找到你的臨界值。
置信水平 = 99%。這意味著 \(\alpha = 0.01\)，所以我們需要 \(z_{\alpha/2} = z_{0.005}\)。
從我們的表格中，\(z_{0.005} \approx 2.576\)。
步驟 3：計算誤差幅度 (\(E\))。
\(E = z_{\alpha/2} \frac{s}{\sqrt{n}} = 2.576 \times \frac{2.5}{\sqrt{100}} = 2.576 \times \frac{2.5}{10} = 2.576 \times 0.25 = 0.644\)
步驟 4：構建區間。
區間 = \((\bar{x} - E, \bar{x} + E)\)
\((15.5 - 0.644, 15.5 + 0.644) = (14.856, 16.144)\)
步驟 5：寫下你的結論。
我們有 99% 的信心，M1 學生每週的真實平均學習時數介於 14.856 小時和 16.144 小時之間。
常見錯誤避免！
- 在 \(\sigma\) 未知時使用 \(\sigma\)： 如果題目給你 \(s\)（樣本標準差），請使用第二個公式。不要混淆它們！
- 忘記 \(\sqrt{n}\)： 一個非常常見的錯誤是直接除以 \(s\) 或 \(\sigma\)。誤差幅度取決於平均值的標準誤差，它總是 \(\frac{s}{\sqrt{n}}\) 或 \(\frac{\sigma}{\sqrt{n}}\)。
- 使用錯誤的 z 值： 仔細檢查題目要求的是 90%、95% 還是 99% 的置信水平，並使用正確的 \(z_{\alpha/2}\)。
情況 2 的重點摘要
當 \(\sigma\) 未知且 \(n\) 很大（\(n \ge 30\)）時，只需在公式中用 \(s\) 替換 \(\sigma\)。其他一切都相同！
第六節：什麼因素影響置信區間的寬度？
想想我們的漁網。有時我們想要一個非常精確的估計（一個小網），有時我們需要更有把握（一個大網）。區間的寬度簡單來說就是 \(2 \times \text{誤差幅度}\)。什麼因素會使它變寬或變窄呢？
1. 置信水平
- 更高的置信水平 \(\rightarrow\) 更大的 \(z_{\alpha/2}\) \(\rightarrow\) 更寬的區間。
- 比喻：如果你想更有信心捕獲那條魚，你需要一個更大的網！
2. 樣本大小 (\(n\))
- 更大的樣本大小 (\(n\)) \(\rightarrow\) 更小的標準誤差（\(\frac{\sigma}{\sqrt{n}}\) 或 \(\frac{s}{\sqrt{n}}\)）\(\rightarrow\) 更窄的區間。
- 比喻：你擁有的資訊（數據）越多，你的估計就能越精確。更大的樣本會減少不確定性。
3. 標準差（\(\sigma\) 或 \(s\))
- 更大的標準差 \(\rightarrow\) 更寬的區間。
- 比喻：如果總體分佈非常廣泛（變異性高），要精確找出真實平均值就更難，所以你需要一個更寬的網才能有信心。
章節總結與最後提示
你成功了！置信區間是統計學中的基本概念。這是一個簡單的決策流程，可以幫助你在考試中應對：
決策流程圖：
- 仔細閱讀題目。樣本平均值 (\(\bar{x}\))、樣本大小 (\(n\)) 和置信水平是什麼？
- 問：總體標準差 \(\sigma\) 是否已知？
- 是： 使用包含 \(\sigma\) 的第一個公式。
\(\bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}}\) - 否： 題目會給你樣本標準差 \(s\) 並說明 \(n\) 很大（\(n \ge 30\)）。使用包含 \(s\) 的第二個公式。
\(\bar{x} \pm z_{\alpha/2} \frac{s}{\sqrt{n}}\)
- 是： 使用包含 \(\sigma\) 的第一個公式。
- 計算誤差幅度，然後從樣本平均值 \(\bar{x}\) 中加減它。
最後的鼓勵話語： 掌握置信區間的最佳方法是通過練習。多做歷屆試題。仔細注意措辭，以確定你正在處理的是哪兩種情況之一。你一定能做到！
