A Level Maths (9709) 試卷 6：概率與統計 2
第 6.5 章：假設檢定綜合學習筆記
你好，未來的統計學家！假設檢定聽起來可能很深奧，但它其實是統計學中最實用且充滿成就感的課題之一。簡單來說，這是一種正規的方法，用來判斷我們對群體參數（如平均值或概率）的某種信念（假設），是否能得到證據（樣本數據）的支持。
你可以把它想像成一場陪審團審判：我們從一個假設出發，利用證據來決定是否應該推翻這個假設。準備好開始了嗎？我們來拆解一下！
第一部分：假設檢定的術語
在解題之前，你需要熟悉這些基本詞彙。以下是核心術語：
1. 假設（聲稱）
每次檢定都涉及兩個對立的陳述：
• 虛無假設 (Null Hypothesis, \(H_0\))：這是預設情況或現狀的假設。它一定包含等號 (\(=\))。
例子：學生的平均身高是 170 cm (\(\mu = 170\))。
• 對立假設 (Alternative Hypothesis, \(H_1\))：這是我們懷疑或試圖尋找證據支持的觀點。它永遠不包含等號，旨在質疑 \(H_0\)。
例子：平均身高「不」是 170 cm (\(\mu \neq 170\))。
2. 單尾檢定與雙尾檢定
這告訴我們懷疑中變化的方向，完全由 \(H_1\) 定義：
• 雙尾檢定 (Two-Tailed Test)：當我們只關心參數是否發生了變化（無論是增加還是減少）時使用。
\(H_1\) 使用 \(\neq\)。
• 單尾檢定 (One-Tailed Test)：當我們懷疑參數向特定方向改變（例如：增加或減少）時使用。
\(H_1\) 使用 \(<\) 或 \(>\)。
比喻：雙尾檢定問的是「這枚硬幣公平嗎？」；單尾檢定問的是「這枚硬幣是否傾向於正面？」
3. 顯著性水平與區域
• 顯著性水平 (Significance Level, \(\alpha\))：這是當 \(H_0\) 實際為真時，我們容許拒絕它的最大概率（通常為 5% 或 1%）。
若 \(\alpha = 0.05\)，代表我們願意接受最多 5% 的風險去拒絕一個正確的 \(H_0\)。
• 檢定統計量 (Test Statistic)：從樣本數據中計算出的數值，用於決定是否拒絕 \(H_0\)。
• 臨界區域 (Critical Region 或 Rejection Region)：導致拒絕 \(H_0\) 的檢定統計量數值範圍。這些是「極端」數值。
• 接受區域 (Acceptance Region)：導致結論為「沒有足夠證據拒絕 \(H_0\)」的數值範圍。
快速複習小貼士：它們之間的關係 分佈曲線下的總概率面積為 1。臨界區域的名義總概率等於 \(\alpha\)。對於 \(\alpha=0.05\) 的連續雙尾檢定，臨界區域被平分到兩個尾端，每個尾端的面積為 \(0.025\)。
第二部分：進行假設檢定的五個步驟
無論你使用的是二項分佈、泊松分佈還是常態分佈，請按部就班地執行以下步驟：
步驟 1：列出假設 (\(H_0\) 和 \(H_1\))
定義群體參數（例如概率 \(p\)、比率 \(\lambda\) 或平均值 \(\mu\)），並寫出 \(H_0\) 和 \(H_1\)。確保 \(H_0\) 包含等號。
步驟 2：定義顯著性水平與檢定類型
寫出 \(\alpha\)（例如 5%），並根據 \(H_1\) 判斷是單尾還是雙尾檢定。
步驟 3：計算檢定統計量（或找出臨界區域）
這是開始計算的地方。方法取決於你使用的分佈類型（見下文 3a 和 3b）。
步驟 4：作出決定（比較）
將步驟 3 的結果與臨界值或顯著性水平進行比較：
• 使用臨界區域法：如果計算出的檢定統計量落入臨界區域，則拒絕 \(H_0\)。
• 使用 \(p\)-值（直接概率）法：如果觀察到樣本數據（或更極端結果）的概率小於 \(\alpha\)，則拒絕 \(H_0\)。
步驟 5：結合題目背景解釋結論
這一步非常重要！請務必將最終決定結合原始題目背景陳述。不要只寫「拒絕 \(H_0\)」。
例子：「在 5% 的顯著性水平下，有足夠證據顯示平均身高有所增加。」
第三部分：針對特定分佈的檢定
3a：二項分佈與泊松分佈的假設檢定（單次觀測）
當檢定關於二項分佈 \(B(n, p)\) 的群體概率 (\(p\)) 或泊松分佈 \(Po(\lambda)\) 的平均比率 (\(\lambda\)) 的聲稱時，對於單次觀測，我們通常使用直接概率法。
程序示例（二項分佈）： 某公司聲稱其裝置有 10% 是次品 (\(p=0.1\))。在 20 個裝置的樣本中發現 5 個次品。在 \(\alpha = 5\%\) 的水平下，檢定 \(p\) 有所增加 (\(H_1: p > 0.1\)) 的聲稱。
1. 假設：\(H_0: p = 0.1\)，\(H_1: p > 0.1\)。(單尾，上尾)
2. 在 \(H_0\) 下的分佈：\(X \sim B(20, 0.1)\)。觀測結果：\(x=5\)。
3. 計算 \(p\)-值：在假設 \(H_0\) 為真的情況下（即使用 \(p=0.1\)），計算觀察到 5 個或以上次品的概率。
\(p\text{-value} = P(X \geq 5 \mid p=0.1)\)
\(P(X \geq 5) = 1 - P(X \leq 4)\)
（查表或使用計算機，假設 \(P(X \leq 4) = 0.9568\)）
\(p\text{-value} = 1 - 0.9568 = 0.0432\)
4. 決定：由於 \(0.0432 < 0.05\)，\(p\)-值小於 \(\alpha\)。拒絕 \(H_0\)。
5. 解釋：有證據顯示次品比例有所增加。
關於離散數據臨界區域的重要提示：
由於二項分佈與泊松分佈是離散的，臨界區域必須由邊界值 \(k\) 來定義，使得累積概率小於或等於 \(\alpha\)。
• 若 \(H_1: p > p_0\)，找出最小的 \(k\) 使得 \(P(X \geq k) \leq \alpha\)。
• 若 \(H_1: p < p_0\)，找出最大的 \(k\) 使得 \(P(X \leq k) \leq \alpha\)。
3b：二項分佈與泊松分佈的常態近似
當 \(n\) 很大（二項分佈）或 \(\lambda\) 很大（泊松分佈）時，我們使用常態近似，將問題轉化為 Z-檢定。
近似條件：
• 二項分佈：\(n > 50\)，且 \(np > 5\) 及 \(nq > 5\)。使用 \(N(np, npq)\)。
• 泊松分佈：\(\lambda > 15\)。使用 \(N(\lambda, \lambda)\)。
關鍵步驟：連續性校正 (Continuity Correction, CC)
由於我們用連續分佈近似離散分佈，必須使用連續性校正 (CC)。
例子：\(P(X \leq 10)\) 變為 \(P(Y < 10.5)\)。\(P(X > 15)\) 變為 \(P(Y > 15.5)\)。
3c：關於群體平均值 (\(\mu\)) 的假設檢定
此檢定用於調查關於群體平均值的聲稱。如果樣本很大，或者群體服從已知變異數的常態分佈（或當 \(n\) 很大時使用不偏變異數估計值 \(s^2\)），這會以 Z-檢定 的形式進行。
前提條件（為何我們使用常態分佈/Z-分數）：
我們依賴中央極限定理 (CLT) 或常態群體的假設：
• 樣本平均值 \(\bar{X}\) 的分佈是常態分佈（如果 \(n\) 很大則是近似常態）。
• 我們使用分佈 \(\bar{X} \sim N\left( \mu, \frac{\sigma^2}{n} \right)\)。
檢定統計量 (Z-值)
衡量樣本平均值與假設群體平均值 \(\mu_0\) 之間相差多少個標準誤差的標準方法是：
\(Z = \frac{\bar{X} - \mu_0}{\sigma / \sqrt{n}}\)
其中 \(\bar{X}\) 是樣本平均值，\(\mu_0\) 是 \(H_0\) 下假設的平均值，\(\sigma\) 是群體標準差（若 \(n\) 很大亦可用樣本估計值 \(s\)），\(n\) 是樣本大小。
Z-檢定逐步示例：
1. 假設：\(H_0: \mu = 50\)，\(H_1: \mu \neq 50\)。(\(\alpha = 5\%\)，雙尾)
2. 臨界值：由於 \(\alpha = 0.05\)（雙尾），臨界 Z-值為 \(Z = \pm 1.96\)（查常態分佈表，臨界區域在每個尾端為 0.025）。
3. 計算 Z-統計量：
（假設樣本平均值 \(\bar{X} = 52\)，\(\sigma=10\)，\(n=100\)）
\(Z = \frac{52 - 50}{10 / \sqrt{100}} = \frac{2}{1} = 2.00\)
4. 決定：計算出的 \(Z=2.00\) 超出了接受區域（介於 -1.96 和 1.96 之間）。它位於臨界區域內。拒絕 \(H_0\)。
5. 解釋：在 5% 的顯著性水平下，有足夠證據顯示群體平均值不是 50。
第四部分：決策中的錯誤
因為我們依賴樣本，決策總有出錯的可能。你必須理解並計算以下兩種錯誤。
4.1 第一型錯誤 (\(\alpha\))
• 定義：當虛無假設 (\(H_0\)) 實際為真時卻拒絕了它。
• 嚴重性：有時稱為「偽陽性」(false positive)。
• 概率：對於連續分佈，犯下第一型錯誤的概率等於名義顯著性水平 \(\alpha\)。對於離散分佈（二項分佈／泊松分佈），實際顯著性水平是當 \(H_0\) 為真時，檢定統計量落在臨界區域的精確概率：\(P(\text{臨界區域} \mid H_0)\)。
• 例子：結論是平均身高「不」是 170 cm，但實際上它就是 170 cm。
4.2 第二型錯誤 (\(\beta\))
• 定義：當虛無假設 (\(H_0\)) 實際為假（即 \(H_1\) 為真）時卻接受了（或未能拒絕）它。
• 嚴重性：有時稱為「偽陰性」(false negative)。
• 概率 (\(\beta\))：透過假設 \(H_1\) 下真實參數的一個特定對立數值來計算。
• 例子：結論是平均身高「是」170 cm，但實際上它是 172 cm。
如何計算第二型錯誤的概率 (\(\beta\))
計算 \(\beta\) 涉及兩個步驟：
步驟 A：根據 \(H_0\) 和 \(\alpha\) 找出接受區域（臨界值）。
我們找出在 \(H_0\) 定義的分佈下，將接受區域與拒絕區域分開的邊界值（臨界值 \(k\)）。
步驟 B：在假設為新參數（來自 \(H_1\)）的情況下，計算檢定統計量落入接受區域的概率。
第二型錯誤的概率 \(\beta\) 為 \(P(\text{接受區域} \mid \text{真實參數})\)。
如果剛開始覺得很難，別擔心！先練習 \(H_1\) 指定單一數值（例如 \(H_1: \mu = 51\) 而不是單純 \(\mu > 50\)）的題目，通常是計算 \(\beta\) 最容易的起點。
第一型與第二型錯誤總結
決策對照：
• 若 \(H_0\) 為真 且 接受 \(H_0\)：正確決策
• 若 \(H_0\) 為真 且 拒絕 \(H_0\)：第一型錯誤 (\(\alpha\))
• 若 \(H_0\) 為假 (\(H_1\) 為真) 且 接受 \(H_0\)：第二型錯誤 (\(\beta\))
• 若 \(H_0\) 為假 (\(H_1\) 為真) 且 拒絕 \(H_0\)：正確決策
核心重點：這兩者之間存在固有的取捨。如果你降低第一型錯誤的概率（例如降低 \(\alpha\)），接受區域就會變大，這會使你犯下第二型錯誤 (\(\beta\)) 的可能性隨之增加。