歡迎來到統計推論（Statistical Inference）的世界！

在 CS1 的學習旅程中，你已經認識了各種機率分佈。現在，我們將進入一個非常令人興奮的領域：統計推論。這正是統計學的神奇之處！我們透過少量的數據（樣本，sample）來對龐大的群體（總體，population）做出聰明的預測。

試著想像自己是一位廚師。你不需要喝掉整鍋湯才能知道是否需要加鹽，只要嚐一匙攪拌均勻的湯就夠了。在這一章中，我們將學習那一「匙」（樣本）如何表現，以及它與整「鍋」（總體）之間有什麼關係。別擔心，一開始這聽起來可能有點抽象，我們會一步步拆解說明！

1. 什麼是隨機抽樣（Random Sampling）？

為了確保我們那一「匙」湯能代表整鍋湯，每一部分的湯都必須有平等的機會被選中。這就是隨機抽樣的核心。

在精算術語中，若 \(X_1, X_2, ..., X_n\) 為大小為 \(n\) 的隨機樣本，則必須滿足：

  • 每個 \(X_i\) 都來自相同的分佈（即同分佈，identically distributed）。
  • 單個觀測值不會影響其他觀測值（即獨立，independent）。

你通常會看到這個縮寫為 i.i.d.（獨立同分佈）。如果在考試題目中看到 "i.i.d."，它其實就是「這是一個完美的隨機樣本」的代號。

2. 統計量（Statistics）與參數（Parameters）

在進一步探討之前，我們先釐清兩個學生常混淆的術語：

  • 參數 (Parameter)： 描述整個總體的固定（通常未知）值。例如：總體平均數 (\(\mu\)) 或總體變異數 (\(\sigma^2\))。
  • 統計量 (Statistic)： 從你的樣本計算出來的值。例如：樣本平均數 (\(\bar{X}\)) 或樣本變異數 (\(S^2\))。

小貼士： 記住 P 代表 Population（總體）/ Parameter（參數），而 S 代表 Sample（樣本）/ Statistic（統計量）！

什麼是抽樣分佈（Sampling Distribution）？

想像你抽取了 10 個人的樣本並計算他們的身高平均值。接著，你又抽取了另一個 10 個人的樣本做同樣的動作。每一次你都會得到略有不同的平均值。如果你重複這個動作數千次，並將所有這些平均值繪製在圖表上，所得的分佈就稱為該統計量的抽樣分佈。

3. 樣本平均數（\(\bar{X}\)）的分佈

樣本平均數是我們最常用的統計量，它的表現取決於它來自的總體。

情況 A：從常態分佈（Normal Distribution）中抽樣

如果你的總體本身就是常態分佈，即 \(X \sim N(\mu, \sigma^2)\)，那麼樣本平均數也會是常態分佈！

\(\bar{X} \sim N(\mu, \frac{\sigma^2}{n})\)

重點總結： 樣本平均數的平均值與總體平均數 (\(\mu\)) 相同，但其離散程度（變異數）較小。樣本量 (\(n\)) 越大，你對結果就越有把握，因此變異數會隨之降低。

情況 B：中央極限定理（Central Limit Theorem, CLT）

如果總體不是常態分佈怎麼辦？（也許它是指數分佈或 Gamma 分佈）。這就是中央極限定理發揮作用的時候！它指出：如果樣本量 \(n\) 「足夠大」（通常 \(n > 30\)），無論原始分佈的形狀如何，樣本平均數的分佈將會趨近於常態分佈。

\(\bar{X} \approx N(\mu, \frac{\sigma^2}{n})\)

比喻： 想像一群人。個別來看，他們的行為可能千奇百怪（不同的分佈），但當你看著人群的「平均」行為時，它往往會遵循一個可預測的鐘形曲線模式。

4. 樣本變異數（\(S^2\)）的分佈

樣本平均數遵循常態分佈，但樣本變異數則走不同的路。當我們從常態總體中抽樣時，我們使用卡方分佈（Chi-square distribution, \(\chi^2\)）來描述變異數。

要記住的公式是：

\(\frac{(n-1)S^2}{\sigma^2} \sim \chi^2_{n-1}\)

其中：

  • \(n\) 是樣本大小。
  • \(S^2\) 是樣本變異數。
  • \(\sigma^2\) 是總體變異數。
  • \(n-1\) 被稱為自由度（degrees of freedom）。

常見錯誤： 學生常忘記使用 \(n-1\) 而錯用 \(n\)。在統計學中，我們因為使用了樣本平均數來計算變異數，所以「損失」了一個自由度。只要記住：變異數要用 \(n-1\)！

5. Student's t-分佈（t-distribution）

在現實世界中，我們幾乎永遠不知道真正的總體變異數 (\(\sigma^2\))。如果不知道 \(\sigma^2\)，我們就必須改用樣本變異數 (\(S^2\))。當我們這麼做時，常態分佈就不再完全準確，這時我們改用 t-分佈。

統計量為：\(T = \frac{\bar{X} - \mu}{S / \sqrt{n}}\)

它遵循 \(t_{n-1}\) 分佈（自由度為 \(n-1\) 的 t-分佈）。

你知道嗎？ t-分佈看起來與常態分佈非常相似，但它的「尾部較厚」（fatter tails）。這是為了考量當我們估計變異數時產生的額外不確定性。隨著 \(n\) 變得非常大，t-分佈最終會趨近於常態分佈！

6. 比較兩個變異數：F-分佈（F-distribution）

有時精算師需要比較兩個不同群組的波動率（變異數）（例如：兩個不同地區的理賠金額）。為了做到這一點，我們觀察它們樣本變異數的比率。

如果我們有兩個來自常態總體的獨立樣本，其比率：

\(F = \frac{S_1^2 / \sigma_1^2}{S_2^2 / \sigma_2^2} \sim F_{n_1-1, n_2-1}\)

這遵循 F-分佈。它有兩組不同的自由度——一組用於分子，另一組用於分母。

快速複習表

這裡有一個摘要表幫助你釐清重點：

統計量 分佈 何時使用？
樣本平均數 (\(\bar{X}\)) 常態分佈 (N) 已知 \(\sigma^2\) 或 \(n\) 夠大 (CLT)
樣本變異數 (\(S^2\)) 卡方分佈 (\(\chi^2\)) 針對 \(\sigma^2\) 的推論 (常態總體)
使用估計出的 \(S^2\) 的平均數 t-分佈 未知 \(\sigma^2\) (常態總體)
兩個變異數的比率 F-分佈 比較兩個常態總體

總結與核心要點

  • 隨機抽樣要求觀測值必須是獨立且同分佈的 (i.i.d.)。
  • 如果總體是常態分佈，則樣本平均數 (\(\bar{X}\)) 為常態分佈；如果 \(n\) 夠大，則根據中央極限定理，它也會趨近於常態分佈。
  • 平均數的標準誤（Standard Error）為 \(\sigma / \sqrt{n}\)。請注意，隨著 \(n\) 增加，它會變得更小！
  • 卡方分佈是處理樣本變異數的首選。
  • 當 \(\sigma^2\) 未知且必須使用 \(S^2\) 時，請使用 t-分佈。
  • 使用 F-分佈來比較兩個變異數。

最後鼓勵： 你剛剛掌握了統計推論的語言！在 CS1 課程的其餘部分，你將運用這些分佈作為工具，來建立信賴區間並進行假設檢定。持續練習公式，它們很快就會變成你的直覺！