Confidence intervals

歡迎來到置信區間（Confidence Intervals）的世界！

在之前的統計學學習中，你可能花了不少時間計算一個單一數值來描述群體——例如計算一組學生的平均身高。在進階數學（Further Mathematics）的領域中，我們要把統計提升到另一個層次。與其只給出一個「最佳估計值」（我們稱為點估計，point estimate），我們會提供一個數值範圍，讓我們更有把握真實答案落在此範圍內。這個範圍就稱為置信區間（Confidence Interval）。

你可以這樣想像：如果你要捕魚，是用一根魚叉（點估計）容易捕到，還是用一張大網（置信區間）更容易捕到？顯然，漁網可靠得多！在本章中，你將學習如何以數學方式編織這張「網」。

1. 核心概念：我們在估計什麼？

在我們進入公式之前，先理清一下術語。如果這些符號看起來有點嚇人，別擔心，你很可能之前已經見過它們了！

• 總體平均值 \(\mu\)： 我們所研究的整個群體的「真實」平均值（例如，工廠生產的每一顆燈泡）。這通常是未知的。
• 樣本平均值 \(\bar{x}\)： 我們從實際測量的一小組樣本中計算出的平均值。這是我們的起點。
• 置信水平（Confidence Level）： 我們想要達到多高的把握度。通常我們使用 95%，但有時也會用 90% 或 99%。

你知道嗎？ 95% 的置信區間並不代表平均值有 95% 的機率落在此「特定」區間內。它實際的意思是，如果我們抽取 100 個不同的樣本並建立 100 個區間，我們預期其中大約有 95 個區間會包含真實的總體平均值。

2. 已知變異數下的區間構建 (SH1)

課程大綱中的第一個場景是當我們已知整個總體的變異數（variance） (\(\sigma^2\)) 或標準差（standard deviation） (\(\sigma\)) 時。這在製造業很常見，因為機器運作通常有已知的「誤差」或分佈情況。

為了建立一個對稱置信區間，我們使用以下基本結構：
樣本平均值 \(\pm\) (臨界值 \(\times\) 標準誤)

公式如下：
\(\bar{x} \pm z \frac{\sigma}{\sqrt{n}}\)

其中：
• \(\bar{x}\) 是樣本平均值。
• \(z\) 是臨界值（critical value）（為了涵蓋你選擇的百分比，你需要向外延伸多少個標準差）。
• \(\sigma\) 是總體標準差。
• \(n\) 是樣本數量。

如何尋找臨界值 (\(z\))

你可以在公式手冊中找到它們，或者使用計算機查表。以下是你最常看到的「著名」數值：
• 對於 90% 區間：\(z = 1.645\)
• 對於 95% 區間：\(z = 1.960\)
• 對於 99% 區間：\(z = 2.576\)

快速回顧： 要讓區間更窄（更精確），你可以增加樣本數量 (\(n\)) 或者降低置信水平。這是在精確度與把握度之間的取捨！

3. 大樣本且未知變異數的情況 (SH2)

如果我們不知道總體標準差 (\(\sigma\)) 怎麼辦？在現實世界中，這其實是最常見的情況！

如果你的樣本數量很大（通常 \(n > 30\)），我們可以使用一個巧妙的方法。根據中央極限定理（Central Limit Theorem），我們可以用樣本標準差（sample standard deviation） (\(s\)) 來代替總體標準差 (\(\sigma\))。

公式幾乎保持不變：
\(\bar{x} \pm z \frac{s}{\sqrt{n}}\)

逐步流程：
1. 計算樣本的平均值 (\(\bar{x}\))。
2. 計算樣本標準差 (\(s\))。
3. 確認 \(n\) 是否足夠大（通常 \(n > 30\)）。
4. 根據要求的置信水平選擇 \(z\) 值。
5. 將數值帶入公式，得出你的下限與上限。

避免常見錯誤： 一個非常普遍的錯誤是忘記對 \(n\) 開方。請記住，當樣本數量增加時，「標準誤」(\(\frac{s}{\sqrt{n}}\)) 會變小。這很有道理：數據越多，我們就越確定！

4. 進行推論 (SH3)

建立區間只是成功的一半。統計學真正的力量在於進行推論（得出結論）。通常題目會給你一個主張，並詢問你的區間是否支持它。

例子： 一間公司聲稱他們的麥片盒裝有 500g 麥片。你抽取一個樣本並計算得出平均重量的 95% 置信區間為 \([492g, 498g]\)。

我們可以推論出什麼？
由於聲稱的數值 (500g) 不在我們的區間內，我們有證據顯示該公司的說法並不準確。平均重量很可能低於他們聲稱的數值。

推論的關鍵總結：
• 如果該數值在區間之內：該主張是合理的/與數據一致的。
• 如果該數值在區間之外：根據此樣本，該主張不太可能是正確的。

5. 總結與成功秘訣

記憶小幫手： 「加減法」規則
永遠記住，置信區間就是平均值加上或減去一個「誤差範圍」。
下限 (Lower Bound) = \(\bar{x} - z \frac{\sigma}{\sqrt{n}}\)
上限 (Upper Bound) = \(\bar{x} + z \frac{\sigma}{\sqrt{n}}\)

快速總結：
• 對稱性： 區間永遠以樣本平均值 (\(\bar{x}\)) 為中心。
• 已知變異數： 直接使用 \(\sigma\)。
• 未知變異數 (大 \(n\))： 使用 \(s\) 作為 \(\sigma\) 的估計值。
• 區間變窄： 使用更大的 \(n\) 或降低置信水平（例如從 95% 降至 90%）。
• 區間變寬： 使用更小的 \(n\) 或提高置信水平（例如從 95% 升至 99%）。

如果剛開始覺得有些棘手，別擔心！只要記住你是在建立一個範圍來捕捉一個未知的數值。練習如何在計算機上查找 \(z\) 值，剩下的就只是把數字代入公式而已！