歡迎來到統計抽樣的世界！
你有沒有想過，新聞頻道在選票還沒全數點算完之前，是怎麼預測選舉結果的？或者，科學家如何在不必測試地球上每一個人的情況下，判定一種新藥是否有效？其中的秘密就是統計抽樣 (Statistical Sampling)。
在本章中，我們將學習如何觀察一小組數據來推斷出更龐大的數據資訊。這是你 Paper 2 考試的核心部分，讓我們一起深入探討吧！
1. 母體 vs. 樣本：湯的類比
在我們開始挑選數據之前，我們需要清楚我們討論的對象是誰（或什麼）。你需要掌握兩個重要的術語：
1. 母體 (Population)：這是你感興趣的整個群體。如果你正在研究你們學院學生的身高，那麼母體就是該學院的每一位學生。
2. 樣本 (Sample)：這是母體的子集，也就是你實際收集數據的那一小部分。如果你詢問 50 位學生的身高，這 50 個人就是你的樣本。
湯的類比
想像你在煮一大鍋蔬菜湯。
- 母體就是整鍋湯。
- 樣本就是你為了試味道、看夠不夠鹹而舀起來的那一湯匙。
快速回顧：你不需要喝完整鍋湯（母體）才能知道它的味道。你只需要舀一湯匙（樣本）就足以對整鍋湯做出推論 (Inference)（即合理的猜測）！
關鍵總結：我們使用樣本對母體進行非正式推論，因為這通常比研究所有對象更節省成本、更快速且更容易。
2. 抽樣技術
對於 AQA AS Level 考試，你需要特別了解以下兩種挑選「那湯匙湯」的方法：
A. 簡單隨機抽樣 (Simple Random Sampling)
在簡單隨機抽樣中，母體的每一位成員都有均等的機會被選中。這就像把每個人的名字寫下來放進一個巨大的帽子裡，然後盲目地抽出來一樣。
操作方法：
1. 給母體的每一位成員一個唯一的編號。
2. 使用隨機數產生器（在你的計算機或電腦上）來選取你需要的號碼。
3. 被選中號碼對應的人員/項目即成為你的樣本。
優點：它完全無偏見 (Unbiased)。沒有人是因為地理位置或人際關係而被選中的。
缺點：你需要一個完整的母體名單（即「抽樣框」），這有時很難取得。
B. 機會抽樣 (Opportunity Sampling)
機會抽樣（有時稱為便利抽樣）正如其名：從當時在場且符合你標準的人群中選取樣本。
例子：在星期二上午 10 點站在超級市場外，詢問前 20 位經過的人對某個當地議題的看法。
優點：非常簡單、快速且低成本。
缺點：它通常帶有偏見 (Biased)。在上面的例子中，你無法獲得那些在上午 10 點正在工作或上學的人的意見！
記憶小撇步：
- 隨機 (Random) = 公平 (Fair)（每個人都有抽獎券）。
- 機會 (Opportunity) = 簡單 (Easy)（隨手抓身邊的人）。
3. 批判你的樣本
在考試中，你可能會被要求「批判」或「評估」一種抽樣方法。這意味著你需要解釋為什麼一個樣本可能是「不好」或「好」的。
抽樣中最大的敵人是偏見 (Bias)。 當你的樣本無法真實代表母體時，偏見就會發生。
例子：如果你想知道英國青少年的平均零用錢，但你只詢問了一間昂貴私立學校的學生，你的結果將會帶有偏見。它無法代表整個國家。
避免常見錯誤：
- 不要忽略「對象」：如果題目說研究人員詢問了他們的朋友，這屬於機會抽樣，而且很可能帶有偏見。
- 樣本太小：如果你的樣本量 \( n \) 太小（例如只問了 2 個人），結果就不太可靠。
- 不同的樣本，不同的結果：要理解，如果兩個人從同一個母體中抽取兩個不同的樣本，他們很可能會得出不同的結論。這稱為抽樣變異 (Sampling variation)，這是非常正常的！
關鍵總結：時刻尋找偏見。問問自己：「母體中的每個人都有公平的機會進入這個樣本嗎？」
4. 使用大型數據集 (Large Data Set, LDS)
針對 Paper 2，AQA 要求你熟悉大型數據集（目前基於「家庭食品 (Family Food)」報告）。雖然你不需要背誦數字，但你應該知道：
- 你可以從這些大型數據集中抽取樣本來調查趨勢（例如不同地區的人購買牛奶的數量）。
- 使用科技（如電子試算表或計算機）可以更輕鬆地處理這些海量的資訊。
你知道嗎？大型數據集包含了來自數千個家庭的真實數據！這不僅僅是編造出來的數學題；這正是政府實際追蹤人們飲食習慣的方式。
總結清單
如果覺得定義太多，別擔心！只要記住這五點：
1. 母體是整體；樣本是部分。
2. 簡單隨機抽樣給每個人均等機會（使用隨機數產生器！）。
3. 機會抽樣快速簡單，但通常帶有偏見。
4. 樣本用於對母體進行推論。
5. 從同一個母體中取出的不同樣本會產生不同的結果。
成功小貼士：在考試題目中，如果被問到為什麼某種方法不好，請使用「代表性 (Representative)」這個詞。例如：「該樣本對於母體而言不具代表性，因為……」