A Level Maths (9709) P3：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，我們卻拒絕它的概率。它代表我們容許犯錯的最大風險（通常為 5% 或 1%）。
    若 \(\alpha = 0.05\)，代表我們願意接受 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。

小貼士：它們之間的關係 分佈曲線下的總概率面積為 1。臨界區域的總面積等於 \(\alpha\)。對於 \(\alpha=0.05\) 的雙尾檢定，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（如概率 \(p\) 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，對於小樣本，我們通常使用直接概率法。

程序示例（二項分佈）： 某公司聲稱其產品 10% 是次品 (\(p=0.1\))。在 20 個產品的樣本中發現 5 個次品。在 \(\alpha = 5\%\) 的水平下，檢定次品比例是否增加 (\(H_1: p > 0.1\)) 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。

\(p\text{-value} = P(X \geq 5 \text{ | } p=0.1)\)

\(P(X \geq 5) = 1 - P(X \leq 4)\)

（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，臨界區域必須由第一個使累積概率小於或等於 \(\alpha\) 的數值 \(k\) 來定義。

  • 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。
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，這總是一個 Z-檢定。

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，每個尾端區域為 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 (Type I Error, \(\alpha\))
  • 定義：當 \(H_0\) 實際為真時卻拒絕了它。
  • 嚴重性：有時稱為「偽陽性」(false positive)。
  • 概率：犯下第一型錯誤的概率等於顯著性水平 \(\alpha\)。
  • 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 (Type II Error, \(\beta\))
  • 定義：當 \(H_0\) 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 (\(\beta\))：這較難計算，需要假設 \(H_1\) 下參數的一個特定值。
  • 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）。

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 \(P(\text{接受區域 } | \text{ 真實參數})\)。

如果剛開始覺得很難，別擔心！這是本章中最複雜的計算。先練習 \(H_1\) 指定特定數值（例如 \(H_1: \mu = 51\) 而不是單純 \(\mu > 50\)）的題目，通常是計算 \(\beta\) 的最佳起點。

第一型與第二型錯誤總結
\(H_0\) 為真 \(H_0\) 為假 (\(H_1\) 為真)
接受 \(H_0\) 正確決策 第二型錯誤 (\(\beta\))
拒絕 \(H_0\) 第一型錯誤 (\(\alpha\)) 正確決策

核心觀點：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。