簡介：數學偵探工作
歡迎來到統計假設檢定（Statistical Hypothesis Testing）的世界！別擔心，雖然這聽起來有點嚇人，但其核心概念就像當偵探或陪審員一樣。我們從一個假設（「現狀」）出發，檢視一些證據（數據），然後決定是否有足夠的證據讓我們改變觀點。
在本章中，我們將學習這些檢定中使用的術語。理解這些詞彙是你在 OCR AS Level 數學統計部分獲取高分的「秘密鑰匙」。
1. 起點：虛無假設與對立假設
在查看任何數據之前，我們必須說明我們正在檢定什麼。我們總是有兩個相互競爭的想法：
虛無假設（Null Hypothesis，\( H_0 \)）： 這是「平淡」的版本。它假設什麼都沒有改變，或者某項主張是正確的。在你的課程大綱中，我們通常將其寫為 \( H_0: p = \text{something} \)，其中 \( p \) 代表機率或比例。
類比：在法庭上，虛無假設就是「被告是無罪的」。
對立假設（Alternative Hypothesis，\( H_1 \)）： 這是「令人興奮」的版本。這是我們懷疑可能真正發生的情況。我們將其寫為 \( H_1: p < \dots \)，\( H_1: p > \dots \)，或 \( H_1: p \neq \dots \)。
類比：對立假設就是「被告是有罪的」。
單尾檢定 vs. 雙尾檢定
我們如何知道 \( H_1 \) 該用什麼符號？這取決於問題的要求：
- 單尾檢定（1-Tail Test）： 當我們在尋找特定方向的變化時使用（例如：「機率下降了嗎？」使用 \( < \)；「機率上升了嗎？」使用 \( > \)）。
- 雙尾檢定（2-Tail Test）： 當我們只想知道機率是否有任何改變（而不論方向）時使用。我們使用「不等於」符號（\( \neq \)）。
重點複習：
務必使用參數 \( p \) 來陳述你的假設。
正確： \( H_0: p = 0.5 \)
不正確： \( H_0 = 0.5 \) （你必須包含 \( p \)！）
關鍵要點： \( H_0 \) 是「無變化」規則。\( H_1 \) 是「有所不同」的懷疑。
2. 證據：檢定統計量與顯著水準
當我們有了假設後，就需要一種方法來衡量證據。
檢定統計量（Test Statistic）： 這是我們從樣本中獲得的實際結果。例如，如果我們拋硬幣 20 次來查看它是否公正，結果出現了 15 次正面，那麼檢定統計量就是 15。
記憶輔助：檢定統計量就是「我們數出來的數字」。
顯著水準（Significance Level，\( \alpha \)）： 這是我們對所需證據強度設定的「門檻」。通常是 5% (\( 0.05 \)) 或 1% (\( 0.01 \))。它代表了當 \( H_0 \) 實際上正確時，我們卻意外拒絕它的機率。
類比：把它想像成「嚴格程度」。1% 的水準比 5% 的水準嚴格得多，因為它需要更強的證據來改變我們的想法。
你知道嗎？ 5% 的顯著水準意味著我們願意接受 5% 的風險，即當我們說情況已經改變時，我們可能是錯的！
關鍵要點： 檢定統計量是我們的數據；顯著水準是我們驗證證據的「門檻」。
3. 決策區域：臨界區域與臨界值
想像所有可能結果的一條數線。我們將這條線分成兩個區域：
臨界區域（Critical Region，或稱拒絕區域）： 如果我們的檢定統計量落在這個區域，表示結果因「純粹巧合」發生的機率極低，因此我們拒絕虛無假設。我們得出結論，有足夠的證據支持 \( H_1 \)。
接受區域（Acceptance Region）： 如果我們的檢定統計量落在這裡，表示我們的結果相當正常，可能是由機率引起的。我們不拒絕虛無假設。
臨界值（Critical Value）： 這是「邊境守衛」。它是進入臨界區域的第一個值。
步驟流程：
1. 根據顯著水準找出臨界區域。
2. 查看你的檢定統計量（你的數據）落在何處。
3. 如果它在臨界區域內，你就發現了變化的「顯著證據」！
關鍵要點： 如果結果在臨界區域內，代表它「夠奇怪」，足以讓我們拒絕現狀。
4. P 值法（P-value Method）
有時，我們不使用區域，而是使用 P 值（p-value）。這是現實科學中報告結果的一種非常常見的方法。
P 值是在假設 \( H_0 \) 為真的情況下，觀察到極端程度等於或大於我們所觀測結果的機率。
如何判斷：
- 如果 P 值 \( \leq \) 顯著水準：結果是顯著的。拒絕 \( H_0 \)。
- 如果 P 值 \( > \) 顯著水準：結果是不顯著的。不要拒絕 \( H_0 \)。
記憶口訣：「P 值小，虛無跑（拒絕）！P 值大，虛無留（接受）。」
5. 撰寫結論（別在這裡丟分！）
OCR 考官對於你如何撰寫最終答案非常嚴格。你必須反映出統計學是關於證據，而非 100% 的絕對確定性。
常見錯誤： 千萬不要說「我接受 \( H_0 \)」或「這證明 \( H_0 \) 是正確的」。我們只能「未能拒絕（fail to reject）」它，因為我們沒有找到足夠的證據來推翻它。
結論的「黃金公式」：
「在 [X]% 的顯著水準下，有 [足夠 / 不足夠] 的證據來建議 [問題背景——例如：這枚硬幣是有偏見的]。」
課綱範例：
- 正確：「在 5% 的水準下，有證據拒絕 \( H_0 \)。平均質量很可能小於 500g。」
- 正確：「在 2% 的水準下，沒有證據拒絕 \( H_0 \)。沒有理由推測行程時間有所改變。」
- 不正確：「\( H_0 \) 被拒絕。等待時間已經增加。」（這聽起來太確定了！請改用「有證據建議」之類的說法）。
關鍵要點： 在得出結論時，始終保持謙虛且保留餘地。使用「證據」、「建議」和「很可能」等詞彙。
章節總結
1. 假設： \( H_0 \)（無變化）與 \( H_1 \)（有變化）。記得使用 \( p \)。
2. 顯著水準： 證據的「門檻」（例如：5%）。
3. 檢定統計量： 樣本中觀察到的數值。
4. 臨界區域： 導致拒絕 \( H_0 \) 的數值範圍。
5. 結論： 務必結合現實背景，並使用審慎的用語。
別擔心，一開始覺得棘手是很正常的！假設檢定是一個邏輯過程。一旦你「上手」了這些詞彙，實際的數學運算（我們將在下一章使用二項分佈來進行）就會變得容易得多。