歡迎來到統計推論的世界！
在你的 H2 數學旅程中，你已經對統計學有了一些初步認識。現在，在進階數學 (9649) 中，我們將會深入探討。這一章節的核心在於如何根據數據進行明智的推測（置信區間）以及做出艱難的決策（假設檢定）。
你可以把這一章看作是偵探的工具箱。有時候，我們想要估算一個隱藏的數值，例如所有「健康選擇」汽水中的平均含糖量；有時候，我們則需要驗證一種新的教學方法是否真的能提升成績，還是純屬巧合。如果一開始覺得公式很多也不用擔心——我們會一步一步為你拆解！
1. 置信區間：建立「安全網」
置信區間 (Confidence Interval, CI) 是一個數值範圍，我們有相當大的把握認為真實的母體參數（如母體平均值 \(\mu\) 或比例 \(p\)）包含在這個範圍內。與其只給出一個單一數值（點估計），我們給出一個範圍來反映不確定性。
A. 母體平均值 (\(\mu\)) 的置信區間
根據你對數據的了解程度，你會用到以下三種主要的「工具」之一：
情況 1：母體呈常態分佈，已知變異數 (\(\sigma^2\))
如果你知道母體呈常態分佈，且剛好知道確切的變異數，我們就使用 z-分佈。
公式： \( \bar{x} \pm z \frac{\sigma}{\sqrt{n}} \)
情況 2：母體呈常態分佈，未知變異數（小樣本）
這是現實生活中最常見的情況。由於我們不知道 \(\sigma^2\)，我們用樣本變異數 \(s^2\) 來估算。因為樣本較小（通常 \(n < 30\)），我們使用自由度 \(v = n - 1\) 的 t-分佈。
公式： \( \bar{x} \pm t \frac{s}{\sqrt{n}} \)
情況 3：任何母體分佈，大樣本 (\(n \ge 30\))
多虧了中央極限定理 (Central Limit Theorem, CLT)，如果你的樣本夠大，無論母體原本的分佈為何，樣本平均值都會趨近於常態分佈。我們使用 z-分佈。
公式： \( \bar{x} \pm z \frac{s}{\sqrt{n}} \)
B. 母體比例 (\(p\)) 的置信區間
想像你想知道有多少比例的學生偏好咖啡多於茶。對於大樣本，我們可以使用常態近似。
公式： \( \hat{p} \pm z \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} \)
其中 \(\hat{p}\) 是你的樣本比例。
你知道嗎？ \(t\)-分佈其實是由在健力士 (Guinness) 釀酒廠工作的 William Gosset 所開發的！他當時以筆名「Student」發表這項研究，因為他的僱主不希望競爭對手知道他們正在利用統計學來提升啤酒的品質。這就是為什麼我們稱它為 Student's t-test 的原因！
快速複習：
• 如果已知 \(\sigma\) 或 \(n\) 很大，使用 \(z\)。
• 如果未知 \(\sigma\) 且 \(n\) 很小（且母體為常態分佈），使用 \(t\)。
• 單一平均值的自由度永遠是 \(n - 1\)。
2. 假設檢定：決策的藝術
假設檢定就像一場法庭審判。我們假定「虛無假設」(\(H_0\)) 是無罪的（正確的），直到我們有足夠的證據來證明「對立假設」(\(H_1\)) 更為合理。
單一平均值的 t-檢定
我們何時會使用 t-檢定？當我們處理來自常態母體的小樣本，且不知道母體變異數時。
檢定統計量為： \( t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}} \)
比較兩個平均值：它們有差異嗎？
有時候我們想比較兩組數據（例如：A 班與 B 班的成績）。
1. 配對樣本 t-檢定 (Paired Sample t-test)： 當兩組數據有關聯時使用。例如：「10 個人減肥前的體重」與「這 10 個人減肥後的體重」。我們計算每個人的差異值 (\(d\))，然後對這些差異值進行單樣本 t-檢定。
2. 常態分佈檢定： 當比較兩個獨立組別且樣本數較大或已知變異數時使用。你需要觀察兩個平均值之間的差 \( (\bar{X}_1 - \bar{X}_2) \)。
常見錯誤： 千萬不要對獨立樣本（如男生與女生）使用配對 t-檢定。只有當數據點以「自然配對」形式存在時，才使用配對檢定！
3. 卡方 (\(\chi^2\)) 檢定：類別數據
如果 \(z\) 和 \(t\) 檢定是處理平均值（數字），那麼 \(\chi^2\) 檢定就是處理計數（頻率）。
A. 適配度檢定 (Goodness of Fit Test)
你的數據是否「符合」特定的分佈？例如，一顆 6 面的骰子是否公正？你要將觀測頻率 (Observed frequencies, O) 與虛無假設成立時的期望頻率 (Expected frequencies, E) 進行比較。
公式： \( \chi^2 = \sum \frac{(O-E)^2}{E} \)
B. 獨立性檢定 (Test for Independence)
兩個變數是否相關？（例如：「科目選擇」是否獨立於「性別」？）。我們使用列聯表 (Contingency Tables)（行與列）來計算期望值。
單格的期望值 = \( \frac{(\text{行總計} \times \text{列總計})}{\text{總計}} \)
自由度 \(v = (\text{行數} - 1)(\text{列數} - 1) \)。
重要提示： 為了確保 \(\chi^2\) 檢定有效，所有的期望頻率都應至少為 5。如果期望值太小，你可能需要合併相鄰的類別！
4. 連接置信區間與假設檢定
這是考試非常熱門的概念！雙尾假設檢定與置信區間之間有直接的聯繫。
如果你在 5% 的顯著水準下進行假設檢定，並發現假設的平均值 \(\mu_0\) 落在 95% 置信區間內，則你不能拒絕 \(H_0\)。
如果 \(\mu_0\) 在區間之外，則你拒絕 \(H_0\)。
類比： 如果「安全網」（置信區間）包含了你所測試的數值，那麼該數值就是合理的。如果網子完全漏掉了那個數值，那麼該數值就不太可能是真的！
5. 解題步驟指南
1. 確定目標： 你是在估算範圍（置信區間）還是在做出決策（假設檢定）？
2. 檢查條件： 母體是否為常態分佈？是否已知變異數？樣本是否足夠大？（這告訴你該使用 \(z\)、\(t\) 還是 \(\chi^2\)）。
3. 陳述假設： 清晰地寫出 \(H_0\) 和 \(H_1\)。
4. 計算： 使用計算機或公式求出檢定統計量和 p-值。
5. 比較與結論： 將 p-值與顯著水準 (\(\alpha\)) 比較。如果 \(p < \alpha\)，則拒絕 \(H_0\)。永遠要在題目背景下回答最終結論（例如：「有足夠的證據顯示平均身高已增加……」）。
重點總結
• 置信區間為母體參數提供了一個範圍。
• t-檢定是你處理未知變異數的小樣本時最好的朋友。
• 卡方檢定用於檢查數據是否符合模式，或類別之間是否獨立。
• 中央極限定理是「魔法棒」，讓即便原始數據很混亂，我們在大樣本下仍能使用常態分佈。
• 背景是關鍵： 永遠要解釋你的數學計算在現實世界中意味著什麼！
如果一開始覺得很棘手，別擔心！統計學就像一門語言。你越多練習不同的場景，越能「說」這門語言，感覺就會越自然。你一定沒問題的！