歡迎來到假設檢定：決策的藝術！
你有沒有聽過一些聽起來有點可疑的說法？例如，某穀物麥片公司聲稱每盒裝有 500 克玉米片，但你買的那盒卻感覺輕飄飄的。又或者，一位補習老師聲稱他們的新研習方法可以提升 20% 的成績，但你不確定這是否純屬運氣。
假設檢定 (Hypothesis Testing) 就是我們用來判斷這些說法是否可信，或者證據是否指向相反結論的數學工具。你可以把它想像成是在當「數學偵探」——我們審視證據（即我們的數據），並決定是否有足夠的證據來「控告」最初的說法為虛假。如果剛開始覺得有點抽象也別擔心；一旦掌握了規律，這就跟照著食譜做菜一樣簡單！
1. 兩位主角：\(H_0\) 和 \(H_1\)
每一個假設檢定都始於兩個相互對立的陳述：
虛無假設 (Null Hypothesis, \(H_0\))： 這是「平淡無奇」的現狀。它假設一切都沒有改變，你所看到的任何差異都只是隨機誤差造成的。
例子：麥片盒確實含有 500 克。 (\(H_0: \mu = 500\))
對立假設 (Alternative Hypothesis, \(H_1\))： 這是我們正在檢驗的「令人興奮」的說法。它暗示某件事已經改變了，或者最初的說法是錯誤的。
例子：麥片盒含有少於 500 克。 (\(H_1: \mu < 500\))
記憶小撇步： 把 \(H_0\) 想像成法庭上的被告——他們是「在被證明有罪前是無辜的」。我們只有在有強而有力的證據反對它時，才會拒絕 \(H_0\)。
2. 假設檢定的「食譜」
為了讓事情簡單化，在考試中請務必遵循以下步驟：
步驟 1：陳述假設
使用母體平均數 \(\mu\) 清晰地寫下 \(H_0\) 和 \(H_1\)。
步驟 2：定義檢定統計量
我們使用樣本平均數 (\(\bar{X}\)) 來檢查母體平均數。在 H2 課程中，我們通常使用 Z-檢定。檢定統計量的公式如下：
\(Z = \frac{\bar{X} - \mu_0}{\sigma / \sqrt{n}}\)
（其中 \(\mu_0\) 是 \(H_0\) 中的數值，\(\sigma\) 是母體標準差，\(n\) 是樣本大小。）
步驟 3：顯著水準 (\(\alpha\))
這是我們證據的「閾值」。常見的水準是 5% (0.05) 或 1% (0.01)。如果我們的結果純屬巧合的機率小於這個水準，我們就會拒絕 \(H_0\)。
步驟 4：計算 p-值或找出臨界區域
使用你的圖形計算機 (GC)，找出若 \(H_0\) 為真時，得到你目前樣本結果的機率（p-值）。
步驟 5：作出結論
將你的結果與顯著水準進行比較，並在題目背景下解釋其含義。
快速複習：何時使用 Z-檢定？
若符合以下條件，你可以對平均數使用 Z-檢定：
1. 母體呈常態分佈且變異數 (\(\sigma^2\)) 已知。
2. 樣本大小較大 (\(n \ge 30\))。在此情況下，即使母體並非常態分佈，中央極限定理 (CLT) 也允許我們將樣本平均數視為常態分佈！
3. 單尾檢定 vs. 雙尾檢定
我們該如何決定使用哪一個？這完全取決於 \(H_1\) 說了什麼！
單尾檢定 (1-Tail Test)： 當我們尋找特定方向的變化時使用。
例子：「新燈泡的壽命是否大於 1000 小時？」 (\(H_1: \mu > 1000\)) 或 (\(H_1: \mu < 1000\))。
雙尾檢定 (2-Tail Test)： 當我們只想知道平均數是否改變或不同，但不關心它是增加還是減少時使用。
例子：「機器生產的桿子長度是否仍為 2cm，還是已經跑掉校準了？」 (\(H_1: \mu \neq 2\))。
重點： 對於 5% 顯著水準的雙尾檢定，你實際上是在尋找曲線兩端「最極端的 2.5%」！
4. 作出決定：「P-值」方法
p-值 是決定結果最常用的方法。它代表結果純屬巧合發生的機率。
黃金法則：
「P 值若低，\(H_0\) 必去！」(If the P is low, \(H_0\) must go!)
- 若 p-值 < \(\alpha\)：我們拒絕 \(H_0\)。有顯著證據支持新的說法 (\(H_1\))。
- 若 p-值 \(\ge \alpha\)：我們不拒絕 \(H_0\)。沒有足夠的證據來支持新的說法。
你知道嗎？
在許多科學領域中，0.05 的 p-值是「發現」的標準。如果你發現一個小於 0.05 的 p-值，你可能剛發現了一些足以在期刊上發表的重要事物！
5. 必須記住的重要定義
臨界值 (Critical Value)： 標記拒絕域邊界的特定「Z-分數」。
臨界區域 (Critical Region)： 你會拒絕虛無假設的數值範圍。如果你的計算 Z-分數落入這個「危險區域」，\(H_0\) 就完蛋了！
顯著水準 (\(\alpha\))： 在 \(H_0\) 實際為真時卻錯誤拒絕它的機率。它代表我們願意承擔犯錯的「風險」。
6. 常見的錯誤避坑指南
1. 遺忘背景： 不要只停留在「拒絕 \(H_0\)」。你必須寫下：「在 5% 的顯著水準下，有足夠的證據顯示麥片的平均重量小於 500 克。」
2. 混淆 \(\sigma\) 和 \(s\)： 如果母體變異數未知但樣本很大，請在公式中使用母體變異數的不偏估計量 (\(s^2\))，而不是 \(\sigma^2\)。
3. 雙尾檢定的錯誤 \(H_1\)： 如果題目提到「改變」、「不同」或「不等於」，你必須使用 \(\mu \neq \mu_0\)，並且記得你的 GC 需要設定為「雙尾 (2-tail)」模式。
7. 總結檢查清單
- 我是否清楚陳述了 \(H_0\) 和 \(H_1\)？
- 我是否提到了（若 \(n\) 很大時）是否使用了中央極限定理？
- 我是否正確使用 GC 找出了 p-值？
- 我是否將 p-值與 \(\alpha\) 進行了比較？
- 我的最終答案是否結合了題目背景？
繼續練習吧！假設檢定就像邏輯謎題。一旦你掌握了這套「5 步食譜」，無論考試出什麼場景，你都能輕鬆應對。