估算概論：關於世界的精明推測
歡迎來到估算這一章！統計學之所以真正實用，正是因為有了估算。在現實生活中，若要測量大型群體（母體）中的每一位成員、每一件產品或每一個數據點，往往是不可能的（或者成本過高）。
估算是一門藝術，它讓我們能從一小部分易於管理的子集（樣本）中獲取資訊，並以此對整個母體進行可靠的推論。你將會運用這些知識來計算各種關鍵的統計指標，為日後學習「假設檢定」等課題打好基礎。
別擔心，「參數」和「統計量」這些術語聽起來可能有點陌生——我們會立刻為你拆解！
1. 基礎概念：母體與樣本的量度
在進行任何估算之前，我們必須釐清兩類主要的量度指標：
關鍵定義
1. 母體 (Population)：
指我們感興趣研究的整組對象或成員。
2. 樣本 (Sample)：
指從母體中挑選出來的一小部分，用以代表整體。我們通過研究樣本來理解母體。為了讓我們的統計方法有效，通常需要採取簡單隨機樣本 (simple random sample)，即確保母體中每一名成員都有相等的機會被選中。
參數與統計量 (P 與 S 規則)
這是你必須清晰掌握的核心區分：
- 參數 (Parameter)： Population（母體）的數值特徵。
- 統計量 (Statistic)： 從 Sample（樣本）計算出來的數值特徵。
| 量度 | 母體 (參數) | 樣本 (統計量) |
| 平均值 | \(\mu\) (mu) | \(\bar{x}\) (x-bar) |
| 方差 | \(\sigma^2\) (sigma squared) | \(s^2\) (樣本方差) 或 \(S^2\) (不偏估計量) |
記憶小撇步：
Population（母體）開頭是 P，所以是 Parameters（參數）。
Sample（樣本）開頭是 S，所以是 Statistics（統計量）。
第一節重點回顧： 我們利用統計量（來自樣本）來估算參數（母體的特徵）。
2. 不偏估計量 (Unbiased Estimators)
當我們使用一個統計量來估算參數時，該統計量稱為估計量 (Estimator)。但哪種統計量才是最佳選擇呢？我們偏好使用不偏 (unbiased) 的估計量。
什麼是不偏估計量？
若一個估計量的期望值（即所有可能樣本結果的平均值）等於它所估算的母體參數之真實值，該估計量就是不偏的。
簡單來說：如果你抽取了一百萬個樣本，並計算出每個樣本的估計值，這些估計值的平均數會剛好命中紅心（即母體的真實參數值）。
官方認定的不偏估計量 (課程大綱 S2.5)
課程大綱要求你必須掌握母體平均值與方差的正確不偏估計量：
1. 估算母體平均值 (\(\mu\))：
母體平均值 \(\mu\) 的不偏估計量是樣本平均值 \(\mathbf{\bar{X}}\)。
- \(\mathbf{E(\bar{X}) = \mu}\)
- 這意味著樣本平均值的期望值等於母體的真實平均值。
2. 估算母體方差 (\(\sigma^2\))：
母體方差 \(\sigma^2\) 的不偏估計量是不偏樣本方差 \(\mathbf{S^2}\)。
- \(\mathbf{E(S^2) = \sigma^2}\)
你知道嗎？ 不偏樣本方差 \(S^2\) 的公式中，除數是 \(n-1\)（自由度），而不是 \(n\)。如果你在計算方差時直接除以 \(n\)（即 \(s^2\)），所得的結果會系統性地低估母體的真實方差。因此，在估算 \(\sigma^2\) 時，我們必須使用 \(S^2\)！
第二節重點回顧： 估算母體平均值和方差的最佳方法分別是 \(\bar{X}\) 和 \(S^2\)，因為它們都是不偏的。
3. 樣本平均值 (\(\bar{X}\)) 的抽樣分佈
當我們計算像樣本平均值 \(\bar{X}\) 這樣的統計量時，它是一個隨機變量，因為其數值會根據我們隨機選取的樣本成員而改變。
如果我們抽取*許多*樣本並繪製它們所有平均值的圖表，就會得到平均值的抽樣分佈。這種分佈具有非常可預測且實用的性質。
當母體為常態分佈時的性質
如果母體 \(X\) 中的個體數據點遵循常態分佈，即 \(X \sim N(\mu, \sigma^2)\)，那麼樣本平均值 \(\bar{X}\) 的抽樣分佈也將是常態分佈：
\[\mathbf{\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)}\]
這個公式的含義：
- 樣本平均值的平均值仍然是母體平均值 \(\mu\)。
- 樣本平均值的方差等於母體方差除以樣本數量，即 \(\frac{\sigma^2}{n}\)。
標準誤 (Standard Error)
平均值抽樣分佈的標準差稱為標準誤 (Standard Error, SE)。它衡量的是樣本平均值與真實母體平均值之間的平均差異。
樣本數量 \(n\) 越大，方差 (\(\frac{\sigma^2}{n}\)) 就越小，標準誤也越小。這意味著樣本平均值會更緊密地聚集在真實母體平均值周圍——這正是我們所期望的！
標準誤公式 (課程大綱要求)：
1. 若已知母體標準差 (\(\sigma\))：
\[\text{SE} = \mathbf{\frac{\sigma}{\sqrt{n}}}\]
2. 若未知母體標準差 (\(\sigma\)) (使用估計量)：
我們必須用它的不偏樣本估計值 \(S\) 來取代 \(\sigma\)。
\[\text{估計出的 SE} = \mathbf{\frac{S}{\sqrt{n}}}\]
第三節重點回顧： 當母體呈常態分佈時，樣本平均值亦呈常態分佈，其離散程度由標準誤決定，且標準誤會隨著樣本數量 \(n\) 的增加而縮小。
4. 中央極限定理 (CLT)
這可說是統計學中最強大的概念！只要樣本數量足夠大，即使原始數據並非來自常態分佈，CLT 也允許我們使用常態分佈進行分析。
CLT 的威力
中央極限定理指出：
若從任何分佈（具有平均值 \(\mu\) 和方差 \(\sigma^2\)）中抽取大小為 \(n\) 的隨機樣本，當樣本數量 \(n\) 夠大時，樣本平均值 \(\bar{X}\) 的抽樣分佈會近似於常態分佈。
\[\mathbf{\bar{X} \approx N\left(\mu, \frac{\sigma^2}{n}\right)} \quad \text{當 } n \text{ 很大時}\]
多大才算「大」？
雖然沒有嚴格的通用規則，但在 A-Level 統計學中，通常認為 \(n \ge 30\) 已經足夠大，使得 CLT 的近似值成立，無論原始母體分佈的形狀為何。
為什麼 CLT 很重要？
CLT 至關重要，因為現實世界中的大多數母體都不是完美的常態分佈。
- 它允許我們在處理樣本平均值的計算時，使用常態分佈的性質（如計算 z-分數和使用常態分佈表），即便原始分佈是偏態的、均勻的或是指數分佈的。
- 這是處理大樣本時，大多數常用統計檢定和信賴區間的理論基礎。
應用 CLT 的步驟：
- 確定母體平均值 (\(\mu\)) 和方差 (\(\sigma^2\))。
- 檢查樣本數量 \(n\)。如果 \(n\) 夠大（通常 \(\ge 30\)），你就可以使用 CLT。
- 寫下近似關係：\(\bar{X} \approx N\left(\mu, \frac{\sigma^2}{n}\right)\)。
- 計算標準誤 (\(\frac{\sigma}{\sqrt{n}}\))。
-
利用標準常態變量 \(Z\) 來解決概率問題：
\[\mathbf{Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}}}\]
必須避免的常見錯誤！
切勿混淆單個數據點 \(X\) 的分佈與樣本平均值 \(\bar{X}\) 的分佈。
- \(X \sim N(\mu, \sigma^2\) 描述的是原始母體。
- \(\bar{X} \sim N(\mu, \sigma^2 / n)\) 描述的是樣本平均值的分佈。
你只有在處理平均值的抽樣分佈時，才會用到 \(\sqrt{n}\) 作為除數。
第四節重點回顧： 中央極限定理確保了只要樣本數量足夠大，樣本平均值就會趨向於常態分佈，即使母體本身並非如此。這使得常態分佈成為你解決估算問題時最得力的工具。