Estimators

歡迎來到估計量（Estimator）的世界！

在以往的統計學學習中，你已經學會利用數據來描述觀察到的現象（例如計算你自己的考試成績平均分）。在高等數學（Further Mathematics）中，我們將跨出一大步。我們會利用少量數據（樣本，Sample）對一個更大的群體（總體，Population）做出非常聰明的「猜測」。

估計量（Estimators）就是我們用來進行這些猜測的數學工具或公式。理解它們就像學習如何成為一名偵探——利用小樣本中的線索來解開整個總體的謎團！如果剛開始覺得有點抽象也不用擔心，我們會一步一步為你拆解。

先備知識檢查：請記住，總體（Population）是你感興趣的整個群體（例如：世界上所有的學生），而樣本（Sample）是你實際測量的一小部分（例如：你學校裡的 50 名學生）。

1. 什麼是估計量？

估計量（Estimator）是一套規則或公式，它告訴你如何根據樣本數據計算出總體參數的估計值。

你可以這樣理解： 估計量是食譜（公式本身）。 估計值（Estimate）是蛋糕（代入數據後算出的具體數字）。

不偏估計量（Unbiased Estimators）

我們希望估計量是「公平」的。在數學術語中，我們稱之為不偏（Unbiased）。

如果一個估計量的平均值等於我們要尋找的總體參數的真實值，那麼它就是不偏的。

類比： 想像一位弓箭手。如果這位弓箭手是「不偏」的，雖然他的箭不一定每次都能正中紅心，但它們會均勻地分佈在紅心周圍。他不會有總是偏左或總是偏右的習慣。

重點總結：不偏估計量不會系統性地高估或低估真實值。

2. 估計總體平均值 \((\mu)\)

好消息是，估計總體平均值非常簡單！

我們稱之為 \(\bar{X}\) 的樣本平均值（sample mean），就是總體平均值 \(\mu\) 的一個不偏估計量。

公式

\( \hat{\mu} = \bar{X} = \frac{\sum X}{n} \)

其中： - \(\hat{\mu}\)（讀作 "mu-hat"）是我們對總體平均值的估計值。 - \(\sum X\) 是樣本中所有數值的總和。 - \(n\) 是樣本中的數據個數。

小貼士：在統計學中，只要看到希臘字母上面有個「帽子」符號 (^)，就代表「......的估計值」。

3. 估計總體方差 \((\sigma^2)\)

這裡開始會稍微複雜一點，但請跟上！

如果你使用以前學過的標準方差公式（除以 \(n\)），實際上你會低估總體的真實離散程度。這是因為小樣本不太可能包含大總體中存在的「極端」數值。

為了使估計量變成不偏，我們必須進行一個小技巧，稱為貝塞爾修正（Bessel's Correction）。我們不除以 \(n\)，而是除以 \(n - 1\)。

方差的不偏估計公式 \((S^2)\)

\( S^2 = \frac{1}{n-1} \left( \sum X^2 - \frac{(\sum X)^2}{n} \right) \)

或者，如果你已經知道樣本平均值 \(\bar{X}\)： \( S^2 = \frac{\sum (X - \bar{X})^2}{n-1} \)

要避免的常見錯誤：一定要檢查你的計算機設置！許多計算機有兩個按鈕：\(\sigma_n\)（除以 \(n\)）和 \(s_{n-1}\)（除以 \(n-1\)）。對於不偏估計量，你必須使用 \(n-1\) 的版本。

重點總結：除以 \(n-1\) 可以稍微「拉大」我們的估計值，以彌補樣本通常看起來比真實總體「更緊湊」的事實。

4. 一步一步來：求不偏估計值

讓我們看看一個現實生活中的例子。假設你測量了工廠生產的 5 條巧克力棒的重量（單位：克）：48, 52, 50, 49, 51。

步驟 1：求 \(X\) 的總和。
\( \sum X = 48 + 52 + 50 + 49 + 51 = 250 \)

步驟 2：求平均值的不偏估計值 \((\hat{\mu})\)。
\( \hat{\mu} = \frac{250}{5} = 50 \) 克。

步驟 3：求 \(X^2\) 的總和。
\( \sum X^2 = 48^2 + 52^2 + 50^2 + 49^2 + 51^2 = 2304 + 2704 + 2500 + 2401 + 2601 = 12510 \)

步驟 4：代入不偏方差公式。
\( S^2 = \frac{1}{5-1} \left( 12510 - \frac{250^2}{5} \right) \)
\( S^2 = \frac{1}{4} \left( 12510 - \frac{62500}{5} \right) \)
\( S^2 = \frac{1}{4} \left( 12510 - 12500 \right) \)
\( S^2 = \frac{10}{4} = 2.5 \)

總體方差的不偏估計值為 2.5。

5. 合併（Pooling）估計值

有時你可能會有兩個不同的樣本（例如：早班樣本和晚班樣本），你想將它們合併以獲得更好的整體估計。

合併平均值

如果你有樣本 1（大小為 \(n_1\)，平均值為 \(\bar{x}_1\)）和樣本 2（大小為 \(n_2\)，平均值為 \(\bar{x}_2\)）：
\( \bar{x}_{combined} = \frac{n_1\bar{x}_1 + n_2\bar{x}_2}{n_1 + n_2} \)

類比： 這只是一個「加權平均值」。如果早班有 100 人，而晚班只有 5 人，早班的數據在最終答案中應該佔有更大的「權重」。

快速複習欄

1. 平均值的不偏估計量：始終使用 \(\bar{X} = \frac{\sum X}{n}\)。
2. 方差的不偏估計量：使用分母為 \(n-1\) 的公式。
3. 為什麼是 \(n-1\)？為了修正樣本通常會低估總體真實離散程度的事實。
4. 符號：\(S^2\) 或 \(\hat{\sigma}^2\) 通常都代表方差的不偏估計值。

你知道嗎？

使用 \(n-1\) 代替 \(n\) 的想法是由弗里德里希·貝塞爾（Friedrich Bessel）在 1818 年普及的。在此之前，人們經常得出錯誤的預測，因為他們沒有意識到自己的樣本傾向於過於一致（偏差）。這個微小的數學調整永久改變了我們從事科學和工程研究的方式！

如果方差公式剛開始看起來很嚇人，不用擔心！只要練習代入幾次數字，這就會變得像本能一樣自然。記住：只要是「不偏」的，分母通常就是「n 減 1」！