排列組合 - 好用工具箱
總體與樣本的基本概念：
變異數與標準差的基本概念：
標準誤差與有限總體修正（FPC）的基本概念：
分佈與推論統計的基本概念：
信賴區間計算的基本概念：
假設檢定的基本概念：
變異數分析（ANOVA）與實驗設計的基本概念：
________________________________________
1. 總體與樣本的基本概念：
總體（population）是指我們關心的整個資料集合，而樣本（sample）則是從總體中抽出的一部分，用來推論總體的特性。理解總體與樣本的區別是進行統計推論的第一步。
群體（母體）平均值是無限多次試驗所得的理論值，但實際試驗無法無限，只能做到最多 N−1 次。常見記號如下：
母平均數：μ，母變異數：σ²，母標準差：σ
樣本平均數：x̄，樣本變異數：S²，樣本標準差：S
平均值＝數據總和 ÷ 數據項數，如 μ＝(ΣX)/N。
2. 變異數與標準差的基本概念：
變異數（variance）是用來衡量資料分散程度的指標，而標準差（standard deviation）則是變異數的平方根，單位與原始資料相同，更易於解釋。兩者皆可用來了解資料的離散情況。
變異數＝每項與平均差的平方和 ÷ 項數，σ²＝Σ(xᵢ−μ)² / N。
樣本平均 x̄ 趨近母體平均 μ，樣本數愈大，這種趨近愈明顯。
變異數（variance）或稱方差，用來衡量數據分散程度。因其單位不同於原數據，實務上常改用標準差 σ（即變異數平方根）。
變異係數＝標準差 ÷ 平均值，分散指數＝變異數 ÷ 期望值。
3. 標準誤差與有限總體修正（FPC）的基本概念：
標準誤差（standard error）是樣本統計量（如平均數）的變異程度，用於衡量估計的精確度。當樣本比例相對總體較大時，需使用有限總體修正（finite population correction, FPC）以避免高估誤差。
標準誤差（σx̄）用來估計樣本平均的偏誤，計算式為 σ/√n。當樣本占總體比例大（n/N > 1/10），需乘以有限母體修正係數 FPC。FPC＝√(N−n)/(N−1)。
4. 分佈與推論統計的基本概念：
統計分佈描述了資料如何分佈在各個數值上。常見如常態分佈。推論統計則是根據樣本資料來推斷總體特徵，透過如估計、假設檢定等方法進行推論。
若母體分布未知，只要樣本數夠大（約 n≥30），可視為常態分布。此時可用樣本標準差 S 近似母標準差 σ，Z 值公式為：
Z=(xˉ−μ)/(S/√n)∼t(n−1)
5. 信賴區間計算的基本概念：
信賴區間（confidence interval）提供了某一統計量的可能取值範圍，並以特定信心水準（如95%）表達推論的可靠程度。它告訴我們在多次抽樣下，估計值會落在某個範圍內的機率有多高。
利用標準常態分布可計算信賴區間。例如，95% 信賴區間：Z = 1.96，誤差範圍為 ±1.96 × 標準誤差。
6. 假設檢定的基本概念：
假設檢定是用來評估某一主張（如兩平均數是否相等）是否有統計上的支持。包含設定虛無假設與對立假設，計算檢定統計量與p值，並根據顯著水準做出結論。
統計檢定的目的是根據樣本資料，判斷是否接受某個母體參數的假設。
虛無假設 H₀：現況成立
對立假設 H₁：與現況不同
檢定類型：
雙尾：H₀: θ＝θ₀；H₁: θ≠θ₀
左尾：H₀: θ≥θ₀；H₁: θ<θ₀
右尾：H₀: θ≤θ₀；H₁: θ>θ₀
7. 變異數分析（ANOVA）與實驗設計的基本概念：
變異數分析（Analysis of Variance, ANOVA）用來比較多組平均數是否有顯著差異。實驗設計則著重於如何合理安排實驗，以控制變異並提升結論的有效性與可靠性。
變異數分析（ANOVA）可檢視不同因子對數據的影響，提升統計檢定的效力。實驗設計（DOE）透過隨機化與重複性來突顯主要因子的效果，降低誤差。
實驗單位：測量的基本單位
因子：可能影響結果的條件
水準：因子的不同設定值
處理：因子與水準的組合
當數據服從常態分布：
常態密度函數公式：
F(x)=(1/σ√2π)．e^−((x−μ)^2)/(2σ^2)
當 μ=0、σ=1 時，Z 值與常態機率對應為：
Excel 中可用 =NORM.S.DIST(Z,TRUE) 計算累積常態分布機率。
________________________________________
總體平均值（μ）：理論上為無限次試驗的極限值，實際中以有限次數（N）估算，公式為：
樣本平均值（x̄）：從總體中抽取n個樣本的均值，公式與總體一致：
大數法則：當樣本數n增加趨近於N，x̄趨近於μ。
總體變異數（σ²）：
樣本變異數（S²）：使用無偏估計（分母為n-1）：
ii
標準差：變異數的平方根，用於與原始數據單位一致。
標準誤差（SE）：樣本均值的變異程度，公式為：
有限總體修正（FPC）：當抽樣比例大（n/N > 1/10）且無放回抽樣時，修正係數為：
修正後標準誤差為：
若n/N ≤ 1/10，FPC≈1，可忽略。
中心極限定理：當樣本量n ≥30，無論總體分佈，樣本均值服從常態分佈。
Z值與t分佈：
若總體σ已知，使用Z分佈：
若σ未知且用S代替，服從自由度n-1的t分佈：
95%信賴區間（使用Z值1.96或t值）：x̄ ± Zα/ 2⋅(σ/√n) 或x̄ ± tα/2,n−1⋅(S/√n )
Excel函數：NORM.S.DIST(1.96,1)=0.975，對應雙尾5%顯著水準。
因子（Factor）：影響實驗結果的變數。
水準（Level）：因子的不同狀態。
F檢定：比較組間變異與組內變異，判斷因子是否顯著：
若F值 > 臨界值，拒絕H₀（各組均值相等）。
有限總體修正（FPC）：僅適用於無放回抽樣且大抽樣比例時，公式為：√(N−n)/(N−1 )
樣本方差分母：使用n-1（無偏估計）而非n，以修正小樣本的偏差。
t分佈使用條件：總體常態或大樣本，且σ未知時。
________________________________________
以下透過日常生活中的例子，幫助理解統計學的關鍵概念：
情境：全班50人（總體）的數學考試平均分μ=70分，標準差σ=10分。
樣本推論：老師隨機抽10份考卷（樣本），計算樣本平均x̄=72分，樣本標準差S=9分。
關鍵概念：
總體參數（μ, σ）是固定值，樣本統計量（x̄, S）會因抽樣而波動。
若多次抽樣，x̄會趨近μ（大數法則）。
情境：飲料機設定每罐裝填量μ=350ml，σ=5ml。隨機抽36罐，計算x̄=348ml。
信賴區間：95% CI=348±1.96×5/√36=348±1.63
解讀：有95%信心認為機器平均裝填量介於 [346.37,349.63]ml，可能需校正。
關鍵概念：標準誤差（SE=5/6≈0.83ml）反映樣本均值的精確度。
情境：廠商宣稱燈泡平均壽命μ≥1000小時。抽25個樣本，x̄=980小時，S=80小時。
檢定步驟：
H₀: μ≥1000 vs. H₁: μ<1000（左尾檢定）
計算t值：
t=(980−1000) / (80/√25) =−1.25
查t表（自由度24，α=0.05）：臨界值=-1.711
結論：t值>-1.711，不拒絕H₀（無證據顯示壽命低於宣稱）。
關鍵概念：小樣本且σ未知時用t檢定。
情境：超市一天接待200名顧客（總體），隨機無放回抽40人，排隊時間標準差σ=5分鐘。
標準誤差修正：
SE=(5/√40) × √(200−40)/(200−1)=0.79×0.89≈0.70 分鐘
關鍵概念：抽樣比例高（40/200=20%）時需修正，避免低估誤差。
情境：比較三種減肥藥（A/B/C）的效果，每組30人，測體重減少量。
分析邏輯：
若組間變異（不同藥的效果差異）顯著大於組內變異（同組個體差異），則拒絕H₀（三組均值相等）。
F值越大，越可能產品效果不同。
日常類比：三間餐廳的候餐時間是否相同？
情境：某品種蘋果甜度服從N(12, 2^²)。隨機抽一顆，甜度x=15。
Z值計算：
Z=(15−12)/2=1.5⇒P(x>15)=1−Φ(1.5)≈6.68%
解讀：僅約6.7%蘋果甜度超過15，可能為特殊栽培或測量誤差。
情境：電商平台有100萬用戶，抽1000人調查滿意度，x̄=4.2分（滿分5），S=0.8。
推論：
因n=1000>30，直接用Z分佈計算95%信賴區間：
4.2± 1.96 × 0.8/√1000 ≈ 4.2±0.05 [4.15,4.25]
結論：滿意度極可能落在4.15~4.25分，無需複雜修正。
情境：測試10支手機的續航時間，x̄=18小時，S=1.5小時。
方法選擇：
若已知同型號電池σ=1.6小時→用Z分佈。
若σ未知→用t分佈（自由度9，t(₀.₀₂₅)=2.262）。
區間差異：
Z區間：18 ± 1.96×0.5 ≈ [17.02, 18.98]
t區間：18 ± 2.262×0.5 ≈ [16.87, 19.13]
關鍵概念：小樣本時t分佈給出更保守（寬）的區間。
情境：
H₀：新藥無效（治癒率=舊藥20%）
H₁：新藥更有效（治癒率>20%）
錯誤類型：
型一錯誤（α）：新藥其實無效，但檢定認為有效（假警報）。
型二錯誤（β）：新藥有效，但檢定未能發現（漏報）。
權衡：α常設為5%（嚴控假警報），β需增加樣本數降低。
情境：某城市有100萬居民，按收入分層（高/中/低），各層抽100人調查。
優勢：
確保各層均有代表性，避免抽到全部高收入者的偏差。
比簡單隨機抽樣更精確。
關鍵概念：分層抽樣降低變異數，提高推論效率。