点及区间估计
进阶统计推断由样本走向总体：样本平均值的抽样分布以 μ 为中心、σ 除以根号 n 为标准误，n 足够大时近似正态；以 x̄ 点估计 μ，再以 x̄ 加减 1.96 倍标准误造 95% 置信区间，区间宽窄由样本大小控制。
- 统计推断由样本到总体：x̄ 估 μ、s² 估 σ²；统计量随机、参数固定。
- x̄ 的抽样分布：E(x̄) = μ、Var(x̄) = σ²/n、标准误 σ/√n；n 大时近似正态（中心极限定理）。
- 样本方差 s² = Σ(xᵢ − x̄)²/(n−1)，分母 n−1 保证无偏。
文体小知识：数学概念说明文——由总体与样本讲起，说明样本平均值的抽样分布、标准误、中心极限定理、点估计与无偏性，再构造和解读总体平均值的置信区间，是统计推断的核心课。
§课文原文 Passage
1统计推断的核心问题是：总体太大，无法逐一量度，只能抽样，再由样本推算总体。描述总体的常数如平均值 μ 与方差 σ² 称为总体参数，它们固定不变但通常未知；由样本算出的量如样本平均值 x̄ 与样本方差 s² 称为样本统计量，随样本而变。举个例子：想知道全港中五学生的平均身高，无法量度所有人，只能随机抽一百人。
2样本平均值本身也是随机变量，有自己的分布，称为抽样分布。课程指出：若总体平均值为 μ、方差为 σ²，则 E(x̄) = μ 且 Var(x̄) = σ²/n；x̄ 的标准差叫标准误，等于 σ 除以根号 n。样本越大，x̄ 越集中于 μ 附近。若总体本身服从正态分布，则不论 n 大小，x̄ 都服从 N(μ, σ²/n)。
3总体不是正态怎么办？中心极限定理回答：只要 n 足够大，不论总体分布如何，x̄ 的分布都近似正态。举个例子：掷一粒公平骰子，点数是均匀分布，期望值 3.5；但一次掷六十粒取平均，平均点数的分布已近似以 3.5 为中心的钟形。这条定理是统计推断的引擎，令正态方法适用于几乎一切大样本。
4点估计用单一数值估计参数：以 x̄ 估 μ，以 s² 估 σ²。好估计量的标准之一是无偏：估计量的期望值恰好等于被估的参数。E(x̄) = μ，所以 x̄ 是 μ 的无偏估计量；样本方差定义为各观察值离差平方和除以 n 减一，分母刻意用 n−1，正是令 s² 的期望值等于 σ²。若分母用 n，s² 会系统性地低估总体方差。
5点估计不交代误差，区间估计补上这一环：以 x̄ 为中心造一个区间，并声明置信水平。95% 置信区间的正确解读：重复抽样造区间，长期约 95% 的区间会盖住 μ；μ 是固定常数，随机的是区间。从方差已知的正态总体抽样，95% 区间为 x̄ 加减 1.96 倍标准误；n 大而 σ 未知时，可用样本标准差 s 代替。
1重点摘要 Summary
统计推断由样本走向总体：样本平均值的抽样分布以 μ 为中心、σ 除以根号 n 为标准误，n 足够大时近似正态；以 x̄ 点估计 μ，再以 x̄ 加减 1.96 倍标准误造 95% 置信区间，区间宽窄由样本大小控制。
2生字卡 Vocabulary
描述总体的固定常数，如平均值 μ、方差 σ²；通常未知，靠样本估计。
由样本算出的量，如样本平均值 x̄、样本方差 s²；随样本而变，用来估计参数。
统计量在所有可能样本下的概率分布，例如 x̄ 的分布。
x̄ 的标准差，等于 σ/√n；量度用 x̄ 估计 μ 的精确度。
n 足够大时，不论总体分布如何，x̄ 的分布近似正态。
用单一数值估计参数：以 x̄ 估 μ，以 s² 估 σ²。
期望值等于被估参数的估计量；E(x̄) = μ，s² 除以 n−1 后期望值亦为 σ²。
s² = Σ(xᵢ − x̄)²/(n−1)；分母用 n−1 以保证无偏。
以统计量为中心、附置信水平的参数区间估计，如 x̄ ± 1.96σ/√n。
造区间方法的长期成功率；95% 区间对应临界值 1.96，99% 对应 2.575。
3逐步讲解 Steps
- 第一步：总体与样本统计推断的核心问题：总体太大无法逐一量度，只能抽样，再由样本统计量推断总体参数。总体平均值 μ 与方差 σ² 是固定的未知常数；样本平均值 x̄ 与样本方差 s² 却随样本而变，是随机变量。举个例子：全港中五学生约八万人，平均身高 μ 未知；随机抽 100 人量得 x̄ = 168 厘米，这个数字因样本而异，但始终围绕 μ 波动，分清参数与统计量是本课一切讨论的起点。
- 第二步：样本平均值的抽样分布若总体平均值为 μ、方差为 σ²，则样本平均值满足 E(x̄) = μ 与 Var(x̄) = σ²/n；x̄ 的标准差称为标准误，等于 σ/√n。样本越大，x̄ 越集中于 μ 附近。举个例子：σ = 12、n = 36 时标准误是 12÷6 = 2；若样本扩大到 n = 144，标准误减半为 1，估计精确一倍。标准误与根号 n 成反比，这是「样本越大越准」的数学表述，也是设计抽样方案的依据。
- 第三步：x̄ 的分布形状与中心极限定理若总体本身正态，X ~ N(μ, σ²)，则不论 n 大小，x̄ ~ N(μ, σ²/n)。若总体不是正态，中心极限定理指出：只要 n 足够大，x̄ 的分布仍然近似正态。举个例子：掷一粒公平骰子，点数是均匀分布，期望值 3.5；但一次掷 60 粒取平均，平均点数的分布已近似以 3.5 为中心的钟形。这条定理令正态方法适用于几乎一切大样本，是统计推断的引擎。
- 第四步：点估计与无偏性点估计用单一数值估计参数：以 x̄ 估 μ，以 s² 估 σ²。好估计量的标准之一是无偏：估计量的期望值恰好等于被估参数。E(x̄) = μ，所以 x̄ 是 μ 的无偏估计量；样本方差定义为 s² = Σ(xᵢ − x̄)²/(n−1)，分母刻意用 n−1，正是令 E(s²) = σ²。举个例子：抽 5 罐汽水容量为 249、251、250、248、252 毫升，x̄ = 250；若分母用 n 而非 n−1，算出的方差会系统性偏小，长期低估离散程度。
- 第五步：置信区间的概念点估计不交代误差多大，区间估计补上这一环：以 x̄ 为中心造一个区间，并声明置信水平。95% 置信区间的正确解读：重复抽样并造区间，长期而言约 95% 的区间会盖住 μ；μ 是固定常数，随机的是区间而非 μ。举个例子：民意调查报告「支持率 52%，误差正负三个百分点（95% 置信）」，意思是区间 49% 至 55% 盖住真实支持率的长期成功率为九成五。
- 第六步：造置信区间（已知 σ）从方差已知为 σ² 的正态总体抽取大小 n 的随机样本，总体平均值 μ 的 95% 置信区间是 x̄ ± 1.96 × σ/√n；一般地，100(1−α)% 区间用对应的临界值（99% 用 2.575）。三步：算 x̄、算标准误 σ/√n、乘临界值得误差幅度。举个例子：n = 36、x̄ = 52、σ = 6：标准误 = 1，95% 区间是 52 ± 1.96，即 (50.04, 53.96)；换成 99% 区间则是 52 ± 2.575，区间更宽，换取更高信心。
- 第七步：σ 未知的实际情况与 n 的角色总体方差通常未知；课程指出 n 足够大时，可用样本标准差 s 代替 σ，区间写作 x̄ ± 1.96 × s/√n。区间宽度与根号 n 成反比：误差要减半，样本须扩大四倍。举个例子：工厂希望容量估计的 95% 误差幅度不超过 1 毫升，若 s = 4，须 n ≥ (1.96×4)² = 61.5，实际取 n = 64。这是规划抽样方案的标准算法，也解释了为何大型调查动辄访问上千人。
5例题示范 Example
例题：汽水厂随机抽取 36 罐汽水，样本平均容量为 250.4 毫升。已知总体标准差为 6 毫升，求总体平均容量的 95% 置信区间。
- 已知 n = 36、x̄ = 250.4、σ = 6；95% 置信水平对应临界值 1.96
- 标准误 = σ/√n = 6/√36 = 1
- 误差幅度 = 1.96 × 1 = 1.96
- 置信区间 = 250.4 ± 1.96，即 (248.44, 252.36)
- 答案：总体平均容量的 95% 置信区间为 (248.44, 252.36) 毫升。答题步骤：写出公式 x̄ ± 1.96σ/√n、计算标准误、代入求上下限，并写明单位；漏除根号 n 是最常见错误。
6常见错误 Mistakes
75 题快测 Quick check
Q1μ 与 x̄ 分别是参数还是统计量？
Q2设 σ = 12、n = 36，求 x̄ 的标准差。
Q3样本大小增至原来的四倍，标准误如何变化？
Q4为何样本方差的分母用 n−1 而不是 n？
Q5设 x̄ = 100、σ = 15、n = 25，求 μ 的 95% 置信区间。
8重点回顾 Recap
- 统计推断由样本到总体：x̄ 估 μ、s² 估 σ²；统计量随机、参数固定。
- x̄ 的抽样分布：E(x̄) = μ、Var(x̄) = σ²/n、标准误 σ/√n；n 大时近似正态（中心极限定理）。
- 样本方差 s² = Σ(xᵢ − x̄)²/(n−1)，分母 n−1 保证无偏。
- 已知 σ 的 95% 区间：x̄ ± 1.96σ/√n；n 大而 σ 未知，用 s 代替 σ。
- 区间宽度与根号 n 成反比：误差减半须样本四倍；置信水平与精确度互相抵换。