這個計算器的功能
這項工具用來描述樣本比例的抽樣分布(p̂)。當你從真實比例為 p 的母體中,反覆抽取大小為 n 的隨機樣本時,所得到的眾多樣本比例會自成一個分布。本計算器會算出這個分布的平均數與標準誤,方便你建立信賴區間、進行假設檢定,或評估抽樣的變異程度。
如何使用
請將母體比例 p 以 0 到 1 之間的小數輸入(例如 40% 就填 0.4),接著輸入樣本大小 n。計算器會立即顯示抽樣分布的平均數(等於 p)、變異數,以及標準誤(SE)。
公式說明
抽樣分布的平均數等於母體比例:$$\mu_{\hat{p}} = \text{p}$$標準誤衡量的是樣本比例在 \(p\) 附近的波動幅度,公式為 $$\text{SE} = \sqrt{\frac{\text{p}\,(1 - \text{p})}{\text{n}}}$$樣本愈大,標準誤就愈小,估計也就愈精確。根據中央極限定理,當 \(np \geq 10\) 且 \(n(1-p) \geq 10\) 時,這個分布會近似常態分布。
實際範例
假設 \(p = 0.5\)、\(n = 100\)。平均數為 0.5;變異數為 $$0.5 \times 0.5 / 100 = 0.0025$$標準誤則為 $$\sqrt{0.0025} = 0.05$$因此,樣本比例通常會落在 0.5 上下約 ±0.05 的範圍內。
樣本大小與比例如何改變標準誤
樣本比例的標準誤為 \(SE = \sqrt{\frac{p(1-p)}{n} }\)。下表列出四個母體比例與四種樣本大小的 SE。星號(*)標示 \(np < 10\) 或 \(n(1-p) < 10\) 的組合,此時不應使用常態近似。
| p | n = 25 | n = 100 | n = 400 | n = 1000 |
|---|---|---|---|---|
| 0.1 | 0.0600* | 0.0300 | 0.0150 | 0.0095 |
| 0.3 | 0.0917* | 0.0458 | 0.0229 | 0.0145 |
| 0.5 | 0.1000 | 0.0500 | 0.0250 | 0.0158 |
| 0.7 | 0.0917* | 0.0458 | 0.0229 | 0.0145 |
數值四捨五入至小數點後四位。標示的儲存格為:
- p = 0.1,n = 25:\(np = 2.5\)
- p = 0.3,n = 25:\(np = 7.5\)
- p = 0.7,n = 25:\(n(1-p) = 7.5\)
當 p = 0.1 且 n = 100 時,\(np = 10\) 恰好符合門檻值。
表格顯示的內容
- n 增為四倍,SE 減半。從 n = 25 到 100 再到 400,每一步 n 乘以 4,SE 除以 2。以 p = 0.5 為例:0.1000、0.0500、0.0250。
- SE 在 p = 0.5 時最大,因為 \(p(1-p)\) 在 0.25 時達到最大值。p 與 1 − p 的數值完全相同(比較 p = 0.3 與 p = 0.7)。
關鍵術語與符號
- 母體比例(p)
- 具有所關注特徵的整個母體之真實比例。通常未知,且介於 0 與 1 之間。
- 樣本比例(\(\hat{p}\))
- 樣本中成功事件的比例:\(\hat{p} = X/n\),其中 X 為成功次數。
- 樣本大小(n)
- 每個樣本中獨立觀測值的個數。
- 抽樣分布
- 從同一母體抽出所有可能大小為 n 的樣本時,\(\hat{p}\) 的分布。其平均數為 p,標準差為 \(\sqrt{p(1-p)/n}\)。
- 標準誤與標準差
- 標準差衡量個別數值的離散程度(對於一次 0/1 觀測,其值為 \(\sqrt{p(1-p)}\))。標準誤則是 \(\hat{p}\) 等統計量的標準差,且隨 n 增大而縮小。
- 不偏估計量
- 在重複抽樣中,其平均值等於所估計參數的統計量。由於 \(\mu_{\hat{p}} = p\),樣本比例是 p 的不偏估計量。
- 中央極限定理與成功-失敗條件
- 當 n 夠大時,\(\hat{p}\) 的抽樣分布近似常態。常見經驗法則要求 \(np \ge 10\) 且 \(n(1-p) \ge 10\)(部分教科書使用 5),並假設觀測值相互獨立。低於這些門檻時,分布會明顯偏斜,以常態為基礎的機率可能不準確。
常見問題
為什麼平均數會等於 p?因為樣本比例是母體比例的不偏估計量——平均而言,它會準確命中真實值。
n 變大時會怎樣?標準誤會以 \(1/\sqrt{n}\) 的比例下降,所以樣本愈大,估計就愈精確。
常態近似在什麼情況下成立?常見準則是 \(np \geq 10\) 且 \(n(1-p) \geq 10\);若不符合,建議改用精確的二項分布方法。