115 年 國立臺灣大學統計碩士學位學程《統計學（G）》

本題考驗考生對統計學基本概念的理解，以及如何將這些概念應用於一個假設情境。核心在於如何從零開始，引導一個沒有統計學知識但具有基本邏輯能力的文明，建立起統計學的基礎。

解題思路：
首先，要理解「有母數統計」和「期望值」是統計學的核心概念。有母數統計通常涉及對母體參數（如平均數、變異數）進行推論，而期望值則是用來衡量隨機變數的平均值。在引導一個全新文明時，必須從最簡單、最直觀的現象入手，逐步建立觀念。

三個步驟的設計應涵蓋：

1. 數據收集與描述性統計的初步： 如何讓他們理解「觀察」和「記錄」的重要性，並開始對數據進行簡單的整理。
2. 機率概念的引入與期望值的建立： 如何從重複觀察中引導出機率的概念，並進而理解期望值作為一種「平均」或「預期」的意義。
3. 參數估計與推論統計的雛形： 如何從樣本數據推斷母體特性，並建立對不確定性的量化。

詳解如下：

步驟一：建立數據收集與初步描述的觀念

• 引導觀察與記錄： 首先，我們會鼓勵章魚生物進行大量的觀察與記錄。例如，觀察它們星球上每天的溫度變化、下雨的頻率、生物的數量變化等。我們會引導牠們認識到「數據」是描述世界的重要方式。
• 引入「數量」與「平均」的概念： 我們可以從簡單的計數開始，比如數出有多少隻章魚聚集在某個地方，或者一天有多少次太陽升起。接著，引導牠們理解「平均」的概念，例如，計算連續幾天的溫度總和除以天數，得到平均溫度。這可以幫助牠們對數據有一個初步的量化認識，並開始對數據的「集中趨勢」有感覺。
• 引入「變異」的概念： 在有了平均值的概念後，我們可以引導牠們注意數據的「分散性」。例如，雖然平均溫度是攝氏 20 度，但每天的實際溫度可能在 15 度到 25 度之間波動。我們可以引導牠們思考「為什麼數據會不一樣？」以及「數據的差異有多大？」。這為後續引入變異數等概念打下基礎。

步驟二：引入隨機性、機率與期望值

• 認識「隨機性」： 我們可以舉例說明，即使在相同的條件下，某些事件的發生與否似乎是「隨機」的，例如，一顆特定顏色的果子掉落的機率。我們可以引導牠們進行多次重複實驗，觀察結果的頻率。
• 建立「機率」觀念： 透過大量的重複實驗，我們可以讓牠們觀察到某個事件發生的「頻率」趨於穩定。例如，某種顏色的果子有 30% 的機率會掉落。這就是機率的初步概念。

本題考驗考生對中央極限定理 (Central Limit Theorem, CLT) 的理解，包括其內容、重要性，以及常態分布與標準常態分布的定義與關係。

解題思路：

1. 定義中央極限定理： 闡述 CLT 的核心內容，即當樣本數足夠大時，樣本平均數的抽樣分配會近似於常態分布，而與母體分布無關。
2. 闡述 CLT 的重要性： 解釋為何 CLT 被譽為統計學最重要的定理，主要在於它連接了母體參數與樣本統計量之間的關係，使得許多推論統計方法得以應用。
3. 定義常態分布： 說明常態分布 (Normal Distribution) 的特徵，包括其機率密度函數 (PDF)，以及由平均數 $\mu$ 和標準差 $\sigma$ 決定的特性。
4. 定義標準常態分布： 說明標準常態分布 (Standard Normal Distribution) 是常態分布的一種特殊情況，其平均數為 0，標準差為 1。
5. 解釋「幾種」常態分布與標準常態分布： 這裡的「幾種」並非指離散的分類，而是指其參數的變化性。常態分布有無限多種，由 $\mu$ 和 $\sigma$ 決定；標準常態分布則只有一種。

詳解如下：

中央極限定理 (Central Limit Theorem, CLT)

• 內容： 中央極限定理指出，不論母體分布的形態為何，只要我們從母體中抽取足夠大的隨機樣本（通常認為樣本數 $n \ge 30$ 即可視為足夠大），則這些樣本的平均數的抽樣分配（sampling distribution of the sample mean）將近似於一個常態分布。更精確地說，樣本平均數 $\bar{X}$ 的分布會近似於 $N(\mu, \sigma^2/n)$，其中 $\mu$ 是母體平均數，$\sigma^2$ 是母體變異數，而 $n$ 是樣本數。當樣本數 $n$ 趨近於無限大時，這個近似會趨近於精確。

• 重要性： 中央極限定理是統計學中最重要的定理之一，其重要性體現在以下幾個方面：

  1. 推論統計的基石： 絕大多數的推論統計方法（如信賴區間估計、假設檢定）都建立在樣本平均數或樣本比例的抽樣分配接近常態分布的基礎之上。CLT 使得我們能夠在不知道母體分布形態的情況下，依然能夠對母體參數進行有效的推論。
  2. 連結樣本與母體： 它提供了一個強大的工具，讓我們能夠從樣本數據（樣本平均數 $\bar{X}$）來推論母體參數（母體平均數 $\mu$）。
  3. 廣泛適用性： 由於母體分布的形態不影響樣本平均數的抽樣分配趨近常態，這使得 CLT 具有極高的應用價值，幾乎適用於所有類型的數據分析。

常態分布 (Normal Distribution) 與標準常態分布 (Standard Normal Distribution)

• 常態分布 (Normal Distribution)：
  • 定義： 常態分布，又稱高斯分布 (Gaussian Distribution)，是一種連續機率分布。其機率密度函數 (PDF) 由以下公式定義：

本題考驗考生對於統計諮詢服務的理解，以及如何與非統計專業背景的客戶進行有效溝通。重點在於如何從客戶的實際需求出發，釐清問題的核心，並確保雙方對諮詢目標有共識。

解題思路：
與客戶溝通時，最重要的是要能理解客戶的「真實問題」，而不僅僅是客戶「自以為」的問題。統計諮詢的最終目的是解決客戶的實際業務或研究問題，而不是單純地執行統計分析。因此，需要澄清的點應該圍繞著「問題本身」、「目標」以及「可行性」。

詳解如下：

在面對一個對統計概念不熟悉的客戶時，作為一名統計諮詢師，我們必須首先澄清以下三個關鍵問題，才能有效地提供幫助：

1. 您希望透過這次統計諮詢，最終達成什麼樣的「具體目標」或「解決什麼問題」？

• 為什麼重要： 這是最核心的問題。客戶可能只知道自己「有問題」，但並不清楚問題的本質，或者不確定統計學是否能幫上忙。直接詢問「目標」或「要解決的問題」，可以引導客戶從他們自身的業務或研究情境出發，清晰地表達他們的期望。例如，客戶可能說「我想知道我的產品銷量為什麼會下降」，這比他說「我想做個迴歸分析」來得更具體和有意義。理解最終目標，才能確保我們提供的統計分析是「對症下藥」，而不是為了做分析而分析。這也幫助我們判斷統計方法是否適用，以及需要收集哪些相關資訊。

2. 您目前已經擁有哪些「相關數據」或「資訊」？這些數據是如何收集的？它們的「品質」如何？

• 為什麼重要： 統計分析的基礎是數據。在沒有數據或數據品質不佳的情況下，再高深的統計方法也無法產生有意義的結果。釐清現有的數據狀況，有助於我們評估可行性，並預見潛在的挑戰。
  • 數據內容： 了解客戶擁有的數據種類（例如：銷售紀錄、問卷調查結果、實驗數據等）。
  • 數據來源與收集方式： 知道數據的產生過程，有助於判斷數據的代表性、潛在的偏差（如抽樣偏差、測量偏差）和限制。

這是一道典型的「統計哲學與方法論比較」申論題，出自國立臺灣大學統計碩士學位學程的考試。這類題目不考驗複雜的數學推導或計算技巧，而是測驗考生對於「傳統統計推論（Statistical Inference）」與「現代人工智慧/機器學習（AI/ML）」在本質、目標、優缺點及應用場景上的深刻理解。

核心觀念在於釐清兩者的根本差異：傳統統計學重視「可解釋性（Interpretability）」、「因果推論（Causal Inference）」以及在小樣本下的「不確定性量化（Uncertainty Quantification）」；而 AI（特別是深度學習）則擅長處理高維度數據、挖掘非線性的「預測模式（Predictive Patterns）」，但往往犧牲了可解釋性，且容易陷入「相關性誤認為因果性」的陷阱。考生需具備宏觀視野，論證兩者並非互斥，而是互補的關係。

以下為本題之完整詳解：

---

解題過程與詳解

一、核心觀念點評

本題旨在檢視考生是否跳脫出單純的公式運算，轉而思考統計學在大數據時代的定位。關鍵在於理解傳統統計方法基於概率模型（Probabilistic Models），強調假設檢定與參數估計，追求的是「為什麼（Why）」；而 AI 方法（如神經網路）基於數據驅動（Data-driven），強調預測準確度，追求的是「是什麼（What）」。題目後半段關於「特殊 patterns」與「因果性」的提問，實則是陷阱也是亮點，考生必須謹慎辯證：AI 擅長發現「非線性相關」，但單靠 AI 很難直接證明「因果」，必須結合領域知識或特定的因果推論框架（Causal Framework）。最後的結論必須明確反對「拋棄傳統統計」的極端觀點，主張融合（Integration）。

二、完整作答內容

(a) AI 與傳統統計方法之比較（優點、缺點與限制）

下表從模型本質、數據需求、可解釋性及推論目標等面向，系統性地比較兩者：

比較維度	傳統統計方法 (Traditional Statistical Methods)	人工智慧 / 機器學習 (AI / Machine Learning)
核心目標	推論 (Inference)：估計參數、檢定假設、量化不確定性，旨在理解數據生成機制。	預測 (Prediction)：最小化預測誤差，旨在對新數據做出最準確的分類或回歸。
模型假設	強假設 (Strong Assumptions)：常假設線性、常態分佈、獨立同分佈 (i.i.d.)、誤差項性質等。若假設違背，推論可能失效。	弱假設 (Weak Assumptions)：數據驅動 (Data-driven)，較少預設函數形式，能自動學習複雜的非線性結構。
優點	1. 可解釋性高：係數具有明確的統計意義（如邊際效應）。<br>2. 小樣本有效：在數據有限時，透過假設仍能進行有效推論。<br>3. 不確定性量化：能提供信賴區間 (CI) 與 $p$-value，嚴謹評估風險。	1. 處理高維數據：能處理 $p \gg n$（變數多於樣本）的問題。<br>2. 捕捉複雜模式：透過深度架構捕捉高度非線性、交互作用。<br>3. 自動化特徵工程：能自動從原始數據（如影像、文字）提取特徵。
缺點	1. 模型僵化：若真實關係非線性，線性模型表現不佳。<br>2. 維度災難：變數過多時，估計效率急劇下降。<br>3. 依賴人工特徵：需依賴專家知識進行變數選擇與轉換。	1. 黑盒子 (Black Box)：內部運作機制難以解釋，難以回答「為什麼」。<br>2. 數據飢渴：需要海量數據才能訓練出好模型，小樣本易過擬合 (Overfitting)。<br>3. 缺乏不確定性評估：傳統深度学习較難直接給出嚴謹的信賴區間。
限制	受限於數學可解性與假設合理性，難以處理非結構化數據（如影像、語音）。	容易學習到數據中的偏見 (Bias) 與虛假相關 (Spurious Correlation)，且模型穩定性受超參數影響大。

【答案】見上表分析。

(b) AI 如何幫助我們找到已知規則之外的特殊 Patterns 及其與因果性的辯證

題目詢問 AI 如何脫離傳統思維限制探知特殊 patterns，並進一步探討這是否意味著發現了因果性。此部分需分兩層次說明：

1. 突破傳統思維限制，發現特殊 Patterns 的機制：
傳統統計方法（如線性回歸 $Y = \beta_0 + \beta_1 X + \epsilon$）通常預設變數間為線性或預先定義的非線性關係。然而，現實世界的數據往往存在極度高維且複雜的交互作用。AI（特別是深度神經網路）透過以下機制突破限制：

• 通用近似定理 (Universal Approximation Theorem)：理論上，一個具有足夠隱藏層的神經網路可以近似任何連續函數 $f(\cdot)$。