💡一句話定義
為什麼不全查？因為太貴（全台 2,300 萬人逐一問）、太慢（結果出來已過時）、或根本做不到（檢測每顆燈泡的壽命要把它們全用壞）。所以統計學花了一百年研究「怎麼抽」，機器學習的訓練／測試切分、不平衡資料處理也都是抽樣問題的變形。
🧭母體 vs 樣本、抽樣誤差 vs 非抽樣誤差
你想下結論的全部對象。例：全台 18 歲以上選民、今年生產的全部晶片、平台所有用戶。
實際觀察到的那一部分。樣本算出來的數（樣本平均、樣本比例）叫統計量，用來估母體的參數。
實際用來抽的名單（電話簿、會員清單）。名單和母體對不上，就是偏差的第一個來源。
兩種誤差，本質完全不同
| 面向 | 抽樣誤差 Sampling error | 非抽樣誤差 Non-sampling error |
|---|---|---|
| 來源 | 只抽了一部分，運氣造成樣本和母體有點不同 | 方法本身有問題：名單不全、問法誘導、受訪者說謊、沒回應、資料輸錯 |
| 方向 | 隨機，有時高有時低，平均起來會抵銷 | 系統性（偏差 bias），永遠偏同一邊 |
| 增加樣本數 | ✅ 會變小（n 四倍、誤差減半） | ❌ 不會變小，樣本再大一樣偏 |
| 能否量化 | 可以，用標準誤、信賴區間算出來 | 很難，通常只能靠設計避免 |
| 經典例子 | 民調 ±3% | 1936 年《文學文摘》用電話簿與汽車登記名單預測美國總統大選，收了 240 萬份問卷仍大錯——名單只涵蓋有錢人 |
🎲四種機率抽樣：每個人都有已知的被抽中機率
機率抽樣（probability sampling）的共同點：母體裡每個單位被抽中的機率是已知且非零的，所以可以算抽樣誤差、做統計推論。四種方法差在「怎麼把隨機性用進去」：
| 方法 | 怎麼抽 | 適用情境 | 優點 | 缺點／注意 |
|---|---|---|---|---|
| 簡單隨機 Simple random | 所有單位編號，用亂數抽 n 個，每個組合機率相同 | 母體不大、有完整名單、內部差異不特別分群 | 最單純、無偏、理論最乾淨 | 需要完整名單；小群體可能剛好沒抽到 |
| 系統 Systematic | 算間隔 k＝N/n，隨機起點後每隔 k 個抽一個 | 生產線、排隊人流、連續資料流，沒完整名單也能做 | 執行簡單、樣本分布均勻 | 名單有週期性時會出事（每 7 筆一個週末，k＝7 就永遠抽到同一天） |
| 分層 Stratified | 先依已知特徵分成互斥的層（性別、地區、年級），每層各自隨機抽，常按比例配置 | 層內相似、層間差異大；要確保小群體一定有代表 | 比簡單隨機更精準（變異更小）、每層都有估計值 | 要事先知道分層變數；層數太多變複雜 |
| 叢集 Cluster | 先把母體切成許多叢（學校、村里、箱子），隨機抽幾個叢，叢內全查 | 母體分散、名單只到叢的層級、要省交通成本 | 省錢省時、不需要個體名單 | 叢內同質性高時精準度比簡單隨機差；叢間差異大就更差 |
🙋非機率抽樣：方便，但推論站不住
非機率抽樣（non-probability sampling）沒有辦法算出每個單位被抽中的機率，所以不能計算抽樣誤差，結論只能說「在這群人身上看到」，不能推到母體。探索性研究、前測、找稀有族群時仍很常用。
抓手邊最容易拿到的：校門口問學生、網站跳出問卷。最快，也最容易偏（只問到願意停下來、有上網的人）。
先定各類別要多少人（男 50、女 50），再非隨機地找人湊滿。像分層抽樣的「非隨機版」：比例對了，但每層內誰被找到仍看訪員方便。
找到幾個受訪者，請他們介紹下一個。適合沒有名單的隱性族群（罕病患者、特定社群），但樣本高度集中在同一社交圈。
🎮互動：抽樣模擬器
下面是一個 200 個點的母體，分成兩群（🔵 A 群、🟠 B 群）。B 群在不同區塊裡的密度不一樣（左上少、右下多），就像現實中不同地區的差異。選抽樣方法、調樣本數，按「抽一次」看樣本比例和母體比例差多少；按「重抽 100 次」看估計值的分布——分布窄＝精準，分布中心偏離真值＝有偏。
🌍 母體（200 點，10 個區塊）與本次樣本（黑框）
📊 重抽 100 次：樣本 B 比例的分布
📏樣本數與信賴區間：n 四倍、誤差減半
抽樣誤差的大小由標準誤（standard error）決定。估比例時，標準誤 ≈ √(p(1−p)/n)，95% 信賴區間的半寬（誤差界限，margin of error）≈ 1.96 × 標準誤。注意分母是 √n：
🤖延伸到機器學習：切分、stratify、過／欠抽樣
機器學習裡到處都是抽樣，只是換了名字：
- 訓練／測試切分（train/test split）就是一次簡單隨機抽樣：把資料隨機分成訓練（學）與測試（考）。測試集是「樣本」，用來估模型在母體（未來資料）上的表現。
- stratify＝分層抽樣：分類問題若正類只有 5%，隨機切分可能讓測試集正類比例變 2% 或 8%，評估就不準。
train_test_split(X, y, stratify=y)讓訓練、測試的類別比例與原資料相同。交叉驗證的StratifiedKFold同理。 - 不平衡資料的過抽樣／欠抽樣：欠抽樣（undersampling）把多數類隨機丟掉一部分；過抽樣（oversampling）把少數類重複或合成（SMOTE 在少數類鄰居之間插值造新點）。只能對訓練集做，測試集要保持真實比例。整體策略看 極度不平衡資料集。
- 時間序列不能隨機切：隨機抽會讓模型「看到未來」，要按時間順序切、用 walk-forward 驗證。
- 標註資料的抽樣：預算只夠標 1,000 筆時，用分層確保每個類別、每個來源都有；主動學習（active learning）則是「挑模型最不確定的來標」，是一種目的性抽樣。
from sklearn.model_selection import train_test_split
X_tr, X_te, y_tr, y_te = train_test_split(
X, y, test_size=0.2, stratify=y, random_state=42 # 分層：各類比例一致
)
# 過／欠抽樣只對訓練集做（imblearn）：
# from imblearn.over_sampling import SMOTE
# X_tr, y_tr = SMOTE().fit_resample(X_tr, y_tr)⚠️常見誤區
錯。大樣本只縮小抽樣誤差，偏差（名單不全、自願回應）一點都不會少。240 萬份的《文學文摘》就是例子。
只分析「活下來」的對象：只看現有客戶談滿意度、只看上市公司談成功要素。消失的那群才是關鍵。
開放式網路投票、App 評分——意見強烈的人才會回，溫和多數沉默。
每 7 筆抽一筆、資料剛好以週為週期 → 永遠抽到星期一。間隔要避開資料的自然週期。
「隨機抽 5 所學校、全校學生都調查」是叢集；「每所學校各抽 30 人」是分層。
SMOTE 合成的點若跑進測試集，等於用「複製的答案」考試，分數虛高。切分永遠在前。
✅自我檢測
Q1. 某校要調查學生滿意度，先把學生依年級分成四組，每組各隨機抽 50 人。這是哪種抽樣？
Q2. 民調只用市話名單，年輕人多半沒有市話。把樣本從 1,000 增加到 10,000 能解決這個問題嗎？
Q3. 樣本 400 人時誤差界限約 ±5%，想降到 ±2.5%，大約需要多少人？
Q4. train_test_split(X, y, stratify=y) 中的 stratify=y 作用是？
Q5. 全國有 3,000 間便利商店，研究者隨機抽 30 間，把這 30 間的所有店員都訪談。這是？
🎯重點整理
- 目的：用樣本推母體；代表性靠「隨機」保證，不是靠「數量」。
- 兩種誤差：抽樣誤差隨 n 變小（∝ 1/√n）；非抽樣誤差（偏差）n 再大也不會消失。
- 四種機率抽樣：簡單隨機（亂數）、系統（固定間隔，怕週期）、分層（每層都抽，求精準）、叢集（抽群全查，求省錢）。
- 非機率抽樣：便利、配額、滾雪球——方便但不能算誤差、不能推論母體。
- ML 對應：train/test split＝簡單隨機；stratify＝分層；過／欠抽樣只對訓練集做；時序資料按時間切。