下列何種情況最不適合假設資料近似常態分佈？

本題觀念

判斷資料能否近似常態分布，不能只看單一統計量或單一次檢定，而要綜合觀察分布形狀、偏態、離群值、樣本數與常態性檢定。若資料呈現明顯不對稱，且有多個遠離主要資料群的極端值，常態模型通常就不再是合理的第一選擇。

選項分析

A 可作為支持線索。樣本數較大時，平均數的抽樣分布可能較穩定；若原始資料同時呈現對稱形狀，代表它較有機會接近常態。不過樣本數大本身不能保證原始資料常態，仍要搭配圖形與其他指標判斷。

B 可作為支持線索。對稱分布的平均數與中位數通常相近，因此兩者差異極小可提示資料沒有明顯偏斜。然而這只是初步觀察，許多不同形狀的分布也可能有相近的平均數與中位數，不能單獨當成常態證明。

C 錯誤。明顯偏斜表示資料左右兩側的分布不對稱，多個離群值則可能造成厚尾或極端尾端。這些特徵會使平均數與標準差容易受影響，也會降低以常態分布描述資料的合理性，因此這是最不適合直接假設近似常態的情況。

D 可作為支持線索。Shapiro–Wilk 檢定未達顯著，通常表示目前沒有足夠證據拒絕常態性的虛無假設；但它不是「證明資料一定常態」。樣本數過小可能缺乏偵測偏離的能力，樣本數很大又可能對微小偏離過度敏感，所以仍需看圖形與實質差異。

答案解析

答案為 C。常態近似最需要警覺的不是平均數與中位數接近或檢定未達顯著，而是資料本身已明顯偏斜且離群值很多。遇到這種資料，應重新檢視資料來源、離群值成因與分布模型，必要時考慮轉換資料或使用較健壯的統計方法。

核心知識點

常態性判斷可依「圖形優先、檢定輔助、情境整合」整理：常態機率圖或直方圖可直接查看偏斜、厚尾與離群值；Shapiro–Wilk 等檢定提供形式化參考，但結果會受樣本數影響；平均數與中位數相近只能當作對稱的線索。偏斜與離群值同時明顯時，應避免未檢查就套用常態分布假設。

參考資料

• NIST/SEMATECH Normal Probability Plot：https://www.itl.nist.gov/div898/handbook/eda/section3/normprpl.htm
• NIST/SEMATECH Detection of Outliers：https://itl.nist.gov/div898/handbook/eda/section3/eda35h.htm
• NIST/SEMATECH Measures of Skewness and Kurtosis：https://www.itl.nist.gov/div898/handbook/eda/section3/eda35b.htm
• Normality test：https://en.wikipedia.org/wiki/Normality_test
• Wilk–Shapiro Normal Test：https://itl.nist.gov/div898/software/dataplot/refman1/auxillar/wilkshap.htm
• Testing experimental data for univariate normality（PMID: 16388793）：https://pubmed.ncbi.nlm.nih.gov/16388793/