派蒂不得不承認，過去幾週確實令人振奮。她針對批判性思考所做的演講，在美國陸軍遊騎兵和海軍海豹突擊隊面前進行得非常順利。如今，當地報紙邀請她就當前總統初選的政治民調發表看法。派蒂正忙著完成給報社的回應，接著就要與皮特開會，討論他們正在 為麥克·馬迪根準備的無效化簡報 。她的回應如下：
編輯先生／女士：
在我所在的州，我最支持的候選人在民調中僅落後 1%，但在初選當天卻以 5% 的差距落敗。為什麼民調的準確度不夠高呢？
此致，
感到失望
親愛的「失望者」，
真得同情這些民調機構。他們必須透過抽樣調查一個可控的樣本數——例如 1,000 人——來預測未來會發生什麼事。這種情況帶來了幾項挑戰。 首先，樣本必須能代表整體人口。這絕非易事。他們必須確保這1,000人能代表整個州的總體人口。若在這1,000人中，年長者、年輕人、富裕階層、低收入者、受過高等教育者及教育程度較低者等群體的比例不當，其預測結果便會出現偏差。 舉例來說，假設該州 45% 的居民擁有學士學位或更高學歷，但樣本中卻有 60% 的人擁有學士學位或更高學歷。這種差異很可能導致樣本無法代表整體人口，進而使結果產生偏差。
讓我們回到你的候選人身上，我們就稱他為候選人 A。結果顯示，候選人 A 僅獲得總人口的 47.5% 支持，而他的對手候選人 B 則獲得 52.5% 的支持，兩者差距正是你所提到的 5%。 假設民調機構建立了一個由 1,000 人組成的良好樣本，且該樣本能非常貼近地代表該州整體情況。由於統計上的變異性，期望這 1,000 名受訪者中支持候選人 A 的比例恰好為 47.5% 或 475 人，是不合理的。 為了顯示實際數字與475不同的機率，我們必須使用下圖1所示的二項式分佈。請注意，在1,000人的總體中，支持候選人A的人數達到495人或以上的機率約為10%（圖中為0.1085）。這種不確定性，加上建立完美樣本的困難，使得約5%的民調誤差並不罕見。
圖 1。請注意，儘管 475/1,000 的可能性最高，但如果整體人口中有 47.5% 支持候選人 A，那麼在 1,000 人的樣本中，有 10% 的機率會出現 495 人或更多人支持候選人 A。
就在派蒂剛說完這句話時，皮特走到了她的辦公室門口。
「嘿，小夥子！我們能不能跟麥克·馬迪根討論一下我對『BGA 球體中的空洞』那一節的看法？」皮特開心地問道。
「當然。到目前為止你有什麼進展？」派蒂問道。
「我正在強調回流曲線的重要性。你看到這張圖表（下方的圖 2）了嗎？」皮特開口說道。
圖 2. 此種熱浸程序在 CSP 和 BGA 球上產生的氣孔最少。
「哇！這確實顯示出高溫浸泡程序相較於低溫浸泡程序的優勢。不過，最讓我驚訝的是，高溫浸泡程序相較於『漸升至峰值』程序（RTP）竟有如此顯著的優勢，」派蒂評論道。
「氣溫上升的時機難道不重要嗎？」派蒂問道。
「這正是我接下來要說的重點。看看這張圖表，」皮特興致勃勃地說。
圖 3. 當回流曲線與助焊劑特性相結合，能在焊料液化前產生脫氣現象（紅色曲線）時，將能將氣孔形成降至最低。
「製程工程師必須確保在焊料熔化之前，大部分助焊劑已揮發殆盡，如同紅色曲線所示，而非如黑色曲線那樣——在焊料熔化（Tm）的過程中，幾乎所有的助焊劑都在釋放氣體。透過正確搭配助焊劑與回流曲線，便能確保達到這種狀況，」皮特自信地說道。
「還有其他事嗎，皮特教授？」帕蒂問道。
「與您的焊膏供應商合作以取得這條紅色曲線，確實很有幫助。他們應該能告訴您，哪種回流曲線和焊膏最有可能產生這種結果，」皮特笑著總結道。
他還帶點戲謔地補充道：「對……皮特教授。」
「羅伯正在研究用於 BTC 的散熱墊的排熱問題，對吧？」帕蒂問道。
「沒錯。他說兩天後就能準備好，」皮特回答道。
>>>
羅伯將採取什麼計畫來將 BTC 的清算風險降至最低？派蒂會對此感到滿意嗎？請繼續關注後續詳情。
最美好的祝願
羅恩・L.
