欢迎来到数据推理：数据收集、总体抽样与数据表示
你有没有想过，科学家是如何预测天气模式、流媒体平台是如何推荐歌曲，或者研究人员是如何估算野生动物数量的？这一切都始于一项基本技能：收集和整理数据。
在这一章中，我们将探讨如何定义数据、如何从庞大的总体中选取具代表性的公平样本，以及如何运用统计表、频数表和统计图来呈现原始数据。如果数学探究有时看起来有点令人望而生畏，别担心——我们将结合清晰的现实生活例子，一步一步带你掌握。
注：本单元后续章节将介绍摘要统计量（如平均数、中位数、极差和标准差）、累积频数、箱线图以及概率。在此处，我们的重点将完全放在数据收集、抽样方法以及基本数据表示法上。
---1. 认识数据：构成的核心要素
在收集或展示数据之前，我们需要清楚自己正在处理哪一种类型的数据。数据可以根据它是描述性还是数值型，以及它能取任意数值还是特定数值来进行分类。
定性数据 vs. 定量数据 (Qualitative vs. Quantitative Data)
定性（分类）数据 (Qualitative / Categorical Data)： 用于描述性质、特征或类别，属于非数值数据。
例子： 最喜欢的科目、眼睛颜色、上学使用的交通工具类型。
定量（数值）数据 (Quantitative / Numerical Data)： 涉及可以用数字计数或测量的数量。
例子： 书包里的书本数量、\(100\text{ m}\) 短跑的用时、室外温度。
离散数据 vs. 连续数据 (Discrete vs. Continuous Data)
定量数据进一步细分为两种不同的类型：
离散数据 (Discrete Data)： 只能取特定、独立的数值（通常是通过计数得到的整数）。数值之间不能有中间值。
例子： 一位学生拥有的兄弟姐妹数目（\(0, 1, 2, 3\)），或者一场比赛中的进球数。你不可能射入 \(2.4\) 球！
连续数据 (Continuous Data)： 可以在特定区间或范围内取任何数值，通常是通过测量获得的。测量的精确度取决于所用的测量工具。
例子： 身高（\(162.5\text{ cm}\)）、质量（\(54.28\text{ kg}\)）或完成测验所需的时间（\(42.15\text{ minutes}\)）。
第一手数据 vs. 第二手数据 (Primary vs. Secondary Data)
第一手数据 (Primary Data)： 由你自己为了特定的探究目的而直接（亲身）收集的数据。
例子： 在学校食堂进行自己的问卷调查、进行科学实验，或记录经过十字路口的车辆数目。
第二手数据 (Secondary Data)： 已经由他人收集、发布或记录的现成数据。
例子： 使用政府网站的人口普查记录、阅读已发表科学论文中的气候数据，或查阅网上体育数据库。
快速回顾与核心要点：
问问自己这两个简单的问题：
1. “我能否以无限的精确度去测量它？” 如果可以，它就是连续数据。如果是一步步计数出来的，它就是离散数据。
2. “这是我亲自收集的吗？” 如果是，它就是第一手数据。如果是其他人整理的，它就是第二手数据。
2. 总体与抽样 (Populations and Sampling)
想象一下，你是一位厨师，正在煮一大锅蔬菜汤。你需要喝完一整锅汤才知道它够不够盐吗？当然不需要！你只要把汤彻底搅匀，品尝一小勺就足够了。那一小勺就是你的样本，而那一整锅汤就是你的总体。
重要定义
总体 (Population)： 你希望从中得出结论的完整群体、物体或事件。总体不一定指整个国家的人口；它也可以是“我们学校初三年级（Year 9）的所有学生”。
普查 (Census)： 一项从整个总体的每一个成员收集数据的研究或调查。
优点： 完全准确；没有抽样误差。
缺点： 耗时、费用高昂、对庞大总体难以管理，有时在现实中根本不可行。
样本 (Sample)： 从总体中选取出代表整体的子集或较小群体。
优点： 快捷、成本低、实用且更易于组织协调。
缺点： 如果挑选不慎，可能无法涵盖总体的多样性。
代表性样本与偏差 (Representative Samples and Bias)
样本必须具有代表性 (representative)：它应当反映广大总体的总体特征、多样性以及比例分布。
如果一个样本过度代表或低估了某些群体，它就存在偏差 (bias)。存在偏差的样本会导致无效的结论。
偏差的例子： 如果你只在音乐练习室门口向排队的学生调查他们最喜欢的校园活动，你的调查结果很可能会偏向音乐，无法代表全体学生。
---3. 抽样方法 (Sampling Methods)
我们选择样本的方式，决定了研究结果是否可靠与有效。让我们来看看数学推理中常用的几种主要抽样技术。
简单随机抽样 (Simple Random Sampling)
总体中的每个成员都有相等的机会被选中，而且成员的任何组合被选中的概率也完全相同。
运作方式： 为总体中的每个成员分配一个从 \(1\) 到 \(N\) 的唯一编号。利用随机数生成器或从抽签筒中抽签，选出 \(n\) 个人。
优点： 免受研究人员的主观偏差影响。
局限： 如果总体分布十分分散，或者缺乏完整的成员名单，这种方法可能会不切实际或难以执行。
系统抽样 (Systematic Sampling)
按照固定的间距，从一个有序的总体名单中定期选取元素。
运作方式： 如果总体容量为 \(N\)，而你需要一个容量为 \(n\) 的样本，先计算间距 \(k = \frac{N}{n}\)。在 \(1\) 到 \(k\) 之间随机选取一个起点，然后选取名单上每隔 \(k\) 个的成员。
例子： 要从 \(200\) 名学生的名单中选出 \(20\) 人，间距 \(k = \frac{200}{20} = 10\)。在 \(1\) 到 \(10\) 之间随机选一个数字（例如 \(4\)），接着选取第 \(4, 14, 24, 34, \dots, 194\) 位学生。
优点： 简单易行，能让样本均匀分布在名单中。
局限： 如果名单本身隐含某种与 \(k\) 吻合的周期性规律，便可能产生偏差。
分层抽样 (Stratified Sampling)
将总体根据共同特征（例如年龄组别、年级或性别）划分为不同的子群组（称为层 (strata)）。然后按照各层在整个总体中所占的精确比例，从每一层中抽取随机样本。
从某一特定层中应选取的成员数量计算公式为：
\(\text{该层样本容量} = \frac{\text{该层成员数量}}{\text{总体总人数}} \times \text{目标样本总容量}\)
分层抽样逐步演示例子：
一所中学的三个年级共有 \(600\) 名学生：
MYP 3：\(180\) 名学生
MYP 4：\(240\) 名学生
MYP 5：\(180\) 名学生
研究人员希望抽取一个包含 \(50\) 名学生的分层样本。每个年级应选取多少名学生？
第 1 步： 计算 MYP 3 的抽样数量：
\(\text{MYP 3 的样本数} = \frac{180}{600} \times 50 = \frac{3}{10} \times 50 = 15\text{ 名学生}\)
第 2 步： 计算 MYP 4 的抽样数量：
\(\text{MYP 4 的样本数} = \frac{240}{600} \times 50 = \frac{4}{10} \times 50 = 20\text{ 名学生}\)
第 3 步： 计算 MYP 5 的抽样数量：
\(\text{MYP 5 的样本数} = \frac{180}{600} \times 50 = \frac{3}{10} \times 50 = 15\text{ 名学生}\)
第 4 步： 检查总数：
\(15 + 20 + 15 = 50\)。比例完全吻合！
方便抽样 (Convenience Sampling)
选取最容易接触到或现成可得的对象参与调查。
例子： 站在学校门口，直接访问最先走过来的 \(20\) 个人。
优点： 快捷、便宜且操作简单。
局限： 极易产生重大偏差；很少能代表整个总体。
配额抽样 (Quota Sampling)
与分层抽样类似，研究人员将总体划分为不同类别（例如 \(25\) 名男生和 \(25\) 名女生），但随后在各个类别中采用非随机方法（例如方便抽样）选取受访者，直至填满目标配额为止。
核心要点： 分层抽样确保了各个子群组按照其在总体中的实际比例得到公平反映，而简单随机抽样则给予每一个成员完全相同的入选机会。
---4. 整理与表示数据
数据收集完成后，往往是一堆未经整理的数字或文字列表，这被称为原始数据 (raw data)。为了理解这些数据，我们会将它们整理成结构化的统计表和直观的统计图。
正字计数表与频数表 (Tally Charts and Frequency Tables)
频数表 (Frequency table) 用于总结每个数值或类别出现的次数。
举例来说，假设记录了 \(20\) 个家庭所养宠物的数量如下：
\(0, 1, 2, 0, 1, 1, 3, 2, 0, 1, 4, 1, 2, 0, 1, 2, 1, 0, 3, 1\)
我们把这些离散数据整理成频数表：
宠物数量 \(0\)：频数 = \(5\)
宠物数量 \(1\)：频数 = \(8\)
宠物数量 \(2\)：频数 = \(4\)
宠物数量 \(3\)：频数 = \(2\)
宠物数量 \(4\)：频数 = \(1\)
总频数 (\(\sum f\))： \(5 + 8 + 4 + 2 + 1 = 20\)
分组频数表 (Grouped Frequency Tables)
当处理取值范围较大的连续数据（如身高、时间或质量）时，各个数值会被归纳进连续的数值区间中，这些区间称为组区间 (class intervals)。
考虑 \(30\) 名运动员完成短跑所需的时间（\(t\)，以秒为单位）：
\(10.0 \le t < 11.0\)：频数 = \(4\)
\(11.0 \le t < 12.0\)：频数 = \(11\)
\(12.0 \le t < 13.0\)：频数 = \(10\)
\(13.0 \le t < 14.0\)：频数 = \(5\)
总数： \(30\)
请留意不等号：\(10.0 \le t < 11.0\) 表示从 \(10.0\) 秒起至（但不包括）\(11.0\) 秒的任何时间都归入此组。刚好等于 \(11.0\) 的数值则属于下一组：\(11.0 \le t < 12.0\)。这样可以避免产生歧义！
条形图 vs. 直方图 (Bar Charts vs. Histograms)
同学们常常会混淆这两种图表，但它们有着本质的区别：
条形图 (Bar Charts)：
- 用于类别（定性）或离散数值数据。
- 各长条之间有明显的空隙／距离，以显示各类类别是相互独立分开的。
- 每个长条的高度代表频数。
直方图（等组距）(Histograms)：
- 用于连续定量数据。
- 各长条之间没有空隙，因为连续的组区间是紧密相连的（例如从 \(10\) 到 \(11\)，接着是 \(11\) 到 \(12\)）。
- 横轴是一条标有组区间的连续数轴。
扇形统计图 (Pie Charts)
扇形统计图是一个被分割成不同扇形的圆形图表，用来展示总量如何被划分为各个部分或百分比。
因为圆的一整圈是 \(360^\circ\)，所以每个扇形的圆心角与其对应的频数成正比：
\(\text{扇形圆心角} = \frac{\text{该类别的频数}}{\text{总频数}} \times 360^\circ\)
解答范例： 在一个有 \(30\) 名学生的班级中，有 \(12\) 人步行上学。在扇形统计图中，代表步行学生的扇形角应该 nervousness 是多少？
\(\text{圆心角} = \frac{12}{30} \times 360^\circ = \frac{2}{5} \times 360^\circ = 144^\circ\)
茎叶图 (Stem-and-Leaf Diagrams)
茎叶图既能按大小顺序排列数值数据，同时又能完整保留每一个原始数值。
每个数值都拆分为两部分：
- 茎 (stem)：前面的数字。
- 叶 (leaf)：最后一个数字。
例子： 表示以下测验分数：\(52, 58, 61, 64, 67, 70, 73, 73, 79, 85\)
茎 | 叶
\(5\) | \(2\), \(8\)
\(6\) | \(1\), \(4\), \(7\)
\(7\) | \(0\), \(3\), \(3\), \(9\)
\(8\) | \(5\)
图例 (Key)： \(6 \mid 1\) 代表 \(61\text{ marks}\)
重要规则： 茎叶图必须附带图例说明！没有说明，读者就无法判断 \(6 \mid 1\) 究竟代表 \(61\)、\(6.1\) 还是 \(610\)。
双向表 (Two-Way Tables)
双向表可以同时展示两组分类变量之间的关系。
例子： 调查 \(100\) 名学生参加社团的情况：
男生：\(28\) 人有参加社团，\(22\) 人没有参加 | 总计 = \(50\)
女生：\(34\) 人有参加社团，\(16\) 人没有参加 | 总计 = \(50\)
总计：\(62\) 人有参加社团，\(38\) 人没有参加 | 总人数 = \(100\)
双向表让人一目了然地看清边际总数和特定条件下的子集数据。
---5. 在现实情境中评估有效性与准确度（准则 D，Criterion D）
在 MYP 数学中，收集数据不仅仅是计算数字，更在于培养批判性思考。在现实生活情境中审视数据收集时，请经常反思以下三个问题：
1. 样本容量是否足够？
一所拥有 \(1000\) 名学生的学校中，仅抽取 \(5\) 个人作为样本容量实在太小，即使是随机选取的，也无法提供可靠的推断模型。
2. 数据收集方法是否可能引入偏差？
- 诱导性问题：“你难道不同意学校的午餐很美味吗？”这种问法是在诱导正面的回答。
- 地点偏差： 在火车站询问人们日常如何通勤上班，会极度高估公共交通工具的使用比例。
3. 精确度是否恰当？
将书桌的长度精确测量至最接近的毫米是合理的；但将从家走到学校的步行距离精确至毫米则不切实际——精确至最接近的十米或一百米显然合适得多。
常犯错误与避免方法
- 在茎叶图中忘记写图例说明： 请务必写上清晰的图例说明并注明单位（例如 \(4 \mid 2 = 42\text{ cm}\)）。
- 在连续数据直方图中留下空隙： 绘制连续数据区间的直方图时，长条之间切勿留有空隙，除非某个特定区间的频数为零。
- 扇形统计图中凭空猜测扇形大小： 千万不要靠目测绘制扇形统计图的扇形！必须始终运用公式 \(\frac{\text{频数}}{\text{总数}} \times 360^\circ\) 计算出精确的角度，并用量角器准确度量。
- 混淆样本与总体： 请记住，总体是你感兴趣的整个群体；样本只是你实际观察的一部分。
本章复习与重点自测表
请使用此自测表来确认自己的学习成果：
[ ] 我能分辨定性数据与定量数据。
[ ] 我能识别数值数据是离散数据（计数得到）还是连续数据（测量得到）。
[ ] 我理解总体（整体群体）与样本（具代表性的一部分）之间的区别。
[ ] 我能选择并描述各种抽样方法：简单随机抽样、系统抽样、分层抽样及方便抽样。
[ ] 我能计算分层抽样中各层按比例应抽取的数量。
[ ] 我能绘制并解读频数表、双向表、扇形统计图以及茎叶图。
[ ] 我能在现实情境中识别潜在的偏差来源，并评估数据收集计划的有效性。