欢迎来到数据的高阶推理（Extended Reasoning with Data）

在基础数学中，你已经学习过如何用平均数（mean）、中位数（median）和众数（mode）来衡量数据的集中趋势，以及如何用极差（range）和四分位距（IQR）来衡量数据的离散程度（spread）。你也探讨过单一事件和复合事件的基本概率。（如果想复习收集数据、箱线图或简易概率的基础知识，可以查看本单元前面的章节！）

在这个拓展数学（Extended Mathematics）章节中，我们会更进一步，学习两个全球科学家、经济学家和体育分析师都常用的强大工具：
• 标准差（Standard Deviation）：衡量数据围绕平均数离散程度的黄金标准。
• 条件概率（Conditional Probability）：当我们已知某些额外信息（“在……条件下”）时，计算某事件发生的概率。

一开始觉得它们深奥也不用担心！我们会用生活化的例子，一步步拆解每个公式，让你可以充满信心应对任何 eAssessment 的题目。

第一部分：标准差（拓展）

1. 什么是标准差？

试想象两位射箭运动员：射手 A 和射手 B。两人在五次试射中的平均得分都是每箭 \(8\) 环。
• 射手 A 的得分：\(8, 8, 8, 8, 8\)
• 射手 B 的得分：\(4, 6, 8, 10, 12\)

两人的平均数完全相同：
\(\bar{x} = \frac{8 + 8 + 8 + 8 + 8}{5} = 8\)
\(\bar{x} = \frac{4 + 6 + 8 + 10 + 12}{5} = 8\)

他们的表现是否一样稳定？当然不是！射手 A 每一箭都稳稳射中 \(8\) 环，而射手 B 的箭则散落靶面各处。单靠平均数，根本无法看清全貌。我们需要一个指标，用来反映数据点围绕平均数聚集的紧密程度。

标准差（通常用希腊字母 \(\sigma\) 或英文字母 \(s\) 表示）是用来衡量数据值与算术平均数之间的典型（或平均）距离。
• 标准差较小：代表数据值紧密聚集在平均数周围（稳定性高，离散程度低）。
• 标准差较大：代表数据值分散在离平均数较远的地方（稳定性低，离散程度高）。
• 如果所有数据值都一模一样，标准差就恰好等于 \(0\)。

2. 标准差的公式

对于一个包含 \(n\) 个数值 \(x_1, x_2, \dots, x_n\)、平均数为 \(\bar{x}\) 的数据集，总体标准差公式为：

\(\sigma = \sqrt{\frac{\sum (x - \bar{x})^2}{n}}\)

让我们来逐一拆解每个符号的意思：
• \(x\)：个别数据值
• \(\bar{x}\)：数据值的平均数（读作“x-bar”）
• \((x - \bar{x})\)：每个数值与平均数的离差（距离）
• \((x - \bar{x})^2\)：离差平方（平方能把负差距转为正数，这样它们相加时就不会互相抵消！）
• \(\sum\)：“求和”— 把所有数值全部加起来
• \(n\)：数据值的总个数
• \(\sqrt{\phantom{x}}\)：平方根 — 将单位还原回原本的度量单位

记忆口诀： 记住 D-S-M-S — 算差值（Difference from mean）、取平方（Square them）、求平均（Mean of squares，除以 \(n\)）、开方根（Square root）！

3. 逐步计算示范

让我们计算四位学生测验分数的标准差：\(4, 6, 7, 11\)。

第 1 步：计算平均数（\(\bar{x}\)）
\(\bar{x} = \frac{4 + 6 + 7 + 11}{4} = \frac{28}{4} = 7\)

第 2 步：求每个数值的离差 \((x - \bar{x})\)
• 针对 \(4\)：\(4 - 7 = -3\)
• 针对 \(6\)：\(6 - 7 = -1\)
• 针对 \(7\)：\(7 - 7 = 0\)
• 针对 \(11\)：\(11 - 7 = +4\)

快速验算： 平方前所有离差的总和必然等于 \(0\)：\((-3) + (-1) + 0 + 4 = 0\)！

第 3 步：计算每个离差的平方 \((x - \bar{x})^2\)
• \((-3)^2 = 9\)
• \((-1)^2 = 1\)
• \(0^2 = 0\)
• \(4^2 = 16\)

第 4 步：将离差平方求和并除以 \(n\)（这个数值称为方差 Variance）
\(\text{方差} = \frac{\sum (x - \bar{x})^2}{n} = \frac{9 + 1 + 0 + 16}{4} = \frac{26}{4} = 6.5\)

第 5 步：开平方根
\(\sigma = \sqrt{6.5} \approx 2.55\)（精确至 \(3\) 位有效数字）

4. 结合情境比较两个数据集（准则 C 及 D）

在 MYP 机考评估（on-screen eAssessment）中，题目常要求你运用统计量来比较两个分布。记住一定要结合真实情境，同时评论集中趋势度量（平均数）和离散程度度量（标准差）：

例子： 一家面包店测试两台不同的切面包机。
• 机器 A：面包片平均厚度 = \(12\text{ mm}\)，标准差 = \(0.4\text{ mm}\)
• 机器 B：面包片平均厚度 = \(12\text{ mm}\)，标准差 = \(1.8\text{ mm}\)

答题示范：
“两台机器切出的面包片平均厚度相同，均为 \(12\text{ mm}\)。然而，机器 A 表现更为可靠和稳定，因为其标准差（\(0.4\text{ mm}\)）远低于机器 B（\(1.8\text{ mm}\)）。机器 B 切出的厚度变化较大，较不均匀。”

5. 数据变换：标准差会如何改变？

如果我们改变数据集里的每一个数值，会发生什么事？
• 每个数值加上或减去常数 \(k\)： 整体分布在数轴上平移，但离散程度完全不变！
\(\sigma_{\text{新}} = \sigma_{\text{旧}}\)
• 每个数值乘以或除以正数常数 \(k\)： 数值之间的距离会放大或缩小 \(k\) 倍。
\(\sigma_{\text{新}} = k \times \sigma_{\text{旧}}\)

例子： 若一组气温数据的标准差为 \(3^\circ\text{C}\)，将所有气温都加上 \(5^\circ\text{C}\) 后，新的标准差仍然是 \(3^\circ\text{C}\)。若将每个气温数值都翻倍，新的标准差就会变成 \(2 \times 3 = 6^\circ\text{C}\)。

重点复习：标准差

• 标准差衡量数据围绕平均数的离散程度。
• \(\sigma\) 越小 = 越稳定、分布越集中；\(\sigma\) 越大 = 稳定性越低、分布越分散。
• 标准差与原始数据带有相同的单位。
• 整体加上常数不会改变 \(\sigma\)；乘以 \(k\) 则会使 \(\sigma\) 变为原本的 \(k\) 倍。

第二部分：条件概率（拓展）

1. 什么是条件概率？

在现实生活中，当有新信息出现时，概率往往会随之改变。
假设你掷一颗普通的六面骰子。掷出 \(2\) 的概率是多少？是 \(\frac{1}{6}\)。
现在，假设朋友看了一眼骰子并告诉你：“掷出的是双数。”
掷出 \(2\) 的机会还是 \(\frac{1}{6}\) 吗？当然不是！因为可能出现的结果已经从 \(\{1, 2, 3, 4, 5, 6\}\) 缩小至只有 \(\{2, 4, 6\}\)。因此，现在的概率变成了 \(\frac{1}{3}\)。

这就是条件概率：指在事件 \(B\) 已经发生的条件下，事件 \(A\) 发生的概率。

2. 符号与通用公式

我们将“在 \(B\) 发生的条件下，\(A\) 发生的条件概率”记作：
\(P(A \mid B)\)

竖线符号 \(\mid\) 读作“在……条件下”（given that）。写在竖线后面的，就是我们已知必定为真的条件。

条件概率公式为：

\(P(A \mid B) = \frac{P(A \cap B)}{P(B)}\)  （前提是 \(P(B) > 0\)）

若以结果个数（来自样本空间或列联表）来表示：

\(P(A \mid B) = \frac{n(A \cap B)}{n(B)}\)

为什么这个公式合理？
因为已知条件 \(B\) 成了我们新的、缩小了的样本空间（即新的分母，\(n(B)\) 或 \(P(B)\)）。而在 \(B\) 之中同时符合 \(A\) 的结果，就只有同时属于 \(A\) 和 \(B\) 的部分（即分子，\(n(A \cap B)\) 或 \(P(A \cap B)\)）。

3. 乘法公式（Product Rule）

将条件概率公式移项，便能得出计算复合事件的乘法公式：

\(P(A \cap B) = P(B) \times P(A \mid B)\)

同样地也可以写成：
\(P(A \cap B) = P(A) \times P(B \mid A)\)

4. 方法一：使用双向频数表/列联表（Two-Way Tables）

双向表能让条件概率一目了然，因为你只需专注于其中一行或一列。

例子： 一项调查访问了 \(100\) 位学生是否有演奏乐器。

数据如下：
• 九年级：\(25\) 人演奏乐器，\(15\) 人不演奏。（该级总人数 = \(40\)）
• 十年级：\(35\) 人演奏乐器，\(25\) 人不演奏。（该级总人数 = \(60\)）
• 总计：\(60\) 人演奏乐器，\(40\) 人不演奏。（全体总人数 = \(100\)）

题目 a： 求随机选出一名学生有演奏乐器的概率。
题目没有设定任何条件，因此分母为全体总人数：
\(P(\text{演奏乐器}) = \frac{60}{100} = \frac{3}{5} = 0.6\)

题目 b： 已知该名学生是九年级学生，求他有演奏乐器的概率。
这里的条件是“九年级学生”。我们将范围完全锁定在九年级这一行（共 \(40\) 人）：
\(P(\text{演奏乐器} \mid \text{九年级}) = \frac{n(\text{演奏乐器} \cap \text{九年级})}{n(\text{九年级})} = \frac{25}{40} = \frac{5}{8} = 0.625\)

题目 c： 已知该名学生有演奏乐器，求他是九年级学生的概率。
留意条件的顺序倒转了！现在的条件是“有演奏乐器”。我们将范围锁定在演奏乐器这一列（共 \(60\) 人）：
\(P(\text{九年级} \mid \text{演奏乐器}) = \frac{n(\text{九年级} \cap \text{演奏乐器})}{n(\text{演奏乐器})} = \frac{25}{60} = \frac{5}{12} \approx 0.417\)

重要启示： \(P(A \mid B)\) 通常不等于 \(P(B \mid A)\)！审题时一定要看清楚哪一个事件才是条件（即竖线后面的事件）。

5. 方法二：使用韦恩图（Venn Diagrams）

用韦恩图解条件概率题目时，可以把已给予的条件想象成聚光灯：将那个圆圈以外的所有部分遮盖。

例子： 一个班级有 \(30\) 位学生：
• \(18\) 人修读西班牙语（\(S\)）
• \(12\) 人修读法语（\(F\)）
• \(5\) 人两门皆修读（\(S \cap F\)）
• \(5\) 人两门皆没有修读

我们来确认各区域的人数：
• 只修读西班牙语：\(18 - 5 = 13\)
• 两门皆修读：\(5\)
• 只修读法语：\(12 - 5 = 7\)
• 两门皆没有修读：\(5\)
总人数：\(13 + 5 + 7 + 5 = 30\) 人。

求 \(P(F \mid S)\)： 已知一名学生修读西班牙语，求他修读法语的概率。
• 已知条件为 \(S\)，因此忽略图中其他所有区域。分母为 \(n(S) = 18\)。
• 在这群学生中，同时修读法语的人数即为交集 \(n(F \cap S) = 5\)。
\(P(F \mid S) = \frac{n(F \cap S)}{n(S)} = \frac{5}{18}\)

求 \(P(S \mid F')\)： 已知一名学生没有修读法语，求他修读西班牙语的概率。
• 已知条件为 \(F'\)（非修读法语）。
• 没有修读法语的总人数：\(30 - 12 = 18\) 人（或计算只修西班牙语的 \(13\) 人 + 两门皆非的 \(5\) 人 = \(18\)）。
• 在这 \(18\) 人中，有多少人修读西班牙语？就是那 \(13\) 位只修西班牙语的学生。
\(P(S \mid F') = \frac{13}{18}\)

6. 方法三：使用树状图（Tree Diagrams）

树状图非常适合处理多阶段问题，特别是不放回抽样（第二轮抽取的概率会改变）。

例子： 一个袋子里有 \(5\) 颗红珠和 \(3\) 颗蓝珠（共 \(8\) 颗）。连续抽取两颗，抽取后不放回。

第一次抽取：
• \(P(R_1) = \frac{5}{8}\)
• \(P(B_1) = \frac{3}{8}\)

第二次抽取（条件分支）：
• 若第一颗抽到红色：
  – \(P(R_2 \mid R_1) = \frac{4}{7}\)
  – \(P(B_2 \mid R_1) = \frac{3}{7}\)
• 若第一颗抽到蓝色：
  – \(P(R_2 \mid B_1) = \frac{5}{7}\)
  – \(P(B_2 \mid B_1) = \frac{2}{7}\)

要计算两次都抽到红珠的概率：
\(P(R_1 \cap R_2) = P(R_1) \times P(R_2 \mid R_1) = \frac{5}{8} \times \frac{4}{7} = \frac{20}{56} = \frac{5}{14}\)

7. 独立事件的检验（拓展深度）

如果事件 \(A\) 的发生与否完全不影响事件 \(B\) 发生的概率，则称这两件事为独立事件（Independent Events）。

在基础数学中，你学过这条公式：
\(P(A \cap B) = P(A) \times P(B)\)

现在学会了条件概率，我们可以给出独立性最直观的定义：
\(A\) 和 \(B\) 为独立事件，当且仅当（if and only if）：
\(P(A \mid B) = P(A)\)   或   \(P(B \mid A) = P(B)\)

箇中含义： 即便知道 \(B\) 发生了，对判断 \(A\) 是否会发生也没有带来任何新信息；\(A\) 发生的概率维持不变！

考试题目示范：
已知 \(P(A) = 0.4\)、\(P(B) = 0.5\) 及 \(P(A \cap B) = 0.2\)。试判断 \(A\) 和 \(B\) 是否为独立事件？
方法一： 计算 \(P(A \mid B) = \frac{P(A \cap B)}{P(B)} = \frac{0.2}{0.5} = 0.4\)。
由于 \(P(A \mid B) = 0.4 = P(A)\)，因此两者为独立事件。
方法二： 计算 \(P(A) \times P(B) = 0.4 \times 0.5 = 0.2\)。
由于 \(P(A \cap B) = 0.2 = P(A) \times P(B)\)，因此两者为独立事件。

常犯错误提醒

• 混淆 \(P(A \mid B)\) 与 \(P(A \cap B)\)：
\(P(A \cap B)\) 是在整个样本空间中，两件事同时发生的概率。
\(P(A \mid B)\) 则是仅在 \(B\) 已经发生的结果中，\(A\) 发生的概率。
• 颠倒条件： 先搞清楚哪一个是已知条件。如果题目问“已知下雨，球赛取消的概率是多少？”，条件就是“下雨”，记作 \(P(\text{取消} \mid \text{下雨})\)。
• 分母用错总数： 在双向表中，要确保分母来自指定的行或列之总数，而不是全体总人数。

重点复习：条件概率

• \(P(A \mid B) = \frac{P(A \cap B)}{P(B)} = \frac{n(A \cap B)}{n(B)}\)。
• 竖线 \(\mid\) 后面的条件会缩小样本空间。
• 若两事件独立，则 \(P(A \mid B) = P(A)\)。
• 树状图的第二层分支展示的就是条件概率。

第三部分：MYP eAssessment 应试要诀

准则 A 及 C：清晰表达计算过程

想在准则 A（认知与理解）及准则 C（交流）取得最高等级（7–8 分）：
• 列出公式： 代入数字前务必先写出公式（例如 \(P(A \mid B) = \frac{P(A \cap B)}{P(B)}\) 或 \(\sigma = \sqrt{\frac{\sum(x - \bar{x})^2}{n}}\)）。
• 注明单位： 标准差带有单位（例如 \(\text{cm}\)、\(\text{秒}\)、\(\text{kg}\)）。概率本身没有单位，但应写成分数、小数或百分比。
• 使用准确符号： 平均数用 \(\bar{x}\)、标准差用 \(\sigma\)、条件概率用 \(P(A \mid B)\)。

准则 D：现实情境的反思范例

在准则 D 的任务中，你可能会评估医疗筛查测试：
假设某种罕见疾病只影响人口中的 \(1\%\)。有种检验试剂的准确率为 \(95\%\)。
若某人检测呈阳性，很多人会直觉认为他有 \(95\%\) 的可能患病。但运用条件概率计算后会发现，由于该疾病极为罕见，大部分呈阳性的结果实际上可能是“假阳性”（False Positives）！
若能清楚解释为什么 \(P(\text{患病} \mid \text{呈阳性})\) 会低于 \(P(\text{呈阳性} \mid \text{患病})\)，就能展现出高阶的批判性思维，并证明你懂得将数学模型深入应用于真实世界的情境中。

快速复习清单

• 你能否在不提及“公式”这两个字的情况下，解释标准差代表什么？
• 你能否针对小型数据集，利用离差及离差平方的列表，手算求出标准差？
• 你是否清楚将数据全部加上一个数，与全部乘以一个数时，标准差分别会如何改变？
• 你能否理解并灵活运用公式 \(P(A \mid B) = \frac{P(A \cap B)}{P(B)}\)？
• 你能否从双向频数表、韦恩图及树状图中计算条件概率？
• 你能否运用条件概率来检验两件事是否在统计学上互相独立？