1. 抽樣與數據簡介 (Introduction to Sampling and Data)

歡迎來到統計學的大門！在我們計算平均值、建立現實趨勢模型或計算概率之前，首先需要收集數據。你所能得出的結論質素，完全取決於原始數據的質素。如果數據收集方法本身存有缺陷，那麼即使運用最精密的數學運算，也只會得出無效的結論。

在本章中，你將掌握 SL 4.1 的核心概念：區分總體（母體）與樣本、將不同數據類型分類、評估抽樣技術、辨別抽樣偏差，以及以數學方法識別異常值（離群值）。

2. 總體 vs. 樣本 (Population vs. Sample)

試想像你正在煮一大鍋湯。你不需要喝光整鍋湯才知道味道是否夠鹹；你只需把它徹底攪勻，試喝一匙就足夠了。這個比喻正好完美詮釋了總體 (Population) 與樣本 (Sample) 之間的基本關係。

重要定義

總體（母體，Population）： 你想要調查並從中得出結論的完整個體、物件或項目群體。
例子： 某所國際學校內全部 \(1\,200\) 名在讀學生。

樣本 (Sample)： 從總體中選取出來、實際用於收集數據的子集。
例子： 從不同年級中選出填寫問卷的 \(60\) 名學生群組。

隨機樣本 (Random Sample)： 一種抽樣方式，使得總體中的每個個體或對象都有相同的機會被選中，而且任何個體的組合被一同選中的機會亦均等。

為甚麼我們不總是調查整個總體？

對整個總體進行全面調查稱為普查 (Census)。雖然普查能提供最完整的資訊，但統計學家通常依靠樣本，這是因為普查往往：

• 昂貴且耗時： 從成千上萬甚至數百萬個個體收集數據需要龐大資源。
• 不切實際或不可行： 某些總體是無限的、時刻變動的，或在地理上難以接觸。
• 具破壞性： 如果質量測試涉及測試電池壽命直至耗盡，那麼測試整個總體就會毀掉所有產品！

核心重點： 樣本應該是總體的微縮倒影——規模必須足夠大，並且經過審慎挑選以代表總體，而不引入系統性的偏差。

3. 數據類型：離散型 vs. 連續型 (Discrete vs. Continuous)

統計調查中收集到的數據可以是分類數據（質性數據）或數值數據（量化數據）。在 IB 數學：分析與方法 (Analysis and Approaches) 中，我們的焦點主要集中在數值數據上，而數值數據分為兩大核心類別：離散型 (Discrete) 和連續型 (Continuous)。

離散數據 (Discrete Data)

離散數據只能取特定、分離的數值。可能出現的數值之間存在明確的間隔，這類數據通常是透過計數（數數目）獲得的。

• 例子： 學生的兄弟姊妹數目（\(0, 1, 2, 3, \dots\)）、擲骰子擲出的點數（\(1, 2, 3, 4, 5, 6\)），或鞋子尺碼（\(7, 7.5, 8, 8.5\)）。
• 注意： 即使鞋碼可以包含像 \(7.5\) 這樣的小數，鞋碼依然屬於離散數據，因為你絕不可能擁有 \(7.2341\) 的鞋碼。它在允許的數值之間存在著間隔！

連續數據 (Continuous Data)

連續數據可以在給定的區間或範圍內取任何數值。連續數據是透過測量獲得的，其精確度僅受限於所使用的測量工具。

• 例子： 運動員的身高（\(175.4\text{ cm}\)）、跑 \(100\text{ m}\) 短跑所需的時間（\(11.38\text{ s}\)），或一個蘋果的質量（\(142.85\text{ g}\)）。
• 注意： 在連續數據的任意兩個數值之間，都存在無限多個可能的中間數值。

記憶小貼士：數出來 vs. 量出來

• 如果是數出來 (Count) 的，它就是離散型（例如：停車場內的私家車數目）。
• 如果是用尺、磅秤或秒錶量出來 (Measure) 的，它就是連續型（例如：旅程距離、溫度）。

核心重點： 離散數據由個別分離的點組成；連續數據則形成一條不間斷的連續測量尺度。

4. 抽樣技術及其效效性 (Sampling Techniques and Their Effectiveness)

為了避免偏差並確保樣本能準確反映總體，統計學家會使用特定的抽樣策略。你必須理解每種方法的運作原理、適用時機，以及各自的優缺點與局限性。

1. 簡單隨機抽樣 (Simple Random Sampling, SRS)

運作方式： 總體中的每個成員都會被分配一個從 \(1\) 到 \(N\) 的唯一編號。然後使用隨機數生成器或抽籤系統，以不放回方式抽取 \(n\) 個不重複的號碼。

• 優點： 完全客觀無偏；不受研究員主觀影響；每個個體都有相同的被選取概率。
• 局限： 需要一份完整且最新的抽樣框（Sampling Frame，即總體中所有成員的完整名單），這有時成本高昂或根本無法獲取。此外，如果樣本容量較小，純粹靠運氣也可能抽到不具代表性的樣本。

2. 系統抽樣 / 等距抽樣 (Systematic Sampling)

運作方式： 從大小為 \(N\) 的總體編號名單中，按固定間隔選取元素。首先計算抽樣間隔 \(k = \frac{N}{n}\)。在 \(1\) 到 \(k\) 之間隨機選定一個起點，然後每隔 \(k\) 個個體選取一人。

• 例子： 在一所擁有 \(N = 800\) 名學生的學校中，你想抽取容量為 \(n = 40\) 的樣本。抽樣間隔為 \(k = \frac{800}{40} = 20\)。在 \(1\) 至 \(20\) 之間隨機選一個數字，假設為 \(14\)。你的樣本將包括編號為 \(14, 34, 54, 74, \dots, 794\) 的學生。
• 優點： 簡單快捷，並能讓樣本均勻分佈於整份名單中。
• 局限： 如果名單本身存在與 \(k\) 剛好吻合的週期性規律或循環，樣本便會產生嚴重偏差。

3. 分層抽樣 (Stratified Sampling)

運作方式： 總體包含互不重疊且各具不同特徵的子群體，稱為層 (Strata)（例如年齡組別、性別或年級）。然後按照各層佔整體總體的比例，從每一層中隨機抽取成員。

計算層樣本容量的公式：
\(\text{該層選取人數} = \frac{\text{該層人數}}{\text{總體總人數}} \times \text{樣本總容量}\)

• 例子： 一所學校有 \(600\) 名男生和 \(400\) 名女生（全校共 \(1\,000\) 人）。若要抽取 \(50\) 人的樣本：
男生人數 \(= \frac{600}{1\,000} \times 50 = 30\)
女生人數 \(= \frac{400}{1\,000} \times 50 = 20\)
在各群組內部，這 \(30\) 名男生和 \(20\) 名女生會透過簡單隨機抽樣選出。
• 優點： 能確保各重要子群體按精確比例代表；避免少數群體被忽視；精確度高。
• 局限： 必須預先掌握總體的確切構成，且為個體進行分類可能相當複雜。

4. 定額抽樣 / 配額抽樣 (Quota Sampling)

運作方式： 與分層抽樣類似，總體被劃分為不同子群體。然而，在每個子群體內，研究人員是以非隨機方式（通常是就近取材）挑選受訪者，直到填滿各組所需的配額為止。

• 優點： 迅速、實用、成本低，而且不需要總體中每個個體的完整名單。
• 局限： 屬於非隨機抽樣。訪問員可自行決定邀請誰，這會引入調查員偏差，並使統計概率理論無法適用。

5. 便利抽樣 (Convenience Sampling)

運作方式： 研究人員純粹選取在特定時間和地點最容易接觸到或最方便接觸的個體。

• 例子： 中午 12:00 站在學校飯堂門口，直接訪問最先走過的 \(30\) 名學生。
• 優點： 成本極低、速度最快，而且最容易執行。
• 局限： 極易產生偏差；樣本極少能代表廣泛的總體。

核心重點： 隨機抽樣方法（簡單隨機、系統、分層）消除了研究人員的挑選偏差，讓統計推論具備有效性。非隨機方法（定額、便利）雖然更輕鬆快捷，但伴隨極高的偏差風險。

5. 來源可靠性與抽樣偏差 (Reliability of Sources and Bias in Sampling)

在 IB 考試題目中，你經常會被要求評估某種抽樣方法，並指出潛在的偏差來源 (Sources of Bias) 或評估來源的可靠性 (Reliability of Sources)。

甚麼是抽樣偏差 (Sampling Bias)？

偏差 (Bias) 是指數據收集過程中的系統性誤差，導致樣本偏向某些特定結果或子群體，從而得出錯誤的結論。

常見的偏差類型

• 選擇偏差 / 抽樣框誤差 (Selection Bias / Sampling Frame Error)： 所使用的抽樣框名單與真實總體不符。例如，進行一項有關互聯網普及率的網上問卷調查，會直接將沒有網絡的人排除在外。
• 無應答偏差 (Non-Response Bias)： 被選入樣本的個體拒絕回答或無法取得聯絡。沒有回應的人所持的觀點，可能與積極回應的人存在系統性差異。
• 自願回應偏差 (Voluntary Response Bias)： 當參與者是自願加入時產生（例如電台熱線投票、公開網站投票）。通常只有持強烈或極端意見的人才會花時間參與。
• 回應偏差 / 問卷偏差 (Response / Questionnaire Bias)： 題目的措辭帶有誘導性（引導式問題），或者受訪者因顧慮社會形象而給出迎合社會標準的答案，而非吐露真話。

評估數據來源的可靠性

在批判數據或評估某個來源是否值得信賴時，請考慮以下各點：

1. 誰資助或收集這項數據？ 背後是否存在固有的商業利益或政治利益衝突？
2. 樣本容量 (Sample Size) 有多大？ 樣本太小容易受到較大的隨機誤差和極高變異度影響。
3. 樣本是如何選取的？ 它是嚴謹的隨機方法，還是充滿偏差的便利抽樣？
4. 研究方法是否完全透明公開？ 問題內容、調查日期及回應率是否有清晰交代？

核心重點： 擴大樣本容量無法糾正有偏差的方法。一個向 \(100\,000\) 人進行的偏差樣本，其結論依然不可信！

6. 異常值：概念與數學檢驗 (Outliers: Concept and Mathematical Detection)

異常值（離群值，Outlier）是指遠離數據集主體結構的極端數值。異常值可能源於測量誤差、輸入錯誤，或者是真實而罕見的自然變異。

\(1.5 \times \text{IQR}\) 判定法則

在 IB DP 數學：分析與方法課程中，你必須懂得使用正式的四分位距（\(\text{IQR}\)）法則來識別異常值。下四分位數 \(Q_1\)、上四分位數 \(Q_3\) 以及測度 \(\text{IQR} = Q_3 - Q_1\)，都會在數據呈現與總結課題中詳細學習。

任何數據值 \(x\) 若符合以下任一條件，即被歸類為異常值：

下邊界（下限）：
\(x < Q_1 - 1.5 \times \text{IQR}\)

上邊界（上限）：
\(x > Q_3 + 1.5 \times \text{IQR}\)

檢驗異常值的逐步程序

• 步驟 1： 找出下四分位數（\(Q_1\)）和上四分位數（\(Q_3\)）。
• 步驟 2： 計算四分位距：\(\text{IQR} = Q_3 - Q_1\)。
• 步驟 3： 將 \(\text{IQR}\) 乘以 \(1.5\)。
• 步驟 4： 計算下邊界：\(Q_1 - 1.5(\text{IQR})\)。
• 步驟 5： 計算上邊界：\(Q_3 + 1.5(\text{IQR})\)。
• 步驟 6： 將可疑的數據值與這些邊界進行比較。如果它嚴格小於下邊界，或嚴格大於上邊界，該數值即為異常值。

發現異常值該如何處理？

切勿直接將異常值刪除！你應該探究其成因：

• 如果它明顯屬於謄寫錯誤或儀器故障（例如人類身高被錯誤輸入為 \(185\text{ m}\) 而非 \(1.85\text{ m}\)），應予以更正或剔除。
• 如果它是真實、經核實的測量數據（例如一名極具天賦的運動員跑出極快的衝刺速度），則必須保留，因為它反映了總體中真實的自然變異。

核心重點： 異常值在數學上的定義為落在區間 \([Q_1 - 1.5(\text{IQR}),\, Q_3 + 1.5(\text{IQR})]\) 之外的值。檢驗懷疑數值時，務必同時檢查上下兩個邊界。

7. 典型例題 (Worked Examples)

例題 1：抽樣計算（Paper 1 題型）

某大學擁有 \(4\,500\) 名本科生和 \(1\,500\) 名研究生。一名研究人員希望抽取一個 \(120\) 名學生的分層樣本，以調查他們的學習習慣。

(a) 計算樣本中應包含的本科生人數。
(b) 簡述研究人員如何利用簡單隨機抽樣選出所需的本科生。
(c) 試指出在此情境下，分層抽樣比便利抽樣更為理想的一個原因。

參考解答：

(a) 總體總人數 \(= 4\,500 + 1\,500 = 6\,000\)。
\(\text{本科生人數} = \frac{4\,500}{6\,000} \times 120 = \frac{3}{4} \times 120 = 90\)。
答案： \(90\) 名本科生。

(b) 為全部 \(4\,500\) 名本科生每人編配一個由 \(1\) 至 \(4\,500\) 的唯一整數編號。使用隨機數生成器在此範圍內生成 \(90\) 個不重複的隨機整數（若有重複則忽略並重新生成）。選取對應這 \(90\) 個編號的學生。

(c) 便利抽樣只會選取最容易接觸到的學生（例如特定時間身處某個演講廳或校園咖啡室的學生），這會引入偏差並可能忽略某些學系的學生。分層抽樣能確保本科生和研究生群體皆嚴格按其在總體中的比例受到代表，同時消除研究員的主觀偏差。

例題 2：以數學方法識別異常值（Paper 1 / Paper 2 題型）

某次測驗成績的下四分位數為 \(Q_1 = 48\)，上四分位數為 \(Q_3 = 72\)。
兩名學生的成績分別為 \(10\) 分和 \(105\) 分。
試以數學方法判定這兩個分數中是否有任何一個屬於異常值。

參考解答：

步驟 1：計算 \(\text{IQR}\)
\(\text{IQR} = Q_3 - Q_1 = 72 - 48 = 24\)。

步驟 2：計算 \(1.5 \times \text{IQR}\)
\(1.5 \times 24 = 36\)。

步驟 3：確定下邊界與上邊界
\(\text{下邊界} = Q_1 - 1.5(\text{IQR}) = 48 - 36 = 12\)。
\(\text{上邊界} = Q_3 + 1.5(\text{IQR}) = 72 + 36 = 108\)。

步驟 4：檢驗各數值
• 對於分數 \(10\)：由於 \(10 < 12\)，該分數低於下邊界。因此，\(10\) 是一個異常值。
• 對於分數 \(105\)：由於 \(105 \le 108\)，該分數並未超過上邊界。因此，\(105\) 不是異常值。

8. 常見錯誤與應試技巧 (Common Mistakes and Exam Tips)

• 錯誤觀念：混淆離散數據與整數。 鞋子尺碼（\(8.5, 9, 9.5\)）即使包含小數，依然是離散數據。離散的定義在於數值之間存在明確的間隔，而非數字是否為整數。
• 錯誤觀念：記錯異常值的倍數。 IB 標準定義使用的是 \(1.5 \times \text{IQR}\)，而非 \(2 \times \text{IQR}\) 或 \(1 \times \text{IQR}\)。
• 錯誤觀念：在抽樣題目中解釋過於籠統。 當被問及為何某個樣本存有偏差時，切忌只寫「這樣不公平」。你必須具體指明哪些人被排除了，或哪些人被過度代表了（例如：「早上 8:00 在火車站訪問乘客，會過度代表每天通勤的上班族，同時排除了退休人士、學生和在家工作者」）。
• 考試技巧：務必寫出具體的數值邊界。 在檢驗異常值時，得出結論前必須清楚列出 \(Q_1 - 1.5(\text{IQR})\) 和 \(Q_3 + 1.5(\text{IQR})\) 的計算過程及數值。IB 評分標準 (Markscheme) 會為計算出這些門檻邊界給予步驟分 (Method marks)！

9. 本章重點快速溫習 (Chapter Summary Quick Review)

• 總體 (Population)： 所關注的完整個體群體。
• 樣本 (Sample)： 從總體中選出具代表性的子集。
• 離散數據 (Discrete Data)： 透過計數獲得、數值之間有明確間隔的數據。
• 連續數據 (Continuous Data)： 透過測量獲得、在連續尺度上可取任意值的數據。
• 簡單隨機抽樣 (Simple Random Sampling)： 每個成員和組合都有均等機會入選。
• 系統抽樣 (Systematic Sampling)： 在首個區間隨機選取起點後，按固定間隔每隔 \(k\) 個選取一個。
• 分層抽樣 (Stratified Sampling)： 嚴格按照子群體佔總體的比例，在各組內進行隨機抽樣。
• 定額抽樣 (Quota Sampling)： 按分層比例分配配額，但內部透過非隨機方式選取。
• 便利抽樣 (Convenience Sampling)： 選取最容易接觸到的個體；快速但具極高偏差。
• 異常值邊界 (Outlier Boundaries)： 嚴格小於 \(Q_1 - 1.5(\text{IQR})\) 或嚴格大於 \(Q_3 + 1.5(\text{IQR})\) 的數值。