歡迎來到數據的世界！

在本章中，我們要成為「數據偵探」。試想想，Netflix 是如何知道該向你推薦哪些電影，或者運動隊伍是如何決定要買入哪些球員的？他們全都是在使用數據分析 (Data Analysis)！我們將學習如何收集資訊、整理資訊，並找出數字背後所蘊含的「故事」。

如果你以前覺得數學有點「沉悶」，請別擔心——數據其實與我們周遭的現實世界息息相關。讓我們開始探索吧！

1. 數據類型：我們在看些什麼？

在分析數據之前，我們需要知道手頭上的是哪種數據。我們通常將數據分為兩大類：

定性數據 (Qualitative Data)：描述「性質」或類別的數據。
例子：你最喜歡的顏色、你的手機品牌，或是你養的狗的品種。你無法對這些進行「數學運算」（你不能把「藍色」+「紅色」加起來）。

定量數據 (Quantitative Data)：這與「數量」或數字有關。這才是數學發揮作用的地方！它分為兩種類型：
• 離散數據 (Discrete Data)：你可以數出來的事物。你不可能有半個兄弟姊妹或 2.5 輛車。
• 連續數據 (Continuous Data)：你需要測量出來的事物。例如你的身高、蘋果的重量，或是跑 100 米所需的時間。這些數據可以是任何數值（例如 1.65 米）。

快速複習：

如果你可以數出來（1, 2, 3...），它就是離散數據 (Discrete)。如果你需要用工具（尺、磅秤、秒錶）來測量，它就是連續數據 (Continuous)。

2. 數據收集：抽樣 (Sampling)

如果你想知道全世界每個學生最喜歡的食物，你不可能去問每一個人。因此，你需要使用樣本 (Sample)。

• 總體 (Population)：你感興趣的整個群體（例如：你學校裡的所有學生）。
• 樣本 (Sample)：你實際訪問的小型群體（例如：你學校裡的 50 名學生）。

抽樣的黃金法則：你的樣本必須是無偏差 (Unbiased) 的。這意味著它必須公平地代表整個群體。如果你只問籃球隊成員最喜歡的運動是什麼，你的數據將會產生偏差 (Biased)，因為他們更有可能回答籃球！

重點總結：

一個好的樣本必須是隨機 (random) 的，且足夠大 (large enough)，才能準確反映整個總體的情況。

3. 整理數據：頻數分佈表 (Frequency Tables)

原始數據通常雜亂無章。頻數分佈表能幫助我們進行整理。「頻數 (Frequency)」指的就是某件事發生的「次數」。

例子：如果我們問 10 個人他們養了多少隻寵物：0, 1, 1, 2, 0, 1, 3, 1, 0, 2。
我們可以這樣整理：
• 0 隻寵物：3 人
• 1 隻寵物：4 人
• 2 隻寵物：2 人
• 3 隻寵物：1 人

常見錯誤：一定要再三確認你的總頻數加起來等於你訪問的總人數！以上面的例子為例：\( 3 + 4 + 2 + 1 = 10 \)。完美！

4. 集中趨勢：三種「平均值」

當人們提到「平均」時，通常是指算術平均數 (Mean)，但其實有三種方法可以找出數據的中心。這裡有一首著名的口訣可以幫助你記憶：

「中位數 (Median) 是中間值，
相加除以個數就是平均數 (Mean)。
眾數 (Mode) 是出現頻率最高者，
全距 (Range) 則是最大與最小的差！」

眾數 (Mode)

眾數是出現最頻繁的數值。
例子：在數列 2, 3, 3, 5, 8 中，眾數是 3。
提示：如果沒有重複的數字，則沒有眾數。如果兩個數字重複出現的次數相同，你可能會得到兩個眾數（雙峰分佈）！

中位數 (Median)

中位數是將數據按順序排列後的中間數字。
步驟 1：將數字由小到大排列！（這是大多數人最容易忘記的一步）。
步驟 2：找出中間的數。
例子：2, 5, 8, 10, 12。中位數是 8。
如果中間有兩個數字怎麼辦？只要找出它們的中間值（相加後除以 2）。

算術平均數 (Mean)

平均數就是大多數人說「平均」時的意思。
步驟 1：將所有數字相加（即總和 (Sum)）。
步驟 2：除以數字的個數。
公式：\( \text{Mean} = \frac{\text{Sum of values}}{\text{Number of values}} \)

重點總結：

眾數是最受歡迎的，中位數是在隊伍中間的那一位，而平均數則是將所有數據加總後「公平分配」的結果。

5. 測量離散程度：全距 (Range)

雖然平均值告訴我們中心在哪裡，但全距告訴我們數據有多麼「分散」。
公式：\( \text{Range} = \text{Largest Value} - \text{Smallest Value} \)

例子：如果考試分數是 60, 85, 92 和 100，則全距為 \( 100 - 60 = 40 \)。
全距小意味著數據非常穩定一致。全距大意味著數據變異很大。

6. 數據的可視化

有時候圖表勝過千言萬語！以下是我們在 IB MYP 第三學年展示數據的主要方式：

棒形圖 (Bar Charts) vs. 直方圖 (Histograms)

• 棒形圖：用於離散數據或定性數據。條形之間有空隙。（例如：最喜歡的薄餅配料）。
• 直方圖：用於連續數據（分組數據）。條形之間是相連的，因為數據是連續的數字流。（例如：學生的身高分組，如 140cm 至 150cm, 150cm 至 160cm 等）。

散點圖 (Scatter Graphs) 與相關性 (Correlation)

我們用它們來觀察兩者之間是否有關聯。我們在 \( (x, y) \) 座標平面上繪製點。
• 正相關 (Positive Correlation)：一項增加，另一項也增加。（例如：氣溫升高，雪糕銷量也增加）。點向右上方趨升。
• 負相關 (Negative Correlation)：一項增加，另一項則減少。（例如：玩電子遊戲的時間越多，複習時間就越少）。點向右下方趨降。
• 不相關 (No Correlation)：點分佈得雜亂無章。沒有關係！（例如：你的鞋碼和數學成績）。

小貼士：最佳擬合線 (Line of Best Fit)

在散點圖上，我們通常會畫出一條最佳擬合線。這是一條穿過點群中間的直線，能幫助我們對尚未測量的數值進行預測！

7. 成功的最後小提示

• 時刻檢查刻度：在圖表上，留意每個方格代表什麼。它不一定總是代表 1！
• 整理數據：對於中位數和全距，你首先要做的事情就是將數字按從小到大排列。
• 仔細閱讀題目：題目問的是平均數 (Mean) 還是中位數 (Median)？它們聽起來很像，但計算步驟完全不同！

如果這些定義讓你感到眼花撩亂，不用擔心。只要多練習觀察現實生活中的圖表和數字列表，這些術語就會變得像直覺一樣自然。你做得到的！