歡迎來到數據的圖表分析與詮釋

你有沒有聽過「一張圖片勝過千言萬語」這句話？在數學世界裡，一幅繪製精準的圖表往往勝過千百個數字！原始數據——無論是長長的數值清單、問卷調查結果還是實驗測量值——通常都令人眼花繚亂，難以一眼看明。圖表分析的作用，正是將這些雜亂的數字轉化為清晰易懂的視覺故事。透過圖表，我們能夠迅速找出規律、識別趨勢、作出預測，並有效地傳達數學發現。

在這一章中，你將學會如何閱讀、詮釋、分析並批判性地評估各類統計圖表。無論你在 IB MYP 電腦化評估（eAssessment）中報考的是標準數學（Standard Mathematics）還是拓展數學（Extended Mathematics），掌握圖表詮釋的技巧都能助你在標準 A（認知與理解）、標準 C（溝通與表達）以及標準 D（在現實生活情境中應用數學）中取得優異成績。

備註：有關累積頻數多邊形（累積頻數曲線）及盒形圖（箱形圖）的內容，請參閱專題章節「累積頻數與盒形圖」。有關抽樣方法，請參閱「數據收集、總體抽樣與呈現」。

1. 基礎概念：數據類型與選擇合適的圖表

在著手分析圖表之前，我們必須先釐清圖表呈現的是哪一類數據。數據的類型直接決定了哪種圖表在數學上才是合理有效的。

分類數據（質性數據 / Categorical Data）：按照非數值類別或標籤歸類的數據，例如眼睛顏色、最喜歡的運動或汽車品牌。

數值數據（量化數據 / Quantitative Data）：由可以測量或計數的數字組成的數據。這類數據細分為兩種重要類型：
• 離散數據（Discrete Data）：只能取特定、分離數值的數據（通常是透過點算得出的整數），例如一場比賽中的入球數目 \(x \in \{0, 1, 2, 3, \dots\}\) 或鞋子尺碼。
• 連續數據（Continuous Data）：透過測量得出、可以在某個連續區間內取任何數值的數據，例如以秒為單位運算的時間 \(t\)、以厘米為單位的高度 \(h\)，或以公斤為單位的質量 \(m\)。

核心要訣：務必先檢查你的變量類型。離散類別應使用有明確間隔的圖表（如棒形圖），而連續測量值則要使用具有連續刻度的圖表（如組織圖和折線圖）。

2. 頻數圖表：棒形圖 vs. 組織圖

很多同學常常混淆棒形圖（Bar Chart）和組織圖（Histogram）。雖然它們乍看之下頗為相似，但其實用途截然不同。

棒形圖（適用於分類或離散數據）

棒形圖利用長方形條形來呈現數據，每個條形的長度或高度與該類別的頻數（或百分比）成正比。

• 條形之間有空隙：條形與條形之間必須保留空隙，以表明各類別或離散數值之間是相互獨立、互不重疊的。
• 橫軸：顯示不同類別（例如：蘋果、香蕉、橙）或離散得分（例如：\(1, 2, 3, 4\))。
• 縱軸：顯示頻數（即每個項目出現的次數）。

等組距組織圖（適用於連續數據）

組織圖用來呈現劃分為不同區間（稱為組距或組區間）的連續數據。

• 條形之間沒有空隙：由於連續數據是連綿不斷的（例如時間或距離），因此除非某一組的頻數為零，否則各條形之間必須緊緊相連，不留空隙。
• 橫軸：代表連續的數軸。例如，一個區間可以寫成 \(10 \le x < 20\)，緊接著下一個區間就是 \(20 \le x < 30\)。
• 讀取區間：請格外留意邊界值！若某個區間為 \(10 \le x < 20\)，數值 \(10\) 會包含在該條形中，但數值 \(20\) 則屬於下一條條形。

常見錯誤防範：處理連續數據繪製組織圖時，千萬不要在條形之間留下空隙；處理分類數據繪製棒形圖時，切記不要把條形連在一起。

3. 幹葉圖

幹葉圖是一種有系統地展示離散或連續數值數據的方法，它的最大優點是能夠完整保留每一個原始數據值。幹葉圖看起來就像橫向放置的組織圖，但每個真實的數字都清晰可見！

幹葉圖的結構

• 幹（Stem）：代表前面的數字（例如十位數、百位數或整數位）。
• 葉（Leaf）：代表末尾的數字（通常是最後一位單個數字，例如個位數或十分位數）。葉必須由左至右按由小至大的順序排列，且間距均勻。
• 鍵／圖例（Key）：缺少了圖例，幹葉圖便毫無意義！例如：圖例：\(3 \mid 2 = 32\) 分，或 圖例：\(4 \mid 5 = 4.5\text{ cm}\)。

背對背幹葉圖

當你需要比較兩組相關的數據時（例如甲班與乙班的測驗成績），可以共用中央的同一個「幹」，將兩組數據分別列在左右兩邊：

甲班的「葉」列在左邊（由「幹」開始向左方閱讀，由小至大排列）。
乙班的「葉」列在右邊（由「幹」開始向右方閱讀，由小至大排列）。

記憶小貼士：可以想像一棵樹的樹幹（幹）向兩側生出枝葉（葉）。緊記閱讀時永遠要從樹幹向外讀，這樣就不會把數字顛倒了！

4. 雙變量數據：散點圖與相關性

當我們同時探究兩個數值變量之間的關係時，所處理的就是雙變量數據（Bivariate Data）。我們會將這些成對的數值化作坐標點 \((x, y)\)，繪製在散點圖（Scatter Diagram / Scatter Plot）上。

• 自變量（解釋變量 / Independent Variable）：標記在水平的 \(x\) 軸上。這是實驗中受到控制或測試的變量。
• 應變量（反應變量 / Dependent Variable）：標記在垂直的 \(y\) 軸上。這是我們透過測量來觀察其相應變化的變量。

相關性的類型

相關性（Correlation）描述了兩個變量之間統計關係的強度與方向：

• 正相關（Positive Correlation）：當 \(x\) 增加時，\(y\) 通常亦隨之增加。散點從左下方向右上方向上傾斜。生活實例：溫習時間與考試成績。
• 負相關（Negative Correlation）：當 \(x\) 增加時，\(y\) 通常隨之減少。散點從左上方向右下方向下傾斜。生活實例：室外氣溫與暖氣燃料的消耗量。
• 零相關／無相關（Zero / No Correlation）：\(x\) 與 \(y\) 之間沒有明顯的關聯。散點雜亂無章地分佈在坐標平面上。生活實例：鞋子尺碼與數學能力。

相關性的強度與形態

• 強相關：數據點非常接近一條虛擬的直線。
• 弱相關：數據點大致呈現向上或向下的趨勢，但分佈相當分散。
• 線性與非線性：若數據點的分佈大致呈一條直線，則屬於線性關係；若點的分佈呈現彎曲軌跡（例如指數曲線或二次曲線），則屬於非線性關係。

核心概念：相關性並不等於因果關係！

兩個變量之間存在強烈的相關性，並不代表兩者之間具有因果關係。舉個例子，雪糕的銷量與防曬霜的銷量呈顯著的正相關。但吃雪糕會促使人們去買防曬霜嗎？顯然不會！這兩個現象其實都受到第三個潛在變量（潛在因素）的影響——那就是炎熱的夏天天氣。在標準 D 的評估任務中，切記要謹慎評估因果關係在現實生活中是否符合邏輯。

5. 最佳擬合線與預測

當雙變量數據呈現線性相關時，我們可以繪製一條直線——最佳擬合線（趨勢線，Line of Best Fit），以此建立關係模型。

如何用肉眼準確繪製最佳擬合線

第 1 步：計算 \(x\) 值的平均值（記作 \(\bar{x}\)）以及 \(y\) 值的平均值（記作 \(\bar{y}\)）。
第 2 步：在散點圖上標出平均點 \((\bar{x}, \bar{y})\)。
第 3 步：放置一把透明直尺，確保直線精確穿過平均點 \((\bar{x}, \bar{y})\)。
第 4 步：調整直尺的角度，使線條順應數據的大致走勢，並盡量讓分佈在直線上方和下方的數據點數目在整條線上保持均衡。

內插法 vs. 外推法

畫好最佳擬合線後，你就可以利用它來估算數值。分清內插法與外推法的區別，對於評估結論的可靠性（標準 D）至關重要：

• 內插法（Interpolation）：在已知數據點的範圍之內進行預測。例如，如果你的實驗收集了 \(15^\circ\text{C}\) 至 \(35^\circ\text{C}\) 之間的數據，估算 \(25^\circ\text{C}\) 時的結果就屬於內插法。可靠性：一般而言相當可靠，因為在這個數值區間內趨勢已經過實測印證。
• 外推法（Extrapolation）：在已知數據點的範圍之外進行預測（高於最大值或低於最小值）。例如，當實驗數據只記錄到 \(35^\circ\text{C}\)，卻嘗試去預測 \(60^\circ\text{C}\) 時的結果。可靠性：非常不可靠，而且充滿猜測性質！在現實情境中，超出已知範圍後，趨勢可能會放緩、逆轉，甚至碰上物理極限。

核心要訣：內插法的估算永遠比外推法更值得信賴。考試若要求你評論某個預測的可靠性，請務必先判斷它是透過內插法還是外推法得出的。

6. 時間序列與趨勢線

時間序列（Time Series）圖是一種特殊的折線圖，其水平軸代表時間（例如小時、天、月或年），垂直軸則代表所測量的變量。

• 各個數據點會按時間先後次序以直線線段依序相連。
• 長期趨勢（General Trend）：反映數據在長時間內整體上升或下降的走勢，不受短期波動影響。
• 週期性／季節性波動（Periodic / Seasonal Variations）：在固定時間間隔內規律性重複出現的起伏（例如：每年十二月零售額激增，或氣溫在白天升高、夜晚驟降）。

7. 批判性分析：具誤導性的圖表與統計誠信

在現代媒體和大眾廣告中，圖表常常被刻意加工，藉此誤導受眾或誇大差異。在 MYP 數學中，你必須具備敏銳的批判眼光，能夠指出圖表中的失真之處並評估其合理性。

圖表常見的誤導手段

• 截斷（中斷）縱軸：縱軸沒有從零開始（例如直接由 \(90\) 開始而非 \(0\)），而且沒有清晰的截斷標記，這在視覺上會過分誇大微小的差異，讓輕微的變化顯得極為劇烈。
• 刻度不均勻或不一致：隨意改變軸上的刻度間距，會使整體走勢的視覺形狀嚴重失真。
• 使用二維或三維縮放的象形圖：若圖案或柱體的長度增加一倍來表示數值增加一倍，其面積實際上會擴大為原來的四倍（\(2^2 = 4\)），而立體體積更會暴增至八倍（\(2^3 = 8\)）。這會在視覺上產生嚴重誤導，令人誤以為增長幅度遠超實際數值。
• 缺失標籤、單位或圖例：若圖表沒有明確標示坐標軸名稱或測量單位，讀者便無法作出精準的量化判斷。

快速複習：如何在電腦化評估（標準 C 及 D）中評審圖表

當題目要求你評估一幅圖表時，請檢查以下四個關鍵點：
1. 縱軸是否從零開始？如果不是，有沒有使用清晰的折斷符號（截斷標記）？
2. 兩條坐標軸的刻度是否呈線性且間距均勻？
3. 是否清晰提供了所有標籤、測量單位和圖例？
4. 圖形呈現的視覺大小是否與數值數據嚴格成比例？

8. 範例詳解：詮釋雙變量數據集

情境：一名理科生探究施加肥料的質量 \(x\)（以克為單位）與六星期後向日葵高度 \(y\)（以厘米為單位）之間的關係。所得數據的平均點為 \((\bar{x}, \bar{y}) = (20, 65)\)。實驗中施肥量的範圍為 \(5\text{ g}\) 至 \(35\text{ g}\)。

問題 1：描述相關性

散點圖上的點緊密貼合一條直線的走勢，平穩地由左下方延伸至右上方。
答案：施肥量與向日葵的高度之間存在強正線性相關。

問題 2：利用內插法進行預測

利用穿過 \((20, 65)\) 的最佳擬合線，該學生預測施加 \(25\text{ g}\) 肥料的向日葵高度約為 \(74\text{ cm}\)。請評論這項預測的可靠性。
答案：此預測相當可靠，因為 \(25\text{ g}\) 處於實驗範圍 \(5\text{ g}\) 至 \(35\text{ g}\) 之內。這屬於內插法的應用，並且有強相關性作為依據。

問題 3：評估外推法

另一名學生利用最佳擬合線預測，若施加 \(100\text{ g}\) 肥料，向日葵將長至 \(200\text{ cm}\) 高。請結合實際情境評估這項預測是否合理。
答案：這項預測不可靠且不合理。首先，\(100\text{ g}\) 遠遠超出了已測試的數值範圍（上限為 \(35\text{ g}\)），這屬於外推法。其次，在真實的生物生長情境中，過量施肥會導致「燒苗」或肥料中毒，這會阻礙植物生長甚至令其枯死，絕不可能無限制地保持線性增長。

本章摘要

• 棒形圖各條形之間留有空隙，用於呈現分類或離散數據。
• 組織圖的條形互相緊貼，橫軸展示連續的數值組距。
• 幹葉圖能夠系統性地保留原始數據值；背對背幹葉圖方便直接比較兩組分佈；圖例必不可少。
• 散點圖呈現雙變量數據以探究變量間的關係：正相關、負相關或零相關；線性或非線性分佈。
• 以目測繪製的最佳擬合線必須穿過平均點 \((\bar{x}, \bar{y})\)，並使直線兩側的數據點分佈大致平衡。
• 內插法（在數據範圍內預測）一般可靠；外推法（超出數據範圍預測）純屬猜測，往往不可靠。
• 相關性不等於因果關係——分析時務必結合現實生活情境並考慮潛在變量。
• 提防具誤導性的圖表，特別是非零起點坐標軸、不均勻刻度以及比例失衡的圖像縮放。