歡迎來到數據呈現的世界！

你有沒有想過新聞報導或科學家是如何將堆積如山的數字轉化為我們能輕易理解的資訊？這就是數據呈現 (Data Presentation) 的核心！在本章中，我們將學習如何為數據選擇正確的「圖片」呈現方式，以及如何像專家一樣解讀這些圖表。無論你是數學天才，還是對統計學感到有些「頭痛」，這些筆記都能協助你掌握呈現數據的藝術。

1. 認識你的數據類型

在我們繪製任何圖表之前，必須先了解我們處理的是什麼樣的「素材」。數據不僅僅是數字，它還有不同的種類：

  • 類別數據 (Categorical/Qualitative)： 這是標籤或名稱。例如：眼睛顏色、汽車品牌，或是你最喜歡的披薩配料。
  • 離散數據 (Discrete)： 只能取特定數值（通常是整數）的數據。你可以數算這些數據。例如：寵物數量、班級人數。
  • 連續數據 (Continuous)： 在一定範圍內可以取任何數值的數據。這些數據通常是測量出來的。例如：身高、時間，或是一塊巧克力的重量。
  • 排序數據 (Ranked)： 具有特定順序但數值之間的「間距」不一定相等的數據。例如：比賽的名次（第一名、第二名、第三名）。
快速複習：

離散 (Discrete) = 用數的 (1, 2, 3...)
連續 (Continuous) = 用量的 (1.54m, 1.542m...)

2. 單變量數據的標準圖表

根據數據類型的不同，我們使用不同的工具來進行展示：

  • 條形圖 (Bar Charts)： 最適合類別數據或離散數據。長條之間是有間距的！
  • 垂直線圖 (Vertical Line Charts)： 與條形圖相似，但使用細線。非常適合展示離散數據的頻數。
  • 圓形圖 (Pie Charts)： 展示一個「整體」如何被分割成不同的部分。你知道嗎？ 每個扇形的角度計算公式為： \( \frac{\text{Frequency}}{\text{Total Frequency}} \times 360^\circ \)。
  • 莖葉圖 (Stem-and-Leaf Diagrams)： 一種巧妙的方法，既能顯示每一個數據點，又能看起來像條形圖。重要： 請務必包含一個圖例 (Key)（例如：2 | 1 代表 21）。
  • 點圖 (Dot Plots)： 每個數據點以一個點表示。這些圖看起來像一堆硬幣，非常適合用來顯示小型數據集的頻數。
  • 盒鬚圖 (Box-and-Whisker Plots)： 這些圖使用五個關鍵數字來總結數據：最小值 (Minimum)、下四分位數 (Q1)、中位數 (Q2)、上四分位數 (Q3) 以及最大值 (Maximum)。

3. 掌握直方圖 (Histograms)

直方圖用於已經分組的連續數據。它們看起來像條形圖，但長條之間沒有間距。

黃金法則： 在直方圖中，長條的面積代表頻數，而不是高度！

計算頻數密度 (Frequency Density)

為了繪製不同組距的直方圖，我們需要計算垂直軸的頻數密度：

\( \text{Frequency Density} = \frac{\text{Frequency}}{\text{Class Width}} \)

逐步範例：
如果分組「10 < x ≤ 20」的頻數是 50：
1. 找出組距 (Class Width)： \( 20 - 10 = 10 \)。
2. 計算頻數密度： \( 50 \div 10 = 5 \)。
3. 繪製從 10 到 20、高度為 5 的長條。

常見錯誤： 如果組距不同，千萬不要直接將頻數畫在 y 軸上！一定要先檢查是否需要計算頻數密度。

關鍵要點：

面積 = 頻數。這意味著你可以透過將長條的寬度乘以其高度（密度）來得出任何區段的頻數。

4. 累積頻數 (Cumulative Frequency)

累積頻數就像是「累加總計」。我們在統計過程中不斷將頻數加起來。

  • 圖表： 始終將累積頻數繪製在組界上限 (Upper class boundary) 對應的位置。
  • 形狀： 它應該形成一個平滑的「S」形曲線（肩形圖，ogive）。
  • 應用： 你可以從圖中「讀出」中位數（在總頻數的 50% 處）和四分位數（在 25% 和 75% 處）。

5. 描述分佈形態

當你觀察圖表（例如直方圖）時，可以使用以下術語來描述它的「個性」：

  • 單峰 (Unimodal)： 只有一個明顯的頂峰（一個眾數）。
  • 雙峰 (Bimodal)： 有兩個明顯的頂峰。
  • 對稱 (Symmetrical)： 左側看起來像右側的鏡像。
  • 偏斜 (Skewed)： 數據的「尾巴」被拉向一側。

偏斜的判斷技巧

如果對偏斜感到混淆也沒關係！只需看「尾巴」指向哪裡：

  • 正偏斜 (Positive Skew)： 長尾巴在右側（x 軸的正方向）。大部分數據集中在左側。
  • 負偏斜 (Negative Skew)： 長尾巴在左側（x 軸的負方向）。大部分數據集中在右側。

6. 雙變量數據：散點圖與相關性

雙變量數據 (Bivariate data) 意味著我們同時觀察兩個變量，看看它們是否相關（例如身高與體重）。

相關性 vs. 因果關係

相關性 (Correlation) 告訴我們兩個變量在多大程度上遵循直線模式：

  • 正相關： 一個增加，另一個也增加。
  • 負相關： 一個增加，另一個減少。
  • 零相關： 點看起來像一片混亂的雲；沒有規律。

關鍵點： 僅僅因為兩者相關，並不代表一個會導致另一個。例如：雪糕銷量與鯊魚襲擊次數呈正相關（兩者在夏天都會增加），但吃雪糕並不會導致鯊魚襲擊！

回歸線 (Regression Lines) / 最合適直線

回歸線是一條穿過點群「中間」的直線。我們利用它來進行預測。

  • 內插法 (Interpolation)： 預測數據範圍之內的值。這通常相當可靠！
  • 外推法 (Extrapolation)： 預測數據範圍之外的值。警告！ 這是非常有風險的，因為規律可能不會永遠持續下去。
你知道嗎？

離群值 (Outlier) 是指不符合整體規律的數據點。在散點圖上，它就是那個遠離其他點的孤立點。你應該始終指出它們，並檢查它們是誤差還是僅僅是不尋常的個案！

7. 批判性評估數據呈現

在考試中，你可能會被要求「批判性地評估」或找出圖表中的錯誤。請務必檢查以下幾點：

  1. 遺漏標籤： 坐標軸是否有標籤？是否有標題？
  2. 誤導性的刻度： y 軸是否從零開始？如果不是，它可能會讓微小的差異看起來非常巨大！
  3. 樣本大小： 當樣本越大，圖表就能越好地代表真實總體。小樣本可能只是偶然。
  4. 選擇不當： 對 50 個不同的類別使用圓形圖將會是一場災難！
快速複習箱：
  • 直方圖： 面積 = 頻數。高度 = 頻數密度。
  • 盒鬚圖： 顯示中位數和離散程度 (IQR)。
  • 散點圖： 顯示關係（相關性）。
  • 偏斜： 跟著尾巴走！(右 = 正偏斜，左 = 負偏斜)。

如果這些內容看起來很多，別擔心！統計學講求的是練習。繪製和解釋的圖表越多，你就會越感到得心應手。你一定做得到的！