歡迎來到數據呈現 (Data Presentation) 的世界！

你有沒有想過，企業是如何從每天數以十億計的點擊次數中分析出意義的？又或者，科學家是如何證明一種新藥確實有效？這一切都始於數據呈現。在本章中，我們將學習如何將一堆雜亂無章的數字轉化為清晰、具象的故事。如果統計學讓你感覺與純數學（Pure Maths）有點「不同」，請別擔心；你可以將其視為一門用數字說真話的藝術。

1. 認識你的數據類型

在我們畫圖之前，必須先了解我們處理的是什麼樣的「數據」。數據並不單單指數字！

  • 類別數據 (Categorical Data)：描述性的文字或標籤（例如：眼睛顏色：藍色、棕色、綠色）。
  • 排序數據 (Ranked Data)：有順序性但並非測量結果的數據（例如：在比賽中獲得第 1、第 2 或第 3 名）。
  • 離散數據 (Discrete Data)：數值數據，只能取特定數值——通常是你用「數」出來的東西（例如：寵物數量、入球數）。
  • 連續數據 (Continuous Data)：數值數據，可以在一定範圍內取任何數值——通常是你用「量」出來的東西（例如：身高、時間、質量）。

比喻：想像一條樓梯。離散數據就像階梯——你只能站在第 1 級或第 2 級。連續數據則像斜坡——你可以在兩者之間的任何高度停留。

快速回顧：數據清單

類別：名稱/標籤
排序：順序/位置
離散：計數所得 (1, 2, 3...)
連續：測量所得 (1.527...)

2. 單變量數據的標準圖表

MEI 課程要求你識別並解讀幾種常見的圖表。讓我們拆解最常見的類型：

長條圖 (Bar Charts) vs. 直方圖 (Histograms)

它們看起來很像，但用途不同！長條圖用於類別數據或離散數據（條與條之間有間隙）。直方圖則用於連續數據（條與條之間沒有間隙）。

莖葉圖 (Stem-and-Leaf Diagrams)

這類圖表非常棒，因為它們既能顯示數據的分佈形態，又能保留原始數字。 例子：如果你有數字 21、23 和 35，「莖」(Stem) 就是十位數 (2, 3)，而「葉」(Leaf) 就是個位數 (1, 3, 5)。記得一定要附上說明 (Key)！

盒鬚圖 (Box-and-Whisker Diagrams / Box Plots)

這類圖表總結了五個關鍵數字：

  1. 最小值 (Minimum)
  2. 下四分位數 (Lower Quartile, \(Q_1\))
  3. 中位數 (Median, \(Q_2\))
  4. 上四分位數 (Upper Quartile, \(Q_3\))
  5. 最大值 (Maximum)
「盒」代表數據的中間 50%。如果盒子很寬，代表數據的分佈非常分散！

常見錯誤：忘記了如果存在極端值（Outliers），「鬚」(Whiskers) 並不一定會延伸到絕對的最大值或最小值！我們稍後會討論這個問題。

3. 掌握直方圖

在 GCSE 中，你可能只是觀察條形的高度。在 AS Level，你有一個金科玉律：面積與頻數成正比。

我們在縱軸上使用頻數密度 (Frequency Density)。公式為： \( \text{Frequency Density} = \frac{\text{Frequency}}{\text{Class Width}} \)

為什麼要這樣做？這讓我們能公平地比較不同分組的數據。想像一下「0-10 歲」和「11-80 歲」的組別。如果我們只使用頻數，那個巨大的年齡跨度會看起來人為地「變高」，只因為它涵蓋的人數更多。頻數密度則能平衡這種差距。

直方圖問題解題步驟：

  1. 檢查組寬 (Class Width)（每組之間的「間距」）。
  2. 計算每一行的頻數密度。
  3. 繪製長條，確保它們相連。
  4. 如果題目問某範圍內的人數，計算該部分長條的面積。

4. 累積頻數 (Cumulative Frequency)

這是一個「累計總數」的圖表。你會隨著分組遞增將頻數相加。

  • 始終在組上限 (Upper Class Boundary)（即分組的末端）標繪點。
  • 曲線看起來應該像一個拉長的「S」形。
  • 你可以利用它來估算中位數（在 y 軸上找到總頻數的 50% 並向橫讀取）以及四分位數（25% 和 75% 的位置）。

5. 描述分佈形態 (Distributions)

當你看到圖表時，需要能夠用以下術語描述其「個性」：

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

如何記憶偏態： 看看「尾巴」指向哪裡！ - 如果長尾指向右方（指向更大的正數），則是正偏態 (Positively Skewed)。 - 如果長尾指向左方（指向更小的負數），則是負偏態 (Negatively Skewed)。

口訣：「尾巴說明一切」(The tail tells the tale)。如果尾巴在正數一側，就是正偏態。

6. 雙變量數據與散點圖

雙變量數據 (Bivariate data) 指的是每個個體有兩個變量（例如：身高和體重）。我們將其繪製在散點圖 (Scatter Diagram) 上，以尋找關聯性 (Association)。

相關性 vs. 因果關係

這是考試熱門話題！ 相關性 (Correlation) 描述線性關係（正相關、負相關或無相關）。 然而，僅僅因為兩件事相關，並不代表一件事導致了另一件事。

例子：雪糕銷量與鯊魚襲擊次數呈正相關。難道吃雪糕會導致鯊魚襲擊嗎？當然不是！兩者都是由第三個因素引起的：炎熱的天氣。

迴歸線 (Regression Lines)

迴歸線（最佳擬合線）是一種在點陣中畫出一條線的數學方法。

  • 內插法 (Interpolation)：在數據範圍「內」估算數值。這通常很可靠。
  • 外推法 (Extrapolation)：在數據範圍「外」估算數值。這很危險，因為趨勢可能不會延續下去！

極端值 (Outliers)

極端值是指與其餘數據不一致的數據點。在散點圖上，找那些「脫離群體」的點。 在 MEI 課程中，你可以憑視覺識別它們，或使用規則：超出 \(1.5 \times \text{IQR}\) (四分位距) 的四分位數範圍，或者距離平均值 2 個標準差以上的點。

7. 成功的最終秘訣

你知道嗎？隨著樣本量增加，你的圖表（例如投擲硬幣的長條圖）將會越來越接近理論上的「真實」概率分佈。這就是為什麼科學家喜歡大樣本的原因！

重點總結：
  • 直方圖中：面積 = 頻數。
  • 莖葉圖務必檢查說明 (Key)。
  • 內插法很安全；外推法風險很高。
  • 相關性不等於因果關係。
  • 圖表的尾巴顯示了偏態。

如果一開始覺得術語很多，別擔心。一旦你開始畫圖，就會發現規律變得非常容易察覺！持續練習那些直方圖的面積計算吧——這是最容易踩的坑！