📊 歡迎來到數據世界：統計與概率 🎲

各位未來的數據分析師們，大家好！本章節——統計與概率 (Statistics and Probability)，是 IB 數學：應用與解析 (Mathematics: Applications and Interpretation) 課程的核心。為什麼呢？因為我們生活在一個數據充斥的世界裡，而理解如何收集、分析和詮釋這些數據，是你所能獲得的最強大技能之一。

如果數字和圖表有時讓你感到不知所措，請別擔心。我們將逐步拆解每個概念，重點在於如何高效使用你的計算機（GDC！），以及最重要的——如何在現實情境中詮釋這些數字的含義。讓我們深入探索，掌握數據詮釋的藝術吧！

第一節：描述性統計 – 數據概括

1.1 數據類型

在進行任何計算之前，我們必須先釐清手頭上的數據類型，這會影響我們分析它的方式。

  • 定性數據 (Qualitative Data)（類別數據）：描述品質或特徵（例如：最喜歡的顏色、原產國）。
  • 定量數據 (Quantitative Data)（數值數據）：處理數字。
    • 離散數據 (Discrete Data)：只能取特定的、可數的值（通常是整數）。例如：班級人數、經過某個點的車輛數。
    • 連續數據 (Continuous Data)：在給定範圍內可以取任何值（透過測量而非計數得出）。例如：身高、溫度、完成比賽所需的時間。

快速回顧： 想到離散就想到「計數」，想到連續就想到「測量」。

1.2 集中趨勢測量（找出「中間值」）

這些測量值告訴我們數據的中心在哪裡。

  1. 平均值 (Mean, \(\bar{x}\) 或 \(\mu\))： 即平均數。將所有數值相加，然後除以數據個數。

    類比：如果每個人把錢都放進同一個池子，再平均分配，每個人拿到的錢就是平均值。

  2. 中位數 (Median)： 將數據排序後位於中間的數值。如果有兩個中間數（數據個數為偶數），則計算它們的平均值。

    小貼士： 中位數非常棒，因為它不受極端值影響（那些會拉偏平均值的極端數據）。

  3. 眾數 (Mode)： 出現頻率最高的數值。

1.3 離散程度測量（找出「分散程度」）

這些測量值告訴我們數據的分散或變化程度。

  • 全距 (Range)： 最大值減去最小值。簡單易懂，但極易受極端值影響。
  • 四分位距 (Interquartile Range, IQR)： 第三四分位數 (\(Q_3\)) 與第一四分位數 (\(Q_1\)) 之差。這涵蓋了數據中間 50% 的部分。

    \(IQR = Q_3 - Q_1\)

  • 標準差 (Standard Deviation, \(\sigma\))： 這是最重要的分散程度測量指標！它告訴你每個數據點平均距離平均值有多遠。

    關鍵概念： 小標準差意味著數據點緊密聚集在平均值周圍；大標準差意味著數據分佈非常廣泛。

逐步教學：利用科技處理統計（GDC）

在 AI 課程中，你幾乎總是會使用 GDC 進行這些計算：

  1. 將數據輸入列表 (L1)。
  2. 執行 1-變量統計 (1-Var Stats)。
  3. GDC 會立即給出 \(\bar{x}\)（平均值）、\(\sigma x\)（標準差）、Med（中位數）、\(Q_1\) 和 \(Q_3\)。

第一節關鍵總結： 描述性統計幫助我們看見集中趨勢（典型值）和離散程度（數據的散亂程度）。標準差是你衡量數據分散程度的最佳夥伴。

第二節：雙變量數據與迴歸

當我們同時觀察兩個變量（雙變量數據）時，我們想知道它們之間是否存在關係。

2.1 相關性

相關性 (Correlation) 描述了兩個變量之間線性關係的強度和方向，並繪製在散點圖 (Scatter plot) 上。

  • 正相關 (Positive Correlation)： 當一個變量增加時，另一個通常也會增加（斜坡向上）。例如：學習時數與考試成績。
  • 負相關 (Negative Correlation)： 當一個變量增加時，另一個通常會減少（斜坡向下）。例如：室外溫度與熱巧克力銷量。
  • 零/弱相關 (Zero/Weak Correlation)： 沒有明顯的線性關係。例如：鞋碼與收入。

2.2 相關係數 (\(r\))

衡量線性相關強度和方向的數值是 皮爾遜積差相關係數 (Pearson product moment correlation coefficient, \(r\))。

  • \(r\) 的值始終在 \(-1\) 到 \(+1\) 之間。
  • \(r = +1\)：完美的正線性相關。
  • \(r = -1\)：完美的負線性相關。
  • \(r = 0\)：沒有線性相關。
  • 越接近 1 或 -1，代表相關性越強。

避免常見錯誤： 相關性並不意味著因果關係！僅僅因為兩件事同時發生，並不代表其中一件事導致了另一件。例如：冰淇淋銷量和犯罪率在夏季都會增加，但吃冰淇淋並不會引發犯罪。

2.3 迴歸線 (LSRL)

最小二乘迴歸線 (Least Squares Regression Line, LSRL) 是最能代表數據趨勢的直線。這條線用於進行預測。

IB AI 課程中使用的通用形式通常為：
\[y = ax + b\]

  • \(a\) 是斜率（變化率）。
  • \(b\) 是 \(y\)-截距（當 \(x=0\) 時 \(y\) 的值）。
預測與警示
  • 內插 (Interpolation)： 在原始數據集的範圍之內進行預測。這通常是可靠的。
  • 外推 (Extrapolation)： 在原始數據集的範圍之外進行預測。這很冒險，因為我們不知道趨勢在測量範圍之外是否會持續。

第二節關鍵總結： 迴歸讓我們能夠對關係進行建模並做出預測。請務必查看 \(r\) 值以確認預測的可靠性，並對外推法保持謹慎！

第三節：概率基礎

3.1 基本術語

  • 實驗 (Experiment)： 一個結果不確定的過程（例如：擲骰子）。
  • 結果 (Outcome)： 實驗的一個可能結果（例如：擲出 4）。
  • 樣本空間 (Sample Space, \(S\))： 所有可能結果的集合。
  • 事件 (Event, \(A\))： 特定結果的集合（例如：擲出偶數）。
  • 事件 \(A\) 的概率寫作 \(P(A)\)。所有概率都在 0 到 1 之間。

3.2 組合事件與規則

加法規則

這用於尋找事件 A 或 (OR) 事件 B 發生的概率。

\[P(A \cup B) = P(A) + P(B) - P(A \cap B)\]

我們減去 \(P(A \cap B)\)（交集，A 且 B），因為我們在 P(A) 和 P(B) 中各計了一次這些結果，導致重複計算。

  • 互斥事件 (Mutually Exclusive Events)： 不能同時發生的事件。如果 A 和 B 是互斥的，那麼 \(P(A \cap B) = 0\)。

    此時規則簡化為：\(P(A \cup B) = P(A) + P(B)\)。

條件概率與獨立性

條件概率 (Conditional Probability) 是在已知事件 B 已經發生的情況下，事件 A 發生的概率。

\[P(A|B) = \frac{P(A \cap B)}{P(B)}\]

獨立事件 (Independent Events)： 指一個事件的發生不會影響另一個事件發生概率的事件。

如果 A 和 B 是獨立的，乘法規則就很簡單：
\[P(A \cap B) = P(A) \times P(B)\]

你知道嗎？

互斥事件不可能獨立。如果 A 和 B 是互斥的，知道 A 發生了，就明確告訴你 B 沒有發生（這對概率有巨大的影響！）。

第三節關鍵總結： 概率的核心在於理解事件是共同發生（交集）還是任一發生（聯集），以及一個事件的發生是否會影響另一個（條件概率/獨立性）。

第四節：離散概率分佈（二項分佈模型）

4.1 隨機變量

隨機變量 (Random Variable, \(X\)) 是一個變量，其值是隨機現象的數值結果。

  • 離散隨機變量： 通常是計數的結果（例如：擲 10 次硬幣出現正面次數）。
  • 連續隨機變量： 測量的結果（例如：隨機選取人的身高）。

4.2 期望值 (平均值)

離散隨機變量的期望值 (Expected Value, \(E(X)\)) 是理論上的長期平均結果。它是透過將每個結果 (\(x\)) 與其概率 (\(P(X=x)\)) 相乘後求和計算得出。

\[E(X) = \sum x P(X=x)\]

類比：如果你玩一個遊戲 1000 次，期望值會告訴你每局遊戲平均的贏/輸金額。

4.3 二項分佈 (Binomial Distribution)

二項分佈為滿足特定條件的實驗（稱為伯努利試驗, Bernoulli trials）進行離散概率建模：

  1. 有固定次數的試驗 (\(n\))。
  2. 每次試驗只有兩個結果：成功 或 失敗。
  3. 每次試驗成功的概率 (\(p\)) 都是固定的。
  4. 試驗之間相互獨立。

我們將其表示為 \(X \sim B(n, p)\)，其中 \(n\) 是試驗次數，\(p\) 是成功的概率。

GDC 功能至關重要！

你需要使用 GDC 進行這些計算：

  • 二項概率分佈函數 (PDF)： 當你想計算確切次數的成功概率時使用，即 \(P(X = k)\)。例如：10 次投擲中得到剛好 5 次正面的概率。
  • 二項累積概率分佈函數 (CDF)： 當你想計算累積概率或一系列結果範圍時使用，即 \(P(X \le k)\)（至多 k 次成功）。例如：10 次投擲中得到 5 次或更少正面的概率。

記憶輔助： P(D)F 代表 Precise（精確的/等於）；C(D)F 代表 Cumulative（累積的/小於或等於）。

第四節關鍵總結： 二項分佈是「成功/失敗」情境下的強大模型。記得找出 \(n\) 和 \(p\)，並知道在計算機上何時使用 PDF（確切值）或 CDF（範圍值）。

第五節：連續概率分佈（常態模型）

5.1 常態分佈 (Normal Distribution)

常態分佈是統計學中最關鍵的連續分佈，它模擬了許多自然現象（身高、血壓、考試分數）。

我們將其表示為 \(X \sim N(\mu, \sigma^2)\)，其中：

  • \(\mu\) (mu)： 平均值（由於圖形完全對稱，它也是中位數和眾數）。
  • \(\sigma^2\) (sigma squared)： 方差。\(\sigma\) 是標準差。
常態曲線（鐘形曲線）的特徵
  • 圍繞平均值 \(\mu\) 對稱。
  • 曲線下方的總面積等於 1。
  • 曲線向兩個方向無限延伸（但極度接近零）。

5.2 數據標準化 (Z-分數)

Z-分數 (Z-score) 告訴你特定數據點 (\(x\)) 距離平均值 (\(\mu\)) 有幾個標準差。

\[Z = \frac{x - \mu}{\sigma}\]

  • 正的 Z-分數意味著數值高於平均值。
  • 負的 Z-分數意味著數值低於平均值。
  • 標準常態分佈 (Standard Normal Distribution) 為 \(Z \sim N(0, 1)\)（平均值為 0，標準差為 1）。

5.3 使用 GDC 處理常態分佈

由於手算連續概率是不可能的，強制使用 GDC 是必須的。

  • Normal CDF： 用於查找兩個數值之間，或特定值以上/以下的概率（曲線下的面積）。
  • 反向常態分佈 (Inverse Normal)： 當你知道概率（面積）並需要找到對應的具體數據值 (\(x\)) 或 Z-分數時使用。

    關鍵點： 反向常態分佈計算的永遠是從最左側（左尾）開始的面積。

給學生的學習小建議： 務必畫出鐘形曲線！將你試圖尋找的區域塗上陰影。這可以防止在設定 Normal CDF 函數的上下界時出現錯誤。

第五節關鍵總結： 常態分佈是連續數據建模的關鍵。Z-分數允許你比較不同數據集的結果，而計算機上的 Normal CDF/Inverse Normal 功能是解決問題的必備工具。

第六節：統計推斷與檢驗（HL 與進階 SL 重點）

統計推斷是基於小樣本數據對大群體做出結論的過程。

6.1 假設檢驗簡介

假設檢驗利用樣本數據在關於群體的兩個競爭陳述之間做出選擇：

  1. 虛無假設 (Null Hypothesis, \(H_0\))： 現狀；假設沒有影響、沒有差異或沒有關係。（這是我們假定為真的前提）。
  2. 對立假設 (Alternative Hypothesis, \(H_1\))： 被檢驗的主張；聲明有影響、差異或關係存在。

我們的目標是收集足夠的證據，以支持拒絕 \(H_0\) 並轉而接受 \(H_1\)。

顯著性水平 (\(\alpha\)) 與 P 值
  • 顯著性水平 (\(\alpha\))： 概率閾值（通常為 5% 或 0.05）。如果測試結果比該閾值更罕見，我們就認定它是顯著的。
  • P 值 (P-value)： 假設虛無假設 \(H_0\) 為真的情況下，獲得觀測到的樣本數據（或更極端數據）的概率。

決策規則：

如果 P 值 \(\lt \alpha\)，我們拒絕 \(H_0\)。（結果具統計顯著性。）
如果 P 值 \(\ge \alpha\)，我們不拒絕 \(H_0\)。（沒有足夠證據支持 \(H_1\)。）

6.2 卡方檢驗 (\(\chi^2\))

在 AI 課程中，卡方檢驗用於檢驗兩個類別變量之間的獨立性或關聯性，通常以列聯表 (Contingency table) 的形式呈現。

獨立性檢驗

此檢驗用於檢查兩個變量之間是否存在關係（例如：「最喜歡的運動」是否與「性別」獨立？）。

  1. 設定假設：

    \(H_0\)：兩個變量相互獨立（無關聯）。

    \(H_1\)：兩個變量相互依賴（有關聯）。

  2. 計算期望頻率： 若 \(H_0\) 為真，這些是我們預期會看到的數字。
  3. 計算檢驗統計量 (\(\chi^2\))： 輸入觀測數據矩陣後，GDC 會自動使用「Chi-squared Test」功能完成計算。
  4. 確定自由度 (Degrees of Freedom, \(df\))：

    \[df = (\text{行數} - 1) \times (\text{列數} - 1)\]

  5. 比較 P 值與 \(\alpha\)： 根據決策規則（P 值與 \(\alpha\) 的比較）得出結論。
詮釋結論

記得始終在問題的情境下陳述你的結論。例如：「由於 P 值 (0.015) 小於顯著性水平 (0.05)，我們拒絕 \(H_0\)。現有足夠的證據顯示最喜歡的運動與性別是相關的。」

第六節關鍵總結： 統計檢驗提供了一種正式結構，用以確定觀測到的差異或關聯是偶然發生的，還是具有真實的影響。專注於正確設定假設並準確詮釋最終的 P 值。