普通人一天大约要接收30G的数据，但大部分人不知道如何正确地解读这些数据。MIT数据学专家在本书中讲述了如何破译每天接触到的数据，将复杂的问题变得更简单和直观。
了解你所看到的数字信息
1.明白基于错误样本得出结论将会导致的后果。样本是否能够代表总体？例如，那些接受问卷调查的人是谁？所选的数据是否基于你想要研究的关键结果，研究这个“样本”是如何影响分析结果的？
2.问自己：哪些数据能够最为恰当地回答所提出的问题？比如，“挑战者号”调查小组一度只研究O型环出问题的发射任务，因为研究结果显示这些事故在一定气温范围内时有发生，所以也许这个数据并不是能够解决问题的上佳之选。如果调查组把注意力集中在所有发射任务上，他们可能会发现O型环问题在温度较低的情况下更为频发。如果要回答一个有关人类行为的问题，你想了解哪些类型的人？或者，换个说法，受访者的答案是如何影响特定分析结果的？
3.在报纸上读到一则新发现或新研究报道时，问你自己：这个结论是研究了哪些数据得出的？受访者是谁，或者这项研究是基于何人开展的？当你看到“在一个非科学的调查中……”或“领先的”_________，等诸如此类的话，你可以将其视为危险信号。你可以问自己5岁的孩子下一任总统是谁，然后将这个“非科学的调查”结果发表。“领先的”这类词听起来不错，但很难量化（你可能会问“领先于什么？”）。
4.留心自陈式数据——问人们有关他们自己的职业，看什么电视节目，或行为如何等问题与观察并记录人们行为相比会简单很多，但自陈式数据并非总是最准确的。当你看到那些由研究对象提供的数据时，记住上面的话。
5.最后要记住，在很多统计工作中，对数据的一部分抽样或对数据的总体抽样并无好坏之分。抽样是一个强有力的工具，能让我们在研究总体不可行（或并不推荐这么去做）的时候了解到情况。你不要被误导，认为一定要研究所有数据才行。事实上，给数据抽取一个样本会非常有用。在有些情况下，研究数据的子集所得出结论的确会非常有意义而且非常合适。在其他的一些情况下，我们所研究的结论是由我们分析特定数据组所得出的。所以研究数据的一部分还是全部并不重要，解读结果的方式以及结果的意义才是关键所在。
如何成熟对待数据总和、平均值、离群值
有没有做好准备使用数据总和、平均值、离群值来做更好的决定？这儿有5件事，你现在就能做：
第一，了解什么是概括统计，什么不是。很多人觉得因为概括统计能够反映一组数据，那它就能够反映出数据的一切。其实并非如此。概括统计仅仅是一个标准，仅仅从一个维度衡量数据组。就像我们看到的红色州和蓝色州的例子，概括统计会掩盖基本数据的不同点。
第二，理解所呈现的是哪一种平均——是平均值，是中位数，还是众数。大多数人听到了“平均”两字，会认为讲的是平均值，但并非总是这样。有三种平均，而且各不相同。其中有一些更容易产生偏离。比如，基于平均值，世界上平均每人有少于两条手臂。（大多数人有两条手臂，但有些人只有一条，有些人没有手臂，因此平均值就被拉下来了，假定只有非常少的人有超过两条手臂。）当有人说到了平均，你要知道自己讨论的到底是哪个概念。
第三，试问“什么的平均数？”因为平均值里兼有多个数据值，每个数据值都会影响到最终结果。这便是你可以运用所有在这本书中学习到知识的时候。数据是否体现了样本？你是在看平均数的平均数吗，每一个平均数是否都有自己的特性？除了这些问题，还有很多问题需要问。
第四，看是否所有数据都被平等对待。有些平均数只是加权平均数，在这种平均数的计算过程中，有些数据被赋予了更大的权重。比如，有些选举计票使用了加权取平均数，以此来反映到达投票年龄的成年人的真实人数。如果使用正确的话，加权取平均数是一个可行的统计学工具，但是你必须知道加权是否存在以及加权的方式，从而让自己成为成熟的数据接收者。
第五，辨别离群值，并理解离群值给平均数带来的影响。有些离群值是数据组中完全有效的组成部分。其他时候，应当排除极端数值以得出你所问问题的正确答案。常言道，一粒老鼠屎坏了一锅粥。并非每个离群值都是老鼠屎——但你必须注意，离群值会使结论发生偏离。
如何成熟地应对关联性和因果性
现在，对关联性和因果性之间的差别有了较好的理解，我们在接收有关统计学关系的数据的时候，还有几点要谨记于心：
1.问你自己，这篇新发表的文章或研究展示了什么。文章中的确用了“因果”关系这个字眼了吗？不少时候，标题或文章中可能会暗示因果关系，但如果你深入研究，会发现大多数实际的研究只是在讨论某种关联性。
2.在理解统计学分析结果的时候，退一步，用常识思考一下——这样的关系从直觉看来对不对？为什么吃烤奶酪可以提高性生活质量？聪明人用苹果手机这种说法能不能说得通？尽管统计学常常可以得出出人意料的结论，但不要把一切孤立起来看待，不要抛弃自己的直觉。
3.如果你看到了两者之间的关系，问自己：会不会有其他的因素导致了我所观察到的结论？在理解两者关系的时候，是不是有其他确实非常重要的遗漏变量。
4.时刻当心反向因果关系。找到统计学上的关联性并不能表示事情就是按照那个顺序排列的。聪明人会晚睡吗？或者人们晚睡正是因为他们聪明？不要小看反馈循环——X影响了Y，Y同时又影响了X（如聪明人晚睡，而晚睡又给了人们更多时间让自己变得聪明，而人们变聪明了，又可以晚睡了……）
5.最后，对于科学家来说，证明因果关系也是一件非常需要技术含量的事。对于那些据称是因果关系，尤其可能存在潜在的遗漏变量的情况，要特别留心。
了解自己所看到的数据是否真的都有用。
仅因为自己被数据包围，并不表示你就要使用这些数据在生活中做决定。下面有5件你可以立即着手去做的事，以此了解自己所看到的数据是否真的都有用。
1.确定所看到的结果是否随机出现。作为一个成熟的数据接收者，常常需要在观察到的结果中排除那些随机出现的。你也许接触了5个喜欢吃汉堡的男性，但以这个样本来判断所有男性中有百分之几喜欢吃汉堡，这个样本可能就太小了。也许你遇到的这5个人，是世界上唯一喜欢吃汉堡的人群。在许多情况下，判断结果是否随机需要一个基线，以此来比较你所得出的结果。
2.要了解，许多研究发现其实是基于或然性的。一个具有“显著性差异”的研究发现，也仅仅表明结论有95%的可能性落在置信区间内。仔细研究P值可以让你了解结论有多少可能性并非仅仅是随机出现的——很多情况下我们会得出可以确信的结论，但要记住，我们只是在衡量或然性而已。
3.要知道，你在新闻标题中看到的数据常常是范围内的一个值。不论表述为误差范围（投票中的加/减）还是置信区间，研究发现通常只是一个范围内的估计值。如果一篇报纸上的文章说你最喜爱的候选人得票数为42%，那真实范围可能要加上或减去几个百分点。如果一份科学研究发现一种名字很好听的“益智”食品（包含鱼、浆果、绿色蔬菜）可能延缓阿尔茨海默病病情恶化的速度，置信区间能够提供其作用效果的范围。
4.哪怕得出了显著性差异的效应，也要看一下效应量。如果你在大洋里游泳，你可能会遭到鲨鱼攻击，但这种危险的概率很小。Discovery.