در این فصل چه یاد میگیری#
در فصل قبل دیدی دو مجموعه با میانگینِ یکسان میتوانند کاملاً متفاوت باشند. راهِ حل، افزودنِ یک عددِ دوم بود.
ولی حتی دو عدد هم گاهی کافی نیست. راهِ کامل، نگاهکردن به شکلِ کلِ داده است — به اینکه مقدارها چطور پخش شدهاند.
و وقتی این کار را برای چیزهای واقعی بکنی، یک شکل مدام تکرار میشود: یک تپهٔ متقارن. این فصل نشان میدهد چرا آن شکل اینقدر همهجا هست.

آخر این فصل میتوانی:
- هیستوگرام بخوانی و بسازی
- توزیعِ نرمال را تشخیص بدهی و بگویی چرا اینقدر رایج است
- چولگی را ببینی و بگویی چه اثری روی میانگین و میانه دارد
قبل از شروع#
- از فصل ۶: میانگین، میانه، انحرافِ معیار، و اثرِ مقادیرِ پرت.
- از ترم ۴ فصل ۲: خواندنِ نمودار — هر محور چه چیزی را نشان میدهد.
- از فصل ۲: احتمال بهعنوان نسبتِ بلندمدت.
۱. هیستوگرام#
فهرستی از صد قد داری. چطور شکلش را ببینی؟
داده را دستهبندی کن — مثلاً هر ۵ سانتیمتر یک دسته — و برای هر دسته یک ستون بکش که ارتفاعش تعدادِ دادههای آن دسته باشد.
این هیستوگرام است، و فوراً چیزهایی میگوید که میانگین نمیگوید: کجا شلوغ است، کجا خالی، و آیا داده یک قله دارد یا چند تا.
⚠️ دامِ رایج: اشتباه گرفتنِ هیستوگرام با نمودارِ ستونی. در نمودارِ ستونی هر ستون یک دستهٔ جداست (رنگ، شهر، برند) و ترتیبشان دلبخواهی است. در هیستوگرام محورِ افقی یک عددِ پیوسته است و ترتیب معنا دارد. جابهجا کردنِ دو ستونِ هیستوگرام آن را خراب میکند.
💡 نکته: پهنای دسته را عوض کن و دوباره نگاه کن. دستههای خیلی پهن جزئیات را میبلعند و دستههای خیلی باریک شلوغ میشوند. اگر شکلی با هر دو پهنا پیدا بود، واقعی است؛ اگر فقط با یک پهنای خاص دیده شد، به آن شک کن.
۲. توزیعِ نرمال#
قد، فشارِ خون، خطای اندازهگیری، نمرهٔ یک آزمونِ خوب طراحیشده — همه یک شکلِ مشابه میسازند: یک تپهٔ متقارن، پُر در وسط و رقیق در دو طرف.
🤔 اول حدس بزن: چرا اینقدر چیزهای بیربط، یک شکل میسازند؟
جوابش زیباست: هر وقت چیزی حاصلِ جمعشدنِ عاملِ کوچکِ زیاد و مستقل باشد، شکلش نرمال میشود.
قدِ یک نفر حاصلِ دهها عاملِ ژنتیکی و تغذیهای و محیطی است. خطای یک اندازهگیری حاصلِ دهها بیدقتیِ ریز. جمعشدنِ عاملِ زیادِ مستقل، همیشه به آن تپه میرسد — مهم نیست خودِ آن عاملها چه شکلی داشته باشند.
💡 نکته: با تاس هم میشود دیدش. یک تاس شش حالتِ هماحتمال دارد — تخت، بدونِ قله. ولی از فصل ۲ میدانی مجموعِ دو تاس شکلِ تپهای دارد (۷ محتملترین است). با ده تاس آن تپه تقریباً کاملاً نرمال میشود. جمعکردن، تپه میسازد.
۳. چرا انحرافِ معیار اینجا معنیِ دقیق پیدا میکند#
در فصل ۶ انحرافِ معیار «فاصلهٔ متوسط از میانگین» بود. اگر توزیع نرمال باشد، عددِ دقیقتری میگوید:
- حدودِ ۶۸٪ دادهها در فاصلهٔ یک انحرافِ معیار از میانگیناند.
- حدودِ ۹۵٪ در فاصلهٔ دو انحرافِ معیار.
- حدودِ ۹۹٫۷٪ در فاصلهٔ سه.
مثال: اگر میانگینِ قد ۱۷۰ و انحرافِ معیار ۷ باشد، حدودِ دوسومِ آدمها بینِ ۱۶۳ و ۱۷۷ سانتیمترند.
⚠️ دامِ رایج: بهکاربردنِ این قاعده وقتی توزیع نرمال نیست. برای درآمد یا ثروت این اعداد کاملاً غلطاند. اول شکل را ببین، بعد از این قاعده استفاده کن — و این یکی از دلایلی است که همیشه باید هیستوگرام بکشی، نه فقط دو عدد حساب کنی.
✅ چک کن: در آزمونی با میانگینِ ۶۰ و انحرافِ معیارِ ۱۰ که توزیعش نرمال است، تقریباً چند درصد بینِ ۴۰ و ۸۰ نمره گرفتهاند؟ — دو انحرافِ معیار در هر طرف، پس حدودِ ۹۵٪.
۴. چولگی#
همهچیز نرمال نیست. درآمد را از فصل ۶ بهیاد بیاور: اکثریت در پایین جمعاند و یک دُمِ بلند به سمتِ راست کشیده شده.
به چنین توزیعی میگویند چوله به راست، و اثرش روی سه سنجهٔ فصل ۶ قابلِ پیشبینی است:
در توزیعِ چوله به راست: مُد < میانه < میانگین.
چون آن دُمِ بلند میانگین را به سمتِ خودش میکشد، ولی میانه فقط کمی جابهجا میشود.
💡 نکته: این نتیجهٔ عملی دارد: اگر شنیدی میانگین از میانه بسیار بزرگتر است، بدونِ دیدنِ نمودار میفهمی داده دُمِ راست دارد. و برعکس. مقایسهٔ آن دو عدد، ارزانترین راهِ فهمیدنِ شکلِ داده است.
✅ چک کن: در شهری میانگینِ قیمتِ خانه ۸ میلیارد و میانه ۴ میلیارد است. چه چیزی دربارهٔ بازار میفهمی؟ — چوله به راست: تعدادِ کمی خانهٔ بسیار گران، میانگین را بالا کشیدهاند. قیمتِ خانهٔ معمول ۴ است، نه ۸.
۵. توزیع در یادگیری ماشین#
سه جا که همین ایده مستقیماً به کار میآید:
۱. شناختِ داده. قبل از ساختنِ هر مدلی، توزیعِ هر ویژگی را نگاه میکنند. یک ویژگیِ بهشدت چوله معمولاً قبل از استفاده تبدیل میشود — و از ترم ۴ فصل ۸ میدانی لگاریتم دقیقاً همین کار را میکند: دُمِ بلند را جمع میکند.
۲. تشخیصِ ناهنجاری. دادهای که خیلی دورتر از چند انحرافِ معیار بیفتد، «غیرعادی» علامت میخورد — همان قاعدهٔ ۶۸ و ۹۵ و ۹۹٫۷، بهشکلِ یک هشدارِ خودکار.
۳. نمونهٔ نامتوازن. اگر توزیعِ برچسبها خیلی نامتقارن باشد، همان مشکلی پیش میآید که در فصل ۴ دیدی: مدل میتواند دقتِ بالا داشته باشد و هیچ چیز نفهمیده باشد.
🌱 ریشهاش کجاست: آن قاعدهٔ «جمعِ عاملِ زیادِ مستقل → نرمال» یکی از عمیقترین نتیجههای آمار است و دلیلِ اصلیِ اینکه چرا میشود از یک نمونه دربارهٔ کلِ جامعه حرف زد. فصل بعد دقیقاً همان کار را میکند.
تمرینها
اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.
در فصل بعد#
فصل بعد ⚠️ است و به سؤالی میرسد که کلِ آمار روی آن ایستاده: وقتی نمیتوانی همه را بسنجی، از چند نفر چه چیزی میشود فهمید؟ و در همانجا رایجترین راههای دروغگفتن با آمارِ راست را باز میکنیم — از نمونهٔ سوگیرانه تا نمودارِ بریده تا خلطِ همبستگی با علیت.
به آخر این فصل رسیدی!
اگر ساختی و جواب داد، این دکمه مال توست.