ریشه — خودآموز ریاضی از چهار عمل تا هوش مصنوعی

فصل ۸ از ۹

پیشرفت ترم
۰٪

ترم ۶ · احتمال و آمار: ریاضیِ عدمِ قطعیت

نمونه‌گیری، و چطور با آمار دروغ می‌گویند

فصل ۸رایگان

در این فصل چه یاد می‌گیری#

می‌خواهی بدانی مردمِ یک شهر چه فکری می‌کنند. نمی‌توانی با همه حرف بزنی، پس با هزار نفر حرف می‌زنی.

🤔 اول حدس بزن: چه چیزی تعیین می‌کند نتیجه‌ات قابلِ اعتماد باشد — تعدادِ آن هزار نفر، یا روشِ انتخابشان؟

روشِ انتخاب، و با فاصلهٔ زیاد. یک نمونهٔ هزارنفرهٔ بد از یک نمونهٔ صدنفرهٔ خوب بی‌فایده‌تر است — و بدتر، اعتمادبه‌نفسِ کاذب هم می‌دهد.

این فصل ⚠️ است چون همه‌اش دربارهٔ راه‌هایی است که آمارِ راست می‌تواند گمراه کند.

یک جامعهٔ بزرگ و دو نمونه از آن: یکی پخش‌شده و نماینده، یکی جمع‌شده در یک گوشه

آخر این فصل می‌توانی:

  • سوگیریِ نمونه را در یک نظرسنجی تشخیص بدهی
  • بگویی چرا همبستگی علیت را ثابت نمی‌کند
  • یک نمودارِ گمراه‌کننده را شناسایی کنی

قبل از شروع#

  • از فصل ۷: توزیع؛ چولگی؛ اینکه شکلِ داده مهم است.
  • از فصل ۶: میانگین در برابر میانه.
  • از ترم ۲ فصل ۹: چهار سؤالِ کالبدشکافیِ یک ادعا.

۱. نمونه در برابر جامعه#

جامعه یعنی همهٔ کسانی که دربارهٔ آن‌ها حرف می‌زنی. نمونه یعنی آن‌هایی که واقعاً سنجیدی.

هدف این است که نمونه نماینده باشد: هر ویژگیِ مهم، در نمونه به همان نسبتی باشد که در جامعه.

و تنها راهِ مطمئنِ رسیدن به آن، تصادفی‌بودن است — یعنی هر عضوِ جامعه شانسِ برابر برای انتخاب‌شدن داشته باشد.

💡 نکته: «تصادفی» یعنی چیزی خیلی دقیق‌تر از «بدونِ برنامه». اگر در خیابان هر کسی را که دیدی متوقف کنی، تصادفی نیست — کسانی که آن ساعت در آن خیابان‌اند نمایندهٔ شهر نیستند.

۲. سوگیریِ نمونه#

سه شکلِ رایج، که همه‌شان را دیده‌ای:

۱. سوگیریِ انتخاب. نظرسنجیِ اینترنتی دربارهٔ استفاده از اینترنت. کسانی که پاسخ می‌دهند از اول متفاوت‌اند.

۲. سوگیریِ خودانتخابی. نظرسنجی‌ای که هر کس بخواهد در آن شرکت می‌کند. کسانی که نظرِ شدید دارند بیشتر شرکت می‌کنند — و همین نتیجه را قطبی‌تر از واقعیت نشان می‌دهد.

۳. سوگیریِ بازمانده. فقط کسانی را می‌سنجی که تا اینجا مانده‌اند. «همهٔ شرکت‌های موفق فلان ویژگی را داشتند» — ولی شاید شرکت‌های شکست‌خورده هم داشتند و آن‌ها در فهرستت نیستند.

⚠️ دامِ رایج: فکرکردن به اینکه نمونهٔ بزرگ‌تر سوگیری را جبران می‌کند. نمی‌کند. یک نمونهٔ سوگیرانهٔ صدهزارنفره، همان جوابِ غلط را با اطمینانِ بیشتری می‌دهد. بزرگیِ نمونه فقط نویزِ تصادفی را کم می‌کند، نه سوگیریِ نظام‌مند را.

✅ چک کن: رستورانی نظرسنجیِ رضایت را روی میزها می‌گذارد. چه سوگیری‌ای دارد؟ — خودانتخابی (فقط کسانی که حوصله دارند پر می‌کنند) و انتخاب (کسانی که غذا را نپسندیده‌اند و زود رفته‌اند در نمونه نیستند).

۳. همبستگی، علیت نیست#

دو چیز همبستهاند اگر با هم بالا و پایین بروند. ولی همبستگی چهار توضیحِ ممکن دارد و فقط یکی‌شان علیت است:

۱. الف باعثِ ب می‌شود.

۲. ب باعثِ الف می‌شود. (جهت را برعکس گرفته‌ای.)

۳. عاملِ سومی باعثِ هر دو می‌شود. فروشِ بستنی و غرق‌شدن با هم بالا می‌روند — چون هوای گرم باعثِ هر دو می‌شود.

۴. تصادف. اگر به‌اندازهٔ کافی جفت داده را بررسی کنی، بعضی‌شان اتفاقی همبسته در می‌آیند.

⚠️ دامِ رایج: پذیرفتنِ توضیحِ اول به‌عنوان تنها توضیح. هر بار که همبستگی‌ای دیدی، هر چهار حالت را از خودت بپرس — و به‌ویژه دنبالِ آن عاملِ سوم بگرد، چون شایع‌ترینِ آن‌هاست.

💡 نکته: تنها راهِ محکمِ اثباتِ علیت، آزمایشِ کنترل‌شده است: خودت تعیین کنی چه کسی کدام حالت را بگیرد، تصادفی. اگر داده فقط مشاهده‌ای باشد، هر ادعای علّی احتیاط می‌خواهد.

🌱 ریشه‌اش کجاست: یادگیری ماشین همبستگی پیدا می‌کند، نه علیت — و این یکی از مهم‌ترین محدودیت‌هایش است. مدلی که یاد گرفته چتر با باران همبسته است، اگر ازش بپرسی «اگر چترها را جمع کنیم باران بند می‌آید؟» جوابِ درستی ندارد، چون هیچ‌وقت علیت را ندیده. این تفاوت، مرزِ بینِ پیش‌بینی و فهمیدن است.

۴. نمودارهای گمراه‌کننده#

سه ترفندِ رایج که همه با دادهٔ راست کار می‌کنند:

۱. محورِ عمودیِ بریده. اگر محور از صفر شروع نشود، تفاوتِ کوچک عظیم به‌نظر می‌رسد. تغییرِ ۲ درصدی می‌تواند شبیهِ دو برابر شدن دیده شود.

۲. مقیاسِ کشیده یا فشرده. همان داده با محورِ افقیِ فشرده، یک انفجار به‌نظر می‌رسد؛ با محورِ کشیده، یک تغییرِ آرام.

۳. انتخابِ بازهٔ زمانی. اگر داده‌ای در ده سال نزولی و در شش ماهِ آخر صعودی بوده، نشان‌دادنِ همان شش ماه دروغ نیست — ولی حقیقت هم نیست.

⚠️ دامِ رایج: نگاه‌کردن به شکلِ خط قبل از خواندنِ محورها. همان عادتی که در ترم ۴ فصل ۲ گرفتی، اینجا محافظِ اصلی توست: اول محورها، بعد شکل.

✅ چک کن: نموداری نشان می‌دهد فروش «دو برابر» شده، ولی محورِ عمودی از ۹۸ تا ۱۰۲ است. واقعاً چه اتفاقی افتاده؟ — مثلاً از ۱۰۰ به ۱۰۲، یعنی حدودِ ۲ درصد رشد. ستون دو برابر شده، نه فروش.

۵. سه سؤال برای هر ادعای آماری#

این را از ترم ۲ فصل ۹ داری، حالا کامل‌تر:

۱. چه کسانی سنجیده شدند و چطور انتخاب شدند؟ بدونِ این، عدد بی‌معنی است.

۲. با چه چیزی مقایسه شده؟ «۷۰ درصد بهبود» بدونِ گروهِ مقایسه هیچ نمی‌گوید.

۳. چه چیزی گفته نشده؟ اندازهٔ نمونه، بازهٔ خطا، مطالعاتی که نتیجهٔ دیگری گرفتند.

💡 نکته: بندِ سومِ ترم ۵ فصل ۸ را به‌یاد بیاور: هر اندازه‌گیری خطا دارد. یک نتیجهٔ آماریِ بدونِ بازهٔ خطا، مثلِ گفتنِ «ارتفاعِ برج ۲۸٫۹۳۷۲۵۱ متر» است — دقتی ادعا می‌کند که وجود نداشته.

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

فصلِ آخرِ ترم پروژه است: یک ادعای آماریِ واقعی را برمی‌داری و کاملاً محاکمه‌اش می‌کنی — با همهٔ ابزارهایی که در این ترم گرفتی. ادامهٔ همان پروژهٔ ترم ۲، ولی این بار با ابزارِ بسیار بیشتر.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.