发布时间:2023-03-20 20:50:01源自:https://www.it-th.com作者 :it谈话网阅读(329)
1、辛普森悖论
2、大数定律
3、小数陷阱
4、墨菲定律
5、幸存者偏差
6、帕累托法则
7、马太效应
8、正太分布
9、拉普拉斯分布
10、德克萨斯神枪手谬误
11、因果倒置
12、柏克松悖论
比如这个表中,两分球和三分球投中率都比球员A高的球员 B,整体的命中率反比球员A低。
随机抛硬币,出现正面和反面的概率均为 50%,也就是一半正面一半反面。
但如果你抛10次,可能7次正面3次反面,或者8次正面2次反面,并不是5次正面5次反面。
只有你当你抛几千次、几万次时,正面和反面的概率,才趋近于50%。
,是错误的。
每次开大还是开小,是独立且随机的,并不是前面都是“大”,后面开“小”的概率就会高。
大数定律里面,最重要的是“大数”,也就是说你得出现足够多的次数,才能够趋近于它的期望概率。一般的赌徒都没有赌到足够多的时候就已经输成穷光蛋了。
,一般的赌博机都会被设计成为 51% 比 49% 的这种预期概率,赌场其实只赢 2%,而你却会输 100%。
紧急赶时间,恰好每个路口都遇到红灯。
上班时工作较少,下班时恰好来活。
不打车时街上到处都是空出租车,但等你需要打车时发现全是满员的。
...
顺利的事情,不会令人记忆深刻,只有那些让人感到愤怒、挫败和痛苦的记忆,最难磨灭。
如果用,
幸存者偏差这个概念来,战争中,战机机身上几乎所有地方都可能中弹,因此需要用统计学研究战机被击中的部位,从而确定哪个部分需要额外加强装甲。
人们对返航的战机进行弹痕分析后发现,飞机机翼和尾部被打穿的弹孔较多,由此得出应该是加强机翼的装甲防护会更好。
但对返航的飞机样本来说,其实是说明即使机翼中弹,飞机也有很大的几率能够返航。对于那些弹孔不多的部位来说(比如驾驶舱、油箱和机尾),当这些部位中弹的时候,飞机很可能连飞回来的机会都没有了,而这并没有统计出来,这就是所谓的。
这个法则诞生于帕累托的花园。有一天帕累托偶然发现,自己园子里绝大部分的豌豆是由园子里极少部分豌豆荚产生。
这样的规律其实无处不在。
语言中常用词只有500-1000个,剩余的更多词汇使用很少。
...
病毒、树种和语言其实都有一个共性——传播性。比如在亚马逊雨林里,两株植物长在了一块,那么每天这两株植物就要为阳光和土壤中的养分去竞争。如果其中一株能比另外一株植物每天稍微长快一点,那么它就能长得更高,从而获得更多的阳光、吸收更多的养分。如果每天都有这些额外的能量,这株植物就更加有能力把种子给传播出去,然后复制这种模式。一直持续下去,这种植物就会积累出得天独厚的优势。
马太效应来源于圣经《新约·马太福音》,文中是这样描述的:“ 凡有的,还要加给他,叫他多余。没有的,连他所有的也要夺过来 ”。
比如电商平台,用户越多,入驻的商家就越多商家越多,提供的商品越丰富,用户就越多。原来属于小电商平台的用户和商家,都都会逐步来来到大的电商平台。
:“如果一个量是由许多微小的独立随机因素影响的结果,那么就可以认为这个量具有正态分布”。听完这个定义,是不是有点懵,拿个示例来说。
比如我们知道中国人的平均身高大概是 1 米 7,那么实际上我们随机找 100 个人,把每个区间的身高累个计数画出来一个直方图,它就会是一个正态曲线。
比如说房价,理论上房价应该和人的身高一样,在某一个地区有一个均价,并且整体的房价和身高是一样呈正态分布。但为什么在某一个区域可能就隔了一条街,房价却翻了好几倍,而且数量也不少?
当年在美国西部得克萨斯州发现一个神枪手,他经常在各地的民居的墙上练习射击,几乎他所有的弹孔都集中在十环左右这个中心的区域。他已经成为了神话,人们一直在寻找他。
但是当人们真的找到了这个神枪手后,发现他自己打枪其实一点都不准,也不敢跟其他人去决斗。
那他墙上的这些靶子和枪手点是怎么形成的呢?原来他是先朝墙上开很多枪,然后在弹孔最密集的地方画上了十环的靶子,再把散布在其它地方的弹孔用原来的泥土补起来。这样看上去,他每个地方打的靶子都很准确,因为先有弹孔,再有靶子。
这就是德克萨斯神枪手谬误。
,当你看到一个数据散点报告的时候,你一定要看清背后所蕴含的实际数据是不是涵盖了所有的数据,还是只给你看了最有这种数据规律的数据。前者就像先有靶子来瞄准再去射击,后者就好比先射击完最后再画上靶子,这样结果会完全不同。
但是实际的应用当中,我们往往会忽略这个逻辑。
比如,我们在一些医学统计上会看到说不吃早饭会导致人肥胖,甚至还有大量的统计数据表明这些肥胖的人都没有吃早饭。
问题是,数据的确是同步发生的,但是不代表这些数据之间有因果关系。而且有可能会出现因果倒置——肥胖的人胖所以早上不饿,所以他不吃早饭。而比较瘦的人自身代谢比较快,晚上消耗多,早上就会比较饿,所以他要吃早饭。
听上去是不是有点拗口?没关系,我们看个例子。
。在 1898 年“美西战争” 期间,美国海军的死亡率是 9%,而同期纽约市市民的死亡率为 16%。后来海军征兵部门就拿这个数据跟大家讲,待在部队里其实比大家待在家中更加安全。
这逻辑肯定是错误的,但错误不在具体数据,而是
因为海军的主要是年轻人,他们身强体壮、不会出现太多身体疾病而纽约市民里面包含了新出生的婴儿、老年人、病人等等,这些人无论放在哪里,他的死亡率都会高于普通人。
这是数据分析中非常常见的几个理论,也能用来解释生活中诸多现象。
-END-
欢迎分享转载→ 收藏!看懂这12个日常数据理论,你也能一眼看透事物本质