Stat Diary
Photo
📜 پست شماره ۹: غول آمار مدرن
🏷️ موضوع: رونالد فیشر (۱۸۹۰–۱۹۶۲) – بزرگترین آماردان تاریخ
---
🌟 مقدمه: مردی که آمار را بازتعریف کرد
اگر بخواهیم فقط یک نام را بهعنوان یکی از بزرگترین آماردانان تاریخ معرفی کنیم، رونالد فیشر بدون تردید یکی از مهمترین گزینههاست. 👑📊
فیشر در لندن 🇬🇧 به دنیا آمد. در دانشگاه کمبریج 🎓 ریاضیات خواند و سپس به ایستگاه کشاورزی روتامستد 🌱 پیوست.
همانجا بود که انقلابی بزرگ در علم آمار به پا کرد. 💥📈
او در طول زندگی خود بیش از ۳۰۰ مقاله 📝 و چندین کتاب بنیادین 📚 منتشر کرد.
دستاوردهای او آنقدر گستردهاند که فهرست کردن همه آنها در یک پست تقریباً غیرممکن است! ‼️
---
📊 دستاوردهای فیشر: فهرستی از انقلابها
1️⃣ تحلیل واریانس (ANOVA)
📊 ابزاری برای مقایسه میانگین چند گروه که امروزه در بسیاری از آزمایشهای علمی و پژوهشی استفاده میشود. 🧪🔬
---
2️⃣ روش درستنمایی بیشینه (Maximum Likelihood)
🎯 روشی قدرتمند برای تخمین پارامترهای مدلهای آماری که پایه بسیاری از روشهای آماری مدرن است.
---
3️⃣ طرح آزمایشها (Design of Experiments)
🧪 فیشر اصولی را برای طراحی آزمایشها توسعه داد تا بتوانیم با کمترین هزینه و منابع، بیشترین اطلاعات را به دست آوریم. 💡📊
سه مفهوم کلیدی در این زمینه عبارتاند از:
- 🎲 تصادفیسازی (Randomization)
- 🔄 تکرار (Replication)
- 🧱 بلوکبندی (Blocking)
این ایدهها هنوز هم ستونهای اصلی طراحی آزمایشهای علمی هستند. 🔬
---
4️⃣ اطلاعات فیشر (Fisher Information)
📐 فیشر مفهوم اطلاعات فیشر را ابداع کرد؛ مفهومی که به ما میگوید یک نمونه داده تا چه اندازه درباره یک پارامتر ناشناخته اطلاعات در اختیارمان قرار میدهد. 🔍📊
این مفهوم بعدها در نظریه تخمین و بسیاری از معیارهای آماری مدرن نقش اساسی پیدا کرد.
---
5️⃣ آزمونهای فرضیه و p-value
📈 فیشر مفاهیم p-value و اهمیت آماری را به شکل مدرن توسعه داد.
البته بعدها با جرزی نیمن بر سر تفسیر این مفاهیم اختلاف جدی پیدا کرد. ⚔️
---
📚 کتابهای بنیادین فیشر
فیشر سه کتاب مهم نوشت که هرکدام تأثیر بزرگی بر علم داشتند:
1️⃣ «روشهای آماری برای محققان» – ۱۹۲۵
📖 این کتاب برای نسلها یکی از منابع اصلی یادگیری آمار برای پژوهشگران علوم تجربی بود.
فیشر در آن نشان داد چگونه میتوان آمار را در آزمایشهای علمی به کار گرفت. 🧪📊
---
2️⃣ «نظریه ژنتیک جمعیت» – ۱۹۳۰
🧬 فیشر نشان داد چگونه میتوان از ریاضیات و آمار برای درک بهتر تکامل استفاده کرد.
او تلاش کرد میان داروینیسم 🦎 و مندلیسم 🧬 پیوند برقرار کند.
---
3️⃣ «طرح آزمایشها» – ۱۹۳۵
🧪📐 کتابی که اصول طراحی آزمایشهای علمی را برای همیشه تحت تأثیر قرار داد.
---
🕵️ شخصیت فیشر: نابغهای جنجالی
فیشر نابغهای با شخصیتی پیچیده و گاهی بسیار جنجالی بود. 🧠⚡
او:
- ⚔️ با کارل پیرسون دشمنی علمی شدیدی داشت و سالها بر سر روشهای آماری با یکدیگر اختلاف داشتند.
- 📐 با جرزی نیمن نیز اختلاف نظر داشت؛ نیمن مفهوم فاصله اطمینان را توسعه داد، اما فیشر چارچوب او را نمیپذیرفت.
- 🚫 مخالف سرسخت آمار بیزی بود و با تفسیر بیزی از احتمال مخالفت داشت.
- ⚠️ از اوجنیکس حمایت میکرد؛ بخشی تاریک از میراث فکری او که امروزه از نظر علمی و اخلاقی مردود است.
این بخش از زندگی فیشر نشان میدهد که نبوغ علمی، الزاماً به معنای درست بودن تمام دیدگاههای یک دانشمند نیست. ⚖️
فیشر در ۷۲ سالگی در استرالیا 🇦🇺 درگذشت. 🕯️
---
🔥 جنجال p-value
یکی از بحثبرانگیزترین میراث فیشر، مفهوم p-value است.
فیشر از مقدار ۰٫۰۵ بهعنوان یک معیار عملی برای قضاوت درباره شواهد آماری استفاده کرد، اما نکته مهم این است که او قصد نداشت این عدد به یک خط قرمز مطلق تبدیل شود. 👀
در نگاه فیشر:
«💡 «معنیداری آماری» یک مرز کاملاً قطعی و مکانیکی نیست.»
اما در پژوهشهای امروزی، گاهی تنها چیزی که بررسی میشود این است:
🎯 آیا p < 0.05 است یا نه؟
این استفاده مکانیکی از p-value میتواند باعث شود پژوهشگران به جای توجه به اندازه اثر، عدمقطعیت و اهمیت واقعی نتایج، فقط به دنبال یک عدد کوچک باشند. 📉
این مسئله یکی از عوامل بحث درباره بحران تکرارپذیری (Replication Crisis) در علم مدرن است. 🔄🔬
---
🏆 میراث فیشر
اگرچه برخی دیدگاههای فیشر امروز مورد نقد قرار گرفتهاند، میراث علمی او همچنان عظیم است.
از ANOVA 📊 و Maximum Likelihood 🎯 گرفته تا Design of Experiments 🧪، Fisher Information 🔍 و روشهای استنباط آماری، بسیاری از ابزارهایی که پژوهشگران امروز استفاده میکنند، به کارهای او مرتبطاند.
به همین دلیل، نام فیشر در تاریخ آمار مدرن جایگاهی ویژه دارد. 🏛️📚
---
📬 ارتباط با پست بعدی
🏷️ موضوع: رونالد فیشر (۱۸۹۰–۱۹۶۲) – بزرگترین آماردان تاریخ
---
🌟 مقدمه: مردی که آمار را بازتعریف کرد
اگر بخواهیم فقط یک نام را بهعنوان یکی از بزرگترین آماردانان تاریخ معرفی کنیم، رونالد فیشر بدون تردید یکی از مهمترین گزینههاست. 👑📊
فیشر در لندن 🇬🇧 به دنیا آمد. در دانشگاه کمبریج 🎓 ریاضیات خواند و سپس به ایستگاه کشاورزی روتامستد 🌱 پیوست.
همانجا بود که انقلابی بزرگ در علم آمار به پا کرد. 💥📈
او در طول زندگی خود بیش از ۳۰۰ مقاله 📝 و چندین کتاب بنیادین 📚 منتشر کرد.
دستاوردهای او آنقدر گستردهاند که فهرست کردن همه آنها در یک پست تقریباً غیرممکن است! ‼️
---
📊 دستاوردهای فیشر: فهرستی از انقلابها
1️⃣ تحلیل واریانس (ANOVA)
📊 ابزاری برای مقایسه میانگین چند گروه که امروزه در بسیاری از آزمایشهای علمی و پژوهشی استفاده میشود. 🧪🔬
---
2️⃣ روش درستنمایی بیشینه (Maximum Likelihood)
🎯 روشی قدرتمند برای تخمین پارامترهای مدلهای آماری که پایه بسیاری از روشهای آماری مدرن است.
---
3️⃣ طرح آزمایشها (Design of Experiments)
🧪 فیشر اصولی را برای طراحی آزمایشها توسعه داد تا بتوانیم با کمترین هزینه و منابع، بیشترین اطلاعات را به دست آوریم. 💡📊
سه مفهوم کلیدی در این زمینه عبارتاند از:
- 🎲 تصادفیسازی (Randomization)
- 🔄 تکرار (Replication)
- 🧱 بلوکبندی (Blocking)
این ایدهها هنوز هم ستونهای اصلی طراحی آزمایشهای علمی هستند. 🔬
---
4️⃣ اطلاعات فیشر (Fisher Information)
📐 فیشر مفهوم اطلاعات فیشر را ابداع کرد؛ مفهومی که به ما میگوید یک نمونه داده تا چه اندازه درباره یک پارامتر ناشناخته اطلاعات در اختیارمان قرار میدهد. 🔍📊
این مفهوم بعدها در نظریه تخمین و بسیاری از معیارهای آماری مدرن نقش اساسی پیدا کرد.
---
5️⃣ آزمونهای فرضیه و p-value
📈 فیشر مفاهیم p-value و اهمیت آماری را به شکل مدرن توسعه داد.
البته بعدها با جرزی نیمن بر سر تفسیر این مفاهیم اختلاف جدی پیدا کرد. ⚔️
---
📚 کتابهای بنیادین فیشر
فیشر سه کتاب مهم نوشت که هرکدام تأثیر بزرگی بر علم داشتند:
1️⃣ «روشهای آماری برای محققان» – ۱۹۲۵
📖 این کتاب برای نسلها یکی از منابع اصلی یادگیری آمار برای پژوهشگران علوم تجربی بود.
فیشر در آن نشان داد چگونه میتوان آمار را در آزمایشهای علمی به کار گرفت. 🧪📊
---
2️⃣ «نظریه ژنتیک جمعیت» – ۱۹۳۰
🧬 فیشر نشان داد چگونه میتوان از ریاضیات و آمار برای درک بهتر تکامل استفاده کرد.
او تلاش کرد میان داروینیسم 🦎 و مندلیسم 🧬 پیوند برقرار کند.
---
3️⃣ «طرح آزمایشها» – ۱۹۳۵
🧪📐 کتابی که اصول طراحی آزمایشهای علمی را برای همیشه تحت تأثیر قرار داد.
---
🕵️ شخصیت فیشر: نابغهای جنجالی
فیشر نابغهای با شخصیتی پیچیده و گاهی بسیار جنجالی بود. 🧠⚡
او:
- ⚔️ با کارل پیرسون دشمنی علمی شدیدی داشت و سالها بر سر روشهای آماری با یکدیگر اختلاف داشتند.
- 📐 با جرزی نیمن نیز اختلاف نظر داشت؛ نیمن مفهوم فاصله اطمینان را توسعه داد، اما فیشر چارچوب او را نمیپذیرفت.
- 🚫 مخالف سرسخت آمار بیزی بود و با تفسیر بیزی از احتمال مخالفت داشت.
- ⚠️ از اوجنیکس حمایت میکرد؛ بخشی تاریک از میراث فکری او که امروزه از نظر علمی و اخلاقی مردود است.
این بخش از زندگی فیشر نشان میدهد که نبوغ علمی، الزاماً به معنای درست بودن تمام دیدگاههای یک دانشمند نیست. ⚖️
فیشر در ۷۲ سالگی در استرالیا 🇦🇺 درگذشت. 🕯️
---
🔥 جنجال p-value
یکی از بحثبرانگیزترین میراث فیشر، مفهوم p-value است.
فیشر از مقدار ۰٫۰۵ بهعنوان یک معیار عملی برای قضاوت درباره شواهد آماری استفاده کرد، اما نکته مهم این است که او قصد نداشت این عدد به یک خط قرمز مطلق تبدیل شود. 👀
در نگاه فیشر:
«💡 «معنیداری آماری» یک مرز کاملاً قطعی و مکانیکی نیست.»
اما در پژوهشهای امروزی، گاهی تنها چیزی که بررسی میشود این است:
🎯 آیا p < 0.05 است یا نه؟
این استفاده مکانیکی از p-value میتواند باعث شود پژوهشگران به جای توجه به اندازه اثر، عدمقطعیت و اهمیت واقعی نتایج، فقط به دنبال یک عدد کوچک باشند. 📉
این مسئله یکی از عوامل بحث درباره بحران تکرارپذیری (Replication Crisis) در علم مدرن است. 🔄🔬
---
🏆 میراث فیشر
اگرچه برخی دیدگاههای فیشر امروز مورد نقد قرار گرفتهاند، میراث علمی او همچنان عظیم است.
از ANOVA 📊 و Maximum Likelihood 🎯 گرفته تا Design of Experiments 🧪، Fisher Information 🔍 و روشهای استنباط آماری، بسیاری از ابزارهایی که پژوهشگران امروز استفاده میکنند، به کارهای او مرتبطاند.
به همین دلیل، نام فیشر در تاریخ آمار مدرن جایگاهی ویژه دارد. 🏛️📚
---
📬 ارتباط با پست بعدی
Stat Diary
Photo
فیشر بخش بزرگی از آمار مدرن را بنا نهاد. 🏗️📊
اما هنوز یک سؤال مهم باقی مانده بود:
«🤔 چگونه میتوان با استفاده از یک نمونه، محدودهای برای یک پارامتر ناشناخته تعیین کرد؟»
این گام را دو دانشمند بزرگ برداشتند:
👨🔬 جرزی نیمن
👨🔬 اگون پیرسون، پسر کارل پیرسون
آنها چارچوب مهمی برای آزمون فرضیه و فاصله اطمینان توسعه دادند و مسیر آمار استنباطی را وارد مرحله تازهای کردند. 📈🔬
🔜 در پست بعدی، داستان تکمیلکنندگان کار فیشر را میخوانیم.
#️⃣ #قسمت_نهم
#️⃣ #مردانی_که_آمار_را_ساختند
اما هنوز یک سؤال مهم باقی مانده بود:
«🤔 چگونه میتوان با استفاده از یک نمونه، محدودهای برای یک پارامتر ناشناخته تعیین کرد؟»
این گام را دو دانشمند بزرگ برداشتند:
👨🔬 جرزی نیمن
👨🔬 اگون پیرسون، پسر کارل پیرسون
آنها چارچوب مهمی برای آزمون فرضیه و فاصله اطمینان توسعه دادند و مسیر آمار استنباطی را وارد مرحله تازهای کردند. 📈🔬
🔜 در پست بعدی، داستان تکمیلکنندگان کار فیشر را میخوانیم.
#️⃣ #قسمت_نهم
#️⃣ #مردانی_که_آمار_را_ساختند
Stat Diary
Photo
📜 پست شماره ۱۰: زوجی که آمار را کامل کردند
🏷️ موضوع: جرزی نیمن (۱۸۹۴–۱۹۸۱) و اگون پیرسون (۱۸۹۵–۱۹۸۰) – پدران آمار استنباطی مدرن
---
🌟 مقدمه: دو دانشمندی که آمار را متحول کردند
جرزی نیمن، ریاضیدانی لهستانی 🇵🇱، و اگون پیرسون، پسر کارل پیرسون، در دهه ۱۹۲۰ در لندن 🇬🇧 با یکدیگر آشنا شدند.
آنها با همکاری یکدیگر، نظریه آزمون فرضیه را به شکل مدرن آن توسعه دادند. 🔬📊
در حالی که رونالد فیشر مفهوم p-value را توسعه داده بود، نیمن و پیرسون رویکرد دیگری برای تصمیمگیری آماری ارائه کردند:
🤔 اگر بخواهیم درباره یک فرض آماری تصمیم بگیریم، باید بدانیم چه نوع خطاهایی ممکن است مرتکب شویم.
و اینجا بود که دو مفهوم بسیار مهم وارد تاریخ آمار شدند:
⚠️ خطای نوع اول و خطای نوع دوم
---
📌 خطای نوع اول و نوع دوم
نیمن و پیرسون چارچوب دقیقی برای دو نوع خطای اصلی در آزمون فرضیه ارائه کردند:
- ❌ خطای نوع اول (Type I Error): رد کردن فرض صفر، در حالی که فرض صفر در واقع درست است. (α)
- ⚠️ خطای نوع دوم (Type II Error): رد نکردن فرض صفر، در حالی که فرض مقابل درست است. (β)
آنها نشان دادند که:
⚖️ بین این دو خطا یک تعادل (Trade-off) وجود دارد.
📉 کاهش احتمال یک خطا، معمولاً میتواند احتمال خطای دیگر را افزایش دهد.
🎯 بنابراین، یکی از اهداف طراحی یک آزمون خوب این است که برای یک مقدار مشخص از α، احتمال خطای نوع دوم (β) را تا حد امکان کاهش دهد؛ یعنی توان آزمون (Power) را افزایش دهد. 💪📊
این چارچوب امروز یکی از پایههای اصلی آزمونهای فرضیه در علوم مختلف است. 🔬🧪
---
📏 فاصله اطمینان (Confidence Interval)
یکی دیگر از دستاوردهای مهم نیمن، توسعه چارچوب فاصله اطمینان بود. 📐
ایده اصلی ساده اما بسیار قدرتمند است:
به جای اینکه فقط یک عدد را بهعنوان تخمین پارامتر ناشناخته ارائه کنیم، میتوانیم یک بازه برای آن تعیین کنیم. 📊↔️
برای مثال، یک فاصله اطمینان ۹۵٪ میتواند بهصورت یک بازه گزارش شود.
اما یک نکته مهم وجود دارد! 👀
تفسیر دقیق ۹۵٪ این نیست که «پارامتر واقعی با احتمال ۹۵٪ داخل این بازه قرار دارد».
بلکه اگر نمونهگیری را بارها تکرار کنیم و هر بار فاصله اطمینان را با همان روش بسازیم، در بلندمدت حدود ۹۵٪ از این فاصلهها پارامتر واقعی را پوشش خواهند داد. 🎯📈
امروزه فاصلههای اطمینان در تقریباً تمام گزارشهای آماری استفاده میشوند. 🩺📊💼
---
⚔️ دشمنی با فیشر
اما داستان به این سادگی نبود...
کار نیمن و پیرسون با مخالفت شدید رونالد فیشر مواجه شد. 🤨⚔️
فیشر معتقد بود رویکرد نیمن و پیرسون بیش از حد مکانیکی و تصمیممحور است و با فلسفه استنباط آماری او تفاوت دارد.
او بهشدت از روشهای آنها انتقاد میکرد و اختلاف آنها درباره موضوعاتی مانند:
- 📊 آزمون فرضیه
- 📏 فاصله اطمینان
- 🎯 p-value
- 🔬 روش صحیح استنباط آماری
سالها ادامه داشت.
این رقابت یکی از مشهورترین مناقشات تاریخ آمار است. 📜⚔️
اما جالب اینجاست که امروز، دانشجویان و پژوهشگران از هر دو سنت فکری استفاده میکنند.
✨ فیشر، نیمن و پیرسون، هرکدام بخشی از زبان آمار مدرن را ساختند.
---
🇵🇱➡️🇺🇸 شخصیت نیمن: از لهستان تا برکلی
جرزی نیمن در لهستان 🇵🇱 متولد شد.
او در ورشو ریاضیات خواند ➗ و سپس برای ادامه فعالیت علمی به انگلستان 🇬🇧 رفت.
پس از جنگ جهانی دوم، راهی ایالات متحده 🇺🇸 شد و به دانشگاه کالیفرنیا، برکلی پیوست.
او در برکلی یک مرکز قدرتمند برای آموزش و پژوهش آماری ایجاد کرد 🏛️📊 و نسلهای متعددی از آماردانان را تربیت کرد. 👨🎓👩🎓
نیمن در ۸۷ سالگی درگذشت. 🕯️
اما ایدههایش همچنان در قلب آمار استنباطی زندهاند. 📚❤️
---
👨👦 شخصیت اگون پیرسون: پسر پدر
اگون پیرسون، پسر کارل پیرسون بود. 👨👦
اما برخلاف پدرش، شخصیتی معتدلتر و اهل همکاری داشت. 🤝
او:
- 🧠 با نیمن همکاری علمی بسیار نزدیکی داشت.
- ⚔️ با فیشر روابط پرتنشی داشت؛ بخشی از این اختلاف نیز به رقابت قدیمی فیشر با پدرش مربوط میشد.
- 🗞️ پس از مرگ پدرش، مسئولیت ویرایش مجله Biometrika را بر عهده گرفت.
- 📚 بخش مهمی از عمر خود را صرف توسعه و گسترش روشهای آماری کرد.
اگون پیرسون در ۸۵ سالگی درگذشت. 🕯️
او و نیمن هر دو عمر طولانی داشتند و شاهد بودند که ایدههایشان به تدریج وارد جریان اصلی علم آمار میشود. 🎯📊
---
🏁 پایان یک سفر؛ اما نه پایان داستان
و اینجا به پایان سفر خود در تاریخ آمار میرسیم... 📜
از لایبنیتس که واژه «آمار» را وارد ادبیات علمی کرد 🏛️
تا بیز که راهی برای بهروزرسانی باورها با شواهد ارائه داد 🔍
از کوتله که آمار را وارد مطالعه جامعه کرد 👥
تا گالتون که همبستگی و رگرسیون را به وجود آورد 📈
از پیرسون که آمار را به یک رشته علمی منسجم تبدیل کرد 🧮
🏷️ موضوع: جرزی نیمن (۱۸۹۴–۱۹۸۱) و اگون پیرسون (۱۸۹۵–۱۹۸۰) – پدران آمار استنباطی مدرن
---
🌟 مقدمه: دو دانشمندی که آمار را متحول کردند
جرزی نیمن، ریاضیدانی لهستانی 🇵🇱، و اگون پیرسون، پسر کارل پیرسون، در دهه ۱۹۲۰ در لندن 🇬🇧 با یکدیگر آشنا شدند.
آنها با همکاری یکدیگر، نظریه آزمون فرضیه را به شکل مدرن آن توسعه دادند. 🔬📊
در حالی که رونالد فیشر مفهوم p-value را توسعه داده بود، نیمن و پیرسون رویکرد دیگری برای تصمیمگیری آماری ارائه کردند:
🤔 اگر بخواهیم درباره یک فرض آماری تصمیم بگیریم، باید بدانیم چه نوع خطاهایی ممکن است مرتکب شویم.
و اینجا بود که دو مفهوم بسیار مهم وارد تاریخ آمار شدند:
⚠️ خطای نوع اول و خطای نوع دوم
---
📌 خطای نوع اول و نوع دوم
نیمن و پیرسون چارچوب دقیقی برای دو نوع خطای اصلی در آزمون فرضیه ارائه کردند:
- ❌ خطای نوع اول (Type I Error): رد کردن فرض صفر، در حالی که فرض صفر در واقع درست است. (α)
- ⚠️ خطای نوع دوم (Type II Error): رد نکردن فرض صفر، در حالی که فرض مقابل درست است. (β)
آنها نشان دادند که:
⚖️ بین این دو خطا یک تعادل (Trade-off) وجود دارد.
📉 کاهش احتمال یک خطا، معمولاً میتواند احتمال خطای دیگر را افزایش دهد.
🎯 بنابراین، یکی از اهداف طراحی یک آزمون خوب این است که برای یک مقدار مشخص از α، احتمال خطای نوع دوم (β) را تا حد امکان کاهش دهد؛ یعنی توان آزمون (Power) را افزایش دهد. 💪📊
این چارچوب امروز یکی از پایههای اصلی آزمونهای فرضیه در علوم مختلف است. 🔬🧪
---
📏 فاصله اطمینان (Confidence Interval)
یکی دیگر از دستاوردهای مهم نیمن، توسعه چارچوب فاصله اطمینان بود. 📐
ایده اصلی ساده اما بسیار قدرتمند است:
به جای اینکه فقط یک عدد را بهعنوان تخمین پارامتر ناشناخته ارائه کنیم، میتوانیم یک بازه برای آن تعیین کنیم. 📊↔️
برای مثال، یک فاصله اطمینان ۹۵٪ میتواند بهصورت یک بازه گزارش شود.
اما یک نکته مهم وجود دارد! 👀
تفسیر دقیق ۹۵٪ این نیست که «پارامتر واقعی با احتمال ۹۵٪ داخل این بازه قرار دارد».
بلکه اگر نمونهگیری را بارها تکرار کنیم و هر بار فاصله اطمینان را با همان روش بسازیم، در بلندمدت حدود ۹۵٪ از این فاصلهها پارامتر واقعی را پوشش خواهند داد. 🎯📈
امروزه فاصلههای اطمینان در تقریباً تمام گزارشهای آماری استفاده میشوند. 🩺📊💼
---
⚔️ دشمنی با فیشر
اما داستان به این سادگی نبود...
کار نیمن و پیرسون با مخالفت شدید رونالد فیشر مواجه شد. 🤨⚔️
فیشر معتقد بود رویکرد نیمن و پیرسون بیش از حد مکانیکی و تصمیممحور است و با فلسفه استنباط آماری او تفاوت دارد.
او بهشدت از روشهای آنها انتقاد میکرد و اختلاف آنها درباره موضوعاتی مانند:
- 📊 آزمون فرضیه
- 📏 فاصله اطمینان
- 🎯 p-value
- 🔬 روش صحیح استنباط آماری
سالها ادامه داشت.
این رقابت یکی از مشهورترین مناقشات تاریخ آمار است. 📜⚔️
اما جالب اینجاست که امروز، دانشجویان و پژوهشگران از هر دو سنت فکری استفاده میکنند.
✨ فیشر، نیمن و پیرسون، هرکدام بخشی از زبان آمار مدرن را ساختند.
---
🇵🇱➡️🇺🇸 شخصیت نیمن: از لهستان تا برکلی
جرزی نیمن در لهستان 🇵🇱 متولد شد.
او در ورشو ریاضیات خواند ➗ و سپس برای ادامه فعالیت علمی به انگلستان 🇬🇧 رفت.
پس از جنگ جهانی دوم، راهی ایالات متحده 🇺🇸 شد و به دانشگاه کالیفرنیا، برکلی پیوست.
او در برکلی یک مرکز قدرتمند برای آموزش و پژوهش آماری ایجاد کرد 🏛️📊 و نسلهای متعددی از آماردانان را تربیت کرد. 👨🎓👩🎓
نیمن در ۸۷ سالگی درگذشت. 🕯️
اما ایدههایش همچنان در قلب آمار استنباطی زندهاند. 📚❤️
---
👨👦 شخصیت اگون پیرسون: پسر پدر
اگون پیرسون، پسر کارل پیرسون بود. 👨👦
اما برخلاف پدرش، شخصیتی معتدلتر و اهل همکاری داشت. 🤝
او:
- 🧠 با نیمن همکاری علمی بسیار نزدیکی داشت.
- ⚔️ با فیشر روابط پرتنشی داشت؛ بخشی از این اختلاف نیز به رقابت قدیمی فیشر با پدرش مربوط میشد.
- 🗞️ پس از مرگ پدرش، مسئولیت ویرایش مجله Biometrika را بر عهده گرفت.
- 📚 بخش مهمی از عمر خود را صرف توسعه و گسترش روشهای آماری کرد.
اگون پیرسون در ۸۵ سالگی درگذشت. 🕯️
او و نیمن هر دو عمر طولانی داشتند و شاهد بودند که ایدههایشان به تدریج وارد جریان اصلی علم آمار میشود. 🎯📊
---
🏁 پایان یک سفر؛ اما نه پایان داستان
و اینجا به پایان سفر خود در تاریخ آمار میرسیم... 📜
از لایبنیتس که واژه «آمار» را وارد ادبیات علمی کرد 🏛️
تا بیز که راهی برای بهروزرسانی باورها با شواهد ارائه داد 🔍
از کوتله که آمار را وارد مطالعه جامعه کرد 👥
تا گالتون که همبستگی و رگرسیون را به وجود آورد 📈
از پیرسون که آمار را به یک رشته علمی منسجم تبدیل کرد 🧮
Stat Diary
Photo
تا گاست که یک مشکل در کارخانه آبجو را به آزمون t تبدیل کرد 🍺🧪
و سپس فیشر، نیمن و اگون پیرسون که پایههای آمار استنباطی مدرن را بنا کردند. 🏗️📊
✨ امروز هر بار که یک نمودار میبینیم، یک آزمون آماری انجام میدهیم، یک فاصله اطمینان گزارش میکنیم یا درباره دادهها تصمیم میگیریم، بخشی از این میراث تاریخی را به کار میگیریم.
📊 آمار فقط مجموعهای از فرمولها نیست؛ داستان تلاش انسان برای فهمیدن جهان از میان دادههاست. 🌍🔬
❤️ و این داستان، با این ده نفر تمام نمیشود...
چون بعد از آنها، هزاران دانشمند دیگر آمدند و آمار را به پزشکی 🩺، اقتصاد 💰، روانشناسی 🧠، مهندسی ⚙️، علوم اجتماعی 👥 و در نهایت به هوش مصنوعی و علم داده 🤖📊 رساندند.
🔚 پایان سری اول: مردانی که آمار را ساختند
#️⃣ #قسمت_دهم
#️⃣ #قسمت_آخر
#️⃣ #مردانی_که_آمار_را_ساختند
و سپس فیشر، نیمن و اگون پیرسون که پایههای آمار استنباطی مدرن را بنا کردند. 🏗️📊
✨ امروز هر بار که یک نمودار میبینیم، یک آزمون آماری انجام میدهیم، یک فاصله اطمینان گزارش میکنیم یا درباره دادهها تصمیم میگیریم، بخشی از این میراث تاریخی را به کار میگیریم.
📊 آمار فقط مجموعهای از فرمولها نیست؛ داستان تلاش انسان برای فهمیدن جهان از میان دادههاست. 🌍🔬
❤️ و این داستان، با این ده نفر تمام نمیشود...
چون بعد از آنها، هزاران دانشمند دیگر آمدند و آمار را به پزشکی 🩺، اقتصاد 💰، روانشناسی 🧠، مهندسی ⚙️، علوم اجتماعی 👥 و در نهایت به هوش مصنوعی و علم داده 🤖📊 رساندند.
🔚 پایان سری اول: مردانی که آمار را ساختند
#️⃣ #قسمت_دهم
#️⃣ #قسمت_آخر
#️⃣ #مردانی_که_آمار_را_ساختند
Stat Diary
Photo
🎯 این کتابها را جدی بگیرید!
اگر میخواهی در آمار فقط فرمول حفظ نکنی و واقعاً طرز فکر آماری پیدا کنی، انتخاب منبع خیلی مهمه.
سه کتاب زیر میتونن مسیر یادگیریت رو خیلی قویتر کنن 👇
📘 1. Introduction to Statistical Learning (ISLR)
✍️ James, Witten, Hastie & Tibshirani
اگر به یادگیری ماشین، دادهکاوی و مدلسازی علاقه داری، از این کتاب شروع کن.
زبان کتاب نسبتاً روانه و مثالهای کاربردی زیادی داره. 🎯
📊 2. Statistical Inference — Casella & Berger
اگر میخواهی استنباط آماری رو واقعاً عمیق یاد بگیری، این کتاب یکی از منابع کلاسیک و جدی این حوزه است.
البته آسون نیست! 😅
اما اگر باهاش جلو بری، پایهی ریاضی و آماری خیلی محکمی پیدا میکنی. 🧠
💻 3. The Elements of Statistical Learning (ESL)
برای زمانی که میخواهی وارد سطح پیشرفتهتر یادگیری آماری و ماشین بشی.
این کتاب عمیقتر و ریاضیتره و بیشتر برای کسی مناسبه که پایهی خوبی در آمار و ریاضیات پیدا کرده. 🚀
💡 یک نکته مهم:
هیچکدوم از این کتابها رو قرار نیست یکشبه بخونی!
مثل ورزشه؛ اگر هر روز حتی چند صفحه بخونی و همزمان با R یا Python تمرین کنی، کمکم مفاهیم از حالت تئوری خارج میشن و تبدیل به مهارت واقعی میشن. 🐍📈
🎁 و اما یک چالش کوچک...
فرض کن در یک مسابقه تلویزیونی هستی! 📺
سه در جلوی توست:
🚪 در شماره ۱ → یک ماشین 🚗
🚪 دو در دیگر → بز 🐐🐐
تو در شماره ۱ را انتخاب میکنی.
مجری که میداند پشت هر در چیست، یکی از دو در دیگر را باز میکند و نشان میدهد پشت آن بز است.
حالا میگوید:
🔄 «میخواهی انتخابت را عوض کنی و درِ باقیمانده را انتخاب کنی؟»
❓ به نظرت بهتره درت رو عوض کنی یا نه؟
قبل از اینکه جواب رو ببینی، خودت فکر کن! 🧠🔥
#آمار #یادگیری_ماشین #کتاب #StatisticalLearning #Statistics #Python #R
اگر میخواهی در آمار فقط فرمول حفظ نکنی و واقعاً طرز فکر آماری پیدا کنی، انتخاب منبع خیلی مهمه.
سه کتاب زیر میتونن مسیر یادگیریت رو خیلی قویتر کنن 👇
📘 1. Introduction to Statistical Learning (ISLR)
✍️ James, Witten, Hastie & Tibshirani
اگر به یادگیری ماشین، دادهکاوی و مدلسازی علاقه داری، از این کتاب شروع کن.
زبان کتاب نسبتاً روانه و مثالهای کاربردی زیادی داره. 🎯
📊 2. Statistical Inference — Casella & Berger
اگر میخواهی استنباط آماری رو واقعاً عمیق یاد بگیری، این کتاب یکی از منابع کلاسیک و جدی این حوزه است.
البته آسون نیست! 😅
اما اگر باهاش جلو بری، پایهی ریاضی و آماری خیلی محکمی پیدا میکنی. 🧠
💻 3. The Elements of Statistical Learning (ESL)
برای زمانی که میخواهی وارد سطح پیشرفتهتر یادگیری آماری و ماشین بشی.
این کتاب عمیقتر و ریاضیتره و بیشتر برای کسی مناسبه که پایهی خوبی در آمار و ریاضیات پیدا کرده. 🚀
💡 یک نکته مهم:
هیچکدوم از این کتابها رو قرار نیست یکشبه بخونی!
مثل ورزشه؛ اگر هر روز حتی چند صفحه بخونی و همزمان با R یا Python تمرین کنی، کمکم مفاهیم از حالت تئوری خارج میشن و تبدیل به مهارت واقعی میشن. 🐍📈
🎁 و اما یک چالش کوچک...
فرض کن در یک مسابقه تلویزیونی هستی! 📺
سه در جلوی توست:
🚪 در شماره ۱ → یک ماشین 🚗
🚪 دو در دیگر → بز 🐐🐐
تو در شماره ۱ را انتخاب میکنی.
مجری که میداند پشت هر در چیست، یکی از دو در دیگر را باز میکند و نشان میدهد پشت آن بز است.
حالا میگوید:
🔄 «میخواهی انتخابت را عوض کنی و درِ باقیمانده را انتخاب کنی؟»
❓ به نظرت بهتره درت رو عوض کنی یا نه؟
قبل از اینکه جواب رو ببینی، خودت فکر کن! 🧠🔥
#آمار #یادگیری_ماشین #کتاب #StatisticalLearning #Statistics #Python #R
Stat Diary
Photo
📊 پست آموزشی شماره ۱: راهنمای گامبهگام انجام یک تحلیل آماری کامل 🧠📈
🎯 موضوع: چطور یک پروژه آماری را از صفر تا صد ببریم پیش؟
❕وقتی با یک دیتاست جدید مواجه میشوید، دقیقاً دنبال چه مراحلی باید بروید؟
برای انجام هر تحلیل آماری، داشتن یک راهنمای ساختاریافته خیلی مهم است. در این پست، مسیر یک تحلیل آماری کامل را از ابتدا تا انتها با هم مرور میکنیم 👇
---
🔵 مرحله ۱: آشنایی با دادهها | Data Familiarization
قبل از هر کاری، باید دادهها را بشناسید 🔍
❓ چند متغیر داریم؟
❓ چند مشاهده داریم؟
❓ نوع متغیرها چیست؟
مثلاً:
🔹 کیفی اسمی
🔹 کیفی ترتیبی
🔹 کمی گسسته
🔹 کمی پیوسته
🎯 هدف تحلیل چیست؟
آیا میخواهیم:
📌 دادهها را توصیف کنیم؟
📌 بین گروهها مقایسه انجام دهیم؟
📌 پیشبینی کنیم؟
📌 رابطه بین متغیرها را کشف کنیم؟
---
🧹 مرحله ۲: پاکسازی دادهها | Data Cleaning
این مرحله معمولاً بیشترین زمان تحلیل را به خودش اختصاص میدهد ⏳
🔸 مقادیر گمشده (Missing Values):
حذف کنیم یا با میانگین، میانه یا مد جایگزین کنیم؟ 🤔
🔸 دادههای پرت (Outliers):
با استفاده از نمودار جعبهای 📦 (Box Plot) یا Z-Score آنها را شناسایی کنیم.
⚠️ حذف داده پرت باید با دلیل علمی انجام شود، نه صرفاً چون مقدار آن متفاوت است.
🔸 دادههای تکراری:
شناسایی و حذف شوند ♻️
---
📊 مرحله ۳: آمار توصیفی | Descriptive Statistics
حالا نوبت این است که دادهها را خلاصه و قابل فهم کنیم.
📌 برای متغیرهای کمی:
▫️ میانگین
▫️ میانه
▫️ انحراف معیار
▫️ چولگی
▫️ کشیدگی
📌 برای متغیرهای کیفی:
▫️ فراوانی
▫️ درصد
▫️ نمودار ستونی 📊
▫️ نمودار دایرهای 🥧
---
🎯 مرحله ۴: تحلیل استنباطی | Inferential Statistics
در این مرحله از دادههای نمونه برای پاسخ به سؤالات آماری استفاده میکنیم.
🔹 مقایسه دو گروه:
دو نمونه مستقل یا وابسته → آزمون t
🔹 مقایسه بیش از دو گروه:
تحلیل واریانس (ANOVA) 📈
🔹 بررسی رابطه بین دو متغیر کمی:
ضریب همبستگی پیرسون
(شرط مهم: نرمال بودن)
🔹 بررسی رابطه بین دو متغیر کیفی:
آزمون کایدو (Chi-Square) 🔗
🔹 پیشبینی:
رگرسیون خطی ساده یا چندگانه 📉
---
🤖 مرحله ۵: مدلسازی و اعتبارسنجی | Modeling & Validation
اگر قرار است مدل آماری یا یادگیری ماشین بسازیم، باید عملکرد آن را درست ارزیابی کنیم.
📌 دادهها را به دو بخش تقسیم میکنیم:
🟢 Train (80٪)
🔵 Test (20٪)
سپس:
1️⃣ مدل را روی دادههای Train آموزش میدهیم.
2️⃣ عملکرد مدل را روی دادههای Test ارزیابی میکنیم.
3️⃣ معیارهای مناسب را بررسی میکنیم:
📏 RMSE
📏 MAE
📏 R²
📏 Adjusted R²
---
📝 مرحله ۶: گزارشدهی | Reporting
آخرین مرحله، تبدیل نتایج تحلیل به یک گزارش ساده، دقیق و قابل فهم است. 📑
📊 از نمودارها و جدولهای استاندارد استفاده کنید.
❌ فقط جدول اعداد تحویل ندهید!
✅ یک نمودار خوب، ارزش صدها عدد را دارد. 📈
---
💡 یک نکته مهم
تمام این مراحل را میتوان با Python 🐍 و R 📊 انجام داد.
پیشنهاد میکنم برای پروژههای جدی از:
💻 Jupyter Notebook
یا
📘 R Markdown
استفاده کنید تا کد، خروجی و توضیحات در یک فایل کنار هم قرار بگیرند.
---
🚀 مسیر کلی یک تحلیل آماری:
🔍 شناخت دادهها
⬇️
🧹 پاکسازی دادهها
⬇️
📊 آمار توصیفی
⬇️
🎯 تحلیل استنباطی
⬇️
🤖 مدلسازی و اعتبارسنجی
⬇️
📝 گزارشدهی
✨ اگر این مسیر را بهدرستی یاد بگیرید، دیگر تحلیل آماری فقط مجموعهای از فرمولها و آزمونها نیست؛ بلکه یک فرآیند منطقی برای تبدیل داده به اطلاعات و تصمیمگیری است. 🧠📈
#آمار #تحلیل_داده #آمار_توصیفی #آمار_استنباطی #Python #R #DataAnalysis #Statistics
🎯 موضوع: چطور یک پروژه آماری را از صفر تا صد ببریم پیش؟
❕وقتی با یک دیتاست جدید مواجه میشوید، دقیقاً دنبال چه مراحلی باید بروید؟
برای انجام هر تحلیل آماری، داشتن یک راهنمای ساختاریافته خیلی مهم است. در این پست، مسیر یک تحلیل آماری کامل را از ابتدا تا انتها با هم مرور میکنیم 👇
---
🔵 مرحله ۱: آشنایی با دادهها | Data Familiarization
قبل از هر کاری، باید دادهها را بشناسید 🔍
❓ چند متغیر داریم؟
❓ چند مشاهده داریم؟
❓ نوع متغیرها چیست؟
مثلاً:
🔹 کیفی اسمی
🔹 کیفی ترتیبی
🔹 کمی گسسته
🔹 کمی پیوسته
🎯 هدف تحلیل چیست؟
آیا میخواهیم:
📌 دادهها را توصیف کنیم؟
📌 بین گروهها مقایسه انجام دهیم؟
📌 پیشبینی کنیم؟
📌 رابطه بین متغیرها را کشف کنیم؟
---
🧹 مرحله ۲: پاکسازی دادهها | Data Cleaning
این مرحله معمولاً بیشترین زمان تحلیل را به خودش اختصاص میدهد ⏳
🔸 مقادیر گمشده (Missing Values):
حذف کنیم یا با میانگین، میانه یا مد جایگزین کنیم؟ 🤔
🔸 دادههای پرت (Outliers):
با استفاده از نمودار جعبهای 📦 (Box Plot) یا Z-Score آنها را شناسایی کنیم.
⚠️ حذف داده پرت باید با دلیل علمی انجام شود، نه صرفاً چون مقدار آن متفاوت است.
🔸 دادههای تکراری:
شناسایی و حذف شوند ♻️
---
📊 مرحله ۳: آمار توصیفی | Descriptive Statistics
حالا نوبت این است که دادهها را خلاصه و قابل فهم کنیم.
📌 برای متغیرهای کمی:
▫️ میانگین
▫️ میانه
▫️ انحراف معیار
▫️ چولگی
▫️ کشیدگی
📌 برای متغیرهای کیفی:
▫️ فراوانی
▫️ درصد
▫️ نمودار ستونی 📊
▫️ نمودار دایرهای 🥧
---
🎯 مرحله ۴: تحلیل استنباطی | Inferential Statistics
در این مرحله از دادههای نمونه برای پاسخ به سؤالات آماری استفاده میکنیم.
🔹 مقایسه دو گروه:
دو نمونه مستقل یا وابسته → آزمون t
🔹 مقایسه بیش از دو گروه:
تحلیل واریانس (ANOVA) 📈
🔹 بررسی رابطه بین دو متغیر کمی:
ضریب همبستگی پیرسون
(شرط مهم: نرمال بودن)
🔹 بررسی رابطه بین دو متغیر کیفی:
آزمون کایدو (Chi-Square) 🔗
🔹 پیشبینی:
رگرسیون خطی ساده یا چندگانه 📉
---
🤖 مرحله ۵: مدلسازی و اعتبارسنجی | Modeling & Validation
اگر قرار است مدل آماری یا یادگیری ماشین بسازیم، باید عملکرد آن را درست ارزیابی کنیم.
📌 دادهها را به دو بخش تقسیم میکنیم:
🟢 Train (80٪)
🔵 Test (20٪)
سپس:
1️⃣ مدل را روی دادههای Train آموزش میدهیم.
2️⃣ عملکرد مدل را روی دادههای Test ارزیابی میکنیم.
3️⃣ معیارهای مناسب را بررسی میکنیم:
📏 RMSE
📏 MAE
📏 R²
📏 Adjusted R²
---
📝 مرحله ۶: گزارشدهی | Reporting
آخرین مرحله، تبدیل نتایج تحلیل به یک گزارش ساده، دقیق و قابل فهم است. 📑
📊 از نمودارها و جدولهای استاندارد استفاده کنید.
❌ فقط جدول اعداد تحویل ندهید!
✅ یک نمودار خوب، ارزش صدها عدد را دارد. 📈
---
💡 یک نکته مهم
تمام این مراحل را میتوان با Python 🐍 و R 📊 انجام داد.
پیشنهاد میکنم برای پروژههای جدی از:
💻 Jupyter Notebook
یا
📘 R Markdown
استفاده کنید تا کد، خروجی و توضیحات در یک فایل کنار هم قرار بگیرند.
---
🚀 مسیر کلی یک تحلیل آماری:
🔍 شناخت دادهها
⬇️
🧹 پاکسازی دادهها
⬇️
📊 آمار توصیفی
⬇️
🎯 تحلیل استنباطی
⬇️
🤖 مدلسازی و اعتبارسنجی
⬇️
📝 گزارشدهی
✨ اگر این مسیر را بهدرستی یاد بگیرید، دیگر تحلیل آماری فقط مجموعهای از فرمولها و آزمونها نیست؛ بلکه یک فرآیند منطقی برای تبدیل داده به اطلاعات و تصمیمگیری است. 🧠📈
#آمار #تحلیل_داده #آمار_توصیفی #آمار_استنباطی #Python #R #DataAnalysis #Statistics
❤2😁1
🟩 پست آموزشی شماره ۲: هر آنچه باید بدانید درباره آزمون t
🎯 استفاده میکنیم؟ انواع آن کداماند؟ موضوع: t آزمون
یکی از پرکاربردترین آزمونهای آماری برای مقایسه میانگینها است. 📊
اما نکات ظریفی دارد که باید رعایت شوند. ⚠️
---
1️⃣ آزمون t تکنمونهای (One-Sample t-test) 📊
⏰ چه زمانی؟
میخواهیم میانگین یک جامعه را با یک مقدار مشخص مقایسه کنیم.
👨🎓 مثال: آیا میانگین نمره دانشجویان دانشگاه تهران به ۱۵ تفاوت معنادار دارد؟
🔵 فرض صفر (H₀):
μ = 15
🔴 فرض مقابل (H₁):
μ ≠ 15 (دو دم)
μ > 15 (یکدم)
μ < 15 (یکدم)
✅ پیشفرضها:
• دادهها نرمال باشند (با حجم نمونه بزرگ)
---
2️⃣ آزمون t دومونهای مستقل (Independent Two-Sample t-test) 👥
⏰ چه زمانی؟
میخواهیم میانگین دو گروه مستقل را مقایسه کنیم.
💰 مثال: مقایسه میانگین درآمد مردان و زنان
📌 دو حالت مهم:
📊 واریانسها برابر (Equal Variance):
از فرمول استاندارد برای واریانسهای برابر استفاده میکنیم.
⚖️ واریانسها نابرابر (Unequal Variance):
استفاده میکنیم که دقیقتر است. Welch از آزمون
🔍 پیشفرضها:
• 👥 استقلال مشاهدات
• ✅ نرمال بودن (یا حجم نمونه کافی)
• 📊 همسانی واریانسها (در حالت اول)
---
3️⃣ آزمون t زوجی (Paired t-test) 🔗
⏰ چه زمانی؟
دادهها وابسته هستند؛ مثل اندازهگیری قبل و بعد از یک مداخله روی یک فرد.
🍎 مثال: مقایسه وزن بیماران قبل و بعد از یک رژیم غذایی
💡 تکنمونهای روی اختلافها انجام میدهیم؛ اختلاف هر فرد را محاسبه کرده و یک آزمون t
---
📌 نکات اجرایی در نرمافزارها
💻 در R:
# تک نمونهای
t.test(data, mu = 15)
# دو نمونهای مستقل (پیشفرض Welch)
t.test(var1 ~ group, data = df)
# دو نمونهای مستقل با واریانس برابر
t.test(var1 ~ group, data = df, var.equal = TRUE)
# زوجی
t.test(before, after, paired = TRUE)
---
🖥️ در SPSS:
📊 Analyze → Compare Means → One-Sample T Test
👥 Independent-Samples T Test
🔗 Paired-Samples T Test
---
💡 نکته مهم
🔍 برای بررسی برابری واریانسها، حتماً آزمون Levene را بررسی کنید.
⏱️ قبل از اجرای آزمون t مستقل، حتماً آزمون Levene را اجرا کنید.
📌 اگر p-value کمتر از 0.05 بود، واریانسها نابرابرند و باید از Welch استفاده کنید.
📊 اگر Welch کمتر از 0.05 بود، واریانسها نابرابرند و باید از Welch استفاده کنید.
🎯 استفاده میکنیم؟ انواع آن کداماند؟ موضوع: t آزمون
یکی از پرکاربردترین آزمونهای آماری برای مقایسه میانگینها است. 📊
اما نکات ظریفی دارد که باید رعایت شوند. ⚠️
---
1️⃣ آزمون t تکنمونهای (One-Sample t-test) 📊
⏰ چه زمانی؟
میخواهیم میانگین یک جامعه را با یک مقدار مشخص مقایسه کنیم.
👨🎓 مثال: آیا میانگین نمره دانشجویان دانشگاه تهران به ۱۵ تفاوت معنادار دارد؟
🔵 فرض صفر (H₀):
μ = 15
🔴 فرض مقابل (H₁):
μ ≠ 15 (دو دم)
μ > 15 (یکدم)
μ < 15 (یکدم)
✅ پیشفرضها:
• دادهها نرمال باشند (با حجم نمونه بزرگ)
---
2️⃣ آزمون t دومونهای مستقل (Independent Two-Sample t-test) 👥
⏰ چه زمانی؟
میخواهیم میانگین دو گروه مستقل را مقایسه کنیم.
💰 مثال: مقایسه میانگین درآمد مردان و زنان
📌 دو حالت مهم:
📊 واریانسها برابر (Equal Variance):
از فرمول استاندارد برای واریانسهای برابر استفاده میکنیم.
⚖️ واریانسها نابرابر (Unequal Variance):
استفاده میکنیم که دقیقتر است. Welch از آزمون
🔍 پیشفرضها:
• 👥 استقلال مشاهدات
• ✅ نرمال بودن (یا حجم نمونه کافی)
• 📊 همسانی واریانسها (در حالت اول)
---
3️⃣ آزمون t زوجی (Paired t-test) 🔗
⏰ چه زمانی؟
دادهها وابسته هستند؛ مثل اندازهگیری قبل و بعد از یک مداخله روی یک فرد.
🍎 مثال: مقایسه وزن بیماران قبل و بعد از یک رژیم غذایی
💡 تکنمونهای روی اختلافها انجام میدهیم؛ اختلاف هر فرد را محاسبه کرده و یک آزمون t
---
📌 نکات اجرایی در نرمافزارها
💻 در R:
# تک نمونهای
t.test(data, mu = 15)
# دو نمونهای مستقل (پیشفرض Welch)
t.test(var1 ~ group, data = df)
# دو نمونهای مستقل با واریانس برابر
t.test(var1 ~ group, data = df, var.equal = TRUE)
# زوجی
t.test(before, after, paired = TRUE)
---
🖥️ در SPSS:
📊 Analyze → Compare Means → One-Sample T Test
👥 Independent-Samples T Test
🔗 Paired-Samples T Test
---
💡 نکته مهم
🔍 برای بررسی برابری واریانسها، حتماً آزمون Levene را بررسی کنید.
⏱️ قبل از اجرای آزمون t مستقل، حتماً آزمون Levene را اجرا کنید.
📌 اگر p-value کمتر از 0.05 بود، واریانسها نابرابرند و باید از Welch استفاده کنید.
📊 اگر Welch کمتر از 0.05 بود، واریانسها نابرابرند و باید از Welch استفاده کنید.
🔥1