So erkennst du statistische Täuschung für bessere Entscheidungsfindung

1. Einführung: Diese Klasse zeigt, wie Statistiken Krankheit die Wahrheit verbergen, um unsere Entscheidungen zu manipulieren und wie wir diese Tricks erkennen können, um bessere Entscheidungen zu treffen. Hallo. Ich bin Experte für Kognitionswissenschaften mit über 25 Jahren Erfahrung in den USA, Indien, dem Nahen Osten und Südafrika. Wir leben in einem Informationszeitalter. Wir müssen Daten verwenden, um jede Entscheidung zu treffen. Aber für Vermarkter, Medienpolitiker , für alle Geschäftsleute verbirgt jeder die wahre Wahrheit hinter sorgfältig konstruierten Statistiken, verbirgt jeder die wahre Wahrheit hinter so dass die Daten, die sie präsentieren, Sirupe, ihren eigenen Zweck oder Agenda. Was können wir tun? Nun, es ist ziemlich einfach. Wir müssen die statistischen Tricks lernen Menschen benutzen, um andere zu täuschen , damit wir sie in der Tat erwischen und bessere Entscheidungen treffen können . In dieser Klasse erfahren Sie mehr über die zehn häufigsten statistischen Tricks von Vermarktern, Medien, Spin-Doktoren, Politikern, Unternehmen und anderen Menschen, um Daten vor Augen zu verstecken. Damit Sie am Ende dieses Kurses vertrauensvoll in persönlichen und geschäftlichen Situationen weitaus bessere datengesteuerte Entscheidungen treffen können. Wer kann diese Klasse 12 nehmen, so ziemlich jeder, vom Anfänger bis zum Profis, den Geschäftsführern bis hin zu Studenten. Jeder wird von dieser Klasse profitieren. Am Ende dieser Klasse gibt es natürlich ein Projekt, bei dem dünne praktische Situationen untersucht werden, in denen Menschen aufgrund der in diskutierten statistischen Tricks im Allgemeinen falsche Entscheidungen treffen die Klasse. Ziel der Schüler ist es, zuerst den anwendbaren Trick zu erkennen und dann den richtigen Weg zu finden, um Entscheidungen zu treffen. Ich schätze, das ist es so ziemlich. Ich freue mich darauf, Sie in der Klasse zu sehen und alles, ja, vergessen Sie nicht, Ihre Kommentare und Ihr Feedback am Ende zu stellen . 2. 1 Sampling Vorurteile: Stichprobenverzerrung, da Statistiken manchmal etwas schwer sein können. Beginnen wir also mit einer leichteren Stimmung mit einem Cartoon. Also hat der Typ ein Vogelfutter erstellt, welches ein Fahrzeug ist. Und er sagt, nachdem wir jeden Vogel probiert haben, der den Bürgersteig außerhalb dieses Gebäudes häuft , sind wir zu dem Schluss gekommen, dass das, was Vögel seine Fahrzeuge wirklich liebten. Das heißt, um zu entscheiden, was Vögel mögen, hat er nur Bard angeschaut. Die Bürgersteige aßen Bagels weil Bagels aus seinen Gebäuden geworfen werden. Das ist eine witzige Art anzuschauen. Es war eine Probenahme kann zu voreingenommenen Schlussfolgerungen führen. Statistik dreht sich alles darum, eine kleine Anzahl von Kandidaten aus einer großen Bevölkerung zu sammeln Kandidaten aus einer großen Bevölkerung ist eine kleine Anzahl von Kandidaten wird als Stichprobe bezeichnet. Und die Entscheidung über die große Bevölkerung basierend auf der Überprüfung mit der Stichprobe. Die Stichprobe ist repräsentativ für die Bevölkerung, sind Spaß Einschlüsse richtig. Wenn die Stichprobe voreingenommen ist, wie im Bild, handelt es mehr grüne Punkte als rote in der Stichprobe im Vergleich zur Population. Dann ist unsere auf Probe basierende Schlussfolgerung ebenfalls ungültig. Viel Zeit in realen Umfragen, dass Schlussfolgerungen nicht gültig sind, da die Proben voreingenommen sind. Zum Beispiel, ich wirklich, College-Absolventen, zeigen immer ein höheres Gehalt als tatsächliche Gehalt, das diese Absolventen bekommen weil die Leute das Gehalt auf die Antwort zurückziehen. Manchmal vor dem Herbst. Statistiker prognostizieren basierend auf Umfragen, dass jemand gewinnen wird, jemand anderes gewinnt mit einem großen Erdrutsch, wie es bei den Wahlen von 1932 passiert ist. Weil die Probenahme voreingenommen war. In den Wahlumfragen 2012 wurde es im Festnetz durchgeführt, was prognostizierte, dass Obama verlieren würde. Aber Obama gewann, weil viele Offiziere, Unterstützer tatsächlich Handy benutzten und daher werden sie damit bezeichnet werden. Fördert eine Umfrage. Es wird erspart, dass 80% der Briten Elektrofahrzeug mögen. Die erste Frage, die Sie stellen sollten, ist 80% von welchem Stück, Briten. Denn wenn die Stichprobe voreingenommen ist und aus einem Teil des britischen Volkes stammt, ist sie eher repräsentativ für diesen Abschnitt als für die tote britische Bevölkerung. wir einen Blick darauf, wie die Probenahmeverzerrung stattfindet. Beginnen wir mit dem Fall von Ivy League-Schülern. Durchschnittlich samstags. von einer Zeitschrift veröffentlichte Erklärung besagt, dass das durchschnittliche Gehalt von Ivy League MBAs nach fünf Jahren Abschluss 300 Tausend US-Dollar beträgt. Die Frage ist, wie genau ist eine solche Aussage? Jetzt kann die Aussage sehr falsch und irreführend sein. Warum? Weil sie nicht erwähnen, wie groß die Stichprobengröße war. Sie erwähnen das nicht, wenn sie einen Kontakt aller Absolventen hätten, aus denen sie auswählen können. Sie erwähnen auch nicht, ob die Liste der Kandidaten, die geantwortet haben, wo sie nach dem Zufallsprinzip ausgewählt wurde, oder sie haben nur die Antworten von Personen genommen , die antworten möchten. Es spricht auch nicht darüber, wie viele von ihnen diese Fragen tatsächlich beantworten. Wenn ihnen diese Frage an 50 Personen gestellt und fünf beantwortet wird. Wenn sie diese fünf im Durchschnitt haben und sagen, dass es sich um geschlechtsspezifische tausend Dollar handelt, ist das ein stark voreingenommener Fall , weil fünf Frauen nicht repräsentativ sind. Diese nächste Frage ist, haben nur Leute mit Hi Verstand beantwortet, was höchstwahrscheinlich dieser Fall ist. War es ein repräsentatives Beispiel? Wie Sie sehen können, haben sie so viele Fragen und die meisten Umfragen vermeiden es sorgfältig, eine dieser Fragen zu beantworten. Sie können also keiner Schlussfolgerung einer Gehaltsumfrage vertrauen. So können Leute Probe manipulieren oder einfach nur schlampig sein, sind beim Sammeln von Proben nicht methodisch korrekt. Und daher ist die Bedeutung dieser Brutstättergebnisse leider nicht vertrauenswürdig. 60% der Stadtindianer bevorzugten die Ingenieurausbildung, von der 60%, 80 Prozent der Inder tatsächlich 13 bevorzugten, 80% davon indisch. Das Ergebnis einer Studie, um Warp irgendetwas zu sein , muss repräsentativ und zufällig sein. heißt, während des Sammelns der Stichprobe sollten alle Kandidaten die gleiche Chance haben, ausgewählt zu werden. Viele Mal. Das ist nicht der Fall. Es gibt einen ständigen Kampf, um die Verzerrung der Probenahme zu reduzieren , indem die Probenahme zufällig wird. Probenahmeverzerrung ist immer da. Wenn wir solche Aussagen sehen, dass 60% der städtischen Indianer der Ingenieurausbildung vorziehen sollte man als 60% davon Personen sein. Es wären nicht 60% der Menschen, die sie fragen möchten. Nicht 60% unseres Bündels, Inder. Wenn eine Zufallsstichprobe nicht möglich oder zeitaufwändig oder teuer ist möglich oder zeitaufwändig oder teuer , was bedeutet, jeder Kandidat die gleiche Chance hat, ausgewählt zu werden die gleiche Chance hat, ausgewählt zu dass jeder Kandidat die gleiche Chance hat, ausgewählt zu werden, wenn dies nicht möglich ist . Das nächstbeste ist die geschichtete Zufallsstichprobe, bei der Sie die Bevölkerung basierend auf der Prävalenz dieser Gruppe in mehrere Gruppen aufteilen . Wenn also eine Bevölkerung von 50% weiß, 30% schwarz, 20% asiatisch ist, sammeln Sie eine bestimmte Anzahl von Proben aus der asiatischen Gemeinschaft, eine bestimmte Anzahl von Proben aus der schwarzen Gemeinschaft und eine bestimmte Anzahl von Proben aus weißen Gemeinschaft im Verhältnis zu ihrer Parson-Ziffer. Und das kann einen Verstoß mit sich bringen. Und das ist eine geschichtete. Die Gruppen können auf Einkommen, Bildung, ethnischer Zugehörigkeit oder irgendetwas anderem basieren. Aber wenn Ihr Wissen über den Anteil falsch ist, die Stichprobe, wären wir auch voreingenommen. Wenn beispielsweise eine Graduiertenklasse 30% der Frauen 70% Männer ist, können Sie, wenn Ihre Stichprobengrößen auf zehn berechnet werden, nach wenn Ihre Stichprobengrößen auf zehn berechnet werden, nach dem Zufallsprinzip drei von den weiblichen Studenten und sieben von den Studenten auswählen . Das wäre kein Fall von geschichteten Zufallsstichproben. Das wäre etwas brauchbar. Denken Sie daran, eigene Umfragen und Startergebnisse sind etwas voreingenommen. Die Voreingenommenheit stammt aus zwei verschiedenen Quellen. Erstens sind es die Schritte, in denen wir das Interview machen. Sie Alter, Bildung, ethnische Zugehörigkeit und Erfahrung des Interviewpersonals beeinflussten das Umfrageergebnis stark. In einem Fall wurde festgestellt, dass die Ergebnisse aufgrund der Frage, ob weiße oder schwarze Mitarbeiter das Interview mit schwarzen Gemeinschaften führten, weiße oder schwarze Mitarbeiter das Interview mit schwarzen Gemeinschaften führten, ziemlich unterschiedlich waren. Die zweite Quelle der Voreingenommenheit sind die Personen, die eine höhere Tendenz haben , ausgewählt zu werden, da Stichproben Kandidaten sind. Im Allgemeinen Menschen mit mehr Geld, besserer Bildung, Beta-Auftritt, mehr Informationen und Wachsamkeit. Konventionelleres Verhalten und akzeptable Gewohnheiten werden stärker als Kandidaten für ein Interview oder eine Stichprobe ausgewählt. Und infolgedessen debias die Hürde. **** und Umfrageergebnisse. 3. 2 Sample: Größe der Stichprobe. In vielen Fällen verwenden Menschen nicht einen ausreichend großen Stichprobenumfang, um eine Schlussfolgerung zu ziehen. Zum Beispiel höre ich, während Studien über Werbeansprüche zeigen, dass ich hier X hier Fehler für 80% der Benutzer reduziert. Aber wie glaubwürdig sind diese Aussagen? Einige Werbetreibende stellen ein Kleingedrucktes , das auf eine kleine Mustergröße hinweist, aber einige tun das nicht einmal. Leider gibt es für kommerzielle Werbung keine Regelung, die besagt, dass bestimmte Stichprobengröße und sicherlich Methoden verwendet werden müssen. So wie es bei pharmazeutischen Produkten der Fall ist. Und infolgedessen behaupten die Leute alle möglichen Dinge, die auf allen Arten von Probennahmen basieren. Diese Ergebnisse basieren hauptsächlich auf einem kleinen Stichprobenumfang. Und daher kann ein Fehler auf weniger Zufall zurückzuführen sein. Oder die Bilder zeigen einige Fälle ihrer Stichprobe, um ein gutes Ergebnis zu zeigen , damit sie in einer Werbung einen Anspruch geltend machen können. Trotzdem werden sie ständig gezeigt. Wenn Sie zehnmal eine Münze werfen und acht Köpfe bekommen, können Sie nicht behaupten, dass die Studie zeigt, dass die Wahrscheinlichkeit, Köpfe beim Münzwurf zu bekommen, 80% beträgt. Sie müssen eine große Anzahl von Münzaufgaben haben, um festzustellen, wie hoch die Chancen sind, Köpfe zu bekommen und welche 50% betragen werden. Um einen Anspruch geltend zu machen, benötigen Sie in ähnlicher Weise einen ausreichend großen Stichprobenumfang. Der Stichprobenumfang hängt davon ab, wie variabel die Ergebnisse sind und wie sicher Sie in Ihrem Anspruch sein müssen . Nehmen wir an, die Wahrscheinlichkeit schwerer Fälle durch lebenswichtiges Fieber liegt bei Kindern bei nur 10%. Sie haben 1 Tausend Kinder mit dem Vital Fever Desk ausgewählt . Die Wirksamkeit eines Arzneimittels. Ist das groß genug Stichprobengröße? Sie haben einhundertzehnhundert ausgewählt. Sie waren froh, dass die Stichprobengröße 100000 beträgt. Aber in Wirklichkeit werden 90% dieser Kinder besser werden. Auch ohne das Medikament. Sie testen das Medikament tatsächlich an nur 10% oder 100 Kindern , die dieses Arzneimittel benötigen, da dies die schweren Fälle der Induktivität sein würde. Das ist eigentlich ein kleinerer Stichprobenumfang als Sie dachten. Der tatsächliche Stichprobenumfang ist ein digitaler Bereich durch das Konfidenzintervall und Standardabweichung von Fall zu Fall. der Bevölkerung. sind nur wenige Faktoren wichtig Bei der Schätzung des benötigten Stichprobenumfangs sind nur wenige Faktoren wichtig. Ihr Konfidenzniveau, das Konfidenzintervall und der Z-Score, das vom Konfidenzniveau, der Standardabweichung und der Stichprobengröße abhängt , der Standardabweichung , wird darauf basierend Und ich werde nicht auf viele Details eingehen, aber es ist wichtig , dass wir uns bewusst sind. Es gibt bestimmte Möglichkeiten, den Stichprobenumfang zu berechnen. Konfidenzniveau ist das Maß dafür , dass Sie das Experiment 100 Mal wiederholen werden, wie oft Sie ein ähnliches Ergebnis erhalten. Es wird im Allgemeinen als fünfundneunzig Prozent verwendet , sind die meisten Fälle. Konfidenzintervall ist der Grad der ADR. Es wird im Allgemeinen als plus minus 5% verwendet. Z-Score ist ein Maß dafür wie viele Standardabweichungsbereiche vom Der Z-Score ist ein Maß dafür, wie viele Standardabweichungsbereiche vom Mittelwert basierend auf dem von Ihnen gewählten Konfidenzniveau vorhanden sind. Es gibt einen Z-Wert für die Standardabweichung ist der Grad der Variabilität. Wenn Sie nichts wissen, können Sie 0.5 verwenden. All dies ausgedrückt gibt es eine Standardberechnung, bei der es sich Quadratwurzel des z-Wertes handelt, multipliziert mit einer Minus-Standardabweichung geteilt durch das Konfidenzintervall im Quadrat. Mit 95% Konfidenzniveau und 5% Intervall erhalten Sie eine Stempelstichprobengröße von geschlechtsspezifisch in 85. Also 4,5 Standardabweichungen. Eine Stichprobengröße von 400 bis 500 ist also in der Regel ausreichend für die meisten Fälle eine Stichprobengröße. Die Bestimmung des Stichprobenumfangs ist ein kritischer Schritt jeder statistischen Erhebung oder statistischer Studien. Denn wenn dies falsch gemacht hat, nehmen sie eine Studie oder Umfragen falsch ein. Es gab einige kolossale Fälle von ps. In den 1950er Jahren. Polio-Impfstoff-Studie bei 450 Kindern wurde geimpft und 680 ohne Impfstoff aufbewahrt, als Teil eines Ausbruchs von Polio, keines der Kinder bekam Kinderlähmung keines der Kinder bekam Kinderlähmung weil die Kontraktionsrate nur war weniger als 1%. Eigentlich die benötigte Stichprobengröße zwischen 38 pro 1040 Tausend Kinder. Sie könnten also erwarten, dass 300 bis 400 Fälle von Polio die effektive Probengröße für den Test des Impfstoffs wären . Es gab viel, viel falsch. Dies wählte vierhundertfünfzig und sechshundert, rund 1100 Kinder, bei denen 30 Tausend bis 40 Tausend Kinder benötigt werden. Schätzung des Stichprobenumfangs und die Verwendung des Stichprobenumfangs des richtigen Wertes sind daher für alle statistischen Studien von äußerster Bedeutung. Aber leider, in den meisten Behauptungen, dass wir für Werbetreibende, für verschiedene Produkte oder sogar für Politiker, Medien und was nicht sehen für verschiedene Produkte oder sogar für . Alle diese Typen, fast alle diese Typen sind nicht innerlich, verwenden eine ausreichend ausreichende Stichprobengröße und das Ergebnis. Keiner dieser Ansprüche wird verwaltet. 4. 3 kleine Zahlen: Kleine Zahlen. Fangen wir mit Einwilligungen an. Eine Stadt hat zwei Krankenhäuser, eines kleinen und eines großen. Eines der beiden Krankenhäuser in einem Monat, 60% der Babys, in denen geboren wurden. Während es normalerweise 50% beträgt. Welches ist es? Das kleine oder das große Krankenhaus? Antwort ist das kleine Krankenhaus. Denn genau wie ein kleiner Stichprobenumfang, extreme oder ungewöhnliche Fälle. In diesem Fall 60%. Jungen sind ungewöhnlich, 50%, Die üblichen ungewöhnlichen Fälle sind in kleinen Stichprobengrößen zu sehen, sind in diesem Fall ein kleines Krankenhaus. Bei der Untersuchung von Nierenkrebsarten in über dreitausend US-Landkreisen wurde festgestellt, dass das höchste Inzidenzspiel aus kleinen Landkreisen. Interessanterweise wurde auch festgestellt, dass die niedrigste Inzidenz auch von kleinen Landkreisen zulegte. Das bedeutet, dass kleine und weniger besiedelte Landkreise sowohl die höchste als auch die niedrigste Inzidenz hatten. Das ist bei kleinen Zahlen der Fall. Und warum passiert es. Schauen wir uns eine wirklich kleine Grafschaft an Sie einfach bei Erwachsenen bleiben. Wie es nur bei Erwachsenen der Fall ist, ist es sehr wahrscheinlich, dass Nano Krebs hat. Es wird 0 zeigen. Wenn jedoch nur eine Person zufällig storniert wird, wird auch eine Inzidenz von 10% angezeigt, was sehr hoch ist. Das heißt, wenn das Konto klein ist, besteht die Wahrscheinlichkeit, dass es von vielen Fällen verschont bleibt. Und wenn es nur ein paar hat, wird es eine hohe Inzidenz zeigen. So werden kleine Landkreise sowohl eine hohe als auch eine niedrige Inzidenz aufweisen. Kleine Bezirke mit niedriger Bevölkerung werden immer extreme Ergebnisse zeigen. Wo wir in größeren Bezirken, ganzen Bevölkerungsfällen leben wir aus, um mehr durchschnittliche Ergebnisse zu zeigen. Eine Supermarktkette fand heraus, dass kleinere Geschäfte sowohl die niedrigste als auch die höchste Zahl pro Flächeneinheit und Verkäufe pro Flächeneinheit zeigten sowohl die niedrigste als auch die höchste Zahl pro . Ein kleinerer Stichprobenumfang zeigt aufgrund von Zufälligkeit eher extreme Ergebnisse. Und eine größere Stichprobe repräsentiert besser eine Bevölkerung. Deshalb hören wir etwas, das als Gesetz von großer Zahl bezeichnet wird , in der Statistik. Um eine Schlussfolgerung zu ziehen, können Sie sich nur auf große Zahlen verlassen und wann eine große Anzahl toter Dinge durchschnittlich werden soll. Wie erzielen Dinge jetzt bei kleinen Zahlen extreme Ergebnisse? Nehmen wir ein anderes Beispiel. Sagen wir als Studenten , die noch 100 Zimmer mit jeweils fünf Schülern haben. Von insgesamt 500 Studenten erhielten 25 ein Plus in ihrer Prüfung. Das bedeutet, dass viele der Zimmer 0% Studenten mit einem Plus haben , da es nur 25 plus Studenten und 100 Zimmer gibt. Aber wenn ein Zimmer gerade einen Plus-Schüler gewonnen hat, werden 20% Fälle von einem plus einem Schüler geteilt durch fünf, also 20, angezeigt . Das Zimmer hat Studenten zufällig 40% Fälle von Plus zeigen. Sie können aufgrund der Tatsache sehen , dass die Zimmer klein sind, jede Figur übertrieben wird. So gab es kleine Zahlen bei Ergebnissen. Und das ist unser Gesetz von großer Zahl, die eine größere Zahl braucht , um eine Schlussfolgerung zu ziehen. 5. 4 Durchschnittliches Problem: Durchschnittliches Problem. Eine der gebräuchlichsten Methoden Statistiken ist, ist, wie jemand mit vielen Daten. Durchschnitt ist wahrscheinlich die am häufigsten verwendete zusammenfassende Statistik. Wir fassen viele Daten gerne in einer Abbildung zusammen. Und das ist die Popularität des Durchschnitts. Wir hören, dass Aussagen wie die Wirtschaft 20 Tausend Arbeitsplätze pro Monat schaffen werden. Das ist ein Durchschnittswert. Land, in dem wir hier 20 Zoll Niederschlag und andere Durchschnittswerte bekommen , etwa eine durchschnittliche Gehaltserhöhung von 10% pro Jahr und so weiter. Aber all diese Durchschnittszahlen können wirklich irreführend sein und sie können mehr Informationen verbergen als die Show. Zum Beispiel können einige Monate 50 Tausend Arbeitsplätze hinzufügen, während einige andere Monate Justin tausend Jobs hinzufügen können. Jemand von 20 Tausend bedeutet also nicht viel. In ähnlicher Weise können einige Teile des Landes überflutet werden. Wo könnte es in einigen anderen Teilen zu Dürre kommen. Ein durchschnittlicher Niederschlag von 20 Zoll in einem Land bedeutet also nichts. In ähnlicher Weise kann sich das Gehalt einiger Leute verdoppeln, wo es einige möglicherweise überhaupt nicht steigen sehen. Eine durchschnittliche Gehaltserhöhung von 10% ist also absolut nutzlose Informationen, die tatsächliche Erhöhung der Gehälter der Menschen zu verstehen . Man sagt, dass man keinen Fluss überquert , wenn er durchschnittlich vier Fuß tief ist. Da der Fluss 20 Fuß tief sein kann, fügen Sie an anderen Stellen einige Gesichter hinzu, die nur einen oder zwei Fuß tief sind. Also ein Durchschnitt für freie Tiefe, was bedeutet, wenn Sie versuchen, den Fluss zu überqueren, denken Sie, dass es im Durchschnitt gedruckt wird , ein Betrunkener. Einer der dramatischen Fälle des Problems der Verwendung des Durchschnitts war was Wissenschaftler in den früheren Jahren der Verfolgung der globalen Erwärmung herausgefunden haben . Zu diesem Zeitpunkt betrachteten Wissenschaftler hauptsächlich einen durchschnittlichen Temperaturanstieg und versuchten, dies mit den Filtern - oder Polareislagern zu korrelieren . Sie waren überrascht, dass dies sogar wenn die Durchschnittstemperatur gleich bleibt, mehr als mehr polare Eiskappen, werden wir gegenüber dem Vorjahr geschmolzen. Später fanden sie heraus, auch wenn der Durchschnitt gleich bleibt, Jahre mit den hohen Temperaturspitzen verursachten mehr Augennachfrage. Der Durchschnitt war nicht viel von Nutzen. Versuchen Sie in ähnlicher Weise einfach, sich zwei Fälle anzusehen , in denen eine Person 30 Tage lang täglich ein Bier trinkt. Das ist also durchschnittlich ein Bier pro Tag. Während eine andere Person 29 Tage lang und am 30. Datum kein Bier trinkt , trinkt sie 30 Jahre. In beiden Fällen beträgt der Durchschnitt ein Bier pro Tag, aber die Auswirkungen des Bierkonsums werden viel schwerwiegender sein und im zweiten Fall tödlich sein, wenn 30 Bier pro Tag getrunken werden. In ähnlicher Weise kann der Durchschnitt wirklich irreführend sein. Ein weiterer berühmter Fall von Problemen mit Durchschnittswerten bei denen 1997 eine Flut von Grand Forks, die Stadt einen 51-Meter-Damm hatte. Höher als 49 Fuß prognostizierte Flusswasserspiegel, was ein Durchschnitt war. Aber an einigen Stellen während einer Flut erreichte das Wasser 53 Fuß, erreichte das Wasser 53 Fuß auch wenn der Durchschnitt für das Abendessen übrig blieb. Aber in diesen Fällen oder verdrängt, durchbrach das Wasser den Damm verursachte Blut in die Stadt. Verwendung von Durchschnittswerten hängt von den Durchschnittswerten ab, da die Durchschnittswerte der Stadt auf viele andere Arten irreführend sein können. Nehmen wir den Fall der durchschnittlichen Lebenserwartung an. Zum Beispiel betrug die durchschnittliche Lebenserwartung bei der Geburt in 19 Hunderten 30 Jahre. Aber diese 32 Jahre bedeuten eigentlich nichts. Das heißt nicht, dass alle mit 32 gestorben sind. Viele Diät bei Bart, viele Diät unter fünf Jahren sterben während des Krieges. Aber diejenigen, die all diese überlebten , lebten sechziger und siebziger Jahre, genau wie heute, lag der Durchschnitt auf 32, aber diese Zahl bedeutet eigentlich nichts. Deshalb gibt es kein durchschnittliches Unternehmen. Es gibt keine durchschnittlichen Börsenschwankungen. Es gibt keinen durchschnittlichen Krieg, keine Durchschnitts- und Epidemie, keine durchschnittliche Marketingkampagne oder einen durchschnittlichen Buchverkauf. In den meisten Fällen kann die Verteilung sehr schief sein. Ein durchschnittlicher Monarch bedeutet alles. Zum Beispiel, auf der linken Seite, Sie sehen, dass es sich um eine negative Neigung der Verteilung handelt, bei der die Beweise nach links und rechts verschoben werden. Sie können eine positive Schräglage sehen, Sie können eine positive Schräglage sehen bei der der Durchschnitt liegt ist ins Licht gerückt, weil es so ist. Im Detail nach rechts, nur bei den Mittelwerten der zentralen Normalverteilung in der Mitte. Und so ist es etwas aussagekräftig, aber in allen realen Fällen Verteilung der Werte immer verzerrt. Und infolgedessen vermittelt der Durchschnitt nicht viel nützliche Bedeutung. Im Rahmen der statistischen Zusammenfassung drei Arten von Durchschnittswerten verwendet. Sie heißen „gemein“, „ Median“ und „Modus“. Mittelwert ist der einfache arithmetische Durchschnitt. Nehmen wir das in der Tabelle gezeigte Beispiel auf der linken Seite. Sagen wir, in einem Zimmer gibt es 20 Personen. Ihre Gehälter sind in den Spalten angegeben. Ihre Gehälter variieren zwischen 20 Tausend Dollar pro Jahr und 3 Millionen Dollar pro Jahr. Das mittlere Gehalt ist also, dass es den Durchschnitt mildert, was 248.750 Donner beträgt. Jetzt ist Median das Gehalt in der Mitte, wenn sie alle in aufsteigender oder absteigender Reihenfolge angeordnet sind. In diesem Fall wird es 56.500 US-Dollar betragen. Modus ist die Gehaltszahl , die dabei am meisten auftritt, wenn Sie zweimal 60 Tausend Händler sehen, im Vergleich zu allem anderen, das einmal operiert. 60 Tausend Dollar sind also der Modus. Wie Sie sehen können, ist es eine bessere Zusammenfassung, wenn nur wenige Ausreißer den Mittelwert oder Median ändern können wenn nur wenige Ausreißer den Mittelwert oder Median ändern können. In diesem Fall haben unter 20 Personen nur zwei Personen ein sehr hohes Gehalt, 1 Million Dollar in 3 Millionen Dollar. Der Rest von ihnen liegt zwischen 20000,95000. So zu hohen Werten oder Verzerrung der Mittel. Sehen Sie, ob jemand sagt, dass das Durchschnittsgehalt der Personen im Zimmer 248 Tausend Dollar beträgt, was nicht die wahre Natur der Gehälter widerspiegelt , die die Menschen im Zimmer haben. Im Vergleich zu diesem Median, der 56 Tausend Dollar beträgt, ist eine viel bessere Darstellung. In allen Fällen , in denen einige Ausreißer die Durchschnittswerte stark verzerrt haben können. Median ist eine bessere Schätzung der Durchschnittsstatistiken. Modus in diesem Fall auch in etwas nützlichem, aber in vielen Fällen kann etwas nicht mehr als einmal passieren. So können mehr Männer benutzt werden. Median ist in vielen Fällen, die stark von hohen oder niedrigen Ausreißer beeinflusst werden, eine bessere Schätzung . In allen praktischen Fällen, in denen die Verteilung stark zur einen oder anderen Seite verzerrt ist, nicht der Durchschnittswerte, kann nicht der Durchschnittswerte, Median oder Modus verwendet werden. Nehmen wir das Beispiel von Krebs. Viel Zeit wird Dr. einer Krebsbasis erzählen und dass er gerade einen Monsterurlaub oder 18 Monate zu leben gemacht hat . Der Patient sollte nicht den Mut verlieren. Weil diese 12 Monate oder 18 Monate ein Mittel- und Mittelwert sein könnten. Und das kann stark verzerrt sein, da sofort oder nach den Dreharbeiten viele Menschen sterben könnten . Es ist mein Unterschied, dass der Patient die ersten paar Monate überlebt. Er oder sie kann damit rechnen, ein viel längeres Leben zu führen. Denn selbst der Modus kann sich stark auf die rechte Seite oder in Richtung der höheren Anzahl von Monaten oder Jahren bewegen die rechte Seite oder in Richtung . Schauen Sie sich den Fall der Verteilung C an, bei dem sowohl der Mittelwert als auch der Median nach links liegen, aber die tatsächliche Anzahl der Menschen, die viel höher als der Mittelwert und der Median leben , nach rechts liegt. Man kann also sogar 6070 Jahre verlassen, selbst nachdem mit Krebs entdeckt wurde, und das ist passiert. Nehmen wir ein anderes Beispiel. Nehmen wir an 80% der Unternehmen, Es hat 90 Millionen US-Dollar Umsatz und nur 20% der Unternehmen hatten 60 Millionen Dollar Zellen. Wenn Sie den Durchschnitt berechnen, werden Sie feststellen, dass der Durchschnitt 84 Millionen US-Dollar beträgt. Aber in diesem Fall sind 80% der Unternehmen, die überdurchschnittlich sind, was schwer zu verstehen ist. Es ist nicht intuitiv. Aber viele Fälle, Durchschnittswerte bieten einen Zähler, kontraintuitiv und manchmal absichtlich Barbiegeergebnis. Und Leute, die am Ende falsche Entscheidungen treffen, indem sie Stromstärke verwenden. Schauen Sie sich also immer die Verteilung an und treffen Sie eine Entscheidung, die darauf basiert. Entscheiden Sie sich niemals aufgrund von Durchschnittszahlen. Durchschnittliche Berechnungen führen manchmal zu sehr verwirrenden und irreführenden Informationen. Zum Beispiel stammt das durchschnittliche China nicht aus durchschnittlichen Familien, da die Berechnung des durchschnittlichen Kindes und die Berechnung der durchschnittlichen Familie nicht gleich sind. Dies veranschaulicht, sagen wir, es gibt ein Dorf mit 100 Familien. Eine Reihe von Kindern pro Familie ist als Tisch für Ihre nächste Seite einfügen. 100 Familien sind in fünf Gruppen von je 20 Familien unterteilt . Erste Gruppe als 0 Kinder. Die zweite Gruppe hat ein Kind. Harte Gruppe hat zwei Kinder für die Gruppe hat drei Kinder. Und die fünfte Gruppe hat Kinder gebildet. Wenn die Frage lautet, wie hoch ist die Anzahl der Kinder für eine durchschnittliche Familie? Sie müssen die Gesamtzahl der Kinder berechnen , indem Sie die linke Spalte mit der rechten Spalte multiplizieren , was zu 200 Kindern führt und Sie 200 Familien teilen. Es wird die durchschnittliche Anzahl von Kindern oder Familien angeben, die 200 geteilt durch 100 beträgt. Aber wenn es eine Frage gibt, lebt ein durchschnittliches Kind mit Familien mit wie vielen Kindern? Die Antwort ist kein Zahn. Das heißt, obwohl die durchschnittliche Familie zwei Kinder hat, aber durchschnittliche Kinder leben nicht in einer Toolkit-Familie. Es ist verwirrend. Aber schauen wir uns Kinder an. Kinder. Keine Kinder in der ersten Gruppe , weil es 0 Kinder gibt. Jetzt in der zweiten Gruppe sind das insgesamt 20 Kinder. Und sie lebten in einer Familie mit einem Kind. In der dritten Gruppe sind es 40 Kinder. Und dann leben sie in einer Kinderfamilie. Die vierte Gruppe , die 60 Kinder sind, 20 multipliziert mit drei. Und all diese 60 Kinder leben in einer Familie mit drei Kindern. In der letzten Gruppe sind es 80 Kinder, weil 20 Familien mit vier Kindern in der Kinder multipliziert werden. Und all diese 80 Kinder leben in einer armen Kinderfamilie. Um also die durchschnittliche Anzahl der Kinder zu berechnen , mit denen ein durchschnittliches Kind lebt, müssen Sie 20 mit einem multiplizieren. Da 20 Kinder in einer Familie mit einem Kind leben, leben 40 Kinder in einer Toolkit-Familie, 60 Kinder leben in einer kniffligen Familie und 80 Kinder leben in einer armen Kindertaschenfamilie. Und du musst es durch Kinder insgesamt teilen, was 200 ist. Und er würde drei kriegen. Das bedeutet, dass durchschnittliches Kind in einer ausgelösten Familie lebt, während durchschnittliche Familien Toolkits anpassen. In ähnlicher Weise arbeiten durchschnittliche Mitarbeiter nicht in einem durchschnittlichen Unternehmen. Es wird auf ein größeres Unternehmen verzerrt sein. Hier sehen Sie beispielsweise, dass die durchschnittlichen Kinder auf größere Familien mit mehr Kindern verzerrt sind . In ähnlicher Weise lebt der Durchschnittsbürger nicht im Durchschnittsland. Der Durchschnittsbürger wird auf Länder mit hoher Bevölkerung wie Indien, China und USA verzerrt auf Länder mit hoher Bevölkerung sein. So können Durchschnittswerte wirklich verwirrend sein. Wir werden uns ein anderes Beispiel ansehen, um zu zeigen, wie durchschnittlicher Student nicht auf ein durchschnittliches College geht. Weil durchschnittliche Studenten und durchschnittliche Hochschulen nicht auf die gleiche Weise berechnet werden. Cts für Hochschulen mit Studenten bis zum Tisch. College eins ist klein, hat eintausend Studenten. College zwei hat dreitausend Studenten. Knorpelbaum hat 10 Tausend Studenten und College für 30 Tausend Studenten. Es gibt insgesamt 44 Tausend Studenten. Die erste Frage ist, wie hoch ist die durchschnittliche Anzahl von Studenten pro College? Für das College insgesamt 44 Tausend Studenten. Die durchschnittliche Anzahl der Studenten pro College beträgt also 44 Tausend geteilt durch vier , also 11 Tausend. Die zweite Frage ist, durchschnittliche Studenten zielen auf das College mit wie vielen Studenten? Diese Berechnung ist sehr unterschiedlich, da 11000 Studenten im College mit weiteren 1 Tausend Studenten aufs College gehen . Im College gehen 3 Tausend Studenten mit 3 Tausend Studenten am College, 310 Tausend Studenten gehen innerhalb von 1000 Studenten aufs College. Im College für 30 Tausend Studenten geht zum College von 30 Tausend Studenten. So geht der durchschnittliche Student ins College-Netz 10 Tausend Quadrat, 30 Tausend Quadrat, 3 Tausend Quadrat, 1 Tausend Quadrat geteilt durch 44 Tausend Studenten. Es geht also um 22.954. Obwohl das durchschnittliche College nur 11 Tausend Studenten hat, geht der durchschnittliche Student auf das College von 23 Tausend Studenten. In ähnlicher Weise beträgt die durchschnittliche Bevölkerung nach Ländern 39 Millionen, da es rund 7,8 boolesche Menschen und rund 200 Vorratskammern gibt. Sie teilen diese 7,8 Milliarden mit 200, Sie kommen zu rund 39 Millionen Menschen pro Land. Aber der Durchschnittsbürger lebt in einem Land, das mit viel mehr Menschen verbunden ist, fast zehnmal mehr Menschen. So sind durchschnittliche Länder und Durchschnittsbürger nicht dasselbe. Durchschnittliche Studenten und durchschnittliche Colleges sind nicht dasselbe. Oft werden diese Zahlen absichtlich von verschiedenen Fahrzeugen verwendet. Und sie stellen den Durchschnittswert dar , der ihren Partnern dient. 6. 5 Simpsons Paradox: Simpsons Paradoxon. Zwischen 196319 und achtziger Jahren der durchschnittliche verbale und mathematische SAT-Wert aller US-Studenten um 5040 Punkte. Das sind große Tropfen. Dies führte zu einer landesweiten Empörung. Und das Präsidentengremium wurde gegründet. Sie untersuchten die Ergebnisse und veröffentlichten einen berüchtigten Bericht mit dem Titel Nation at Risk. Diese führen zu nachfolgenden drastischen Maßnahmen, einer vollständigen Überarbeitung des Bildungssystems, Kampf gegen viele Lehrer und so weiter. Spätere Untersuchungen ergaben jedoch, dass interessanterweise, wenn alle Studenten in einzelne Einkommensgruppen aufgeteilt wurden , alle Gruppen einen Anstieg des SAT-Wertes zwischen 19631980, obwohl eine Gruppe aller Studierenden zusammengestellt hat. Also in Grad. Dies ist ein Beispiel für einfaches Simpsons Paradoxon. Und das zeigt sich in vielen verschiedenen Fällen. Um den Punkt zu veranschaulichen, um zu zeigen, wie es passiert, im Jahr 19631980 könnten alle Schüler im Jahr 19631980 in drei Hauptgruppen oder Einkommensgruppen für Mittelschicht und Reiche unterteilt werden drei Hauptgruppen oder Einkommensgruppen . Im Jahr 1963 stammten überwiegend 70% der Schüler aus reichen Familien und nur 20, 10% stammten aus bürgerlichen und armen Familien. Und ihre durchschnittlichen Punktzahlen in Mathematik mit 554 erreichten 500 für Mittelklasse und 404 Board, der Gesamtdurchschnitt lag bei 525. Dieser Mix änderte sich 1980 komplett, da die Gesamtzahl der Schüler zwischen 6380 um viele Falten zunahm. Und alles, was sie erhöhen das Spiel von armen und bürgerlichen Schülern. Jetzt machen sie 40% aus jedem der Schüler, die den Anteil der reichen Schüler auf nur 20% reduzieren . Nun, all diese drei Gruppen, Matt-SAT-Punktzahl, war höher. Für Studenten betrug die Punktzahl 420, was von 20 angeheuert wurde. Die Punktzahl der Schüler der Mittelschicht betrug 520, was um 20 Punkte höher war. Enrich Schülerstand betrug 560, was ebenfalls mit zehn Punkten angeheuert wurde. Der Gesamtdurchschnitt im Jahr 1980 lag jedoch nur bei 88, weil der Gesamtmix jetzt anders ist und mehr ausländische Studenten und Studenten weniger proportional erreichen. Der Gesamtdurchschnitt fiel von 525 im Jahr 1967 von drei auf 488 im Jahr 1980. Alle einzelnen Gruppen verzeichneten jedoch einen Durchschnittszuwachs. Met ist ein Discord. Das nennt man Simpsons Paradoxon. Simpsons Paradoxon ist nach einem Mathematiker Edward Simpson benannt . Er fand das 1951 heraus. Es sagt manchmal ein Ergebnis oder das geschulte gesehen wird, wenn Daten in verschiedene Gruppen getrennt werden. Aber wenn all diese Gruppen zusammengestellt werden , werden dieses Ergebnis trainiert, diese werden umgekehrt. Es verschwindet. Schauen wir uns die beiden Chart auf der linken Seite an. Im obigen Diagramm sehen Sie die gesamten Daten zusammen in grauen Punkten. Hier. Wenn man es sich anschaut, würde man sehen, dass es sich einen zunehmenden Trend von links nach rechts handelt. Wenn Sie diese grauen Punkte in vier verschiedene Farben Grün, Gelb, Blau und Rot teilen in vier verschiedene Farben Grün, . Sie sehen für das Grün ist es ein abnehmender Trend. Für das Gelb ist es ein abnehmender Trend von links nach rechts. Aus heiterem Himmel ist es wieder ein abnehmender Trend. Für das Rot steigt der Trend leicht an, aber nicht so dramatisch wie die grauen Punkte. Grundsätzlich hatten alle einzelnen Gruppen unterschiedliche Züge im Vergleich zu allen Punkten gezeigt , wenn sie in einem Gitterformat zusammengestellt wurden, was bedeutet, dass alle Punkte zusammenkamen. Das nennt man Simpsons Paradoxon. Simpsons Paradoxon ist in vielen Bereichen präsent und es hat die Entscheidungsfindung verwirrt. Werfen wir einen Blick auf einige andere Beispiele. Auch dies ist ein Beispiel für das wirkliche Leben. In jedem Doktoratsprogramm der Universität. Es wurde gefunden. Dass 50% männliche Bewerber akzeptiert wurden oder einfach nur 8% weibliche Bewerber akzeptiert wurden. Dies führte zu vielen Debatten und Diskussionen über eine Voreingenommenheit gegenüber Frauen. Weitere Untersuchungen zeigten jedoch einen anderen Trend, bei dem alle Doktoratsprogramme in naturwissenschaftliche Doktoranden und sozialwissenschaftliche Doktoranden unterteilt waren. Er wurde für diese beiden verschiedenen Arten von Doktoratsprogrammen gefunden . Mehr Frauen wurden akzeptiert als Männer, eine Bewerberin für den Parsontag. Aber Frauen bewarben sich überwiegend für ein sozialwissenschaftliches Doktoratsprogramm, das mit einem naturwissenschaftlichen Doktoratsprogramm mit einer viel niedrigeren Akzeptanzrate sowohl für männliche als auch für weibliche Studenten verglichen hatte einer viel niedrigeren Akzeptanzrate . Und diese Art von Voreingenommenheit, diese aggregierte Akzeptanz für Frauen, wie passiert das? Werfen wir einen Blick auf den Tipp. So bewarben sich 80% der männlichen Studenten für Naturwissenschaften, 20% für Sozialwissenschaften, während sich 30% für Frauen um Naturwissenschaften beworben und überwiegend 70% beantragten Doktoratsprogramm für Sozialwissenschaften. Für Männer, das Akzeptanzniveau für die Naturwissenschaften, sind wir 60% und für Frauen betrug es 80%. Frauen hatten ein höheres Akzeptanzniveau für naturwissenschaftliche Doktoratsprogramme. Ähnlich für sozialwissenschaftliche Doktoratsprogramme hatten Männer ein Akzeptanzniveau von 10% und Frauen hatten das Doppelte des Akzeptanzniveaus von 20%. Aber als sich immer mehr Frauen für ein sozialwissenschaftliches Doktoratsprogramm beworben haben, das eine viel geringere Akzeptanz des Konkurrenten Naturwissenschaften Doktoratsprogramm hatte . Die allgemeine Akzeptanz für den Menschen betrug 50% und die Frauen bei 38%. Auch wenn man sich individuell ansieht, handelt es sich um eine Trendmarke. Wenn man sich das Aggregat ansieht, ist es ein anderer Trend und es scheint und Ausgaben. Jedes Mal, wenn Sie einen Datentrend sehen , während Sie viele Daten gemeinsam betrachten, denken Sie daran, dass einzelne Gruppen möglicherweise anzeigen können, wenn es eine Möglichkeit gibt , alle Daten in aussagekräftige Gruppen zu unterteilen , alle Daten in aussagekräftige Gruppen ein völlig anderer erschöpfter Trend, ein entgegengesetzter Trend im Vergleich zu den gesamten gerasterten Daten, auf die Sie achten müssen. Es ist im Geschäft zu sehen. Recherche. Die ganze Zeit. Das Unternehmen verkaufte geteilte Asean-Fenster AC. Prüfen Sie dort das Feedback von 1000 Kunden jedes Produkts. Also 1 Tausend Kunden, die Split AC kaufen, überprüft. Und wie es in der Tabelle zu Ihrer linken Seite gezeigt wird, 800 und sagen Sie das Licht Split AC, das ist 80% den Leuten gefallen Split ac. In ähnlicher Weise haben eintausend Kunden, die Windows ISE gekauft haben, überprüft und fünfundsiebzig Prozent der Leute gaben an, dass sie Fenster-AC mögen. Sie kamen also zu dem Schluss, dass geteilter MAC mehr gefallen wird. Das Ding kehrte um, als die Kunden in Männer und Frauen aufgeteilt wurden. Also von 1 Tausend Split AC, 900, wo Hauptkunden, 100 Frauen Kunden. Von 900 männlichen Kunden gaben 750 an, dass sie Split-AC mögen, also machen sie die 3%. Und unter 100 weiblichen Kunden, 50 sagte, der leichte Split ist es, das ist 50%. Aber für Fenster AC von insgesamt 1800 Millionen Kunden von achthundertsiebenhundertfünfzig an, dass sie Fenster-AC mögen, also 88%. Zwei 100 waren weibliche Kunden , die Fenster und C und 150 Lichtfenster kauften und sehen, dass es 75% sind. Wie Sie sehen können, mochten 83% der Männer Split AAC im Vergleich zu 88% der Männer, die Fenster mochten und sehen, wenn man nur die männlichen Kunden anschaut, mehr Kunden mochten. Window ist ähnlich, wenn man nur die weiblichen Kunden ansieht, 50% wie Split SE und fünfundsiebzig Prozent Lichtfenster SE. Also wieder mehr Kunden, mehr weibliche Kunden, Mike, Fenster-AC, aber mehr weibliche Kunden mögen Fenster, das ich bei beiden männlichen Kunden sehe , wie Fenster und sehe. Aber wenn Sie nicht sowohl männliche als auch weibliche Kunden auf der Gesamtebene zusammengestellt haben, sehen Sie einen anderen Trend , dass mehr Menschen gerne Split mögen. Das ist also ein weiteres Beispiel für Bürger, Benedict. Jetzt werden wir uns ein paar Fallstudien in Unternehmen ansehen , um zu sehen, wie Simpsons Paradoxon als potenzielles Problem identifiziert werden kann als potenzielles Problem identifiziert und was dagegen zu tun ist. In einer Marktforschung zeigten Daten, dass zwischen dem Jahr zweitausend und zweitausendfünfzehn die durchschnittlichen Ausgaben pro Haushalt bestimmte Produktkategorien von 120 USD in 2 sinken tausend bis 95 US-Dollar im Jahr 2015. Jetzt ist die Frage, ist das ein Abwärtstrend? Oder sollten Sie diese Produktlinie basierend auf der Straße einstellen ? Die Antwort ist, dass Sie diese Entscheidung nicht treffen können, wenn Sie sich diesen allgemeinen Trend aller Daten ansehen diese Entscheidung nicht treffen können, wenn Sie sich diesen allgemeinen Trend aller Daten . Die Darstellung dieses Problems ist Simpsons paradoxes Problem , das wir herausgefunden haben. Und um zu beurteilen, ob eine Gruppe eingestellt werden kann, müssen Sie eine Entscheidung treffen, die auf potenziellen Untergruppen basiert. Sie müssen also untersuchen, indem das Gesamtwachstum in sinnvolle Untergruppe aufteilen , die sich möglicherweise anders verhalten kann. Und überprüfe, ob der gleiche Zug für jede Untergruppe gesehen wird. Individuell könnte die Untergruppe auf Einkommensgruppen, Familien mit hohem Einkommen, mittlerem Einkommen und niedrigem Einkommen basieren . Ist es in all diesen Gruppen derselbe Trend? Es könnte auf männlichen und weiblichen Kunden oder ortsmäßig oder irgendetwas anderem basieren ortsmäßig oder irgendetwas , was für ihre Daten sinnvoll sein könnte. All diese einzelnen Gruppen und zeigen auch einen Rückgang der Ausgaben, dann können Sie eine Entscheidung treffen. besteht jedoch die Möglichkeit, dass es einige andere Faktoren geben könnte die zu dieser Gesamtgruppe beitragen im Vergleich zu einzelnen Gruppen, die einen anderen Trend zeigen. Wenn dies der Fall ist, sollten Sie fortfahren, Sie sollten mit dieser Produktlinie fortfahren. Werfen wir einen Blick auf eine andere Fallstudie, die wiederum ein häufiges Problem darstellt. Wie Verkaufsdaten zwischen 20142019 zeigten, dass der Quadratmeter der Preisbalken der Immobilien in einem CTE um 10% gesunken ist. Ist das der abwärts gerichtete Immobilientrend? Auch dies ist eine Paradoxe Probleme von Simpson, denn wie der Immobilienmarkt in Abfall unterteilt, segmentiert und gruppiert werden kann. Um zu entscheiden, ob es sich um einen Abwärtstrend handelt, müssen Sie sich einige Gruppen ansehen. Sie müssen untersuchen, indem Sie die gesamte Gruppe in verschiedene Untergruppen aufteilen , die auf Standorten basieren könnten, um zu sehen, wo Sie an allen Standorten den gleichen Trend sehen , nach den Arten von Häusern, nach den Größen der Häuser. Die Chancen stehen gut, dass Sie sehen würden , dass einzelne Gruppen unterschiedliche Trends zeigen. Vielleicht zeigen einige einen Preisanstieg. Aber während ein anderer Faktor, vielleicht überwiegend eine Art von Wohnungen, in einer sehr großen Menge verkauft wird. Und infolgedessen ändere ich den Trend für die gesamte Gruppe. Während einzelne Gruppen einen anderen Trend zeigen könnten , z. B. die Art und Weise, wie wir für ein schlechtes mittleres Einkommen lösen und Fähigkeiten der Schüler im SAT-Score erreichen. Erst nachdem Sie den Trend in der Teilgruppe untersucht haben, können Sie schließen, ob dieser Trend der sinkenden Immobilienpreise gemanagt wurde. In ähnlicher Weise gibt es jedes Mal viele Fälle, wenn Sie eine Gruppe von Datenpunkten sehen, versuchen Sie, sie in verschiedene Gruppen zu unterteilen und sehen, ob diese Gruppen denselben Trend zeigen. Weil du auf das Problem von Simpsons Paradoxon achten musst. 7. 6 Cause: Ursache, Wirkung und Korrelation. Wenn zwei Ereignisse zusammen und bei positiver oder negativer Veränderung in einem Ereignis mit einer ähnlichen Änderung im anderen Ereignis verbunden sind. Es wird gesagt, dass sie positiv korreliert sind. Wenn diese Beziehung entgegengesetzt ist, wird gesagt, dass sie negativ korreliert sind. Es gibt viele Fälle, in denen Dinge positiv korreliert sind. Zum Beispiel gibt es eine Korrelation von 0,3. Ein Korrelationskoeffizient wird berechnet und bestimmte Weise werden wir nicht darauf eingehen. Es besteht jedoch ein gewisses Maß an positiver Korrelation zwischen dem GPA des Colleges und dem nachfolgenden Einkommen. Es besteht ein höheres Maß an Korrelation zwischen IQ und durchschnittlicher Arbeitsleistung. Es gibt eine viel höhere Korrelation von 0,7 zwischen Größe und Gewicht. Größere Menschen sind schwerer. Noch höhere Korrelation zwischen dem mathematischen SAT-Score von zwei aufeinanderfolgenden Jahren. Dies sind also in Fällen, in denen die Dinge positiv korreliert sind. Jetzt zwei gemeinsame Probleme und Irrtümer bei der Entscheidungsfindung. Im Zusammenhang mit der Korrelation r wird man als Posthoc-Irrtum bezeichnet. Als das Stemped-Ereignis nach einem Ereignis stattfand, sollen sie formuliert werden, und es wird gesagt, dass ein Ereignis anderes Richmond verursacht und einen Fall durchgeführt hat. Ein anderes ist *** hoc, ergo propter hoc, das ist, wenn zwei Ereignisse zusammen stattfinden. Man muss anderen Ereignis liegen, das möglicherweise nicht der Gast ist, da Korrelation keine Kausalität bedeutet, da Korrelation keine Kausalität bedeutet, zwei Ereignisse korreliert werden, was nicht bedeutet, dass eines die falsche Kausalität verursacht oder denken, dass ein Ereignis fälschlicherweise ein anderes verursacht. Seine Mutter aller statistischen Logistik , wenn zwei Ereignisse gleichzeitig stattfinden. Daher verwandt, aber Korrelation bedeutet nicht Kausalität. Wenn zwei Ereignisse gleichzeitig stattgefunden haben, bedeutet das nicht , dass eines ein anderes verursacht. Jeden Morgen. Hahn, Krähen. Und Sonnenaufgänge bedeuten nicht, dass dieser Hahn Sonnenaufgang verursacht, passiert einfach gleichzeitig. Hähne erwarten in Sunrise und es wächst und Sunrise Elemente, sie sind korreliert, aber das eine verursacht nicht das andere. Es gibt etwas, das als unechte Korrelation bezeichnet weil zufällig zwei Ereignisse korreliert werden könnten, aber es gibt keinerlei Beziehung. Nehmen wir ein paar Beispiele. Wenn Sie iPhone-Verkäufe in den USA planen und durch Faltungen durch Treppenklappen verursacht werden, würden Sie eine sehr hohe positive Korrelation feststellen , da beide im Laufe der Jahre zugenommen haben. Aber es gibt absolut, wie wir wissen, nein dafür keine tatsächliche Kausalität zwischen keinem Zusammenhang dazwischen. In ähnlicher Weise, wenn Sie den Bar-Kopf-Konsum von Fructose-Maissirup planen , der gesunken ist und in spektakulären Zuschauersportarten ausgegeben in spektakulären Zuschauersportarten wird, würden Sie sehen, dass einer zunimmt, während der andere abnehmend. Nur zwei Ereignisse, es gibt eine unechte Korrelation. Ebenso, wenn Sie sich die Besucher Universal Studio von Orlando und den Verkauf von Neuwagen ansehen, würden Sie beides sehen. Sie kommen runter, aber wieder werden sie gerade runter. Und jede Beziehung zwischen ihnen und unecht Assoziation kann völlig zufällig oder geistig sein. Es war viel Zeit und dies wird äußerst untersucht, dass man, wenn diese beiden Ereignisse etwas miteinander verwandt sind, diese beiden Ereignisse etwas miteinander verwandt sind, fälschlicherweise schließen oder man manipulieren kann, um anderen zu zeigen, dass sie verwandt sind Hände, einer verursacht das andere. Darauf musst du aufpassen. Zwei-mal-Zwei-Tabelle ist vierfach. Die Tabelle ist eine statistische Tabelle , die Ihnen helfen kann, Entscheidungen zu treffen. Es ist eine robuste Art zu erkennen, wie stark die Korrelation und die Kausation sind. Wenn also etwas etwas verursacht, werden Sie zum Beispiel oft Leute sehen, die Ihnen sagen dass 20 Menschen mit Grippe Medikamente genommen haben und nach fünf Tagen gesund geworden sind, verglichen nur zehn Menschen, die gesund wurden ohne Medikamente einzunehmen. Deshalb ist das Medikament infiziert. Um jedoch zu überprüfen, ob Medikament wirksam ist oder nicht, müssen Sie die vollständige Formulartabelle ausfüllen. Auf der einen Seite müssen Sie sich Leute ansehen , die Madison eingenommen haben und die keine Medikamente eingenommen haben. Und dann auf der anderen Seite muss man sich Leute ansehen, denen es nach fünf Tagen besser ging , als dass es nach fünf Tagen nicht besser wurde . Wenn insgesamt 30 Menschen zur Medizin besser geworden sind. Und Dan ging es nicht besser. Und wenn insgesamt 15 Menschen Medikamente und zehn Gott bitter nahmen und nicht besser wurden, können Sie nichts schließen. Weil die Beziehung zwischen 201010 und fünf gleich ist. Aber wenn wir unseren Meineid hatten Leute, die Madison nicht genommen haben und dann besser wurden und 20 nicht besser geworden sind, als Sie sagen können, okay, Medizin hilft. In ähnlicher Weise können Sie verschiedene erstellen, damit Tabelle nach zusätzlichen Informationen sucht , mit denen Sie sie anschließen können, um Entscheidungen zu treffen. Manchmal könnte die Kausalität umgekehrt sein. Wenn Papa einen Bericht gibt, der besagt, dass Unternehmen mit mehr Frauen in ihrem Vorstand oder profitabler oder größer als Größe sind. Es kann bedeuten, dass Unternehmen mit mehr Frauen profitabler sind , oder es kann auch bedeuten, dass profitablere Unternehmen mehr Frauen einstellen, was nicht wirklich klar ist. In ähnlicher Weise behaupten Top-Colleges , dass ihre Schüler eine bessere Leistung erbringen. Ob die Studenten aufgrund der Hochschulen besser abschneiden oder große Studenten an die Top-Colleges gehen , ist nicht sehr klar. Dies ist die Kausalität, die rückgängig gemacht werden könnte. In zwei Back-to-Back-Ereignissen wird oft gesehen , dass der Landwirt den Brief verursacht, was jedoch möglicherweise nicht der Fall ist, was oft keine Jahrzehnte sind. Aber dieser Irrtum wird als Posthoc-Irrtum bezeichnet. Es ist wie korrelationsbedingter Irrtum. Dieser Witz, sagt Org-Men, bat ihn sein Arzt, mit dem Rauchen aufzuhören , und ein anderer alter Mann sagte: Oh tu das nicht. Ein paar meiner Freunde nur mit dem Rauchen und sie sterben. Dies ist eine lustige Art, das Sterben zu setzen, hat nichts damit zu tun, mit dem Rauchen aufzuhören, aber sie sind nach dem Quizrauchen passiert. Viele reale Fälle, ein Ereignis passiert völlig unphosphoryliert, von nichts angetrieben. Aber die Leute vermuteten, dass dies auf ein anderes Ereignis zurückzuführen war, das mit dem berühmten Fall unseres ausgewogenen Hologramm-Armbands zwischen 200712 zu einem globalen Grat wurde, Millionen von Dollar wurden ausgegeben darauf, als Menschen, einschließlich Sportler, in Richtung des Produkts ihre sportlichen Fähigkeiten verbesserten. Später fanden randomisierte Doppelblind-Studien heraus, dass es keinerlei Beziehung zwischen dem Tragen dieser Armbänder und den sportlichen Fähigkeiten bei allen Athleten gab, Leute versuchten es abnehmen und besser werden, sportlicher, und es wurde besser. Das hatte nichts damit zu tun, dieses Wrestling zu tragen. Aber es geschah, weil die Leute dachten, dass die Auszeichnung diese Brust führt und dass Gott besser ist. Es war also Pauls Kausalität, Korrelation. Ein weiterer Fall von zwei Ereignissen, die gleichzeitig Teil sind wie eines, das ein anderes verursacht. 1990 begangen 30 amerikanische Jugendliche , die häufig ein bestimmtes Videospiel spielten , Selbstmord. Dies verursachte einen landesweiten Alarm, der dachte, dass Videospiele den Selbstmord verursachen würden. Weitere Untersuchungen ergriffen jedoch, dass die Selbstmordrate von Teenagern zu dieser Zeit 12 pro 100 Tausend betrug , da Trimmmillionen das Spiel regelmäßig spielten. So waren 360 Menschen statistisch dazu neigen, Selbstmord unter Leuten zu begehen , die das Spiel gespielt haben. Neugröße von Tertius war keine große Zahl. führt dazu, dass jemand denkt , dass der Selbstmord auf das Tor zurückzuführen sei. Auch hier eine falsche Kausalität weil diese beiden Ereignisse gleichzeitig stattfinden. Alle Arten von Unternehmen behaupten alle Arten von Korrelation zwischen ihrer breiten Unfallverbesserung, aber das sind keine Jahrzehnte. Das Unternehmen sagt, dass es Shampoo dazu führt, Kopf zu nehmen. Realität könnte jedoch sein, dass die Leute ihre Haare mit dem Shampoo pflücken würden , zuerst darauf hindeutet, dass sie die umgekehrte Kausalität zeigen. Diät-Produkt behauptet, wie es Lauren im Nassen verwendet wird, aber Leute, die das Produkt verwenden, würden zehn andere Dinge tun , wie Sport, weniger essen. Diese verursachen den Gewichtsverlust und kein schlechtes Produkt. Bierfirma behauptet, dass Bier ihre Krankheit verbessert. Aber es könnte keinerlei Beziehung geben, weil immer mehr gesunde Menschen Bier trinken könnten, so dass sie bereits bitter hart sind. Aber diese Kausalität, die sie behaupten, weil es nur ein unechter Wahnsinn sein könnte. Ein weiterer wichtiger Faktor im Zusammenhang mit Korrelation ist, dass die Affinität fälschlicherweise angenommen wird , dass die Korrelationsapotheker über die Daten hinausgehen, mit denen sie festgestellt wurde. Zum Beispiel wird Mais mit zunehmendem Regen größer, aber über einen bestimmten Punkt hinaus wird er kürzer. Schon wieder. Speichern Sie die Daten sind bis zu einem bestimmten Zentimeter Regen, dann sollte das enden. Aber es, denn wenn es überflutet, kann alles zerstört werden. In ähnlicher Weise ist Bildung eine positive Korrelation mit dem Verdienst, aber bis zu einem bestimmten Punkt, vielleicht bis zum Master-Abschluss, weil PhDs, es sei denn, diese Korrelation besteht nicht aus 5-Bit-Judy. In ähnlicher Weise vermisst ihn das Glück der Menschen, mit der Erhöhung des Geldes zu steigen. Aber bis zu einem gewissen Punkt. Und danach ändert es sich möglicherweise nicht viel oder es wurde verringert. Das ist dann die reichsten Menschen der Fall, die die glücklichsten Menschen auf dieser Welt gewesen wären. Aber das ist nicht gleichzeitig der Fall, wenn es der Bericht von jemandem ist, das heißt, ich wäre wirklich glücklich. Anfänglich mit zunehmendem Geld, das Glück in der Tat verrückt wurde, fanden die Leute das heraus. Aber nach einem gewissen Niveau, das sich in 19 änderte, ziemlich signifikant. Auch hier kann die Beziehung , die Korrelation oder die Kausalität bis zu einem bestimmten Punkt bestehen , der darüber hinaus überprüft wird, sie sollte nicht auf fünf Fälligkeit erhöht werden. 8. 7 Statisculation: Status-Korrelation. Statistische Zahlen werden von Journalisten, Werbetreibenden, sogenannten Experten, Verkäufern und anderen verwendet. Oft bilden und manipulieren Nachrichten Menschen. Dieser Prozess wird Statuskorrelation genannt. Hier ist eine Ausnahmeregelung. Sie würden Werbetreibende in Geschäften von wahnsinnigen 50%, 20 Verkauf auf Clouds sehen. Viele denken vielleicht, dass es sich um einen Rabatt von insgesamt 70% handelt. Aber in Wirklichkeit sind es die ersten 50% Schulden des Saldos, 50% und andere 20% des Gesamtumsatzes betragen 50% plus 20% von 50%, also 10%. Insgesamt glauben 60%, dass sie insgesamt 60% Verkauf sagen. Das wird weniger Auswirkungen haben. Deshalb sagen sie 50% plus 2%. Er wird das die ganze Zeit sehen. Dies sind zwei manipulierte Leute. In ähnlicher Weise werden Journalisten berichten, dass an einem Tag in einer Stadt oder in einem Staat geschlossen wird, ein so großer wirtschaftlicher Verlust. Immer diese Zahlen sind, Zahlen werden auf der Grundlage aller möglichen wirtschaftlichen Aktivitäten berechnet , die möglicherweise an einem Tag stattfinden können , was nie passiert. Noch wichtiger ist, dass bei der Schließung eines Tages die meisten dieser wirtschaftlichen Aktivitäten nur auf den nächsten Tag übertragen werden. Sie wirken sich tatsächlich viel weniger aus. Aber Journalisten möchten Ihr Interesse an ihren Nachrichten wecken. Deshalb geben sie einen so hohen Finger , damit mehr Menschen Nachrichten und Nachrichten als großes Unternehmen lesen und nicht die Absicht haben, Ihnen Informationen zu geben. Die Leute summieren oft unser Cindy-Zeitalter, existieren hoch, es ändert sich. Zum Beispiel sagen sie, dass die Materialkosten um 5% gestiegen sind, niemals um 7%, der Versorgungsbetrieb um 13%, der Transport um 15%. Die Gesamtkosten betragen also 40% in Bit. Bizarr, du kannst einfach darüber nachdenken. Man würde sagen, dass vielleicht viele Leute das nicht tun, aber die Leute tun das. Dies ist kein Fall von Statuskorrelation. Wenn Sie die Kosten aufheben, werden Sie das sehen. Nehmen wir zum Beispiel an, die letzten 60% der Kosten waren Material, 30% Arbeit und Fünf-Personen-Versorgungsunternehmen und 5% Transport. Diese Kostensteigerung um 5713, 15% erhöht die Gesamtkosten grundsätzlich um 6,5% pro armseligen Betrag. Aber nur sehr wenige Menschen werden es durchschauen. Und wir werden sehen, dass die Gesamtauswirkungen des Kostenanstiegs 5% erklären. Unternehmen, insbesondere Beratungsunternehmen oder Dienstleistungsunternehmen, sehen oft, dass sie über mehr als 200 Jahre kombinierte Erfahrung in ihrem Management verfügen. Es gibt merkwürdigerweise Papier mit Leugnern, jede Erfahrung wird zu 200 Jahren kombinierter Erfahrung. Das bedeutet nichts. Es ist nur eine Statuskorrelation, die eine künstlich, völlig willkürliche Zahl zeigt , um den Eindruck zu erwecken, dass ein Unternehmen viel Erfahrung hat. Wenn ein Unternehmen das Mitarbeitergehalt um 25% 1 Jahr senkt und es im nächsten Jahr um 25% erhöht. Es kann behaupten, dass es den Leuten dort zurückgegeben hat und das Gehalt, der Schüler um 6,25% gesunken ist. Auch dies ist eine andere Möglichkeit, diskriminiert zu bleiben. Der Nettogewinn eines Unternehmens ist von 2% im Vorjahr um 2% und in diesem Jahr um 4% gestiegen. Man kann behaupten, der Gewinn sei um zwei Prozentpunkte gestiegen, aber das würde nicht gut klingen. Der bessere Weg zu behaupten ist , dass die Brühe um 102% Prozent auf 4% gestiegen ist. Das wird eine viel höhere Wirkung haben. Aber die Leute tun es, tun sie. Eine andere Möglichkeit, um der Krankheit eine andere Art von Berechnung zu ermöglichen . Ein Finger. Zum Beispiel kann das Haushaltseinkommen berechnet werden, indem das Gesamteinkommen durch die Anzahl der Haushalte dividiert wird. Dies ist eine Möglichkeit, das durchschnittliche Pro-Kopf-Einkommen mit der durchschnittlichen Anzahl von Personen in einem Haushalt zu berechnen oder zu multiplizieren Pro-Kopf-Einkommen mit der durchschnittlichen . Die zweite Zahl wird immer einen hohen Vorteil bringen. Manche Leute benutzen es. Wenn Sie also ein niedriges Haushaltseinkommen zeigen möchten, verwenden Sie die erste Berechnung, wenn Sie möchten. Das High-End-Haushaltseinkommen ist also die zweite Berechnung. Was ist legitim? Im Jahr 2021? Medianes Haushaltseinkommen in 168 Tausend US-Dollar. Im selben Jahr betrug das durchschnittliche Pro-Kopf-Einkommen 37 Tausend US-Dollar. Eine durchschnittliche Haushaltsgröße betrug 2,6 Personen. Wenn Sie 37 mit 2,6 multiplizieren, erhalten Sie 96 Tausend US-Dollar, was viel höher ist als die 68.000. Wenn der Durchschnitt in einem mittleren Einkommen verwendet wird. durchschnittliche Haushaltseinkommen wird noch höher steigen. Wie Sie berechnen, bestimmt das Haushaltseinkommen. Menschen, die etwas anderes auf der Tagesordnung haben. Wir werden verschiedene Berechnungen machen. Nehmen wir dieses Beispiel, wie der Verbraucherpreisindex unterschiedlich berechnet werden kann , um unterschiedliche Zahlen, Milch- und Brotkosten anzugeben , 1,20,5 im letzten Jahr. In diesem Jahr verursachen beide 1,10 US-Dollar. Verschiedene Berechnungen können einen unterschiedlichen Preisindex anzeigen und hängen von Ihrer Agenda ab und Sie werden auf diese Weise berechnen. Wenn das letzte Jahr als Basisjahr verwendet wird, hat die Milch 50% der Kosten des Vorjahres erreicht. Und die Marke wird zu 100% der Kosten des Vorjahres. Der Durchschnitt liegt also bei 125% , also einem Anstieg von fünfundzwanzig Prozent. Auch hier, wenn Sie das aktuelle Jahr als Basisjahr verwenden, das auch darin gemessen wird. Das Mittelklassejahr betrug 200% und das Brot betrug 50%. Der Durchschnittspreis des letzten Jahres lag also bei 125%. Dieses Jahr ist das Basisjahr. Das ist ein 100%. Dieser wird also zeigen, dass der Preis des letzten Jahres fünfundzwanzig Prozent höher war. Dieser würde nicht zeigen, dass die Preise sinken. Wenn Sie ein geometrisches Mittel verwenden, zeigt es keine Änderung. Basierend darauf, wie Sie den Preisindex berechnen , zeigen Sie am 1. Mai einen Preisanstieg an. Das könnte einen Rückgang des Preises zeigen. Und einige Berechnungen zeigen möglicherweise keine Veränderung der Vögel, obwohl die Preise in allen drei Fällen genau gleich sind . Perzentilzahl ist ein weiteres interessantes Thema bei der Untersuchung der Perzentilzahl, zum Beispiel Reihen von Schülern in einer Klasse von 399 Perzentil die drei besten Schüler. Das war das. 1% von 300 Studenten, 98% Dynes sind die nächsten drei Studenten und so weiter. Es gibt einen großen Unterschied zwischen dem 99. Perzentil, dem 90. Perzentil, wie Sie aus dieser Normalverteilung sehen können , was im Allgemeinen bei einem großen in der Abbildung der Fall ist. Aber da die Ränge in der Mitte geschlossen werden, gibt es kaum einen Unterschied zwischen 14, 60%. Satz. Es heißt, man kann auf den äußersten Seiten sehen, die Perzentile sind gestreckt. Es gibt einen großen Unterschied zwischen 9919, wo es ist, der Unterschied zwischen 4060 ist viel geringer. Der Lieferant gab an , dass er den Preis um 20% erhöht habe , weil diese Kosten dabei um 20% gestiegen dabei um 20% gestiegen sind und seinen absoluten Dollar deutlich erhöht haben. Dies sind alles verschiedene Arten zu sehen wie unterschiedlich in Bezug auf statistisch gesehen wird. Unterdurchschnittlicher Satz. 1. Mai sagt: Google ändert Ihre Person, die für 40 auf 60 stirbt, während sie sich von 1999 ändern wird, während die 90 auf 99 viel größer ist. In ähnlicher Weise kann man durch eine proportionale Erhöhung Preises aufgrund der Kosten des Preises aufgrund der Kosten ihren tatsächlichen Dollar deutlich erhöhen. Dies sind alles verschiedene Wege nach Stanford. 9. 8 Half Daten: Habe relevante Daten. Wenn Menschen etwas nicht direkt beweisen können, verwenden sie halb relevante Daten als Proxy, um dies zu beweisen. Pass auf. Es ist schwierig, die Wirksamkeit von Zahnpasta zu beweisen. Unternehmen zeigen, wie ihre Produkte Keime unter Laborbedingungen zerstören. Diese beiden Bedingungen sind nicht die gleichen. Was im Labor funktioniert, funktioniert möglicherweise nicht in unserem Mund. Oft ist auch nicht klar, welche Art von Bakterien sie im Labor töten. Sind das die gleiche Art von Bakterien wie in unserem Mund? Du wärst überrascht. Es ist auch nicht klar, welche Art von Dosierung das Nutzland ist. Ist es ein vollständiges Team, nur ein paar Bakterien zu skalieren? Keine dieser Informationen ist sehr klar. Aber selbst dann behaupten sie, ihre Werbung sehr effektiv bei der Abtötung von Bakterien in LRMR. Das ist die Verwendung halber relevanter Daten. Ein Kühlschrankunternehmen kann dafür werben, dass es 50% mehr frisch hält und produziert. Du sagst es die ganze Zeit, aber frischer im Vergleich zu was? Noch ein Kühlschrank. Lebensmittel in einem Kühlmittel lagern, oder? Schatten oder einfach nur Essen unter Sommerhitze und Luftfeuchtigkeit leben . Sie werden überrascht sein, worauf diese 50% berechnet werden. Laut der Gewerkschaft seien 85% der Arbeitnehmer mit dem Management unzufrieden. Sie verwenden irrelevante Daten. Um eine starke Falllieferung zu machen, sammelt Union oft alle möglichen komplexen, einschließlich sehr trivialer, wie zum Beispiel für die Vernetzung, Lichter müssen ersetzt werden. So und so und addieren Sie sie, um zu sagen fünfundachtzig Prozent der Mitarbeiter sich gegen das Management beschweren, was nicht stimmt. 100% der Bürger eines Landes beschweren sich über einen bestimmten Zeitraum über etwas. Es ist jedoch nicht zu rechtfertigen , zu dem Schluss zu kommen, dass 100 Personen mit ihrer Regierung unzufrieden sind. Auch hier werden relevante Details verwendet. Manchmal werden relevante Daten extrem prominent. spanische Grippe ist ein Beispiel. Im Jahr 1918 wird der Ausbruch von H1N1 Spanische Grippe genannt. Interessanterweise stammt die Grippe weder in Spanien noch verbreiteter in Spanien. Nur weil es mehr von spanischen Zeitungen abgedeckt wurde. Weil sie nicht direkt im Ersten Weltkrieg verwickelt waren. Und alle anderen Länder in Europa lernen, den angeborenen Krieg zu führen. Wegen der Tatsache, dass er in spanischen Zeitungen war. Die Grippe heißt Spanisch. Regierungen in allen Ländern sind berüchtigte Nutzer von halb relevanten Details. Hier ist ein Beispiel. Im Jahr 1898, spanisch-amerikanischen Krieg, betrug die Sterblichkeitsrate in der Marine 94 Tausend Zentren. Die Sterblichkeitsrate in New York betrug zu diesem Zeitpunkt 16 Tausend Menschen. Personalvermittler der Marine verwenden diese Zahl, um zu vergleichen und zu behaupten, dass sie in der Marine gelitten habe. Dan wird von 82 Leuten in die Irre geführt, um der Navy beizutreten. Offensichtlich wurde die Sterblichkeitsrate alter und kranker Leute in New York alter und kranker Leute in New York mit jungen und starken Menschen verglichen , die mehr starben. Diese sind nicht vergleichbar, diese sind überhaupt nicht relevant. Oft haben relevante Daten die Entscheidungsfindung beeinflusst. Zum Beispiel wird 1950 bis zum Jahr eher das Jahr der schlimmsten Polioepidemie in uns angesehen . Untersuchung ergab, dass Pflicht mehr Bewusstsein, mehr Fälle, in denen eine diagnostizierte und berichtete, und mehr Menschen aufgrund der finanziellen Hilfe des Bundes meldeten . Darüber hinaus hatte das Jahr mehr Kinder, die für diese Altersgruppe anfällig sind. All diese Zahlen trugen zu einer höheren Anzahl von Fällen bei, aber der toten Zahl, was ein besseres Maß ist, wo es nicht ungewöhnlich ist. 1952, war berühmt als das Jahr der Polioepidemie in den USA. Aber diese basierten alle auf halbem Zufall und Daten. In Wirklichkeit war es wie alle anderen Bezirke, dass Aufzeichnungen und Berichte mehr Kriminalität als kriminalitätsanfälliger angesehen werden , nur weil sie mehr berichten als einige andere Bezirke , die es nicht sind Berichterstattung. Politiker in allen Ländern der produktivsten Nutzer von halb relevanten Daten. Stöbern Sie durch alle Daten, um Statistiken zu finden , die indirekt zu ihren Unanitäten passen. Bevor sie an die Macht kamen, gaben einige Bezirke an, dass ein niedriges Einkommen und einige ein hohes Einkommen hätten. Nach Bauer fügten einige Bezirke auch ein hohes Einkommen hinzu und einige hatten ein niedriges Einkommen. Politiker werden einen Bezirk mit niedrigem Einkommen vor der Macht und den Distrikt mit hohem Einkommen nach Macht auswählen , und den Distrikt mit hohem Einkommen um zu zeigen, dass ihre Governance das Einkommen erhöht hat. Während die Opposition das Gegenteil bewirken wird. Sie werden in einem Bezirk mit hohem Einkommen und niedrigem Einkommen nachweisen, um zu zeigen dass die Regierung das Einkommen sinkt. Auf diese Weise verwenden Menschen halb relevante Daten, um alle Punkte zu machen. Es ist jedoch nicht immer möglich, alle Daten zu durchschauen. Beachten Sie jedoch, dass alle Daten, die in Medieneinheiten, Männern, überall dort präsentiert werden , wo Menschen versuchen, unsere Entscheidung zu beeinflussen. Die Chancen stehen gut, dass sie dazu halb relevante Daten verwenden. Wir sind alle mit den Vorher- und Nachher-Bildern vertraut. Vorher-Nachher-Bilder zeigen, wie einige Pillen jemanden abnehmen. Aber Werbetreibende erwähnen nicht die andere Stärke die die Person tut , um das Gewicht zu verlieren. Es sind nicht nur die Pillen, die diesen Gewichtsverlust verursachen diesen Gewichtsverlust , und die aus halb relevanten Daten verwendet werden. Daher ist das Abnehmen Verwendung eines Produkts nicht völlig irrelevant . Es könnte sogar abnehmen, ohne dieses Produkt zu verwenden , wenn sie Sport treiben, weniger essen und einen gesunden Lebensstil haben. Mein Vater sät halb relevante Daten werden in Amputierten verwendet Verbesserung bedeutet, einen Punkt zu machen , um unsere Entscheidungen zu beeinflussen. 10. 9 Die Skalierung überprüfen: Überprüfe die Waage. Überprüfen Sie den Maßstab immer sorgfältig, wenn Sie sich Daten ansehen in einem Diagramm oder einer Art Liniendiagramm dargestellt sind. Eine der gebräuchlichsten Methoden , wie wir es verwendet haben oder die Änderung der Werte verringern , ist die Manipulation der Skala. Bleiben Sie einfach in Prozent Erhöhung des Gehalts kann dramatisch verschärft werden, indem Sie es in Lake zeigen. Und es ist das untere Diagramm als Stagnation zeigt, wie es in der oberen Ladung ist. Sam-Daten in unterschiedlichem Maßstab sehen anders aus. Und nur wenn man sich dieses Liniendiagramm anschaut, kommt der 1. Mai zu ganz anderen Schlussfolgerungen ohne darauf einzugehen, wie viel Veränderung stattfindet. So viele Werbetreibende lösen die Zeiten auf, spielen mit der Skala, um die Ergebnisse zu betonen. Weil sie wissen, dass die Hälfte der Menschen robust sein würde , ist diese Größenordnung. Und die andere Hälfte wäre so von der dramatischen visuellen Repräsentation beeinflusst. Weil die visuelle Darstellung so mächtig ist , dass sie diese Skala ignorieren. Der Zweck der Werbetreibenden, den Unterschied zu betonen, würde erfüllt werden. Die Balken sind in einem Balkendiagramm aufgebrochen , um Änderungen sowohl nach oben als auch unten zu zeigen. Nehmen wir dieses Beispiel. Im Jahr 1995 betrug die Verkehrsunfälle 7.800. Im Jahr 2005 waren die Verkehrsunfälle 7.728 Überschuss. Aber wenn sie in einem defekten Balkendiagramm dargestellt wird, das auf 7680 gebrochen ist, wird diese kleine Änderung von 80 noch Unfällen akzentuiert. Die Leute schauen es sich an und sagen: Oh mein Gott, 2005 köpft so viele niedrigere Säuren. Aber es ist nur so, wie gebrochene Diagramme auf Skalen verwendet werden , um Entscheidungen zu manipulieren. 11. 10 Vergleich durch Bild: Vergleich durch Bilder. Vergleich nach Bild. Viel Zeit, Menschen übertreiben oder verminderte Daten absichtlich und unbeabsichtigt. Grime Rekorde in den USA 199098 wo im Vergleich zu Bild und Reduktion dramatisch aussahen. Dies liegt daran, selbst wenn die Höhe der Kriminellen in diesem Bild proportional zum Volumen ist oder nicht. In Wirklichkeit fiel dieser Reim zwischen 15 Millionen auf 9 Millionen. Aber es sieht viel niedriger aus , weil das Volumen des kleineren Verbrechers viel kleiner ist. Es sieht so aus, als wäre die Reduzierung der Kriminalität fair gewesen. In ähnlicher Weise die Produktion von Mango Indiens. Im Vergleich zu China. Durch die Höhe der Mango sieht es viel höher aus als es wirklich ist. China betrug 4,5 Millionen Tonnen. Indien ist achtzehn Millionen zehn, aber das Volumen der größeren Mango ist viel höher als vier Zehntel, eher 1015 Tonnen. Das ist, dass wir einen Eindruck erwecken können eine Zahl viel höher ist, indem wir zwei Bilder zeigen. In ähnlicher Weise stieg Indiens Kfz-Umsatz von 3,2 Millionen im Jahr 2014 auf 4,4 Millionen im Jahr 2019, nur siebenunddreißig Prozent steigt. Aber wenn dies von zwei Autos zeigt, ist das zweite 37% tolerant als das erste. sich das anschaut, würden die Menschen den Eindruck bekommen, dass die Autoverkäufe im Jahr 2018 deutlich höher steigen. Dieser Trick wird häufig von Werbetreibenden und Propagandisten verwendet , deren Ziel es ist, Zuschauer in die Irre zu führen. Denn sobald dieser Eindruck der Menschen im Kopf ist, die beiden Eindrücke von Mangos in der vorherigen Folie sind die beiden Eindrücke von Mangos in der vorherigen Folie zwei Bilder von Kriminellen auf der ersten Folie. Und hier sind zwei Bilder von Autos. Als eine Art von entscheidet , dass sie viel höher sind, auch wenn sie sehr klein ist.