آمار و احتمال
وقتی سرعت یک سایت را میسنجی، نمرههای یک کلاس را تحلیل میکنی یا با دادهی یادگیری ماشین کار میکنی، این کلمهها پیش میآیند. فرق mean و median را بدانی، گزارشها را درست میخوانی.
مقایسه با than و as … as
در گزارشهای آماری مقایسه زیاد است. صفت کوتاه er میگیرد و صفت بلند more: «The median is lower than the mean»، «The median is more reliable than the mean». برای برابری as … as میآید: «twice as fast as»، «half as large as». the most و -est هم برای «ترین» است: «the most common value» همان mode است.
هشت کلمهی این درس
arithmetic mean (اَریثمِتیک مین): میانگین حسابی
mean در انگلیسی روزمره فعل است و یعنی «منظور داشتن»، ولی در آمار اسم است و یعنی «میانگین». arithmetic mean همان میانگین معمولی است: همه را جمع کن و بر تعدادشان تقسیم کن. در گفتار بیشتر میگویند average یا mean. میانگینهای دیگری هم هست، مثل geometric mean (میانگین هندسی).
The arithmetic mean of 2, 4 and 9 is 5.
میانگین حسابی ۲، ۴ و ۹ میشود ۵.
median (میدیِن): میانه
median یعنی «وسطی». اگر عددها را مرتب کنی، median عددی است که درست وسط میافتد؛ اگر تعدادشان زوج باشد، میانگین دو عدد وسط. فرقش با mean این است که چند عدد خیلی بزرگ رویش اثر زیادی ندارند؛ برای همین زمان پاسخ سرور یا درآمد را معمولاً با median گزارش میکنند.
The median response time is 120 ms, but some requests take seconds.
میانهی زمان پاسخ ۱۲۰ میلیثانیه است، ولی بعضی درخواستها چند ثانیه طول میکشند.
mode (مُود): نما؛ پرتکرارترین مقدار
mode در انگلیسی یعنی «حالت»، مثل dark mode یا airplane mode. در آمار، mode مقداری است که بیشتر از همه تکرار شده: در 1، 2، 2، 3، 2 میشود 2. یک داده ممکن است بیشتر از یک mode داشته باشد، و برای دادههای غیرعددی مثل رنگ یا اسم هم معنی دارد.
The mode of the list is the value that appears most often.
نمای فهرست مقداری است که بیشتر از همه آمده.
sample (سَمپِل): نمونه
sample یعنی «نمونه». در آمار به چند دادهای میگویند که از یک جمعیت بزرگ برمیداری تا دربارهی کل نتیجه بگیری. در مسئلههای برنامهنویسی Sample Input و Sample Output یعنی نمونهی ورودی و خروجی. در پایتون random.sample چند عضو متفاوت را تصادفی انتخاب میکند.
Your program passes the sample tests but fails on larger inputs.
برنامهات تستهای نمونه را رد میکند ولی روی ورودیهای بزرگتر شکست میخورد.
probability (پرابِبیلِتی): احتمال
probable یعنی «محتمل» و probability یعنی «احتمال»: عددی بین 0 و 1 که میگوید یک اتفاق چقدر ممکن است بیفتد. احتمال آمدن شیر در سکه 0.5 است. در مسئلهها زیاد میخوانی «find the probability that…» و مدلهای یادگیری ماشین هم برای هر جواب یک probability حساب میکنند.
The probability of rolling a six is one sixth.
احتمال آمدن شش در تاس یکششم است.
random (رَندِم): تصادفی
random یعنی «تصادفی، بیقاعده». عدد random عددی است که نمیشود از قبل حدسش زد. کامپیوتر معمولاً pseudo-random میسازد، یعنی عددهایی که تصادفی به نظر میرسند ولی از یک seed (دانه) ساخته میشوند. برای بازی و شبیهسازی عالی است؛ برای رمز و توکن باید از ماژول secrets استفاده کنی.
Pick a random item from the list each time the button is clicked.
هر بار که دکمه زده میشود، یک عضو تصادفی از فهرست انتخاب کن.
distribution (دیستریبیوشِن): توزیع
distribute یعنی «پخش کردن» و distribution یعنی «توزیع». در آمار میگوید مقدارها چطور پخش شدهاند: بیشترشان کجا هستند و چقدر پراکندهاند. معروفترینش normal distribution (توزیع نرمال یا زنگولهای) است و uniform distribution یعنی همهی مقدارها احتمال برابر دارند. در لینوکس هم distribution یعنی یک نسخه، مثل Ubuntu.
Heights follow a normal distribution around the mean.
قدها یک توزیع نرمال دور میانگین دارند.
outlier (اوتلایِر): دادهی پرت
out یعنی «بیرون» و lie یعنی «قرار داشتن»؛ outlier چیزی است که دور از بقیه افتاده. در آمار به دادهای میگویند که خیلی با بقیه فرق دارد، مثل 900 در میان 10، 11 و 12. outlierها میانگین را خراب میکنند ولی روی median اثر کمی دارند. گاهی خطای اندازهگیریاند و گاهی مهمترین داده.
One outlier made the average response time look terrible.
یک دادهی پرت باعث شد میانگین زمان پاسخ افتضاح به نظر برسد.
گفتوگوی دو برنامهنویس دربارهی سرعت
Ali: The dashboard says the arithmetic mean response time is 900 ms. That looks bad.
Sara: Look at the median. It is only 110 ms. A few outliers are pulling the mean up.
Ali: So most requests are fast?
Sara: Yes. Take a random sample of 1000 requests and plot the distribution. You will see a long tail on the right.
Ali: What is the probability that a user waits more than one second?
Sara: From the sample, about 2 percent. Let's find those slow requests first.
علی: داشبورد میگوید میانگین حسابی زمان پاسخ ۹۰۰ میلیثانیه است. بد به نظر میرسد.
سارا: به میانه نگاه کن. فقط ۱۱۰ میلیثانیه است. چند دادهی پرت میانگین را بالا میکشند.
علی: یعنی بیشتر درخواستها سریعاند؟
سارا: آره. یک نمونهی تصادفی از هزار درخواست بردار و توزیعش را رسم کن. یک دُم بلند سمت راست میبینی.
علی: احتمال اینکه یک کاربر بیشتر از یک ثانیه منتظر بماند چقدر است؟
سارا: از روی نمونه، حدود ۲ درصد. بیا اول همان درخواستهای کند را پیدا کنیم.