Мы в повседневной жизни часто делаем неверные выводы.
Чтобы сделать вывод о бизнес-решении на основе существующих данных, важно задать правильные вопросы существующим заинтересованным сторонам. Необходимо проверить корреляцию между имеющимися данными.
✅ Что такое аргументы?
Аргументы могут быть бизнес-выводом, состоящим из предпосылки и заключения, часто на основе некоторых имеющихся предположений. В наборе утверждений или доказательств может также отсутствовать предпосылка, что может привести к неправильному заключению.
Предпосылка (информация, причина, пример, данные и статистика, достаточные доказательства)
Заключение (рекомендация, предложение, совет, претензия, прогноз)
Например,
Предпосылка 1: Стив Джобс бросил колледж.
Предпосылка 2: Стив Джобс был успешным предпринимателем.
Вывод: Таким образом, чтобы быть успешным предпринимателем, нужно быть отсеянным.
Это неверно и обобщенно.
Чтобы проверить предоставленные нам данные, нужно задать вопросы и запросить дополнительные данные:
1. Можно ли предполагать, что образование не играет важной роли в достижении успеха?
2. Что различные другие факторыиграют важную роль в жизни человека?
3. Имеются ли достаточные доказательства того, что отказ от учебы в колледже является единственной причиной успеха? Могут быть и другие причины успеха Стива Джобса, возможно, он может быть умным мыслителем или трудолюбивым человеком.
4. Каков был размер выборки при сборе данных? Когда? Где? Как?
В предоставленных нам данных есть недостатки:
✅ Сомнительное предположение в доказательствах
- Ложно впечатляющие данные
(данные присутствуют но не логическим образом. )
– Расплывчатые термины
(Большинство, многие, почти, часто, но без числового значения. )
– поверхностный Статистические данные
(получены из исследования, но данные о таких факторах, как возраст, место проживания и т. д. упущены. )
- Неправильное использование процентов и чисел (от какого % до %?)
✅ Ошибочное рассуждение
Существует слабая корреляция между предпосылкой, предположением и корреляцией.
- Ошибка причины и следствия
(Корреляция предполагает причинно-следственную связь)
- Прогноз
(Прогноз того, что X будет иметь эффект Y. )
- Путаница
( X является результатом Y или Y является результатом X?)
P1 : если ребенок голоден. Он начинает плакать.
P2: ребенок плачет.
Вывод: ребенок плачет, поэтому он/она может быть голоден.
Вывод: (Неверный и обобщенный.)
✅Слабая аналогия
Население, время и место считаются схожими сущностями.
Пример: люди, которые каждое утро выпивают чашку кофе перед может иметь не меньше проблем, чем алкоголик, который употребляет алкоголь каждый день.
✅Обобщение
Часть размера выборки используется для вывода всего населения.
или
Часть целого используется для вывода части пространства выборки.
✅Недобросовестное сравнение
Следует сравнивать одинаковые количества.
Сравнение продуктовых магазинов по качеству и цене не является предпочтительным, скорее следует сравнивать качество с качеством и цену с ценой. .
#data #statistics #business #ml #datascience #nerworking #machinelearning #learning #ai #предположение #mathematics #comparison
