کتاب چگونه اشتباه نکنیم: قدرت تفکر ریاضی

علاقه‌مندی‌ها

ریاضیات بیشتر از آنچه که تصور می‌کنید در زندگی روزمره ما نقش دارد. در کتاب “چگونه اشتباه نکنیم: قدرت تفکر ریاضی” (How Not to Be Wrong: The Power of Mathematical Thinking)، جردن النبرگ (Jordan Ellenberg) به‌طور جذاب و کاربردی نشان می‌دهد که ریاضیات تنها محدود به معادلات پیچیده یا محاسبات مدرسه‌ای نیست، بلکه ابزاری است که می‌توانیم برای درک بهتر دنیا و تصمیم‌گیری‌های روزمره از آن بهره ببریم. این کتاب به ما می‌آموزد که چگونه با استفاده از اصول ریاضی می‌توانیم اشتباهات رایج در تفکر را شناسایی کرده و از آن‌ها اجتناب کنیم. از تجزیه و تحلیل‌های پیچیده اقتصادی تا مسائل روزمره‌ای که به نظر بی‌اهمیت می‌رسند، النبرگ به ما نشان می‌دهد که ریاضیات می‌تواند یک ابزار قدرتمند برای حل مشکلاتی باشد که حتی از نگاه غیرریاضی نیز با آن‌ها روبه‌رو می‌شویم.

با زبان ساده و پر از مثال‌های ملموس، النبرگ این نظریه را پیش می‌برد که ریاضیات، فراتر از محاسبات، نوعی قدرت تفکر است که در حل مسائل زندگی روزمره به ما کمک می‌کند و چشمان ما را به دنیای پیچیده‌تر و دقیق‌تری باز می‌کند.

کمتر شبیه سوئد

(Less Like Sweden)

📊 سوئد به عنوان یک مدل اجتماعی پیشرفته شناخته می‌شود. به‌ویژه در بحث سیاست‌های رفاهی، سوئد اغلب به‌عنوان الگویی برای دیگر کشورها معرفی می‌شود. اما این فرض که اگر ما هم شبیه سوئد عمل کنیم، نتایج مشابهی خواهیم داشت، اشتباه است. در حقیقت، شرایط اقتصادی، اجتماعی و فرهنگی هر کشور متفاوت است. اگرچه سیاست‌های سوئد منجر به کاهش نابرابری‌ها و بهبود کیفیت زندگی در این کشور شده است، این دلیل نمی‌شود که این مدل در کشوری دیگر، مثل ایالات متحده، همان نتایج را به همراه داشته باشد.

🔍 وضعیت اقتصادی و فرهنگی هر کشور منحصر به فرد است. تغییرات اجتماعی در یک کشور ممکن است با واکنش‌های متفاوتی در کشوری دیگر مواجه شود. به‌عنوان مثال، ممکن است در سوئد کاهش مالیات‌ها منجر به رشد اقتصادی پایدار شود، اما در کشوری مثل ایالات متحده، این سیاست ممکن است اثرات منفی بر روی طبقات کم‌درآمد بگذارد. بنابراین، باید توجه داشت که مدل‌های اقتصادی و اجتماعی نمی‌توانند به‌طور خطی و به‌راحتی از یک کشور به کشور دیگر منتقل شوند. سیاست‌های موفق در یک کشور ممکن است به‌دلیل تفاوت‌های فرهنگی و ساختاری در کشور دیگر به شکست منجر شوند.

(در این فصل، جردن النبرگ نشان می‌دهد که مدل‌های اقتصادی و اجتماعی معمولاً نمی‌توانند به‌راحتی از یک کشور به کشور دیگر منتقل شوند، زیرا رفتارهای اقتصادی و اجتماعی در مقیاس‌های بزرگ‌تر (مانند کشورها) به‌طور غیرخطی تغییر می‌کند.

🔍 کاربرد ریاضی در زندگی روزمره:

در زندگی روزمره، این مفهوم به ما کمک می‌کند تا در تحلیل‌های اقتصادی و پیش‌بینی‌های مالی، از مدل‌های غیرخطی استفاده کنیم. به‌عنوان مثال، اگر بخواهید پیش‌بینی کنید که پس‌انداز شما در چند سال آینده چقدر رشد خواهد کرد، نمی‌توانید این پیش‌بینی را تنها بر اساس رشد ثابت سالانه انجام دهید. در واقع، رشد سرمایه‌گذاری‌ها یا نرخ‌های بهره معمولاً به‌صورت غیرخطی عمل می‌کنند و به عواملی مانند نرخ تورم، تقاضا و عرضه و شرایط اقتصادی جهانی بستگی دارند.

مثال ساده ریاضی: فرض کنید که سود سرمایه‌گذاری شما به‌صورت سالانه 5% است. اگر در ابتدا 10000 تومان سرمایه‌گذاری کرده باشید، در سال اول شما 500 تومان سود خواهید کرد. اما در سال بعد، سود شما 5% از 10500 تومان خواهد بود، نه 10000 تومان. بنابراین، میزان سود سالانه به‌صورت غیرخطی و افزایشی خواهد بود. این مفهوم مشابه مدل‌های پیچیده‌تر در اقتصاد است که نشان می‌دهند تغییرات در مقیاس‌های بزرگ، ممکن است با همان ساده‌سازی‌ها قابل پیش‌بینی نباشند.)

در محلی مستقیم، جهانی منحنی

(Straight Locally, Curved Globally)

📉 در بسیاری از تحلیل‌ها، به‌ویژه در مسائل اقتصادی و اجتماعی، فرض می‌شود که اگر روندی در مقیاس کوچک و محلی به‌صورت مستقیم یا خطی باشد، در مقیاس بزرگ نیز باید به همین صورت ادامه یابد. این فرض در بسیاری از تحلیل‌ها و پیش‌بینی‌ها اشتباه است. منحنی‌ها می‌توانند در مقیاس محلی به‌نظر مستقیم بیایند، اما در مقیاس بزرگ‌تر رفتار پیچیده‌تری داشته باشند.

🔎 فرض کنید در حال بررسی رابطه میان دو متغیر هستید، مثلاً افزایش درآمد و بهبود کیفیت زندگی. در مقیاس کوچک، این رابطه ممکن است به‌طور خطی و مستقیم به‌نظر برسد؛ اما وقتی این رابطه را در مقیاس بزرگ‌تر بررسی می‌کنید، متوجه می‌شوید که این رابطه به‌صورت منحنی عمل می‌کند. در آغاز، افزایش درآمد ممکن است تأثیر زیادی بر بهبود کیفیت زندگی داشته باشد، اما پس از حد خاصی، اثرات اضافی درآمد بر کیفیت زندگی کاهش می‌یابد. این رفتار غیرخطی به‌ویژه در تحلیل‌های اقتصادی و اجتماعی اهمیت زیادی دارد. برای مثال، افزایش درآمد در کشورهای با اقتصاد ضعیف ممکن است اثرات مثبتی بر روی رفاه مردم داشته باشد، اما در کشورهای پیشرفته‌تر، این اثرات به‌طور نمایی کاهش می‌یابد.

(در این فصل، النبرگ توضیح می‌دهد که بسیاری از روابط که در مقیاس کوچک و محلی به‌نظر می‌رسند خطی هستند، در مقیاس بزرگ‌تر و جهانی به‌صورت منحنی تغییر می‌کنند. این یعنی یک روند که در ابتدا ساده به‌نظر می‌رسد، ممکن است در مقیاس‌های بزرگ‌تر پیچیدگی‌های غیرمنتظره‌ای داشته باشد.

🔍 کاربرد ریاضی در زندگی روزمره:

در زندگی روزمره، این موضوع در تحلیل روندهای مالی، پیش‌بینی رشد جمعیت یا حتی ارزیابی ریسک‌های بیمه‌ای به‌کار می‌رود. برای مثال، تصور کنید که می‌خواهید پیش‌بینی کنید که هزینه‌های زندگی شما در پنج سال آینده چه میزان افزایش خواهد یافت. اگر از مدل‌های ساده خطی استفاده کنید، ممکن است فقط نرخ تورم را به‌صورت ثابت در نظر بگیرید. اما در حقیقت، نرخ تورم و هزینه‌ها در طول زمان به‌صورت منحنی تغییر می‌کنند و عوامل مختلفی بر این روند تأثیر دارند.

مثال ساده ریاضی: فرض کنید که هزینه‌های زندگی شما به‌طور سالانه 4% افزایش پیدا می‌کند. اگر این نرخ ثابت باقی بماند، در ابتدا ممکن است این افزایش ساده به‌نظر برسد. اما با گذشت زمان، این افزایش به‌طور تصاعدی بیشتر خواهد شد و شما به‌طور غیرمنتظره‌ای متوجه خواهید شد که هزینه‌های شما بسیار بیشتر از پیش‌بینی‌های اولیه خواهد بود.)

همه چاق هستند

(Everyone Is Obese)

🍔 در سال‌های اخیر، بسیاری از پیش‌بینی‌ها درباره افزایش چاقی در جهان صورت گرفته است. پیش‌بینی شده که در آینده، بیشتر مردم دچار چاقی خواهند شد. این پیش‌بینی‌ها معمولاً بر اساس داده‌های گذشته و روندهای فعلی انجام می‌شوند، اما این فرض که این روندها به‌طور مداوم ادامه خواهند داشت، اشتباه است. در واقع، بسیاری از این پیش‌بینی‌ها بر اساس داده‌های ناقص و فرضیات اشتباه ساخته شده‌اند.

🔬 برای مثال، در نظر بگیرید که بر اساس آمارهای موجود، می‌توان فرض کرد که نرخ چاقی در ایالات متحده به‌طور مداوم در حال افزایش است. این داده‌ها ممکن است نشان دهند که تعداد افراد چاق در هر سال بیشتر می‌شود، اما این تحلیل نمی‌تواند به‌طور کامل عوامل مختلفی مانند تغییرات در سیاست‌های بهداشتی، آگاهی‌های عمومی و تغییرات اجتماعی را در نظر بگیرد. به‌عنوان مثال، ممکن است در آینده برنامه‌های بهداشتی و آموزشی تأثیرات مثبتی بر کاهش چاقی داشته باشند، که در داده‌های گذشته دیده نمی‌شود. بنابراین، پیش‌بینی‌هایی که تنها بر اساس داده‌های گذشته ساخته می‌شوند، به‌راحتی می‌توانند نادرست باشند.

(این فصل به بررسی اشتباهات رایج در پیش‌بینی روندها و استفاده نادرست از داده‌ها می‌پردازد. در بسیاری از موارد، افراد به اشتباه روندهای گذشته را به‌عنوان پیش‌بینی‌کننده آینده در نظر می‌گیرند بدون آنکه تغییرات اجتماعی و فرهنگی را در نظر بگیرند.

🔍 کاربرد ریاضی در زندگی روزمره:

در زندگی روزمره، این نکته به ما کمک می‌کند تا در تحلیل‌های مالی، پزشکی و اجتماعی از تحلیل‌های دقیق‌تری استفاده کنیم. برای مثال، وقتی پیش‌بینی می‌کنید که نرخ چاقی در آینده به چه میزان خواهد رسید، باید به‌دقت به شرایط مختلفی مانند تغییرات رژیم غذایی، ورزش و فرهنگ توجه داشته باشید، نه فقط به روندهای گذشته.

مثال ساده ریاضی: فرض کنید که نرخ چاقی در گذشته به‌طور سالانه 2% افزایش یافته است. اگر تنها بر اساس این داده‌ها پیش‌بینی کنید که در پنج سال آینده نیز همین روند ادامه خواهد داشت، ممکن است نتایج اشتباهی بگیرید. باید این نکته را در نظر بگیرید که ممکن است عواملی مانند تغییرات در سیاست‌های بهداشتی و آگاهی‌های عمومی منجر به کاهش نرخ چاقی شوند. بنابراین، پیش‌بینی‌ها باید مدل‌های پیچیده‌تری از روندهای گذشته را در نظر بگیرند.)

این چقدر به قیمت انسان‌های مرده است؟

(How Much Is That in Dead Americans)

💰 وقتی داده‌ها و آمارها را بررسی می‌کنیم، معمولاً به یک سوال مهم می‌رسیم: چه ارزشی برای انسان‌ها قائل هستیم؟ این سوال به‌ویژه در سیاست‌گذاری‌ها و تصمیم‌گیری‌های اقتصادی اهمیت دارد. برای مثال، در بسیاری از پروژه‌های دولتی و برنامه‌های بیمه‌ای، مسئولین باید تصمیم بگیرند که چه مقدار هزینه برای کاهش خطرات یا پیشگیری از مرگ و میر صرف کنند. به‌طور طبیعی، این تصمیم‌ها باید بر اساس ارزشی باشد که به جان انسان‌ها قائل می‌شویم.

🔍 در این فصل، به روش‌هایی پرداخته می‌شود که در آن‌ها می‌توان ارزش یک زندگی انسانی را بر اساس معیارهای اقتصادی ارزیابی کرد. یکی از روش‌های معمول برای این کار، استفاده از “ارزش عمر” است که در بسیاری از تحلیل‌های اقتصادی برای محاسبه هزینه‌های اجتماعی و اقتصادی برنامه‌ها و سیاست‌ها به‌کار می‌رود. برای مثال، در تعیین هزینه‌های پیشگیری از بیماری‌ها، محاسبه هزینه‌های درمانی و مزایای اجتماعی باید با در نظر گرفتن این باشد که تا چه حد صرف هزینه‌های بیشتر برای پیشگیری، باعث نجات جان انسان‌ها می‌شود. این سوال که “چقدر برای نجات جان انسان‌ها باید هزینه کرد؟” پرسشی است که در بسیاری از مواقع با تحلیل‌های ریاضی و اقتصادی پاسخ داده می‌شود.

(در این فصل، جردن النبرگ به بررسی نحوه استفاده از ریاضیات در محاسبه “ارزش زندگی” می‌پردازد. این مقیاس به‌طور گسترده در تصمیم‌گیری‌های اقتصادی، به‌ویژه در سیاست‌گذاری‌های بهداشتی و ایمنی، استفاده می‌شود.

🔍 کاربرد ریاضی در زندگی روزمره:

در تصمیم‌گیری‌های روزمره، این مفهوم می‌تواند به ما کمک کند تا درک بهتری از انتخاب‌ها و هزینه‌ها داشته باشیم. برای مثال، اگر بخواهیم ارزیابی کنیم که چقدر باید برای کاهش احتمال مرگ در یک تصادف رانندگی سرمایه‌گذاری کنیم، باید از روش‌های ریاضی استفاده کنیم که در آن‌ها “ارزش زندگی” محاسبه شده است. این کار به دولت‌ها و شرکت‌ها کمک می‌کند تا منابع خود را به‌طور بهینه تخصیص دهند.

مثال ساده ریاضی: فرض کنید که برای کاهش تعداد مرگ‌ها در یک منطقه خاص باید 5 میلیون دلار برای ایجاد ایستگاه‌های کنترل سرعت هزینه کنید. اگر هر ایستگاه بتواند جان 10 نفر را نجات دهد، “ارزش زندگی” به‌طور ساده به‌صورت 500,000 دلار برای هر نفر محاسبه می‌شود.)

بیشتر پای از بشقاب

(More Pie Than Plate)

🍰 تصور کنید که تصمیم‌گیری‌ها همیشه به‌صورت خطی انجام می‌شوند. فرض کنید برای توزیع منابع محدود، تنها باید تصمیم بگیرید که چه مقدار از یک چیز را بین مردم تقسیم کنید. این‌طور به‌نظر می‌آید که هرچه بیشتر تقسیم کنید، همه راضی‌تر خواهند بود. اما در دنیای واقعی، این‌گونه نیست. این فصل به مسئله‌ای پیچیده‌تر از اینکه فقط منابع را به‌صورت برابر تقسیم کنیم، می‌پردازد.

🔍 در این فصل، به ایده‌های پیچیده‌تر در مورد توزیع منابع پرداخته می‌شود. بسیاری از تصمیم‌گیری‌ها، به‌ویژه در اقتصاد و سیاست، با این اشتباه مواجه می‌شوند که فکر می‌کنند اگر هر چیزی را بیشتر توزیع کنند، همگان بهره‌مند خواهند شد. اما در واقع، منابع محدود هستند و در مواقعی که منابع افزایش پیدا می‌کنند، این مسئله باید به‌طور پیچیده‌تری تحلیل شود. فرض کنید در حال تقسیم کیک هستید. اگر شما فقط کیک را به چند نفر تقسیم کنید، ممکن است همه خوشحال شوند. اما اگر اندازه بشقاب محدود باشد، حتی اگر مقدار کیک بیشتر شود، نمی‌توان آن را به تعداد زیاد تقسیم کرد. این مفهوم به‌ویژه در سیاست‌گذاری‌های عمومی و توزیع منابع دولت‌ها بسیار مهم است.

(در این فصل، مفهوم نسبت‌ها و مقایسه‌های نسبی مورد بررسی قرار می‌گیرد. این ابزار ریاضی برای تحلیل و مقایسه‌ی میزان رشد و توزیع منابع در شرایط مختلف استفاده می‌شود.

🔍 کاربرد ریاضی در زندگی روزمره:

در زندگی روزمره، استفاده از نسبت‌ها به شما کمک می‌کند تا تصمیمات بهتری بگیرید. به‌عنوان مثال، اگر می‌خواهید بدانید که چگونه درآمد خود را بین پس‌انداز، هزینه‌ها و سرمایه‌گذاری تقسیم کنید، باید از تحلیل‌های نسبی استفاده کنید تا مطمئن شوید که منابع شما به‌درستی تقسیم شده‌اند.

مثال ساده ریاضی: فرض کنید که یک خانواده 100 میلیون تومان درآمد سالانه دارد و می‌خواهد 30% از این مبلغ را صرف پس‌انداز کند. بنابراین، مقدار پس‌انداز سالانه به‌طور نسبی 30 میلیون تومان خواهد بود. در اینجا استفاده از نسبت‌ها به خانواده کمک می‌کند تا تصمیمات مالی خود را بهتر برنامه‌ریزی کند.)

دلال بورس بالتیمور و کدهای کتاب مقدس

(The Baltimore Stockbroker and the Bible Code)

📈 در دنیای آمار و پیش‌بینی‌ها، یکی از بزرگترین اشتباهات که اغلب افراد درگیر آن می‌شوند، این است که اشتباهات آماری را به‌راحتی نادیده می‌گیرند. در این فصل، داستانی در مورد یک دلال بورس در بالتیمور آورده می‌شود که از الگوریتم‌های پیچیده برای پیش‌بینی بازار استفاده می‌کرد. این دلال بورس معتقد بود که با استفاده از داده‌ها و الگوهای آماری، می‌تواند تغییرات بازار بورس را پیش‌بینی کند. اما این پیش‌بینی‌ها در نهایت اشتباه از آب درآمدند.

🔎 در اینجا نشان داده می‌شود که چگونه یک تحلیل آماری ظاهراً دقیق می‌تواند منجر به نتایج اشتباهی شود. این اشتباهات معمولاً به دلیل استفاده نادرست از داده‌ها و الگوریتم‌های پیچیده به‌وجود می‌آیند. دلال بورس معتقد بود که با توجه به کدهای پیچیده موجود در داده‌ها، می‌تواند موفقیت‌های بزرگی کسب کند. اما در واقع، این کدها نتایج غیرواقعی و بی‌پایه‌ای ایجاد می‌کردند که در نهایت منجر به شکست شد. این مثال نشان می‌دهد که به‌کارگیری مدل‌های آماری بدون درک کامل از داده‌ها می‌تواند باعث نتایج اشتباه شود. در نهایت، باید توجه داشت که تحلیل‌های پیچیده همیشه به‌تنهایی نمی‌توانند حقیقت را نمایان کنند، بلکه باید از آن‌ها با دقت و آگاهی کامل استفاده کرد.

(در این فصل، استفاده از تحلیل‌های احتمالی و کدگذاری به‌طور خاص در زمینه پیش‌بینی‌های اقتصادی و اجتماعی بررسی می‌شود. جردن النبرگ از مثال‌هایی مانند “کد بورس” و “کد کتاب مقدس” برای نشان دادن خطرات استفاده نادرست از داده‌ها می‌پردازد.

🔍 کاربرد ریاضی در زندگی روزمره:

این مفهوم به ما کمک می‌کند تا در پیش‌بینی‌های مالی و تجاری، تحلیل‌های دقیق‌تری انجام دهیم و از تحلیل‌های احتمالی استفاده کنیم. به‌عنوان مثال، اگر بخواهید سرمایه‌گذاری‌های خود را بر اساس پیش‌بینی‌های بازار بورس انجام دهید، باید بدانید که فقط استفاده از داده‌های گذشته و الگوهای موجود ممکن است منجر به اشتباه شود، زیرا نتایج ممکن است بر اساس احتمال‌های پیچیده‌ای به‌دست آیند که نمی‌توان به‌سادگی از آن‌ها نتیجه‌گیری کرد.

مثال ساده ریاضی: فرض کنید یک سرمایه‌گذار می‌خواهد پیش‌بینی کند که قیمت سهام یک شرکت در ماه آینده به چه میزان تغییر خواهد کرد. او می‌تواند از روش‌های احتمالاتی استفاده کند تا تغییرات گذشته را به‌عنوان مبنای تحلیل قرار دهد، اما باید از خطرات “کدگذاری” اشتباه داده‌ها آگاه باشد.)

(در گذشته برخی از افراد سعی کردند که در متون مذهبی، مانند کتاب مقدس، الگوهای ریاضی پیچیده‌ای پیدا کنند. به‌عنوان مثال، بعضی افراد ادعا می‌کردند که می‌توانند پیش‌بینی‌های آینده یا پیام‌های پنهانی را از متون کتاب مقدس استخراج کنند، مشابه به نحوه‌ی تحلیل‌های آماری که در بورس یا پیش‌بینی‌های اجتماعی انجام می‌شود.

النبرگ از این مثال استفاده می‌کند تا نشان دهد که چگونه داده‌ها می‌توانند به‌طور اشتباه تحلیل شوند و نتیجه‌گیری‌های نادرستی گرفته شوند. این کار مشابه به این است که به دنبال یک “کد پنهانی” در داده‌ها باشیم که در واقع وجود ندارد. در زمینه‌های اقتصادی و اجتماعی نیز این اشتباهات رایج هستند. افراد و سازمان‌ها به‌طور ناخودآگاه به دنبال الگوهایی می‌گردند که در واقع تصادفی یا بی‌پایه هستند و این می‌تواند منجر به پیش‌بینی‌های نادرست و تصمیمات اشتباه شود.)

ماهی‌های مرده ذهن نمی‌خوانند

(Dead Fish Don’t Read Minds)

🧠 در زندگی روزمره، افراد تمایل دارند تا از اطلاعات موجود برای پیش‌بینی رفتار دیگران استفاده کنند. اما آیا این پیش‌بینی‌ها همیشه دقیق هستند؟ در واقع، رفتار انسان‌ها به‌راحتی قابل پیش‌بینی نیست. فرض کنید شما در حال خرید یک کتاب از کتابفروشی هستید و به‌طور اتفاقی فردی را می‌بینید که یک کتاب مشابه را به‌طور همزمان در دست دارد. در چنین شرایطی، برخی از افراد ممکن است فکر کنند که او همانند شما به همین کتاب علاقه دارد و شاید شما به‌طور ناخودآگاه همین نظر را درباره رفتار او دارید. این نوع پیش‌بینی‌ها ممکن است ساده به‌نظر برسند، اما بر اساس اصول علمی، پیش‌بینی رفتار انسان‌ها در چنین شرایطی همیشه نادرست است.

🔍 در این فصل، با استفاده از مثال‌هایی از دنیای حیوانات، توضیح داده می‌شود که چگونه حتی رفتارهای بسیار ساده نیز می‌توانند به‌راحتی گمراه‌کننده باشند. ماهی‌های مرده، که در سطح ابتدایی‌ترین شکل حیات زندگی می‌کنند، نیز رفتارهایی از خود نشان می‌دهند که حتی از مشاهده‌گرانی مانند ما دور می‌مانند. برای مثال، فرض کنید گروهی از ماهی‌ها در حال حرکت هستند. برخی افراد ممکن است فکر کنند که این ماهی‌ها در حال دنبال کردن یک هدف خاص هستند. اما در حقیقت، این حرکت‌ها بیشتر از آنکه ناشی از قصد و نیت باشد، به علت جریان‌های آب و شرایط محیطی است.

(در این فصل، جردن النبرگ به تحلیل رفتار انسان‌ها و اشتباهات رایج در پیش‌بینی‌های ذهنی پرداخته است. او این موضوع را با استفاده از مثال‌هایی از دنیای حیوانات و آمارهای تصادفی بررسی می‌کند. این فصل نشان می‌دهد که چگونه تحلیل‌های ذهنی و پیش‌بینی‌هایی که بر اساس رفتارهای گذشته افراد ساخته می‌شوند، می‌توانند اشتباهات زیادی را به‌دنبال داشته باشند.

🔍 کاربرد ریاضی در زندگی روزمره:

در زندگی روزمره، این مفهوم به ما کمک می‌کند تا از پیش‌بینی‌های ذهنی و تحلیل‌های سطحی اجتناب کنیم. برای مثال، وقتی می‌خواهید بدانید که احتمال موفقیت یک استارتاپ چقدر است، باید به‌جای تکیه بر حدس‌های ذهنی، از داده‌های واقعی و مدل‌های احتمالاتی استفاده کنید.

مثال ساده ریاضی: فرض کنید که می‌خواهید پیش‌بینی کنید که آیا فردی که تازه وارد یک شرکت شده، در آینده موفق خواهد شد یا نه. اگر این پیش‌بینی فقط بر اساس اطلاعات اولیه یا “احساسات” شما باشد، احتمال خطا بسیار زیاد است. به‌جای آن، باید از تحلیل‌های آماری استفاده کنید تا بتوانید به‌طور دقیق‌تری نتایج را پیش‌بینی کنید.)

رد کردن تا حد غیرمحتمل

(Reductio Ad Unlikely)

💡 یکی از روش‌های رایج در استدلال‌ها و استدلال‌های ریاضی استفاده از روش “رد کردن تا حد غیرمحتمل” است. در این فصل، این روش بررسی می‌شود. این تکنیک به ما کمک می‌کند تا با فرض گرفتن یک موقعیت نادر و تحلیل آن، به‌طور غیرمستقیم به اثبات یا رد یک نظریه دست پیدا کنیم. برای مثال، فرض کنید در حال بررسی این موضوع هستید که آیا به‌طور تصادفی ممکن است دو فرد کاملاً بی‌ربط در یک موقعیت خاص قرار بگیرند. این فرض می‌تواند به‌راحتی با رد فرضیاتی از قبیل “تمامی شرایط باید به‌طور تصادفی اتفاق بیفتند” بررسی شود.

🔎 در واقع، به‌کارگیری این روش به‌طور موثری نشان می‌دهد که چگونه می‌توان از موقعیت‌های غیرمحتمل برای پیش‌بینی و تحلیل نتایج استفاده کرد. در مثال‌های مختلف از تاریخ و علم، این تکنیک به‌کار گرفته می‌شود تا نشان دهد که چگونه اشتباهات شناختی می‌توانند از تحلیل‌های سطحی ناشی شوند. این نوع استدلال‌ها در بسیاری از زمینه‌ها از جمله فلسفه، علم داده‌ها، و تصمیم‌گیری‌های روزمره بسیار مفید هستند.

(در این فصل، جردن النبرگ از تکنیک استدلال ریاضی “رد کردن تا حد غیرمحتمل” استفاده می‌کند. این روش به‌طور گسترده در تحلیل‌های علمی و منطقی برای رد فرضیه‌ها به‌کار می‌رود. هدف این است که اگر یک فرضیه غیرمحتمل به نظر برسد، آن را رد کنیم. این روش می‌تواند برای حل مشکلات پیچیده و تحلیل داده‌های غیرمحتمل مفید باشد.

🔍 کاربرد ریاضی در زندگی روزمره:

در تصمیم‌گیری‌های روزمره، می‌توانیم از این روش برای ارزیابی و رد ایده‌ها یا استراتژی‌های غیرمنطقی استفاده کنیم. به‌عنوان مثال، اگر کسی ادعا کند که یک نوع سرمایه‌گذاری با بازده سالانه 1000% وجود دارد، شما باید از روش “رد کردن تا حد غیرمحتمل” استفاده کنید تا چنین فرضیه‌ای را رد کنید، زیرا احتمال وقوع چنین اتفاقی به‌طور علمی بسیار پایین است.

مثال ساده ریاضی: اگر کسی بگوید که احتمال بردن در یک قرعه‌کشی 1 در 100 است، می‌توانید از روش “رد کردن تا حد غیرمحتمل” استفاده کنید تا نشان دهید که این احتمال بسیار کم است و تصمیم‌گیری بر اساس این فرضیه اشتباه است.)

مجله بین‌المللی هاروسپیکی

(The International Journal of Haruspicy)

🔮 در این فصل، به بررسی تأثیر پیش‌بینی‌های اشتباه و علم ساختگی در زمینه‌های مختلف پرداخته می‌شود. یکی از نمونه‌های بارز این علم ساختگی، هاروسپیکی است که به پیش‌بینی آینده از طریق مطالعه درون بدن حیوانات، به‌ویژه کبد آن‌ها، می‌پردازد. این علم در دوران باستان محبوب بود، اما در دنیای مدرن دیگر جایگاه خود را از دست داده است. با این حال، بررسی این موضوع و جایگاه آن در تاریخ علم می‌تواند به‌طور غیرمستقیم به ما کمک کند تا فهم بهتری از چگونگی تفکر انسان‌ها و قبول نظریه‌ها و پیش‌بینی‌های غیرعلمی پیدا کنیم.

🔍 هاروسپیکی به‌عنوان یک علم ساختگی، به ما نشان می‌دهد که چگونه تحلیل‌های نادرست و اشتباهات شناختی می‌توانند تأثیر زیادی بر تصمیم‌گیری‌های اجتماعی و فردی بگذارند. در دنیای امروز، چنین رویکردهایی می‌توانند به‌راحتی در قالب پیش‌بینی‌هایی نظیر “پیشگویی‌های مالی” یا “پیش‌بینی‌های سیاسی” ظاهر شوند. در این فصل، تلاش می‌شود تا نشان داده شود که چگونه باید از این نوع پیش‌بینی‌ها و تحلیل‌ها اجتناب کرد.

(در این فصل، النبرگ به استفاده از “علم ساختگی” مانند هاروسپیکی (پیش‌بینی از طریق مطالعه کبد حیوانات) اشاره می‌کند. این مفهوم نشان می‌دهد که چگونه برخی از پیش‌بینی‌ها بر اساس داده‌های ناقص یا نادرست انجام می‌شوند. او این مثال را برای توضیح اینکه چگونه می‌توان از تحلیل‌های نادرست و مدل‌های اشتباه جلوگیری کرد، مطرح می‌کند.

🔍 کاربرد ریاضی در زندگی روزمره:

این موضوع به ما کمک می‌کند تا در تحلیل‌های اقتصادی، اجتماعی و حتی شخصی از داده‌های معتبر و مدل‌های علمی استفاده کنیم. در دنیای امروز، بسیاری از تحلیل‌ها و پیش‌بینی‌ها می‌توانند گمراه‌کننده باشند، به‌ویژه زمانی که داده‌ها نادرست یا ناقص باشند.

مثال ساده ریاضی: فرض کنید که برای تصمیم‌گیری در مورد خرید یک خانه، به‌دنبال داده‌های غیرمعتبر یا پیش‌بینی‌های نادرست از سایت‌های غیرمعتبر هستید. این می‌تواند به شما اطلاعات غلط بدهد. به‌جای آن، باید از داده‌های دقیق و روش‌های علمی استفاده کنید تا تصمیمی آگاهانه بگیرید.)

آیا آنجا هستی، خدا؟ منم، استنباط بیزی

(Are You There, God? It’s Me, Bayesian Inference)

📊 در این فصل به یکی از روش‌های پایه‌ای در ریاضیات، یعنی استنباط بیزی پرداخته می‌شود. استنباط بیزی یک روش آماری است که از آن برای به‌روزرسانی پیش‌بینی‌ها و باورها بر اساس اطلاعات جدید استفاده می‌شود. این روش به‌طور خاص در علم داده‌ها و تحلیل‌های آماری کاربرد دارد. فرض کنید یک پزشک نتایج آزمایش‌ها را دریافت می‌کند و باید تصمیم بگیرد که آیا بیمار مبتلا به یک بیماری خاص است یا خیر. با استفاده از استنباط بیزی، پزشک می‌تواند پیش‌بینی‌های خود را بر اساس اطلاعات جدید به‌روز کند.

🔍 یکی از ویژگی‌های برجسته استنباط بیزی این است که بر اساس شواهد و داده‌ها به‌صورت تدریجی پیش می‌رود. برای مثال، اگر یک فرضیه اولیه وجود داشته باشد که احتمال بیماری بالا است، استنباط بیزی این فرضیه را با توجه به نتایج جدید آزمایش‌ها به‌روز می‌کند و احتمال آن را مجدداً محاسبه می‌کند. این فرآیند به‌طور مداوم باعث دقیق‌تر شدن پیش‌بینی‌ها می‌شود و در نهایت به تصمیم‌گیری‌های بهتری منجر می‌شود. یکی از مواردی که در این فصل به‌طور خاص مورد توجه قرار می‌گیرد، تفاوت‌های میان استنباط بیزی و روش‌های دیگر مانند استنباط فراوانی است.

(در این فصل، جردن النبرگ به روش استنتاج بیزی (Bayesian Inference) پرداخته است. استنتاج بیزی روشی است که برای به‌روزرسانی احتمالات به‌کار می‌رود، زمانی که اطلاعات جدیدی در اختیار داریم. این روش در تحلیل‌های آماری و تصمیم‌گیری‌های مختلف از جمله در پزشکی، اقتصاد، و پیش‌بینی‌های اجتماعی کاربرد فراوانی دارد.

🔍 کاربرد ریاضی در زندگی روزمره:

این روش به ما کمک می‌کند تا در شرایطی که اطلاعات ناقص داریم، تصمیمات بهتری بگیریم. برای مثال، اگر می‌خواهید پیش‌بینی کنید که یک دارو موثر است یا نه، می‌توانید از استنتاج بیزی استفاده کنید تا با توجه به داده‌های موجود و اطلاعات جدید، احتمال اثربخشی دارو را به‌روز کنید.

مثال ساده ریاضی: فرض کنید که شما اطلاعات اولیه‌ای دارید که 80% از داروها در درمان بیماری خاصی موفق هستند. اما پس از مشاهده یک آزمایش جدید، شما متوجه می‌شوید که داروی خاصی که در نظر دارید، 90% تأثیرگذاری داشته است. با استفاده از استنتاج بیزی، می‌توانید احتمال موفقیت داروی مورد نظر را با استفاده از اطلاعات جدید به‌روزرسانی کنید.)

چه انتظاری از برنده شدن در قرعه‌کشی دارید؟

(What to Expect When You’re Expecting to Win the Lottery)

🎰 احتمال برنده شدن در قرعه‌کشی‌ها و سایر بازی‌های شانس یکی از موضوعات جذاب در ریاضیات و آمار است. در این فصل، به این موضوع پرداخته می‌شود که چرا مردم درک درستی از شانس‌های واقعی در چنین بازی‌هایی ندارند و چگونه این نادرست بودن درک منجر به تصمیمات اشتباه می‌شود. فرض کنید شما یک بلیط قرعه‌کشی خریداری کرده‌اید و منتظر نتیجه هستید. احتمال برنده شدن شما بسیار کم است، اما به‌طور ناخودآگاه این احتمال را خیلی بیشتر از آنچه که در واقعیت است، می‌بینید.

🔎 این فصل به تحلیل دقیق‌تر احتمالات و انتظارات در چنین بازی‌هایی می‌پردازد و نشان می‌دهد که چرا اعداد و آمارها در این زمینه‌ها برای بسیاری از مردم گیج‌کننده است. یکی از نکات مهم این است که مردم معمولاً از مفهوم “انتظار ریاضی” (expected value) غافل می‌شوند. انتظار ریاضی به این معنا است که در درازمدت، احتمال برنده شدن در قرعه‌کشی‌ها یا سایر بازی‌های شانس به‌طور پیوسته به صفر میل می‌کند، حتی اگر در هر دوره خاص احتمال برنده شدن زیاد به‌نظر برسد. این مفهوم به‌ویژه در تحلیل‌های مالی و سرمایه‌گذاری نیز کاربرد دارد.

(در این فصل، نویسنده به تحلیل شانس برنده شدن در لاتاری و مفهوم “ارزش مورد انتظار” پرداخته است. ارزش مورد انتظار یک مفهوم کلیدی در نظریه احتمال است که میانگین وزنی نتایج مختلف را با توجه به احتمال وقوع هرکدام از آن‌ها محاسبه می‌کند.

🔍 کاربرد ریاضی در زندگی روزمره:

این مفهوم به ما کمک می‌کند تا در تصمیم‌گیری‌های مالی و روزمره از تحلیل‌های دقیق‌تر استفاده کنیم. برای مثال، در هنگام خرید بلیط لاتاری یا سرمایه‌گذاری در بازارهای مالی، با استفاده از محاسبه ارزش مورد انتظار می‌توانیم تصمیمات آگاهانه‌تری بگیریم.

مثال ساده ریاضی: فرض کنید که بلیط لاتاری 10 هزار تومان هزینه دارد و جایزه اول 100 میلیون تومان است. با استفاده از محاسبه ارزش مورد انتظار، می‌توانیم شانس برد و مقدار بازدهی را محاسبه کنیم. اگر احتمال برد 1 در 10 میلیون باشد، ارزش مورد انتظار بلیط لاتاری برابر با 10 هزار تومان * (100 میلیون تومان / 10 میلیون) خواهد بود، که در این صورت شما متوجه خواهید شد که ارزش واقعی بلیط از هزینه آن کمتر است.)

بیشتر پروازها را از دست بدهید!

(Miss More Planes)

✈️ در این فصل، به یک نتیجه غیرمنتظره از آمار و احتمالات در زندگی روزمره پرداخته می‌شود: چرا ممکن است بهتر باشد که بعضی مواقع پروازهای بیشتری را از دست بدهید! در ابتدا ممکن است این موضوع عجیب به‌نظر برسد، اما وقتی به آن از دیدگاه ریاضی نگاه کنید، منطقی است. بسیاری از افراد به اشتباه تصور می‌کنند که همیشه باید از تمام فرصت‌ها برای سفر استفاده کنند، اما در واقع ممکن است در برخی شرایط، انتخاب پروازهای کم‌هزینه‌تر یا در زمان‌های متفاوت‌تر، به‌صرفه‌تر باشد.

🔍 برای مثال، بسیاری از سیستم‌های پرواز به‌گونه‌ای طراحی شده‌اند که برای بلیت‌های در لحظه آخر هزینه بیشتری دارند. بنابراین، با برنامه‌ریزی بهتر و انتخاب پروازهایی که از لحاظ زمانی دورتر هستند، می‌توان هزینه‌ها را کاهش داد. علاوه بر این، آمار نشان می‌دهد که انتخاب پروازهایی که معمولاً کمتر شلوغ هستند، ممکن است تجربه سفر بهتری را ایجاد کند و از طرفی، در برخی مواقع حتی باعث کاهش احتمال تاخیر و مشکلات دیگر می‌شود. این فصل به‌طور کامل به تحلیل رفتارهای احتمالاتی در سفرهای هوایی پرداخته و نشان می‌دهد که چگونه می‌توان با استفاده از داده‌ها و تحلیل‌های ریاضی، تصمیمات بهتری در زندگی روزمره گرفت

(در این فصل، جردن النبرگ به یک پدیده جالب در تصمیم‌گیری‌های روزمره اشاره می‌کند که ممکن است به‌طور غیرمنتظره‌ای به نفع شما باشد. او در این فصل توضیح می‌دهد که گاهی انتخاب پروازهای با تأخیر یا حتی از دست دادن برخی پروازها می‌تواند به‌صرفه‌تر از انتخاب پروازهای سریع‌تر و مستقیم باشد، به‌ویژه وقتی که هزینه‌ها و مزایا را در نظر می‌گیریم.

🔍 کاربرد ریاضی در زندگی روزمره:

این ایده به‌طور خاص به تحلیل‌های هزینه-فایده و زمان‌بندی بهینه مرتبط است. با استفاده از اصول ریاضی، می‌توان به‌جای فقط انتخاب سریع‌ترین گزینه، تصمیماتی گرفت که در بلندمدت زمان و هزینه را به‌طور موثری مدیریت کنند.

مثال ساده ریاضی: فرض کنید که شما می‌خواهید به مقصدی سفر کنید و دو پرواز مختلف در دسترس دارید: یکی با هزینه بالاتر اما سریع‌تر و دیگری با هزینه کمتر ولی تأخیر بیشتر. از آنجا که گاهی ممکن است تأخیرهای بیشتر هزینه‌هایی مثل ترانزیت بیشتر یا کاهش کیفیت تجربه سفر را به‌دنبال داشته باشد، در برخی مواقع می‌توان از مدل‌های هزینه-فایده برای انتخاب بهینه استفاده کرد. این تصمیمات می‌تواند در انتخاب بهترین پرواز یا حتی زمان‌بندی روزمره به‌کار رود.)

جایی که خطوط قطار همدیگر را ملاقات می‌کنند

(Where the Train Tracks Meet)

🚂 در دنیای ریاضیات و به‌ویژه در تحلیل‌های احتمال، یکی از موضوعات جالب، مدل‌سازی اتفاقات نادر است. بسیاری از رویدادهایی که در زندگی روزمره با آن‌ها مواجه می‌شویم، به‌طور غیرمنتظره‌ای در فواصل زمانی خاص اتفاق می‌افتند. در این فصل، به نحوه استفاده از مدل‌های ریاضی برای تحلیل این رویدادهای نادر پرداخته می‌شود. مثلاً فرض کنید که دو خط قطار در یک نقطه به هم می‌رسند. به‌طور منطقی، باید احتمال وقوع این اتفاقات در دنیای واقعی بسیار کم باشد، اما آیا این تصور واقع‌بینانه است؟

🔍 این مسئله به یکی از چالش‌های اصلی در تحلیل‌های احتمالاتی مربوط می‌شود که در آن‌ها فرض می‌شود که نتایج نادر به‌صورت کاملاً تصادفی رخ می‌دهند. در حالی‌که این‌گونه پیش‌بینی‌ها در برخی موارد درست هستند، در بسیاری از موارد دیگر اشتباه‌اند. این فصل به‌طور دقیق نشان می‌دهد که چگونه به‌کارگیری این مدل‌ها برای پیش‌بینی رویدادهای نادر می‌تواند اشتباهات زیادی را در نتیجه‌گیری‌ها به‌وجود آورد.

(در این فصل، جردن النبرگ به‌طور غیرمستقیم در مورد نحوه تحلیل داده‌ها و شبیه‌سازی سیستم‌های پیچیده توضیح می‌دهد. او از خطوط قطار برای بیان مفهومی استفاده می‌کند که در آن خطوط مختلف در یک نقطه به هم می‌رسند. این در واقع یک استعاره از نحوه تجزیه‌وتحلیل نقاط تقاطع در سیستم‌های پیچیده است.

🔍 کاربرد ریاضی در زندگی روزمره:

این مفهوم می‌تواند در تصمیم‌گیری‌های پیچیده مانند انتخاب بهینه مسیر در حمل‌ونقل یا حتی تحلیل در تصمیمات کسب‌وکار و ترافیک شهری به‌کار رود. هر نقطه تقاطع نشان‌دهنده یک نقطه بحرانی است که نیاز به تحلیل دقیق دارد.

مثال ساده ریاضی: فرض کنید که در یک شبکه حمل‌ونقل شهری، خطوط مترو از چندین نقطه به هم می‌رسند. اگر بخواهید کمترین زمان ممکن برای سفر را انتخاب کنید، باید نقاط تقاطع را شبیه‌سازی کنید تا بهترین تصمیم ممکن را بگیرید.)

پیروزی بی‌لیاقت

(The Triumph of Mediocrity)

🏆 بسیاری از افراد و سازمان‌ها در تلاش‌اند تا در زمینه‌های مختلف، از جمله در کسب‌وکار و سیاست، به نتایج برجسته برسند. اما در دنیای واقعی، موفقیت‌های بزرگ اغلب در سایه عملکردهای متوسط قرار می‌گیرند. این فصل به تحلیل این موضوع می‌پردازد که چرا بیشتر افراد و سازمان‌ها به‌جای برتری، به موفقیت‌های متوسط دست می‌یابند. یکی از دلایل این امر، تمایل به پیروی از مسیرهای راحت و شناخته‌شده است که در نهایت منجر به میانگین شدن عملکردها می‌شود.

🔍 این فصل همچنین به نظریه‌های مختلف در مورد “میانگین‌گرایی” در علم اقتصاد و روان‌شناسی پرداخته و نشان می‌دهد که چگونه انتظارات غیرواقعی از موفقیت‌های بزرگ، می‌توانند منجر به اشتباهات استراتژیک شوند. حتی در بسیاری از زمینه‌ها، در کنار تلاش برای دستیابی به عملکردهای عالی، ممکن است میانگین‌ها به‌طور ناخودآگاه به موفقیت تبدیل شوند.

(در این فصل، النبرگ به مفهوم “میانگین‌گرایی” می‌پردازد و توضیح می‌دهد که چرا بیشتر افراد در زمینه‌های مختلف به‌جای دستیابی به موفقیت‌های برجسته، در نهایت به‌طور متوسط یا میانگین عمل می‌کنند. این پدیده به‌ویژه در تحلیل‌های اجتماعی و اقتصادی بسیار مهم است.

🔍 کاربرد ریاضی در زندگی روزمره:

این فصل به ما کمک می‌کند تا درک بهتری از توزیع‌های آماری مانند “توزیع نرمال” یا “قانون میانگین‌ها” داشته باشیم. به‌طور ساده‌تر، بسیاری از داده‌ها و نتایج در دنیای واقعی معمولاً در محدوده متوسط قرار دارند و احتمالاً افراد کمی قادر به دستیابی به عملکردهای بسیار بالا هستند. این را می‌توان در تصمیم‌گیری‌های شغلی یا ارزیابی عملکرد در زندگی روزمره استفاده کرد.

مثال ساده ریاضی: فرض کنید که در یک کلاس درس، میانگین نمرات 10 نفر 75 است. با این حال، احتمال اینکه یک دانش‌آموز نمره‌ای بسیار بالاتر یا پایین‌تر از این میانگین بگیرد، کم است. این نشان‌دهنده این است که بیشتر افراد در محدوده میانگین قرار می‌گیرند، که همان مفهوم “توزیع نرمال” است.)

بیضی گالتون

(Galton’s Ellipse)

🔬 در این فصل، به مفهوم “بیضی گالتون” پرداخته می‌شود که یکی از نمادهای ریاضی و آماری معروف است. گالتون، که یکی از پیشگامان آمار و ژنتیک مدرن بود، این بیضی را به‌عنوان ابزاری برای توضیح الگوهای ارثی و ژنتیکی معرفی کرد. این ابزار ریاضی به‌ویژه برای تحلیل داده‌های مربوط به وراثت‌های انسانی و ویژگی‌های خانوادگی استفاده می‌شد.

📊 بیضی گالتون نشان می‌دهد که چگونه ویژگی‌ها و صفات ارثی می‌توانند به‌طور پیچیده و در ابعاد مختلف منتقل شوند. این تحلیل به‌ویژه در زمینه‌های آماری و ژنتیکی به‌کار می‌رود تا الگوهای دقیق‌تری از انتقال ویژگی‌ها در جمعیت‌ها استخراج شود. اما چیزی که در این فصل جلب توجه می‌کند، کاربرد این بیضی در تحلیل‌های دنیای واقعی است و چگونگی استفاده از آن برای تحلیل روندهای پیچیده و غیرخطی در داده‌ها.

(در این فصل، جردن النبرگ به استفاده از مفهوم “بیضی گالتون” می‌پردازد که در تحلیل‌های آماری و ژنتیک برای بررسی همبستگی و رگرسیون استفاده می‌شود. این مفهوم به‌ویژه برای بررسی رابطه میان صفات ارثی و نحوه انتقال ویژگی‌ها از نسل به نسل به‌کار می‌رود.

🔍 کاربرد ریاضی در زندگی روزمره:

این فصل به‌ویژه در زمینه‌هایی مانند علم داده، تجزیه و تحلیل بازارهای مالی و حتی ارزیابی سلامت کاربرد دارد. در زندگی روزمره، این مفاهیم می‌توانند به شما کمک کنند تا درک بهتری از داده‌های موجود و روابط پیچیده‌ای که ممکن است بین متغیرها وجود داشته باشد پیدا کنید.

مثال ساده ریاضی: فرض کنید شما در حال بررسی ارتباط بین قد و وزن افراد هستید. اگر داده‌ها در یک نمودار به‌صورت بیضی‌ شکل توزیع شوند، نشان می‌دهد که بین قد و وزن همبستگی وجود دارد، اما این همبستگی به‌طور مستقیم و خطی نیست.)

آیا سرطان ریه باعث می‌شود که سیگار بکشید؟ (آیا سیگار کشیدن باعث می‌شود که سرطان ریه بگیرید؟)

(Does Lung Cancer Make You Smoke Cigarettes)

🧠 در این فصل، جردن النبرگ به یکی از پیچیده‌ترین مسائل آماری می‌پردازد: رابطه علت و معلول. بسیاری از مردم تصور می‌کنند که رابطه‌ای که بین سیگار کشیدن و سرطان ریه وجود دارد، به‌طور خودکار به این معنا است که سیگار کشیدن علت اصلی سرطان ریه است. اما آیا این همیشه درست است؟ در این فصل، النبرگ نشان می‌دهد که چگونه به‌سادگی می‌توان به اشتباه چنین نتایجی گرفت و چگونه باید از آمار و احتمالات برای تفکیک روابط علت و معلول استفاده کرد.

🔍 با استفاده از مثال‌هایی از دیگر حوزه‌ها مانند اقتصاد و پزشکی، النبرگ نشان می‌دهد که چگونه گاهی‌اوقات دو پدیده ممکن است با هم مرتبط باشند، اما این بدان معنا نیست که یکی علت دیگری باشد. این فصل به‌طور خاص به تحلیل‌های آماری می‌پردازد که می‌توانند باعث بروز اشتباهات در تعیین روابط علت و معلول شوند و چطور باید مراقب این اشتباهات بود تا از اشتباهات رایج در تفکر اجتناب کرد.

(در این فصل، جردن النبرگ به تحلیل‌های علت و معلول و نحوه اشتباهات رایج در استنباط از داده‌ها پرداخته است. به‌ویژه این فصل توضیح می‌دهد که چگونه ممکن است مردم به اشتباه نتیجه‌گیری کنند که یک عامل (مانند سیگار کشیدن) به‌طور مستقیم باعث نتیجه‌ای دیگر (مانند سرطان ریه) می‌شود، در حالی که ممکن است علت و معلول به‌طور اشتباه تفسیر شوند.

🔍 کاربرد ریاضی در زندگی روزمره:

این فصل به ما کمک می‌کند تا در تصمیم‌گیری‌های روزمره، به‌ویژه در زمینه‌های پزشکی یا اجتماعی، از تحلیل‌های دقیق‌تری استفاده کنیم. برای مثال، وقتی به تأثیرات یک رفتار خاص مانند سیگار کشیدن فکر می‌کنیم، باید از روش‌های آماری مناسب برای ارزیابی ارتباط بین علت و معلول استفاده کنیم تا به اشتباه نتیجه‌گیری نکنیم.

مثال ساده ریاضی: فرض کنید که در یک تحقیق مشاهده می‌کنید که بیشتر افرادی که سرطان ریه دارند، سیگار می‌کشند. اگر شما نتیجه بگیرید که سیگار کشیدن به‌طور قطع باعث سرطان ریه می‌شود، ممکن است اشتباه کرده باشید. شاید عامل دیگری وجود داشته باشد که به‌طور همزمان باعث هر دو پدیده شده است. استنباط بیزی به ما کمک می‌کند تا اطلاعات جدید را وارد کنیم و فرضیات را به‌طور دقیق‌تری بررسی کنیم.)

هیچ‌چیز به‌عنوان نظر عمومی وجود ندارد

(There Is No Such Thing as Public Opinion)

💬 در این فصل، به یکی از مسائل مهم در تحلیل داده‌ها پرداخته می‌شود: نظرسنجی‌ها و چگونگی اشتباهات رایج در برداشت از “نظر عمومی”. در دنیای امروز، رسانه‌ها و سیاستمداران به‌طور مداوم به‌دنبال استفاده از داده‌های نظرسنجی هستند تا نظر مردم را نشان دهند. اما این نظرسنجی‌ها همیشه نمایانگر نظر عمومی واقعی نیستند. النبرگ در این فصل توضیح می‌دهد که چرا نظرسنجی‌ها و شاخص‌های مشابه ممکن است به‌طور قابل توجهی گمراه‌کننده باشند و چه عواملی باعث می‌شود که نتایج نظرسنجی‌ها نادرست تفسیر شوند.

🔍 این فصل به بررسی متدهای آماری که برای جمع‌آوری و تفسیر داده‌های عمومی استفاده می‌شود، می‌پردازد و به مشکلاتی اشاره می‌کند که ممکن است در روش‌های نظرسنجی و تحلیل داده‌ها به‌وجود بیاید. یکی از مسائل عمده‌ای که در این فصل بررسی می‌شود، مسأله خطای نمونه‌برداری است که می‌تواند منجر به تصورات نادرست از نظرات عمومی شود.

(در این فصل، النبرگ به بررسی این موضوع می‌پردازد که چگونه نظرسنجی‌ها و داده‌های جمعیتی می‌توانند به اشتباه منجر به نتیجه‌گیری‌های نادرست شوند. او تأکید می‌کند که “نظر عمومی” در واقع یک مفهوم اشتباه است که با تحلیل‌های نادرست و گزینشی از داده‌ها ایجاد می‌شود.

🔍 کاربرد ریاضی در زندگی روزمره:

این فصل به ما یاد می‌دهد که در هنگام تفسیر نظرسنجی‌ها و آمار، باید دقت بیشتری به جزئیات و روش‌های جمع‌آوری داده‌ها داشته باشیم. برای مثال، وقتی که در انتخابات عمومی به نظرسنجی‌ها نگاه می‌کنیم، باید به‌دقت بررسی کنیم که آیا نمونه‌گیری به‌طور نماینده انجام شده است یا نه.

مثال ساده ریاضی: فرض کنید یک نظرسنجی در یک کشور برگزار می‌شود که از 1000 نفر در سطح ملی نمونه‌برداری می‌کند. اگر جمعیت اصلی کشور متنوع باشد، نظرسنجی‌هایی که تنها از یک منطقه خاص جمع‌آوری شده‌اند ممکن است نتیجه‌گیری نادرستی بدهند.)

“از هیچ‌چیز دنیای عجیب جدیدی ساخته‌ام”

(“Out of Nothing I Have Created a Strange New Universe”)

🌌 در این فصل، النبرگ به مسأله “ساختن دنیای جدید از هیچ‌چیز” می‌پردازد. این جمله از دنیای ریاضیات و فلسفه نشأت گرفته است و در این فصل توضیح داده می‌شود که چگونه ریاضیات می‌تواند به‌طور تصادفی مفاهیم جدیدی را ایجاد کند که در ابتدا به‌نظر نمی‌رسیدند وجود داشته باشند. در این فصل، به روابط پیچیده ریاضیاتی و ساختارهایی پرداخته می‌شود که از ترکیب‌های ابتدایی به‌وجود می‌آیند و دنیای جدیدی را برای درک مفاهیم پیشرفته‌تر باز می‌کنند.

🔍 یکی از نکات اصلی این فصل این است که ریاضیات می‌تواند به‌طور غیرمنتظره‌ای به‌گونه‌ای رشد کند که مفاهیم و نتایج جدیدی به‌وجود آورد. این فرآیندهای پیچیده و غیرخطی در دنیای ریاضیات نه‌تنها باعث توسعه‌ی مفاهیم جدید می‌شوند، بلکه از این طریق می‌توانیم به درک عمیق‌تری از دنیای اطراف خود برسیم.

(این فصل به موضوعات پیچیده‌تر ریاضی مانند مدل‌های احتمالاتی در تئوری پیچیدگی پرداخته و توضیح می‌دهد که چگونه از داده‌های ناقص و بدون هیچ‌گونه اطلاعات اولیه، می‌توان به پیش‌بینی‌های دقیق دست یافت. این فرایند شبیه به ساختن یک دنیای جدید از هیچ است.

🔍 کاربرد ریاضی در زندگی روزمره:

در زندگی روزمره، این مفهوم می‌تواند به‌ویژه در زمینه‌های پیش‌بینی وضعیت‌های پیچیده‌ای که به‌طور کامل قابل پیش‌بینی نیستند، مانند پیش‌بینی بازار بورس یا وضعیت اقتصادی، به‌کار آید.

مثال ساده ریاضی: فرض کنید که می‌خواهید قیمت سهام یک شرکت را پیش‌بینی کنید. حتی اگر داده‌های کافی در دسترس نباشند، می‌توان با استفاده از مدل‌های احتمالاتی، پیش‌بینی‌هایی نسبتاً دقیق انجام داد، مشابه با ساختن یک جهان از هیچ.)

سخن پایانی: دنیای جدید تفکر ریاضی

(A New World of Mathematical Thinking)

در این کتاب، جردن النبرگ تلاش کرد تا نشان دهد که ریاضیات فراتر از معادلات پیچیده و فرمول‌های خشک است. این ابزار قدرتمند می‌تواند به ما کمک کند تا دنیای پیرامون خود را به‌طور واضح‌تری درک کنیم و تصمیماتی هوشمندانه‌تر بگیریم. بسیاری از ما وقتی به ریاضیات فکر می‌کنیم، به یاد جدول‌های پیچیده و اعداد بی‌پایان می‌افتیم، اما در حقیقت، ریاضیات همان‌طور که النبرگ به‌خوبی در این کتاب نشان داده، به ما کمک می‌کند تا از دنیای پیچیده و پر از عدم قطعیت‌های اطراف‌مان، نظم و مفهوم بیرون بکشیم.

ریاضیات نه تنها برای دانشمندان و مهندسان مفید است، بلکه برای هر فردی که در دنیای امروز می‌خواهد تصمیمات آگاهانه و هوشمندانه بگیرد، ضروری است. این کتاب به ما یاد می‌دهد که چگونه با استفاده از مفاهیم ریاضی می‌توانیم خطرات و فرصت‌ها را بهتر شناسایی کنیم و اشتباهات رایج در تفکر خود را اصلاح کنیم. در حقیقت، یادگیری تفکر ریاضی به معنای یاد گرفتن چگونگی پرسیدن سوالات درست، تحلیل کردن داده‌ها به‌طور منطقی، و اجتناب از دام‌های ذهنی است که گاهی در تصمیم‌گیری‌های روزمره به دام‌مان می‌اندازند.

دنیای ما پر از انتخاب‌ها و پیچیدگی‌ها است. وقتی با داده‌های متناقض روبه‌رو می‌شویم، یا باید از روش‌های سطحی و سریع تصمیم‌گیری استفاده کنیم و به اشتباه بیفتیم، یا باید از ابزارهای دقیق و منطقی استفاده کنیم تا به‌طور آگاهانه تصمیم بگیریم. ریاضیات به ما این قدرت را می‌دهد که در این دنیای پر از عدم قطعیت، بتوانیم بهترین انتخاب‌ها را داشته باشیم.

در نهایت، این کتاب نه تنها در مورد ریاضیات بلکه در مورد تفکر است. تفکر منطقی، تفکر مبتنی بر شواهد، و توانایی درست استنباط کردن از اطلاعات. این‌ها ابزارهایی هستند که می‌توانند به ما کمک کنند تا در برابر پیچیدگی‌های زندگی تسلیم نشویم و به جای آن، از آن‌ها بهره‌برداری کنیم تا دنیای بهتری بسازیم. بیایید با استفاده از این ابزارها، دنیای خود را به‌گونه‌ای بسازیم که بیشتر شبیه به جهانی باشد که بر پایه منطق و تفکر صحیح استوار است.

این کتاب، یک دعوت به پذیرش این تفکر است. تفکری که به ما قدرت می‌دهد تا نه تنها با اعداد بلکه با دنیای پیچیده اطراف خود، به‌صورت هوشمندانه‌تری مواجه شویم.

کتاب پیشنهادی:

کتاب فیزیک چیزهای روزمره