# از کجا بفهمیم کدام توضیح محتمل‌تر است؟ از تیغ اوکام تا استدلال بیزی

> چرا ممکن است بیشتر علامت‌های مثبت یک برنامه اشتباه باشند؟ با شمردن نتیجه‌های یک برنامهٔ خیالی می‌بینیم احتمال اولیه و شواهد تازه چطور روی قضاوت ما اثر می‌گذارند.

دبیر علمی: [اشکان عارفی](https://falakbin.ir/people/ashkan-arefi)  
[روش تهیه و بازبینی مقاله‌ها](https://falakbin.ir/editorial-policy)  
نشانی: https://falakbin.ir/learn/occams-razor-bayesian-thinking  
منتشرشده در فلک‌بین: 2026-11-08  
آخرین بازبینی: 2026-10-14

> **> تیغ اوکام پیشنهاد می‌کند میان توضیح‌های سازگار با شاهد، بی‌دلیل فرض اضافه نکنیم؛ سادگی تضمین درستی نیست. قاعدهٔ بیز نشان می‌دهد احتمال یک فرضیه پس از دیدن شاهد، به پیشین و احتمال آن شاهد در حالت‌های مختلف بستگی دارد. پیدا کردن ۸۰ درصد ردهای واقعی، به معنی واقعی‌بودن ۸۰ درصد علامت‌های یک برنامه نیست. اگر نرخ‌های معتبر نداریم، باید جای خالی اطلاعات را نشان دهیم و درصد نسازیم.**

فرض کنید یک برنامهٔ خیالی روی عکس رصدتان خطی را علامت زده است. دوستتان می‌گوید: «۸۰ درصد ردهای واقعی را پیدا می‌کند؛ پس این یکی هم احتمالاً شهاب است.» جمله دلگرم‌کننده‌ای است، مخصوصاً وقتی دلتان می‌خواهد عکس شهاب گرفته باشید. اما برنامه چند خطِ غیرشهاب را هم علامت می‌زند؟

این موقعیت و همهٔ عددهای برنامه در این نوشته فرضی‌اند. برای جواب‌دادن، اول باید دو سؤال ظاهراً شبیه را از هم جدا کنیم. پیش از رسیدن به حساب، از مسئله‌ای ساده‌تر شروع کنیم: وقتی چند توضیح داریم، کدام را اول امتحان کنیم؟

## چرا اول توضیح کم‌فرض‌تر را امتحان کنیم؟

### توضیح ساده باید از پس مشاهده بربیاید

توضیح کم‌فرض‌تر نقطهٔ شروع خوبی است، به شرط آنکه واقعاً چیزی را که دیده‌ایم توضیح دهد. فرض کنید چراغ‌قرمز کوچکی که برای خواندن نقشهٔ آسمان آورده‌اید روشن نمی‌شود. باتری تمام شده، اتصال درست نیست، یا خود چراغ خراب شده است؟ می‌توانید داستان مفصل‌تری هم بسازید: شاید اتفاقی ناشناخته فقط همین چراغ را از کار انداخته باشد. اما پیش از سفارش دستگاه کشف اتفاق‌های ناشناخته، امتحان‌کردن یک باتری سالم کار معقولی است. این صحنه فرضی است؛ هدفش انتخاب آزمون بعدی است، نه آموزش تعمیر چراغ.

تیغ اوکام (Occam’s razor) به چنین صرفه‌جویی‌ای در توضیح اشاره می‌کند: وقتی چند توضیح با شواهد سازگارند، بی‌دلیل فرض‌های اضافه وارد نکنیم. «اضافه» در اینجا کلمهٔ مهمی است. ممکن است برای توضیح همهٔ مشاهدات واقعاً به چند سازوکار نیاز داشته باشیم. در آن صورت، پاک‌کردن جزئیات لازم فقط برای کوتاه‌شدن داستان، توضیح را بهتر نمی‌کند. جملهٔ «چراغ دوست نداشت روشن شود» از همه کوتاه‌تر است، ولی برای یافتن مشکل تقریباً هیچ کمکی نمی‌کند.

پس سادگی را با کوتاهی جمله، آشنا بودن توضیح یا راحتی پذیرش آن یکی نگیریم. یک توضیح معمولی هم ممکن است در برابر مشاهده کم بیاورد. اگر باتری سالم گذاشتید و چراغ باز هم روشن نشد، وقتش است حدس اولتان را دوباره بررسی کنید، هرچند ساده‌ترین توضیح به نظر برسد. مزیت توضیح این بود که می‌شد زود امتحانش کرد؛ امتیازش مصونیت از شکست نیست.

### فرض اضافه چه وقت ارزش امتحان‌کردن دارد؟

وقتی ارزش دارد یک فرض تازه را بررسی کنیم که هم مشکل توضیح قبلی را حل کند، هم بگوید برای سنجیدنش دنبال چه چیزی بگردیم. در مثال چراغ، اگر جابه‌جایی باتری مسئله را حل نکرده، بررسی اتصال حدس تازه‌ای بی‌دلیل نیست. حالا مشاهده‌ای دارید که باید توضیحش دهید. پرسش مفید این است: اگر مشکل از اتصال باشد، چه چیزی باید ببینیم که در حالت خرابی چراغ انتظارش را نداریم؟ هرچه این تفاوت روشن‌تر باشد، آزمون بعدی انتخاب بهتری می‌شود.

شاید چیزی که یک مشکل به نظر می‌رسید، حاصل دو مشکل جدا باشد. تعداد علت‌ها را نمی‌توان از پیش سهمیه‌بندی کرد؛ صرفه‌جویی یعنی علتِ بی‌نیاز و بی‌شاهد اضافه نکنیم.

*(نمودار: مسیر مقایسهٔ توضیح‌ها با توجه به کفایت شواهد و انتخاب آزمون تمایزبخش)*

اگر یک توضیح برای هر نتیجه‌ای جوابی آماده دارد، باید مکث کنیم. «اگر روشن شد تأیید من است و اگر روشن نشد هم تأیید من است» چیزی به فهم چراغ اضافه نمی‌کند. پیش از آزمون بنویسید چه نتیجه‌ای نظرتان را تغییر می‌دهد. آن وقت تیغ اوکام از یک شعارِ خوش‌دست به ابزاری برای پیش‌بردن بررسی تبدیل می‌شود.

## «اگر واقعی باشد علامت می‌خورد» را برعکس نخوانیم

### احتمال شرطی، جمعیتی را که می‌شماریم عوض می‌کند

احتمال شرطی دربارهٔ گروهی حرف می‌زند که با یک شرط مشخص انتخاب شده است؛ عوض‌شدن شرط، سؤال را عوض می‌کند. حالا از چراغ به عکس رصد برگردیم. یک برنامهٔ کاملاً خیالی روی بخش‌های مختلف عکس دنبال رد شهاب می‌گردد و بعضی قسمت‌ها را علامت می‌زند. می‌خواهیم بدانیم آیا خطِ علامت‌خورده واقعاً رد شهاب است. این پرسش با اینکه برنامه چند درصد ردهای واقعی را پیدا می‌کند فرق دارد، هرچند دو جمله در نگاه اول بسیار شبیه‌اند.

در سؤال نخست، همهٔ قسمت‌های علامت‌خورده را جلوی خود گذاشته‌ایم و واقعی‌ها را میان آن‌ها می‌شماریم. در سؤال دوم، از قبل می‌دانیم کدام قسمت‌ها واقعاً رد شهاب‌اند و می‌پرسیم برنامه چندتایشان را علامت زده است. گروهِ شروع یکی نیست. اگر برنامه هر لکه‌ای را علامت بزند، هیچ رد واقعی‌ای از دستش درنمی‌رود؛ اما برای تشخیص واقعی‌بودن یک علامت، برنامهٔ چندان مفیدی نخواهیم داشت. چراغی که همیشه روشن است، خبر خاصی نمی‌دهد.

| پرسش | از میان کدام گروه می‌شماریم؟ |
|---|---|
| اگر رد واقعی باشد، چقدر احتمال دارد برنامه علامت بزند؟ | همهٔ ردهای واقعی |
| اگر برنامه علامت زده باشد، چقدر احتمال دارد رد واقعی باشد؟ | همهٔ قسمت‌های علامت‌خورده |

در نمادها می‌توانیم رد واقعی را H و علامت برنامه را E بنامیم. پرسش اول \(P(E\mid H)\) و پرسش دوم \(P(H\mid E)\) است. خط عمودی را «به شرط» بخوانید. همین جابه‌جایی کوچک دو طرف خط، فرق بزرگی در پاسخی ایجاد می‌کند که دنبال آن هستیم.

### پیشین و شاهد هر کدام کجای داستان‌اند؟

احتمالی که پیش از دیدن شاهد تازه برای یک توضیح در نظر می‌گیریم «احتمال پیشین» است. وقتی همان شاهد را هم حساب کنیم، به «احتمال پسین» می‌رسیم. در مثال ما، باید بدانیم رد واقعی از ابتدا در میان بخش‌های بررسی‌شده چقدر رایج فرض شده است. این نرخ پایه به جمعیت مشخصی مربوط می‌شود، نه به همهٔ عکس‌های آسمان در هر شرایطی. یک مجموعهٔ ازپیش‌انتخاب‌شده با انبوه عکس‌های معمولی لزوماً وضعیت یکسانی ندارد.

خود برنامه هم دو جور رفتار دارد. حساسیت می‌گوید از میان ردهای واقعی چه سهمی علامت می‌خورند. نرخ مثبت کاذب می‌گوید از میان قسمت‌هایی که رد واقعی نیستند، چه سهمی به اشتباه علامت می‌خورند. «کاذب» صفتِ علامت است؛ لازم نیست کسی چیزی جعل کرده باشد. خطا می‌تواند فقط حاصل محدودیت یک روش تشخیص باشد.

علامت برنامه شاهد تازهٔ ماست. برای فهمیدن معنای آن، هم باید احتمال دیدنش در حالت واقعی‌بودن رد را بدانیم، هم در حالت واقعی‌نبودن. اگر گروه دوم بسیار بزرگ‌تر باشد، حتی بخشی از خطاهایش هم ممکن است علامت‌های فراوانی تولید کند. قاعدهٔ بیز (Bayes’ theorem) کمک می‌کند این دو مسیر را با نرخ پایه کنار هم حساب کنیم. یک جدول شمارش، کار این قاعده را روشن می‌کند.

## از هزار قسمت تصویر، چند علامت واقعاً درست‌اند؟

### هر دو راهِ رسیدن به علامت مثبت را بشماریم

در این مثال کاملاً فرضی، از ۲۰۶ قسمت علامت‌خورده فقط ۸ قسمت رد واقعی‌اند؛ یعنی حدود ۳٫۹ درصد. همهٔ عددهای این تمرین ساخته شده‌اند تا حساب روشن باشد و نرخ عملکرد هیچ برنامهٔ نجومی واقعی نیستند. جهانی آموزشی با ۱۰۰۰ بخش تصویر در نظر می‌گیریم که در آن ۱ درصد، یعنی ۱۰ بخش، واقعاً رد شهاب‌اند. ۹۹۰ بخش دیگر رد واقعی نیستند.

فرض می‌کنیم حساسیت برنامه ۸۰ درصد است: ۸ مورد از آن ۱۰ رد را علامت می‌زند و ۲ مورد را از دست می‌دهد. نرخ مثبت کاذب را هم ۲۰ درصد فرض می‌کنیم. پس از میان ۹۹۰ مورد غیرواقعی، ۱۹۸ مورد به اشتباه علامت می‌خورند و ۷۹۲ مورد بی‌علامت می‌مانند. جدول را می‌توانیم بدون هیچ فرض پنهان دیگری جمع بزنیم:

| وضعیت واقعی در مثال فرضی | علامت‌خورده | بی‌علامت | جمع |
|---|---|---|---|
| رد واقعی | ۸ | ۲ | ۱۰ |
| رد واقعی نیست | ۱۹۸ | ۷۹۲ | ۹۹۰ |
| جمع | ۲۰۶ | ۷۹۴ | ۱۰۰۰ |

ما از میان علامت‌ها انتخاب می‌کنیم، پس مخرج جواب ۲۰۶ است، نه ۱۰. تنها ۸ مورد از آن‌ها واقعی‌اند. حساسیت ۸۰ درصد هنوز درست است: برنامه ۸ مورد از ۱۰ رد واقعی را پیدا کرده. پاسخ حدود ۳٫۹ درصد هم درست است: از میان همهٔ علامت‌ها، سهم واقعی‌ها کم است. این دو پاسخ دربارهٔ دو گروه متفاوت‌اند و تناقضی با هم ندارند.

*(نمودار: دو مسیر واقعی و کاذب برای رسیدن به ۲۰۶ علامت در مثال فرضی هزارقسمتی)*

### حالا فرمول بیز همان جدول را جمع می‌کند

فرمول بیز همان حسابِ «واقعی‌های علامت‌خورده تقسیم بر همهٔ علامت‌خورده‌ها» را با احتمال می‌نویسد. اگر H رد واقعی و E علامت برنامه باشد، دو حالت H و نقیض آن همهٔ بخش‌های این مسئله را پوشش می‌دهند. رابطه برای حالتی تعریف می‌شود که احتمال علامت‌خوردن بیشتر از صفر باشد؛ یعنی در مدل اصلاً علامتی وجود داشته باشد که درباره‌اش سؤال کنیم:

$$
P(H\mid E)=\frac{P(E\mid H)P(H)}{P(E\mid H)P(H)+P(E\mid\neg H)P(\neg H)}
$$

صورتِ کسر سهمِ ردهای واقعیِ علامت‌خورده و مخرج، سهمِ همهٔ علامت‌هاست. در جدول فرضی، این یعنی همان ۸ رد واقعی از میان همهٔ ۲۰۶ علامت. حساب احتمال‌ها هم همین نسبت را می‌دهد:

$$
\frac{0.8\times0.01}{0.8\times0.01+0.2\times0.99}=\frac{8}{206}\approx0.0388
$$

یعنی حدود ۳٫۹ درصد در همین مسئلهٔ فرضی. در یک مجموعهٔ واقعی نمی‌توانیم با قرض‌گرفتن این سه نرخ برای عکسمان حکم بدهیم. نرخ پایه، حساسیت و مثبت کاذب باید برای شرایط و جمعیت مربوط معتبر باشند؛ وگرنه حساب ممکن است بی‌نقص باشد اما پاسخش به سؤال ما ربطی نداشته باشد.

## اگر پیشین عوض شود، جواب چه تغییری می‌کند؟

### چرا همان برنامه در دو جمعیت نتیجهٔ متفاوتی می‌دهد؟

احتمال واقعی‌بودن یک علامت می‌تواند فقط با عوض‌شدن جمعیتِ ورودی تغییر کند، حتی اگر رفتار شرطی برنامه را یکسان فرض کنیم. در همان مسئلهٔ خیالی، این بار فرض کنید از هر ۱۰۰۰ بخش تصویر، ۱۰۰ بخش واقعاً رد شهاب‌اند؛ نرخ پایه به جای ۱ درصد، ۱۰ درصد است. هنوز حساسیت را ۸۰ درصد و نرخ مثبت کاذب را ۲۰ درصد نگه می‌داریم. برنامه از ۱۰۰ واقعی، ۸۰ مورد را علامت می‌زند؛ از ۹۰۰ غیرواقعی هم ۱۸۰ مورد به اشتباه علامت می‌خورند.

حالا میان ۲۶۰ علامت، ۸۰ رد واقعی داریم: حدود ۳۰٫۸ درصد. این نتیجه هم کاملاً فرضی است. برنامه را تعمیر نکرده‌ایم و فرض نکرده‌ایم ناگهان باهوش‌تر شده؛ فقط ترکیب چیزهایی که به آن می‌دهیم فرق کرده است. برای همین، جملهٔ «هر علامتش فلان درصد قابل اعتماد است» بدون گفتن شرایط و جمعیت، چیزی کم دارد.

| دو سناریوی کاملاً فرضی | واقعی‌ها از ۱۰۰۰ بخش | علامت درست | علامت کاذب | واقعی‌ها میان همهٔ علامت‌ها |
|---|---|---|---|---|
| نرخ پایهٔ ۱ درصد | ۱۰ | ۸ | ۱۹۸ | حدود ۳٫۹ درصد |
| نرخ پایهٔ ۱۰ درصد | ۱۰۰ | ۸۰ | ۱۸۰ | حدود ۳۰٫۸ درصد |

یک مجموعهٔ دست‌چین‌شده از عکس‌های مشکوک ممکن است با پوشه‌ای از همهٔ عکس‌ها فرق داشته باشد. اما در عمل نمی‌توانیم بدون بررسی فرض کنیم حساسیت و مثبت کاذب برنامه هم حتماً ثابت مانده‌اند. جدول بالا برای جداکردن نقش نرخ پایه ساخته شده است؛ انتقال مستقیم عددهایش به عکس واقعی، تمرین را به پیش‌بینی بی‌پشتوانه تبدیل می‌کند.

### پیشین را از کجا بیاوریم که دلخواه نباشد؟

احتمال پیشین را از روی اطلاعات مربوط به همان مسئله انتخاب کنید، طوری که بتوانید توضیح دهید این عدد از کجا آمده است. مثلاً اگر مجموعه‌ای از عکس‌های مشابه با روشی قابل اعتماد برچسب‌گذاری شده باشد، سهم ردهای واقعی در آن می‌تواند برای انتخاب نرخ پایه راهنما باشد؛ البته باید بررسی کنیم شرایط و شیوهٔ انتخاب عکس‌ها به مسئلهٔ تازه می‌خورد یا نه. اگر مجموعهٔ عکس‌ها از ابزار، شرایط یا شیوهٔ انتخاب دیگری آمده، باید بپرسیم آیا نرخ قبلی هنوز به این جمعیت می‌خورد. عددی که در یک پوشه خوب کار کرده، همراه هر عکس به پوشهٔ تازه مهاجرت نمی‌کند.

اختلاف دربارهٔ پیشین را هم بهتر است آشکار کنیم. به جای پنهان‌کردن فرض زیر چند رقم اعشار، می‌توان گفت «با این فرض به این جواب می‌رسیم؛ اگر فرض تغییر کند، جواب چقدر جابه‌جا می‌شود؟» در کار واقعی باید برای مقدارهای جایگزین هم دلیل داشت. آزمایش‌کردن دلخواهِ عددها تا رسیدن به جواب محبوب، بررسی حساسیت نیست.

اگر نرخ پایه را نمی‌دانیم، لازم نیست ظاهرِ عددیِ مسئله را نجات دهیم. می‌توانیم دقیق بگوییم کدام اطلاعات برای محاسبه کم است. همین پیدا کردن جای خالی، از یک درصدِ خوش‌قیافه اما ساختگی مفیدتر است. بیز حساب را منظم می‌کند؛ دادهٔ گمشده را از جیب بیرون نمی‌آورد.

## سادگی و بیز جای کدام پرسش را نمی‌گیرند؟

### یک عکس با پنج بازنشر، پنج شاهد مستقل نیست

چند شاهد فقط وقتی اطلاعات جداگانه می‌آورند که وابستگی میان آن‌ها را درست در نظر بگیریم. فرض کنید در گروه دوستان پنج پیامِ تأیید یک خط روشن در آسمان می‌بینید، اما هر پنج، همان عکس را بازنشر کرده‌اند. تعداد پیام‌ها زیاد شده، نه تعداد مشاهده‌ها. اگر خطِ عکس از خطای همان دوربین باشد، همهٔ بازنشرها همان خطا را با خود حمل می‌کنند.

حتی گزارش‌های ظاهراً جدا ممکن است منبع مشترک داشته باشند. برای به‌روزرسانیِ پی‌درپی، باید بدانیم شاهد بعدی با دانستن شاهد قبلی چه اطلاعات تازه‌ای اضافه می‌کند. نمی‌توان بدون بررسی، احتمال‌ها را مثل رخدادهای مستقل در هم ضرب کرد. گاهی منبع مشترک روشن است؛ گاهی هم نمی‌دانیم گزارش‌ها چقدر مستقل‌اند. در حالت دوم، «پنج تأیید مستقل» چیزی بیش از دانستهٔ ما ادعا می‌کند.

این احتیاط به معنی کنارگذاشتن هر شاهد دوم نیست. عکسِ ابزار دیگر، گزارش مستقل و اطلاعات زمانی ممکن است کمک کنند؛ ارزششان به جزئیات مسئله بستگی دارد. پرسش عملی این است: «اگر شاهد اول اشتباه باشد، شاهد بعدی هم به همان دلیل اشتباه می‌شود؟» اگر بله، باید وابستگی را وارد مدل کنیم، نه اینکه فقط شمار تأییدها را بالا ببریم.

### مدل ناقص می‌تواند حساب درست و پاسخ نامناسب بدهد

حساب درست زمانی به کار می‌آید که حالت‌ها، تعریف‌ها و نرخ‌های مدل به سؤال ما مربوط باشند. در تمرین، «رد واقعی» و «رد واقعی نیست» دو حالتِ روشن بودند. در بررسی یک عکس واقعی، ممکن است اول لازم باشد معلوم کنیم چه چیزی را رد شهاب می‌نامیم و با چه شاهدی برچسب درست را تعیین کرده‌ایم. اگر برچسب‌ها از همان برنامه گرفته شده باشند، سنجیدن برنامه با تأیید خودش مسئله را حل نمی‌کند.

تیغ اوکام و بیز هم کار یکسانی ندارند. یکی ما را متوجه فرض‌های اضافه و کفایت توضیح می‌کند؛ دیگری با مدل و اطلاعات مشخص، احتمال شرطی را حساب می‌کند. از کنار هم آمدن نامشان نمی‌توان قانونی ساخت که «هر توضیح ساده‌تری حتماً احتمال بیشتری دارد». مقایسهٔ فنی مدل‌ها تعریف و روش خودش را می‌خواهد؛ تعداد جمله‌های توضیح، جای آن روش نمی‌نشیند.

> **> اگر نرخ معتبر ندارید، بپرسید دیدن این شاهد در هر توضیح چقدر انتظار می‌رود و چه اطلاعاتی کم است. لازم نیست پاسخ کیفی را با درصدی بی‌منبع تزیین کنید.**

## با یک برگهٔ کوچک، نظرمان را قابل اصلاح کنیم

### خودتان سه خطای این استدلال‌ها را پیدا کنید

برای تمرین، پیش از دیدن پاسخ‌ها بنویسید هر جمله چه چیزی را جا انداخته است. هدف پیدا کردن اسمِ خطا نیست؛ یک سؤال بهتر جای جمله بگذارید. همهٔ موقعیت‌های زیر آموزشی‌اند و دربارهٔ عملکرد هیچ برنامهٔ واقعی داوری نمی‌کنند.

> **سه جمله، سه سؤال بهتر**
> ۱. «این توضیح ساده‌تر است، پس حتماً درست است.»
> ۲. «برنامه ۸۰ درصد ردهای واقعی را پیدا می‌کند، پس ۸۰ درصد علامت‌هایش واقعی‌اند.»
> ۳. «همین عکس را پنج نفر فرستاده‌اند؛ پس پنج تأیید مستقل داریم.»

برای هر جمله، یک سؤال بنویسید که پاسخ آن تصمیم را جلو ببرد. اگر جایی داده نداریم، همان را خالی بگذاریم. کاغذ قرار نیست از ما مطمئن‌تر باشد.

### پاسخ‌ها و یک کار برای عکس بعدی

پاسخ جملهٔ اول این است که سادگی فقط یکی از معیارهاست. باید دید این توضیح پدیده را چقدر خوب شرح می‌دهد و با شواهد چقدر جور درمی‌آید. سؤال بهتر: «این توضیح چه چیزی را پیش‌بینی می‌کند و چه نتیجه‌ای آن را ضعیف می‌کند؟» اگر توضیح کوتاه‌تر از پس مشاهده برنمی‌آید، کوتاه‌بودنش کمکی نمی‌کند.

در جملهٔ دوم، حساسیت را به جای سهم واقعی‌ها میان علامت‌ها گذاشته‌اند. سؤال بهتر: «چند مورد غیرواقعی هم علامت می‌خورند و نرخ پایه چیست؟» در جملهٔ سوم، بازنشرِ یک مشاهده را چند مشاهده شمرده‌اند. باید بپرسیم پیام‌ها به چند منبع مستقل برمی‌گردند و چه خطاهایی میان آن‌ها مشترک است.

برای عکس بعدی، یک یادداشت کوچک بسازید: توضیح‌های ممکن، شاهدی که میانشان فرق می‌گذارد، منشأ نرخ‌های استفاده‌شده و چیزی که هنوز معلوم نیست. ممکن است نتیجه فعلاً «برای تشخیص کافی نیست» باشد. همان یادداشت، وقتی عکس یا گزارش تازه برسد، جایی برای ادامهٔ بررسی می‌گذارد؛ به جای اینکه مجبور شویم از اولین حدس خود دفاع کنیم.

## پرسش‌های رایج

### تیغ اوکام دقیقاً چه می‌گوید؟

تیغ اوکام پیشنهاد می‌کند برای توضیح یک مشاهده، بی‌دلیل فرض‌های اضافه وارد نکنیم. این راهنما وقتی به کار می‌آید که توضیح‌های رقیب بتوانند آنچه تا حالا دیده‌ایم را توضیح دهند. کم‌فرض‌تر بودن می‌تواند به انتخاب آزمون بعدی کمک کند؛ اما کوتاهی جمله یا آشنابودن داستان، جای سازگاری با مشاهده و امکان بررسی را نمی‌گیرد.

### آیا ساده‌ترین توضیح همیشه درست است؟

ساده‌ترین توضیح همیشه درست نیست. توضیح کم‌فرض‌تر باید بتواند مشاهده را توضیح دهد و در برابر آزمون دوام بیاورد. اگر شاهد تازه با آن سازگار نباشد، باید توضیح را اصلاح یا کنار گذاشت. گاهی چند علت واقعاً در کارند؛ حذف علت لازم برای ساده‌کردن داستان، شناخت ما را بهتر نمی‌کند.

### احتمال پیشین یعنی چه و از کجا می‌آید؟

احتمال پیشین، احتمال مربوط به مسئله پیش از واردکردن شاهد تازه است. منشأ پیشین می‌تواند دادهٔ مرتبط، مدل مشخص یا اطلاعات موجه دربارهٔ همان جمعیت باشد و باید آشکار بماند. نرخ یک ابزار یا جمعیت دیگر را نمی‌توان بی‌بررسی منتقل کرد. اگر اطلاعات کافی نداریم، انتخاب یک درصد دقیق، کمبود داده را برطرف نمی‌کند.

### احتمال شرطی با احتمال ساده چه فرقی دارد؟

احتمال شرطی احتمال یک رخداد را در گروهی می‌سنجد که شرط مشخصی درباره‌اش برقرار است. احتمال علامت‌خوردن میان ردهای واقعی با احتمال واقعی‌بودن میان علامت‌ها فرق دارد؛ گروهِ شروع عوض شده است. برای خواندن احتمال شرطی، پیش از حساب بپرسید کدام موارد را کنار گذاشته‌ایم و حالا از میان چه کسانی یا چه چیزهایی می‌شماریم.

### احتمال پسین را با مثال فرضی چطور حساب کنیم؟

در یک مثال کاملاً فرضی، از ۱۰۰۰ قسمت تصویر، ۱۰ قسمت رد واقعی‌اند. با حساسیت ۸۰ درصد، ۸ رد علامت می‌خورند؛ با مثبت کاذب ۲۰ درصد، از ۹۹۰ غیررد هم ۱۹۸ علامت می‌آید. احتمال پسین واقعی‌بودن میان علامت‌ها برابر ۸ از ۲۰۶، حدود ۳٫۹ درصد است؛ این نرخ عملکرد هیچ برنامهٔ واقعی نیست.

### چرا علامت مثبت لزوماً فرضیه را بسیار محتمل نمی‌کند؟

معنای علامت مثبت به نرخ پایه و رفتار روش در هر دو حالتِ واقعی و غیرواقعی بستگی دارد. اگر موارد واقعی کم باشند، بخش کوچکی از جمعیت بزرگِ غیرواقعی می‌تواند علامت‌های کاذب فراوانی بسازد. بنابراین حساسیت به‌تنهایی کافی نیست؛ برای احتمال واقعی‌بودن یک علامت، باید همهٔ راه‌های رسیدن به آن علامت را در حساب بیاوریم.

### اگر پیشین‌ها متفاوت باشند، نتیجهٔ بیز هم تغییر می‌کند؟

نتیجهٔ بیز می‌تواند با تغییر پیشین عوض شود، حتی وقتی احتمال شاهد در حالت‌های مختلف را ثابت نگه می‌داریم. این تفاوت باید همراه با منشأ پیشین‌ها گزارش شود. در کاربرد واقعی، تغییر جمعیت ممکن است رفتار روش تشخیص را هم تغییر دهد؛ ثابت‌گرفتن آن رفتار فرض جداگانه‌ای است و نیاز به بررسی دارد.

### آیا بیز ثابت می‌کند یک فرضیه درست است؟

قاعدهٔ بیز با پیشین، احتمال شاهد و مدل مشخص، احتمال شرطی را به‌روز می‌کند؛ تضمین حقیقت یک فرضیه نیست. نتیجه به این بستگی دارد که حالت‌های ممکن را چطور تعریف کرده‌ایم، داده‌ها چقدر قابل اعتمادند و نرخ‌هایی که به کار برده‌ایم چقدر دقیق‌اند. اگر اطلاعات نامرتبط یا شاهدهای وابسته را نادرست وارد کنیم، محاسبهٔ بی‌اشتباه هم می‌تواند پاسخی بدهد که به مسئلهٔ واقعی ما نمی‌خورد.

### تیغ اوکام و بیز چه ارتباطی دارند؟

تیغ اوکام و بیز هر دو می‌توانند به سنجیدن توضیح‌ها کمک کنند، اما کار یکسانی ندارند. تیغ اوکام توجه را به فرض‌های اضافه و کفایت توضیح می‌برد؛ قاعدهٔ بیز احتمال را در یک مدل به‌روز می‌کند. از کنار هم گذاشتن این دو نمی‌توان نتیجه گرفت هر توضیح کوتاه‌تر، بدون بررسی شاهد، احتمال بیشتری دارد.

### چه وقت به جای انتخاب توضیح ساده‌تر، دادهٔ بیشتری بخواهیم؟

وقتی توضیح‌ها در برابر شاهد موجود از هم جدا نمی‌شوند، یا نرخ‌های لازم برای محاسبه معلوم نیستند، دادهٔ بیشتری لازم داریم. بهتر است روشن کنیم چه مشاهده‌ای میان توضیح‌ها فرق می‌گذارد و چه نتیجه‌ای نظرمان را تغییر می‌دهد. تا وقتی اطلاعات بیشتری نداریم، می‌توانیم اول توضیحی را بررسی کنیم که به فرض‌های کمتری نیاز دارد. این انتخاب موقتی جای اطلاعاتی را که کم داریم نمی‌گیرد.

## منابع

- [Introduction to Bayesian Analysis Procedures — Bayesian Analysis](https://support.sas.com/documentation/cdl/en/statug/67523/HTML/default/statug_introbayes_sect002.htm) — SAS/STAT
- [The Mathematical Principles of Natural Philosophy — Rule I, English translation 1846 (رونویسی؛ اسکن مقابله نشده)](https://en.wikisource.org/wiki/Page:Newton%27s_Principia_(1846).djvu/390) — Isaac Newton / Wikisource
- [Introductory Statistics 2e, 3.1 Terminology — Conditional Probability](https://openstax.org/books/introductory-statistics-2e/pages/3-1-terminology) — OpenStax / Rice University
