keskiviikko 31. tammikuuta 2018

Kuinka monta lumihiutaletta lumiukossa on?

Jonkin aikaa sitten Twitter-piirissäni käytiin tämänkaltainen keskustelu:

Ah, miten ihastuttava ja vuodenaikaan sopiva kysymys! Kiitos @Dragon_Dodo ja @SamHartburn! Kertauksena siis Fermi-arviolla, jollaisia tässäkin blogissa on sangen monta vilahtanut, tarkoitetaan arviota, joka kasataan kertomalla yhteen monta karkeaa arviota ja toivomalla, että virheet kumoavat toisensa. Mitä pidempi ketju, sitä parempi arviosta teoriassa tulee. (Tällä kertaa ketju tosin pysyy lyhyenä.)

Tämä on siitäkin mukava kysymys, että sitä pohtiessa saa edes kuvitella talvea. Kun aloin kirjoittaa tätä, Helsingissä ei ollut hiutalettakaan lunta. Sitten tuli Lumi-inferno™ (kehäkolmosen ulkopuolisella kielellä: tavallinen talvisää). Sitten lumi suli. Sitten taas... no, tarinan opetus on, että täällä ei ole kauheasti lunta. Siksi tämä koko arvio on tehty sisätiloissa matemaatikolle sopivalla teoreettisella tavalla.

Se ei tietenkään tarkoita, etteikö kokeellinen tutkimus olisi nastaa. Siksipä kannustan kaikkia kykeneviä rakentamaan lumiukon tieteen nimissä!

keskiviikko 24. tammikuuta 2018

Kannattaako Lotto plussata?

KUVAUS

Veikkaus työllistää matikkabloggaria. Olen kirjoittanut, kannattaako Lomatonni, kannattaako Kaikki tai ei mitään, kannattaako Lotto tuplata, kannattaako Lotto tuplata uusin säännöin, ja tässä sitä taas mennään. Uusin uudistus koko kansan suosikkipeliin on tuplauksen korvaaminen hieman erilaisella plussauksella.

Tuttuun tapaan tarkastelen ensin odotusarvoa eli sitä, kuinka paljon keskimäärin voittaa. Sen jälkeen kuitenkin teen jotain, mistä on ollut tarkoitus kirjoittaa jo pitkään: esitän ajatuksen sen puolesta, ettei lottoaminen ehkä olekaan täysin tyhmää. Se muuttaa analyysia merkittävällä tavalla.

torstai 11. tammikuuta 2018

Kuinka Bayesin kaava pelastaa noutajan, tutkijan ja siinä sivussa maailman

KEKSEJÄ

(Yumi/Flickr. CC-BY-NC 2.0.)

Kuvittele vastikään uunista vedetty, lämpöä, makeutta ja rakkautta hehkuva pellillinen vastustamattomia kaurakeksejä. Hetken keittiöstä poissa oltuasi huomaat, että pelliltä on kadonnut muutama suupala. Talossa on lisäksesi kaksi kolmevuotiasta: yksi labradorinnoutaja ja yksi ihmislapsi. Kumpaa syyttäisit?

Astut hieman lähemmäs rikospaikkaa ja huomaat pöydän eteen siirretyn tuolin. Labradori yltäisi pöydälle ilmankin, lapsi ei. Kumpaa nyt syyttäisit?

Kävelet naapurihuoneeseen, jossa lapsi pitää kädessään tuoretta kaurakeksiä, kovin läheisesti kadonnutta muistuttavaa sellaista. Kumpaa nyt syyttäisit?

Ihmisen arkinen päättely perustuu hypoteesien päivittämiseen havaintojen pohjalta. Aluksi lapsi ja koira voivat olla yhtä todennäköisesti syyllisiä, mutta tuoli on vahva aihetodiste ja rysän päältä kiinni jääminen sinetöi tapauksen. Tällainen ajattelu on kovin luonnollista. Saman voi pukea myös matemaattisempaan muotoon, ja silloin puhutaan bayesilaisesta päättelystä. Tässä on yksi työkalu täydentämään viimekertaisia p-arvoja.

maanantai 8. tammikuuta 2018

Mitkä ihmeen p-arvot, ja miksi ne ovat peestä?

Lego-tutkijoita.

(BRICK 101/Flickr. CC-BY-NC 2.0.)

Jos olet perehtynyt tieteelliseen tutkimukseen, olet varmaankin törmännyt p-arvon käsitteeseen ja siihen, kuinka niitä ei oikeastaan pitäisi käyttää. Jos aihe ei satu olemaan ennestään tuttu, tiivistettynä kyse on vuosikymmeniä jatkuneesta kränästä, joka menee osapuilleen näin:

— Tilastotieteilijät: Älkää käyttäkö p-arvoja, ne ovat valheellinen ja epäpätevä mittari!

— Kokeelliset tutkijat: Antaa kuulua parempi tapa.

Tietenkään asia ei ole ihan näin yksinkertainen. Sen ymmärtämiseksi pitää perehtyä siihen, kuinka tiedettä oikein tehdään. Minä tietenkin olen teoreettisena opiskelijana harvinaislaatuisen huono opas, muttei anneta sen haitata, kunhan pidetään mielessä, että kyseessä on yksinkertaistus!

Ratkaisut jouluristikoihin

Onnea voittajille kaikille osallistuneille, seuraavaan ristikkoon! / Congratulations to all the winners who tried this out, till the next crossnumber!