Simulating Sampling Distributionsمحاكاة توزيعات المعاينة
هل صدفةٌ أن جاءت عينتك 86,200$ وأتت غيرها 83,900$؟ وهل تعرف نسبة «نعم» في الصف كله قبل أن ترى أي بيانات؟ في هذه الحصة سنسحب مئات العينات على الحاسوب فنرى بعينينا كيف تتذبذب الأوساط والنسب حول قيمة المجتمع بطريقة يمكن التنبؤ بها، ومتى يكون هذا التذبذب تباينًا عشوائيًا Random Variability بريئًا ومتى يخفي تحيّزًا منهجيًا Systematic Bias — ثم نقف عند خط أخير: متى تصف ما رأته عينتك فعلًا، ومتى تستدل به على ما لم تره.
🎯 أهداف التعلم
- بناء توزيع المعاينة Sampling Distribution بمحاكاة عينات احتمالية متكررة Repeated Sampling على الحاسوب، ووصف كيف يقترب الوسط Mean أو الوسيط Median أو النسبة Proportion من قيمة المجتمع مع كبر حجم العينة.
- التمييز بين التباين العشوائي Random Variability والتحيّز المنهجي Systematic Bias — تغطية Coverage واختيار Selection وعدم استجابة Nonresponse وقياس Measurement — ومعرفة أيهما يتقلص مع حجم العينة وأيهما لا يتأثر به أبدًا.
- فصل ادعاء الوصف Description عن ادعاء الاستدلال Inference وكتابة موجز تنفيذي Executive Summary يصرّح بعدم اليقين Uncertainty والنطاق Scope.
الشرح المفصّل
في الحصة الماضية لخّصتَ توزيعًا واحدًا هو بياناتك أنت؛ واليوم نلتفت إلى السؤال الأعمق: من أين جاءت هذه العينة، وماذا لو سحبتَ غيرها؟ لن نتخيل الجواب — سنجرّبه. توزيع المعاينة Sampling Distribution هو توزيع إحصائية Statistic — كالوسط Mean أو الوسيط Median أو النسبة Proportion — على كل العينات الممكنة من الحجم نفسه المسحوبة من المجتمع نفسه. انتبه للانعطافة: هو ليس توزيع بيانات، بل توزيع «نتائج»: كومة من الأوساط، لكل عينة وسط، وهو بطبيعته توزيعٌ لا تراه في عينتك أبدًا بل تبنيه بالتكرار.
وترى كيف تُبنيه في أربع خطوات ثابتة: (1) ابدأ بتمثيل رقمي للمجتمع Population — قائمة كاملة تحاكيها على الحاسوب؛ (2) اسحب منها عينة عشوائية بالحجم n وفق تصميم معاينة Sampling Design معروف؛ (3) احسب الإحصائية — الوسط مثلًا — وسجّلها؛ (4) أعد الخطوتين مئات المرات أو آلافها ثم ارسم ما جمعت. هذا هو المعنى العملي للمعاينة المتكررة Repeated Sampling والمحاكاة Simulation: أن تفعل على الحاسوب ما يستحيل تكراره يدويًا على مجتمع حقيقي، وكل نتائج المحاكاة تبقى مشروطة بصدق التمثيل الرقمي الذي وضعته في الخطوة الأولى.
خذ مثال الأجور من المصدر: أراد فريق تقدير متوسط أجر 10,000 مهندس برمجيات؛ فحصت الموارد البشرية الرواتب كلها فوجدت الوسط 85,000$ والانحراف المعياري Standard Deviation 9,000$. ثم سُحبت عينة عشوائية من 50 فجاء وسطها 86,200$، ثم عينة أخرى من الحجم نفسه فجاء وسطها 83,900$. هل أخطأ أحد؟ لا أحد: التذبذب المتوقع بين العينات — الخطأ المعياري Standard Error — هو 9,000 ÷ جذر 50 ≈ 1,273$، وكلتا الفرقتين عن 85,000$ أصغر من هذا المقدار. هذا هو توزيع المعاينة عمليًا: أوساط العينات تتذبذب حول الحقيقة بمقدار يمكن حسابه قبل سحب أي عينة.
والمثال الثاني بنفس القوة: سأل استبيانٌ عينةً من 30 طالبًا فأجاب 72% منهم بـ«نعم». فهل تعني النتيجة أن 72% من الصف كله سيقول نعم؟ لا؛ إنها نسبة عينة واحدة فقط، ونسبة المجتمع Population Parameter قد تكون أعلى أو أدنى. العينة تخبرك عن نفسها بيقين، وعن المجتمع بلا يقين، والطريق الصادق الوحيد لعبور الفجوة بينهما هو أن تعترف بعدم اليقين Uncertainty ثم تقيسه — وهذا بالضبط ما سيمكّنك منه توزيع المعاينة.
وينتهي البناء إلى نمط يمكن التنبؤ به: مركز الكومة يقترب من قيمة المجتمع، وانتشارها ينكمش كلما كبر حجم العينة Sample Size. احفظها ثلاث حقائق تقيك في أي سؤال: أوساط العينات تتزاحم حول الحقيقة مع التكرار؛ العينة الأكبر ترى تذبذبًا أقل من الأصغر؛ وكل هذا «الجمال» مشروط بأن يكون السحب عشوائيًا By Chance من إطار صادق — عنصر واحد مفقود من الشرط فتهدم القصة كلها.
تخيّل قدر حساء كبيرًا، وتذوق الشيف من ملعقة واحدة: هل تتطابق كل ملاعق القدر في المذاق؟ تتشابه كثيرًا — القدر واحد والملعقة تغرف من حيث صادفها — لكنها لن تتطابق حرفيًا؛ ملعقة أكثر ملحًا وأخرى أقل. القدر هو المجتمع Population، والملعقة عينتك، ولو ذاق الشيف مئة ملعقة ورتّب الأذواق على الطاولة لرأى كومة تتوسط مذاق القدر الحقيقي: تلك الكومة هي توزيع المعاينة — لا تراها بملعقة واحدة مهما كانت كبيرة.
- المحاكاة أربع خطوات: «مجتمع ← عينة ← احسب ← كرّر». اربطها بالترتيب نفسه الذي يعرضه المصدر، فأي سؤال عن «كيف نبنيه» إجابته هذا التسلسل حرفيًا.
- الخطأ المعياري Standard Error = الانحراف ÷ جذر الحجم: σ ÷ √n. العينة 25 تقلّص التذبذب إلى الخُمس؛ ولمضاعفة الدقة تحتاج أربعة أمثال العينة — لا مثليها.
- النمط الثلاثي الذي تحفظه كقانون: تقاربٌ من الحقيقة، انكماشٌ مع كبر n، وشرطه العشوائية السليمة. ثلاث عبارات تلخّص الهدف الأول كله.
- «التوزيع الذي لا تراه»: توزيع المعاينة يُبنى بالتكرار ولا يُرى في عينة واحدة — إن رأيت خيارًا يقول «توزيع بيانات العينة نفسها» فهو خطأ مقصود.
وسط مجتمعٍ معروف 40 ساعة؛ كرر المحاكاة سحب عينات من 50 فجاءت الأوساط بين 38 و42 وازدحمت حول 40. ما اسم هذه الكومة؟
توزيع المعاينة Sampling Distribution للوسط: بناءٌ تكراري يُظهر ما تتذبذب إليه أوساط العينات من الحجم نفسه. لاحظ البصمتين: مركزها 40 = قيمة المجتمع، وعرضها هو الخطأ المعياري Standard Error المتوقع.
استبيانٌ سليم أعطى 72% من عينة 30، ثم أعادت المحاكاة توزيع النسب حول 70%. كيف تفسّر الفرق بين 72% والقيمة الحقيقية؟
تباين عشوائي Random Variability: نسبة المجتمع ثابتة والعينات تتذبذب حولها. الفرق ليس خطأً ولا تحيّزًا ولا يُعالج بإعادة السحب — بل يُقدَّر بعدم يقين Uncertainty ويُصرَّح به في التقرير.
عينة من 50 مهندسًا جاء وسطها 90,000$ بينما الوسط الحقيقي 85,000$ والانحراف 9,000$. هل تُسلّم بالنتيجة؟
الفرق 5,000$ ≈ أربعة أخطاء معيارية (1,273$ للواحدة) — بعيد جدًا عن التذبذب المعتاد في السحب العشوائي السليم. قبل أي حكم: افحص الإطار Sampling Frame وطريقة السحب؛ الأرجح خلل منهجي لا حظ سيئ.
الشرح المفصّل
كل فجوة بين ما تقوله عينتك وما يقوله المجتمع لها أصلان اثنان لا ثالث لهما: تباين عشوائي Random Variability — ذبذبة طبيعية تنشأ لأن العينة جزءٌ سُحب بالحظ، فتأتي أحيانًا فوق الحقيقة وأحيانًا تحتها؛ أو تحيّز منهجي Systematic Bias — ميل ثابت في طريقة الجمع نفسها يدفع النتيجة في اتجاه واحد كل مرة. والفرق بينهما ليس ترفًا نظريًا: الأول يتقلص كلما كبرت العينة، والثاني لا يتأثر بحجم العينة أبدًا — بل يجعل العينة الأكبر خطأً أكبر بمزيد من الثقة الزائفة.
قابل التحيّز بالاسم حتى لا تختلط عليك قصصه: تحيّز التغطية Coverage Bias حين يغفل الإطار فئة كاملة من المجتمع؛ وتحيّز الاختيار Selection Bias حين تميل طريقة الاختيار إلى فئة على حساب أخرى؛ وتحيّز عدم الاستجابة Nonresponse Bias حين يُختار أناس ثم يختارون هم ألا يجيبوا فتغيب آراؤهم؛ وتحيّز القياس Measurement Bias حين تُصاغ الأسئلة أو تُعايَر الأدوات بحيث تدفع الجواب اتجاهًا محددًا. حفظ هذه الأسماء الأربعة ضروري: سؤال الاختبار لن ينطق كلمة «تحيّز»، بل سيعطيك قصة وعليك أن تسمّي الفرع.
قصة من المصدر: أراد فريق معرفة خصائص مستخدمي الألعاب الإلكترونية فاستطلع زوار منتدى متخصص، فوجد نحو 80% منهم تحت الثامنة عشرة. فهل مستخدمو الألعاب شباب في الغالب؟ لا نعلم — لأن المنتدى نفسه مكان يميل إليه الشباب أصلًا؛ فالزوار الذين اختاروا أنفسهم ليسوا عينة عشوائية من المجتمع المستهدف بل عينة مريحة Convenience Sample كتبت تحيّز اختيارها قبل أن يُكتب أول سؤال. النتيجة تصف رواد المنتدى وصفًا سليمًا، وتسقط لحظة تُمدّ إلى كل مستخدمي الألعاب.
والمثال المعاكس من القياس: ميزان حمّام يزيد دائمًا كيلوغرامًا واحدًا عن الحقيقة. زِن نفسك عليه مئة مرة فلن يقترب متوسط القراءات من وزنك الحقيقي أبدًا — سيبقى فوقه بكيلوغرام كامل، لأن العلة في الأداة لا في الحظ. هذا تحيّز قياس Measurement Bias: التكرار لا يغسله والحجم لا يقلّصه، والعلاج الوحيد هو معايرة الميزان. قارنه بميزان سليم تذبذبت قراءاته نصف كيلوغرام حول الحقيقة: متوسط مئة قراءة يقترب منها فعلًا — ذاك تباين عشوائي يذوب بالتكرار، وهذا ميل ثابت لا يذوب أبدًا.
فعند أي سيناريو اسأل عن الآلية: هل يعود الفرق إلى من وقعت عليه العينة بالحظ وحده؟ إذن هو تباين عشوائي، والجواب عليه أن تقيسه وتصرّح به. أم تعود النتيجة إلى طريقة جمع منحرفة تدفع في اتجاه واحد كل مرة؟ إذن هو تحيّز، والجواب عليه أن تصلح الخطة نفسها قبل جمع أي رقم إضافي. البصمة الفارقة في أي محاكاة: كبر العينة يضيّق كومة التباين ويترك كومة التحيّز ثابتة في مكانها المنحرف.
لاعبان يرميان السهام: لاعبٌ متوتر ترمياته تتناثر حول الهدف — بعضها فوقه وبعضها تحته، متوسطها قريب من مركزه؛ ولهذا مهما تذبذبت رمياته فمتوسطها صادق. ولاعبٌ آخر يضرب كل رمياته فوق الهدف بمسافة واحدة متعمدة الشذوذ — رمياته متزنة ومتقاربة لكنها كلها في مكان خاطئ. الأول تباين عشوائي Random Variability يُعالج بالتكرار، والثاني تحيّز منهجي Systematic Bias لا يعالجه إلا تصحيح اليد نفسها.
- «الحظ يميل إلى الصفر، والتحيّز يميل إلى الواحد»: مع التكرار يتلاشى أثر السحب العشوائي ويبقى الميل المنهجي ثابتًا — جملة واحدة تختصر الفرق كله.
- أسماء التحيّز الأربعة — «غاب، مال، صمت، كذب»: من غاب عن الإطار (تغطية Coverage)، ومن مال به الاختيار (اختيار Selection)، ومن اختار الصمت (عدم استجابة Nonresponse)، ومن كذبت عليه الأداة (قياس Measurement).
- كبر العينة يقلّص التذبذب ولا يقلّص الميل: إن ظهر خيار «الحجم الأكبر يعالج كل شيء» فهو مصيدة الاختبار المفضلة في هذا الدرس.
- اذكر الآلية قبل الحكم: هل الفرق من الحظ (تباين) أم من الطريقة (تحيّز)؟ اسأل نفسك هذا قبل أن تقرأ الخيارات — فالخيارات تُصاغ لتخطف من استعجل.
عينتان سليمتان أعطتا 86,200$ و83,900$ والوسط الحقيقي 85,000$ والخطأ المعياري 1,273$. تباينٌ أم تحيّز؟
تباين عشوائي Random Variability: كلا الفرقتين (1,200$ و1,100$) أقل من خطأ معياري واحد. تذبذب كهذا يتوقع حتى من أفضل تصميم في العالم — لا شكوك على الخطة ولا داعي لإعادة السحب.
ميزانٌ يزيد كيلوغرامًا ثابتًا؛ وزن باحثٌ نفسه 100 مرة فتقاربت القراءات من رقم واحد ثابت. تباين أم تحيّز؟
تحيّز قياس Measurement Bias: القراءات تقاربت لأن أداة القياس ثابتة الخطأ، لا لأن التقدير صار صادقًا. التكرار عالج تذبذب الحظ، ولم يمسّ الميل الثابت — العلاج معايرة الميزان لا مزيد من القراءات.
استطلاعٌ على زوار منتدى ألعاب وجد 80% دون 18 سنة، فاستنتج الفريق أن مستخدمي الألعاب شباب. أين الخلل؟
تحيّز اختيار Selection Bias عبر عينة مريحة Convenience Sample: من يزور المنتدى اختار نفسه، والمنتدى يميل أصلًا إلى الشباب. النتيجة تسري على روّاده وصفًا Description، وتسقط كاستدلال Inference على مستخدمي الألعاب جميعًا.
الشرح المفصّل
ما إن تجمع بياناتك حتى تواجه خيارًا يحدد حدود ادعائك: وصف Description — أن تُخبر عما رأيته في عينتك أنت فحسب: «أجاب 72% من أفراد العينة بنعم»؛ أو استدلال Inference — أن تقفز من عينتك إلى المجتمع: «الأغلب أن نحو سبعة من كل عشرة في الصف كله يؤيدون». الخط بينهما هو خط المسؤولية: الوصف لا يخطئ لأنه لا يتجاوز البيانات، والاستدلال يحتاج دليلًا وافتراضات ويقبل الشك — ومن يخلط بينهما في تحقيقه يخسر نقاط النزاهة قبل نقاط الدقة.
وللاستدلال الصادق بنية ثابتة في هذا المنهج: تبدأ بافتراض Assumption عن المجتمع — كأن تفترض أن نسبته الحقيقية كذا — ثم تسأل المحاكاة: لو صدق الافتراض، فكم مرة من ألف تكرار تظهر نتيجة بعيدة كهذه؟ إن كان ما رأيته بعيدًا جدًا عمّا تعطيه المحاكاة عشرات المرات، فقد اكتشفت أن الافتراض لا يحمل البيانات؛ وإن كان يظهر كثيرًا فلا تملك بعدُ ادعاءً قويًا. فالسؤال الاستدلالي لم يعد «هل نتيجتي صحيحة؟» بل «كم يبعد ما رأيته عن القصة المعتادة؟» — وكل هذا لا يبدأ إلا بسحبٍ عشوائي من إطار صادق.
ولهذا يطلب منك المصدر موجزًا تنفيذيًا Executive Summary في ربع صفحة يجيب عن أربعة أسئلة بترتيب ثابت: كيف صممت المعاينة Design؟ وماذا وجدت في بياناتك Report؟ وعلى من تسري النتائج Scope؟ وكم تثق بالنتيجة Uncertainty؟ التصميم يحدد ما تستطيع قوله، والتقرير يقول ما وجدته، والنطاق يرسم حدود من يسري عليهم الكلام، وعدم اليقين يعترف بأن عينتك عينٌ واحدة على مجتمعٍ كامل — فمن حذف الأخيرين نشر إعلانًا لا تقريرًا.
تدريب صريح على مثال الصف: جمعتَ عينة عشوائية من كشف الصف وسألت، فأجاب 72% بنعم. اكتب في موجزك: «صممنا عينة عشوائية بسيطة من كشف الصف (التصميم)؛ أجاب 72% من أفراد العينة بنعم (التقرير)؛ تسري النتائج على طلاب هذا الصف المسجلين هذا الفصل (النطاق)؛ وسطات العينات تتذبذب، وتقدر المحاكاة عرض هذا التذبذب حول 72% فتحدد كم نثق (عدم اليقين)». أربع جمل، لا خامسة لها ولا رابعة تُحذف — وهذا هو الملخص الذي يقبله الفاحص.
والقاعدة التي تحملها إلى الاختبار: حقك في الاستدلال لا يُشترى بحجم العينة بل بنزاهة تصميمها. حين تكون المعاينة عشوائية من إطار يمثل المجتمع، تنتقل إليك ملكية القول «الأغلب أن المجتمع كذا» مدعومة بتقييم التذبذب؛ وحين تكون عينة مريحة أو تطوعية، فكل ما تملكه وصف عينتك: «من أجاب قال كذا» — والفرق بين الجملتين هو الفرق بين علمٍ واستشهاد.
رشفة من البحر تصلح لتقول: «ملحٌ هذا الموضع الذي التقطتُ منه» — هذا وصف Description. وإن كانت الرشفة من دلوٍ خلطته الأمواج خلطًا جيدًا، فلها أن تخبرك: «البحر مالح» — وهذا استدلال Inference. أما إن رفعت الرشفة من مصبّ نهرٍ عذب فأعلنت «البحر عذب»، فلم تخطئ لسانك — أخطأ دلوك: العلة في الإطار لا في الرشفة، ولا يصلح الخطأ بمزيدٍ من الرشفات.
- «وصف = ما رأيت، استدلال = ما لم تر»: حدّد قبل الجواب أيًّا يسأل السؤال؛ كلمة «من العينة» مقابل «من المجتمع» هي البوصلة.
- الموجز الرباعي: «صمّمت، وجدت، يسري على، أثق بقدر» — أربع جمل في ربع صفحة، ترتيبها ثابت وذكرها كاملة شرط الصدق.
- العشوائية تفتح باب الاستدلال والمريحة تغلقه: سؤال «هل يجوز التعميم؟» إجابته في تصميم المعاينة لا في حجمها.
- لا استدلال بلا عدم يقين: ادعاءٌ بلا رقم تذبذب إعلان؛ اربط دائمًا بين القفزة إلى المجتمع واعترافٍ مقدار بمسافتها عن الحقيقة.
اكتب موجزًا تنفيذيًا واحدًا عن نتيجة «72% نعم» يجمع أهداف الحصة الثلاثة.
«صممنا عينة عشوائية بسيطة من كشف الصف (التصميم Design)؛ أجاب 72% من أفراد العينة بنعم (التقرير Report)؛ تسري النتائج على طلاب هذا الصف المسجلين (النطاق Scope)؛ وتقدّر محاكاة السحب المتكرر تذبذب النسبة، فلا نعلن رقمًا للمجتمع بلا مديه (عدم اليقين Uncertainty)». جملة واحدة تختبر الفرق بين الوصف والاستدلال وتصرّح بالتذبذب — وهذا بالضبط ما يريده أي سؤال تحكيم.
📖 المصطلحات الأساسية
| المصطلح | بالعربية | التعريف المبسّط |
|---|---|---|
| Sampling Distribution | توزيع المعاينة | توزيع إحصائية (كالوسط أو النسبة) على كل العينات الممكنة من الحجم نفسه؛ يُبنى بالتكرار ولا يُرى في عينة واحدة. |
| Repeated Sampling | المعاينة المتكررة | سحب عينة بعد عينة من المجتمع نفسه بالحجم نفسه لتتبع تذبذب النتائج حول الحقيقة. |
| Simulation | المحاكاة | تقليد تكرار المعاينة على الحاسوب عبر تمثيل رقمي للمجتمع؛ أداتك لرؤية ما يستحيل فعله يدويًا. |
| Population Parameter | معلمة المجتمع | الرقم الثابت الملخص للمجتمع كله — وسطه أو نسبته؛ لا تعرفه إلا بمسح شامل أو افتراض. |
| Sample Statistic | إحصائية العينة | ما تحسبه من عينتك لتقدير المعلمة؛ تتغير من عينة إلى أخرى بحكم الحظ. |
| Standard Error | الخطأ المعياري | مقدار التذبذب المتوقع بين العينات؛ للوسط هو σ ÷ √n، ينكمش كلما كبر حجم العينة. |
| Random Variability | التباين العشوائي | فروق ناشئة عن الحظ وحده؛ تلتف حول الحقيقة وتتلاشى مع كبر العينة والتكرار. |
| Systematic Bias | التحيّز المنهجي | ميل ثابت في طريقة الجمع تدفع به النتائج اتجاهًا واحدًا كل مرة؛ لا يتأثر بحجم العينة أبدًا. |
| Coverage Bias | تحيّز التغطية | فجوة الإطار: فئة كاملة خارج قائمة الوصول فتغيب عن النتائج كأنها غير موجودة. |
| Selection Bias | تحيّز الاختيار | طريقة الاختيار نفسها تميل لفئة على أخرى — كاستطلاع روّاد مكانٍ يميل أهله لشريحة واحدة. |
| Nonresponse Bias | تحيّز عدم الاستجابة | من اختيروا فاختاروا ألا يجيبوا، فيغيب رأي فئة كاملة عن البيانات وهي في العينة. |
| Measurement Bias | تحيّز القياس | أداة أو صياغة تدفع الجواب اتجاهًا محددًا — كميزان يزيد كيلوغرامًا ثابتًا مهما تكرر الوزن. |
| Description | الوصف | التقرير عما في عينتك فقط: «72% من العينة قالت نعم» — لا يتجاوز البيانات ولا يدّعي عمومية. |
| Inference | الاستدلال | القفز من العينة إلى المجتمع بدليل من توزيع المعاينة وافتراضات مصرّح بها وقبولٍ للشك. |
| Executive Summary | الموجز التنفيذي | ربع صفحة بأربعة أركان: كيف صممت؟ ماذا وجدت؟ على من يسري؟ وكم تثق بالنتيجة؟ |
🚫 الأخطاء الشائعة — لا تقع فيها
- ❌ «توزيع المعاينة هو مدرج بيانات عينتي.» ✅ مدرج عينتك توزيع بيانات Data Distribution؛ أما توزيع المعاينة فتوزيع الإحصائية على كل العينات الممكنة — يُبنى بالتكرار ولا يُرى في عينة واحدة مهما كبرت.
- ❌ «أعطى استبيانان سليمان وسطين مختلفين، فإحداهما خاطئة حتمًا.» ✅ قد تكونان سليمتين معًا: فرقٌ بحجم الخطأ المعياري (1,200$ أمام 1,273$ مثلًا) هو التباين العشوائي Random Variability بعينه، لا خطأ حساب ولا دليل تحيّز.
- ❌ «نضاعف حجم العينة فنضمن النتيجة.» ✅ الحجم يقلّص التباين العشوائي وحده؛ فروع التحيّز لا تتحرك مع الحجم — فمضاعفة العينة من إطار موبوء تنتج خطأً أكبر بثقةٍ أكبر.
- ❌ «الميزان يزيد كيلوغرامًا ثابتًا؛ سأزن نفسي مئة مرة فتتلاشى الزيادة.» ✅ التكرار يعالج تذبذب الحظ لا الميل الثابت: تحيّز القياس Measurement Bias لا يغسله تكرار ولا حجم، بل معايرة الأداة.
- ❌ «استطلعنا روّاد المنتدى فوجدنا الشباب أكثر، إذن مستخدمو الألعاب شباب.» ✅ عينة مريحة Convenience Sample بتحيّز اختيار Selection Bias: النتيجة تصف من دخل المنتدى وصفًا ولا تستدل بها على المجتمع المستهدف.
- ❌ «النتيجة 72% نعم، والموجز جاهز.» ✅ موجزٌ بلا نطاق Scope وعدم يقين Uncertainty إعلانٌ لا تقرير: صرّح بالتصميم وعلى من تسري النتائج ومقدار تذبذبها — الأركان أربعة كاملة.
🧪 الاختبار: هل أنت جاهز؟
خمسة عشر سؤالًا على طريقة الاختبار الحقيقي: سيناريوهات قصيرة ومصائد مقصودة حول توزيع المعاينة والتباين العشوائي والتحيّز المنهجي والفرق بين الوصف والاستدلال. حاول أن تجيب قبل كشف التفسير — فالمصيدة التي تقع فيها اليوم هي التي لن تقع فيها غدًا.