الوسيط أفضل. الطرفان (20 و98) يُؤثران على المتوسط بشكل مبالغ فيه — المتوسط سيُقلل أو يُكبّر تمثيل الأداء الحقيقي لغالبية الطلاب. الوسيط يُمثل القيمة الوسطى بعد الترتيب — لا تؤثر عليه القيم الشاذة. عمومًا: لبيانات ذات قيم شاذة أو توزيع غير متماثل → الوسيط أفضل ممثلًا.

لا — ارتباط لا يعني سببية. العامل الثالث المخفي: الطقس الحار. الحر يزيد مبيعات الآيس كريم ويزيد السباحة ومعها الغرق. حذف الغرق لن يُقلل الآيس كريم. المبدأ: Correlation ≠ Causation — يجب البحث عن العوامل المحيّرة (Confounding Variables) قبل استنتاج سببية.

يعني: إذا كررنا الاستطلاع 100 مرة بنفس المنهجية، ستكون النسبة الحقيقية في المجتمع ضمن 57%-67% في 95 مرة من أصل 100. لا يعني أن احتمال وقوع النسبة الحقيقية ضمن هذا النطاق هو 95% (خطأ شائع). يُعطي تقديرًا بحدود عدم اليقين — لا توجد نتيجة دقيقة مطلقة من عينة.

المتوسط متساوٍ لكن التوزيع مختلف جذريًا. القسم الأول: الموظفون متجانسون في رضاهم (قريبون من 7.2). القسم الثاني: تشتت كبير — بعض الموظفين راضون جدًا (9-10) وآخرون غير راضين أصلًا (3-4). نفس المتوسط يخفي حقائق مختلفة — الانحراف المعياري جوهري لفهم الصورة الكاملة.

الوصفي: يصف ويُلخص البيانات الموجودة فعلًا (متوسط، توزيع، رسوم بيانية) — يُجيب ‘ما الذي حدث’. الاستدلالي: يستخدم عينة للاستنتاج عن مجتمع أكبر أو اختبار فرضيات — يُجيب ‘ماذا يحدث في المجتمع ككل’ أو ‘هل هذا الفرق حقيقي أم مصادفة’.

اختبار الفرضية: إجراء إحصائي لتحديد ما إذا كان هناك دليل كافٍ في البيانات لرفض الفرضية الصفرية (H₀) لصالح البديلة (H₁). p-value: احتمال الحصول على النتيجة المُلاحظة (أو أشد منها) إذا كانت H₀ صحيحة. p < 0.05 تقليديًا: دليل كافٍ لرفض H₀ (نتيجة 'ذات دلالة إحصائية'). لا يعني أن H₁ صحيحة بيقين بل أن البيانات لا تتسق جيدًا مع H₀.

بتجميع مجموعة تحكم (Control Group) — مناطق لم تُطبَّق فيها الحملة بنفس الظروف. إذا ارتفعت مبيعاتها أيضًا 12% في نفس الفترة، فالحملة أضافت فقط 3% إضافية. بدون Control Group: لا يمكن نسب الارتفاع للحملة — قد يكون موسمًا أو حدثًا خارجيًا. هذا تصميم التجربة العشوائية المضبوطة (RCT).

Selection Bias: البيانات أو العينة لا تُمثّل المجتمع الذي تُريد الاستنتاج عنه. مثال: دراسة ‘تأثير برنامج علاجي على الصحة النفسية’ تتبّعت فقط المرضى الذين أتمّوا البرنامج كاملًا. لكن من توقفوا قد توقفوا لأن حالتهم تدهورت. النتيجة: التحسن يبدو أكبر مما هو عليه لأن الأسوأ نتيجةً تُرك من العينة.

التوزيع الطبيعي: متماثل حول المتوسط — الوسيط والمتوسط متقاربان. المنحرف الإيجابي: ذيل طويل على اليمين (قليلون بقيم عالية جدًا — رواتب). المنحرف السلبي: ذيل على اليسار. يهم لأن: في التوزيع الطبيعي المتوسط هو الأفضل. في المنحرف (رواتب) المتوسط يُضلل — بضع مليارديرات يرفعون المتوسط بشكل غير ممثّل. الوسيط أفضل للتوزيعات المنحرفة.

لا أحد بهذه المعطيات. القرار يحتاج: (1) هل الفرق ذو دلالة إحصائية؟ — بحجم عينة معين: نعم/لا. (2) ما حجم حركة الموقع؟ — 5% على 10 مليون زيارة = 500,000 شخص إضافي يغادر. (3) هل الارتفاع مستمر أم لقطة واحدة؟ (4) ما السياق — هل جاء زوار جدد من حملة مستهدفة قراءة سريعة؟ البيانات دون سياق تُضلل.

اختبارات إحصائية كثيرة (t-test، ANOVA) تفترض أن البيانات تتبع توزيعًا طبيعيًا. إذا افترضت طبيعية غير موجودة ستكون نتائجك غير صحيحة. التحقق: (1) رسم Histogram للبيانات وملاحظة الشكل. (2) اختبارات رسمية (Shapiro-Wilk). إذا لم تكن طبيعية: اللجوء لاختبارات غير معلمية (Non-parametric) كـ Mann-Whitney بدلًا من t-test.

الدلالة الإحصائية (p-value): هل الفرق حقيقي أم مصادفة؟. حجم الأثر: كم كبير هذا الفرق فعليًا؟ يمكن الحصول على p < 0.05 (دلالة إحصائية) مع حجم أثر ضئيل جدًا (بلا أهمية عملية). مثال: دواء يُقلل ضغط الدم بمقدار 0.5 ملم زئبق — نتيجة ذات دلالة إحصائية (عينة ضخمة) لكن بلا أهمية سريرية. العبرة: الدلالة + حجم الأثر معًا.