Citat:
Ursprungligen postat av
TheOldOneKnows
Benfords lag applicerad på pennsylvania av en forensiker. Han hittar tydliga anomalier i datat.
https://youtu.be/1ald3w9FBmA
Citat:
Ursprungligen postat av
Emma18
Som har upprepats åtskilliga gånger i tråden så är inte Benford's lag applicerbar på den här typen av data.
Citat:
Ursprungligen postat av
joxmoose
Haha jag tror alla icke-verklighetsfrånvända i tråden har gett upp i att för tusende gången försöka hamra in i ni Trumpers tjocka skallar varför man inte kan använda Benfords lag för att upptäcka valfusk i valresultat. Men vi försöker en sista gång.
https://m.youtube.com/watch?v=etx0k1nLn78
Citat:
Ursprungligen postat av
TheOldOneKnows
Och varför skulle vad ni säger spela någon roll? Tydligen tycker matematiker och forensiker att den är applicerbar just vid val för att hitta valfusk, rätt säker på att de vet bättre än er.
Den kriminaltekniska revisorn vilseleder (jag antar att han förstår bättre) tittarna i videon, som du länkade till. Han säger att antalet röster som ingår i statistiken, gör hans Benfords lag analys tillförlitlig. Det stämmer inte.
Tusentals röstare är en nödvändighet att man skall kunna använda Benfords lag över huvud taget. Men för att få en tillförlitlig kurva så är urvalsmängden av det vi mäter det viktiga och 67 countis är alldeles för få för att få en tillförlitlig kurva. Benfords lag är inte lämpad för ett litet urval eftersom den förväntade felmarginalen då blir så stor att man inte längre förväntar sig att de flesta fallen skall ge en kurva som liknar Bentons lag.
I fallet i din video så kan vi räkna ut att den förväntade standardavvikelsen är 4.0 i Bidens siffror jämfört med Benfords lag. Det är en mycket stor standardavvikelse i ett fall där vi förväntar att de flesta utfallen har ett värde mindre än 10.
Kolumn:
A = Startsiffra.
B = Antal counties med denna startsiffra.
C = Förväntat antal med denna startsiffra (enligt Benfords lag).
D = Hur stor avvikelsen är från det förväntade antalet.
Kod:
A B C D
1. 16 20.1 4.1
2. 07 12.1 5.1
3. 04 08.0 4.0
4. 13 06.7 6.3
5. 06 05.4 0.6
6. 06 04.7 1.3
7. 05 04.0 1.0
8. 06 03.4 2.6
9. 04 02.7 1.3
I en normalfördelningskurva så förväntar oss att omkring 68% av utfallen skall ligga inom den förväntade standardavvikelsen.
https://sv.wikipedia.org/wiki/Standardavvikelse
I detta exemplet så har vi 6 av 9 utfall (66.7%) som ligger inom den förväntade standardavvikelsen. Alltså precis det vi förväntar oss.
Och i andra fall där det avviker mer än förväntat, där man har en tillräcklig stor urvalsmängd för att förvänta sig en kurva enligt Benfords lag, så kan det finnas andra förklaringar än fusk. Som exempelvis i videon som joxmoose länkade till dig, där 98.7% av urvalet bestod av tresiffriga tal, vilket gör att man då förmodligen inte kommer att få en kurva enligt Benfords lag. Eftersom just övergången mellan tal med olika många siffror, gör att de låga siffrorna blir överrepresenterade som startsiffra i ett urval. Vilket är grunden för Benfords lag.