Prendere decisioni migliori con la probabilità bayesiana, il modo intelligente di prendere in considerazione il rischio

Si stima che gli adulti umani prendano circa 35.000 decisioni al giorno - la percentuale di buone decisioni dipende dall'adulto. Queste scelte possono essere tanto banali quanto decidere di rotolare o accartocciare la carta igienica o come complicato dal punto di vista emotivo come la decisione di lasciare una relazione. E poiché gli umani sono soggetti piuttosto che padroni dei loro pregiudizi emotivi, le strategie e le strutture intellettuali sono necessarie per chiunque sperando di funzionare in modo ragionevole. Sfortunatamente, non sempre vengono forniti gli strumenti migliori. Il modo in cui la maggior parte delle persone pensa alla probabilità, ad esempio, non è adatto al moderno.

In un dato giorno, qualsiasi persona che vive in una società moderna interagirà con organizzazioni, macchine e modelli di prezzo che non capiscono completamente. La maggior parte delle persone affronta questi enigmi quotidiani in modo pratico, utilizzando le informazioni che hanno per massimizzare l'opportunità di un esito positivo. Questo è essenzialmente ciò che i nostri genitori ci insegnano a fare da bambini. Questo è spesso ciò che le persone intendono quando parlano di "logica". Ma questo è anche un processo spesso inadeguato. Quando ci sono lacune significative nella conoscenza, differisce solo leggermente dalla supposizione. In breve, pensiamo alla probabilità in modo inefficiente. Piuttosto che concentrarsi sui risultati, dovremmo concentrarci sulla nostra comprensione delle situazioni usando le idee principali della probabilità bayesiana.

La probabilità bayesiana incorpora gradi di credenza rispetto alle frequenze storiche: l'idea è che le decisioni prese a partire dall'incertezza siano informate da ciò che qualcuno conosce originariamente e viene aggiornato man mano che si incontrano nuove informazioni. L'idea è di minimizzare il rischio massimizzando l'apprendimento. Invece di affrontare i problemi come monolitici, i bayesiani li tagliavano in pezzi più digeribili. La conoscenza si accumula lungo la strada.

Per capire come funziona, devi fare i conti. L'equazione centrale, nota anche come regola di Bayes, fu formulata da Thomas Bayes, un ecclesiastico e matematico inglese morto nel 1761. Prevede la sequenza di eventi che portano a un risultato. Nell'equazione, T sta per l'ipotesi in fase di test e E rappresenta i nuovi elementi di prova che confermeranno o confuteranno l'ipotesi. Le convinzioni qui non sono oggettive, ma condizionate da presupposti precedenti e da ciò che si apprende lungo la strada.

L'equazione consente ai responsabili delle decisioni di assegnare verosimilmente a parti di informazioni ed eventi allo stesso tempo, stratificando la probabilità che un'ipotesi sottostante si dimostri in aggiunta alla probabilità di un risultato.

In un documento del 2011, il professore della Queen Mary University, Norman Fenton, ha affermato che il modo più efficace per prendere decisioni è attraverso modelli probabilistici basati su reti bayesiane. Egli scrive che la crisi finanziaria del 2008 è stata una sveglia che le persone e i sistemi finanziari devono migliorare nella valutazione del rischio. Mentre la probabilità bayesiana è esistita come un costrutto critico dal 16 ° secolo, non è ampiamente applicata o insegnata. E mentre è ovvio che il pensiero bayesiano si applica alle finanze, ha anche senso di una miriade di altre situazioni.

"Per affrontare questo tipo di problemi in modo coerente ed efficace è necessario un metodo rigoroso di quantificazione dell'incertezza che ci consenta di combinare i dati con il giudizio di esperti", scrive Fenton. "La probabilità bayesiana è un tale approccio."

Fenton sostiene l'accresciuta applicazione della teoria bayesiana, ma è stata adottata prima - e con buoni risultati. Alan Turing ha usato le statistiche bayesiane durante i cracking dei codici durante la seconda guerra mondiale. L'unico motivo per cui non ha reso popolare un nuovo modo di pensare è stato che nessuno ha scoperto fino a quando l'informazione non è stata declassificata nel 2012. Questo è stato anche l'anno in cui Nate Silver ha usato l'equazione di Bayes per prevedere i risultati delle elezioni del 2012 con impressionante precisione.

La probabilità bayesiana è migliore di altri sistemi di previsione futura perché è anche uno dei pochi metodi che spiegano quanto siano davvero imprevedibili gli esseri umani. Mentre incorpora ciò che si conosce, risponde anche al fatto che la scelta umana è costantemente influenzata dalle variabili contestuali e situazionali. Questo è utile se stai cercando di capire quali scorte investire, o quale piatto di frutta avrà più successo nel tuo potluck.

Ma come puoi applicarlo oggi? Semplice: pensa a cosa pensi di sapere e perché pensi di conoscerlo prima di prendere una decisione. Quindi pensa se questa decisione ti consentirà di confermare o negare i tuoi sospetti. È praticamente così facile. Si tratta di avere la disciplina di concentrarsi sul perché di ciò che accade piuttosto che sulla semplice realtà degli eventi. Solo perché succede qualcosa non lo rende probabile.