Индуктивная логика, вероятностное мышление и принятие решений

Неопределённость как норма

В реальной жизни у нас редко есть полная информация. Мы принимаем решения в условиях неопределённости: данные неполны, модели приблизительны, будущее непредсказуемо. Вероятностное мышление — навык работы с этой неопределённостью без её отрицания и без паралича.

Базовая теория вероятностей

Вероятность события — число от 0 до 1, показывающее относительную частоту или степень убеждённости. P(A) = 1: событие А произойдёт наверняка. P(A) = 0: никогда. P(A) = 0.5: с равной вероятностью да или нет.

Сложение (взаимоисключающие события): P(A ∨ B) = P(A) + P(B). Если монета: P(орёл) + P(решка) = 1. Умножение (независимые события): P(A ∧ B) = P(A) × P(B). Два бросания монеты: P(два орла) = 0.5 × 0.5 = 0.25. Условная вероятность: P(A|B) — вероятность A при условии B.

Теорема Байеса

Пожалуй, самая важная формула для рационального мышления:

P(H|E) = P(E|H) × P(H) / P(E)

Где H — гипотеза, E — наблюдаемое свидетельство. Мы обновляем априорную вероятность P(H) с учётом нового свидетельства E, чтобы получить апостериорную вероятность P(H|E).

Пример: тест на болезнь имеет чувствительность 99% и специфичность 99%. Болезнь встречается у 1 из 1000 человек. Тест положительный — какова вероятность, что вы больны?

Интуиция говорит: «99% точность — значит, вы наверняка больны». Байес говорит иначе: из 100 000 человек около 100 больных (все дадут положительный тест) и 99 900 здоровых (1% ложноположительных = ~999 человек). Итого ~1099 положительных тестов, из которых только 100 — реально больные. P(болен|+тест) ≈ 9%. Неожиданно!

Байесовское мышление учит: всегда учитывайте базовую частоту (prior). Редкое явление остаётся редким, даже если тест его «выявил».

Ошибки вероятностного мышления

Ошибка базовой частоты: игнорирование априорной вероятности. «Серийный убийца — мужчина среднего возраста, замкнутый, любит оружие». Этот профиль подходит миллионам людей. Нельзя диагностировать редкое явление по нечёткому профилю.

Парадокс Симпсона: тренд, наблюдаемый в подгруппах, исчезает или меняется направление при объединении данных. Больница A имеет более высокую выживаемость по лёгким и тяжёлым случаям. Больница B — по общим. Как? Больница A принимает больше тяжёлых случаев. Выбор уровня агрегации данных принципиально важен.

Пренебрежение размером выборки: статистически значимый результат на малой выборке может быть случайным. Четыре успешных квартала — мало для вывода о долгосрочном тренде.

Регрессия к среднему: экстремальные результаты следующего периода ближе к средним. «Проклятие обложки Sports Illustrated»: спортсмены на обложке часто показывают потом худшие результаты — потому что на обложку попали в пике формы. Ошибочно объяснять ухудшение «звёздной болезнью».

Ожидаемая ценность и риск

Ожидаемая ценность (EV) = сумма (вероятность × исход) по всем исходам. Стоит ли играть в лотерею: P(выигрыш) × размер приза - P(проигрыш) × цена билета. Если EV отрицательна — рационально не играть.

Но EV — не единственный критерий. Неприятие риска: рациональный человек может предпочесть гарантированные $100 лотерее с EV $150, потому что вариативность для него стоит дорого. Асимметрия потерь: потеря $100 субъективно болезненнее, чем выигрыш $100. Отсюда разные стратегии для больших и малых ставок.

Вопрос для размышления: Назовите крупное решение в вашей отрасли, которое «не сработало». Можно ли объяснить неудачу отчасти ошибкой вероятностного мышления — ошибкой базовой частоты, регрессией к среднему, недостаточной выборкой?