Мозгоускорители. Как научиться эффективно мыслить, используя приемы из разных наук - Ричард Нисбетт (2015)
-
Год:2015
-
Название:Мозгоускорители. Как научиться эффективно мыслить, используя приемы из разных наук
-
Автор:
-
Жанр:
-
Оригинал:Английский
-
Язык:Русский
-
Перевел:М. Трощенко
-
Издательство:Альпина Диджитал
-
Страниц:20
-
ISBN:9785961443202
-
Рейтинг:
-
Ваша оценка:
Мозгоускорители. Как научиться эффективно мыслить, используя приемы из разных наук - Ричард Нисбетт читать онлайн бесплатно полную версию книги
Вот обескураживающий пример того, к каким ошибкам может привести эвристика репрезентативности. Приводится текст про некую Линду. «Линде 31 год, она не замужем, она открытая и яркая личность. В колледже изучала философию. В студенческие годы очень интересовалась вопросами дискриминации и социальной справедливости, а также принимала участие в демонстрациях против испытаний ядерного оружия». После прочтения этого короткого описания людям предлагалось оценить восемь возможных вариантов будущего Линды[30]. Два из этих вариантов были следующими: «банковский служащий» и «банковский служащий и активистка феминистского движения». Большинство людей предположили, что Линда скорее может работать в банке и быть активной феминисткой, чем просто работать в банке. То есть «банковский служащий и активистка феминистского движения» больше подходит к описанию Линды, чем «банковский служащий». Но, конечно, здесь-то и заключается логическая ошибка. Вероятность совпадения двух событий не может быть выше, чем вероятность наступления одного из этих. Банковские служащие могут быть феминистками, республиканцами или вегетарианцами. Но описание Линды ближе к стереотипу банковской служащей-феминистки, чем просто банковской служащей, поэтому возникает ошибка совпадения.
Взгляните на четыре ряда цифр внизу. Два из них были созданы генератором случайных чисел, а два из них я написал сам. Выберите те два ряда, которые, по вашему мнению, были созданы генератором случайных чисел. А я дам вам ответ чуть ниже.
Суждения на основании репрезентативности могут влиять на все виды оценки вероятности. Канеман и Тверски предложили студентам, не изучавшим статистику, решить следующую задачу[31].
В городе два роддома. В большом роддоме каждый день рождается 45 детей, а в роддоме поменьше – 15. Как нам известно, примерно половина детей – мальчики. Однако точный процент родившихся мальчиков каждый день разный. Иногда он выше 50 %, иногда ниже.
В течение года каждый роддом регистрировал дни, в которые процент родившихся мальчиков превышал 60. Какой из роддомов, по-вашему, зарегистрировал больше таких дней?
Большинство студентов ответило, что процент мальчиков будет одинаковым в обоих роддомах. Голоса тех, кто ответил, что это будет тот роддом, который больше, и тот, который меньше, распределились примерно поровну.
На самом же деле выше вероятность того, что более 60 % мальчиков чаще будут появляться на свет в маленьком роддоме. Дело в том, что 60 % – одинаково репрезентативная (или, скорее, нерепрезентативная) величина, вне зависимости от того, большой это роддом или маленький, но отклонения от среднего показателя гораздо более вероятны при меньшем количестве случаев, чем при большем.
Если вас смущает этот вывод, вот еще один пример. Возьмем два роддома, в одном рождается пять детей в день, в другом – 50. В каком роддоме по-вашему наиболее вероятно отклонение в виде 60 % мальчиков в день? Все еще сомневаетесь? А как насчет пяти новорожденных в одном роддоме и 5000 в другом?