Betere beslissingen nemen met de Bayesiaanse waarschijnlijkheid, de slimme manier om risico's te overwegen

Naar schatting maken menselijke volwassenen ongeveer 35.000 beslissingen per dag - het percentage goede beslissingen hangt af van de volwassene. Deze keuzes kunnen net zo banaal zijn als besluiten om wc-papier te rollen of te verfrommelen of als emotioneel ingewikkeld als het oplossen van een relatie te verlaten. En omdat mensen eerder ondergeschikt zijn aan hun emotionele vooroordelen, zijn strategieën en intellectuele kaders noodzakelijk voor iedereen die op een redelijke manier wil functioneren. Helaas krijgen we niet altijd de beste tools. De manier waarop de meeste mensen denken over waarschijnlijkheid, bijvoorbeeld, is niet geschikt voor de moderne tijd.

Op elke willekeurige dag zal elke persoon die in een moderne samenleving leeft zich bezighouden met organisaties, machines en prijsmodellen die ze niet volledig begrijpen. De meeste mensen benaderen deze dagelijkse puzzels op een praktische manier, door de informatie die ze hebben te gebruiken om de kans op een succesvol resultaat te maximaliseren. Dit is in wezen wat onze ouders ons leren als kinderen te doen. Dit is vaak wat mensen bedoelen als ze over 'logica' praten. Maar dit is ook een vaak ontoereikend proces. Wanneer er significante kennislacunes zijn, verschilt deze slechts in geringe mate van raden. We denken kortom over waarschijnlijkheid op een inefficiënte manier. In plaats van ons te concentreren op de resultaten, moeten we ons concentreren op ons begrip van situaties met behulp van de kernideeën van de Bayesiaanse waarschijnlijkheid.

De Bayesiaanse waarschijnlijkheid omvat geloofsgraden over historische frequenties: het idee is dat beslissingen die uit onzekerheid worden genomen, worden geïnformeerd door wat iemand oorspronkelijk kent en wordt bijgewerkt wanneer men nieuwe informatie tegenkomt. Het idee is om het risico te minimaliseren en tegelijkertijd het leren te maximaliseren. In plaats van problemen als monolithisch te benaderen, snijden Bayesianen ze op in meer verteerbare stukken. Kennis wordt onderweg verzameld.

Om te begrijpen hoe dit werkt, moet je de wiskunde doen. De centrale vergelijking, ook bekend als de regel van Bayes, werd geformuleerd door Thomas Bayes, een Engelse predikant en wiskundige die stierf in 1761. Het voorspelt de volgorde van gebeurtenissen die leiden tot een uitkomst. In de vergelijking staat T voor de hypothese die wordt getest en staat E voor de nieuwe bewijsstukken die de hypothese bevestigen of weerleggen. De overtuigingen zijn hier niet objectief, maar afhankelijk van eerdere aannames en wat er onderweg geleerd wordt.

De vergelijking stelt besluitvormers in staat om waarschijnlijkheden toe te wijzen aan stukjes informatie en gebeurtenissen op hetzelfde moment, waardoor de kans wordt verkleind dat een onderliggende veronderstelling boven op de waarschijnlijkheid van een resultaat uitsteekt.

In een artikel uit 2011 betoogde professor Norman Fenton van de Queen Mary University dat de meest effectieve manier om beslissingen te nemen, is door middel van probabilistische modellen gebouwd op Bayesiaanse netwerken. Hij schrijft dat de financiële crisis van 2008 een wake-up call was die mensen en financiële systemen nodig hebben om een ​​betere risicobeoordeling te krijgen. Hoewel de Bayesiaanse waarschijnlijkheid al sinds de 16e eeuw als een kritische constructie bestaat, wordt ze niet breed toegepast of onderwezen. En hoewel het overduidelijk is dat het Bayesiaanse gedachtegoed van toepassing is op financiën, geeft het ook een schat aan andere situaties.

"Om dit soort problemen consistent en effectief aan te pakken, hebben we een rigoureuze methode nodig om onzekerheden te kwantificeren waarmee we gegevens kunnen combineren met expertoordeel," schrijft Fenton. "Bayesiaanse waarschijnlijkheid is zo'n benadering."

Fenton pleit voor de toegenomen toepassing van de Bayesiaanse theorie, maar het is al eerder aangenomen - en met goed gevolg. Alan Turing gebruikte Bayesiaanse statistieken bij het kraken van codes tijdens de Tweede Wereldoorlog. De enige reden dat het een nieuwe manier van denken niet populariseerde was dat niemand erachter kwam totdat de informatie in 2012 werd vrijgegeven. Dat was ook het jaar waarin Nate Silver de vergelijking van Bayes gebruikte om de verkiezingsresultaten van 2012 met indrukwekkende nauwkeurigheid te voorspellen.

De Bayesiaanse waarschijnlijkheid is beter dan andere systemen die de toekomst voorspellen, omdat het ook een van de weinige methoden is die verklaart hoe onvoorspelbaar de mens werkelijk is. Hoewel het bevat wat men weet, reageert het ook op het feit dat de menselijke keuze voortdurend wordt beïnvloed door contextuele en situationele variabelen. Dit is handig, of je nu probeert te achterhalen in welke aandelen je wilt beleggen, of welke fruitschaal het meest succesvol is in je opkomst.

Maar hoe kun je het vandaag toepassen? Simpel: denk na over wat je denkt te weten en waarom je denkt dat je het weet voordat je een beslissing neemt. Bedenk vervolgens of u met die beslissing uw vermoedens kunt bevestigen of ontkennen. Het is zo eenvoudig. Het is een kwestie van de discipline hebben om te focussen op het waarom van wat er gebeurt in plaats van de simpele realiteit van de gebeurtenissen. Alleen maar omdat er iets gebeurt maakt het niet waarschijnlijk.