Bessere Entscheidungen treffen Mit Bayes'scher Wahrscheinlichkeit, der intelligenten Art, Risiken zu berücksichtigen

Es wird geschätzt, dass menschliche Erwachsene ungefähr 35.000 Entscheidungen pro Tag treffen. Der Prozentsatz guter Entscheidungen hängt vom Erwachsenen ab. Diese Entscheidungen können so banal sein wie die Entscheidung, Toilettenpapier zu rollen oder zu zerknittern, oder als emotional kompliziert wie die Entscheidung, eine Beziehung zu verlassen. Und weil der Mensch eher emotionaler Vorurteile als Meister unterworfen ist, sind Strategien und intellektuelle Rahmenbedingungen für jeden erforderlich, der auf vernünftige Weise funktionieren möchte. Leider erhalten wir nicht immer die besten Werkzeuge. Die Art, wie die meisten Menschen über Wahrscheinlichkeit denken, ist zum Beispiel für die Moderne ungeeignet.

An jedem Tag setzt sich eine beliebige Person, die in einer modernen Gesellschaft lebt, mit Organisationen, Maschinen und Preismodellen zusammen, die sie nicht vollständig verstehen. Die meisten Menschen gehen auf praktische Weise an diese täglichen Rätsel heran, indem sie die Informationen nutzen, die sie benötigen, um die Chance für ein erfolgreiches Ergebnis zu maximieren. Dies ist im Wesentlichen das, was unsere Eltern uns als Kinder beibringen. Das meinen die Menschen oft, wenn sie von „Logik“ sprechen. Dies ist jedoch auch ein häufig unzureichender Prozess. Bei erheblichen Wissenslücken unterscheidet es sich nur geringfügig vom Erraten. Kurz gesagt, wir denken ineffizient über die Wahrscheinlichkeit nach. Anstatt sich auf Ergebnisse zu konzentrieren, sollten wir uns auf unser Verständnis von Situationen konzentrieren, indem wir die Kernideen der Bayes'schen Wahrscheinlichkeit verwenden.

Die Bayes'sche Wahrscheinlichkeit berücksichtigt Glaubensgrade über historische Frequenzen: Die Idee ist, dass Entscheidungen, die aus Unsicherheit getroffen werden, von dem beeinflusst werden, was jemand ursprünglich kennt und aktualisiert wird, wenn neue Informationen gefunden werden. Die Idee ist, das Risiko zu minimieren und gleichzeitig das Lernen zu maximieren. Anstatt sich den Problemen als monolithisch zu nähern, zerschnitten die Bayesianer sie in leichter verdauliche Teile. Wissen sammelt sich auf dem Weg.

Um zu verstehen, wie das funktioniert, müssen Sie rechnen. Die zentrale Gleichung, auch als Bayes-Regel bekannt, wurde von Thomas Bayes, einem englischen Geistlichen und Mathematiker, der 1761 starb, formuliert. Er sagt die Reihenfolge der Ereignisse voraus, die zu einem Ergebnis führen. In der Gleichung steht T für die getestete Hypothese und E für die neuen Beweise, die die Hypothese entweder bestätigen oder widerlegen. Die Überzeugungen sind hier nicht objektiv, sondern an frühere Annahmen gebunden und das, was auf dem Weg gelernt wird.

Die Gleichung ermöglicht es Entscheidungsträgern, Informationen und Ereignissen gleichzeitig Wahrscheinlichkeiten zuzuordnen, wobei die Wahrscheinlichkeit einer zugrunde liegenden Annahme über die Wahrscheinlichkeit eines Ergebnisses geschichtet wird.

In einer 2011 erschienenen Zeitung der Queen Mary University, Professor Norman Fenton, argumentierte Norman Fenton, der effektivste Weg, um Entscheidungen zu treffen, seien probabilistische Modelle, die aus Bayes'schen Netzwerken aufgebaut seien. Er schreibt, dass die Finanzkrise von 2008 ein Weckruf war, wonach die Menschen und Finanzsysteme die Risikobewertung verbessern müssen. Während die Bayes'sche Wahrscheinlichkeit seit dem 16. Jahrhundert als kritisches Konstrukt existiert, wird sie nicht allgemein angewendet oder gelehrt. Es ist offensichtlich, dass das Bayesianische Denken für die Finanzen gilt, es macht aber auch eine Vielzahl anderer Situationen Sinn.

"Um diese Art von Problemen konsequent und effektiv in Angriff zu nehmen, brauchen wir eine strenge Methode zur Quantifizierung der Unsicherheit, die es uns ermöglicht, Daten mit Expertenwissen zu kombinieren", schreibt Fenton. "Bayesianische Wahrscheinlichkeit ist ein solcher Ansatz."

Fenton spricht sich für eine verstärkte Anwendung der Bayes'schen Theorie aus, die jedoch schon früher angenommen wurde - und das mit gutem Erfolg. Alan Turing verwendete die Bayes'sche Statistik, als er im Zweiten Weltkrieg Codes knackte. Der einzige Grund, aus dem keine neue Denkweise bekannt wurde, war, dass niemand herausfand, bis die Informationen 2012 freigegeben wurden. In diesem Jahr nutzte Nate Silver die Bayes-Gleichung, um die Wahlergebnisse von 2012 mit beeindruckender Genauigkeit vorherzusagen.

Die Bayes'sche Wahrscheinlichkeit ist besser als bei anderen vorausschauenden Systemen, da sie auch eine der wenigen Methoden ist, die erklären, wie unvorhersehbar Menschen wirklich sind. Es beinhaltet, was man weiß, aber es reagiert auch auf die Tatsache, dass die menschliche Entscheidung ständig von kontextuellen und situativen Variablen beeinflusst wird. Dies ist hilfreich, wenn Sie herausfinden möchten, in welche Aktien investiert werden soll, oder welcher Obstteller bei Ihrem Potluck am erfolgreichsten ist.

Aber wie können Sie es heute anwenden? Einfach: Überlegen Sie sich, was Sie zu wissen glauben und warum Sie glauben, es zu kennen, bevor Sie eine Entscheidung treffen. Überlegen Sie sich dann, ob Sie mit dieser Entscheidung Ihren Verdacht bestätigen oder ablehnen können. So einfach ist das. Es ist eine Frage der Disziplin, sich auf das Warum des Geschehens zu konzentrieren und nicht auf die einfache Realität der Ereignisse. Nur weil etwas passiert, ist es nicht wahrscheinlich.