Prendre de meilleures décisions avec la probabilité bayésienne, un moyen intelligent de prendre en compte les risques

$config[ads_kvadrat] not found

7 règles d'or pour prendre du muscle !

7 règles d'or pour prendre du muscle !
Anonim

On estime que l’homme adulte prend environ 35 000 décisions par jour - le pourcentage de bonnes décisions dépend de l’adulte. Ces choix peuvent être aussi banals que de décider de rouler ou de froisser du papier toilette ou aussi compliqués sur le plan émotionnel que de décider de quitter une relation. Et parce que les êtres humains sont soumis à des préjugés émotionnels plutôt que maîtrisés, des stratégies et des cadres intellectuels sont nécessaires pour quiconque souhaite fonctionner de manière raisonnable. Malheureusement, les meilleurs outils ne nous sont pas toujours fournis. La façon dont la plupart des gens pensent à la probabilité, par exemple, est mal adaptée au moderne.

Chaque jour, toute personne vivant dans une société moderne s’engage dans des organisations, des machines et des modèles de tarification qu’elle ne comprend pas parfaitement. La plupart des gens abordent ces énigmes quotidiennes de manière pratique, en utilisant les informations dont ils disposent pour maximiser les chances de succès. C’est essentiellement ce que nos parents nous apprennent à faire en tant qu’enfants. C’est souvent ce que les gens veulent dire quand ils parlent de «logique». Mais c’est aussi un processus souvent inadéquat. Lorsqu'il y a des lacunes importantes dans les connaissances, cela ne diffère que très peu des suppositions. En bref, nous pensons à la probabilité de manière inefficace. Plutôt que de nous concentrer sur les résultats, nous devrions nous concentrer sur notre compréhension des situations en utilisant les idées fondamentales de la probabilité bayésienne.

La probabilité bayésienne incorpore des degrés de croyance sur des fréquences historiques: l’idée est que les décisions prises à partir d’incertitude reposent sur ce que l’on sait à l’origine et sont mises à jour au fur et à mesure que l’on rencontre de nouvelles informations. L'idée est de minimiser les risques tout en maximisant l'apprentissage. Au lieu de considérer les problèmes comme monolithiques, les bayésiens les découpent en morceaux plus digestibles. La connaissance est accumulée en cours de route.

Pour comprendre comment cela fonctionne, vous devez faire le calcul. L’équation centrale, également connue sous le nom de règle de Bayes, a été formulée par Thomas Bayes, un ecclésiastique et mathématicien anglais décédé en 1761. Elle prédit la séquence des événements menant à une issue. Dans l'équation, T représente l'hypothèse à tester et E représente les nouveaux éléments de preuve permettant de confirmer ou d'infirmer l'hypothèse. Les croyances ne sont ici pas objectives, mais conditionnelles aux hypothèses antérieures et à ce que l’on apprend en cours de route.

L'équation permet aux décideurs d'affecter des probabilités à des informations et à des événements en même temps, en superposant la probabilité qu'une hypothèse sous-jacente soit prouvée à la probabilité d'un résultat.

Dans un article de 2011, Norman Fenton, professeur à l'Université Queen Mary, a expliqué que le moyen le plus efficace de prendre des décisions consiste à utiliser des modèles probabilistes construits à partir de réseaux bayésiens. Il écrit que la crise financière de 2008 a été un réveil pour que les personnes et les systèmes financiers aient besoin d'une meilleure évaluation des risques. Bien que la probabilité bayésienne existe depuis le 16ème siècle en tant que construction critique, elle n’est pas largement appliquée ni enseignée. Et s’il est évident que la pensée bayésienne s’applique aux finances, elle donne également un sens à une multitude d’autres situations.

«Pour traiter ce type de problèmes de manière cohérente et efficace, nous avons besoin d’une méthode rigoureuse de quantification de l’incertitude nous permettant de combiner les données avec le jugement d’experts», écrit Fenton. "La probabilité bayésienne est une telle approche."

Fenton plaide en faveur d'une application accrue de la théorie bayésienne, mais celle-ci a déjà été adoptée - et à bon escient. Alan Turing a utilisé les statistiques bayésiennes pour déchiffrer des codes pendant la Seconde Guerre mondiale. La seule raison pour laquelle il n’a pas popularisé une nouvelle façon de penser est que personne ne l’a découvert avant que l’information ne soit déclassifiée en 2012. C’est aussi l’année où Nate Silver a utilisé l’équation de Bayes pour prédire les résultats de l’élection de 2012 avec une précision impressionnante.

La probabilité bayésienne est meilleure que d’autres systèmes de prévision future, car c’est également l’une des rares méthodes qui explique à quel point les humains sont imprévisibles. Bien qu’il intègre ce que l’on sait, il répond également au fait que le choix humain est constamment affecté par des variables contextuelles et situationnelles. C’est utile si vous essayez de savoir dans quelles actions investir, ou quelle assiette de fruits sera celle qui réussira le mieux à votre potluck.

Mais comment pouvez-vous l'appliquer aujourd'hui? Simple: Pensez à ce que vous pensez savoir et aux raisons pour lesquelles vous pensez le savoir avant de prendre une décision. Ensuite, demandez-vous si cette décision vous permettra de confirmer ou d'infirmer vos soupçons. C’est aussi simple que cela. Il s’agit d’avoir la discipline nécessaire pour se concentrer sur le pourquoi de ce qui se passe plutôt que sur la simple réalité des événements. Ce n’est pas parce que quelque chose se produit que c’est probable.

$config[ads_kvadrat] not found