Probleem 7: Estimating chances
Literatuur: Matlin (hst 12) & Eysenck (hst 13)
Decision making
Decision making: gegeven informatie evalueren, een oordeel maken en op basis daarvan
een keuze maken uit verschillende mogelijke alternatieven (er zit dus een risico aan
verbonden: je weet niet of de keuze die je maakt de juiste is).
Verschil met deductive reasoning: hier wordt a.d.h.v. goede beredenering en principes een
logische conclusie getrokken op basis van de gegeven info (top-down).
Twee benaderingen:
1. Normative approach: beschrijft hoe we zouden moeten denken in een bepaalde
situatie gebruik maken van principes van basiskansberekening.
2. Descriptive approach: beschrijft hoe we in werkelijkheid denken gebruik maken
van representativeness.
Vb. moeder heeft 10 kinderen, allemaal jongens. Hoe groot is de kans dat haar
volgende kind een meisje is? volgens de normatieve benadering zou je zeggen
50/50, maar volgens de descriptieve benadering lijkt het logischer dat er nu een
meisje geboren wordt, dus de kans op een meisje schat je groter dan 50%.
Decision-making heuristics (vignet A en B)
Heuristics-and-biases approach: volgens Tversky en Kahneman vertrouwen we vaak op
simpele heuristics (of simpele vuistregels) wanneer we bepaalde problemen tegenkomen.
Representativeness heuristic: een steekproef lijkt representatief wanneer de belangrijke
eigenschappen lijken op die van de populatie waaruit deze is geselecteerd. Vb. de volgorde
heads en tails THHTHT lijkt meer representatief, omdat het aantal heads en tails gelijk is en
omdat de volgorde willekeurig lijkt i.p.v. geordend. Vaak geloven we (foutief) dat
willekeurig-uitziende uitkomsten een grotere kans hebben dan geordende uitkomsten. Vb.
$21,97 lijkt willekeuriger en dus normaler dan $22,22.
Het gaat hierbij dus om specifiek voorbeeld waarvan we moeten beoordelen of deze gelijk is
aan de algemene categorie die het zou moeten representeren.
Sample size fallacy: een grote sample grootte heeft statistisch gezien meer kans de
werkelijke proporties van een populatie te reflecteren. Een kleine sample grootte
neigt daarentegen vaak extreme proporties te vertonen. Mensen zijn vaak onbewust
van het feit dat afwijkingen van een populatie meer kans hebben voor te komen in
kleine samples (ze negeren vaak de sample grootte).
Vb. in een klein ziekenhuis worden elke dag 15 baby’s geboren en in het grote
ziekenhuis 45 baby’s. Welk ziekenhuis heeft meer kans dat meer dan 60% van
de baby’s op een bepaalde dag jongens zouden zijn? Het merendeel dacht dat
de kans gelijk was, terwijl zo’n extreme proportie eerder voorkomt in een
kleine populatie (van 15 baby’s). Mensen negeren dus de sample grootte.
, Base rate fallacy: de base rate is hoe vaak een item plaatsvindt in de populatie. We
neigen deze vaak te negeren wanneer we moeten oordelen over leden van
categorieën. Dit doen we zelfs wanneer de base rate informatie wordt gegeven.
Vb. beschrijving van Jack die leek op het stereotype van een engineer. De
helft van de participanten werd verteld dat van de 100 beschrijvingen er 70
engineer waren en 30 advocaat, terwijl de andere helft werd verteld dat dit
andersom was. Alle participanten schatten de kans 90% dat Jack engineer
was, zonder dat ze de base-rate informatie in beschouwing namen.
Conjunction fallacy: volgens de conjunction rule kan de waarschijnlijkheid van de
combinatie van twee events niet groter zijn dan de waarschijnlijkheid van één van de
twee events. Mensen schatten echter vaak dat de kans van de combinatie van twee
events groter is dan de kans op één van de twee events. Vb. verhaaltje over Linda,
waarbij mensen denken dat de kans groter is dat Linda bankier en feminist is dan
alleen bankier. In werkelijkheid kan dit dus helemaal niet.
Availability heuristic: wanneer je de frequentie of de kans van iets inschat door te bedenken
hoe makkelijk je relevante voorbeelden ervan kunt bedenken. Het gaat hierbij dus om een
algemene categorie waarvan we specifieke voorbeelden moeten herinneren. Vervolgens
maken we beslissingen gebaseerd op of de specifieke voorbeelden makkelijk in je op komen.
Twee factoren die een bias effect hierop kunnen hebben:
Recency: ons geheugen zou beter zijn voor items die we recent hebben gezien,
omdat recente items meer beschikbaar zijn. Hierdoor zouden we de kans van recente
items hoger inschatten dan deze werkelijk is.
Familiarity: in hoeverre je bekend bent met de voorbeelden kan ook invloed hebben
op je schattingen van frequentie. Zo kan de media de schattingen van mensen over
de populatie van landen beïnvloeden. Vb. El Salvador werd vaak genoemd in het
nieuws, terwijl Indonesië bijna niet genoemd werd. Mensen schatten daardoor de
populaties van beide landen als gelijk, terwijl die van Indonesië 35 keer zo groot is.
Support theory: gebaseerd op de availability heuristic hebben Tversky en Koehler het
volgende gesteld. Een bepaalde gebeurtenis lijkt wel/niet waarschijnlijker afhankelijk van de
manier waarop het is beschreven. Vb. de kans dat je op je volgende vakantie doodgaat lijkt
heel klein. Wanneer bij de vraag verschillende oorzaken worden genoemd (ziekte, ongeluk),
lijkt de kans ineens groter. Een meer expliciete beschrijving van een gebeurtenis lijkt
waarschijnlijker dan wanneer dezelfde gebeurtenis minder expliciet wordt beschreven.
Kritiek: de achterliggende mechanismen zijn onduidelijk.
Gevolg illusory correlation: vindt plaats wanneer mensen geloven dat twee variabelen
statistisch gerelateerd zijn, zelfs wanneer er geen bewijs is voor deze relatie. Hieruit kunnen
ook vaak stereotypes ontstaan, vb. vrouwen zijn slecht in wiskunde. In een 2x2 matrix kijken
mensen vaak maar naar één cel, terwijl ze de andere belangrijke informatie negeren.
Salience and vividness: hoe meer impact iets heeft gemaakt, hoe groter we de kans
inschatten.
Literatuur: Matlin (hst 12) & Eysenck (hst 13)
Decision making
Decision making: gegeven informatie evalueren, een oordeel maken en op basis daarvan
een keuze maken uit verschillende mogelijke alternatieven (er zit dus een risico aan
verbonden: je weet niet of de keuze die je maakt de juiste is).
Verschil met deductive reasoning: hier wordt a.d.h.v. goede beredenering en principes een
logische conclusie getrokken op basis van de gegeven info (top-down).
Twee benaderingen:
1. Normative approach: beschrijft hoe we zouden moeten denken in een bepaalde
situatie gebruik maken van principes van basiskansberekening.
2. Descriptive approach: beschrijft hoe we in werkelijkheid denken gebruik maken
van representativeness.
Vb. moeder heeft 10 kinderen, allemaal jongens. Hoe groot is de kans dat haar
volgende kind een meisje is? volgens de normatieve benadering zou je zeggen
50/50, maar volgens de descriptieve benadering lijkt het logischer dat er nu een
meisje geboren wordt, dus de kans op een meisje schat je groter dan 50%.
Decision-making heuristics (vignet A en B)
Heuristics-and-biases approach: volgens Tversky en Kahneman vertrouwen we vaak op
simpele heuristics (of simpele vuistregels) wanneer we bepaalde problemen tegenkomen.
Representativeness heuristic: een steekproef lijkt representatief wanneer de belangrijke
eigenschappen lijken op die van de populatie waaruit deze is geselecteerd. Vb. de volgorde
heads en tails THHTHT lijkt meer representatief, omdat het aantal heads en tails gelijk is en
omdat de volgorde willekeurig lijkt i.p.v. geordend. Vaak geloven we (foutief) dat
willekeurig-uitziende uitkomsten een grotere kans hebben dan geordende uitkomsten. Vb.
$21,97 lijkt willekeuriger en dus normaler dan $22,22.
Het gaat hierbij dus om specifiek voorbeeld waarvan we moeten beoordelen of deze gelijk is
aan de algemene categorie die het zou moeten representeren.
Sample size fallacy: een grote sample grootte heeft statistisch gezien meer kans de
werkelijke proporties van een populatie te reflecteren. Een kleine sample grootte
neigt daarentegen vaak extreme proporties te vertonen. Mensen zijn vaak onbewust
van het feit dat afwijkingen van een populatie meer kans hebben voor te komen in
kleine samples (ze negeren vaak de sample grootte).
Vb. in een klein ziekenhuis worden elke dag 15 baby’s geboren en in het grote
ziekenhuis 45 baby’s. Welk ziekenhuis heeft meer kans dat meer dan 60% van
de baby’s op een bepaalde dag jongens zouden zijn? Het merendeel dacht dat
de kans gelijk was, terwijl zo’n extreme proportie eerder voorkomt in een
kleine populatie (van 15 baby’s). Mensen negeren dus de sample grootte.
, Base rate fallacy: de base rate is hoe vaak een item plaatsvindt in de populatie. We
neigen deze vaak te negeren wanneer we moeten oordelen over leden van
categorieën. Dit doen we zelfs wanneer de base rate informatie wordt gegeven.
Vb. beschrijving van Jack die leek op het stereotype van een engineer. De
helft van de participanten werd verteld dat van de 100 beschrijvingen er 70
engineer waren en 30 advocaat, terwijl de andere helft werd verteld dat dit
andersom was. Alle participanten schatten de kans 90% dat Jack engineer
was, zonder dat ze de base-rate informatie in beschouwing namen.
Conjunction fallacy: volgens de conjunction rule kan de waarschijnlijkheid van de
combinatie van twee events niet groter zijn dan de waarschijnlijkheid van één van de
twee events. Mensen schatten echter vaak dat de kans van de combinatie van twee
events groter is dan de kans op één van de twee events. Vb. verhaaltje over Linda,
waarbij mensen denken dat de kans groter is dat Linda bankier en feminist is dan
alleen bankier. In werkelijkheid kan dit dus helemaal niet.
Availability heuristic: wanneer je de frequentie of de kans van iets inschat door te bedenken
hoe makkelijk je relevante voorbeelden ervan kunt bedenken. Het gaat hierbij dus om een
algemene categorie waarvan we specifieke voorbeelden moeten herinneren. Vervolgens
maken we beslissingen gebaseerd op of de specifieke voorbeelden makkelijk in je op komen.
Twee factoren die een bias effect hierop kunnen hebben:
Recency: ons geheugen zou beter zijn voor items die we recent hebben gezien,
omdat recente items meer beschikbaar zijn. Hierdoor zouden we de kans van recente
items hoger inschatten dan deze werkelijk is.
Familiarity: in hoeverre je bekend bent met de voorbeelden kan ook invloed hebben
op je schattingen van frequentie. Zo kan de media de schattingen van mensen over
de populatie van landen beïnvloeden. Vb. El Salvador werd vaak genoemd in het
nieuws, terwijl Indonesië bijna niet genoemd werd. Mensen schatten daardoor de
populaties van beide landen als gelijk, terwijl die van Indonesië 35 keer zo groot is.
Support theory: gebaseerd op de availability heuristic hebben Tversky en Koehler het
volgende gesteld. Een bepaalde gebeurtenis lijkt wel/niet waarschijnlijker afhankelijk van de
manier waarop het is beschreven. Vb. de kans dat je op je volgende vakantie doodgaat lijkt
heel klein. Wanneer bij de vraag verschillende oorzaken worden genoemd (ziekte, ongeluk),
lijkt de kans ineens groter. Een meer expliciete beschrijving van een gebeurtenis lijkt
waarschijnlijker dan wanneer dezelfde gebeurtenis minder expliciet wordt beschreven.
Kritiek: de achterliggende mechanismen zijn onduidelijk.
Gevolg illusory correlation: vindt plaats wanneer mensen geloven dat twee variabelen
statistisch gerelateerd zijn, zelfs wanneer er geen bewijs is voor deze relatie. Hieruit kunnen
ook vaak stereotypes ontstaan, vb. vrouwen zijn slecht in wiskunde. In een 2x2 matrix kijken
mensen vaak maar naar één cel, terwijl ze de andere belangrijke informatie negeren.
Salience and vividness: hoe meer impact iets heeft gemaakt, hoe groter we de kans
inschatten.
