Reprezentativitás és az alapráta

Definíció. Ha azt kérdezik, milyen valószínű, hogy A a B kategóriába tartozik, az 1. rendszer azt válaszolja meg, mennyire hasonlít A a B sztereotípiájára — és figyelmen kívül hagyja, hogy hányan vannak a B kategóriában. (Thinking, Fast and Slow, 14-16. fej.)

Ez a wiki market-research-limits, forecasting-limits és replication-crisis oldalainak közös kognitív magja: miért nem tudunk statisztikusan gondolkodni, és mit csinálunk helyette.

Tom W: az alapráta eltűnése

Kahneman egy éjszaka alatt írta meg Tom W személyiségleírását úgy, hogy szándékosan alapráta-ellenes legyen: jól illeszkedjen kis szakokra (informatika, könyvtártudomány, mérnök) és rosszul a nagyokra (bölcsészet, szociális munka).

114, statisztikát tanult pszichológia-doktorandusz rangsorolta a kilenc szakot valószínűség szerint. Az eredmény: a valószínűségi rangsoruk megkülönböztethetetlen volt a puszta hasonlósági rangsortól. "A helyettesítés tökéletes volt." És ez egy olyan csoportban, amely ismerte a szakok tényleges méretarányát és azt, hogy a leírás forrása megbízhatatlan.

Robyn Dawes, a szofisztikált statisztikus és az intuitív ítélet szkeptikusa, aki elsőként kapta meg a feladatot, mosolyogva azt mondta: "informatikus?" — és azonnal felismerte a hibát, amint elhangzott az "alapráta" szó. Tudta, csak nem jutott eszébe.

A második bűn: a bizonyíték minőségére való érzéketlenség. A résztvevőknek kifejezetten megmondták, hogy a leírás "bizonytalan érvényességű tesztek alapján" készült. WYSIATI: ha nem utasítod el azonnal az információt (mert hazugságnak minősíted), az 1. rendszer úgy dolgozza fel, mintha igaz lenne.

A szabály (bayesi fegyelem, két sorban): 1. Horgonyozz a becslést egy hihető alaprátán. 2. Kérdőjelezd meg a bizonyítékod diagnosztikusságát — értéktelen bizonyítéknál maradj az alaprátán.

Kahneman hozzáteszi: "megdöbbentett, amikor rájöttem, hogy soha nem tanították meg nekem, hogyan kell ezt csinálni, és még most is természetellenes számomra."

Linda: a konjunkciós tévedés

Linda 31 éves, egyedülálló, szókimondó és nagyon okos. Filozófiát végzett. Diákként mélyen foglalkoztatta a diszkrimináció és a társadalmi igazságosság, és atomellenes tüntetéseken is részt vett.

Melyik valószínűbb: (a) Linda bankpénztáros vagy (b) Linda bankpénztáros és aktív a feminista mozgalomban? A (b) halmaz részhalmaza az (a)-nak, tehát nem lehet valószínűbb.

Stephen Jay Gould, aki ismerte a helyes választ: "egy kis emberke ugrál a fejemben, és azt kiabálja: de hát nem lehet CSAK bankpénztáros, olvasd el a leírást!"

A marketingesnek szóló tanulság: a részletezés meggyőzőbbé és valószínűtlenebbé tesz

Két forgatókönyv, két csoportnak:

• "Jövőre egy észak-amerikai árvíz több mint 1 000 ember halálát okozza."
• "Jövőre egy kaliforniai földrengés olyan árvizet okoz, amelyben több mint 1 000 ember meghal."

A második kisebb valószínűségű (részhalmaz), mégis magasabb becslést kap: hihetőbb, koherensebb, jobb történet. Kahneman ítélete:

"A részlet hozzáadása a forgatókönyvhöz meggyőzőbbé teszi, de valószínűtlenebbé, hogy bekövetkezzen. Ez csapda az előrejelzők és az ügyfeleik számára."

Ez közvetlenül üt minden üzleti tervre, piacméret-becslésre, kampányforgatókönyvre és stratégiai prezentációra: minél részletesebb és meggyőzőbb a sztori, annál kisebb az esélye. → narrative-fallacy, planning-fallacy, opportunity-assessment, forecasting-limits

Kevesebb = több: Hsee étkészlete

Christopher Hsee kiárusítási étkészlet-kísérlete (a 30-60 $-os tartományban):

Hét ép darabbal többet adva a készlethez csökken az ára — mert az 1. rendszer a halmazokat átlaggal és prototípussal reprezentálja, nem összeggel, és a törött darabok lehúzzák az átlagot. John List valódi baseballkártya-aukcióval replikálta.

Marketinges következmény, ami a wiki willingness-to-pay és product-configuration-and-bundling oldalára tartozik: egy csomaghoz hozzáadott gyenge elem csökkenti a csomag értékelt értékét. A "gratis ajándék" az olcsó ajándékkal rontja az ajánlatot. Az árlistán a gyenge SKU rontja a portfólió észlelt minőségét. → single-vs-joint-evaluation (mert a hatás csak külön értékelésnél él)

A kis számok törvénye

A tükörképe: az 1. rendszer okot keres ott, ahol csak mintavételi ingadozás van.

• Vesekarcinóma az USA 3 141 megyéjében. A legalacsonyabb előfordulású megyék többnyire vidékiek, ritkán lakottak, hagyományosan republikánus államokban. Kézenfekvő magyarázat: tiszta levegő, friss étel. De a legmagasabb előfordulásúak is ugyanilyenek. A tényező nem a vidék, hanem a kis népesség: kis mintában gyakoribb a szélsőség.
• A Gates Foundation 1,7 milliárd dollárja. Kutatók megállapították, hogy a legsikeresebb iskolák átlagosan kicsik (Pennsylvania 1 662 iskolája közül a top 50-ben 6 kicsi volt — négyszeres felülreprezentáltság). Az alapítvány, majd az Annenberg, a Pew és az amerikai oktatási minisztérium is pénzt tett kis iskolák létrehozására, nagyok szétbontására. A legrosszabb iskolák is átlag alatti méretűek. A kis iskola nem jobb, hanem szórásosabb — sőt a nagy iskolák a felsőbb évfolyamokon jobb eredményt adnak a szélesebb kínálat miatt. → goodharts-law, silent-evidence, good-and-different
• A "hot hand" cáfolata (Gilovich, Vallone, Tversky): profi kosárlabdában a dobássorozatok minden véletlenszerűségi tesztet kiállnak. Red Auerbach, a Celtics legendás edzője a kutatásról: "Ki ez az ember? Csinált egy tanulmányt. Nem érdekel."
• Kahneman jom kippuri háborús tanácsa: két azonos bázisú század, az egyik négy gépet veszített, a másik nullát; vizsgálat indult, mit csinál rosszul a szerencsétlen század. Kahneman azt tanácsolta, hogy állítsák le — a véletlen a legvalószínűbb magyarázat, és a pilótákra ráadásul ne rakják rá a bűntudatot.

Marketinges fordítás. Minden kis mintán mért "ez a szegmens jobban konvertál", "ez a kreatív nyert", "ez a régió szárnyal" először méret-artefaktum gyanús. A lehető legrosszabb reflex az okkeresés. → advertising-research-methods, regression-to-the-mean, replication-crisis

Statisztikai vs. oksági alapráta — és miért nem tanít a statisztika

Ugyanaz a 85%-os szám kétféleképp (16. fej., taxis probléma):

• "A város taxijainak 85%-a zöld" — statisztikai alapráta, az elme nem tud vele mit kezdeni, elhanyagolja.
• "A két cégnek ugyanannyi taxija van, de a baleseteknek a 85%-át a zöldek okozzák" — oksági alapráta: azonnal sztereotípiává válik ("a zöld sofőrök vadak"), beépül, és a becslés közel kerül a bayesi megoldáshoz.

Az elme a statisztikát nem tudja használni, a sztereotípiát igen. Kahneman ezt ironikusan jegyzi meg: a taxis feladatban a sztereotipizálás javítja az ítéletet; társadalmilag érzékeny kontextusban (felvétel, profilozás) viszont jogosan tiltjuk — de "tagadni, hogy ennek ára van, lélekben megnyugtató, tudományosan tarthatatlan."

A Nisbett–Borgida-kísérlet ugyanerről, és ez a legfontosabb mondat ezen az oldalon. A diákoknak elmondták a híres segítségnyújtási kísérletet (15 résztvevőből 4 sietett a rohamot szimuláló ember segítségére). Majd két, szándékosan semmitmondó videóinterjút mutattak nekik, és megkérdezték, hogy az illetők mennyire gyorsan segítettek. A statisztikát ismerő csoport pontosan ugyanazt tippelte, mint aki nem ismerte. A diákok "csendben kivonták magukat" a következtetés alól.

De megfordítva működött: egy másik csoportnak nem mondták meg az arányt, csak azt, hogy ez a két kedves ember nem segített — és megkérték őket, tippeljék meg a globális arányt. A tippjük rendkívül pontos volt.

"A kísérleti alanyok vonakodása levezetni az egyedit az általánosból csak azzal a készséggel vetekedett, amellyel az általánost következtették ki az egyediből." (Nisbett–Borgida)

Ez a wiki legerősebb elsőkezű alátámasztása a stories-as-trojan-horses tézisére. Nem azért kell történet, mert "az emberek szeretik a történeteket", hanem mert a statisztikai tény nem változtatja meg a világképet, az egyedi eset igen. Egyúttal ez a magyarázat arra, miért nem működik az adatokkal érvelő B2B-prezentáció, és miért működik egy vevőtörténet. → customer-as-hero, three-levels-of-problems, value-communication

Hogyan alkalmazd

1. Minden "hasonlít rá, tehát az lesz" ítélet elé tedd oda az alaprátát. "Ez a startup nem bukhat el" → mi a kategória bukási aránya? → planning-fallacy
2. Gyenge bizonyítéknál maradj az alaprátán. Egy interjú, egy fókuszcsoport, egy kis minta nem mozdítja el érdemben a priort → market-research-limits, five-user-test
3. A meggyőző, részletes forgatókönyvet diszkontáld. Kérdés a tervezőnek: "melyik részletet tudnád kivenni úgy, hogy a terv még mindig igaz legyen?" Minden bennmaradó részlet csökkenti az esélyt.
4. Ne adj gyenge elemet a csomaghoz. Az "ajándék" akkor is ronthat, ha ingyen van.
5. Ha tanítani akarsz (vevőt, vezetőséget, csapatot), egyedi esettel kezdd, ne aggregátummal — a szám elsiklik, az eset átír.
6. Kis minta = szélsőség, nem felfedezés. Mielőtt a "nyertes" szegmensre költesz, nézd meg a mintaméretet és a szórást.

Feszültségek

• Gigerenzer (gerd-gigerenzer) és a "hány a 100-ból" forma. A konjunkciós tévedés előfordulása 65%-ról 25%-ra esik, ha a kérdés nem "hány százalék", hanem "a 100 résztvevőből hányan" — a gyakorisági megfogalmazás térbeli reprezentációt hív elő, és a halmazviszony láthatóvá válik. Gigerenzer iskolája ezt annak bizonyítékául hozza, hogy a "torzítás" a kérdés formájának, nem az elmének a hibája. Kahneman elismeri a hatást, de két ellenérve van: (a) a hibaarány nem tűnik el, csak csökken; (b) a Linda-vita fókusza elterelte a figyelmet a between-subjects bizonyítékról, amelyet senki nem cáfolt, csak nem foglalkoztak vele. A wiki állása: a gyakorisági forma valós és olcsó beavatkozás — ezért van a availability-heuristic oldalon a "hányan vs. mennyire valószínű" szabály —, de az alapráta-elhanyagolás ettől még megmarad. Kahneman szűkszavú megjegyzése a vitáról: Ralph Hertwig, a legkitartóbb kritikus, arra a kérdésre, miért pont a Linda-problémára koncentráltak, mosolyogva azt felelte: "Érdekesebb volt."
• Taleb (the-black-swan, narrative-fallacy). A kaliforniai földrengés-példa Talebnél is szerepel, mint a narratív tévedés magja. Taleb tovább megy: szerinte a probléma nem a következtetés, hanem hogy a lényeges eseményekre egyáltalán nincs alapráta → extremistan-vs-mediocristan.
• Replikáció. A Linda-, a Tom W- és a kis számok-kísérletek a magkísérletek közé tartoznak: több évtized, több ország, több mintatípus, sokszorosan replikálva, és a moderátoraik (gyakorisági forma, joint evaluation, frowning) is ismertek. Ez a legmegbízhatóbb réteg a könyvben → replication-crisis.

Eredettörténet — mi volt az eredeti kérdés (The Undoing Project, beolvasva 2026-09-14)

A populáris irodalomban ezek "torzításlistaként" élnek. A the-undoing-project megmutatja, hogy mindegyik egy konkrét, korabeli tudományos állítás cáfolataként született — és hogy az eredeti kérdés sokszor más volt, mint amivé lett.

• A "kis számok törvénye" (1971) nem a laikusokról szólt, hanem a kutatókról. A célpont Ward Edwards tétele volt, hogy az ember "konzervatív bayesiánus": nagyjából jól, csak túl lassan frissíti a valószínűségeket. Kahneman ellenvetése: "Tudtam, hogy pocsék intuitív statisztikus vagyok. És nem hittem, hogy butább lennék bárki másnál." Tversky a kérdéseket az Amerikai Pszichológiai Társaság és a matematikai pszichológusok kongresszusán osztotta ki — a válaszadók között két statisztikakönyv szerzője volt. A cikk tétje tehát nem a "hétköznapi ember irracionális", hanem: a kutatók a saját mintaméretüket sem tudják helyesen megítélni, és a kapott eltérésre magyarázatot keresnek szórás helyett. A cikkben szereplő kérdésre (az 50 fős mintából az első gyerek IQ-ja 150 — mennyi a minta átlaga?) a tipikus válasz 100 volt; a helyes 101. (5. fej.) A lábjegyzet, amit érdemes elvinni: a korabeli pszichológia tipikus mintája 40 fő volt, ami ~50% eséllyel tükrözi a populációt; 90%-hoz 130 fő kellett volna.
• Tom W. (1973) az "értéktelen információ" kísérlete volt. Kahneman egy éjszaka alatt írta meg a "számítástechnikus" sztereotípiáját; az első ember, aki elolvasta — Robyn Dawes, a szigorú statisztikus — ránézett és azt mondta: "Computer scientist!" A párja, "Dick", a teljesen semmitmondó leírás, adta a valódi eredményt: információ nélkül az emberek helyesen használják a 70/30 alaprátát; értéktelen információval megkapva 50-50-re mennek. Vagyis nem az alapráta ismeretlen — az irreleváns részlet nyomja ki. (7. fej.) Marketinges fordítás: egy jelentkező, egy piac vagy egy kampány részletes, de nem prediktív leírása rosszabb helyzetbe hoz, mint ha semmit nem tudnál róla → when-to-trust-intuition, opportunity-assessment.
• A Linda-probléma (1983) fegyvernek készült, nem felfedezésnek. Tversky kifejezetten azért akarta, hogy az emberek egymás mellett látva rontsák el, mert így nem lehet mellébeszélni; a neve rá: "winning by embarrassment". Kahneman fenntartásokkal dolgozott rajta, és nem hitte, hogy bárki elrontja: "Tizenkettőből tizenketten bedőltek. Emlékszem, felhördültem." A legszigorúbb, kétsoros változatnál is 85% tévedett. Egy hallgató a terem végéből: "Na és?! Csak a véleményemet kérdezted!" (12. fej.) → gerd-gigerenzer
• A reprezentativitás első alkalmazása az orvosi diagnózisra. Don Redelmeier esete a Sunnybrook traumaközpontban: a frontális ütközésből érkező nő szívritmuszavarát a stáb azonnal a beteg elmondott pajzsmirigy-történetére vezette vissza. Redelmeier megállította őket: "A pajzsmirigy-túlműködés a szívritmuszavar klasszikus oka, de ritka oka." A valódi ok összeesett tüdő volt, amit a röntgen nem mutatott. A szabálya: "Nagyon óvatosnak kell lenned, amikor van egy egyszerű diagnózis, ami azonnal beugrik, és gyönyörűen megmagyaráz mindent egyszerre. Akkor kell megállnod és ellenőrizned a gondolkodásodat." (8. fej.)

Kapcsolódó

system-1-and-system-2 · availability-heuristic · regression-to-the-mean · planning-fallacy · market-research-limits · narrative-fallacy · silent-evidence · stories-as-trojan-horses · single-vs-joint-evaluation · replication-crisis · forecasting-limits · gerd-gigerenzer · daniel-kahneman · amos-tversky · thinking-fast-and-slow