---
title: Reprezentativitás és az alapráta
type: concept
aliases: [representativeness, reprezentativitás, representativeness heuristic, base rate, alapráta, base-rate neglect, alapráta-elhanyagolás, conjunction fallacy, konjunkciós tévedés, Linda problem, Linda-probléma, Tom W, law of small numbers, kis számok törvénye, hot hand, causal base rate, oksági alapráta, Bayes, bayesi következtetés, less is more]
tags: [behavioural-economics, psychology, research, forecasting, evidence]
sources: [thinking-fast-and-slow, the-undoing-project, the-black-swan, misbehaving]
updated: 2026-09-14
status: solid
---

# 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.

| Csoport | Hibázott |
|---|---|
| Egyetemi hallgatók (több nagy egyetem, rövid változat) | **85-90%** |
| Ugyanaz, nyolcelemű listában | **89%** |
| Stanford GSB döntéstudományi doktoranduszai (valószínűségszámítás, statisztika, döntéselmélet) | **85%** |
| Stanford/Berkeley társadalomtudományi doktoranduszai (rövid, közvetlen összehasonlítás) | 36% |

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):

| | **A készlet: 40 darab** | **B készlet: 24 darab** |
|---|---|---|
| Tartalom | mint B + 8 csésze (2 törött) + 8 csészealj (7 törött) | 24 ép darab |
| **Együtt** értékelve | 32 $ | 30 $ |
| **Külön** értékelve | **23 $** | **33 $** |

**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]]