Нассим Николас Талеб. Черный лебедь

Другие цитаты по теме

Грег Баррон и Идо Эрев в ходе ряда опытов установили, что люди склонны преуменьшать малую вероятность, если им самим приходится ее просчитывать, то есть если она не обозначена в цифрах. Представьте, что вы тянете шары из урны, в которой очень мало красных и много черных шаров, и вам нужно угадать, какого цвета шар вы сейчас вытащите; при этом вы не знаете точного соотношения красных и черных. Скорее всего, по вашей оценке, вероятность вытащить красный шар окажется ниже, чем она есть на самом деле. А вот если вам сказать, к примеру, что красных шаров — 3 процента, вы, наоборот, будете ошибаться, говоря «красный» чаще, чем нужно.

Проблема в том, что мы сосредоточиваемся на тех редких случаях, когда наша методика срабатывает, и почти никогда — на многочисленных примерах ее несостоятельности.

Для счастья важнее то, как часто мы испытываем приятное чувство, или, как говорят психологи, «положительный аффект», а не то, насколько сильно это чувство. Иными словами, хорошая новость — это прежде всего хорошая новость; насколько она хороша, уже не так важно. Значит, чтобы жить счастливо, нужно получать свои маленькие «положительные аффекты» как можно более регулярно. Множество просто хороших новостей лучше, чем одна отличная новость.

Покажем двум группам людей размытое изображение пожарного гидранта. Оно должно быть настолько размытым, чтобы невозможно было опознать предмет. Для одной группы людей будем увеличивать разрешение медленно, в десять приемов. Для другой — быстрее, в пять приемов. Остановимся в тот момент, когда у обеих групп будет перед глазами картинка одинаковой четкости, и спросим, что же они видят. Та группа, которая видела меньше промежуточных шагов, быстрее узнает на картинке гидрант. Мораль? Чем больше информации вы даете человеку, тем больше гипотез будет возникать у него по ходу и тем хуже окажется результат. Человеку попадается больше случайного мусора, и он начинает путать его с информацией.

Не нужно отождествлять себя с миром науки, не нужно подвергаться ампутации, чтобы втиснуться в прокрустово ложе специализации.

В 1971 году психологи Дэнни Канеман и Амос Тверски решили помучить профессоров статистики вопросами, сформулированными не как статистические вопросы. Один был приблизительно таков (для большей ясности я поменял пример): представьте, что вы живете в городе, где есть две больницы — одна большая, другая маленькая. В определенный день в одной из этих двух больниц рождается 60 процентов мальчиков. В какой больнице это скорее могло бы произойти? Многие профессора делали ошибку (во время обычной беседы), называя большую больницу, в то время как суть статистики заключается в том, что большие выборки более стабильны и имеют меньше отклонений от долгосрочного среднего показателя (в нашем случае 50 процентов каждого пола), чем маленькие выборки. Эти профессора провалили бы экзамены, которые сами же принимают. Еще работая квант-инженером, я выявил сотни таких серьезных ошибок, сделанных статистиками, забывшими о том, что они статистики.

Какая из этих ситуаций, на ваш взгляд, более вероятна?

1. Джой, судя по всему, был счастлив в браке. Он убил свою жену.

2. Джой, судя по всему, был счастлив в браке. Он убил свою жену, чтобы завладеть ее наследством.

Наверняка, повинуясь первому впечатлению, вы скажете, что вероятнее второй вариант, хотя это чистой воды логическая ошибка, ведь первое утверждение шире и охватывает не одну возможную причину, а множество: Джой убил свою жену, потому что сошел с ума, или потому, что та изменила ему с почтальоном и лыжным инструктором, или потому, что в состоянии помрачения он принял ее за специалиста по финансовому прогнозированию.

Что бы там ни говорили, полезно иногда задаваться вопросом: а какова вероятность ошибки эксперта? Подвергать сомнению нужно не методы работы эксперта, а только его уверенность. (Я сам, обжегшись на нашей медицине, научился осторожности и всем советую: если вы обратились к врачу с определенными жалобами, а он вам говорит, что у вас стопроцентно не рак, — не слушайте его).

Канеман и Тверски заметили, что люди способны всерьез задуматься о, казалось бы, маловероятных явлениях, если вовлечь их в обсуждение подобных явлений и дать почувствовать, что эти события не так уж нереальны. Например, если спросить человека, какова вероятность гибели в авиакатастрофе, он, скорее всего, завысит цифру.

Как и многие биологические переменные, ожидаемая продолжительность жизни — величина среднестанская, то есть подчинена рядовой случайности. Она не масштабируема, так как чем старше мы становимся, тем меньше у нас шансов жить дальше. В развитой стране таблицы страховых компаний предсказывают новорожденной девочке смерть в 79 лет. Когда она справит 79-й день рождения, ожидаемая продолжительность ее жизни в типичном случае будет составлять 10 лет. В возрасте 90 лет она сможет рассчитывать на 4,7 года.

В 100 лет — на 2,5 года. Если она чудесным образом доживет до 119 лет, ей останется около 9 месяцев. По мере того как она пересекает очередные пороги, количество дополнительных лет уменьшается. Это иллюстрация главного свойства случайных переменных, описываемых «гауссовой кривой». Чем старше человек, тем меньше дополнительных лет у него в резерве.

С человеческими планами и проектами дело обстоит по-другому. Они часто масштабируемы, как я уже говорил в главе 3. А в случае с масштабируемыми, то есть крайнестанскими, переменными вы получите ровно противоположный эффект. Скажем, предполагается, что проект будет завершен за 79 дней (берем ту же цифру, что в примере с возрастом женщины). Если на 79-й день проект не завершен, нужно будет отвести на него еще 25 дней. На 90-й день — еще около 58. На 100-й — 89. На 119-й —149. Если проект еще не завершен в день номер 600, то на него понадобится 1590 дополнительных дней. Как видно, чем дольше вы ждете, тем дольше вам предстоит ждать.