Molto apprendimento nel mondo degli affari e nella vita avviene semplicemente attraverso l’osservazione. L’apprendimento automatico (conoscenza acquisita senza consapevolezza) è alla base dell’abituazione e del condizionamento classico. Il processo di apprendimento automatico può attirare le persone in un apprendimento distorto. Un buon pensiero statistico può migliorare le nostre capacità logiche e di problem solving. Le statistiche sono l’arte di fare supposizioni numeriche su domande enigmatiche (Wheelan, 2013).
1. Risolvere il problema giusto: la parte più difficile del problem solving è capire esattamente qual è il problema. Il problema deve essere perseguibile (ad esempio, essere bloccato in un lavoro o relazione sbagliata). Se non è attuabile, allora, è un problema di gravità (Burnett & Evans, 2016). Il problema della gravità è una situazione (una circostanza) o un fatto della vita (ad esempio, invecchiare). Non è un problema che può essere risolto. L’unica risposta a un problema di gravità è l’accettazione.
2. Formulare un’ipotesi: il primo passo nel pensiero statistico è la formazione di un’ipotesi (un’ipotesi istruita). Ad esempio, ipotizziamo la seguente relazione: i bambini che sono cresciuti con molti libri nella loro casa tendono a fare meglio a scuola. Lo scopo è di falsificare l’ipotesi iniziale con osservazioni ed esperimenti. Se non riusciamo a rifiutare l’ipotesi nulla, la accettiamo per impostazione predefinita.3
3. La teoria sottostante: ogni osservazione ha più di una interpretazione. Le osservazioni solitamente non annunciano il loro significato e spesso invitano a interpretare erroneamente. Quindi abbiamo bisogno di alcune teorie guida che permettano la selezione di un account rispetto ad un altro. Ad esempio, la ricerca mostra che l’istruzione e il reddito dei genitori di uno studente hanno un impatto significativo sul rendimento degli studenti.
4. L’associazione non è la causalità: una causa è qualcosa che produce un effetto. Ad esempio, i bambini circostanti con molti libri non li fanno necessariamente leggere. Le due variabili sono correlate positivamente.
5. Fattore di confondimento : un confondente è una terza variabile a cui non hai tenuto conto. Queste variabili distorcono il vero nesso causale. Nell’esempio precedente, entrambe le variabili (presenza di libri e rendimento scolastico) sono probabilmente causate da una terza variabile, che è l’educazione dei genitori.
6. Reversion to the mean: le performance passate non sono garanzia di prestazioni future. Il pensiero statistico ci dice che è probabile che qualsiasi outlier sia seguito da risultati più coerenti con la media a lungo termine. Questo fenomeno è noto come ritorno alla media o cosa è normale. Questo spiega perché il debuttante di baseball dell’anno è spesso una delusione per il secondo anno. Se consideriamo la performance come una variabile continua soggetta a media e varianza, sperimenteremo prestazioni distribuite con valori estremi. Qualsiasi numero di altre cose potrebbe essere operativo per spingere il livello di prestazioni verso l’alto o verso il basso.
7. La probabilità non è deterministica: la nostra intuizione non coglie la natura della casualità. Vediamo modelli in cui nessuno può esistere davvero. Per esempio, se una moneta esce testa cinque volte di fila, la gente avrà la forte sensazione che il prossimo lancio sia più probabile che salga sulle code rispetto alle teste. Ogni flip è un evento indipendente. Allo stesso modo, un’inondazione quest’anno non dice se un’alluvione accadrà l’anno prossimo.
8. Preparati per lo scenario peggiore: i rischi maggiori sono quelli che difficilmente immaginiamo possano accadere. Il filosofo Taleb (2012) raccomanda che per prendere una decisione è necessario concentrarsi sulle conseguenze (che si possono conoscere) piuttosto che sulla probabilità (che non si può sapere). Più incertezza ti troverai in futuro, farai bene avendo le opzioni. Il caso favorisce la preparazione. Una strategia importante per i militari è investire nella preparazione, non nella previsione.
9. Aggiornamento delle credenze: Sembra che usiamo la percezione (il modo in cui le cose appaiono) per guidare le nostre azioni (Siegel, 2017). Considera questo pensiero pregiudizievole. Un insegnante percepisce che le studentesse sono deboli in matematica. Di conseguenza, si aspetterà e richiederà meno da lei, e percepirà la sua prestazione come peggiore di uno studente maschio. Il giudizio percettivo è una forma di credenza. Se le nostre credenze precedenti influenzano la nostra esperienza, la nostra esperienza può rafforzare quelle stesse credenze. L’incapacità di aggiornare le credenze precedenti spiega il pio desiderio.
10. Generalizzazione: gran parte della ricerca scientifica è volta a scoprire le cause della malattia a livello di popolazione. In definitiva, vogliamo capire perché la malattia si verifica negli individui (perché l’individuo A è diventato malsano?). Non si può necessariamente concludere la stessa relazione dal livello di gruppo al livello individuale. Le statistiche non offrono mai certezza assoluta. Invece, i fatti sono noti con gradi di sicurezza.
Riferimenti
Burnett B e Evans D (2016). Progettare la tua vita: come costruire una vita vissuta e gioiosa. NY: Knopf
Siegel S. (2017). La razionalità della percezione. Università di Oxford.
Taleb, NM (2012) Antifragile, New York: Random House
Wheelan, C. (2013). Statistica nuda: spazza via il terrore dai dati. New York, NY: WW Norton & Company.