Svg%3E

قانون اعداد کوچک در شرط بندی ورزشی

قانون اعداد کوچک از جمله سوگیری های شناختی است که در آن، افراد اعتقاد دارند عددی کوچک از مشاهدات قابل تعمیم به جمعیتی بزرگ است. ادامه این مطلب را بخوانید تا توانایی های منطق خودتان را با آزمون بیمارستان بیازمایید و ببینید نمودارها چقدر می توانند گمراه کننده باشند. همچنین به شما خواهیم گفت چکار کنید که موقع شرط بندی، از باخت اجتناب کرده باشید.

آزمون بیمارستان و قانون اعداد کوچک

در سال 1974، دو روانشناس به نام های دنیل کانمن و آموس تورسکی سناریویی پیش روی شرکت کنندگان تحقیق خود گذاشته و در ادامه سوالی مطرح کردند. در شهری 2 بیمارستان برای زایمان وجود دارد. در بیمارستان بزرگ روزانه حدود 45 و در بیمارستان کوچک روزانه حدود 15 نوزاد به دنیا می آیند.

براساس آماری که داریم، حدود 50 درصد این نوزادان معمولا پسر هستند. با این حال، ممکن است این رقم روزانه تغییر هم به خود ببیند. گاهی اوقات تعداد پسران کمتر و گاهی بیشتر از 50 درصد است. دو بیمارستان برای مدت یک سال، تعداد روزهایی که تعداد پسران بیشتر از 60 درصد بوده اند را ثبت کرده است. به نظرتان کدام بیمارستان در این روزها، پسران بیشتری به دنیا آورده است؟ بیمارستان بزرگ تر، بیمارستان کوچک تر، تقریبا برابر (با فاصله 5 درصدی از هم).

براساس نظریه دودویی (Binomial Theory)، تعداد روزهایی که پسران به اندازه حداقل 6 به 4 بیشتر از دختران باشند، در بیمارستان کوچک تر 3 برابر بیمارستان بزرگ تر است. دلیل ساده آن هم نوسان بیشتر نسبت های متولدین است. نمونه ای بزرگ تر معمولا به ندرت از 50 درصد تغییری به خود می بیند. با این حال، تنها 22 درصد شرکت کنندگان پاسخ صحیح دادند.

رهیافت های آنی چه هستند؟

کانمن و تورسکی این ایراد شناختی را به عنوان یکی از نمودهای اعتقاد به قانون اعداد کوچک، قرار داده اند که طی آن، قضاوت براساس نمونه های کوچک، به جمعیت های بزرگ تعمیم داده می شود. به عنوان مثال، اگر نمونه کوچکی به صورت تصادفی توزیع شده باشد، اعتقاد بر این خواهد بود که در نمونه بسیار بزرگ تر هم توزیع به صورت تصادفی انجام خواهد شد.

در طرف مقابل، اگر نمونه کوچک، الگویی معنادار از خود بروز دهد، مثلا 9 بار خط از 10 پرتاب سکه، افراد بر این باور خواهند بود که چنین الگویی در نمونه بزرگ تر پرتاب سکه هم خود را نشان خواهد داد. این پدیده مربوط به تعیین الگو در داده های تصادفی یا بی معنا، آپوفنیا (Apophenia) خوانده می شود.

قانون اعداد کوچک به عنوان یکی از میانبرهای ذهنی

اعتقاد به قانون اعداد کوچک، یکی از میانبرهای ذهنی است که افراد موقع قضاوت در شرایط مبهم، انتخاب می کنند. کانمن و تورسکی این میانبرها را به عنوان هیوریستیک یا رهیافت آنی (Heuristics) نام گذاری کرده اند. همان طور که قبلا هم گفته ایم، خیلی از قماربازان برای شرط بندی به احساسات و قانون های دم دستی که خودشان ساخته اند، اعتماد می کنند و می تواند سبب تصمیمات اشتباهی شود. قضاوت براساس نمونه ای کوچک از شواهد نمونه یکی از این هیوریستیک ها است.

به دلیلی بسیار واضح به هیوریستیک ها اعتماد می کنیم و آن هم تکامل است. اجداد بسیار قدیمی ما موقع مواجهه با موقعیت های پیچیده و خطرناک، راهی جز استفاده از این رهیافت های آنی نداشتند و در نتیجه متدهای آنی ابداع کردند. متدهایی که کارگر می افتاد نسل به نسل منتقل می شد و امروز هم به آن ها اعتماد می کنیم در حالی که نباید چنین باشد.

مغالطه قمارباز

نمونه دیگری از این رهیافت های آنی، مربوط به مغالطه قمارباز (Gambler’s Fallacy) است که در مورد آن هم قبلا صحبت کرده ایم. افراد فکر می کنند زنجیره کوتاهی از رخدادها نشان دهنده زنجیره های طولانی هستند و این مورد را در نظر نمی گیرند که تمام این اتفاقات از لحاظ آماری، مستقل به حساب می روند. بازیکنان تصور می کنند تعداد قرار گرفتن توپ روی خانه های قرمز و مشکی یا زوج و فرد، بعد از چند بار بازی، برابر خواهد بود و در نتیجه جیبشان خالی می شود.

مغالطه قمارباز به مغالطه مونته کارلو هم مشهور است. ماجرا از این قرار است که در 1913، در مونته کارلو در رولت کازینویی توپ 26 بار پشت سرهم روی خانه مشکی آرام گرفت. در آن بازی، بعد از چرخش پانزدهم، قماربازان پول هایشان را روی خانه قرمز تلمبار می کردند، چون فکر می کردند بعد از این تعداد پشت سرهم خانه مشکی، احتمال تکرار مساله خیلی خیلی کم است و اینکه هر چرخش، روی چرخش بعدی اثر می گذارد.

ماشین اسلات

نمونه دیگر می تواند مربوط به ماشین اسلات باشد که در واقع ماشینی است که اعداد را به صورت تصادفی رو می کند. دیدن افرادی که پول زیادی به ماشین باخته اند، ولی از بازی کردن دیگران روی آن ممانعت می کنند، زیاد رخ می دهد؛ این افراد اعتقاد دارند بعد از این همه باخت، پیروزی بزرگی انتظارشان را می کشد. البته برای محقق شدن این نظریه، بازیکن باید به تعداد بسیار بسیار بالا، بازی کند.

نمودارخوانی در نمونه های کوچک و بزرگ

قانون اعداد کوچک می تواند سبب شود قماربازان به دلیل عدم درک صحیح الگوها، دچار اشتباهات قضاوتی شوند. سوتعبیر بازدهی مناسب در نمونه های کوچک براساس مهارت در شرط بندی، می تواند عواقب مالی قابل توجهی به دنبال داشته باشد. مثلا نمونه نمودار پایین مربوط به 100 شرط تقسیم امتیازات در مسابقات NFL (لیگ فوتبال آمریکایی ایالات متحده) را در نظر بگیرید. هر کدام از شرط ها با ضریب 1.95 ثبت شده است. قابل توجه نیست؟

Svg%3E

اگر به شما بگویم این مربوط به آمار یکی از مشاورین شرط بندی در ورزش آمریکا است، چه؟ با روندی رو به رشد و بازدهی 15 درصدی، حتما حرفم را باور می کنید. البته دروغ گفته ام. در واقع، نمودار 1000 شرطی بعدی است که تصویر بهتری نمایان می کند:

Svg%3E

واقعا خبری از سود بلندمدت نیست. علت این است که نمودار بالا صرفا توسط یک ربات و به صورت کاملا رندوم ایجاد شده است؛ رباتی که 50 درصد شانس برد و انتظار سودی به میزان 2.5- درصد مدنظر داشته است. نمودار ابتدایی تنها 100 شرط اول نمودار دوم را نشان می دهد.

تمایل به الگو سازی!

با این حال، حتی در نمودار بلندمدت دوم هم سودآوری قابل توجهی تا چند صد شرط دیده می شود. با این حال، علی رغم باخت در مجموع، این الگوی زمانی اصلا به نظر تصادفی به نظر نمی رسد و الگویی موجی شکل نشان داده است. با این حال، کانمن و تورسکی به این نتیجه رسیدند که ما به احتمال زیادی تمایل داریم دنباله ای از نتایج مشابه را به شکل غیرتصادفی ببینیم حتی اگر هیچ مکانیزم معناداری پشت آن ها نباشد. از دو دنباله دودویی زیر، کدام یک به نظرتان رندوم می آید و کدام نه؟

0, 0, 0, 0 1, 1, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1

0, 1, 1, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 0, 1, 1, 1

بسیاری از افراد دنباله دوم را انتخاب می کنند. در واقع اولی به صورت رندم توسط اکسل تولید شده و دومی را من با دنباله های کوتاه تری از 0 و 1 ساخته ام. اگر از ما بخواهند چنین دنباله رندمی بسازیم، خیلی از ما هر زمان که احساس کنیم یکی از اعداد 0 و 1 را زیادی استفاده می کنیم، سراغ استفاده از دیگری خواهیم رفت.

مثال دوم

الان به نمودارهای 1000 شرطی پایین، نگاه کنید. همه آن ها به صورت رندوم ایجاد شده اند. نمونه بزرگ مورد استفاده در این موارد باید به شما ثابت کند چقدر ممکن است توسط چنین الگوهایی گمراه شویم. نمونه هایی که به ظاهر معنادار به نظر می رسند.

Svg%3E

یادآوری می کنم، این ها نمودارهای مربوط به 100 شرط نبوده، بلکه 1000 شرط را نشان می دهند. به نمونه وسطی نگاه کنید. این نمودار همه ویژگی های مربوط به یک مشاور شرط بندی حرفه ای با 5 درصد بازدهی را دارد و علاوه بر این، همواره در طول بازه، روند رو به رشد داشته است. عملکردی که قماربازان حرفه ای در بلندمدت به آن می رسند. این در حالی است که این نمودار کاملا تصادفی ایجاد شده است.

با استفاده از توزیع دودویی، می توانیم احتمال قرار داشتن در منظقه سود بعد از یک بازه مشخص با وجود سود قابل انتظار 2.5- را محاسبه کنیم. ستون اول جدول پایین مربوط به تعداد شرط ها (ضرایب از 1.95 با 50 درصد شانس برد)، ستون دوم مربوط به حداقل تعداد برد مورد نیاز و ستون سوم مربوط به احتمال قرار داشتن در منطقه سود است:

Svg%3E

بعد از 1000 شرط، همچنان شانسی 1 در 5 برای قرار داشت در منطقه باخ داریم در حالی که شرط بندیمان فقط و فقط تصادفی بوده است. اگر به ازای هر بازی NFL، یک شرط هندیکپ ببندیم، این بازه حدود 4 فصل طول می کشد. برای اینکه فکر کنیم چیزی غیر از شانس همراهمان داشته ایم، بازه ای طولانی به شمار می رود.

در قانون اعداد کوچک، کوچک چقدر کوچک است؟

قانون اعداد کوچک، یکی از سوگیری های شناختی است که افراد در آن تمایل نشان می دهند باور کنند مشاهداتی در خصوص نمونه های کوچک، به نمونه های بسیار بزرگ تر هم قابل تعمیم است. علاوه بر این، همان طور که این یادداشت نشان داد، کوچک گاهی اوقات می تواند خیلی بزرگ باشد. به دلیل علاقه مردم به اطمینان در مقایسه با شک، توضیح در مقایسه با نادیده گرفتن، الگوها در مقایسه با تصادفات و مهارت (معمولا مهارت های در خدمت خود شخص) در مقایسه با شانس ایجاد می شود. برای شرط بندان ورزشی، عدم توفیق در درک واقعی این موارد می تواند بسیار گران تمام شود. از این رو، همواره باید قانون مربوط به اعداد کوچک را مدنظر داشته باشید تا شواهدات مربوط به نمونه های کوچک را به اشتباه و براساس رهیافت آنی مغزی، به موارد بزرگ تر، تعمیم ندهید.

بیشتر بخوانید:

مهندس صنایع، علاقمند به بازی به خصوص بازی های ورق، نویسنده آزاد

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *