Текст книги "Миметика глупости"

Автор книги: А. Крупенин

сообщить о нарушении

Текущая страница: 4 (всего у книги 17 страниц)

1.5 Невероятная вероятность

 

Обратимся теперь к эпистемологической рациональности. Она в значительной степени зависит от того, насколько наши представления об окружающем мире соответствуют реальности. Если совпадение незначительное, то трудно говорить о том, что мы способны принять рациональное решение, мы не сможем достичь того, чего мы хотим. Мы способны определить, что нужно сделать для достижения желаемого результата, но искажённая картина мира испортит всё – мы можем чего-то достигнуть, но гарантированно не того, чего хотелось. Для достижения эпистемологической рациональности необходимо уметь калибрировать наши представления об окружающем мире, уметь правильно оценивать ситуацию и вероятность наступления желаемого события, быть способным выдвигать гипотезы и оценивать их. Главное здесь, как Вы уже наверняка заметили – вероятность.

И тут нас настигает шотландский священник пресвитерианской церкви Томас Байес (сложности начинаются уже здесь, потому что на самом деле его звали Бейз), со своей теоремой, без которой рационально мыслить невозможно.

Значительная часть наших читателей наверняка учила в своё время математику. Не знаем как Вы, но мы не могли понять, для чего нам могла бы пригодиться теория вероятности. К сожалению, наши преподаватели этого тоже не знали. Как оказалось, эта теория – очень даже полезная для жизни вещь. Поэтому сделаем небольшое математическое отступление.

Существуют несколько основных правил, которые почти интуитивно понятны:

1.Вероятность любого события лежит между 0 и 1, или 0 ≤ Р(A) ≤ 1, где Р(A) – вероятность наступления события А. Если событие А точно случится, то его вероятность равна 1, или Р(A) = 1. Если событие А точно не произойдёт, то его вероятность равна 0, или Р(A) = 0.

2.Если события А и В не могут произойти вместе, то они несовместны. В этом случае наступление события А или события В равна сумме их вероятностей:

Р(A или В) = Р(A) + Р(В)

3.Вероятность наступления события А, при условии наступления события В, называется условной вероятностью А (при данном условии) и обозначается Р(A/В). Если А и В несовместны, то Р(A/В) = 0, поскольку, если А произойдёт, то В произойти не может.

Если же А и В не несовместны, то формула условной вероятности выглядит следующим образом:

Р(A/В) = Р(A и В)/Р(В)

Отметим, что в общем Р(A/В) не является необходимым образом такой же, как Р(В/А), формула для последней имеет другой вид:

Р(В/А) = Р(A и В)/Р(А)

Как Вы уже успели заметить, пока математика была не страшной, просто мы заменили слова на символы. Теперь мы перейдём в формуле Байеса. Она тоже будет не страшной. Поверьте нам, мы с удовольствием обошлись бы совсем без формул, однако не всегда возможно объяснить всё «на пальцах». Кроме того, мы уверены, что эта несложная формула может существенно помочь Вам в принятии жизненно важных решений. Эта формула помогает «правильно» понимать вероятности.

                               Р(A) * Р(В/А)

Р(A/В) = –

                  Р(A) * Р(В/А) + Р(~A) * Р(В/~А)

Здесь появляется только один новый символ  ~А, который означает «не А». Таким образом Р(~A) обозначает вероятность наступления другого события, иного, нежели событие А.

Как Вы знаете, при принятии решений мы обычно имеем дело с несколькими возможными вариантами (гипотезами), и мы выбираем тот вариант (гипотезу), который нам кажется наиболее вероятным. Очень желательно в процессе принятия решения собрать как можно больше информации и на этой основе уже оценивать, какая гипотеза будет наиболее вероятной. Для того, чтобы нам в этом процессе помогала формула Байеса, мы заменим А и В следующими понятиями:

1.основная гипотеза, которую мы исследуем – обозначим её Н.

2.весь набор данных, относящихся к гипотезе Н, который мы получили, исследуя эту гипотезу – обозначим его D.

В этом случае формула Байеса, которой мы будем пользоваться, выглядит следующим образом:

                               Р(Н) * Р(D/Н)

Р(Н/D) = –

                  Р(Н) * Р(D/Н) + Р(~Н) * Р(D/~Н)

Символ ~Н означает «не Н» и относится к альтернативной гипотезе, то есть если гипотеза Н не срабатывает, является ложной, то тогда гипотеза ~Н должна быть справедливой. Вероятность этой альтернативной гипотезы должна быть 1 минус вероятность основной гипотезы. Предположим, что в Вам сегодня в 12 часов собиралась придти в гости Ваша тёща. Сейчас на часах 11,40 и Вы слышите звонок в дверь. По большей части Ваша тёща приходит вовремя, но других гостей сегодня не ожидается, поэтому Вы можете примерно с вероятностью 0,6 предположить, что за дверью стоит тёща, и с вероятностью 0,4 – что там кто-то другой.

Мы можем теперь использовать Байесову формулу для более точной оценки вероятности события и принятия на этой основе рационального решения после того, как мы собрали соответствующую информацию. Р(Н) показывает вероятность основной гипотезы до того, как мы собрали новую информацию. Р(~Н) показывает соответственно вероятность альтернативной гипотезы до получения этой информации. Р(Н/D) показывает вероятность справедливости основной гипотезы после получения информации (апостериорная вероятность). Р(D/Н) является показателем достоверности новой информации для основной гипотезы, а Р(D/~Н) – для альтернативной. Здесь важно иметь в виду, что Р(D/Н) и Р(D/~Н) не дополняют друг друга, то есть их сумма не равна 1,0.

Большинство людей, и среди них даже математики, учившие теорию вероятностей, сталкиваются с огромными трудностями при оценке вероятностной информации в повседневной жизни. Рассмотрим, например, известную задачу о двух фирмах такси, изучавшуюся многочисленными исследователями, в том числе Канеманом и Тверски (Tversky, A., & Kahneman, D.  Evidential impact of base rates. In D. Kahneman, P. Slovic, & A. Tversky (Eds.), Judgment under uncertainty: Heuristics and biases (pp. 153-160). Cambridge: Cambridge University Press. 1982).

Представьте себе, что ночью произошла автомобильная авария, в которую было вовлечено такси. В городе существуют две компании – Зелёная и Синяя. В Вашем распоряжении следующие факты: 85% такси принадлежат Зелёной компании и окрашены, соответственно, в зелёный цвет. На Синюю компанию приходится 15% синих такси. Имеется свидетель, который утверждает, что в аварию было вовлечено синее такси. Полиция проводит следственный эксперимент, чтобы установить достоверность свидетельских показаний. Результаты показывают, что свидетель в условиях ночи правильно определяют цвет такси в 80% случаев. Как Вы считаете, какова вероятность, что участвовавший в аварии автомобиль действительно принадлежит Синей компании?

Теорема Байеса предлагает нам оптимальный способ решения этой задачи. Итак, у нас в распоряжении следующая информация:

1.Всего в городе 15% такси, покрашенных в синий цвет.

2.Свидетель с достоверностью в 80% определил цвет машины, участвовавшей в аварии, как синий.

Для людей манипуляции с вероятностями не являются врождённой функцией мозга, поэтому многие бывают удивлены, когда узнают, что вероятность того, что такси действительно было синим, несмотря на показания свидетеля, равна 0,41, тогда как вероятность того, что оно было зелёным, равна 0,59.

Проблема заключается в том, что вероятность того, что такси было зелёным (0,85%), выше, нежели надёжность определения свидетелем синего цвета (0,80%). Мы можем получить результат 0,41 даже не используя формулу:

В 100 процентах подобных аварий только 15% были бы совершены такси Синей компании и свидетель правильно бы определил 80% из них, то есть 12 такси. Далее, в 100 процентах подобных аварий 85% могли бы быть совершены такси, принадлежащих Зелёной компании, а свидетель определил бы как синие 20% из них, то есть 17 такси. Таким образом, 29 машин были бы определены как синие, однако только 12 из них покрашены в этот цвет. 12 из 29 дают 0,41.

Парк такси города – 100 автомобилей

85 зелёных такси

15 синих такси

Свидетель идентифицировал 68 такси Зелёной компании как автомобили зелёного цвета

Свидетель идентифицировал 17 такси Зелёной компании как автомобили синего цвета

Свидетель идентифицировал 12 такси Синей компании как автомобили синего цвета

Свидетель идентифицировал 3 такси Синей компании как автомобили зелёного цвета

 

29 такси идентифицированы как синие, но только 12 из них на самом деле синие.

Теперь получим тот же результат с помощью формулы:

Р(Н/D) = Р(Н) * Р(D/Н) / [Р(Н) * Р(D/Н) + Р(~Н) * Р(D/~Н)]

Р(Н/D) = (0,15)*(0,8) / [(0,15) * (0,8) + (0,85) * (0,2)] = 0,41

Менее чем половина испытуемых дали ответ, лежащий между 0,2 и 0,7. Более половины пришли к результату, лежащему вокруг 0,8. То есть они сосредоточились на показаниях свидетеля, не принимая во внимание априорную или базовую вероятность 0,15. Это показывает, что люди склонны переоценивать наглядную информацию, полученную от живого свидетеля, когда она должна комбинироваться с абстрактной вероятностной информацией.

Теперь Вы представляете важность применения теории вероятности в работе полиции и уже умеете применять формулу Байеса, поэтому рассмотрим ещё один случай, имеющий отношение к нашему здоровью (Stanovich, K. E., & West, R. E (1999). Discrepancies between normative and descriptive Models of decision making and the understanding / acceptance principle. Cognitive Psychology, 38, 349-385.):

Представьте себе, что появился некий опасный вирус АВС, вызывающий опасную для жизни болезнь у одного человека из тысячи. Разработан тест, позволяющий точно определить, что у человека, больного этой болезнью, наличествует вирус АВС. Предположим теперь, что тест работает с положительной погрешностью в 5 процентов, то есть он показывает у пяти процентов людей наличие вируса, когда они такового не имеют.

Некто был протестирован и тест показал, что у этого человека наличествует вирус АВС. Какова вероятность, что этот человек действительно болен АВС (предположим для простоты, что нам не известно ничего о его личной жизни и его история болезни нам недоступна)?

Наиболее частый ответ – 95%. Правильный ответ – примерно 2%. Здесь также опрошенные переоценивают наглядный результат теста и недооценивают базовую вероятность. Снова перед применением формулы немного логики, чтобы увидеть решающее значение базовой вероятности. У нас есть данные о том, что из тысячи человек страдает от АВС в действительности один. Это означает, что если остальные 999 человек будут протестированы на АВС, тест покажет, что больны примерно 50 человек (0,5 * 999), поскольку тест имеет пятипроцентную погрешность. Таким образом, у 51 человека тест показывает наличие вируса АВС, но только один из них действительно болен – примерно 2%. Рассчитаем теперь по Байесу:

Р(Н/D) = Р(Н) * Р(D/Н) / [Р(Н) * Р(D/Н) + Р(~Н) * Р(D/~Н)]

Р(Н/D) = (0,001)*(1,0) / [(0,001) * (1,0) + (0,999) * (0,05)] = 0,0198

В принципе люди не должны обязательно знать наизусть формулу Байеса (хотя это, конечно, никому и не вредит). Желательно, однако, мыслить в направлении Байеса. В частности, делая спонтанные предположения о вероятностных явлениях, не забывать о значении базовой вероятности.

Научиться думать «по-Байесовски» можно, хотя это и не столь просто. Мы с вами рассмотрели нарушение рациональности при игнорировании базовой вероятности. Этим, однако, нарушения не исчерпываются. До сих пор мы использовали формулу в терминах апостериорной вероятности основной гипотезы относительно полученных новых данных. Однако формулу можно переписать в терминах апостериорной вероятности альтернативной гипотезы относительно полученных новых данных. Если при этом разделить одну формулу на другую (опустим детали), то мы получим наиболее распространённый вариант формулы:

 Р(Н/D)      Р(D/Н)        Р(Н)

– = –  * –

Р(~Н/D)    Р(D/~Н)      Р(~Н)

Теперь мы имеем дело с тремя отношениями:

– апостериорная вероятность основной гипотезы (Н) после получения новых данных (D);

– так называемое отношение правдоподобия, возникающее от деления вероятности полученных данных для основной гипотезы на вероятность полученных данных для альтернативной гипотезы;

– априорная вероятность основной гипотезы.

Априорная вероятность: Р(Н/D) / Р(~Н/D).

Отношение правдоподобия: Р(D/Н) / Р(D/~Н).

Апостериорная вероятность: Р(Н) / Р(~Н).

Что нам всё это даёт? Очень часто, оценивая отношение правдоподобия, люди недооценивают вероятность того, что основная гипотеза ложная. Эта неспособность «думать от противного» приводит к серьёзным ошибкам рациональности – неспособности увидеть, что истинной является альтернативная гипотеза.

Дохерти и Майнэтт (Doherty, M. E., & Mynatt, C. (1990). Inattention to P(H) and to P(D/~H): A converging operation. Acta Psychologica, 75, 1-11.) предлагали испытуемым представить, что они являются медиками и исследуют пациента, страдающего от красной сыпи. Испытуемые должны были установить, болеет ли пациент «Дигирозой». Они могли получить для этого карточки со следующей информацией:

– Процент людей, страдающих Дигирозой.

– Процент людей, не болеющих Дигирозой.

– Процент людей, страдающих Дигирозой и имеющих красную сыпь.

– Процент людей, не страдающих Дигирозой и имеющих красную сыпь.

Эта информация соответствует четырём основным элементам формулы Байеса: Р(Н), Р(~Н), Р(D/Н), Р(D/~Н). Поскольку Р(Н) и Р(~Н) дополняют друг друга, для расчёта апостериорной вероятности требуется только три элемента. Однако Р(D/~Н) – процент людей, не страдающих Дигирозой и имеющих красную сыпь – необходимо выбрать для расчёта по формуле Байеса. Тем не менее, 48% испытуемых её не выбирали! Не принятие во внимание Р(D/~Н) не являются простым упущением мышления. Если Ваш врач не рассматривает альтернативные гипотезы, Ваши шансы на излечение ничтожно малы…

Проблема альтернативных гипотез является актуальной не только для врачей. Рассмотрим ещё одно исследование Майнэтта, Дохэрти и Дрэгэна (Mynatt, C. R., Doherty, M. E., & Dragan, W (1993). Information relevance, working memory, and the consideration of alternatives. Quarterly Journal of Experimental Psychology, 46A, 759-778.). Ситуация выглядит следующим образом (попытайтесь решить самостоятельно):

Ваша сестра два года назад купила автомобиль, но Вы не помните какой (они так похожи друг на друга!). Но это либо авто марки А, либо марки В. Вы, однако, помните, что машина сжирает один литр бензина на каждые 25 км и что за эти два года сестра ни разу не обращалась к автомеханику. Вы располагаете карточкой со следующей информацией:

65% машин марки А расходуют один литр бензина на 25 км.

Имеются ещё три дополнительные карточки:

1.Процент машин марки В, которые расходуют один литр бензина на 25 км.

2.Процент машин марки А, у которых не было никаких проблем с механикой в течении двух лет эксплуатации.

3.Процент машин марки В, у которых не было никаких проблем с механикой в течении двух лет эксплуатации.

Вы можете выбрать только одну из дополнительных карточек. Какую Вы выберите, чтобы определить марку машины, на которой ездит Ваша сестра? Как Вы видите, здесь мы имеем дело с двумя гипотезами – сестра владеет машиной марки А (Н1), и сестра владеет машиной марки В (Н2), причём эти гипотезы взаимоисключают друг друга. Мы имеем дополнительные данные:

– машина потребляет один литр бензина на 25 км (D1);

– в течение двух лет не было проблем с механикой (D2).

Вы уже имеете информацию относительно машин марки А, тратящих один литр бензина на 25 км (Р(D1/Н1)). Здесь возможны два отношения правдоподобия: Р(D1/Н1) / Р(D1/Н2) и Р(D2/Н1) / Р(D2/Н2). Однако Вам позволено выбрать только одну карточку, информацию которой можно добавить к уже имеющейся у Вас: Р(D1/Н1).

Совершенно очевидно, что следует выбрать карточку Р(D1/Н2), поскольку таким образом получается по крайней мере одно полное отношение правдоподобия – процент машин марки А, потребляющих один литр бензина на 25 км в сравнении с процентом машин марки В, потребляющих один литр бензина на 25 км. Если эти проценты отличаются друг от друга, то это поможет сделать предположение о марке машины, так как Вы наверняка знаете, что автомобиль сестры потребляет именно столько бензина.

Хотя выбор и выглядит очевидным, более 60% опрошенных выбрали Р(D2/Н1) – процент машин марки А, не имеющих проблем с механикой. Однако эта информация является абсолютно бесполезной, поскольку по условию, если Вы выбрали Р(D2/Н1), то Вы не можете выбрать Р(D2/Н2) и узнать, как обстоят дела с механикой у машин марки В, а без этого не получится отношение правдоподобия.

Теперь предположим, что Вы врач и получили следующие сведения об эффективности лечения препаратом Е (Groopman, J. How doctors think. Boston: Houghton Mifflin, 2007).

Выздоровевшие больные

Не выздоровевшие больные

Больные, принимавшие препарат Е

200

75

Больные, не принимавшие препарат Е

50

15

Двести человек принимали препарат Е и он им помог, для 75 он был бесполезен. 50 человек не принимали препарат Е и выздоровели, 15 человек не принимали препарат и остались больны. Вы должны решить, будете ли Вы использовать препарат Е в своей практике.

Большинство людей (что особенно важно подчеркнуть – врачей) считают, что препарат Е эффективен и его следует применять. Они явно впечатлены большим количеством больных, принимавших препарат Е. Далее, они фокусируются на том, что количество выздоровевших с помощью препарата Е (200) существенно больше количества тех, кому он не помог (75). Ввиду того, что эта вероятность высока (200 / 275 = 0,727), опрошенные совершают ошибку рационального мышления, считая препарат Е действенным лекарством.

Практически все игнорируют данные больных, не принимавших препарат Е. Однако вероятность в данном случае ещё выше (50 / 65 = 0,769). Из этого следует, что препарат Е абсолютно неэффективен!

Особую проблему для эпистемологической рациональности представляет принятие решения на основе условной вероятности, то есть вероятности появления события А при условии, что событие В произошло. Основное заблуждение состоит в том, что многое предполагают, что вероятность появления события А при условии, что событие В произошло та же самая, что и вероятность появления события В при условии, что событие А произошло. Это не так, но люди не замечают этого. Иногда контекст помогает избавиться от этого заблуждения. Очевидно, что вероятность беременности при условии наличия сексуальных контактов не равна вероятности сексуальных контактов при обнаружении беременности. Но контекст помогает не всегда.

Как Вы помните, условная вероятность для событий А и В записывается следующим образом:

Р(A/В) = Р(A и В)/Р(В)

Р(В/А) = Р(A и В)/Р(А)

В частности, если событие А, зависящее от события В, существенно более вероятно, чем событие В, то Р(A/В) существенно больше, чем Р(В/А). Рассмотрим, например, данные американской статистики потребления наркотиков (Dawes, R. M. Rational choice in an uncertain world. San Diego, CA: Harcourt Brace Jovanovich, 1988). Широко распространено мнение, что курение марихуаны ведёт к дальнейшему потреблению тяжёлых наркотиков. Основанием является тот факт, что люди, принимающие тяжёлые наркотики, по большей части курили до этого марихуану. Однако большинство куривших когда-либо марихуану не принимают тяжёлых наркотиков. Условная вероятность события «курить марихуану» существенно больше условной вероятности события «принимать тяжёлые наркотики», или Р(курить марихуану/принимать тяжёлые наркотики) существенно больше, нежели Р(принимать тяжёлые наркотики/курить марихуану). Вот данные исследования студентов.

Принимают тяжёлые наркотики

Не принимают тяжёлые наркотики

Курили марихуану

50

950

Не курили марихуану

10

2000

Очень небольшое количество студентов (60 из 3010, то есть менее чем 2%) принимают тяжёлые наркотики, однако 33% студентов курили марихуану. Вероятность того, что принимающие тяжёлые наркотики курили до этого марихуану, высока:

Р(курить марихуану/принимать тяжёлые наркотики) = 50/60 = 0,83

Тем не менее, вероятность того, что курившие марихуану будут затем принимать тяжёлые наркотики, достаточно низка:

Р(принимать тяжёлые наркотики/курить марихуану) = 50/1000 = 0,05

Как мы видим, распространённые мнения не всегда соответствуют реальности. Однако неправильное понимание условной вероятности может быть гораздо более драматичным (Stanovich, Keith E. Decision Making and Rationality in the Modern World. New York, Oxford. Oxford University Press. 2010). Большинство больных и, что более существенно, большинство врачей считают, что вероятность наличия болезни при появлении определённого симптома равна вероятности появления этого симптома при наличии той же самой болезни.

Предположим, что Вы сделали тест на раковое заболевания и тест был положительным. Далее Вы узнаёте, что тест точно диагностицирует 90% случаев из 100, то есть, в 90 случаев из ста, когда тест даёт положительный результат, человек наверняка болен раком. Наверняка полученное известие Вас не обрадует, мягко говоря. Но вероятность того, что Вы действительно больны раком, составляет примерно 15%! Как такое может быть при девяностопроцентной точности теста? Разберёмся в этом вопросе подробнее.

Предположим, что в исследовании, на котором базируется этот тест, приняли участие 1000 человек, и 100 из них были больны раком. Тогда результаты выглядит следующим образом:

Больны раком

Не больны раком

Тест позитивный

90

500

Тест негативный

10

400

Вы видите, как работает тест с 90% надёжностью – из ста больных раком положительные результаты получили 90 человек. Однако не эти данные важны для Вас. 90% показывают вероятность для тех, кто болен раком Р(позитивный результат/рак). Для Вас интересна другая вероятность Р(рак/позитивный результат) – вероятность того, что тест показал позитивный результат у не больных раком. Эта вероятность достаточно мала – 90 / 590 = 15,3.

К сожалению, подобные случаи нередки в реальной врачебной практике, в результате – ненужная мастэктомия или другие операции, химиотерапия и т. п. Что это означает для больного…

Очень часто в жизни независимые события воспринимаются как зависимые. Представьте себе, что мы подбрасываем монету. Как Вы знаете, вероятность выпадения орла или решки равна 0,5. Мы подбросили монету уже пять раз и все пять раз выпадал орёл. Мы подбрасываем монету в шестой раз и Вы думаете:

а. вероятность выпадения орла больше, чем вероятность выпадения решки;

в. вероятность выпадения решки больше, чем вероятность выпадения орла;

с. вероятность выпадения орла равна вероятности выпадения решки;

Какой ответ выбрали Вы?

«Однорукие бандиты» – игральные автоматы – позволяют выигрывать игроку примерно один раз из десяти. Митрофан сыграл всего три раза и все три выиграл. Каковы шансы Митрофана выиграть четвёртый раз подряд?

Обе эти задачи относятся к так называемому «заблуждению игрока». Особенно наглядно оно проявляется при игре в рулетку. Если предположить для простоты, что половина номеров на игорном столе чёрная, а половина – красная, то вероятность выпадения красного или чёрного равна 0,5. Тем не менее, сознайтесь себе, будете ли Вы ставить на красное, если оно уже выпадало десять раз подряд? Большинство в этой ситуации предпочитают переключиться на чёрное. Но ведь вероятность не изменилась, она по-прежнему равна 0,5! Предыдущие выпадения красного никак не влияют на вероятность выпадения красного или чёрного в следующий раз.

Это и есть «заблуждению игрока» – предполагать, что независимые события влияют друг на друга. Точно так же, как если бы Вы подумали, что вероятность выпадения орла или решки при подбрасывании монеты больше – правильный ответ: вероятности равны. То же самое относится и к проблеме Митрофана – его шансы были и остались на том же уровне: 0,1.

Патологические игроки прекрасно знают о «заблуждении игрока» (Petry, N. M. Pathological gambling: Etiology, comorbidity, and treatment. Washington, DC: American Psychological Association. 2005). Однако они считают, что законы вероятности работают в общем, а в каждом конкретном случае, на небольшой последовательности, они могут «почувствовать», как дальше будут развиваться события и реально верят в свою способность предсказать будущее.

Люди впадают в «заблуждение игрока» не только в азартных играх. Гинекологи хорошо знакомы с ситуациями, когда семья, имеющая уже двух детей – девочек, планирует завести ещё одного ребёнка, потому что в «в этот раз наверняка будет мальчик»! Но рождение девочек никак не влияет на вероятность рождения младенца мужского пола.

Проблема «заблуждения игрока» во многом лежит в неправильном понимании случайного события. Многие думают, что если событие по-настоящему случайное, то оно не может повторяться. С этой точки зрения выпадение орла шесть раз подряд не может быть случайным! То есть большинство не могут отличить случайности АААААААААААААА от паттерна ААВВААВВААВВААВВААВВААВВ.

Наша психика ориентирована на поиск паттернов, последовательностей. Поэтому даже знание о «заблуждении игрока» не всегда спасает от настойчивого видения психикой всеразличных образцов. Возьмём в качестве примера что-нибудь из жизни компьютеров. Так, КДЕ в Линаксе, который мы используем, позволяет менять обои рабочего стола каждые десять секунд, при этом каждый последующий образ выбирается случайным образом из 500, которые мы поместили в специальную папку. Однако мы не можем отделаться от впечатления, что некоторые образы КДЕ «любит» больше и показывает их чаще. Наши впечатления совпадают с наблюдениями Стивена Леви, которому тоже казалось, что его МР3-плейер предпочитает проигрывать преимущественно Steely Dan. Он пишет: «...жизнь действительно может быть случайной, возможно, iPod тоже. Но мы, люди, всегда стремимся обеспечить себя мифами и паттернами, помогающими нам держать хаос под контролем» (Levy, S. (2005, January 31). Does your iPod play favorites? Newsweek, p. 10).