H16 Oorzaken gaan vóór statistiek

Een voorbeeld: in een stad zijn twee taxibedrijven actief, groen en blauw. Een taxi raakt betrokken bij een ongeval en rijdt door. Informatie:

  • 85% van de taxi’s is groen
  • Een getuige beweert een blauwe taxi te hebben zien wegrijden. Uit onderzoek blijkt dat in 80% van de gevallen de kleur juist is waargenomen

Wat is de kans dat de bij het ongeluk betrokken taxi blauw was?

Zonder getuigenis is de kans hierop 15%. Zouden de bedrijven even groot zijn dan is het verhaal van de getuige van grote invloed.
Resultaat onderzoek: in 80% van de gevallen gaf men het antwoord blauw. En dat terwijl volgens een statistische rekenmethode de kans daarop 41% zou zijn.

Een variant hierop gaf vergelijkbare uitkomsten. Conclusies:

  • Statistische a-priorikansen (85% groene taxi’s) worden afgezwakt / genegeerd wanneer er specifieke informatie (de getuigenis) over het geval beschikbaar is
  • Causale a-priorikansen worden verwerkt als informatie over het individuele geval en kunnen makkelijk met andere gevalspecifieke informatie worden gecombineerd

Een tweede onderzoek gaat over het bystander effect. Als mensen in een groep worden geconfronteerd met een noodsituatie gaat de meerderheid ervan uit dat een ander hulp zal verlenen. Als mensen alleen zijn en dezelfde noodsituatie zien zullen zij veel eerder geneigd zijn te helpen.

Dit is niet verrassend. Weel verrassend is de uitkomst van een onderzoek waaruit blijkt dat mensen dit niet van zichzelf inzien. Men bleek evenmin in staat om de denkwijze over hun eigen gedrag aan te passen.

Share

Geef een reactie

%d bloggers liken dit:
Spring naar werkbalk