Leopardi ja saalis, eli kuinka koherentti todennäköisyys muokkaa käytöstämme?

Leopardi ja saalis, eli kuinka koherentti todennäköisyys muokkaa käytöstämme?

Koherentti todennäköisyys tarkoittaa toisiaan seuraavien samankaltaisten tapausten sarjaa, joiden kautta luodaan stabiili toimintamalli.Käytös on samankaltaisten toisiaan seuraavien toimintojen sarja, mikä stabiloituu toisiaan seuraavien samankaltaisten tapausten kautta. 

Erehtyminen eliminoi asian, mitä kutsutaan nimellä “koherentti todennäköisyys muuttuja”, mikä varmasti kuulostaa maallikosta erittäin erikoiselta, mutta koherentti todennäköisyys tarkoittaa samankaltaisten tapausten sarjoittamista jotta saadaan aikaan tilastollinen malli siitä, miten joku olio tai olioiden ryhmä käyttäytyy missäkin tilanteessa. Koska esimerkiksi ihminen tekee virheitä, niin silloin syntyy tilanne, missä mitäkin tekemäämme ratkaisua on äärimmäisen vaikea ennakoida. 

Jos vaikka luolamies erehtyy siinä, että hän menee vahingossa asumaan luolaan, mikä sitten syksyllä tai keväällä täyttyy vedellä, niin hänen omien saaliseläinten  on vaikea ennakoida sitä, missä luolamies milloinkin on. Samoin saalistajien on vaikea ennakoida sitä, missä luolamies sattuu kulkemaan, koska meidän esi-isiemme toimintaa oli mahdotonta täysin ennakoida. 

Eli voidaan sanoa, että inhimillinen erehdys takaa tässä tapauksessa sen, että laji säilyy hengissä. Se miten tämä liittyy koherenttiin todennäköisyysmuuttujaan on asia, mitä kutsutaan oppimiseksi. Kun saalistaja lähtee ajamaan saalista takaa, niin samalla se havainnoi ympäristöään, ja sellaiset asiat kuin kallio jommalla kummalla puolella vaikuttavat siihen, miten se saa saaliin kiinni. 

Koherentti todennäköisyys muuttuja ohjaa käytöstä, ja oppiminen on tapausten kautta tapahtuvaa stabiilin käytösmallin muodostumista.

Mikäli ajatellaan että kun leopardi ajaa saalista takaa, ja se on oppinut että esimerkiksi kallion ollessa jommalla kummalla puolella sen saalis kääntyy pois kalliosta saadakseen enemmän tilaa toimia, niin silloin sen saalistus on ollut tehokasta. Eli nämä positiiviset tapahtumat ovat auttaneet rakentamaan tietyn toimintamallin jota kissan aivot hyödyntävät. Kun saalis kääntyy väistöön, niin leopardin pitää vain ennakoida tämä liike, ja sitä kautta hyökätä uhrin niskaan.

Mutta jos tämä yksi ainoa saalis sitten kääntyy vastakkaiseen suuntaan, niin saalistus menee pieleen. Tuolloin yksi ainoa saaliseläin rikkoo kaavan, minkä avulla leopardi on niin usein onnistunut. Se auttaa tuota saaliin lajia säilymään hengissä, vaikka yksi jäsen laumasta ei ole koko lauma. Kuitenkin tällaisessa tapauksessa koherenttien tapausten sarja saa aikaan sen, että leopardin aivoihin rakentuu tuollainen toimintamalli. Eli toisiaan seuraavat vastaavat tapahtumat stabiloivat tietyt toimintamallit leopardin aivoihin.

Ja jos lähdetään ajattelemaan esimerkiksi käänteistä tapausta, niin myös negatiivisista kokemuksista rakentuu malli, missä leopardi ei tiettyjä saaliita yritä. Sen ei kannata haaskata aikaa sellaisiin eläimiin, jotka aina pääsevät pakoon. Ja tämä asia tietenkin pätee myös ihmisiin. Eli jos kaikkiin asioihin on vastaus “ei”, niin silloin ihminenkään ei enää lopulta odota saavansa mitään muuta kuin sen yhden vastauksen, ja jättää lopulta kysymättä kysymyksen, mihin on aina  ollut tuo hyvin ikävä vastaus. 

Koherentti toimintamalli muokkaa myös ihmisen ajattelua. Jos jostain asiasta on jäänyt vain negatiivisia muistoja, niin silloin ihminen poistaa kyseisen mallin aivoistaan. Eli jos ajatellaan sitä, että ihminen on saanut vain negatiivista palautetta esimerkiksi sosiaalisissa suhteissaan, niin silloin hän ei näitä suhteita edes halua enää vaalia. 

Kuva:

https://upload.wikimedia.org/wikipedia/commons/c/c5/Leopard_africa.jpg

Brexit tuli ja kaikki todistukset inhimillisestä tekijästä on näytetty toteen.

 

Brexit tuli ja kaikki todistukset inhimillisestä tekijästä on näytetty toteen.

Jos olisin Aku Ankka huutaisin ja hyppisin, koska kaikesta huolimatta Brexit on nyt todellisuutta. Inhimillisen tekijän osuus asiassa on ilmeisesti melkoinen, ja tämä Brexit sitten todistaa sen, että kaikessa missä on ihmisellä suuri osuus, niin on myös korostuneena sellainen asia, mitä sanotaan nimellä inhimillinen tekijä. Inhimillinen tekijä on sellainen asia, mikä saa kaikki todennäköisyyslaskentaan sekä tulevaisuuden ennakoinnin kanssa tekemisissä olevat henkilöt repimään hiuksiaan.

Eli vaikka he ovat rakentaneet esimerkiksi hienoja matemaattisia malleja siitä, miten ihmisjoukkojen käytöstä voidaan ennakoida, niin silloin aina kaikki menee jotenkin väärin. Joten se mitä kutsumme inhimilliseksi sekoittaa kaikki maailman kaavat sekä mallit, ja sen takia olemme aina siinä pisteessä, että emme voi muuta kuin levitellä käsiämme, ja todeta että emme voineet mitenkään ennakoida sellaista asiaa, mitä halutaan ennakoida.

Matemaattisten mallien avulla voidaan tutkia prosentuaalisia todennäköisyyksiä siitä, miten ihmiset käyttäytyvät Brexitin kaltaisissa tilanteissa. Brexit vain on ensimmäinen kerta kun tällaisesta asiasta äänestetään. Kyseessä on erilaisiin liittoihin liittymisen käänteistapaus, mitä ei voida suoraan verrata siihen, että äänestetään johonkin asiaan liittymisen tai liittymättä jättämisen puolesta. Ja tämän takia ennakkotapauksia, joita voidaan kerätä tietokantaan ei ole.

Brexitin tekee matemaattisten mallien kannalta ongelmalliseksi se, että kyseessä on ensimmäinen kerta kun tällaisesta asiasta äänestetään 

Inhimillinen tekijä mitä kutsutaan erehdykseksi tekee elämästä mielenkiintoisen sekä mukavan, koska joskus erehdys on positiivinen asia. Eli esimerkiksi se että maailmanloppu ei tullutkaan silloin muutama vuosi sitten oli varmasti melkoinen yllätys joillekin ihmisille, jotka olivat jo myyneet omaisuutensa ja lähteneet Bora Boralle ottamaan aurinkoa sekä odottamaan valtavaa tsunamia, joka päättäisi heidän maallisen vaelluksensa. Mutta sitten kävi niin, että joku asia petti, ja maailmanloppu siirtyi hamaan tulevaisuuteen.

Kuitenkin kun esimerkiksi halutaan tehdä teorioita siitä, miten ihmiset käyttäytyvät silloin kun heille on annettu kaksi vaihtoehtoa joko jäädä tai erota johonkin, niin silloin kaikki matemaattiset mallit ovat olleet vääriä. Se miten rakennetaan malli, jolla ennustetaan ihmisten käytös tietyissä tilanteissa perustuu siihen, että luodaan tietokanta tapauksista, jotka vastaavat jotain tiettyä tapausta. Ongelma vain on se, että Brexit on ensimmäinen kerta kun tällaisista asioista äänestetään.

Ja sitten vaihtoehtojen keskinäistä suhdetta verrataan toisiinsa (Vaihtoehto A / Vaihtoehto B *100). Tuolloin saadaan aikaan prosentuaalinen malli siitä, että kuinka usein valitaan vaihtoehto A. Tällä tavoin voidaan luoda sellainen niin sanottu todennäköisyysmalli, ja koska äänestyksissä harvoin on olemassa kolmatta vaihtoehtoa, niin sen takia tämä malli on toimiva, mutta se on vain suuntaa antava. Jos ajatellaan sitä, että halutaan saada täsmällistä tietoa siitä, että mikä tulee olemaan jonkun tietyn äänestyksen lopputulos, niin silloin kuitenkin tarvitaan joku muu tapa saada selville se, mikä tulee olemaan tällaisten äänestysten lopputulos.

Kuva:

https://images.cdn.yle.fi/image/upload/f_auto,fl_progressive/q_80/w_3200/w_400/v1490705046/17-7859858da5a471227f.jpg