Binární myšlení a sázení: Co je “dobrá sázka”?

Co je to binární myšlení?

Binární myšlení zahrnuje třídění informací na vzájemně se vylučující možnosti, ne nepodobné způsobu, jakým počítač uvažuje v binárním kódu. Něco je buď 1, nebo 0 a to jsou jediné dvě možnosti. Neexistuje žádná nic mezi tím.

Mnozí tvrdí, že lidé instinktivně třídí informace tímto způsobem, a proto přirozeně přecházejí na binární způsob myšlení.

Pro primitivní lidi to mělo smysl. Úsudky, které bylo třeba učinit pro přežití, se k takovému způsobu myšlení dobře hodily, zejména pokud šlo o rychlé rozhodování. Rozhodování o tom, zda šustění v křoví je nebo není predátor, bylo otázkou života a smrti.

Odměna za drahocenný čas strávený zvažováním dostupných informací o zvuku (zatímco se predátor mohl připravovat k útoku) jim nestojí za riziko, že budou sežráni. Prostě klasifikovat šustot v křoví jako predátora a utéct dává z hlediska poměru rizika a odměny mnohem větší smysl.

Richard Dawkins tvrdí, že taková touha po přímých řešeních typu “ano” nebo “ne”, která by přehledně kategorizovala informace, je “tyranií nespojité mysli”. Domnívá se, že lidé vyhledávají jistotu klasifikace buď-anebo, protože pro mozek je mnohem snazší uvažovat binárně, jak to dělali naši vzdálení předkové, než uvažovat o odstínech šedi mezi dvěma závěry.

Tento druh binárního rozhodování je naprosto v pořádku pro základní rychlé rozhodování, ale dnes žijeme ve světě nuancí. Nikde se to neprojevuje tak výrazně jako ve světě sázek.

Binární předpojatost: kofein a hodnocení na YouTube

Jak binární rozhodování ovlivňuje způsob, jakým zpracováváme informace?

Fisher a Keil se to pokusili zjistit v sérii studií o tzv. binárním zkreslení. V rámci těchto studií dostali účastníci důkazy o určitém tématu a poté byli požádáni, aby je shrnuli a ohodnotili je tak, aby co nejlépe vystihovaly jejich celkový dojem o síle argumentu.

Pokud by lidé hodnotili údaje z různých studií zkoumajících například vztah mezi kofeinem a zdravím, rychle by údaje zařadili do kategorie buď prokazující účinek, nebo ne, bez ohledu na relativní sílu důkazů.

Celkově zjistili, že: “Při shrnutí důkazů se u lidí projevuje binární zkreslení: tendence vnucovat spojitým údajům kategorické rozlišení. Důkazy jsou rozděleny do jednotlivých kategorií a rozdíl mezi nimi tvoří souhrnný úsudek.”

Jinými slovy, účastníci měli tendenci ignorovat relativní sílu důkazů, které jim byly předloženy, a místo toho upřednostňovali jejich kategorizaci do samostatných kategorií a posuzování součtu důkazů v rámci těchto kategorií.

Tím se zbavili všech spojitých údajů. Výsledkem bylo, že závěr s 25% pravděpodobností v jednom směru byl jednoduše zařazen do jednoho kbelíku se všemi závěry, které se k tomuto směru přikláněly, bez ohledu na jejich sílu. To testovaným osobám usnadnilo zpracování údajů, ale znamenalo to, že se snížila hodnota informací.

YouTube na to přišel, když se snažil zdokonalit svůj systém hodnocení videí. Jejich hvězdičkové hodnocení se ukázalo jako neefektivní, protože naprostá většina hlasů byla buď pro jednu hvězdičku, nebo pro pět hvězdiček.

Byl to důsledek binárního rozhodování. Pokud se uživateli video líbilo, zařadil ho do kategorie pět, zatímco pokud se mu video nelíbilo, zařadil ho do kategorie jedna. Všechny informace uprostřed těchto dvou diskrétních kategorií se ztratily. To vedlo k tomu, že YouTube přešel na jednodušší systém palců nahoru/dolů.

Zkreslení výsledků

Jak bylo ukázáno výše, lidé dávají přednost třídění informací do dvou odlišných kategorií, pokud je to možné. Tak je tomu i v rámci sázení.

Pro nezkušeného sázkaře je dobrá sázka jednoduše taková, která vyhrává. Špatná sázka je taková, která prohraje. Tyto dvě kategorie jsou snadno uchopitelné a dávají intuitivní smysl i někomu, kdo dobře nerozumí nuancím sázení.

To je však zcela mylné. Vítězná sázka může být hrozná sázka, zatímco nejlepší sázka, kterou jste kdy podali, se mohla ukázat jako prohraná. Tím, že sázky kategorizujeme tak jednoduchým způsobem, se zbavujeme všech užitečných informací.

Tato snaha přiřadit datový bod do kategorie “dobrý” nebo “špatný” kvůli výsledku události se ukázala během debaty kolem neúspěšného pokusu o konverzi dvou bodů Baltimorských havranů ze sezóny 2019 NFL.

Z matematického hlediska bylo rozhodnutí o dvoubodové konverzi ze strany Ravens správné. Protože se však pokus nezdařil, někteří odborníci zařadili toto rozhodnutí do škatulky “špatné rozhodnutí”.

Dodatečné informace poskytnuté analytiky za takovou hrou byly u těchto expertů odstraněny kvůli kombinaci zkreslení výsledku (neúspěšný pokus musel být způsoben špatným rozhodnutím) a binárního zkreslení (potřeba zařadit hru do odlišné kategorie). Pokud by se hra ukázala jako úspěšná, jejich názory by byly s největší pravděpodobností jiné.

Co je dobrá sázka? Myslet jako sázkař

Aby se sázkař dostal do úspěšného sázkařského myšlení, musí se naučit těmto předsudkům vyhnout. Šedá zóna mezi výhrou a prohrou je to, co odlišuje dobrou sázku od špatné.

Sázkaři pracují v procentech. Pokud je sázkařovo procento přesnější než procento bookmakera, dlouhodobě vyhrává. Je však vůbec možné zjistit, zda jsou procenta sázkaře přesná?

Bez velkého vzorku je téměř nemožné na tuto otázku jednoznačně odpovědět.

Vezměme si jako příklad jeden známý procentuální údaj. Statistický web FiveThirtyEight dával Donaldu Trumpovi 30% šanci na vítězství v amerických prezidentských volbách v roce 2016. Trump se samozřejmě stal prezidentem.

Reakcí na tuto předpověď z některých kruhů bylo její označení za “chybnou”. Vzhledem k binárnímu přístupu, který lidé k takovým věcem zaujímají, je jasné, proč by to bylo lákavé. Jak ukázala práce o binárním zkreslení, kterou provedli Fisher a Keil, lidé odstranili oslabenou sílu předpovědi (Trumpovi byla přiznána 30% šance místo 0% šance), aby předpověď zařadili do kategorie “špatná”, která jim vyhovuje.

To je však samozřejmě nesmysl. Podle předpovědi by měl Trump vyhrát třikrát z deseti. Skutečnost, že se scénář odehrál tak, že se stal scénářem, v němž Trump vyhrál, nám neukazuje nic nového o přesnosti předpovědi.

Velikost vzorku by bylo třeba rozšířit na smysluplnou úroveň opakováním stejných voleb (což je samozřejmě nemožné). Teprve pak bychom mohli zjistit, jak blízko byla předpověď FiveThirtyEight o 30 % vítězství Trumpa skutečnosti.

Kontrola chaosu

To je pochopitelně znepokojivé. Je to v rozporu s našimi instinkty, když říkáme, že vlastně nevíme a možná se nikdy nedozvíme, zda byla jednotlivá předpověď dobrá.

Určitě se vyskytly sázky, u kterých jsem intuitivně cítil, že procenta hovoří v můj prospěch, ale mimo model prováděný na velkém vzorku podobných událostí nelze s konečnou platností říci, že jsem měl pravdu.

Jako sázkaři se pohybujeme v šedé zóně mezi “dobrými” a “špatnými” sázkami. Chcete-li být úspěšní, musíte ustoupit od jednoduchých klasifikací a přijmout procenta u jednotlivých sázek taková, jaká jsou. Jednoduše se pokoušíme vytvořit “dobrou” sázku s vědomím, že možná nikdy nebudeme skutečně vědět, zda je vůbec můžeme takto klasifikovat.

Zdroj: Pinny