丹尼尔卡尼曼的新书噪声(丹尼尔卡尼曼噪声读书心得)

领500g书库，关注公众号:程叫兽的宝藏 (长按可复制！)

热门下载区==>点此链接进入<<<

本文节选自《丹尼尔卡尼曼的新书噪声》

噪声的减少似乎使问题变得了“并未减少人侧，几乎所有〈98%)的预测都错误地高估了真实值。这肯定不是西而不是更准确声)，预测更加不准确了尽管看上去如此，但图总体误差减少的数量是一样的。图目对偏关的错误直觉间的不平衡，而是测量。测量更严差)。5-6的图人5-6的图差的目的并不是测量平均误差，即钟形上姆金所希望的!B中的总体误吉和图仿B中情况变得5-6的图了一一预测更加集中了《更少的噪84%的预测落入真实值的一减少噪声似乎使A中的更糟的错觉源正误差和负误差之线的顶点与真实值之间的距离。在图5-6的图它仍然很高，占10%，B中，村人。的确，人兰变得更加显兰，因为它占了总体误差中更-减小了。相反，在图5-6的图条是，图5-6的多A和医噪声和减少相同数量的人5-6的图大的部分A中，仿关减少了而噪声没有。最终的结B中的均方误差相同，也就是说，和兰对均方误差的影响是相同的。80%而不是50%但这是因为噪声减少正如本案例所示，均方误差与我们对预测性判断进行评分的一般直沉相神突。为了最小化均方误着，你需弛8么将误兰从11厘米减少到10厘米

《噪声》丹尼尔卡尼曼

的效果是如，如果你在测的直觉恰恰相反高度敏感，但对量长度，居将误关从1]厘米减少至完全消失的效果的21倍。可异，人们非的目标在于获得准确王女尽可能避免大的误兰。例天于这一点人们第渔望一次性把问题全部解决，对小的误差两个大的误关之间的差异不敏感。即使你心相信你的判断，但你对结果的直和党反应与基于科学计算的准确性并不完全匹配。当然，最佳的解雇办法是既减少噪声，也减少偏甜。既然偏震和噪声是彼此独立的，那就没有必要在西姆金和其领导的方案之间二选。因此，如果GoodSel1诀定减少噪声，而减少噪声又可以使人往甜更加清晰明了，那么这种选择就是正确的。也就是说，这确实是一件好事。减少噪声可以帮助公司进一步减少人i差。然而，如果偏差远远大于噪声，那么减少噪声就不再是首要问题。GoodSel1的例子给了我们另一个值得重视的教训。在上述简化的模型中，我们假定噪声和偏关是等同的。从误差方程来看，它们对总体误差的影响也是等同的;偏差和噪声各贡献了总体误差的50%。然而，正如我们所注意到的，84%的分析师会在同_-个方向上犯错。如此之大的偏差〈

小说噪声丹尼尔卡尼曼下载

7个人中约有6个人朝同一个方向犯错)才产生了与噪声一样大的效果，因此在一些噪声比偏差更多的情境中，我们发现更大的误差就不足为奇了。我们在上文中用单个案例展示了误差方程的应用，EN预测GoodSel1在某一地区的市场份额。当然，人们总是希望在多个例中进行一次性噪声审查，方法是相同的:用误差方程计算各个案例的均方误差，然后对它们取平均值。均方误差就是偏差平方与噪声平方之和。对于西姆金而言，人好了了，无论它们是相同还是不同的预测师做出的预测。这些平均值角够让她对GoodSel1的预测系统偏差和噪声有一个更清晰的认识。噪声的代价误差方程是本记的四起共而，它为减少预测性判断中的系统噪声提供了理论依据。原则上，减少预测性判断中的系统噪声这一目标与减少统计偶兰同样重要。需要强调的是，统计偶差不是社会旷视的代名词，它只是一组判断中的平均误产。误差方程和我们从中获得的结论均有赖于用均方误差来测量总体误兰。这一规则适用于纯粹的预测性判断，包括预测和评估，它们都力求以最大的精度《〈最小的偏兰)和最高的准确性《最小的噪声)来接近真实值。

信号与噪声mobi

综上：丹尼尔卡尼曼噪声读书心得值得推荐阅读