Удивительно, но часто говорят, что профайлинг – это поведенческий анализ и инструмент прогнозирования поведения в интересующих исследователя контекстах.
Однако, прогнозирование требует отличного знания и понимания математики и теории вероятностей. Жаль, что среди профайлеров так мало тех, кто владеет хоть начальными знаниями анализа данных и вероятностей. А между тем, data science – это, помимо психологической подготовки, «наше все» для профайлера.

Решите одну задачку по профайлингу? Она не такая трудная и чтобы ее решить достаточно школьных математических знаний, но при этом не такая легкая, чтобы ее можно было легко решить в уме.

Итак:
В некой опросной беседе с подозреваемым известно, что:
Правдивых ответов в 2 раза больше, чем ложных.
Ложных ответов в 3 раза больше, чем уходов от ответа на вопрос.
Допустим, что:
Вероятность правильного понимания честного ответа 0,8 (т.е. правильно определить, что это правдивый ответ).
Вероятность правильного понимания лживого ответа 0,7 (т.е. правильно определить, что это ложный ответ).
Вероятность правильного понимания ухода от ответа на вопрос 0,9 (т.е. правильно определить, что это уход от вопроса).
Вопрос: какова вероятность правильного понимания ответа на случайный, рандомный вопрос?

Ответ пишите в комментариях и повторите теорию вероятностей и матстатистику, - это всегда пригодится. Особенно в профайлинге. Помните, что если кто-то не может подтвердить свои выводы в области профайлинга математикой, то это не профайлинг, а просто его личное умозаключение.

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

3) Известно, что если Клиент на один вопрос Менеджера ответил «Да», то он с 70% вероятностью и на следующий вопрос ответит «Да». При этом известно, что Клиент при ответе на любой вопрос в 50% случаях врет.

Какова вероятность того, что Клиент ответит вам 3 раза «Да» при этом ни разу не соврав?

Ответы пишите в чате: T.me/ProProfilingChat

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

3) Известно, что если Клиент на один вопрос Менеджера ответил «Да», то он с 70% вероятностью и на следующий вопрос ответит «Да». При этом известно, что Клиент при ответе на любой вопрос в 50% случаях врет.

Какова вероятность того, что Клиент ответит вам 3 раза «Да» при этом ни разу не соврав?

Ответы пишите в чате: T.me/ProProfilingChat

Кстати, в ближайшую пятницу, 13-го мая (😳) в 20:00 я проведу открытый мастер-класс «Тёмные данные и предиктивная аналитика в профайлинге».

Поговорим и проработаем некоторые инструменты статистики и математики в профайлинге. Присоединяйтесь.

https://proprofiling.com/blackd

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

Оценка групп и вероятностей.

То, что люди в основе своей неправильно оценивают пропорции и вероятности – давно известный факт. В том числе и в социологии. Почему это важно? Потому, что такие оценки влияют на принимаемые решения.

Например:
Как вы считаете, какой среди россиян процент левшей?
Как вы считаете, сколько процентов россиян имеет два автомобиля? Три автомобиля? Четыре?
Как вы считаете, какой процент россиян не поддерживают то, что даже по ТВ уже не всегда называют СВО?
И так далее.

Когда средние представления людей о размерах групп сравниваются с реальными оценками численности населения, обнаруживается интригующая картина: люди склонны значительно переоценивать численность групп меньшинств.

Например, весной этого года у американцев спрашивали, как они сами считают, насколько велики различные 43 социальные группы. Начиная от левшей и заканчивая геями и лесбиянками.

Американцы, собственно как и все остальные, существенно завышали численность меньшинств. Например, - долю геев и лесбиянок (оценка: 30%, правда: 3%), бисексуалов (оценка: 29%, правда: 4%) и трансгендеров (оценка: 21%, правда: 0,6%).

Это также относится к религиозным меньшинствам, таким как американцы-мусульмане (оценка: 27%, правда: 1%) и американцы-евреи (оценка: 30%, правда: 2%). Такие же завышенные показатели характерны для расовых и этнических меньшинств, таких как коренные американцы (оценка: 27%, правда: 1%), американцы азиатского происхождения (оценка: 29%, правда: 6%) и чернокожие американцы (оценка: 41%, правда: 12%).

Противоположная картина возникает, когда мы рассматриваем оценки групп большинства: люди склонны скорее недооценивать, чем переоценивать их численность по сравнению с реальной долей взрослого населения. Например, обнаружили, что люди недооценивают долю взрослых американцев, исповедующих христианство (оценка: 58%, правда: 70%) и долю тех, кто имеет, по крайней мере, среднее образование (оценка: 65%, правда: 89%).

Наиболее точные оценки касаются групп, реальная доля которых находится в районе 50%, включая процент взрослых американцев, состоящих в браке (оценка: 55%, правда: 51%) и имеющих хотя бы одного ребенка (оценка: 58%, правда: 57%), а также численность тех, кто поддерживает республиканцев и демократов.

#исследования, #социология, #предвзятости, #вероятность, #ProProfiling

#исследования, #социология, #предвзятости, #вероятность, #ProProfiling

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

ОЦЕНКА ГРУПП И ВЕРОЯТНОСТЕЙ

То, что люди в основе своей неправильно оценивают пропорции и вероятности – давно известный факт. В том числе и в социологии. Почему это важно? Потому, что такие оценки влияют на принимаемые решения.

Например:
Как вы считаете, какой среди россиян процент левшей?
Как вы считаете, сколько процентов россиян имеет два автомобиля? Три автомобиля? Четыре?
Как вы считаете, какой процент россиян не поддерживают то, что даже по ТВ уже не всегда называют СВО?
И так далее.

Когда средние представления людей о размерах групп сравниваются с реальными оценками численности населения, обнаруживается интригующая картина: люди склонны значительно переоценивать численность групп меньшинств.

Например, весной этого года у американцев спрашивали, как они сами считают, насколько велики различные 43 социальные группы. Начиная от левшей и заканчивая геями и лесбиянками.

Американцы, собственно как и все остальные, существенно завышали численность меньшинств. Например, - долю геев и лесбиянок (оценка: 30%, правда: 3%), бисексуалов (оценка: 29%, правда: 4%) и трансгендеров (оценка: 21%, правда: 0,6%).

Это также относится к религиозным меньшинствам, таким как американцы-мусульмане (оценка: 27%, правда: 1%) и американцы-евреи (оценка: 30%, правда: 2%). Такие же завышенные показатели характерны для расовых и этнических меньшинств, таких как коренные американцы (оценка: 27%, правда: 1%), американцы азиатского происхождения (оценка: 29%, правда: 6%) и чернокожие американцы (оценка: 41%, правда: 12%).

Противоположная картина возникает, когда мы рассматриваем оценки групп большинства: люди склонны скорее недооценивать, чем переоценивать их численность по сравнению с реальной долей взрослого населения. Например, обнаружили, что люди недооценивают долю взрослых американцев, исповедующих христианство (оценка: 58%, правда: 70%) и долю тех, кто имеет, по крайней мере, среднее образование (оценка: 65%, правда: 89%).

Наиболее точные оценки касаются групп, реальная доля которых находится в районе 50%, включая процент взрослых американцев, состоящих в браке (оценка: 55%, правда: 51%) и имеющих хотя бы одного ребенка (оценка: 58%, правда: 57%), а также численность тех, кто поддерживает республиканцев и демократов.

#исследования, #социология, #предвзятости, #вероятность, #ProProfiling

#исследования, #социология, #предвзятости, #вероятность, #ProProfiling

Гальтовская доска и треугольник Паскаля

Представьте 6000 стальных шариков (и одну золотую бусину), падающих через 14 уровней ветвящихся дорожек. Каждый шарик на каждом уровне имеет 50/50 шанс упасть влево или вправо. В результате они распределяются по нижним ячейкам, образуя классическую нормальную (колоколообразную) кривую!

Распределение шариков можно предсказать с помощью треугольника Паскаля — чисел, которые показывают, сколько уникальных путей ведёт к каждой точке на доске.

Посмотрите, сможете ли вы проследить за золотой бусиной (она символизирует один случайный путь) в замедленной съёмке 240 кадров в секунду в нашем видео!

Эта версия Гальтовской доски была создана Филипом Пуассаном. Изначально доску изобрёл сэр Фрэнсис Гальтон в 1894 году для демонстрации Центральной предельной теоремы (то, что сегодня называется принципом нормального распределения) и того, как случайные процессы группируются вокруг среднего значения.

Собственно, и люди также, - стремятся группироваться вокруг средних значений, и лишь некоторые (не большинство) - отличаться от него.

Напомню, что в качественном профайлинге нам очень важно понимать принципы распределения вероятностей, для того, чтобы отличить закономерность от случайности.

Желаю всем отличных выходных!
И способности отличить случайность от закономерности!

#мозг, #восприятие, #вероятность, #мэтры, #выходные