Denken in kansen: De kracht van Probabilistic Thinking in een onzekere wereld

In een wereld die steeds complexer en onvoorspelbaarder wordt, is het vermogen om effectief te navigeren door onzekerheid van essentieel belang. Toch is ons denken evolutionair niet toegerust op het omgaan met waarschijnlijkheden: we zoeken naar zekerheid, causale verbanden en vaste waarheden. Tegenover deze intuïtieve valkuilen staat een krachtig alternatief: probabilistic thinking – het mentale model waarbij beslissingen worden genomen op grond van kansinschattingen in plaats van zekerheden.

Dit artikel geeft de filosofische oorsprong, wetenschappelijke fundering, cognitieve implicaties en praktische toepassingen van probabilistic thinking weer. Op grond van literatuur uit de filosofie, cognitieve psychologie, statistiek en besluitvormingstheorie bepleiten we waarom deze manier van denken niet optioneel is, maar essentieel voor iedereen die rationele keuzes wil maken in een onzekere wereld.

1. Filosofische fundamenten: onzekerheid als norm

1.1 Hume’s probleem van inductie

De Schotse filosoof David Hume (1748/2000) wees er al in de 18e eeuw op dat we uit ervaringen nooit met zekerheid conclusies mogen trekken over de toekomst. Zijn klassieke probleem van inductie stelt dat we bijvoorbeeld niet logisch kunnen bewijzen dat de zon morgen opkomt, enkel omdat ze dat tot nu toe altijd heeft gedaan. Ervaringen uit het verleden garanderen geen toekomstige uitkomst.

“All reasonings concerning matter of fact seem to be founded on the relation of cause and effect… but this relation is never directly observed, only inferred.” (Hume, 1748/2000)

Probabilistic thinking erkent deze limiet van menselijke kennis en stelt dat we op basis van beperkte informatie en ervaring slechts kunnen werken met kansverdelingen – niet met absolute waarheden.

1.2 Popper en falsificatie als grens van kennis

Karl Popper (1959) bouwde voort op Hume door te stellen dat wetenschappelijke theorieën nooit definitief bewezen zijn; ze kunnen hoogstens nog niet weerlegd zijn. Wetenschap boekt voortgang via falsificatie: hypotheses worden steeds opnieuw getoetst en verworpen als ze niet kloppen. Wat overblijft, is voorlopig ‘waarschijnlijk waar’.

“We never know, we only guess. Science is not a system of certain, or well-established statements: it is a system of hypotheses.” (Popper, 1959)

Deze filosofische basis legitimeert probabilistic thinking als epistemologisch uitgangspunt: de wereld is fundamenteel onzeker en kennis altijd voorlopig.

2. Cognitieve psychologie: waarom mensen slecht zijn in kansdenken

2.1 Prospect theory en irrationeel gedrag

Daniel Kahneman en Amos Tversky toonden met hun Prospect Theory aan dat mensen niet rationeel omgaan met risico. Kleine kansen worden overdreven belangrijk gevonden (bijv. loterijen), terwijl grote kansen vaak worden genegeerd (Kahneman & Tversky, 1979). Verlies wordt psychologisch bovendien zwaarder gewogen dan winst – een fenomeen dat leidt tot loss aversion.

Deze bevindingen onderstrepen waarom intuïtief denken onder onzekerheid vaak faalt. Probabilistic thinking is een cognitief correctiemechanisme dat voorkomt dat we fouten maken op basis van instinct in plaats van logica.

2.2 Heuristieken en biases

Naast verliesaversie zijn mensen gevoelig voor een reeks biases. Zo negeren velen de base rate (de statistische frequentie van een gebeurtenis) en oordelen op basis van ‘representativiteit’ – hoe goed iets lijkt te passen in een bepaalde categorie, ongeacht de feitelijke kans (Bar-Hillel, 1980).

Probabilistic thinking – met name in de Bayesiaanse vorm – biedt hiervoor een remediërende structuur.

3. Bayesiaans redeneren als rationele basis

3.1 Bayes’ theorema: kans bijstellen met nieuwe informatie

Probabilistic thinking rust sterk op het Bayesiaanse principe: het continu bijstellen van waarschijnlijkheden in het licht van nieuwe informatie. Bayes’ theorema laat zien hoe we een initiële kans (de prior) combineren met nieuwe gegevens (de likelihood) om een bijgewerkte kans (de posterior) te berekenen.

Deze aanpak wordt toegepast in geneeskunde (bijv. bij interpretatie van testresultaten), rechtspraak (bijv. bewijswaardering) en AI (bijv. machine learning).

P(H|E) = [P(E|H) × P(H)] / P(E)
(H: hypothese, E: bewijs)

4. Praktische toepassingen van probabilistic thinking

4.1 Investeringen en expected value

In de financiële wereld is het denken in expected value cruciaal. De verwachte waarde van een beslissing wordt berekend als:
EV = kans op uitkomst × waarde van uitkomst

Harry Markowitz (1952) ontwikkelde de moderne portefeuilletheorie op grond van kansspreiding: risico’s dienen te worden gewogen op basis van waarschijnlijkheid en correlatie. Succesvolle beleggers zoals Warren Buffett werken expliciet met probabilistische afwegingen om strategische keuzes te maken.

4.2 Strategie en leiderschap

In strategische besluitvorming helpt probabilistic thinking bij het analyseren van scenario’s, risico’s en impact. Philip Tetlock toonde aan dat zogenaamde superforecasters – mensen die bewust in kansen denken – structureel betere voorspellingen doen dan experts met toegang tot geheim materiaal (Tetlock & Gardner, 2015).

“Superforecasters routinely outperform intelligence analysts with access to classified information.”
(Tetlock & Gardner, 2015)

4.3 Kunstmatige intelligentie

AI-systemen zoals Bayes Classifiers, Hidden Markov Models en probabilistische netwerken zijn gebouwd op kansdenken. Ze modelleren onzekerheid nauwkeuriger dan mensen en passen Bayesiaanse logica toe bij elke besluitcyclus (Russell & Norvig, 2021).

5. Probabilistic thinking als intellectueel en ethisch model

Probabilistic thinking overstijgt het niveau van techniek of methodologie. Het kan worden beschouwd als een intellectueel en ethisch denkkader:

• Intellectueel, omdat het onze epistemologische beperkingen erkent (Popper, 1959).
• Ethisch, omdat het voorkomt dat we te zeker zijn van onze gelijk, en ruimte biedt aan alternatieve perspectieven en scenario’s.

Conclusie

Probabilistic thinking biedt een gestructureerd en realistisch raamwerk om te denken in een wereld die fundamenteel onzeker is. Filosofen zoals Hume en Popper hebben ons geleerd dat zekerheid een illusie is; psychologen zoals Kahneman en Tversky hebben aangetoond dat intuïtief denken vaak faalt. Bayesiaanse logica, expected value, en scenarioanalyse bieden een tegenwicht.

Wie dit model integreert in zijn denken, handelt niet alleen rationeler, maar ook nederiger. Want uiteindelijk is het besef van onzekerheid het begin van werkelijk wijs handelen. Wil je probabilistic thinking integreren in je strategie, leiderschap of investeringsbeleid?
Neem vrijblijvend contact op met UBS Instituut voor advies, training of workshops gericht op denken in kansen.

LITERATUUR

1. Bar-Hillel, M. (1980). The base-rate fallacy in probability judgments. Acta Psychologica, 44(3), 211–233. 
2. Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis (3rd ed.). CRC Press.
3. Hume, D. (2000). An enquiry concerning human understanding (T. Beauchamp, Ed.). Oxford University Press. (Oorspronkelijk werk gepubliceerd in 1748)
4. Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. 
5. Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77–91. 
6. Popper, K. (1959). The logic of scientific discovery. Hutchinson.
7. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A modern approach (4th ed.). Pearson.
8. Tetlock, P., & Gardner, D. (2015). Superforecasting: The art and science of prediction. Crown Publishing Group.