Erreur du parieur

The gambler's fallacy, also known as the Monte Carlo fallacy or the fallacy of the maturity of chances, is the incorrect belief that, if a particular event occurs more frequently than normal during the past, it is less likely to happen in the future (or vice versa), when it has otherwise been established that the probability of such events does not depend on what has happened in the past. Such events, having the quality of historical independence, are referred to as statistically independent. The fallacy is commonly associated with gambling, where it may be believed, for example, that the next dice roll is more than usually likely to be six because there have recently been fewer than the expected number of sixes. The term "Monte Carlo fallacy" originates from the best known example of the phenomenon, which occurred in the Monte Carlo Casino in 1913. The gambler's fallacy can be illustrated by considering the repeated toss of a fair coin. The outcomes in different tosses are statistically independent and the probability of getting heads on a single toss is 1/2 (one in two). The probability of getting two heads in two tosses is 1/4 (one in four) and the probability of getting three heads in three tosses is 1/8 (one in eight). In general, if Ai is the event where toss i of a fair coin comes up heads, then: If after tossing four heads in a row, the next coin toss also came up heads, it would complete a run of five successive heads. Since the probability of a run of five successive heads is 1/32 (one in thirty-two), a person might believe that the next flip would be more likely to come up tails rather than heads again. This is incorrect and is an example of the gambler's fallacy. The event "5 heads in a row" and the event "first 4 heads, then a tails" are equally likely, each having probability 1/32. Since the first four tosses turn up heads, the probability that the next toss is a head is: While a run of five heads has a probability of 1/32 = 0.03125 (a little over 3%), the misunderstanding lies in not realizing that this is the case only before the first coin is tossed.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Concepts associés (9)

Cours associés (1)

Séances de cours associées (11)

Erreur du parieur

vignette|Le Tricheur à l'as de carreau, Georges de La Tour, vers 1636 L'erreur du parieur ou sophisme du joueur est une erreur de logique consistant à croire que si, lors d'un tirage aléatoire, un résultat peu probable est obtenu un grand nombre de fois, les tirages suivants vont probablement compenser cette déviation et donner de nombreuses fois le résultat opposé. Par exemple, si en tirant à pile ou face un joueur obtient un grand nombre de fois pile, il va croire avoir plus de chance d'obtenir face lors des tirages suivants.

Biais cognitif

alt=180+ cognitive biases, designed by John Manoogian III (jm3)|vignette|302x302px|Les biais cognitifs peuvent être organisés en quatre catégories : les biais qui découlent de trop d'informations, pas assez de sens, la nécessité d'agir rapidement et les limites de la mémoire. Modèle Algorithmique: John Manoogian III (jm3) Modèle Organisationnel: Buster Benson. Un biais cognitif est une déviation dans le traitement cognitif d'une information. Le terme biais fait référence à une déviation de la pensée logique et rationnelle par rapport à la réalité.

Loi des grands nombres

vignette|Visualisation de la loi des grands nombres En mathématiques, la loi des grands nombres permet d’interpréter la probabilité comme une fréquence de réalisation, justifiant ainsi le principe des sondages, et présente l’espérance comme une moyenne. Plus formellement, elle signifie que la moyenne empirique, calculée sur les valeurs d’un échantillon, converge vers l’espérance lorsque la taille de l’échantillon tend vers l’infini. Plusieurs théorèmes expriment cette loi, pour différents types de convergence en théorie des probabilités.

MGT-484: Applied probability & stochastic processes

This course focuses on dynamic models of random phenomena, and in particular, the most popular classes of such models: Markov chains and Markov decision processes. We will also study applications in q

Stratégie de pari optimale MGT-484: Applied probability & stochastic processes

Explore la stratégie de pari optimale dans un problème de jeu de programmation dynamique, en mettant l'accent sur l'impact des préférences de risque.

Analyse de régression: Sélection du modèle et outils de diagnostic MATH-236: Probability and statistics II

Explore les outils d'analyse de régression, la sélection des modèles, les points influents, les valeurs aberrantes et les graphiques de diagnostic.

Récapitulatif de la programmation dynamique MGT-484: Applied probability & stochastic processes

Couvre un récapitulatif de la programmation dynamique et de la stratégie de pari optimale dans un problème de jeu.