Análisis del Razonamiento Probabilístico y Heurísticos

Y 18 flashcards y 12 preguntas más en el documento.

Texto del documento

Tema-6.Pensamiento.pdf veri1128 Psicologia del Pensamiento 2º Grado en Psicología Facultad de Psicología Universidad Nacional de Educación a Distancia Accede al documento original Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. Tema 6. Razonamiento probabilístico Página 1 de 30 TEMA 6.

RAZONAMIENTO PROBABILÍSTICO INTRODUCCIÓN Cuando hacemos una predicción o pronóstico («María llamará para felicitarme»), tomamos una decisión («conduciremos por la autovía para llegar antes») o buscamos la causa de un hecho determinado («se comporta así porque está de mal humor») estamos evaluando la probabilidad de que algo vaya a ocurrir o haya ocurrido ya. En nuestra día a día, hacemos predicciones sobre el futuro basándonos en información incompleta y ambigua, por lo que nuestras conclusiones no son totalmente seguras, sino probables. Estimamos la probabilidad de que llueva si viajamos al norte, de encontrar trabajo según los estudios elegidos…

Este razonamiento probabilístico es fundamental en el ámbito profesional: en el diagnóstico clínico en medicina y psicología, en la evaluación de la eficacia de nuevas metodologías educativas o en la toma de decisiones judiciales, donde las conclusiones son probablemente ciertas, pero no absolutas. Para adaptarnos a esta incertidumbre del entorno, el razonamiento probabilístico permite percibir, analizar y representar la información disponible para estimar probabilidades y tomar decisiones.

En este proceso, las leyes de la probabilidad cumplen un papel similar al de las leyes de la lógica en el razonamiento deductivo, ya que funcionan como un modelo normativo que indica cómo deberían realizase las inferencias probabilísticas. TEOREMA DE BAYES Cuando asignamos una probabilidad a un suceso, a veces conocemos todas las posibilidades del espacio muestral, y otras veces no. Probabilidad con espacio muestral conocido: Si todas las posibilidades son igual de probables, la probabilidad se calcula dividiendo: resultados favorables / resultados posibles. Al lanzar un dado hay 6 resultados posibles.

La probabilidad de obtener un 2 es 1/6 Probabilidad sin conocer el espacio muestral (vida cotidiana): realizamos estimaciones subjetivas. Se deben elegir 6 candidatos para un trabajo que han obtenido la misma puntuación en pruebas psicométricas. Aunque todos tengan la misma evaluación, su rendimiento futuro dependerá de otras variables (motivación, experiencia, etc.). Por eso la probabilidad de éxito de cada uno no es necesariamente igual. En ambos casos, la Teoría de la probabilidad asume un conjunto de axiomas. Imaginemos el siguiente ejemplo: Ana, una psicóloga atendió a 100 pacientes en un año: 30 con depresión, 20 con fobia específica y 50 con ansiedad. 1.

La probabilidad de un suceso varía entre O (imposibilidad) y 1 (certeza). Probabilidad de que un paciente tenga ansiedad es de 50/100 = O.5 2. La suma de toda las probabilidades es 1. (30/100) + (20/100) + (50/100) = 1. También permite calcular la probabilidad de que algo no ocurra. Si la probabilidad de fobia específica es 0,2 la probabilidad de no sufrir fobia específica es de 0,8 3. Sucesos mutuamente excluyentes: Si dos sucesos no pueden ocurrir al mismo tiempo, se suman sus probabilidades.

Probabilidad de tener depresión o fobia: (30/100) + (20/100) = 0,5 Terminada la primera fase del tratamiento, el porcentaje de curación en el grupo de pacientes fue: - Con trastorno depresivo: 50% - Problemas de fobias: 70 % - Problemas de ansiedad: 40 % Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 2 de 30 Conociendo estos datos podremos ejemplificar el cuarto axioma. 4. Probabilidad conjunta de dos sucesos: a.

Sucesos dependientes: si un suceso depende de otro, se usa probabilidad condicional P (S2 " S1). Probabilidad de que un paciente tenga ansiedad y se cure: P (Ansiedad) x P (Curado " Ansiedad) = 0,5 x 0,4 = 0,20. Es decir el 20% total de pacientes. b. Sucesos independientes: si los sucesos no influyen entre sí: P (S1 y S2) = P (S1) x P (S2). La probabilidad de que salga cara en una moneda es de 0,5. La probabilidad de sacar un 6 en un dado, es de 1/6. Probabilidad de que ocurran ambos: 0,5 x 1/6 A partir de estos principios se desarrolla el Teorema de Bayes, que permite calcular la probabilidad de una hipótesis después de observar un dato.

Es decir, permite actualizar nuestras creencias a partir de nueva información. Si elegimos al azar a un paciente que sabemos que se ha curado, el teorema permite estimar cuál es la probabilidad de que previamente hubiera sido diagnosticado de depresión, fobia o ansiedad. Probabilidad posterior: se obtiene comparando la probabilidad de los casos favorables con la suma de todas las probabilidades posibles. Su cálculo no es directo pues conocemos el dato (el paciente está curado) pero tenemos tres posibles opciones de diagnóstico previo o hipótesis de partida: depresión, fobia o ansiedad.

¿Cómo aplicar el Teorema de Bayes para calcular la probabilidad de una hipótesis a partir de un dato observado? Si elegimos al azar a un paciente que sabemos que se ha curado, el teorema permite estimar cuál es la probabilidad de que previamente hubiera sido diagnosticado de depresión, fobia o ansiedad Hipótesis: posible diagnóstico inicial de un paciente. Probabilidad previa de cada diagnóstico P (H): probabilidad de cada diagnóstico antes de observar el resultado de la curación Posibles datos: curación o no curación de un paciente extraído al azar. Para cada una de las hipótesis se establece la probabilidad de que ocurra cada uno de estos resultados.

Probabilidad de curación / Diagnosticidad: P (D " H): Probabilidad de que aparezca un dato (curación) cuando se cumple determinada hipótesis. Indica en qué medida ese dato es característico de esa hipótesis Probabilidad conjunta de que ocurran ambos sucesos (diagnóstico y curación): se multiplica la probabilidad a priori de la hipótesis (paso 2) por la probabilidad del dato dado en esa hipótesis. que el paciente haya sido diagnosticado de un trastorno concreto y que, además, se haya curado. El objetivo final del problema es calcular la probabilidad posterior, es decir, la condicional inversa de la probabilidad condicional.

Se obtiene comparando la probabilidad de los casos favorables con la suma de todas las probabilidad posibles. Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 3 de 30 Para calcularlo se divide la probabilidad de casos favorables (haberse curado habiendo sido diagnosticado de depresión) por la suma de probabilidades de todos los casos posibles (haberse curado con cada diagnósticos).

El axioma 4 explica numerador (probabilidad de casos favorables) y el axioma 3 explica denominador (suma de las probabilidades de casos posibles) Arieta Pinedo y González Labra señalan que la inferencia bayesiana permite introducir probabilidades subjetivas tanto al estimar la probabilidad inicial de una hipótesis (probabilidad a priori) como al valorar las condiciones en las que ocurre el suceso. Estas probabilidades subjetivas pueden obtenerse de distintas fuentes: datos empíricos, teorías previas o creencias y opiniones de la persona.

En este marco la hipótesis alternativa es la ausencia de la hipótesis principal, y su probabilidad se obtiene aplicando el axioma 2 de la teoría de la probabilidad: la suma de todas las probabilidades debe ser igual a 1. Para analizar cómo razonan las personas cuando no utilizan cálculos formales, se han realizado experimentos con participantes sin formación en teoría de la probabilidad. Problema a: Seleccionamos un paciente al azar y encontramos que está curado. ¿qué probabilidad será mayor? a) Fue diagnosticado de fobia específica. Si eligen esta opción es porque la tasa de curación de las fobias es mayor que la de la ansiedad.

Sin embargo, esta respuesta es incorrecta, pues las personas solo se centran en el porcentaje de curación e ignoran la probabilidad previa de cada trastorno. En el ejemplo original había muchos más pacientes con ansiedad que con fobia, por lo que, aunque la tasa de curación sea menor, el número total de pacientes curados procedentes del grupo de ansiedad puede ser mayor. b) Fue diagnosticado de ansiedad Problema b: Ana quiere investigar porqué solo el 40% de los pacientes con ansiedad se curan tras la primera fase del tratamiento. Para ello cita un día a los pacientes curados, y otro día a los que continúan en tratamiento.

Elena sufre de ansiedad y acude a consulta, por casualidad, el día de cita para los curados.

Mientras espera, escucha a varios de ellos hablar sobre lo rápido y bien que se han recuperado y concluye que el tratamiento de la ansiedad: a) es altamente eficaz b) es parcialmente eficaz Elena selecciona la alternativa a) y su respuesta es incorrecta porque está basando su juicio solo en los casos de éxito que observa, sin tener en cuenta a los pacientes que no se han curado (ese día no están en la consulta), por lo que no dispone de toda la información necesaria para evaluar correctamente la eficacia del tratamiento; su información es parcial La evidencia empírica demuestra que el razonamiento probabilístico humano suele ser no extensional, es decir, las personas no consideran todo el conjunto de probabilidades implicadas en la situación.

En el problema A, se ignora la distribución total de los diagnósticos entre los 100 pacientes. Para tomar decisiones en contextos de incertidumbre, las personas suelen utilizar estrategias o atajos cognitivos que simplifican el proceso de estimar probabilidades. Estas estrategias permiten tomar decisiones más rápido y con menos esfuerzo mental que aplicando cálculos como el del Teorema de Bayes. Aunque muchas veces son útiles, otras veces dan lugar a errores o estimaciones imprecisas cuando se ignora información relevante. Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 4 de 30 EL ENFOQUE DE LOS HEURÍSTICOS Los heurísticos son reglas y estrategias intuitivas, que utilizamos para estimar o predecir de forma rápida cuando no disponemos de toda la información o cuando los cálculos serían demasiado complejos. Estas estrategias simplifican el proceso de toma de decisiones, pero suelen producir errores sistemáticos, conocidos como sesgos o falacias. El estudio de estos errores forma parte de la investigación sobre razonamiento probabilístico.

También se analiza desde otros ámbitos de la psicología como la percepción o la memoria, ya que en muchos casos estos sesgos se relacionan con la forma de percibir o con los procesos de recuerdo y olvido. Teversky y Kahneman iniciaron un programa de investigación sobre estos procesos y propusieron tres heurísticos básicos que las personas utilizan con frecuencia al hacer juicios de probabilidad: de representatividad, de accesibilidad o disponibilidad y de anclaje y ajuste. HEURÍSTICO DE REPRESENTATIVIDAD Estrategia mental mediante la cual las personas estiman la probabilidad de un suceso según lo parecido o representativo que parece de una categoría o prototipo.

Es decir, tendemos a pensar que un acontecimiento es más probable cuanto más encaja con nuestra imagen mental de esa categoría. Si alguien da positivo en una prueba médica, muchas personas concluyen inmediatamente que padece la enfermedad, porque el resultado positivo parece representativo del diagnóstico Sin embargo, este juicio puede ser erróneo si no se consideran otros factores importantes como la probabilidad real de padecer la enfermedad o la tasa de falsos positivos del test. Según Kahneman y Tversky, el término intuición puede entenderse de tres maneras distintas: Un juicio es intuitivo cuando se alcanza mediante un razonamiento informal y poco estructurado.

Una regla es intuitiva cuando coincide con la forma de entender el mundo de personas no expertas. Una regla se vuelve intuitiva cuando se convierte en una conducta habitual. Los juicios probabilísticos suelen responder a preguntas como: ¿Cuál es la probabilidad de que el objeto A pertenezca a la categoría B? ¿Cuál es la probabilidad de que el proceso B sea la causa del acontecimiento A? ¿Cuál es la probabilidad de que el dato A se genere a partir del modelo B? La investigación muestra que las personas solemos evaluar la probabilidad de un suceso según su semejanza con un prototipo, porque es cognitivamente más sencillo.

Sin embargo, este procedimiento genera sesgos, ya que la semejanza no tiene en cuenta factores que sí deberían influir en el juicio probabilístico. SESGO DE INSENSIBILIDAD A LAS PROBABILIDADES A PRIORI Ignorar la probabilidad a priori de un suceso, sin tener en cuenta su frecuencia real. No afecta a la representatividad, aunque debiera tener efecto sobre el juicio probabilístico. Experimento de Kahneman y Tversky: los participantes debían evaluar la profesión de una persona a partir de una descripción.

Se presentaba una muestra de 100 personas (ingenieros y abogados) en dos condiciones: Condición 1: 70 ingenieros y 30 abogados Condición 2: 70 abogados y 30 ingenieros Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 5 de 30 Jack tiene 45 años, está casado y tiene cuatro hijos. Es conservador, prudente y ambicioso. No muestra interés por cuestiones sociales y dedica su tiempo libre a la carpintería, navegar y resolver problemas matemáticos. - ¿Cuál es la probabilidad de que Jack sea ingeniero?

Los participantes dieron la misma respuesta en ambas condiciones, basándose solo en la descripción y parecido con el estereotipo de ingeniero, sin considerar la proporción real de ingenieros y abogados en cada condición. Ignoraron la probabilidad a priori, violando la predicción del Teorema de Bayes. Este sesgo también se ha demostrado con participantes expertos: Eddy: La probabilidad de cáncer de mama en mujeres de 40 años es del 1%. Si una padece cáncer, la probabilidad de que la mamografía resulte positiva es del 80%. La probabilidad de que no padezca cáncer de mama, pero tenga un resultado positivo en una mamografía es del 9,6%.

Si una mujer de 40 años obtiene resultado positivo, ¿cuál es la probabilidad de que padezca cáncer de mama? _______%. Aplicando Teorema de Bayes, el resultado es 7.8 %. Erróneamente, el 95% de los médicos estimaron un 70-80 % de probabilidad de cáncer y resultado positivos. La causa fuer que asumieron que [P(cáncer/resultado positivo)) era aproximadamente igual a [P(resultado positivo/cáncer)], pasando por alto la probabilidad a priori de padecer la enfermedad en la muestra de mujeres de 40 años. Gigerenzer y Hoffrage: los humanos tienen dificultades para aplicar correctamente la inferencia bayesiana debido a cómo se presenta la información, no por incapacidad intelectual.

La mente humana, al evolucionar, procesa de forma más natural frecuencias de eventos concretos que probabilidades abstractas. Sostienen que las demandas computacionales de los algoritmos bayesianos son más simples cuando la información se codifica en un formato de frecuencias, más que en el formato estándar de probabilidad. La probabilidad de cáncer en mujeres de 40 años es de 10/1000 = P (C) = 0,01; De cada 10 mujeres que padecen cáncer, 8 dan un resultado positivo en la mamografía. La probabilidad de que una mujer sin cáncer de mama dé resultado positivo en la mamografía es de 95/990.

Una mujer de 40 años obtiene un resultado positivo en la mamografía ¿Cuál es la probabilidad de que padezca cáncer de mama? __________%. El algoritmo bayesiano para calcular la probabilidad posterior P (H"D) sería resultado de dividir el número de casos con síntoma y enfermedad (dato e hipótesis) por el número total de casos con síntoma (casos con síntoma y enfermedad + casos con síntoma y sin enfermedad). La comprensión de los problemas probabilísticos mejora cuando la información se presenta en formato de frecuencias naturales ("de cada 100 personas, 20…") en lugar de en formato de probabilidades o porcentajes.

Esto ocurre porque las probabilidad son más intuitivas y facilitan el seguimiento de las relaciones entre los datos; se organiza de forma similar a cómo se obtiene en la vida cotidiana. Diferentes estudios comparativos entre las dos modalidades indicaron que el promedio de algoritmos bayesianos correctos incrementó del 16% (formato probabilístico) al 46% (formato de frecuencias). Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6.

Razonamiento probabilístico Página 6 de 30 SESGO DE INSENSIBILIDAD A LA CAPACIDAD PREDICTIVA DEL DATO Juicio sobre el futuro de manera muy parecida a la evaluación actual. Supongamos que una estudiante es descrita por el orientador como inteligente, con buena base y trabajadora. 1) Evaluación: ¿Qué impresión te produce esta descripción en relación con la habilidad académica del estudiante? Se evalúa el dato 2) Predicción: ¿cuál estimas sería la calificación media que el estudiante obtendrá cuando termine el curso? Se predice el resultado, por lo que la incertidumbre es mayor. La hipótesis de representatividad, sin embargo, sostiene que predicción y evaluación deberían coincidir.

Sesgo de ilusión de validez: La predicción basada en la "impresión" de la información disponible sin considerar otros factores que afectan. Las personas hacen el mismo juicio cuando se basan en datos que cuando es una hipótesis del futuro. Aunque una persona sea buena estudiante pueden ocurrir otras cosas que le lleven a suspender: un accidente o la muerte de un familiar, una depresión… Estas posibilidades no las solemos tener en cuenta en predicciones futuras. Hipótesis de representatividad: plantea que predicción del futuro y evaluación del presente deberían coincidir si se basan en la misma información.

Teversky y Kahneman lo probaron usando descripciones de estudiantes con cinco adjetivos sobre su capacidad intelectual y rasgos de personalidad: Grupo de evaluación: evaluaba la calidad de cada estudiante en relación con la población, ordenando la capacidad académica de todos los estudiantes a partir de las descripciones proporcionadas. (0 a 100) Grupo de predicción: predecía el rendimiento futuro promedio al final del curso en base a la descripción. Ordenaba las calificaciones medias que los estudiantes obtendrían a final de curso. (0 a 100) Aunque la evaluación era objetiva y cercana en el tiempo, y la predicción implicaba incertidumbre futura, ambos grupos hicieron juicios muy similares.

Esto solo tendría sentido si la descripción realmente pudiera predecir el futuro con total exactitud, lo que no ocurre en la vida real. La descripción no garantiza que el estudiante tenga éxito, porque hay factores externos que pueden afectar su rendimiento. Cuando se dice que los sujetos ignoran P(D H ), significa que no consideraron la posibilidad de que el estudiante no tenga éxito (hipótesis alternativa), aunque su descripción sea positiva. Básicamente, asumieron que la descripción presente determina el futuro sin margen de error. SESGO DE CONCEPCIONES ESTADÍSTICAS INEXACTAS Las personas interpretan mal los datos por seguir el heurístico de representatividad.

La regresión predice una medida basada en el conocimiento de otra. La regresión estadística es la tendencia de una medición extrema a situarse más próxima a la media cuando se realiza una segunda medición. Si seleccionamos a los 10 niños con mejores resultados en un examen, es probable que en el siguiente examen sus calificaciones bajen un poco, y los 10 con peores resultados mejoren. Sin embargo, la mayoría espera que los resultados futuros sean igual de extremos que los iniciales, ignorando que la variación natural tiende a acercar los resultados al promedio Otro ejemplo es la insensibilidad al tamaño de la muestra.

Si comparamos dos hospitales, uno grande donde nacen 45 bebés al día y otro pequeño con 15, y calculamos cuántos días hubo un 60% de nacimientos varones, la mayoría de la gente piensa que ambos hospitales tendrán números similares. En realidad, el hospital pequeño tendrá más días con esa desviación porque en muestras pequeñas las variaciones son más frecuentes. En contraste, la Teoría del Muestreo sostiene que el número debería ser superior en el hospital pequeño porque en una muestra de gran tamaño es más difícil superar el 50 %. Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 7 de 30 La insensibilidad al tamaño de la muestra explica también nuestras expectativas en los juegos de azar, en la medida en que esperamos que las muestras pequeñas de procesos aleatorios representen el proceso con un elevado número de ensayos. Esta expectativa basada en la intuición de representatividad "local" explica el fenómeno conocido como la falacia del jugador.

Después de observar una secuencia de números rojos en la ruleta, la mayor parte de la gente esperaría de forma errónea que ha llegado el turno del número negro, presumiblemente porque la ocurrencia de "negro" resultaría en una secuencia más representativa que la ocurrencia de un "rojo" adicional. Estos sesgos muestran que las personas tienden a sobrevalorar resultados extremos y a ignorar la variabilidad y el tamaño de la muestra, lo que puede llevar a errores al interpretar estadísticas, tanto en la vida cotidiana como en investigación científica. Teversky y Kahneman mostraron que incluso psicólogos expertos cometen errores al interpretar datos aleatorios.

La "ley de los números pequeños "es la tendencia a asumir que un resultado en una muestra pequeña refleja fielmente la población completa, sin considerar que el tamaño de la muestra es insuficiente. Esto lleva a sobrevalorar la confiabilidad de resultados de muestras pequeñas y a pensar que son más replicables de lo que realmente son. Si en un experimento con 10 participantes un tratamiento parece funcionar perfectamente, es probable que ese resultado no se repita en un grupo más grande, aunque la intuición haga creer lo contrario.

SESGO DE LA FALACIA DE LA CONJUNCIÓN La representatividad (qué tan "típico" o "encaja" parece algo) no siempre depende de cuántas veces ocurre ni de cómo se incluyen los datos en un conjunto. Según la teoría de la probabilidad, el principio de la extensión dice que, si un grupo A incluye a otro grupo B, entonces siempre es más probable que algo pertenezca a A que a B. Si "cajeras de banco" incluye a "cajeras de banco feministas", no puede ser más probable que alguien sea ambas cosas a la vez que solo cajera. Esto vale siempre, sin importar si los eventos están relacionados o no, y sin importar los porcentajes reales.

El problema de Linda: Linda es una mujer de 31 años, soltera, sincera y muy brillante, licenciada en Filosofía. Cuando era estudiante estaba muy comprometida en temas de discriminación y justicia social, participando en manifestaciones antinucleares. Se presentan las opciones: a) Linda es una maestra en escuela elemental. b) trabaja en una librería y asiste a clases de yoga. c) es feminista. d) es asistente social en psiquiatría e) es miembro de la Liga de Mujeres Votantes. f) es cajera de un banco g) es agente de seguros h) es cajera en un banco y feminista Los sujetos tenían que puntuar del 1 (más probable) al 8 (menos probable) las afirmaciones anteriores.

La mayoría de las personas juzgó que Linda tenía más probabilidades de ser cajera y feminista (h) que solo cajera de banco (f), porque su descripción encaja más con el estereotipo de feminista activa que con el de cajera. Pero según la probabilidad, la conjunción nunca puede ser más probable que uno de sus componentes: ser cajera y feminista juntos no puede ser más probable que solo ser cajera. Aun así, el 85% de los participantes cometió este error porque se fijaron en qué tan representativa era la descripción, ignorando la regla matemática de la probabilidad.

Según Teversky, la semejanza de un ejemplar con una categoría se define según la ponderación de las propiedades comunes y distintivas y esta ponderación varía según el contexto estimular y la tarea experimental. En la descripción de Linda, la ponderación con una cajera de banco es baja. El hecho de añadir feminismo como rasgo distintivo explica Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6.

Razonamiento probabilístico Página 8 de 30 la forma en que los participantes ordenaron la lista de afirmaciones sobre las actividades que desarrolla ella, en función del grado con el que encajaban con el estereotipo que se deriva de la descripción. Desde el punto de vista de la regla extensional de la Lógica, la clase "cajeras de banco" incluye a la de "Cajeras de banco feministas", lo que invalida desde un punto de vista normativo el juicio probabilístico emitido por los participantes, que invierte la relación probabilística de ambas clases. El heurístico de representatividad explica dicha inversión.

Tversky y Kahneman quisieron comprobar si las personas reconocerían la validez de la regla de conjunción cuando el problema se presentaba de forma más explícita. Tras la misma descripción inicial del caso de Linda, presentaron dos argumentos: Argumento 1: Linda es cajera de un banco. Es más probable que Linda sea cajera en un banco a que sea cajera de banco y feminista, porque todas las cajeras feministas son cajeras de banco, pero no todas las cajeras de banco son feministas. Por tanto, Linda podría ser cajera sin ser feminista. Argumento 2: Linda es cajera de un banco y feminista.

Es más probable que Linda sea cajera de banco y feminista porque se parece más al estereotipo de feminista que al de cajera de banco. Aunque el primer argumento sigue la lógica de la probabilidad (una conjunción nunca puede ser más probable que uno de sus elementos), la mayoría de los participantes eligió el segundo. Esto indica que, incluso cuando el razonamiento correcto se presenta de forma clara, muchas personas se dejan guiar por el heurístico de representatividad: juzgan lo que es más probable según qué opción encaja mejor con la descripción, en lugar de aplicar las reglas formales de la probabilidad.

HEURÍSTICO DE ACCESIBILIDAD Las personas estimamos la frecuencia de un hecho según la facilidad con la que nos vienen ejemplos a la mente. Tras oír varias noticias sobre infartos, podemos pensar que el riesgo de infarto es muy alto, aunque estadísticamente no haya cambiado. Sin embargo, esta facilidad de recuerdo no siempre depende de la frecuencia real, sino de otros factores (fama, emoción, imaginación…). Por eso aparecen sesgos cognitivos. Teversky y Kahneman identificaron: SESGO POR FACILIDAD DE RECUPERACIÓN Las cosas que recordamos con más facilidad parecen más frecuentes Tversky y Kahneman realizaron un experimento donde presentaron a participantes listas grabadas con 39 nombres.

- Lista 1 (condición experimental): 19 mujeres famosas y 20 hombres poco conocidos - Lista 2 (condición experimental): 19 hombres famosos y 20 mujeres poco conocidas Los participantes se dividieron en dos grupos con tareas diferentes: Grupo 1: tenían que recordar el mayor número de nombres posibles en cada lista Grupo 2: en cada lista tenían que decir si había más nombres de hombres o mujeres. Los resultados fueron iguales en ambas listas: la fama hacía más accesible los nombres, lo que distorsionaba el juicio. Este sesgo demostró el efecto significativo del heurístico de accesibilidad en el juicio probabilístico.

Si acabas de ver un coche volcado en la carretera, puedes pensar que los accidentes de tráfico son muy frecuentes, porque ese ejemplo está muy presente en tu mente. También solemos pensar que lo que sentimos ahora es más intenso que lo que sentimos antes. Un estudio de Van Boven, White y Huber mostró esto: los participantes veían dos vídeos muy duros separados por 20 minutos. Después decían que la emoción causada por el segundo vídeo era más intensa, aunque ambos fueran similares. Esto se llama sesgo de inmediatez. Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 9 de 30 SESGO POR FACILIDAD PARA CONSTRUIR EJEMPLOS A veces estimamos frecuencias según lo fácil que es generar ejemplos, no según su frecuencia real. Teversky y Kahneman se seleccionaron algunas consonantes que en inglés son más frecuentes en la tercera posición de una palabra (K, L, N, R, y V). El problema se planteaba de la forma siguiente: La letra L aparece con mayor probabilidad en: - La primera posición - La tercera posición Muchos respondieron que la primera porque es más fácil pensar en palabras que empiezan con L, aunque en realidad parece más en la tercera posición.

El error se produce porque es más fácil generar ejemplos del primer tipo. En investigaciones posteriores, se estudió con más control cómo influye la experiencia subjetiva de facilidad para recordar ejemplos en los juicios de frecuencia. La idea era comprobar si las personas se basan solo en lo fácil que es recordar algo o también en cómo interpretan esa facilidad. Todos los sujetos escribían 10 palabras con la letra "t" en tercera posición. Después, escribían 10 palabras que empezaran por "t", pero se dividieron en tres grupos con distintas instrucciones: o Grupo facilitación: escribían las palabras en una hoja con muchas letras "t" impresas en color claro.

Se les dijo que esas letras les ayudarían a recordar palabras o Grupo inhibición: usaban la misma hoja, pero se les explicó que las letras impresas dificultarían el recuerdo o Grupo de control: realizaban la tarea en una hoja en blanco, sin explicación especial Tras cada tarea, los participantes valoraban la dificultad entre 1 (muy fácil) y 8 (muy difícil).

Finalmente, tenían que estimar qué era más frecuente en el idioma: o Palabras con "t" al principio o Palabras con "t" en tercera posición La escala iba de 1 (muchas más "t" en tercera posición) a 8 (muchas más que empiezan por "t") Todos los participantes dijeron que era más difícil recordar palabras con "t" en tercera posición que palabras que empiezan por "t". esto es normal porque es más fácil pensar en palabras que comienzan con una letra.

Sin embargo, el juicio final sobre la frecuencia cambió según como interpretaban esa facilidad: - Participantes del grupo de facilitación (media 3,8): creyeron que recordar palabras con "t" al inicio era fácil por la ayuda de la hoja, no porque fueran más frecuentes. Por eso estimaron menos palabras que empiezan por "t" - Participantes del grupo de inhibición (media 6,1): pensaron que la hoja les dificultaba la tarea, así que si aun así recordaban muchas palabras con "t" inicial debía ser porque realmente eran muy frecuentes.

- Participantes del grupo de control (media 5,4): sus estimaciones quedaron entre ambos valores El experimento muestra que los juicios de frecuencia no dependen solo de la facilidad para recordar ejemplos, sino también de cómo explicamos esa facilidad. Si creemos que recordar algo es fácil por factores externo (formato de la tarea…), esa facilidad pierde valor como indicador de frecuencia Si pensamos que la facilidad se debe a la frecuencia real de los ejemplos, entonces estimamos que ese fenómeno es más común Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 10 de 30 Según Wanke y cols., estos resultados confirman y amplían la explicación del heurístico de accesibilidad propuesta por Tversky y Kahneman. La idea principal es que cuando las personas estiman la frecuencia o probabilidad de algo, no solo se basan en lo fácil que es recordar ejemplos, sino también en la confianza que tienen en esa experiencia de recuerdo. Es decir, además de la facilidad de recuperación, influye cómo interpretamos esa facilidad: si creemos que refleja la realidad o si pensamos que se debe a otros factores.

Si una persona recuerda rápidamente muchos casos de accidentes de avión, puede pensar que son frecuentes. Pero si cree que los recuerda porque los medios de comunicación los destacan mucho, puede desconfiar de esa impresión y ajustar su juicio También influye el contexto en el que se realiza la búsqueda de ejemplos. Algunos conceptos son más fáciles de imaginar porque están asociados a experiencias, historias o imágenes mentales. Palabras abstractas como "igualdad" o "justicia" suelen evocar fácilmente situaciones vividas, noticias o escenas de películas. Esto facilita generar ejemplos relacionados con ellas.

En cambio, palabras más técnicas o concretas como "Constitución" o "convenio" suelen tener menos asociaciones emocionales o narrativas, por lo que resulta más difícil imaginar situaciones concretas relacionadas con ellas. SESGO DEBIDO A LA FACILIDAD PARA IMAGINAR SITUACIONES La facilidad para imaginar situaciones influye en cómo evaluamos la probabilidad de que ocurra algo en la vida real. Cuando podemos imaginar un evento de forma clara y vívida, tendemos a pensar que es más probable, aunque en realidad no lo sea. Por el contrario, si un peligro es difícil de imaginar, solemos subestimar su probabilidad.

Al valorar el riesgo de asistir a una manifestación como el 8M, algunas personas pueden imaginar fácilmente situaciones peligrosas (disturbios, agresiones, contagios, etc.). Esa facilidad para imaginar estos escenarios puede hacer que el riesgo parezca mayor de lo que realmente es. En cambio, otros peligros reales que son más difíciles de visualizar pueden pasar desapercibidos. Sherman, Cialdini, Schwartzman y Reynolds pusieron a prueba esta hipótesis con un experimento. Los participantes leyeron un informe sobre una supuesta enfermedad (hiposcenia-B).

Había dos tipos de descripciones de los síntomas: Condición "fácil de imaginar" síntomas concretos, comunes y probablemente experimentados por una gran mayoría de los participantes como cansancio, dolor muscular o dolores de cabeza frecuentes. Condición "difícil de imaginar" síntomas vagos o técnicos, como desorientación difusa, problemas del SN o inflamación del hígado. Además, había dos grupos: - Grupo control: solo leían el informe - Grupo imaginación / grupo experimental: debían leer el informe imaginando que sufrían esos síntomas durante tres semanas.

Después, todos los participantes debían valorar la probabilidad de padecer la enfermedad en el furto en una escala de 1 (muy probable) a 10 (muy improbable). Los resultados mostraron que cuando los síntomas eran fáciles de imaginar, los participantes del grupo que imaginaba la situación pensaban que la enfermedad era más probable que el grupo control. Cuando los síntomas eran difíciles de imaginar, el grupo que imaginaba la situación estimaba una probabilidad menor que el grupo control. Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6.

Razonamiento probabilístico Página 11 de 30 SESGO POPR CORRELACIÓN ILUSORIA E ILUSIÓN DE CONTROL Cuando dos eventos ocurren juntos varias veces, los solemos asociar mentalmente y pensamos que están relacionados. Esto puede ayudarnos a detectar relaciones reales, pero también puede provocar errores en los juicios de probabilidad. Correlación ilusoria: (Chapman): se produce cuando las personas sobreestiman la relación entre dos acontecimientos, creyendo que aparecen juntos más veces de lo que realmente ocurre. En uno de sus experimentos, los participantes veían pares de palabras proyectados en una pantalla.

Algunas aparecían a derecha (huevos, tigre o cuaderno) y otras a la izquierda (beicon, león, flor, barca). Los pares se formaban al azar. Sin embargo, los participantes pensaban que aparecían más veces los pares semánticamente relacionados como beicon-huevo o león-tigre. La relación semántica entre esas palabras explica la fuerza de asociación en la memoria y la facilidad para su recuperación, lo que lleva a sobreestimar la frecuencia objetiva. Este fenómeno ayuda a explicar: Supersticiones: alguien cree que llevar una pulsera "da suerte" porque coincidió con algunos éxitos. Efecto halo: alguien cree que llevar una pulsera "da suerte" porque coincidió con algunos éxitos.

Estereotipos sociales: por ejemplo, si se recuerda con facilidad un caso de delito cometido por alguien de un grupo minoritario, puede parecer que ese grupo delinque más, aunque los datos no lo confirmen. Ilusión de control: las personas creen poder controlar o influir en resultados que en realidad dependen del azar. En sus experimentos, Langer simuló juegos al azar introduciendo elementos que parecían relacionados con la habilidad del jugador, como poder elegir el número del billete, competir contra otros jugadores, usar estímulos familiares o participar activamente en el juego.

Estos factores hacían que los participantes sintieran que tenían más probabilidades de ganar, aunque el resultados dependía totalmente del azar. Contribuye además a explicar la persistencia de este sesgo en la sobreconfianza en la calibración del propio juicio (juicio de segundo orden). Pensar que un número de lotería elegido por uno mismo tiene más probabilidades de salir. Creer que lanzar los dados con cierta fuerza o ritual aumenta las posibilidades de obtener un número concreto. Jugadores que continúan apostando porque creen que "ya toca ganar".

HEURÍSTICO DEL PROTOTIPO Kahneman y Frederick propusieron el concepto de "Heurístico del prototipo" para explicar cómo las personas realizan juicios rápidos cuando la información es compleja. Este enfoque amplía la idea inicial de los heurísticos y plantea que los juicios intuitivos se producen mediante dos procesos de sustitución: Categoría por prototipo: En lugar de pensar en toda una categoría, pensamos en un ejemplo típico de esa categoría. En el ejemplo de Linda, en vez de pensar en todas las posibles cajeras de banco, la persona imagina un prototipo (por ejemplo, alguien con traje trabajando en una ventanilla).

Atributo por una propiedad del prototipo: El juicio que deberíamos hacer (por ejemplo, probabilidad) se sustituye por algo más fácil de evaluar, como la semejanza con el prototipo. Así, cuando se pregunta si es más probable que Linda sea cajera de banco o cajera de banco y feminista, las personas juzgan según qué opción se parece más al estereotipo de Linda, en lugar de aplicar la lógica de la probabilidad. Desde la teoría normativa de la probabilidad, deberíamos considerar la probabilidad previa de cada categoría, pero el prototipo no incluye información sobre la frecuencia real de los casos. Reservados todos los derechos.

No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 12 de 30 La novedad del enfoque integrador de Kahneman y Frederick señala que la propiedad que sustituye al juicio no siempre es la semejanza, sino muchas veces la accesibilidad a la información. Strack, Martín, y Schwarz demostraron que el orden de las preguntas puede influir en las respuestas, porque hace que cierta información sea más accesible en la memoria. En su estudio hicieron dos preguntas: 1. ¿Qué tan feliz te sientes con tu vida en general? 2.

¿Cuántas citas románticas has tenido en el último mes? Cuando primero se preguntaba por la felicidad, la relación entre ambas respuestas era casi inexistente. Sin embargo, cuando primero se preguntaba por las citas, la correlación aumentaba mucho (0,66). Esto ocurre porque pensar primero en las citas hace que esa información sea más accesible en la mente. Entonces las personas la utilizan para valorar su felicidad general, aunque el número de citas no sea realmente un buen indicador de la felicidad global. Este fenómeno también aparece cuando evaluamos experiencias pasadas con carga emocional.

En lugar de considerar toda la experiencia, solemos basarnos en dos momentos clave: El momento de mayor intensidad emocional (pico). El momento final de la experiencia. La valoración final suele aproximarse al promedio entre ambos momentos. Un viaje puede durar dos semanas con momentos bueno, pero si hubo un momento muy desagradable, y además terminó mal, es probable que la persona recuerde el viaje como muy negativo. Redelmeier y Kahneman estudiaron cómo las personas evalúan retrospectivamente experiencias dolorosas, como una colonoscopia.

Registraron el nivel de dolor de los pacientes cada minuto durante procedimientos que duraban entre 4 y 69 minutos y compararon la evaluación final de la experiencia. El resultado fue que la valoración global del dolor no depende de la duración del procedimiento ni del promedio del dolor. Esta valoración se predice eficazmente promediando dos momentos clave: el pico más intenso de dolor y el dolor en el momento final de la experiencia. Redelmeier, Katz y Kahneman demostraron que añadir un intervalo final breve con malestar mínimo hizo que los pacientes calificaran la experiencia como menos dolorosa y estuvieran más dispuestos a repetir la prueba.

Este fenómeno refleja un doble proceso de sustitución 1. La categoría compleja "dolor de la experiencia global" se reemplaza por un prototipo más simple. 2. La propiedad del prototipo no es la representatividad de toda la experiencia, sino la accesibilidad de ciertos momentos (pico y final). En este caso la propiedad del prototipo no viene dada por la representatividad de la información (duración total de la experiencia o magnitud promedio del dolor global) sino por su accesibilidad en la memoria. La mente humana mostrar insensibilidad a características objetivas o extensionales de las categorías.

Por ejemplo: - Probabilidades a priori: al juzgar si alguien pertenece a una categoría, no se consideran adecuadamente las probabilidades reales. - Duración vs. valor afectivo: en una experiencia dolorosa o placentera, el juicio final no se ajusta a la duración total, sino a momentos específicos más destacados. Esto refleja una desviación de la lógica ante situaciones de incertidumbre, explicado por el proceso de sustitución: no se evalúan todos los datos; reemplazamos el atributo complejo por una propiedad más accesible del prototipo. Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 13 de 30 HEURÍSTICO DE ANCLAJE Y AJUSTE Nuestras estimaciones de cantidades están influidas por un valor inicial (ancla), que puede ser arbitrario o irrelevante. Este valor sirve como punto de referencia y los juicios posteriores tienden a ajustarse desde ahí, pero el ajuste suele ser insuficiente, generando un sesgo hacia el valor del ancla. Tversky y Kahneman demostraron cómo un valor inicial (ancla) sesga nuestras estimaciones mediante un experimento. Pidieron a los sujetos estimar el porcentaje de países africanos de la ONU.

El valor inicial (entre 0 y 100) se establecía haciendo girar una rueda de fortuna en su presencia. El experimento se desarrolló en 2 fases: 1º fase de juicio comparativo: los participantes decían si el porcentaje real era mayor o menor que el número mostrado. 2º fase de juicio absoluto: daban su estimación final del porcentaje. El resultado final es que, con un valor inicial de 10, la mediana de las estimaciones fue de 25; y con un valor inicial de 65, la mediana fue de 45. Esto muestra que el juicio final se sesga hacia el valor inicial, aunque sea aleatorio Tversky y Kahneman pidieron a un grupo de estudiantes estimar en 5 segundos: Grupo 1: 8x7x6x5x4x3x2x1.

La mediana de esta estimación fue de 2.250. Grupo 2: 1x2x3x4x5x6x7x8. La mediana de esta estimación fue de 512 En este experimento, el valor real del producto es 40.320, pero los participantes solo tienen acceso a un cómputo parcial inicial (los primeros números que multiplican). Este cálculo parcial funciona como ancla: su presencia dirige la estimación final hacia ese valor inicial. El proceso ocurre en dos pasos: 1. Fase comparativa: se genera una estimación preliminar de la cantidad sin considerar plenamente el ancla, solo para ver si el valor inicial es demasiado alto o bajo. 2. Fase de juicio absoluto: se ajusta esa estimación preliminar hacia el valor que parece más razonable.

El problema es que este ajuste es insuficiente, porque la estimación final queda demasiado cercana al valor del ancla, lejos del resultado real. En otras palabras, el ancla "tira" de la respuesta, y aunque se intente corregir, el juicio final sigue sesgado hacia ese valor inicial. Si te piden adivinar el número total de caramelos en un frasco y primero te muestran un número aleatorio (por ejemplo 50), aunque intentes ajustarlo hacia la cantidad real (digamos 200), tu estimación final tenderá a quedarse cerca de 50, no de 200. Esto es el efecto del anclaje con ajuste insuficiente.

En el estudio de Jacowitz y Kahneman os investigadores querían analizar cómo los valores iniciales (anclas) influyen en los juicios cuantitativos. Para ello, usaron estimaciones previas de 15 problemas hechas por otro grupo de personas que no participó en el experimento principal: estimar la altura del Everest, la distancia entre San Francisco y Nueva York, o el número de profesoras en la Universidad de Berkeley. A partir de estas estimaciones previas, seleccionaron los valores correspondientes al percentil 15 (ancla baja) y al percentil 85 (ancla alta) para usarlos.

Los resultados mostraron un efecto asimétrico: los anclajes altos tenían más influencia que los bajos: 27 % de los participantes con anclajes altos hicieron estimaciones superiores al percentil 85 14 % de los participantes con anclas bajas hicieron estimaciones por debajo del percentil 15 Esto se debe a que el límite inferior de las estimaciones es 0, mientras que no hay límite superior, por lo que los anclajes altos tienden a desplazar más la estimación final hacia arriba. Además, el sesgo no ocurre solo cuando se "ajusta" la estimación desde el valor inicial. El ancla puede afectar la creencia inicial del participante desde el momento de la comparación, antes de dar el juicio final.

En otras palabras, el efecto del anclaje comienza antes de calcular la respuesta absoluta, sesgando la estimación desde el principio y no solo durante el ajuste final. Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 14 de 30 Jacowitz y Kahneman concluyen enumerando tres posibles causas del anclaje en tareas de juicio cuantitativo, que no deben considerarse mutuamente excluyentes.

El ancla puede considerarse: Un punto de partida para el ajuste Un indicio conversacional, debido a la saliencia que le confiere la autoridad académica del experimentador. Una sugerencia o prime. Investigación posterior a Jacowitz y Kahneman, sugiere que el anclaje ocurre sobre todo en la fase de recuperación de información: el ancla funciona como una sugerencia que guía qué recuerdos o conocimientos vienen a la mente. Además, el efecto solo aparece si hay compatibilidad entre el ancla (valor inicial) y el juicio que se pide (respuesta final). Por ejemplo, deben estar en la misma escala o tipo de medida.

Si el ancla no es comparable con la respuesta (otra escala o formato), el efecto de anclaje desaparece o se reduce mucho. El trabajo de Strack y Mussweiler muestra que el anclaje solo aparece si el ancla y el juicio se expresan en la misma dimensión (por ejemplo, altura con altura, no altura con anchura) A los participantes se les formularon dos preguntas. Juicio comparativo considerando valor del ancla "mayor o menor que" Juicio absoluto. Se utilizaron cuatro condiciones 2 x 2 (compatibilidad o no de la dimensión del ancla con la dimensión del juicio; y valor del ancla alto frente a bajo).

La interacción reveló que el efecto de anclaje solo fue significativo cuando las dimensiones fueron iguales solo cuando el valor del ancla fue elevado. El hecho de que el efecto de anclaje disminuya de forma significativa cuando la dimensión del juicio difiere de la del ancla, no puede explicarse por el priming numérico que proporciona el ancla. Sugieren los resultados que la fuerza del efecto depende de la medida en que la información es activada por el ancla también se percibe como aplicable al juicio absoluto. Strack y Mussweiler realizaron otro experimento para comprobar si el anclaje se debe al priming semántico (activar ideas relacionadas) y no simplemente al número del ancla.

Diseñaron cuatro condiciones combinando: - Plausibilidad del ancla: plausible / no plausible - Nivel del ancla: alto / bajo Utilizaron cuatro condiciones experimentales: - Ancla alta plausible - Ancla baja plausible - Ancla alta no plausible - Ancla baja no plausible Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6.

Razonamiento probabilístico Página 15 de 30 Como variables dependientes, Strack y Mussweiler, midieron dos cosas en su experimento: - Respuesta dada por los participantes - Latencia: tiempo que tardaban en responder en dos tipos de juicio o Juicio comparativo: decidir si el valor real es mayor o menor que el ancla o Juicio absoluto: dar una estimación concreta Encontraron que: Si el ancla era plausible, las personas tardaban más en el juicio comparativo (decidir si el valor es mayor o menor que el ancla), pero tardaban menos en el juicio absoluto (dar una cifra concreta).

Esto ocurre porque, cuando el ancla parece razonable, los participantes buscan información en su memoria para compararla con el ancla. Ese proceso requiere tiempo. Esa información que han activado queda disponible, por lo que cuando después deben dar una estimación responden más rápido. Aparece relación inversa entre los tiempos: Más tiempo en comparación menos tiempo en estimación. Esta relación solo aparece con anclas plausibles. Con anclas no plausibles, las personas no usan realmente el ancla para buscar información, por lo que los tiempos de ambas tareas no están relacionados. Chapman y Johnson proponen un modelo alternativo para explicar el sesgo de anclaje.

El anclaje ocurre por la accesibilidad selectiva (cuando las personas recuperan información de la memoria para dar una respuesta). Su funcionamiento es: - El ancla hace que en la memoria se activen datos o características que se parecen al ancla - Esa información se vuelve más accesible y se utiliza más al hacer el juicio - En cambio, la información que contradice o se diferencia del ancla se activa menos Como consecuencia, la respuesta final queda sesgada hacia el ancla, porque la persona utiliza sobre todo la información que coincide con ella. Si preguntan "¿La temperatura media de una ciudad es más o menos de 30 °C?" (ancla).

La persona tiende a recordar ejemplos de días calurosos y menos los fríos. Cuando luego estima la temperatura media, su respuesta se acerca al ancla. El sesgo aparece porque el ancla activa de forma desigual la información en la memoria (priming asimétrico). Si una persona que ha vivido siempre en Gijón se traslada a Madrid y tiene que valorar la calidad de la sanidad madrileña, puede usar como referencia su experiencia previa con el sistema sanitario asturiano (SESPA). En este caso, el ancla puede resultar útil, ya que permite hacer una valoración rápida con poco esfuerzo cognitivo.

Sin embargo, si la comparación se realiza con una clínica privada muy prestigiosa como el Hospital Ruber Internacional y la persona se centra principalmente en los rasgos comunes (ambos son servicios sanitarios) ignorando las Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 16 de 30 diferencias importantes (sanidad pública frente a privada), la estimación puede resultar sesgada y excesivamente elevada.

Según este modelo, el error no se debe tanto a un ajuste insuficiente desde el ancla, sino a que se ponderan demasiado los rasgos compartidos y se ignoran los discrepantes, siguiendo una tendencia confirmatoria. Para comprobar esta idea, Chapman y Johnson realizaron un experimento en el que pidieron a estudiantes que predijeran la probabilidad de que el candidato republicano ganara las elecciones presidenciales en Estados Unidos. 1. Los participantes escribían los dos últimos dígitos de su número de la seguridad social y debían considerarlo como una probabilidad, que funcionaba como valor de anclaje. 2.

Se les pedía que pensaran en la probabilidad de victoria del candidato republicano y compararan mentalmente su respuesta con el número apuntado. Esta primera estimación de probabilidad no se registraba, porque se consideraban los dígitos como valor de anclaje. Las probabilidades de anclaje fluctuaron de 0 a 99% con una media de 48% y una mediana de 51%. 3. Asignar a los sujetos aleatoriamente a una de tres condiciones experimentales: 1. A favor: escribir razón por la que el republicano debía ganar. 2. En contra: escribir razón por la que el republicano no debería ganar. 3. Neutral: no se les pidió escribir. 4.

Se les pide una segunda estimación por escrito de que el candidato republicano ganara las elecciones. Se establecieron tres categorías de participantes: 1. SIMILAR: los de razón a favor con valores de anclaje SUPERIOR al 50% y aquellos en contra con anclaje INFERIOR al 50% 2. DIFERENTE: los de razón a favor con anclaje INFERIOR al 50% y aquellos en contra con anclaje SUPERIOR al 50% 3. NEUTRAL: los del grupo neutral.

Los resultados confirmaron la hipótesis de partida demostrando que el efecto de anclaje fue significativo sólo para las condiciones "similar" y "neutra", y el sesgo de anclaje puede reducirse o eliminarse propiciando que los participantes identifiquen razones discrepantes con el valor del ancla. Epley y Gilovich plantearon que el proceso que produce el anclaje cambia según el origen del ancla. SI el ancla la da el experimentados o una fuente externa: el efecto no suele implicar un proceso consciente de ajuste Si el ancla la genera el propio participante: la persona tiende a usarla como punto de partida y después ajusta su respuesta a partir de ese valor.

Para poner a prueba esta hipótesis, los autores compararon dos condiciones experimentales: - El participante genera el ancla - El experimentador proporciona el ancla. Las respuestas fueron grabadas, transcritas y evaluadas por dos jueces, quienes analizaron sin el participante mencionaba el ancla, si la usaba como base de su respuesta y/o si ajustaba su estimación a partir de ella. El acuerdo entre jueces fue muy alto (0.94): consideraron que había anclaje y ajuste cuando el participante hablaba del ancla y del proceso de modificarla para llegar a la respuesta final. Los participantes usaban más el proceso de ajuste cuando el ancla la habían generado ellos mismos.

Cuando el ancla era dada por el experimentador, se utilizaba menos ese mecanismo. Ancla externa: te preguntan si el Everest mide más o menos de 9.000 m. Ese número influye, pero normalmente no ajustas conscientemente desde él. Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 17 de 30 Ancla autogenerada: si te preguntan cuánto mide el Everest, quizá piensas primero "unos 10.000 m" y luego corriges a 8.800 m. Aquí sí hay ajuste desde el valor inicial.

Epley y Gilovich en línea con Jacowitz y Kahneman señalan que el anclaje no depende de un solo factor. Puede variar según: Magnitud del ancla (alta o baja) Compatibilidad entre la escala o dimensión del ancla y el juicio Plausibilidad del ancla (si parece razonable o no) El origen del ancla (si la genera la persona o la proporciona otra fuente) TEORÍA DEL APOYO El principio de extensión en la teoría de la probabilidad dice que, si un suceso B forma parte de A, la probabilidad de B no puede ser mayor que la de A, porque incluye más casos posibles.

Un caso especial es la regla de conjunción, que establece que la probabilidad de A y B no puede ser superior ni a la probabilidad de A o de B por separado, porque contiene a ambos elementos Tversky y Kahneman mostraron que, cuando las personas usan heurísticos, a menudo violan esta regla. Un ejemplo es el problema de Linda, donde muchas personas creen que es más probable que Linda sea "cajera de banco y feminista" que solo "cajera de banco", aunque la primera opción es un subconjunto de la segunda.

En un estudio de 1973, estos autores a dos grupos que estimaran cuántas palabras de siete letras aparecían en varias páginas de una novela: Grupo 1: palabras que terminaban en -ing Grupo 2: palabras con n en la sexta posición ( _ _ _ _ _ n _) La mediana de la estimación para el primer grupo fue casi tres veces superior, presumiblemente porque las palabras terminadas en -ing son más fáciles de recordar, por lo que parecen más frecuente. Sin embargo, el conjunto de palabras con n en la sexta posición incluye también muchas de las que terminan en -ing por lo que debería ser más grande. Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra.

Queda permitida la impresión en su totalidad. a64b0469ff35958ef4ab887a898bd50bdfbbe91a-13423300 Tema 6. Razonamiento probabilístico Página 18 de 30 La teoría del apoyo explica cómo las personas estiman probabilidades cuando no tienen información segura. Esta teoría forma parte del estudio del juicio intuitivo, es decir, cuando usamos atajos mentales (heurísticos) para decidir si algo es más o menos probable. Uno de los fenómenos que explica es el "efecto de desempaquetado": cuando un acontecimiento se describe con más detalle, las personas creen que es más probable.

Parece que la suma de las partes es más probable que el todo "1000 personas morirán en un terremoto." "1000 personas morirán en un desastre natural." Aunque un terremoto es un tipo de desastre natural, muchas personas consideran más probable la primera porque es más concreta y detallada. Esto ocurre porque los detalles hacen que el evento sea más fácil de imaginar, y cuando algo se imagina con claridad, tendemos a pensar que es más probable. La teoría del apoyo, desarrollada por Tversky y Koehler, propone que…