Apndice A

El juicio bajo incertidumbre: heursticas y sesgos[*]

Amos Tversky y Daniel Kahneman
Muchas decisiones se basan en creencias relativas a la probabilidad de eventos i
nciertos, como los resultados de una eleccin, la culpabilidad de un acusado o el
futuro valor del dlar. Estas creencias suelen expresarse en enunciados como pienso
que..., las posibilidades son..., es improbable que..., etctera. Ocasionalmente, las
creencias relativas a eventos se expresan en forma numrica como posibilidades o p
robabilidades subjetivas. Qu determina estas creencias? Cmo estiman los individuos l
a probabilidad de un evento incierto o el valor de una cantidad incierta? El pre
sente artculo demuestra que los individuos confan en un nmero limitado de principio
s heursticos que reducen las tareas complejas de estimacin de probabilidades y val
ores predictivos a operaciones judicativas ms simples. Estas heursticas son, en ge
neral, bastante tiles, pero a veces conducen a errores serios y sistemticos.
La estimacin subjetiva de la probabilidad se asemeja a la estimacin subjetiva de c
antidades fsicas, como la distancia o el tamao. Estos juicios se basan todos en da
tos de validez limitada que son procesados de acuerdo con reglas heursticas. Por
ejemplo, la distancia aparente de un objeto es determinada en parte por su clari
dad. Cuanto ms ntido se ve el objeto, tanto ms cerca parece estar. Esta regla tiene
cierta validez, porque en una situacin dada, los objetos ms distantes se ven con
menos claridad que los ms prximos. Sin embargo, la confianza en esta regla conduce
a errores sistemticos en la estimacin de la distancia. Concretamente, las distanc
ias son a menudo sobrestimadas cuando la visibilidad es pobre debido a que los c
ontornos de los objetos aparecen borrosos. Asimismo, las distancias son a menudo
subestimadas cuando la visibilidad es buena debido a que los objetos aparecen nt
idos. De ese modo, la confianza en la claridad como indicadora de la distancia c
rea sesgos que son comunes. Tales sesgos se encuentran tambin en el juicio intuit
ivo de probabilidad. El presente artculo describe tres heursticas que se emplean p
ara estimar probabilidades y predecir valores. Los sesgos que estas heursticas cr
ean vienen aqu enumerados, y se discuten las implicaciones prcticas y tericas de es
tas observaciones.
REPRESENTATIVIDAD
Muchas de las cuestiones probabilsticas comnmente tratadas pertenecen a uno de los
siguientes tipos: cul es la probabilidad de que el objeto A pertenezca a la clase
B?; cul es la probabilidad de que el origen del evento A sea el proceso B?; cul es
la probabilidad de que el proceso B genere el evento A? En la respuesta a estas
preguntas suele confiarse de forma tpica en la heurstica de la representatividad,
en la cual las probabilidades son evaluadas por el grado en que A es representat
ivo de B, es decir, por el grado en que A se asemeja a B. Por ejemplo, cuando A
es altamente representativo de B, la probabilidad de que A tenga su origen en B
se juzga alta. Asimismo, si A no se asemeja a B, la probabilidad de que A tenga
su origen en B se juzga baja.
Para una ilustracin del juicio basado en la representatividad, consideremos un in
dividuo que un antiguo vecino suyo describi en estos trminos: Steve es muy tmido y r
etrado, siempre servicial, pero poco interesado por la gente o por el mundo real.
De carcter disciplinado y metdico, necesita ordenarlo y organizarlo todo, y tiene
obsesin por el detalle. Cmo estima la gente la probabilidad de que Steve tenga una
ocupacin particular de una lista de posibilidades (por ejemplo, agricultor, vende
dor, piloto de aerolnea, bibliotecario o mdico)? Cmo ordena la gente estas ocupacion
es de mayor a menor probabilidad? En la heurstica de la representatividad, la pro
babilidad de que Steve sea, por ejemplo, bibliotecario se estima por el grado en
que Steve es representativo de, o semejante a, el estereotipo del bibliotecario
. Y, en efecto, la investigacin en torno a problemas de este tipo ha demostrado q
ue la gente ordena las ocupaciones por probabilidad y similaridad exactamente de

la misma manera.[403] Esta estructura del juicio de probabilidad conduce a seri

os errores debido a que la similaridad, o representatividad, no es influida por
factores diversos que afectaran a los juicios de probabilidad.
Insensibilidad a resultados probabilsticos previos. Uno de los factores que no pr
oducen efecto alguno en la representatividad, pero que produciran un importante e
fecto en la probabilidad, es la probabilidad previamente existente, o la frecuen
cia de tasa base, de los resultados. En el caso de Steve, por ejemplo, el hecho
de que en la poblacin haya muchos ms agricultores que bibliotecarios debera contar
en una estimacin razonable de la probabilidad de que Steve sea bibliotecario ante
s que agricultor. Pero las consideraciones sobre la frecuencia de la tasa base n
o afectan a la similaridad de Steve con los estereotipos del bibliotecario y del
agricultor. La consecuencia es que si la gente evala la probabilidad por la repr
esentatividad, las probabilidades previas sern ignoradas. Esta hiptesis fue confir
mada en un experimento en el que las probabilidades previas fueron manipuladas.[
404] En l se mostraron a los sujetos breves descripciones de la personalidad de v
arios individuos supuestamente elegidos al azar de un grupo de 100 profesionales
, ingenieros y abogados. Se pidi a los sujetos que para cada descripcin estimaran
la probabilidad de que esta fuese la de un ingeniero y no la de un abogado. En u
na parte del experimento se dijo a los sujetos que el grupo del que se haban toma
do las descripciones se compona de 70 ingenieros y 30 abogados. En otra parte se
dijo a los sujetos que el grupo se compona de 30 ingenieros y 70 abogados. Las po
sibilidades de que una descripcin particular fuese la de un ingeniero, y no la de
un abogado, seran altas en la primera parte, en la que los ingenieros eran mayora
, y bajas en la segunda parte, en la que eran mayora los abogados. Concretamente,
aplicando la regla de Bayes puede demostrarse que la ratio de estas posibilidad
es sera (.7/.3)2 o 5,44 para cada descripcin. En una flagrante violacin de la regla
de Bayes, los sujetos de las dos partes emitieron esencialmente los mismos juic
ios de probabilidad. En apariencia, los sujetos evaluaron la probabilidad de que
una descripcin particular perteneciera a un ingeniero antes que a un abogado por
el grado en que esa descripcin fuera representativa de los dos estereotipos, con
escasa o nula consideracin de las probabilidades previas de las categoras.
Los sujetos utilizaron correctamente las probabilidades previas cuando no tenan n
inguna otra informacin. En ausencia de un esquema de personalidad, para las dos t
asas base de cada parte juzgaron la probabilidad de que un individuo desconocido
fuese un ingeniero en .7 y .3, respectivamente. Sin embargo, estas probabilidad
es previas fueron de hecho ignoradas cuando se introdujo una descripcin, aun sien
do esta descripcin nada informativa. Las respuestas a la siguiente descripcin ilus
tran este fenmeno:
Dick es un hombre de treinta aos. Est casado y no tiene hijos. Hombre con aptitude
s y muy motivado, es una persona muy prometedora en su campo. Sus colegas lo apr
ecian mucho.
Esta descripcin pretenda no proporcionar informacin alguna relevante para la pregun
ta de si Dick es un ingeniero o un abogado. De ese modo, la probabilidad de que
Dick fuese un ingeniero sera igual a la proporcin de ingenieros en el grupo, como
si no se hubiese dado ninguna descripcin. Sin embargo, los sujetos juzgaron la pr
obabilidad de que Dick fuese un ingeniero en .5, sin tener en cuenta que la prop
orcin declarada de ingenieros en el grupo fuese de .7 o de .3. Era evidente que l
os sujetos respondan de manera diferente cuando no se daba ninguna informacin que
cuando se daba una informacin sin valor. Cuando no se daba ninguna informacin espe
cfica, las probabilidades previas eran bien utilizadas, y cuando se daba informac
in sin valor, las probabilidades previas eran ignoradas.[405]
Insensibilidad al tamao de la muestra. Para evaluar la probabilidad de obtener un
resultado particular en una muestra tomada de una poblacin especfica, la gente ap
lica de manera habitual la heurstica de la representatividad. Esto quiere decir q
ue estima la probabilidad de un resultado de la muestra, por ejemplo, que la est

atura media en una muestra aleatoria de diez hombres sea de 1,80 metros, por la
similaridad de este resultado con el parmetro correspondiente (es decir, con la e
statura media de la poblacin masculina). La similaridad de la estadstica de una mu
estra con un parmetro de la poblacin no depende del tamao de la muestra. En consecu
encia, si las probabilidades se estiman por la representatividad, entonces la pr
obabilidad juzgada de una muestra estadstica ser esencialmente independiente del t
amao de la muestra. Y, en efecto, cuando los sujetos estimaban las distribuciones
de estatura media para muestras de diversos tamaos, producan idnticas distribucion
es. A la probabilidad, por ejemplo, de obtener una estatura media superior a 1,8
0 metros se le asignaba el mismo valor en muestras de 1.000, 100 y 10 hombres.[4
06] Adems, los sujetos no apreciaban el papel del tamao de la muestra aun si este
era subrayado en la formulacin del problema. Consideremos la siguiente pregunta:
Una poblacin tiene dos hospitales. En el hospital ms grande nacen unos 45 bebs cada
da, y en el ms pequeo unos 15 bebs cada da. Como se sabe, alrededor del 50 por cient
o de los bebs son nios. Pero el porcentaje exacto vara de da en da.
Unas veces puede ser superior al 50 por ciento y otras, inferior.
Para un perodo de 1 ao, cada hospital registra los das en los que ms del 60 por cien
to de los bebs son nios. Qu hospital cree que registr ms das como estos?
El hospital grande (21)
El hospital pequeo (21)
Los dos ms o menos lo mismo (es decir, con una diferencia del 5 por ciento entre
uno y otro) (53)
Los valores entre parntesis son el nmero de estudiantes universitarios que eligier
on cada respuesta.
La mayora de los sujetos juzgaron que la probabilidad de obtener ms del 60 por cie
nto de nios era la misma en el hospital pequeo que en el grande, presumiblemente p
orque esos eventos se describan con la misma estadstica y, por tanto, como igual d
e representativos de la poblacin general. No obstante, la teora del muestreo supon
e que el nmero esperado de das en los que ms del 60 por ciento de los recin nacidos
son nios es mucho mayor en el hospital pequeo que en el grande porque una muestra
grande es menos probable que se aleje del 50 por ciento. Es evidente que esta no
cin fundamental de la estadstica no entra en el repertorio de intuiciones de la ge
nte.
Una insensibilidad similar al tamao de la muestra se ha observado en juicios de p
robabilidad posterior, es decir, sobre la probabilidad de que una muestra haya s
ido tomada de una poblacin determinada y no de otra. Consideremos el siguiente ej
emplo:
Imagine una urna llena de bolas, de las cuales 2/3 son de un color y 1/3 de otro
distinto. Un individuo ha sacado 5 bolas de la urna, y ha encontrado que 4 son
rojas y 1 blanca. Otro individuo ha sacado 20 bolas, y ha encontrado que 12 son
rojas y 8 blancas. Cul de los dos individuos confiar ms en que la urna contenga 2/3
de bolas rojas y 1/3 de bolas blancas, y no al revs? Qu posibilidades apreciar cada
individuo?
En este problema, las posibilidades posteriores correctas son de 8 a 1 para la m
uestra de 4:1 y de 16 a 1 para la muestra de 12:8, supuestas iguales las probabi
lidades previas. Sin embargo, la mayora de la gente piensa que la primera muestra
ofrece una prueba mucho ms convincente de la hiptesis de que la urna es predomina
ntemente roja porque la proporcin de bolas rojas es mayor en la primera muestra q
ue en la segunda. Aqu de nuevo los juicios intuitivos estn dominados por la propor

cin existente en la muestra y no les afecta en absoluto el tamao de la misma, el c

ual desempea un papel crucial en la determinacin de las posibilidades reales poste
riores.[407] Adems, las estimaciones intuitivas de posibilidades posteriores son
mucho menos extremas que los valores correctos. La subestimacin del impacto de la
evidencia se ha observado repetidamente en problemas de este tipo.[408] Y se ha
etiquetado de conservadurismo.
Concepciones errneas del azar. La gente espera que una secuencia de eventos gener
ados por un proceso aleatorio represente las caractersticas esenciales de dicho p
roceso aunque la secuencia sea breve. En lanzamientos de una moneda para obtener
cara (C) o cruz (R), por ejemplo, la gente considera que la secuencia C-R-C-R-R
-C es ms probable que la secuencia C-C-C-R-R-R, que no parece aleatoria, y ms prob
able tambin la secuencia C-C-C-C-R-C, que parece indicar que la moneda no es perf
ecta.[409] As, la gente espera que las caractersticas esenciales del proceso estarn
representadas no solo globalmente en la secuencia entera, sino tambin localmente
en cada una de sus partes. Pero una secuencia localmente representativa se desva
de manera sistemtica de la posibilidad esperada: contiene demasiadas alternancia
s y muy pocas repeticiones. Otra consecuencia de la creencia en la representativ
idad local es la bien conocida falacia del jugador. Tras observar una larga secu
encia de rojos en la ruleta, por ejemplo, la mayora de la gente cree errneamente q
ue el negro tiene que salir por necesidad, presumiblemente porque la aparicin de
un negro crear una secuencia ms representativa que la aparicin de un nuevo rojo. La
posibilidad es vista por lo comn como un proceso de autocorreccin en el que una d
esviacin en una direccin induce una desviacin en la direccin opuesta que restablezca
el equilibrio. La verdad es que las desviaciones no son corregidas en el desarrol
lo de un proceso aleatorio, sino meramente diluidas.
Las concepciones errneas del azar no aparecen solo en sujetos ingenuos. Un estudi
o sobre las intuiciones estadsticas de psiclogos expertos investigadores[410] reve
l una creencia persistente en lo que podra llamarse ley de los pequeos nmeros, por la
cual incluso muestras pequeas son altamente representativas de las poblaciones de
las que han sido tomadas. Las respuestas de estos investigadores reflejaban la
expectativa de que una hiptesis vlida sobre una poblacin viniese representada por u
n resultado estadsticamente significativo en una muestra sin apenas considerar su
tamao. Como consecuencia, los investigadores mostraron una fe excesiva en los re
sultados de muestras pequeas y sobrestimaron en mucho la replicabilidad de dichos
resultados. En la prctica real de la investigacin, este sesgo conduce a la selecc
in de muestras de tamao inadecuado y a la sobreinterpretacin de los resultados.
Insensibilidad a la previsibilidad. A veces se pide a la gente que haga predicci
ones numricas sobre, por ejemplo, el valor futuro de unas acciones, la demanda de
un producto o el resultado de un partido de ftbol. Tales predicciones se hacen m
uchas veces desde la representatividad. Supongamos, por ejemplo, que nos dan una
descripcin de una compaa y se nos pide predecir sus beneficios. Si la descripcin de
la compaa es muy favorable, los altos beneficios parecern ms representativos de dic
ha descripcin; si la descripcin nos muestra una compaa cuya gestin es mediocre, los r
esultados mediocres parecern ms representativos. El grado en que la descripcin sea
favorable no resulta afectado por la confianza que la descripcin merezca o por el
grado en que permita una prediccin acertada. Por eso, si la gente hace prediccio
nes nicamente sobre la base de los trminos favorables de la descripcin, sus predicc
iones sern insensibles a la fiabilidad de la informacin y al acierto que quepa esp
erar de la prediccin.
Esta forma de juzgar vulnera la teora normativa estadstica, en la cual la extremos
idad y el rango de las predicciones son controlados por consideraciones de prede
cibilidad. Cuando la predecibilidad es cero, la misma prediccin tendra que hacerse
en todos los casos. Por ejemplo, si las descripciones de compaas no proporcionan
informacin relevante de sus beneficios, entonces el mismo valor (el del beneficio
medio) tendra que predecirse para todas las compaas. Si la predecibilidad es perfe
cta, los valores predichos correspondern a valores reales, y el rango de predicci

ones igualar al rango de resultados. En general, cuanto ms alta es la predecibilid

ad, mayor es el rango de valores predichos.
Diversos estudios de prediccin numrica han demostrado que las predicciones intuiti
vas infringen esta regla y que los sujetos prestan poca o ninguna atencin a consi
deraciones sobre predecibilidad.[411] En uno de estos estudios se presentaron a
los sujetos varios prrafos que describan cada uno la leccin prctica dada por un estu
diante de magisterio. A unos sujetos se les pidi evaluar en percentiles relativos
a una poblacin especificada la calidad de la leccin descrita en el prrafo. A otros
se les pidi predecir, tambin en percentiles, la posicin que alcanzara cada estudian
te 5 aos despus de la leccin prctica. Los juicios hechos bajo las dos condiciones fu
eron idnticos. Esto significa que la prediccin de un criterio remoto (el xito de un
profesor a los 5 aos) era idntica a la evaluacin de la informacin en que la predicc
in se basaba (la calidad de la leccin prctica). Los estudiantes que hicieron estas
predicciones eran indudablemente conscientes de la predecibilidad limitada de la
competencia docente 5 aos despus a partir de una nica leccin de prueba; sin embargo
, sus predicciones fueron tan extremas como sus evaluaciones.
La ilusin de validez. Como hemos visto, la gente a menudo hace predicciones selec
cionando el resultado (por ejemplo, una ocupacin) ms representativo del dato inici
al (por ejemplo, la descripcin de una persona). La confianza que tiene en su pred
iccin depende primordialmente del grado de representatividad (es decir, de la pla
usibilidad de la correspondencia entre el resultado seleccionado y el dato inici
al) con poca o ninguna atencin a los factores que limitan el acierto de la predic
cin. As, la gente manifiesta una gran confianza en la prediccin de que una persona
resulte ser un bibliotecario cuando se le da una descripcin de su personalidad qu
e concuerda con el estereotipo de los bibliotecarios, aunque esa descripcin sea p
arca, informal o anticuada. La confianza injustificada con que se hace una predi
ccin cuando se observa un buen ajuste entre el resultado predicho y la informacin
inicial puede denominarse ilusin de validez. Esta ilusin persiste aunque el que ju
zga sea consciente de los factores que limitan el acierto de su prediccin. Es comn
observar cmo psiclogos que realizan entrevistas de seleccin a menudo experimentan
una confianza considerable en sus predicciones aun conociendo la vasta literatur
a que demuestra que las entrevistas de seleccin son altamente falibles. La pertin
az confianza en la entrevista clnica de seleccin es, a pesar de las repetidas demo
straciones de su inadecuacin, una prueba ms del poder de este efecto.
La consistencia interna de un conjunto de datos iniciales es un determinante ese
ncial de la confianza de un individuo en predicciones basadas en estos datos. Po
r ejemplo, la gente manifiesta ms confianza en la prediccin de la nota media final
de un estudiante cuyas notas del primer ao son todas de sobresaliente que en la
prediccin de la nota media final de un estudiante en cuyas notas del primer ao fig
uran muchas matrculas de honor y notables. Los conjuntos de datos altamente consi
stentes se observan ms a menudo cuando las variables iniciales son en gran medida
redundantes o hay correlacin entre ellas. De ah que la gente tienda a tener una g
ran confianza en las predicciones basadas en variables iniciales redundantes. Si
n embargo, un resultado elemental de la estadstica de correlacin afirma que, dadas
unas variables iniciales de validez establecida, una prediccin basada en varios
de estos datos iniciales puede alcanzar un grado mayor de acierto cuando estos s
on independientes unos de otros que cuando son redundantes o estn correlacionados
. As, la redundancia entre datos iniciales hace que el acierto disminuya al tiemp
o que aumenta la confianza, y la gente a menudo confa ms en predicciones que muy p
robablemente no den en la diana.[412]
Concepciones errneas de la regresin. Supongamos que un nutrido grupo de nios ha sid
o examinado en dos versiones equivalentes de un test de aptitud. Si uno seleccio
na diez nios entre aquellos que obtuvieron los mejores resultados en una de las d
os versiones, lo normal es que encuentre sus resultados en la segunda versin algo
decepcionantes. Y, a la inversa, si uno selecciona diez nios entre aquellos que
obtuvieron los peores resultados en una versin, encontrar que sus resultados son,

de media, algo mejores en la otra versin. Ms generalmente, consideremos dos variab

les X e Y que tienen la misma distribucin. Si uno selecciona individuos cuya punt
uacin media de X se desva de la media general de X en k unidades, entonces la medi
a de sus puntuaciones de Y se desviar comnmente de la media general de Y en menos
de k unidades. Estas observaciones ilustran un fenmeno general conocido como regr
esin a la media y que document por primera vez Galton hace ms de cien aos.
A lo largo de nuestra vida encontramos muchos ejemplos de regresin a la media, co
mo la comparacin de las estaturas de padres e hijos, de la inteligencia de marido
s y mujeres o de lo que obtienen distintos individuos en exmenes consecutivos. No
obstante, la gente no es capaz de tener intuiciones correctas sobre este fenmeno
. En primer lugar, no espera la regresin en muchos contextos en los que esta term
ina producindose. En segundo lugar, cuando advierte esta regresin, a menudo invent
a para ella explicaciones causales espurias.[413] Sugerimos que el fenmeno de la
regresin es siempre elusivo porque es incompatible con la creencia de que el resu
ltado predicho ha de ser mximamente representativo del dato inicial, de ah que, en
el resultado, el valor de la variable tenga que ser tan extremo como el valor d
e la variable en el dato inicial.