Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ve con I'
habituales. En los juicios intuitivos de probabilidad se produce también ese mismo
1z prob»
tipo de sesgos. Este artículo describe tres heurlsticos que se utilizan para evaluar pro-
babilidadesy para predecir valores, enumerando lossesgosa los que esos heurísticos dades pa
conducen y discutiendo finalmente las implicaciones teóricas y aplicadas de esas pularon
observaciones. . sujetos
se había
te ingen
9.1. Hepreseniatividad la probi
condicii
Muchas de las preguntas probabilísticas que interesana la gente pertenecena una de extraído
las siguientes categorías: jCuál es la probabilidad de que el objetoA pertenezcaa la , En lao
clase Bf ¿Cuál es la probabilidad de que el hechoA tenga su origen en el, piocesD B7 '' ysetent
¿Cuál es la probabilidad de que el procesoB dé lugar al hecho A7 Para respondera dieraa
estad preguntas, la gente suele confiar en el heurfstico de la representatividad, según en laq
parte St
el. cual lás probabilidades se evalúan’ en función del grado de representatividad deA
con respectoa B, es decir, el grado en el que A se parecea B. Por ejemplo, cuando la razói
A es muy representativo de B, se considera que la probabilidad de queA tenga su ori- una fla
gen en B es alta. Por el contrario, siA no tiene semejanza con B, la probabilidad de zaban
queA tenga su origen enB se considera baja. evalusl
Con objeto de ilustrar los juicios por representatividad, supongamos que una per- genierc
sona ha sido descrita por un antiguo vecino de la siguiente forma: «Steve es muy re- con reí
scfYadoe introvertido, siempre servicial pero con poco interés por la genteo por el probat
mundo real. Con un carácter tranquilo y. cirdenado, necesita el ordeny la estructura, Lo
Muy meticuloso.» tCómo evalúa la gente la probabilidad de que Steve se dediquea ningun
una ocupaci6n determinada de las que se ofrecen en una lista (por ejemplo, agricul- deraba
tor, vendedor iloto de líneas aéreas, bibliotecarioo mtdico)? ¿Cómo ordena la gen- y 0.3i
te esas ocupa 010nes de más probablea menñs próbable? Según el lieurfstico de la re-
presentatividad, la probabilidad de que Stevé sea bibliotecario, pongamos por caso, las pri
se mide por el grado en que es representativo del —o parecido al— estereotipo de bi- a la si
no tien
bliotecario. De hecho las inYestigaciones realizadas con este tipo de problemas han
mostrado que lagente ordena las ocupaciones exactamente de la misma forma, ya sea grant
por su probabilidado por su semejanza (Kahnemany Tversky, 1973). Este enfoque descri
del juicio dy probabilidad llevaa cometer graves errores, ya que la semejanza,o re- Dick'‹
presentatividad, no se ve influida por varios factores que afectarfaiia los juicios de deber
probabilidad. cido.
Dich
el gru
', cuatlt
Insenclbili¢ada la probabilidad prevfH de loc resultados
utiliz:
Uno de los (actores que no tiene ningún efecto sotire la representatividad, pero que ignor
podifa ténat una influencia importante en la probabilidad es la probabilidad previa,
o tasa básica de frecuencia, de íos resultados. for ejemplo, en el caso de Steve, el he-
cho de que existan muchos más agricultores que bibliotecarios deberl8 tenerse en cuen- Insei
ta antes de hacer cualquier estimayión razonable, c9ssidcrando mayor la probabflided
de que Steve sea bibliot'ecario qui la probabilldad de qui i‹a a¢rfcultor. Sin embargo,
las consideraciones sobre la tasa b'ásica de frecyincia no afectana la semejanza do Sta-
°''' '. .., _ '...... . ' J' '''' ' ' ' ''':','","
. , ' /'' .'’ ’ ’ , ’;
safari
I i a
I fea
Glb nenoel
' I lldumb re.
• h eurI st/ cos.y sesgos 171
ve con losestereotipos del bibliotecarioy del agricultor. Por tanto, si la gente evalúa
la probabilidad en función de la representatividad no tendrá en cuenta las probabili-
dades previas. Esta hipótesis se pusoa prueba en un experimento en el que se mani-
pularon las probabilidades previas (Kahnemany Tveisky, 1973). Se presentarona los
sujetos breves descripciones de la personalidad de varios individuos, diciéndoles que
se había tomado al azar de un grupo compuesto por cien profesionales, concretamen-
te ingenierosy abogados. Se pidióa los sujetos que evaluasen, para cada descripción,
la probabilidad de que esa persona fuese ingeniero en vez de abogado. En una de las
condiciones experimentales, se informabaá lossujetos que el grupo delque sehabian
extraído las descripciones eataba compuesto por setenta ingenierosy treinta abogados.
Bs la otra condición, se les decia que el grupo estaba formado por treinta ingenieros
y setenta abogados. La probabilidad de que cualquier descripción concreta correspon-
dieraa un ingeniero en vez dea un abogado sería más alta en la primera condición,
en la que hay mayor número dé ingenieros, que en la segunda, en la que la mayor
parte son abogados. En concreto, aplicando la regla de Bayes, puede comprobarse que
la razón de esas probabilidades serla (0.7/0.3)2,o sea 5.44, para cada descripción. En
una flagrante violación de la regla de Bayes, los sujetos de ambas condiciones reali-
zaban práctícamente los mismos juicios de probabilidad. Aparentemente, los sujetos
evaluaban la probabilidad de que una descripción en concreto correspondierea un in-
geniero en vez dea ión abogado según el grado de representatividad de esa descripción
con respectoa ambos estereotipos, sin prestar ningunao casi ninguna atencióna las
probabilidades previas de cada categoría.
bos sujetos utilizaban correctamente las probabilidades previas cuando no tenlán
ninguna otra información. En ausencia de una descripción de la personalidad, consi-
deraban que la probabilidad de que una persona desconocida fuera ingeniero era 0.7
y 0.3 respectivamente en cada una de las condiciones do tasa básica. Sin embargo, en
cuanto se introducla una descripción, aunque no resultare en absoluto informativa,
las probabilidades previas eran ignoradas sistemáticamente. Las respuestas ofrecidas
a la siguiente descripción ilustran este fenómeno: «Dick tiene 30 años. Está casadoy
no .tíenc hijos. Es una persona de gran capacidady muy mótiVada; promete tener un
gran éxito en su profesi6n. Re muy apreciado por sus compañeros.» El objeto de esta
descripción era no proporcíonar ninguna información relevante para la pregunta de si
Dick eraingenieroo abogado. Por tanto, la probabilidad de que Oick fuese ingeniero
debería ser iguala la proporción de íngenieros en el grupo, como si no se hubiese ofre-
cido ninguna descripción. Pero los sujetos consideraron que la probabilidad de que
Dick fuese ingeniero cra 0.5, independientemente de sí la proporción de ingenieros en
el grupo era de 0.7o do 0.3. Parece claro que la gente responde de un modo diferente
cuando se ledán datos sin ningún valor. Cuando no seda ningún dato específico se
utilizan adecuadamente las probabilidades previas; cuando se dan datos sin valor, se
ignoran las probabilidades previas.
En una determinada ciudad hay. dos hospitales. En el hospital grande nacen diariamente
unos cuarentay cinco bebés, mientras que en g1 hospital pequeño nacen unos qufnce bibti al
día. Como todo el mundo aabe, pcflcttcemente el á0 por 100 di loa bebta que nacen aon nlttoa.
Pero el porcentaje exacto varla de un dfa para otro. Unas vicei puede ter superior al á0 por
100 y otras veces inferior.
Durante un aito, cada hospital registró Ión dias en que mfia del 60 por 100 de los bebts na-
cidos eran nidos. tEn qué hospital crees que sucedió esto m$s veces7 secue'
En el hospital grande (21)
B-A,
En el hospltal pequetlo (21)
Más o menos igual (esto es, menos de un5 por 100 de diferencia entre ambos) (53)
De es
prese
en ca
El número entre paréntesis indica la cantidad. de estudlántes uniYersitarios no gra-
duados qug eligieron cada respuesta.
La mayor parte de los sujetos consideraron que la probabilidad de obtener más senta
de un 60 por 100 de nifios era la misma en el hospital pequeííoy en el grande, presu- , en'la
miblemente porqüe esos hechos se describen mediante el mismo estadísticoy son por tinua
tanto igualmente representativos de la poblaci6n general. Por el contrario, la teorla : £U8h!
del muestrep sostiene que el número de días en que más del 60 por 100 de los bebés , dra
nacidos seal niílos és mucho mayor en el hospital pequeño que en el grande, ya que direc
es menos probable que una muestra grande se aleje del 50 por 1ó0. Es evidente que de rt
esta nocióó fundamental de la estadística,no forma parte del repertorio de intuiciones .; viaci
de la gente, .
Una in#ppsibilidad similar ante el tamaño de la muestra se ha observado en juicios .
sobre la probabilidad posterior, es decir, sobre la probabilidad de que una muestra
haya sido obtenida de una poblacióna otra. Y$amoi el siguiente ejemplo: :,{
Imagínese una urna llena de bolas, de las que 2/8 son de un colorr 173 de otro color. Una cen.
persona ha sacado cinco bolas de la urnay ha Comprobado que cuatro eran tojasy una blanca,
Otra persona ha sacado veinte bolas, ,doce rojest ocho blancas, ¿Cii£l de eitei dos personas
deberia estar más segura de que la eran conthni 2/? de'bolai ro)asy 1/3 di bolai blancas,y
no al contrariol tQué estimaciones d$ probabilidad,deb.ella hacer cada persona?
Bn este problema, las estimaciones correctas de probabilidad posterior son de8 a
1 para la muestra 4:1y de 16a 1 para la muestra 12:8, partiendo de las mismas pro-
babilidades previas. Sin embargo, la mayor parte de la gente cree que la primera mues-
traproporciona un apoyo mucho mts claro la kipótesii de que las bolas que hay en
la urna son mayoritariamente rojas, puesto que la proporción de bolas rojas es mayor
en laprimera muestra que on la segunda. Nuevamente, losjuicios intuitivos están do-
minados por laproporción de la muestray no ie ven afectados en lo mis mínimo por
el tamaño de lamuestra, que tiene una importancia decisiYa en la determinación de
las probabilidades reales posteriores (Kahnemany TYersky, 1972). Además, la's esti-
macaiones intuitivas de las probabilidades posteriores son bastante menos extremas
que los valores correctos. Le iubestimación del impacto de losdatos se ha observado
repetidamente en problemas de este tipo. Esta tendencia ha sido denominada
l «conservadunsmo».
.1
Concepciones errdneas del czar ,
La gente espera que una secuencia de htchoi, producida por un proceso aleatorio re-
! presentará las características esenciales de ese proceso aun cuando lasecuencia sea bre-
ve. Por ejemplo, si se lanza repetidas vecee una moneda al aire,a cara (A)o cruz (B),
la gente cree que et más probable qu¢ se produzca la secuencia A-B-A-B-B-A que la
" secuencia A-A-A-B-B-B, que no parece deberse al azar,o que la secuencia A-A-A-A-
. ', B-A, quo no representa la imparcialidad de la moneda (Kahnemany Tversky, 1972).
De esta forma, la gente espera que las características esenciales del proceso estén re-
presentadas no sólo globalmente en la secuencia completa sino también parcialmente
en cada uno de sus segmentos. Sin embargo, una secuencia parcialmente representa-
tiYa se desvfa sistemáticamente de la expectativa de azar:. contiene demasiadas alter-
nariciaiy muy pocas verles continuadas. Otra consecuencia de la creencia en la repre-
sentatividad parcial es la conocidísima falacia del jugador. Por ejemplo, tras observar
en la ruleta una larga serie de rojos, casi todo el mundo cree err6neamente quea con-
' tinuación tiene que salir un negro, posiblemente porque si se produce un negro la se-
cuencia será más representativa que si se produce un nuevo rojo. El azar suele consi-
". derarse como un proceso que se corrigea ef mismi›, en el que una desviación en una
dirección conduce necesariamentea una desviaci6n en la dirección opuesta con el fin
de restablecer el equilibrio. Hn realidad, cuando seproduce un proceso al azar las des-
viaciones no se «corrigen»: simplemente se diluyen.
Las concepciones erróneas del azar no son exclusivas de los sujetos inexpertos.
Una investigación sobre las intuiciones estadísticas de psic6logos con una amplia ex-
periencia investigadora (Tverskyy Kahneman, 1971) reveló una creencía persistente
en lo que puede denominarse «la leyde lospequeitos números», según la cual incluso
las muestras pequefías son muy representativas de las poblacionesa las que pertene-
cen. Las respuestas de tstos investigadores reflejaron la expectativa de que una hipó-
tesis válida para una población se verá representada por un resultado estadísticamente
significativo en una muestra (concediéndole muy poca atención al tamaño dé lamues-
tra). Consecuentemente, los investigadores depositan demasiada confianza en los re-
sultados de muestras pequeñasy sobrestiman en exceso la posibilidad de que esos re-
174 é'mos Tverskyy Oanie/ Ka/ineman
dcscrip
insensibilfdada la predictibilidad pende'
dencia
A veces la gente recurre al cálcúlo de predicciones numéricas, tales como el futuro pre- o ningi
cio de unas existencias, la demanda de un artlculoo el resultado de un paftido de fút-
bol. Esas predicciones suelen hacerse por'representatividad. Por ejemplo, supongamos
quea una persona le damos ladescripción de una empresay le pedimos que prediga bibliot'
sus beneficios en'el futuro. Si la descripción de la empresa es muy favorable, parecerá fianza
más representativa de esa descripción la existencia de elevados beneficios; si la des- la info
cripción es. mediocre, lo más repyescntativo parecerá un rendimiento mediocre. El gra- ' ducitn
do en el que una descripción es. faYo£áble no ie vo afectado en absoluto por la fiabi-
lidad de esa descripcióno por el grado en el que petmite una predicción exacta. En que lo!
consecuencia, si la gente predice únicamente en función de lo favorable que ser la des- ’’ muy ci
cripción, sus predicciones no tendrán en cuenta la fiabilidad de esos datos ni la exac- .' gentel
titud esperada de la predicción. "' siones
Esta forma de juzgar viola la teorla istadlstica normativa en la que la excepcio- tas clii
nalidady la amplítud de las predicciones están controladas por consideraciones de pre- mente
dictibilidad. Cuando la predictibilidad es. nula, se debería hacer en todos los casos la La
misma predicción. Por ejemplo, si las descripciones de las empresas no proporcionan mental
ninguna información relevante sobre los beneficios, debería pi'edecirse el mismo valor based
(una especie de beneficio promedio) para todas las empresas. Si la predictibilidad ei .,"' ., predice
perfecta, es obvio que los valores predictios se corresponderán con los valores reales " lftflf8S
de la Amplitud de los resultados. En general,' cuanto mayor esla predictibilidad mayor a un a
es la amplitud de los valores predichos. dos.S
Varias. investigaciones sobre,la predicción numérica han demoitrado que las pre- bles d‹
dicciones intuitivas violan está reglay que los sujetos prestan muy pocao ninguna aten- tantó,
cióna las consideraciones de predictibilidad (Kahnemany Tversky, 1973). En una de . riables
estas investigaciones, se presentaron varios párrafosa los sujetos, cada uno de los cua- dlsiica
les describla la actuación de un profesor en período de prácticas durante una lección termlr
concreta.A algunos sujetos se les pidió que evaluaran, re.spectoB una población de- ' cÍsñ ct
terminada, lo calidad de la lección descrita en cl párrafo mediante puntuaciones per- ” ' forma
Gentiles.A otros sujetos se les pidió que pred'jeran, también mediante puntuaciones mació
percentiles, la situación de cada profesor de prácticas cinco aitos después de la lección gente
descrita. jos juicios hechos en ambas condiciones eran idénticos.O sea, que la pre- ficienl
dicción de itn criterio remoto (el éxito del profesor cinco años después) era idénticaa
la evaluación de la información sobre la que sa' basaba la predicción (la calidad de la
lección descrita). Los alumnos que hicieron esta predicción eran sin duda conscientes
de la escasa predictibilidad de la cpmpctencia educativa sobre la base de una sola se- Conee
sión de prueba realizada cinco amos antes; peroa pesar de ello, sus predicciones eran
tan extremas como sus,evaluaciones., . .'
tTI8 Ot
' ' .. J; QUÉ
.'"’ i›!.‘
.. .. ... .. ' /.
. ’. : . ’’ .
La ílusldn de ía validez
’ Como hemos visto, la gente suele i'ealizar predjcciones se1ecei‹inando el resultado (por
ejemplo, un empleo).más representativo de lg información recibida (por ejemplo, la
descripción de una persona). La confianza que tiene la gente en sus predicciones ’de-
: pende esencialmente del grado de representatividad (es decir, de la clase de correspon-
dencia que exista entre el resultado seleccionadoy la información recibida), con poca
o ninguna consideración de los factores que reducen laprecisión de la predicción, Así,
la gente se muestra muy confiada en la predicción de que una persona es bibliotecário
', siempre que la descripción de su personalidad se corresponda con el estereotipo del
“ bibliotecario, aunque la descripción sea insuficiente, poco fiableo anticuada. Esta con-
fianza injustificada que se produce al cuadras perfectamente el resultado predichoy
la información recibida puede denominarse ilusi6n de validez. Esta ilusión sigue pro-
duciéndose aunque el sujeto que realisa el juicio sea consciente de la existencia de fac-
' tores que reducen la precisión de sus predicciones, Bs algo sobradamente conocido
que los psicólogos que realizan entrtvtstas de selección de personal suelen mostrarse
,. muy confiados en sus predicciones,a pesar de que conocen la existencia de una in-
: gente literatura que demuestra.que mediante las entrevistas se cometen en muchas oca-
siones errores en la selección do personal. La persistencia en la utilización de entrevis-
.. tas clfnicai pata la selección de personal,a pesar de haberse comprobado repetida-
mente su insuficiencia, viene a apoyar una Yez más la fuerza de este efecto.
La consistencia interna di una pauta de informaciones es un determinante funda-'
mental do la confianza quo una persona tiene en las predicciones que realiza sobré la
base de estas informaciones, Por ejemplo, la gente se siente mucho más segura en sus
predicciones sobre la nota media final que va a alcanzar un alumno cuando suspri-
meras calificaciones ssn todas ellas notables que cuando las predicciones se refiereri
'• a un, alumno entre cuyas calificaciones iniciales hay muchos sobresalientesy aproba-
dos. Suelen observars'e con más frecuencia pausas muy consistentes cuando las varia-
bles de la información son muy redundanteso están muy correlacionadas entre sí. Pfir
tanto, la gente suele tener gran confianza en las prediccione's que están basadas en va-
riables de información redundantes. Sin embargo, un principio elemental de la ésta-
s dfstica correlacional afirma que, dadas unas variables de ififormación de validez de-
terminada, una predicción basada en varias. de esas informaciones resultará mái pre-
' .ci8a cuando esas informaciones sean independientes 'entre sf que cuando setrate de in-
formacíón redundanteo correlacionada. En consecuencia, la redundancia en la infor-
.. mación reduce la precisión on la misma medida en que incrementa la confianzay la
gente iuelt confiar en predicciones que es muy probable que carezcan de una base su-
fícicnte (Kahnemany Tversky, 1973).
:’ Imaginémonos que estamos examinandoa un grupo numerosos de niños con dos ver-
siones equivalentes de un tgst de aptitudes. Si seleccionamos diez niiios'entre los que
mejor rendimiento han mostrado en una de las versiones, normalmente encorítrare-
,''›
17d AmosTversky.
y Daniel Kahneman
. Ajuste i'nsuficienle
Para demostrar este efecto de anclaje, se pidióa unos sujetos gire .estimasen diversas
cantidades que se les ofrecían en forma de porcentajes (por ejemplo, el porcentaje de
paises africanos en las Naciones Unidas). Para.cada cantidad, se establecía un número
entre0 y 100 haciendo girar en presencia de los sujetos una ruleta.A los sujetos se
les pedía que indicasen en primer lugar si el número ofrecido por la ruleta era superior
o inferior al valor de la cantidady luego que estimasen el val r exacto de la cantidad
po,r encimao por debajo delnúmero ofrecido por la ruleta. Para cada cantidad se die-
ron números diferentesa diversos gruposy esos números arbitrarios tuvieron un efec-
to importante sobre las estimaciones. Por ejemplo, la estimación media delporcentaje
de países africanos en las Naciones Unidas fue de 25y 45 respectivamente en dos gru-
4 Bo Amos íverskyy Oaniel Kahneman
posquehabían recibido como cantidad inicial 10y 65. Cuando sepremiaba lapreci-
sión tampoco sereducía el efecto de anclaje. ttgO•
El anclaje no se produce sólo cuando el sujeto recibe un punto de partida, sino sose’
también cuando basa su estimación en algfin cálculo incompleto. Una investigación por G:
sobre la estimación numérica intuitiva nos sirve para ilustrar este efecto. Dos grupos HO $4
de alumnos de enseñanza secundaria tuvieron que ealcular, en sólo cinco segundos, .' deur
una expresión numérica que se escribió en la pizarra. Un grupo calculó el producto de iim
, b
8x7x6x5x4x3x2x1
mentí
Park responder rápidamentea citas preguntas, los sujetos podfan ejecutar unos po- la pri
cos pasos de cálculoy estimar el resultado final pñr extrapolacióno ajuste, Como los
ajustes suelen ser insuf,icientes, este procedimiento deberia llevara subestimar el pro- la pri
ducto final. Además, puesto que el resultado de los primeros pasos de la mulÍiplica-
ción (realizados de izquierdaa derecha) es mayor en lasecuencia descendente que en
la secuencia ascendente, la primera expresión debería de considerarse superiora la se- E
gunda'. Ambas predicciones.se vieron confirmados. La estimación media para la se- cia, t.
cuencia ascendente fue 512 mientras que Ía estimación para la secuencia descendente ’ la tai
fue 2.230. La respuesta correcta es 40.32ó'... da di
mienl
dispu
9.4. Discttsión sisten
'’. ! ' - diver!
£!ste artículo se ha ocupado de lossesgos cognitivos que se producen corno resultado " babili
de la confianza en los heuristicos de juicio. Dichos sesgos no pueden atribuirsea efec- der p:
tos de motivación como las creencias desiderativaso la. distorsión de los juicios como estee
consecuencia de premioso castigos. Bn realidad, .varios’de los graves errores de juicio lidad
que se han citado anteriormente se producena pesar de que se animaraa los sujetos ampli
a ser precisos eh sus respuestas y se les recompensara cuando eran correctas.
La confianza en los heurísticosy la persistencia de los scigoa no es algo que ca•
racterice únicamentea los sujetos inexpertos. También los investigadores experimen-
tados son piopensosa esos mismos sesgos (cuando piensan de un modO intuitiYo). POr
ejemplo, lq tendenciaa predecir el resultado que mejor representaa los datos, tenien-
do escasarttcnte en cuenta la probabilidad previa, ha sido obserYada en losjuicios in-
tuitivos de personas que tienen una amplia preparación estadística. Aunque suscono-
cimientos i#tadísticos sofisticados les impidan incurrir en errores elementales, como
lafalacia óel jugador, sus juicios intuitivos están sujetosa falacias parecidas cuando
los problemas son más compIiCadosy menos Claros.
No resulta en absoluto sorprendente que se mantengan heuristicos útiles como la
representatividady la accesibilidada pesar di co»4ucira vecesa errorii de predicción
o de estimación. Lo que si puedé ser ioiprindetite!ei que la gente rea lncapai de in-
ferir de su exp¢riencia diaria prdlongada reglas eitadlsticas tan básicas como la icgrc-
itón hacia la midlao el tfocto del tamafte di lamuestra sobre la variabilidad dcl mues-
treo, Aunque todo el mundo está expuesto, en ti curio normal de su vida,a numero-
sosejemplos de 1oe que podrfart lnducirse esas .reglas, muy pocas personas descubren
por el mismas los principios del muestreoy de |‘a regresión. Los principios estadísticos
no s¢ aprenden de la eáperiencia cotidiana porque los casos relevantes no se codiflcan
de un modo apropiado. Por ejemplo, la gente no descubre que las llneas sucesivas de
un mismo texto difieren más que las páginas sucesiYas en el número medio de pala-
bras que contienen.Y no lo descubren sencillamente porque no se fijan en el número
medio de palabras que contiene cada, páginao cada llnea. De esta forma, la gente no
aprende la relaci6n entre tamatio de la muestra$ Yá£Íábilidad del muestreo, por más
que los datos para ese aprendizaje sean abundantes.
La falta de un código apropiado explica asimismo por qut la gente no suele darse
cuenta di los sosgos en sus juicios de probabilidad. Una persona p'odr1a saber fácil-
mente si aus juicios se ajustana la realidad .manteniendo un recuento exhaustivo de
la proporción de hechos que se producen efectivamente entre todos aquellosa los que
asigna la misma probabilidad. Pero no .es razonable agrupar los hechos en funci6n de
la probabilidad que se les ha asignado.Y sin ese,agrupamiento es imposible que una
persona descubra, por ejemplo, que sólo el 50 por 100 de las prediccionesa las que
ha asignado una probabilidad de 0.9o superior se producen realmente.
El análisis empirico de los sesgos cognitiYos tiene implicaciones sobre la importan-
cia, tanto te6rica como aplicada, de las probabilidades juzgadas. La teoría actual de
la toma de decisiones considera la probabilidad subjetiva como la opinibn cuantifica-
do de una persona ideal. Concretamente, la probabilidad subjetiva de un aconteci-
miento dado iedefine como el CORjtintO de apuestas que sobre ese acontecimiento está
dispuestaa aceptar una persona. Puede obtenerse una medici6n coherente,o con con-
sistencia interna, de la probabilidad subjetiva para una persona si sus elecciones entre
diversas apuestas satisfacen ciertos principios, esto es, los axiomas de la teoría. La pro-
babilidad obtenida es subjetiva en el sentido de que diversas personas pueden conce-
der probabilidades diferentes al mismo acontecimiento. La principal contribución de
este enfoque es que proporciona una interpretación subjetiva rigur9sa de la probabi-
lidad que puede aplicarsea hechos particularesy que puede situarse en el marco más
amplio de una teorfa general de la decisión racional...