TEMA 2: JUICIOS DE PROBABILIDAD,

HEURÍSTICOS Y SESGOS
1. Juicios de probabilidad
1.1. ¿Qué son los J.P.?
Algunas de las actividades importantes del pensamiento son:
• Elegir entre diferentes opciones= toma de decisiones
• Evaluar creencias (si tiene experiencia tendrá una creencia u otra).
Ej. Para decidir qué camino tomar, esta persona necesita estimar con qué probabilidad
depende de la fuerza de su creencia acerca del resultado de optar por un camino u otro.
En sentido aplicado, la probabilidad se define como la medida numérica de la fuerza de
la creencia en una cierta proposición, donde una proposición es una afirmación o
negación que puede ser verdadera o falsa, y puede referirse a información pasada, presente o
futura.
Por tanto, un JUICIO DE PROBABILIDAD es el proceso por el cual asignamos un
número o valor a una creencia, que se supone incluye una evaluación de la evidencia
disponible con respecto a esa creencia.

1.2. Tipos de errores en los J.P.

Error de coherencia
¿Cuál de las siguientes afirmaciones es más probable?
a) El señor X ha sufrido uno o más infartos cardíacos.
b) El señor X ha sufrido uno o más infartos cardíacos y tiene más de 55 años.
Se viola un principio lógico (falta de racionalidad): la probabilidad de una conjunción de
sucesos no puede ser más alta que la de cualquiera de los elementos de conjunción por
separado.

Es difícil que se den las dos a la vez

Error de correspondencia
¿Cuál de las siguientes causas es la más probable para un hombre adulto escogido al azar
entre la población española?
a) Muerte por homicidio.
b) Muerte por suicidio.

1
Aquí no se viola ningún principio lógico, sino que el error proviene por una falta de
correspondencia con el mundo real (falta de precisión): hay más suicidios que asesinatos en
hombres adultos en España.

Los medios de comunicación nos comunican más las

muertes por homicidio que suicidios. Hay falta de
correspondencia con el mundo real.

Ambos tipos de errores reflejan dos formas distintas de aproximarnos al análisis de los
juicios de probabilidad o de la evaluación de creencias:
- Estudio de la coherencia: mide las relaciones estructurales (ej. conjunción) entre los
distintos juicios o creencias y, por tanto, se basa en modelos formales de evaluación tales
como la lógica, las matemáticas y la teoría de la probabilidad.
• No somos muy buenos estableciendo juicios sobre la relación lógica de varios eventos
bajo circunstancias de incertidumbre.
• Predomina en el estudio de los heurísticos o sesgos cognitivos.
-Estudio de la correspondencia: se centra en el ajuste o calibración entre los juicios o
creencias y el ambiente externo (mundo real).
• Somos bastante buenos a la hora de medir la relación entre nuestros juicios y el
mundo que nos rodea.
• Predomina en el estudio de juicios predictivos o causales.

1.3. ¿Cómo implementamos los J.P.?

Existen dos tipos de modelos para explicar los juicios de probabilidad:
Modelos normativos:
Explican cómo deberíamos pensar. Proponen estándares o normas que definen la forma
más efectiva de estimar la frecuencia o probabilidad de tomar una decisión. Son modelos
formales tales como teoría de la probabilidad, estadística, lógica, etc. (punto 2 del tema)
Modelos descriptivos:
Explican cómo pensamos realmente (no necesariamente como deberíamos hacerlo). Estos
modelos proponen que las personas utilizamos heurísticos o “atajos mentales” en lugar de
considerar y procesar información sobre frecuencias o probabilidades (punto 3 del tema).

2. Modelos normativos de probabilidad

Modelos normativos:
Explican cómo deberíamos pensar. Proponen estándares o normas que definen la forma más
efectiva de estimar la frecuencia o probabilidad de tomar una decisión. Son modelos
formales tales como teoría de la probabilidad, estadística, lógica, etc.

2
 • La mayoría (75%) dice que es el programa A porque la clase contiene más chicos
(juzgamos en base a la creencia que tenemos sobre características compartidas).
• Otros dicen cualquiera de los programas porque 55% está entre 65 y 45%. Aunque se
basa en una relación cuantitativa, tampoco es la respuesta correcta.
• Respuesta correcta= programa B, porque es más probable que varíe el número de chicos
con una p=.45 (B) que con una p=.65 (A). Por lo que será más probable que una clase en
el programa B tenga 55% chicos.
Conclusión: no pienses que eres más inteligentes que las matemáticas, para llegar a la
solución del problema hay que hacer un análisis matemático de tal forma que la solución
fiable. Si vas a hacer una predicción estadística, utiliza la estadística y no tu razonamiento
porque lo más probable es que te equivoques.
Otro ejemplo:
La probabilidad de padecer un cáncer cuando se detecta un bulto en el pecho de la paciente es
de 1 entre 1000. Se realiza una mamografía que resulta positiva.

Después de conocer el resultado de la prueba y los datos referentes a la misma, ¿cuál es la

probabilidad de que la paciente tenga cáncer?

2.1. Teorema de Bayes

Modelo normativo que mantiene la coherencia de un sistema de creencias a la vez que
considera nueva evidencia disponible del mundo real para obtener juicios bien calibrados
(correspondencia).
• Cuánto debo ajustar mi creencia inicial sobre una determinada hipótesis (H), teniendo
en cuenta la nueva evidencia (E).

3
 Para estimar el ajuste del teorema de Bayes debemos considerar:
(i) Probabilidad de que se dé la evidencia si mi hipótesis inicial es correcta (ej.
La paciente tiene cáncer y la mamografía es positiva debido al cáncer=acierto).
P(E/H)*p(H)

(ii) Probabilidad de que se dé la evidencia aunque mi hipótesis inicial sea

incorrecta, es decir, que sea correcta una hipótesis alternativa (o no H; ej. Mi paciente
no tiene cáncer, pero la mamografía es positiva= falsa alarma).
P(E/noH)*p(noH)

(iii) Calcular (calibrar, ajustar, actualizar) la proporción en la que la evidencia

apoya mi hipótesis inicial (i) teniendo en cuenta todas las opciones posibles (i
+ii).
P(H/E)

• Antes de considerar la nueva evidencia, la probabilidad de que la paciente:

o Padezca cáncer [p(H) o probabilidad anterior] es 1/1000 =0,001
o No padezca cáncer [p(noH)] es 999/1000 =0,999
• La probabilidad de tener un resultado positivo en la mamografía [p(E) o nueva
evidencia]:
o Padeciendo cáncer [p(E/H) o acierto] es 99/100= 0,99
o Sin padecer el cáncer [p(E/noH) o falsa alarma] es 5/100=0,05
• Por tanto, la probabilidad de que la nueva evidencia confirme la hipótesis inicial
[p(H/E) o ajuste] es de ≈ 0,02 (o.2% frente al 0.1% inicial).

4
 o Es decir, la probabilidad es 20 veces mayor a la creencia inicial, aunque muy
lejos de los juicios de probabilidad que suelen emitir los participantes.
Posibles sesgos

1. Falacia de inversión: centrarse sólo en la probabilidad de que la nueva evidencia

respalde la hipótesis inicial (“aciertos”) o p(E/H) =99%, sin tener en cuenta todo lo demás (ej.
La mamografía es positiva y la paciente tiene cáncer).
→También se da en los juicios expertos.
2. Falacia de la tasa base: se ignora la probabilidad anterior o p(H) que existía antes de
ver la nueva videncia (ej. No se tiene en cuenta la prob. De padecer cáncer habiéndose
encontrado un bulto en el pecho), lo que da una p= 95%.
3. Falacia de la tasa de falsos positivos: al confirmar la nueva evidencia, se ignora la
probabilidad de que la hipótesis inicial pueda ser incorrecta o p(E/noH) (ej. La
mamografía es positiva y no se piensa en que la paciente puede NO tener cáncer), lo que da
una p=990%.
Todas estas formas de error llevan a sobrestimar el riesgo (o éxito) del resultado.
Frecuencias naturales
Gigerenzer (1994) surgió que la dificultad en la resolución de problemas referidos al teorema
de Bayes desaparece cuando las preguntas se plantean en términos de frecuencias
naturales en vez de computar las probabilidades condicionales, lo cual nos puede
ayudar a tomar mejores decisiones.

3. Modelos descriptivos de probabilidad

Modelos descriptivos: Explican cómo pensamos realmente (no necesariamente como
deberíamos hacerlo). Estos modelos proponen que las personas utilizamos heurísticos o
“atajos mentales” en lugar de considerar y procesar información sobre frecuencias o
probabilidades.

3.1. Heurísticos

5
Cuando debemos tomar una decisión complicada o emitir un juicio en situaciones difíciles, a
menudo simplificamos la tarea utilizando reglas generales que nos facilitan una solución
aproximada a la sugerida por los modelos normativos, de forma bastante automática. Esta
solución se conoce como heurístico.
Los heurísticos se han estudiado desde diferentes aproximaciones:
• Algunas perspectivas consideran que son productos del procesamiento Tipo 1(sistema
automático), por lo que los asocian a sesgos o ilusiones cognitivas.
• Otras consideran que son herramientas seleccionadas evolutivamente para dar
respuestas adecuadas en contextos de incertidumbre (donde no disponemos de toda la
información, tiempo o capacidades computacionales requeridas para manejar la
información de la que disponemos)
Ante una pregunta difícil como:
De un depósito lleno de agua se saca la tercera parte del contenido, después la mitad del resto
y aún quedan 1200 litros de agua. ¿Qué capacidad tiene el depósito?
Aunque se puede resolver con fracciones o con una ecuación resulta mucho más fácil
haciendo una figura que al dividirla en partes se obtiene la solución con una simple
operación mental.
Se resuelve la pregunta de forma más sencilla utilizando atributos relacionados
(Utilizamos el área del depósito en vez del volumen), para aplicar la respuesta “sencilla” a la
pregunta original.
Si los atributos sustitutos o heurísticos no son un buen análogo, el juicio intuitivo se
desviará del normativo, causando sesgos.
1. Cuando el atributo target no está disponible o es menos accesible (ej. Debemos calcular la
probabilidad), se crea una situación compleja donde se requiere un juicio controlado.
2. Esto activa un atributo sustituto, que dependiendo de las características que comparta
con el atributo target (ej. Semejanza, acceso, etc.) generará un tipo de heurístico u otro (ej.
Representatividad, disponibilidad, etc.)
3. Por último, se lleva a cabo un juicio intuitivo basado en el atributo sustituto, gracias a la
simplificación del problema.

Dicha simplificación o atajo se produce porque:

1. El atributo target comparte cierta relación con el tributo sustituto.

6
2. Se da una “evaluación natural” → proceso cognitivo relativamente automático y usado
de forma rutinaria.
Existen 3 tipos de heurísticos:
• Representatividad
• Disponibilidad
• Ajuste y anclaje

3.1.1. Heurístico de representatividad

El grado en que una cosa recuera es prototípica, o se parece a otra (características
similares).
Por ej. Si pensásemos que un médico tiene que ser “hombre mayor blanco”, estaríamos
aplicando el heurístico de representatividad.
A menudo juzgamos las probabilidades “por el grado en que A es representativo de B esto es,
por el grado en que A recuerda a B”.
El atributo sustituto se basa en la semejanza o el grado de representatividad.

Un grupo de psicólogos ha entrevistado a una muestra de 70 ingenieros y 30 abogados

resumiendo sus impresiones en descripciones concisas. Aquí un ejemplo:
Divorciado dos veces, Frank pasa la mayor parte de su tiempo libre deambulando por os
bares. Sus conversaciones se centran a menudo en el arrepentimiento de haber tratado de
seguir los pasos de su estimado padre. Las largas horas gastadas en un duro trabajo
académico habrían sido mejor invertidas en aprender a ser menos litigioso con los demás.
¿Creéis que Frank es ingeniero o abogado?
¿Cuál es la probabilidad de que una persona escogida al azar de esas 100 sea
abogado? ¿E ingeniero?
Más del 80% evaluó como más probable “abogado”.
• Los estudiantes no tuvieron en cuenta la probabilidad real (% de abogados e
ingenieros), sino que basaron su juicio en cómo las descripciones eran representativas
de la profesión (tipo 1).
Falacia de la conjunción
Linda es una mujer de 31 años, soltera, abierta, muy habladora y realmente brillante. Se
doctoró en Filosofía. En su época de estudiante estaba muy concienciada sobre todo lo relativo
a la discriminación y la justicia social; también participó abiertamente en manifestaciones
antinucleares.

7
A medida que los detalles específicos sobre una persona (o suceso) aumentan (mayor
conjunción), también aumenta su representatividad, y aparente verosimilitud
(haciéndoles parecer más probables), a pesar de que su prob. De ocurrencia disminuye
drásticamente.
Problemas con el tamaño de la muestra
Una población tiene dos hospitales: uno grande y otro pequeño, donde el nº
de bebés por día varía. Alrededor del 50% de los bebés son niños, pero este
% varía de día en día (unas veces es superior y otras inferior). En 1 año,
cada hospital registra los días en los que más del 60% de los bebés son
niños. ¿Qué hospital crees que registró más días como estos?

Teoría del muestreo: Los sucesos extremos (alto o bajos) tienden a

ocurrir con mayor probabilidad en muestras grandes (una muestra grande es menos
probable que se aleje del 50%).
• Ley de los pequeños números: creencia excesiva en la representatividad de los
resultados de ciertas muestras (ej. pequeñas) que no atienden los principios del
muestreo, sobreestimado la validez de sus resultados.
Problemas con la aleatorización (o azar)
Imaginada que lanzamos una moneda 7 veces para obtener cara (C) o cruz (R). Ahora
escribid una secuencia aleatoria posible.
• A menudo la gente hace que la secuencia parezca más aleatoria de lo que sería
realmente (ej. C-R-C-R-R-C), omitiendo cadenas de tiradas donde aparezcan caras
o cruces repetidas de forma consecutiva (ej. C-R-C-C-C-C).
Imaginad ahora que lanzáis una moneda 3 veces y salen 3 caras. Si tuvierais que apostar
en la próxima tirada, ¿qué lado elegiríais?
• Falacia del jugador: creencia errónea en que los sucesos pasados afectan a los
futuros en un contexto puramente aleatorio.

8
 Falacia de la tasa base
Steve es muy tímido y retraído, siempre servicial, pero poco intersesado por la gente o por
el mundo real. De carácter disciplinado y metódico, necesita ordenarlo y organizarlo todo, y
tiene obsesión por el detalle.

Las personas ignoramos la tasa de ocurrencia real (hay más agricultores que
bibliotecarios en el mundo) y confiamos principalmente en la semejanza.

3.1.2. Heurístico de disponibilidad

Se evalúa la probabilidad de un evento por la facilidad con la que ejemplos o posibles
sucesos acuden a la mente (disponible en memoria).
Por ej. Si hemos visto o leído muchas noticias sobre accidentes aéreos, es probable que
pensemos que volar en avión no es una forma segura de viajar.
Normalmente este heurístico funciona bastante bien, ya que los eventos comunes son más
fáciles de recordar, imaginar o generar (ejemplos) que los no comunes. Sin embargo, en
ocasiones la regla da lugar a errores sistemáticos.
Algunos eventos están más disponibles que otros no porque ocurran con mayor
probabilidad, sino porque es inherentemente más fácil pensar en ellos (ej. Han tenido lugar
recientemente, tienen un valor emocional alto, son más salientes, etc.).

El heurístico de disponibilidad también produce sesgos cuando los ejemplos de un tipo de

eventos son inherentemente más difíciles que generar los de otro tipo.

9
 ¿Creéis que son más frecuentes las palabras que empiezan por “n” o las que tienen
una “n” en la tercera letra?

3.1.3. Heurístico de anclaje y ajuste

“Anclar” o fijar nuestro juicio al primer valor numérico que conocemos (pudiendo
incluso no tener relación con el atributo a estimar), y a partir de ahí ajustamos el valor
del juicio.
Ejemplo:

Es bueno dejar pasar un tiempo, y para poder mirarlo sin sesgos.

Otro ejemplo:

Funciona de ancla y puede que te sesgue a la hora de responder a la segunda pregunta.

Otro ejemplo:
estimación de
La gente

10
Otro ejemplo:

El efecto del anclaje y ajuste es persistente, extremadamente robusto y fuera del control
de los participantes.
Demostrado en una gran variedad de situaciones y contextos. Se ajusta de forma
insuficiente sin importar que sean juicios sobre la prob. De una guerra nuclear, el valor de
una casa, un coche, una botella de vino, etc.
Los incentivos para incrementar la exactitud de la estimación apenas funcionan: el efecto
no desaparece cuando se ofrece recompensa monetaria por la exactitud.
Tampoco desaparece con anclas descaradamente extremas (anclas absurdamente altas
funcionan tan bien como las moderadas).
Los valores del ancla parecen pasar desapercibidos e influir de forma automática, no
consciente (procesamiento Tipo 1).

11