Inducción, razonamiento probabilístico, heurísticos y sesgos. Un

Anuncio
Inducción, razonamiento probabilístico, heurísticos y sesgos.
Un estadístico que viajaba mucho dando conferencias tenía miedo a volar. Después de
escuchar varias noticias alarmantes sobre bombas a bordo de aviones, calculó la probabilidad
de que hubiera una bomba en un avión y se sintió tranquilizado al comprobar que era
razonablemente pequeña. Calculó después la probabilidad de que hubiera dos bombas a
bordo de un avión y encontró que era infinitesimal. Desde entonces, viaja siempre con una
bomba en su maleta.
Adaptado de Howard EVES, 1958
1. Introducción
El razonamiento inductivo consiste en obtener conclusiones generales a partir de
observaciones particulares. Por ejemplo, de la observación repetida de objetos o
acontecimientos de la misma índole se establece una conclusión para todos los
objetos o eventos de dicha naturaleza.
Premisas u observaciones:
He observado el cuervo número 1 y era de color negro.
El cuervo número 2 también era negro.
El cuervo número 3 también era negro.
Conclusión: Todos los cuervos son negros.
En este razonamiento se generaliza para todos los elementos de un conjunto la
propiedad observada en un número finito de casos. Ahora bien, la verdad de las
premisas -por ejemplo, 100.000 observaciones favorables- no convierte en
verdadera la conclusión, ya que podría haber una excepción. De ahí que la
conclusión de un razonamiento inductivo sólo pueda considerarse probable y, de
hecho, la información que obtenemos por medio de esta modalidad de razonamiento
es siempre una información incierta y discutible. El razonamiento sólo es una
síntesis incompleta de todas las premisas.
En un razonamiento inductivo válido, por tanto, es posible afirmar las premisas
y, simultáneamente, negar la conclusión sin contradecirse. Acertar en la
conclusión será una cuestión de probabilidades.
En general, los razonamientos probabilísticos se centran en la estimación de la
probabilidad de ocurrencia de un evento determinado a partir de un conocimiento
previo.
En nuestra vida cotidiana hay, además, muchas decisiones y predicciones acerca
de situaciones inciertas -«Este fin de semana ¿lloverá o no?», «¿Es más seguro
viajar en avión o en coche?», «¿Debo cambiar de trabajo?»- y, para valorarlas y
pronosticarlas, realizamos razonamientos probabilísticos, que implican
inferencias inductivas.
Los matemáticos han desarrollado diferentes teorías de la probabilidad para
establecer qué relación matemática existe entre ese conocimiento previo y la
predicción de un suceso concreto. La más influyente de estas es la que se
sustenta en el Teorema de Bayes. En tanto que lógica normativa para la
inducción, el Teorema de Bayes determina cómo deberíamos cambiar de manera
racional las creencias que tenemos a la luz de cierta evidencia nueva. Empezamos
manteniendo cierta hipótesis, que sostenemos con más o menos fuerza.
Confrontados con cierta evidencia adicional, ajustamos la fuerza de nuestra
creencia en tal hipótesis. La fórmula de Bayes (Eq.1)) nos ofrece en términos
probabilísticos la forma correcta –normativa- de realizar esa revisión.
(Eq. 1)
Donde A es nuestra hipótesis y B es la evidencia nueva. Esta fórmula nos ofrece
la probabilidad de que, disponiendo de la evidencia B, nuestra hipótesis A sea
cierta en términos de la probabilidad de que cuando la hipótesis A sea de hecho
cierta, se dé la evidencia B (descontando los casos en los que no ocurriendo la
hipótesis A se da de hecho la evidencia B).
Veamos un ejemplo. En un estudio realizado por Tversky y Kahneman (1973)
se planteó a los sujetos el siguiente problema:
“Una lluviosa noche un taxi se vió involucrado en un atropello, huyendo del escenario. En la
ciudad hay dos compañías de taxi operando: Teletaxi y Radiotaxi. Conocemos los siguientes
datos:
El 85% de los taxis son de Teletaxi y el 15% de Radiotaxi.
Un testigo identificó el taxi como de Radiotaxi. El tribunal comprobó la fiabilidad del testigo
bajo las mismas circunstancias que se dieron la noche del accidente, concluyendo que el
testigo identificaba correctamente a cada una de las compañías el 80% de las veces”.
¿Cuál es la probabilidad de que el taxi implicado en el accidente sea de Radiotaxi?
La mayoría de los sujetos dan probabilidades por encima del 50%, y muchos llegan
hasta el 80%, expresando gran seguridad en su creencia de que el taxi implicado
es de Radiotaxi.
Se puede obtener la respuesta correcta usando la fórmula de Bayes:
0’8 · 0’15
P(Radiotaxi/Testimonio) = ------------------------ = 0’41
0’8 · 0’15 + 0’2 · 0’85
La hipótesis sería “El taxi es de la compañía Radiotaxi” y la evidencia a
considerar sería el testimonio del testigo presencial. Como el testigo
identifica correctamente la compañía el 80% de las veces, en el numerador
tendremos ese valor, 0.8, por la probabilidad de que el taxi sea de la compañía
Radiotaxi, que es 0.15. De la misma forma se pueden identificar el resto de
valores que se introducen en la ecuación.
Se observa que las respuestas dadas por los sujetos no son las que cabe
esperar si se computase lo que dicta la teoría normativa. Más bien parece que
los razonamientos probabilísticos que las personas efectúan a diario son
intuitivos y no se refieren de forma consciente a ningún procedimiento de
cálculo matemático. Así, las inferencias y las predicciones que las personas
llevan a cabo y las que las leyes de la probabilidad, el Teorema de Bayes,
prescriben no siempre coinciden. Esta discrepancia ha sido estudiada por la
psicología cognitiva, en especial, por la línea de investigación denominada
«heurísticos y sesgos» y liderada por Amos Tversky y Daniel Kahneman (este
último, premio Nobel de Economía en 2002). Encuadraremos el razonamiento
probabilístico en los argumentos inductivos, siguiendo la distinción clásica
entre razonamientos deductivos e inductivos.
2. El argumento inductivo
Desde una perspectiva lógica los argumentos pueden ser deductivos o inductivos.
Los argumentos deductivos poseen la peculiaridad de que si son ciertas las
premisas la conclusión lo es también. Esta propiedad de las inferencias
deductivas se debe a que estos argumentos son no-ampliadores, no contienen en la
conclusión nada que no esté ya contenido en las premisas. La conc1usión hace
explícito un contenido que se encuentra de forma implícita en las premisas.
Dicho de otra manera, el razonamiento deductivo va de un contenido general a uno
particular. En cambio, los argumentos inductivos van de los casos particulares a
una hipótesis general. Las inferencias inductivas son ampliadoras: sus
conclusiones sí van más allá de lo que está contenido en sus premisas (Haack,
1978). Esto implica que las premisas pueden ser ciertas y que la conclusión no
necesariamente lo será, como ya hemos señalado.
Veamos el siguiente ejemplo (Sanford, 1987):
Las mujeres embarazadas ganan peso.
María está ganando peso.
Luego, María está embarazada.
Desde un punto de vista deductivo, la inferencia realizada -«María está
embarazada»- es incorrecta, pues de la afirmación de que María está ganando peso
no se sigue necesariamente que esté embarazada (se trata de una falacia de la
afirmación del consecuente).
Desde un punto de vista inductivo, la cuestión es bien diferente. Si nos
imaginamos un universo restringido comprendido por mujeres de entre 18 y 37
años, en el que las posibles causas de aumento súbito de peso son (1)estar
embarazada o (2)comer en exceso, y sus probabilidades respectivas 7/10 y 3/1 0,
entonces la fuerza inductiva de la inferencia «María está embarazada» es
bastante elevada, y su validez aceptable. Si, en cambio, el universo estuviera
formado por mujeres internadas en un geriátrico, entonces la fuerza inductiva de
la inferencia sería inaceptable.
3. Heurísticos
Kahneman y Tversky han propuesto que las personas, cuando no disponemos de
ninguna regla específica para aplicar a un problema, utilizamos «atajos»
mentales denominados «heurísticos» (ver Kahneman, Slovic y Tversky, 1982; el
artículo traducido al castellano Tversky y Kahneman, 1974; y Nisbett y Ross,
1980). Estos «atajos» podrían ser considerados reglas por omisión o meta-reglas
del típo «Cuando no sepas qué hacer, aplica un heurístico».
Los heurísticos son procedimientos rápidos y fáciles para solucionar problemas o
tomar decisiones; se activan en forma automática y requieren poco gasto de
recursos cognitivos. Los heurísticos más conocidos son los de representatividad,
disponibilidad, simulación y anclaje y ajuste.
3.1 Representatividad
Las investigaciones sobre los heurísticos han sido realizadas utilizando un
procedimiento experimental muy simple. Se les propone a los sujetos un conjunto
de problemas o historias con diferentes alternativas. En virtud de la elección
realizada por el sujeto, se analiza su ajuste a la teoría normativa de la
probabilidad (que es el Teorema de Bayes) y, en caso de que exista, se
especifican las causas posibles de la elección efectuada. Una de las tareas más
utilizadas ha sido «Linda es cajera» (Tversky y Kahneman, 1983):
«Linda es cajera
Linda tiene 31 años, está soltera, es una chica abierta y muy alegre. Se licenció en Filosofía. Cuando era
estudiante, estaba muy comprometida con la no discriminación y la justicia social, y también solía participar
en manifestaciones antinucleares.
Ordena las siguientes afirmaciones de acuerdo con su grado de probabilidad, usando el 1 para la más
probable y el 8 para la menos probable:
• Linda es una profesora de enseñanza básica.
• Linda trabaja en una librería y asiste a clases de yoga.
• Linda está asociada al movimiento feminista. (F)
• Linda trabaja en un centro de salud como psiquiatra.
• Linda es miembro del Partido Feminista.
• Linda es cajera de banco. (C)
• Linda es agente de seguros.
• Linda es cajera de banco y está asociada al movimiento feminista. (C y F)>>.
Los sujetos suelen elegir como más probable la alternativa (C y F) que la
alternativa (C). Esta elección tiene la forma:
P(A y B) > P(A),
donde P es la probabilidad y, para este caso, A sería cajera, y B gería
feminista. Este error, que se conoce como «falacia de la conjunción», es un
razonamiento intuitivo que viola algunos principios cualitativos de la teoría de
la probabilidad, en concreto la regla de la conjunción: la probabilidad de que
dos acontecimientos sucedan de forma conjunta es siempre menor que la
probabilidad de que ocurra uno solo de ellos.
También se han utilizado versiones más simples de la tarea «Linda es cajera»; en
concreto, la denominada «test transparente», que restringe las opciones
presentadas a dos:
• Linda es cajera de banco. (C)
• Linda es cajera de banco y está asociada al movimiento feminista. (C y F)
Los resultados obtenidos tampoco son muy alentadores, ya que el 85% de los
sujetos continúa creyendo más probable (C y F) que (C).
Para Tversky y Kahneman (1983), en su toma de decisiones cotidianas, las
personas no utilizan los principios formales de la probabilidad. En su lugar, al
realizar predicciones o estimaciones, emplean un razonamiento intuitivo guiado
por heurísticos.
La explicación de las respuestas de los sujetos se hace a partir del heurístico
de representatividad, según el cual éstos habrían comparado la similitud, el
parecido, entre las características citadas en la descripción de Linda y las
alternativas presentadas. De las dos alternativas presentadas, (C y F) es la que
más se parece al prototipo de feminista que puede derivarse de la descripción.
Si a los sujetos se les pregunta en qué grado se parece Linda a un miembro de
cada una de las 8 categorías, se encuentra un patrón de respuestas acorde con
esta hipótesis:
Feminista > Cajera y feminista> Cajera
En este sentido, Tversky y Kahneman (1982) definen la representatividad como la
relación entre un proceso o modelo, M, y alguna instancia o evento, X, asociado
a él. Este sencillo pero convincente constructo se ha utilizado para explicar
los juicios intuitivos de las personas sobre la probabilidad y ha tenido una
gran influencia en la comunidad científica.
El heurístico de representatividad es quizás el más importante y ha sido
aplicado a un conjunto muy amplio de fenómenos, como la desestimación de las
probabilidades previas; las concepciones erróneas de la regresión, y la Ley de
los Pequeños Números, una versión intuitiva de la Ley de los Grandes Números
(LGN), cuyo ejemplo más popular es la falacia del jugador.
A continuación, presentamos alguno de estos sesgos relacionados con el
heurístico de representatividad.
3.1.1 La falacia de la desestimación de las probabilidades previas
Estamos en una cafetería con un amigo, y nos presentan a una persona con la que
entablamos una breve conversación; tras esta interacción, obtenemos alguna
información sobre su edad, su indumentaria, su forma de expresarse, sus
preferencias etílicas, su nivel cultural etc... Esta información genera, de
forma automática, que nuestro sistema cognitivo clasifique este caso dentro de
alguna de nuestras categorías sociales o personales, juzgando su similitud con
el prototipo o miembro más típico de algún grupo de personas determinado. Como
los psicólogos sociales han señalado, este heurístico de representatividad es,
con frecuencia, útil y preciso a la hora de categorizar socialmente, pues los
miembros de un grupo no se aglutinan al azar, sino en virtud de atributos,
características e intereses compartidos.
No obstante esta actividad produce excesos en el proceso de clasificación, como
los estereotipos y el racismo. Estos excesos vienen provocados, en parte, por lo
que se conoce como la «desestimación de las probabilidades previas».
Las probabilidades previas hacen referencia a la frecuencia con la que algún
patrón ocurre en la población general y son una pieza clave en la toma de
decisiones normativa, como plantea el teorema de Bayes. Éste determina que una
inferencia adecuada a partir de una evidencia falíble debe combinar esta
evidencia con la información previa relevante, como, en algunos casos, las
probabilidades previas. En el campo de la inferencia social, los resultados
muestran que las personas a veces no son demasiado prudentes al integrar sus
conocimientos previos con la información diagnóstica que se les presenta, de
manera que en cuanto disponen de una nueva información diagnóstica, ignoran las
probabilidades previas al respecto, incluso cuando éstas hacen referencia a sus
propias creencias sobre los estereotipos (Fischhoff y Bar-Hillel, 1984; Kahneman
y Tversky, 1973; Tversky y Kahneman, 1982).
Un experimento de Kahneman y Tversky (1973) muestra la extensión de dicho
fenómeno. En este trabajo se le pedía a un grupo de sujetos (grupo probabilidadprevia) que supusiera el porcentaje de alumnos que estaría cursando alguno de
los nueve campos de especialización que se ofrecían: Medicina, Ingeniería,
Humanidades, Educación, Derecho, etc. A un segundo grupo (grupo de similitud),
se le presentaba la siguiente descripción:
«Tom es muy inteligente, aunque carece de creatividad. Necesita organización y claridad, y sistemas
ordenados y nítidos en los que cada detalle encuentre su lugar apropiado. Escribe de forma lenta y mecánica,
aunque ocasionalmente se anima con algún juego banal y con destellos de imaginación tipo ciencia-ficción. Es
muy competitivo. Parece tener pocos sentimientos y simpatía por otras personas, y no se divierte
interaccionando con los demás. Aunque egocéntrico, tiene un profundo sentido moral».
A continuación, se le pedía al grupo que ordenara las nueve carreras desde el
punto de vista de lo parecido que Tom era con respecto al estudiante prototípico
de cada una de ellas (1 = muy similar).
Por último, a un tercer grupo (grupo predicción), se le daba la descripción de
Tom con la información adicional de que dicho perfil había sido elaborado por un
psicólogo a partir de un test proyectivo. y se le invitaba a que predijera en
qué carrera de las nueve presentadas se había especializado Tom.
Los resultados muestran una correlación positiva muy elevada (,97) entre los
juicios de similitud (grupo 2) y los predictivos (grupo 3) y una correlación
negativa (-0,63) de los juicios de similitud con los del probabilidad-previa
(grupo 1). Más del 95% de los sujetos estimó como más probable que Tom hubiera
estudiado Ingeniería o Informática que Humanidades o Educación, a pesar de que
había muchos más estudiantes de Humanidades que de Informática en la universidad
(la proporción era de 3 al).
Kahneman y Tversky postulan que, desde el punto de vista estadístico, los
sujetos tendrían que haber sopesado tres tipos de datos a la hora de realizar
sus predicciones: a) las probabilidades previas; en este caso, el número de
alumnos en cada disciplina; b) la evidencia específica respecto al caso
individual, esto es, la descripción psicológica de Tom, y c) la precisión
esperada de la predicción.
En este caso, las probabilidades previas eran elevadas, y la validez de la
información específica (diagnóstica), baja, dada la escasa fiabilidad de los
test proyectivos. Pero, como señalan ellos, los sujetos se guiaron sólo, y
exclusivamente, por el parecido, la similitud entre la descripción de Tom y el
prototipo del estudiante de Informática.
El problema de los ingenieros y los abogados resalta aún más, si cabe, este
efecto:
«Imagínate que has sido invitado a una fiesta en la que hay ingenieros y abogados; en concreto, 70
ingenieros y 30 abogados. El anfitrión, para probar tu intuición y ojo clínico, te propone que aciertes la
profesión de dos personas que están en la fiesta a partir de una breve descripción:
• Ramiro: Minucioso y preciso. Se le dan bien el dibujo y el cálculo. En el instituto, destacaba en
Matemáticas.
• Guillermo: Comunicativo y expresivo. Muy elocuente, sabe ganarse a las personas. En el instituto,
destacaba en Latín e Historia».
Si la intuición del lector coincide con la de la mayoría de las personas, habrá
pensado que Ramiro es ingeniero, y Guillermo, abogado. Lo más sorprendente
radica en que, si presentamos el mismo problema con la composición invertida -es
decir, 70 abogados y 30 ingenieros-, los juicios que establecen las personas
siguen siendo los mismos. En resumen, las personas no tienen en cuenta las
probabilidades previas que se ofrecen explícitamente en el problema y prefieren
dejarse llevar por los juicios de tipicidad o similitud.
Sin perjuicio de lo destacado, el fenómeno de la desestimación de las
probabilidades previas es más general, ya que ocurre en juicios que no pueden
ser interpretados totalmente por el heurístico de representatividad, como el del
test diagnóstico.
Test diagnóstico.
«Uno de cada 1.000 españoles tiene la enfermedad X. Se ha desarrollado una prueba que detecta la
presencia de esa enfermedad. Cada vez que se efectúa en una persona enferma, la prueba da positivo. Sin
embargo, en ocasiones, la prueba también da positivo cuando se administra a una persona totalmente sana.
Concretamente, de cada 1.000 personas que están completamente sanas, 50 dan positivo en la prueba.
Imagina que hemos reunido una muestra aleatoria (al azar) de españoles a la que les hemos realizado el test.
Una persona de las examinadas ha dado positivo en el test. ¿Qué probabilidad hay de que padezca la
enfermedad? Señala un número del 1 al 100».
La respuesta más frecuentemente -50% de los participantes (n = 60)- fue 95%; la
promedio, 56%, y sólo 11 participantes -el 2%- dieron la respuesta adecuada
(Tversky y Kahneman, 1982; p. 154). Esto se observa también en expertos en
diagnóstico si las probabilidades previas no coinciden con las proporcionadas
por su experiencia clínica (Camerer y Johnson, 1991).
3.1.2 Concepciones erróneas de la regresión a la media
La regresión a la media es un fenómeno estadístico por el cual las puntuaciones
altas y las bajas tienden a regresar a las puntuaciones promedio. Observemos la
relación entre dos variables para las que existe una correlación, aunque no
perfecta: la estatura de los padres y la estatura de los hijos. Como ya señaló
Francis Galton en 1886, los hijos de padres muy altos tienden a ser más bajos
que sus padres (aunque sigan por encima de la media de la población), y, de
igual modo, los hijos de padres muy bajos tienden a ser más altos que sus
padres.
Las personas tendemos normalmente a subestimar este fenómeno y realizamos
estimaciones sesgadas. Primordialmente, porque tenemos la necesidad de acudir a
explicaciones causales que den cuenta de la variabilidad estadística y fortuita
que encontramos. Observe el lector la siguiente situación:
Regresión a la media y fútbol.
«Después de cuatro semanas de juego de la Liga española de fútbol, los periódicos publican la lista de
los máximos goleadores. El máximo goleador tiene un promedio de 2 goles por partido. En toda la
historia de la Liga de Fútbol, el máximo goleador al final de la temporada ha conseguido un promedio
de 0,7 goles por partido. ¿Por qué piensas que ocurre esto?»
• Es muy difícil que un goleador mantenga tan buen nivel durante tanto tiempo, debido a la tensión y
al estrés que esto conlleva.
• Los equipos, según avanza la Liga, intentan que los defensores sean más duros con los goleadores, lo
que hace más difícil para los goleadores llegar a la portería.
• A los goleadores se les hacen más faltas, y es más fácil que se lesionen más que otros jugadores a lo
largo de la Liga.
• Un jugador con un promedio tan alto al principio de la Liga puede estar pasando una racha de buena
suerte.
• Los defensores van mejorando a lo largo de la Liga, siendo cada vez más eficaces y, por tanto,
dificultando la labor de los goleadores.
Los alumnos de Psicología tienen una especial preferencia por la primera
respuesta, que hace alusión a factores psicológicos como la tensión y el estrés.
Esto es, prefieren una explicación causal en lugar de atribuir el acontecimiento
al puro azar.
Esta necesidad genera en los deportistas, entre otros, conductas supersticiosas,
como en los porteros que usan la camiseta de un color determinado si con ese
color no han recibido goles en los partidos anteriores.
3.1.3 La Ley de los Pequeños Números
En el siglo XVII, Jacob Bernoulli (1654-1705) descubrió que, cuando realizamos
un experimento aleatorio como tirar una moneda no trucada al aire miles de
veces, la frecuencia relativa del suceso asociado se va acercando
progresivamente a la probabilidad del suceso; dio a este fenómeno el nombre de
Ley de los Grandes Números (LGN).
Las personas esperamos encontrar el principio descubierto por Bernoulli en
pequeñas muestras que consideramos representativas de la población, de forma que
se reproduzcan las probabilidades y la distribución de ésta independientemente
de su tamaño. Dicho fenómeno se presenta en el siguiente ejemplo:
La falacia del jugador.
«Imagina que lanzas una moneda al aire 10 veces y obtienes la siguiente secuencia:
CXXXXXXXXX, donde C = cara y X = cruz.
Si tuvieras que apostar 60 €, ¿a qué opción lo harías? ».
Las personas optan en este problema por «Cara». Tversky y Kahneman denominaron
esta creencia, de forma irónica, la “Ley de los Pequeños Números”; aplicada al
mundo de las apuestas y el azar, se la conoce como «falacia del jugador».
3.2 Accesibilidad o Disponibilidad
En la vida cotidiana, utilizamos la facilidad y la rapidez con la que
encontramos ejemplos o asociaciones en la memoria para realizar juicios
probabilísticos o de frecuencias. El principio que rige este heurístico es
simple: cuanto mayor sea la fuerza de asociación mayor será la frecuencia de los
datos. Esta regla permite contestar de forma acertada a preguntas del tipo:
«¿Qué proporción de hombres y de mujeres hay en la facultad?». Su utilidad
estriba en que la disponibilidad está altamente correlacionada con las
frecuencias reales y objetivas del ambiente. No obstante, en ciertas
circunstancias nos juega malas pasadas, ya que existen otros factores que
influyen en la recuperación de la información de nuestra memoria que no están
correlacionados con las frecuencias reales; en especial, en los casos en los que
dos acontecimientos son equiprobables (o, incluso, en que uno de ellos es menos
probable); pero uno es más fácil de imaginar que el otro.
Las razones por las que ciertos estímulos son recuperados con mayor sencillez
por los sujetos, independientemente de su probabilidad de aparición real, son
las características de normalidad/anormalidad del estímulo, los efectos de
exposición previa al estímulo (priming), la familiaridad con los estimulos y su
posibilidad de visualización.
La sencillez para visualizar unos resultados con respecto a otros queda
ejemplificada en el siguiente caso adaptado de Tversky y Kahneman:
«¿Qué palabras son más frecuentes? ¿Las que terminan en "-ndo" o las que contienen una "n" en la
antepenúltima posición?»
La mayoría de las
terminan en «ndo»
que contienen una
«mintiendo» ... )
personas tiene la impresión de que hay más palabras que
(<<amando», «riendo», «cantando», «nadando» ... ) que palabras
«n» (<<amante», «cantante», «mundo», «conocimiento»;
en la antepenúltima posición.
3.2.1 Percepción de riesgos
Cuando evaluamos los riesgos, nuestras inferéncias se ven influidas por los
recuerdos de lo que hemos leído, visto o escuchado sobre ese peligro potencial.
Si le pedimos a un grupo de personas que evalúe entre dos causas de muerte cuál
es la más probable -por ejemplo, diabetes u homicidio-, encontramos que se
subestima la probabilidad de ocurrencia de las muertes causadas por la diabetes
y se sobrestima la causada por homicidio. Como señalan Slovic, Fischhoffy
Lichtenstein (1982, 1988), se trata de una mala pasada de nuestro heurístico de
disponibilidad, provocada, en parte, por el tratamiento informativo que los
periódicos y los noticiarios hacen de las catástrofes y los riesgos.
En un análisis de este tipo de noticias publicadas por dos periódicos
norteamericanos, uno de la costa este y otro de la oeste, estos autores
encontraron que de los sucesos más violentos y catastróficos -fuegos, tornados,
terremotos y accidentes espectaculares de aviones, trenes y coches- se informaba
con mayor frecuencia que de otras posibles causas de muerte, como la diabetes,
el infarto, el cáncer o la trombosis (que por supuesto, no son noticia), cuya
probabilidad real de ocurrencia es bastante mayor. Curiosamente, la correlación
existente entre los juicios de las personas y el número de muertes publicadas
osciló entre un 0,85 y 0,89 según los casos. Cabe la posibilidad de que dicha
relación de influencia sea, al menos, bidireccional; aunque sospechamos que es
cada vez más unidireccional, dada la poderosa influencia de los medios de
comunicación.
3.2.2 Efecto del falso consenso
Si se le pide a un grupo de estudiantes fumadores que calcule el porcentaje de
sus compañeros que fuma, su respuesta es «un 51 %»; en cambio, la estimación de
un grupo no fumador es de «un 38%» (Baron y Byrne, 1991). Este efecto puede
glosarse como «los demás piensan como yo lo hago».
Existen diversos factores emocionales y sociales que provocan este fenómeno,
como la necesidad de sentirse miembro de un grupo que comparte y apoya nuestro
estilo de vida y nuestro sistema de creencias. Uno de los factores cognitivos
que originan esta actitud es el heurístico de disponibilidad; las razones son
dos: a) recordamos más fácilmente los acontecimientos o las situaciones en los
que los demás están de acuerdo con nosotros y b) la mayoría de las personas
elige amigos y se relaciona con quien comparte sus opiniones y puntos de vista,
lo cual produce un incremento del número de acuerdos sobre el de desacuerdos.
3.3 Simulación
El heurístico de disponibilidad, como hemos visto, hace referencia a dos
procesos mentales diferentes: la recuperación de ejemplos de la memoria y la
construcción de ejemplos o escenarios (Kahneman y Tversky, 1982).
Las investigaciones de la década de 1960 se centraron en el primer proceso; en
la actualidad, existe un progresivo interés por los procesos de construcción y
simulación, prospectivos o contrafácticos, hasta el punto de que se los trata
como un heurístico más: el heurístico de simulación. Para Kahneman y Tversky
(1982), este heurístico puede ser aplicado a un amplio número de tareas, como la
predicción de sucesos futuros, la evaluación de las probabilidades de ocurrencia
de un evento específico, la evaluación de probabilidades condicionadas (<<Si
estallara una guerra en Macedonia, ¿cómo afectaría a la UE?»), la evaluación
contrafactual (<<Si los japoneses no hubieran bombardeado Pearl Harbour,
¿habrían participado los Estados Unidos en la Segunda Guerra Mundial?») y la
evaluación de la causalidad.
Las investigaciones se centraron inicialmente en los juicios contrafácticos, del
tipo «Qué hubiera sido de mi vida si no me hubiese casado con X», en los que
existe una distancia entre lo real y lo posible en un mundo ficticio o
potencial. Uno de los problemas más utilizados para conocer la distancia
psicológica entre lo que ha pasado y lo que podría haber ocurrido es el
siguiente:
<<Mr. Crane y Mr. Tees tenían previsto coger dos vuelos diferentes, a la misma hora. Tomaron la misma
limusina para ir al aeropuerto, pero quedaron atrapados en un atasco y llegaron al aeropuerto con treinta
minutos de retraso sobre la hora prevista de partida de sus vuelos.
A Mr. Crane se le dice que su vuelo partió a su hora.
A Mr. Tees se le dice que su vuelo se retrasó y que partió hace sólo cinco minutos.>>
¿Quién estará más molesto?
El 96% de los sujetos (N = 138) del estudio de Kahneman y Tversky (1982)
responde que Mr. Tees. La situación objetiva para las dos personas es idéntica:
ambos pierden el avión. Es más: ambos pensaban que iban a perder el avión. ¿Por
qué está entonces Mr. Tees más enfadado? Porque le resulta más fácil imaginarse
que podría haber cogido el avión.
3.4 Anclaje y ajuste
Imagínese que se encuentra en un concurso frente a una ruleta de la fortuna con
números del 1 al 100. El presentador hace girar la ruleta y cae en el número 10;
entonces le pregunta: «¿Es el porcentaje de países africanos en la ONU mayor o
menor que 10?» Tras escuchar sU respuesta, le vuelve a preguntar: «¿Cuál es el
porcentaje exacto de países africanos en la ONU?». En otro plató ocurre lo
mismo, pero la ruleta ha caído en el número 65. ¿Afecta ese hecho fortuito a las
respuestas de los concursantes? Efectivamente. Las personas emitimos nuestros
juicios basándonos en algún punto de referencia inicial a partir del cual, tras
sucesivas modificaciones, obtenemos una estimación final. Este procedimiento
resulta de gran utilidad dado que, en muchas situaciones, no disponemos de la
información pertinente sobre la incidencia de un acontecimiento, y resulta
provechoso acudir a un evento similar que nos sirva de punto de referencia o
anclaje.
Los efectos del anclaje están bastante bien documentados y son bastante
persistentes; por ejemplo, no desaparecen cuando se nos ofrecen incentivos
monetarios para que seamos precisos o cuando se introducen puntos de referencia
extrañamente extremos (<<¿Es la temperatura media de Londres mayor o menor que
200 grados?>>).
3.5 Conclusiones
Aunque las propuestas realizadas por Tversky y Kahneman han sido calificadas
como imprecisas y ambigüas (Cobos, Rando, López, Fernández Berrocal y Almaraz,
1993), continúan siendo un punto de referencía obligado para los psicólogos
interesados en el estudio del pensamiento humano.
Descargar