1

PSICOLOGA DEL PENSAMIENTO. Tutor David Pinilla Ruiz.

TEMA 6 (Cp. 8 del libro): RAZONAMIENTO PROBABILSTICO. RESUMEN

*OBJETIVOS:
En este captulo se estudian las tareas experimentales, los resultados y los modelos
orientados a esclarecer el funcionamiento de los seres humanos con problemas
donde no hay una conclusin necesaria, esto es, con los problemas de
razonamiento inductivo
Se trata de un campo de estudio ms prximo al modo de razonar real de los seres
humanos en el medio natural, donde en la mayora de las ocasiones los juicios se
realizan bajo condiciones de incertidumbre.

*NUCLEOS TEMTICOS BSICOS:

1. Nociones bsicas de probabilidad

El modelo normativo
Los sesgos y su mecanismo de accin
El heurstico de accesibilidad
El heurstico de anclaje y ajuste
Crtica de los heursticos

2. Enfoque de los heursticos de razonamiento

El heurstico de representatividad

3. Enfoque de los Modelos Mentales

Teora de los Modelos Mentales

Teora de los Modelos Mentales Probabilsticas

4. Razonamiento y Calibracin

*INTRODUCCIN:

En este tema se estudian los juicios que se enmarcan dentro del razonamiento inductivo, es
decir, aquellos que se realizan en condiciones de incertidumbre.
En las situaciones de la vida cotidiana la informacin de que disponemos raramente nos permite
extraer conclusiones inequvocamente ciertas. Sin embargo, diariamente emitimos juicios y
tomamos decisiones bajo estas condiciones
El razonamiento inductivo, no ofrece conclusiones derivadas directamente de la informacin
contenida en las premisas sino que avanza informacin nueva que solamente es ms o menos
probable.
En los juicios probabilsticas no cabe, pues, hablar de validez sino de fuerza inductiva de los
argumentos.
 2

*NOCIONES BSICAS DE PROBABILIDAD:

El modelo normativo que sirve de referencia a estos juicios es la Teora de la probabilidad y,

ms concretamente, su desarrollo bayesiano.

La probabilidad de un suceso (probabilidad objetiva) puede calcularse segn la teora clsica

de dos formas:
Atendiendo al n de resultados favorables frente al total de resultados posibles
(Probabilidad de ocurrencia de un evento del que se conocen todos sus resultados
posibles = n de resultados a favor/n total de resultados)
Atendiendo a la frecuencia relativa del suceso en un n elevado de observaciones.
(Probabilidad de ocurrencia de un evento tras repetir un gran n de veces el experimento
= n de ocurrencias del evento / n total de ocurrencias)

Sin embargo, estos modos tradicionales de calcular la probabilidad de un suceso no son

vlidos para la mayora de las situaciones reales (se postularon para los juegos de azar)
En la vida diaria, normalmente no se pueden asignar esta clase de probabilidades objetivas
porque desconocemos la frecuencia de los sucesos (no disponemos de un n elevado de
observaciones) y las alternativas no son equiprobables (los resultados posibles no se producen
con igual probabilidad).

Para dar solucin a todos estos problemas la TEORA BAYESIANA tiene en cuenta las
probabilidades subjetivas de los sucesos. En resumen, dicha teora:

1. Tiene en cuenta todos los axiomas de la Teora de la Probabilidad.

2. Contempla las probabilidades subjetivas (a diferencia de la teora clsica que parte
slo de datos empricos)
3. Permite estimar la probabilidad de un suceso nuevo a partir de las probabilidades a
priori y las probabilidades condicionales de los nuevos datos (diagnosticidad del dato).

Por todo ello, la teora bayesiana es especialmente adecuada para estudiar los juicios
humanos en situaciones de incertidumbre. En sntesis, el teorema de Bayes sirve para calcular
la probabilidad a posteriori de un suceso aplicando la frmula:

P(H/D)= Prob. a priori a favor de la hiptesis P(H) x prob. Condicionada del dato
P(D/H)
Prob. A favor P (D/H)x P(H) + prob. En contra P (D/H) x P(H)

Siguiendo el ejemplo de la Pg. 326.

P(H/D)= Probabilidad de la hiptesis supuesto un dato: Prob de obtener plaza, habiendo

sacado un 8,6 en el examen. Es una prob. Estimada o prob. A posteriori.

P(H)= Probabilidad a priori a favor de al hiptesis: Prob. A priori de conseguir el puesto

de trabajo sin tener experiencia prctica (0.05). Es una prob. Objetiva a favor.

P(D/H)= Probabilidad del dato cuando se cumple la hiptesis: prob. De obtener buena
nota en el examen y conseguir el trabajo (0.98). Es una prob. a favor (igual que la
anterior) pero condicionada al dato. Depende de la fiabilidad del dato (diagnosticidad
del dato).

P(H)= Probabilidad de la hiptesis alternativa: Prob. A priori de no conseguir el puesto

de trabajo sin tener experiencia previa (0.95). Es una Prob. Objetiva en contra.
 3

P(D/H)= Probabilidad del dato cuando se cumple la hiptesis alternativa: prob. De

obtener buena nota en el examen y no conseguir el trabajo (0.10). Es una prob.
Condicionada al dato pero en contra de la hiptesis. No tiene porque ser
complementaria de la P (D/H) porque ambas son probabilidades subjetivas.

*ENFOQUE DE LOS HEURSTICOS DE RAZONAMIENTO

Son muchos los resultados experimentales que demuestran que el razonamiento humano no
emite sus juicios siguiendo las normas estadsticas. Al contrario, se observa una tendencia
conservadora que lleva a menudo a equiparar las probabilidades estimadas a las probabilidades
a priori.

Para explicar estos errores sistemticos la investigacin se reorienta dentro del marco de la
Teora de La Racionalidad Restringida (Simon. 1983). Segn la misma, debido a las
limitaciones en el sistema de procesamiento, las personas no buscan emitir juicios exactos sino
alcanzar cierta satisfaccin en sus decisiones.
Por ello razonan a partir de modelos simplificados sin necesidad de procesar todos los datos.

Estas estrategias simplificadas son los llamados heursticos, reglas de andar por casa o atajos
que utilizan los sujetos de forma espontnea.
Tversky y Kahneman defienden el uso de estos heursticos en lugar de las leyes de la
probabilidad en el juicio de los eventos cotidianos.
Tres heursticos son, en concreto los ms utilizados:

1. Heurstico de representatividad:

Consiste en asignarle probabilidad a un suceso en funcin de su pertenencia a una clase. Es

decir, se trata de juzgar la probabilidad de que A pertenezca a un conjunto B, fijndose en la
semejanza entre A y los miembros de B.
El juicio, por tanto, se basa en determinar si el suceso u objeto en cuestin es representativo de
una clase (juicio de representatividad). Si se decide que lo es, se juzgar que es probable que
pertenezca a esa clase (juicio por representatividad).

El juicio de representatividad se realiza comparando las semejanzas que tiene el caso con el
prototipo de su categora. (P ej. Foto de persona con rasgos de alemn).
Una vez realizado este juicio, la asignacin de probabilidades se realiza por la
representatividad del suceso (asignacin de probabilidad de que el individuo de la foto sea
alemn)

Esta forma de razonar es adecuada en la mayora de las ocasiones, ya que permite dar respuestas
rpidas a las situaciones habituales, permitiendo un importante ahorro cognitivo. No obstante,
como quiera que las variables que influyen en la semejanza son distintas a las que afectan a la
probabilidad, se producen sesgos en el razonamiento como consecuencia de ignorar informacin
relevante desde un punto de vista estadstico (tamao de la muestra, probabilidades a priori,
diagnosticidad del dato, etc.)

Estos sesgos y su mecanismo de accin son:

Insensibilidad al tamao de la muestra. Cuando se conoce la frecuencia real de un

suceso se espera que este aparezca igualmente en n pequeo de observaciones.
Por ejemplo, en el Problema de los hospitales (Pg. 331), los sujetos consideran que los das
en los que se ha dado un 60% de nacimientos de varones, sern los mismos en un hospital
 4

grande (con 45 nacimientos por da) y en uno pequeo (con slo 15 nacimientos por da).
Ello ocurre porque el resultado del 60% se considera representativo de la frecuencia
conocida de nacimiento de varones y mujeres (en torno al 50%).

El sesgo de insensibilidad al tamao de la muestra da lugar a un error conocido como

la falacia del jugador que consiste en creer que la equiprobabilidad se manifestar en
un n reducido de observaciones.
As, el jugador de ruleta, estima que ha de salir rojo tras varios resultados negro.

Tambin este sesgo provoca la generalizacin a partir de muestras pequeas (de muy
pocos datos) si estas se consideran representativas; si bien, ello ocurre cuando los sujetos
estiman que la clase de sucesos u objetos es homognea.
Por ejemplo (Pg. 333) a los sujetos que se les pregunta por caractersticas de un mineral
encontrado en una isla extica, generalizan a partir de los datos que se les proporcionan,
pero no hacen lo mismo cuando se les pregunta por las caractersticas de las personas que
viven en la isla, a pesar de haberles ofrecido una descripcin concreta (obesos).

Insensibilidad a las probabilidades a priori. Es la tendencia de los sujetos a asignar

probabilidad a un suceso teniendo slo en cuenta la informacin nueva proporcionada,
cuando esta se considera representativa. Es decir, se desconoce la frecuencia real del
suceso dejndose llevar por una informacin representativa.
Por ejemplo (Pg. 336), se enjuicia que una persona es ingeniero o abogado basndose slo
en la descripcin ofrecida, sin tener en cuenta la probabilidad a priori a favor de una u otra
opcin (la proporcin es de 30 a 70).
(Revisar ej. de los taxis en Pg. 111).

Insensibilidad a la capacidad predictiva del dato (diagnosticidad). Las probabilidades de

presencia del dato en ausencia de la hiptesis P (D/H) se ignoran, es decir, no se tiene en
cuenta la probabilidad de que el dato no prediga la hiptesis.
Como ya se ha dicho, esta probabilidad no es complementaria de P (D/H) y por tanto hay
que conocerla y tenerla en cuenta
Por ejemplo (Pg. 337), la probabilidad de que llueva no puede deducirse de que Laura
lleve paraguas, pues ella lleva casi siempre paraguas (P D/H`= 0,95).
(Ver otro ejemplo en Pg. 338 Club Ruizs).
En todos estos casos, al igual que cuando se pide un juicio predictivo sobre el rendimiento
de un alumno o de una empresa, las personas se suelen fijar slo en la informacin ofrecida
sin preguntarse por la fiabilidad del dato.

Falacia de Conjuncin. Los sujetos consideran ms probable la conjuncin de dos

sucesos que cada uno por separado, aunque segn las leyes estadsticas es justamente
al contrario.
La probabilidad de que Linda (pg. 340) sea feminista y cajera en un banco se considera
mayor que la de que sea slo cajera o feminista, tras ofrecer una descripcin pormenorizada.
Este resultado ha sido explicado apelando a la mala interpretacin del enunciado o a la
confusin de probabilidad condicionada y de probabilidad de la interseccin, sin embargo,
variando el enunciado del problema se ha vuelto a en encontrar el mismo efecto.
La informacin ms detallada se considera ms representativa.
El efecto est relacionado con la construccin de escenarios (heurstico de accesibilidad), ya
que un escenario supone una situacin compleja y detallada, en la que lo habitual es la
conjuncin de sucesos.

Insensibilidad a la regresin a la media Es otro efecto estadstico que es sistemticamente

ignorado. Los sujetos esperan que las puntuaciones extremas se mantengan en eventos
relacionados, por la semejanza entre s de los dos sucesos.
 5

Se considera que un hijo alto es representativo de un padre alto.

An cuando se de informacin explcita de este efecto, los sujetos continan ignorndolo
Por ejemplo (Pg. 342), los sujetos ofrecen explicaciones que ignoran este efecto, cuando se
les plantea la disminucin en el redimiendo de un aprendiz de vuelo tras una prctica
exitosa (se ha confiado despus de haber sido felicitado, etc.)

2. Heurstico de accesibilidad:

En tareas de recuerdo los sujetos realizan la estimacin de frecuencias de un suceso basndose

en la informacin ms fcilmente recuperable (Accesibilidad), esto es, la que mejor recuerdan.
En tareas de prediccin de acontecimientos los sujetos estiman la probabilidad de un
acontecimiento en funcin de su facilidad para imaginarlo (Simulacin).

Ambos heursticos estn influidos por factores que inciden en la memoria, pero que no son
determinantes para la probabilidad. Por ejemplo, la recencia, la saliencia, la familiaridad o el
impacto influyen en la accesibilidad de un suceso, pero no lo hacen ms probable.

Los sesgos a que dan lugar estos factores y sus mecanismos de accin son parecidos a los
producidos por la representatividad:

Se ignoran las probabilidades a priori. Cuando se dispone de informacin reciente

impactante, aunque esta contradiga la informacin sobre la frecuencia real de un
suceso conocido, esta se tendr en cuenta sin pensar en su relevancia estadstica.
Por ejemplo, se tiende a pensar que un accidente de avin es ms probable despus de tener
noticia de que se ha producido uno.

En el plano social este efecto da lugar al sesgo egocntrico, Consistente en pensar que las
propias creencias son mayoritarias en la poblacin (hay una mayora de catlicos, si
nosotros lo somos, etc.). Este sesgo no se produce intencionadamente, sino que se presenta
porque nuestras ideas son ms accesibles.

Se ignora la capacidad predictiva del dato: consiste en fijarse slo en la informacin

que est presente en una situacin concreta, olvidndose del resto. Como ya se ha dicho,
no tener en cuenta la probabilidad del dato cuando no se cumple la hiptesis (P D/H`)
dejndose llevar por la mayor accesibilidad de la informacin presente, supone no tener en
cuenta la diagnosticidad del dato, es decir, su capacidad para predecir si se cumplir la
hiptesis nula o la hiptesis alternativa.
Algunos de los sesgos ms estudiados a los que da lugar este efecto son:

Sesgo de explicacin: Un hecho explicado, o tan slo imaginado, es considerado

ms probable porque a la hora de asignar frecuencias a las distintas alternativas el
suceso es ms fcilmente recordado. Por ejemplo (Pg. 345), despus de pedir a unos
sujetos que explicasen por qu determinado candidato electoral deba resultar elegido,
estos asignaron mayor probabilidad de xito electoral a dicho candidato, incluso sin
necesidad de explicacin, tan slo con haber imaginado el escenario de triunfo electoral.
Los sujetos acomodan sus expectativas a los resultados explicados o imaginados.

Sesgo retrospectivo: Cuando sabemos que un evento ha sucedido, consideramos que

hubisemos hecho una estimacin ms alta de ese resultado. Por ejemplo (Pg. 345),
se pregunt a unos sujetos qu cosas, de una lista ofrecida, era probable que ocurriesen
en el prximo viaje de Nixon a China y, posteriormente a haberse producido este, se les
volvi a preguntar por las mismas. Los sujetos cambiaron sus estimaciones iniciales
ajustndolas a lo que realmente haba sucedido.
 6

Sesgo de la correlacin ilusoria: Cuando dos sucesos altamente significativos o

distintivos se asocian, dicha asociacin queda establecida en la memoria y es ms
accesible y fcil de recordar, por lo que se estima mucho ms frecuente de lo que en
realidad es. Ello ocurre, por ejemplo, en la creacin de estereotipos sociales
(asociacin de una etnia con el delito).

3. Heurstico de anclaje y ajuste:

Consiste en sesgar el juicio haca un valor inicial (anclaje) obtenido de un cmputo parcial e
incluso tomado al azar (no representativo), e ir ajustndolo a medida que se aade nueva
informacin.
Por ejemplo (Pg. 347), se pidi a los sujetos que estimaran la proporcin de poblacin negra en
EE.UU. mostrando previamente un n al azar y cada grupo ajust su juicio a los valores
iniciales ofrecidos.
Otra tarea propuesta (Pg. 348), consisti en pedir a un grupo de sujetos que calculase el
resultado de una multiplicacin ofrecindoles una serie de nmeros en orden ascendente,
mientras que a otro grupo se le presentaban los mismos nmeros en orden descendente. Los
sujetos deban responder rpidamente sin tiempo a efectuar las operaciones, el grupo ascendente
ajust su juicio a los nmeros iniciales (ms bajos) mientras que el descendente lo hizo a
valores ms altos.

Crtica de los heursticos:

1. Flexibilidad: es su gran virtud, pero tambin su problema.

El mismo heurstico se utiliza en situaciones muy diferentes sin poder determinarse cules
son sus condiciones de aplicacin. De este modo no se puede predecir cul heurstico se aplicar
en una situacin concreta. Posiblemente se utilicen sucesivamente, considerando primero la
informacin ms accesible y seleccionando luego la ms representativa.
Pero adems, distintos heursticos se utilizan para explicar la misma situacin. De este
modo, algunos sesgos pueden ser debidos tanto a uno como a otro heurstico.
Por ejemplo, la falacia de conjuncin puede atribuirse a la representatividad de la informacin,
pero tambin a la construccin de escenarios y, por tanto, al heurstico de simulacin.

El mejor definido de los tres heursticos es el de representatividad, seguido del de accesibilidad

y por ltimo el de anclaje, que podra deberse a la accesibilidad del punto de partida o a
estrategias seguidas tras la aplicacin de los heursticos de accesibilidad y representatividad.

2. Falta de validez externa: Los estudios con heursticos se desarrollan en situaciones

artificiales de laboratorio, muy alejadas de las condiciones naturales.
En el contexto natural el sujeto dispone de datos menos limitados, ms redundantes y tiene la
posibilidad de buscar la informacin segn sus propios criterios.
El laboratorio, reproduce la situacin ideal descrita por el teorema de Bayes (hiptesis
complementarias).
Sin embargo en la vida real no se dispone de todas las hiptesis y mucho menos estas son
complementarias. El individuo tiene que echar mano de su conocimiento previo del mundo.

3. Falta de precisin del juicio: Los resultados a los que da lugar el uso de heursticos no
coinciden con las predicciones del modelo Bayesiano.
 7

Sin embargo, esta crtica puede ser ms bien un argumento a favor ya que en situaciones
naturales, a menudo, no hay modo de contrastar con precisin la probabilidad de que se de uno
u otro resultado.
Por tanto, los juicios en la vida real se establecen bien por consenso social, bien por su relacin
coste beneficio con la meta conseguida.
Desde este punto de vista, los heursticos proporcionaran estrategias ms adecuadas que la
norma estadstica.

*ENFOQUE DE LOS MODELOS MENTALES:

1. La teora de los modelos mentales de Johnson-Laird y Byrne, (1991):

Segn esta teora, los sujetos no razonan de modo diferente cuando se enfrentan a problemas
deductivos o inductivos. A partir de las premisas, construyen los modelos mentales que
servirn de base a la conclusin. Si hay algn modelo mental en el que esta se cumpla, la
conclusin ser posible, si se cumple en la mayora, ser probable y si se cumple en todos
ser necesaria
A diferencia de lo que ocurre con los problemas de razonamiento deductivo, en los problemas
inductivos basta con que la conclusin sea probable para darla por buena.

Dado que el juicio se debe realizar en funcin del n de modelos que apoyen o contradigan la
conclusin, esta no ser correcta si no se revisa una cantidad suficiente de posibles
modelos alternativos.
Si embargo, debido a las limitaciones de la memoria de trabajo, el sujeto no puede atender un n
elevado de modelos, por lo que evala la frecuencia de los modelos a favor y en contra
utilizando ilusiones cognitivas que sesgan el juicio.
Por ejemplo, asume que las conclusiones que aparecen en la mayora de los modelos revisados
son las ms probables.
Dado que existe una tendencia a representar explcitamente slo la informacin verdadera (y
esta, con un criterio econmico), los modelos no representan adecuadamente las distintas
alternativas, producindose sesgos.

Los estudios de razonamiento probabilstico se han centrado en los efectos producidos por el
orden de presentacin de la informacin y la congruencia o incongruencia de las fuentes.
En cuanto al orden de presentacin de la informacin (contexto previo), los modelos mentales
se van actualizando a medida que se producen nuevas entradas, ya que la informacin nueva se
va integrando en los modelos ya existentes.
La congruencia o incongruencia de las distintas fuentes de informacin tambin influye en
la construccin de los modelos mentales. La integracin de la informacin representativa y la
probabilstica (o cuantitativa) depende de la congruencia que exista entre ambas. Cuando estas
dos fuentes son incongruentes el sujeto desatiende la informacin probabilstica, basando su
juicio en la informacin meramente representativa.

Sin embargo, La teora de los modelos mentales rechaza el uso del heurstico de
representatividad puesto que la informacin congruente se va integrando en la construccin
de los modelos, ya sea esta informacin representativa o cuantitativa (probabilstica).

Adems, se ha comprobado que los tiempos de solucin son mayores cuando se presenta
informacin incongruente aunque esta sea representativa. Ello va en contra de la perspectiva
de los heursticos que defiende que la aplicacin de los mismos sera una estrategia rpida (se
usa o no se usa).
 8

La Teora de los modelos mentales s reconoce que ante una incongruencia la informacin que
prima es la representativa, pero an en este caso se ralentiza la construccin de los modelos.

La facilidad para construir algunos modelos mentales o la rapidez con la que se pueden
evocar, provocan que el sujeto se centre slo en algunos de estos modelos sin tener en cuenta el
resto. Esta explicacin de la Teora de los modelos mentales est muy prxima al heurstico de
accesibilidad.
En un experimento (Pg. 353) realizado para contrastar si las personas se centran en los
modelos mentales que se derivan directamente de la informacin explcita contenida en las
premisas, a los sujetos se les plante la eleccin entre dos marcas de coche que no se recuerdan,
pero de las que se conocen algunas caractersticas (consumo y averas mecnicas). Para resolver
el problema, a los sujetos se les pide que seleccionen informacin adicional, encontrndose el
resultado de que la mayora prefieren la informacin que se deriva directamente de la enunciada
en las premisas (informacin sobre la marca x).
La explicacin que los investigadores ofrecen es que el elemento central de la informacin
condiciona la construccin de los modelos.
Una explicacin alternativa sera que las personas basasen su respuesta en los modelos en los
que se da una similitud entre las premisas y la conclusin (lo cual estara muy prximo al
heurstico de representatividad).

2. La teora de los modelos mentales probabilsticos. Gigerenzer,

Hoffrage y Kleinblting (1991)

Cuando los problemas se presentan como estimacin de frecuencias y no cmo probabilidad

de un suceso aislado, los sesgos de razonamiento decrecen.
En problemas en los que el sujeto puede tomar una decisin a partir de sus conocimientos,
esta teora defiende que se procede a la construccin de un Modelo Mental Local en el que se
asocia la tarea con el conocimiento disponible.
En cambio, cuando el conocimiento del sujeto no es suficiente, la persona realiza inferencias
a partir de un Modelo Mental Probabilstico. En este caso el sujeto construye un marco de
inferencia con:

1. Una clase de referencia, la poblacin de sucesos sobre la que trata el problema (Ej.
Pg. 358: ciudades de Alemania)
2. Una variable sobre la que se emite el juicio (Ej. n de habitantes de una ciudad)
3. Una red de claves de probabilidad de sucesos relacionados con la variable que
covaran con ella (Ej. tener un equipo en 1; ser capital de provincia).

*RAZONAMIENTO Y CALIBRACIN:

En el mismo marco terico (Teora de los Modelos Mentales Probabilsticos), se ha estudiado

tambin el grado de confianza que los sujetos asignan a sus propios juicios (calibracin)

Este juicio de segundo orden suele presentar un sesgo de sobreconfianza en los sujetos que se
atribuyen una excesiva proporcin de aciertos.
Las tareas experimentales para estudiar la calibracin consisten en suministrar a los sujetos
una serie de preguntas con dos alternativas (Ej. Pg. 356 qu ciudad tiene ms habitantes?) y,
posteriormente pedirles que asignen un porcentaje de confianza a cada respuesta emitida.
Comparando la proporcin real de aciertos y la asignacin de confianza los resultados muestran
que los sujetos slo aciertan en un 80% de los casos en los que aseguran estar totalmente
seguros de las respuestas.
Las explicaciones de este sesgo son varias:
 9

1. Se genera ms evidencia a favor de la Hiptesis que en contra

2. Se atribuye fiabilidad absoluta a la memoria por falta de retroalimentacin en la vida
diaria (esto puede influir en tareas de reconocimiento, pero no en las de reconstruccin
de la informacin)
3. Influyen factores motivacionales como la ilusin de control
4. El tipo de tarea (el sujeto calibra mejor cuando se le pide asignar un rango de
resultados que cuando se le pide asignar confianza a un slo evento)

Los autores de la Teora de los Modelos Mentales Probabilsticos plantean crticas a la tcnica
habitualmente seguida para medir la calibracin (un suceso nico: que la respuesta sea
correcta).
Cuando la pregunta sobre calibracin trata de la frecuencia relativa de aciertos el sesgo
desaparece.

A fin de explicar especialmente los resultados sobre calibracin Gingerenzer y col. desarrollan
La teora de los modelos mentales probabilsticos a partir de la construccin del marco de
inferencia (Ver de nuevo Ej. Pg. 358)
La teora asume que los sujetos basan su respuesta en una de las claves de probabilidad que
covaran con la variable (aquella a la que conceden ms validez), y que la confianza asignada a
la respuesta iguala a la de la clave elegida.
Ello explicara algunos errores de calibracin cuando se pregunta con trampa sugiriendo una
clave de mucha confianza (Ej. ciudad ms al oeste: Liverpool o Edimburgo)
Sin embargo no explicara otros fenmenos observados, como la asignacin de altas
probabilidades de acierto a tareas ms difciles y sin trampa.

La teora de los modelos mentales no alude a la calibracin para dar cuenta del sesgo de
sobreconfianza. Para este enfoque la sobreconfianza se debera a la necesidad de satisfaccin
de los sujetos que seleccionaran los modelos mentales que conducen a conclusiones ms
crebles o deseables, sin buscar contraejemplos, tendiendo por tanto a pensar que la conclusin
es fiable.
Con tareas difciles aumentan el n de modelos que se ignoran, lo cual redunda en un aumento
de la confianza.

PREGUNTAS DE EXAMEN:

1. Concepto de heurstico de representatividad en el razonamiento probabilstico.

Ilustre con un ejemplo la insensibilidad al tamao de la muestra de la que se
obtiene los datos.
2. Explique la falacia de la conjuncin y desarrolle un ejemplo
3. Describa la falacia del jugador y explique por qu se considera que es el
resultado del heurstico de representatividad.
4. Describa con un ejemplo el sesgo de razonamiento probabilstico que pone de
manifiesto la insensibilidad a la capacidad predictiva del dato.
5. Describa con un ejemplo el sesgo de razonamiento probabilstico que pone de
manifiesto la insensibilidad a las probabilidades a priori.
6. Describa con un ejemplo el heurstico de razonamiento probabilstico de anclaje
y ajuste.
7. Cmo explica la Teora de los Modelos Mentales el sesgo de sobreconfianza en
el razonamiento probabilstico?