06. El razonamiento probabilístico

Introducción

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 información de que disponemos raramente nos permite extraer conclusiones inequívocamente ciertas. Sin embargo, diariamente emitimos juicios y tomamos decisiones bajo estas condiciones

El razonamiento inductivo, no ofrece conclusiones derivadas directamente de la información contenida en las premisas  sino que avanza información nueva que solamente es más o menos probable.

En los juicios probabilísticas no cabe, pues, hablar de validez sino de fuerza inductiva de los argumentos.

Nociones básicas de probabilidad

El modelo normativo que sirve de referencia a estos juicios es la Teoría de la probabilidad y, más concretamente, su desarrollo bayesiano.

La probabilidad de un suceso (probabilidad objetiva) puede calcularse según la teoría clásica de dos formas:

  1. Atendiendo al nº de resultados favorables frente al total de resultados posibles (Probabilidad de ocurrencia de un evento del que se conocen todos sus resultados posibles = nº de resultados a favor/nº total de resultados)

  2. Atendiendo a la frecuencia relativa del suceso en un nº elevado de observaciones. (Probabilidad de ocurrencia de un evento tras repetir un gran nº de veces el experimento = nº de ocurrencias del evento / nº total de ocurrencias)

Sin embargo, estos modos tradicionales de calcular la probabilidad de un suceso no son válidos para la mayoría 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 nº elevado de observaciones) y las alternativas no son equiprobables (los resultados posibles no se producen con igual probabilidad).

Para dar solución a todos estos problemas la TEORÍA BAYESIANA tiene en cuenta las probabilidades subjetivas de los sucesos. En resumen, dicha teoría:

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

  2. Contempla las probabilidades subjetivas (a diferencia de la teoría clásica que parte sólo de datos empíricos)

  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 teoría bayesiana es especialmente adecuada para estudiar los juicios humanos en situaciones de incertidumbre. En síntesis, el teorema de Bayes sirve para calcular la probabilidad a posteriori de un suceso aplicando la fórmula:

P(H/D)=    Prob. a priori a favor de la hipótesis 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’)xP(H’)

Siguiendo el ejemplo de la Pág. 326.

P(H/D)=probabilidad de la hipótesis 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 hipótesis: Prob. a priori de conseguir el puesto de trabajo sin tener experiencia práctica (0.05). Es una prob. Objetiva a favor

P(D/H)=probabilidad del dato cuando se cumple la hipótesis: 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 hipótesis alternativa: Prob. a priori de no conseguir el puesto de trabajo sin tener experiencia previa (0.95). Es una Prob. objetiva en contra.

P(D/H’)= probabilidad del dato cuando se cumple la hipótesis 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 hipótesis. No tiene porque ser complementaria de la P(D/H) porque ambas son probabilidades subjetivas.

Enfoque de los heurísticos de razonamiento

Son muchos los resultados experimentales que demuestran que el razonamiento humano no emite sus juicios siguiendo las normas estadísticas. 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 sistemáticos la investigación se reorienta dentro del marco de la Teoría de La Racionalidad Restringida (Simon. 1983). Según la misma, debido a las limitaciones en el sistema de procesamiento, las personas no buscan emitir juicios exactos sino alcanzar cierta satisfacción en sus decisiones.

Por ello razonan a partir de modelos simplificados sin necesidad de procesar todos los datos.

Estas estrategias simplificadas son los llamados heurísticos, reglas de andar por casa o atajos que utilizan los sujetos de forma espontánea.

Tversky y Kahneman  defienden el uso de estos heurísticos en lugar de las leyes de la probabilidad en el juicio de los eventos cotidianos.

Tres heurísticos son, en concreto los más utilizados:

Heurístico de representatividad