1

Cap 3: El controlador perezoso

• Observar lo q sucede a nuestro alrededor: poco esfuerzo – pasear

y pensar al mismo tiempo
• Pero: si apuro la marcha  mas dificil
• Dos tipos de esfuerzo:
• Concentracion en tarea
• Control deliberado de atencion
• O tambien podemos distinguir entre:
• Trabajo cognitivo
• Autocontrol
• Excesiva preocupacion por hacer bien una tarea: memoria de CP
recargada con ideas inutiles

• Concepto de “agotamiento del ego”: mas esfuerzo emocional 

menos esfuerzo fisico.
• Ejemplo: respuesta inteligente luego de aggression
• Autocontrol: fatigoso
• Idea de “energia mental” es mas q una metafora: caso
Jueces en Israel
• Ejemplo pelota y bate: respuesta intuitive, respuesta correcta (2
ecuaciones con 2 incognitas!)
• Personas demasiado confiadas, respuesta “plausible” viene a la
mente
 2

• Individuos diligentes
• Relacion entre pensamiento y autocontrol
• Racionalidad vs “inteligencia”
• Experimento “Galletitas Oreo”
• Dos partes de S2
•
•
Capitulo 4: La maquina asociativa
•
 Parte algoritmica
 Parte asociada a “diligencia”

• Activacion asociativa: conecta elementos, provoca emociones

• Ejemplo “banana – vomito”
• Ideas: nodos en extensa red (“memoria asociativa”)
• Efecto de “priming” (cebar)
• Experimento: fraase asociadas a vejez
• Palabra  vejez  conducta
• Los individuos: somos actors conscientes y autonomos? Hasta
donde si y hasta adonde no?
• Que tipo de actitudes/comportamiento cataliza palabra o imagen
de “dinero”?
 3

Capítulo 5: Facilidad Cognitiva

 S1: actualización “automática” de necesidad de q S2 haga

esfuerzo extra

 “Facilidad cognitiva”: Fig 5 – causas y consec de fácil cognitiva:

{exper repet, expo clara, idea “primada”, buen humor}  {req
móvil S2, res familiar, parece verdad, parece buena, resulta fácil}

 Estado de “fácil cognitiva”

 Ilusión del recuerdo: ilusiones visuales, ilusiones

memoria/pensamiento. Ejemplo lista nombre de celebridades,
“familiaridad”. 2 frases verdaderas seguidas de 1 falsa

 Cómo facilitar máquina asociat. Cómo escribir un mensaje

persuasivo.  reducir “tensión cognitiva” (colores, letra, papel)

 Tensión y esfuerzo: cierta mayor tensión  mayor esfuerzo y

menores errores

 La repetición induce facilidad cognitiva y una cómoda

sensación de familiaridad

 Efecto de “mera exposición”: experimento periódico: palabras

puestas + frecuentemente  recepc mas favorable
 4

 ¿Qué es la “creatividad”?  memoria asociativa que funciona

muy bien, relacionar una cosa con otras.

 {Buen humor, intuición, creatividad, credulidad, confianza} 

forman un grupo en S1

- TEST DE ASOCIACION REMOTA: Todas las manipulaciones

que aumentan la facilidad cognitiva como es el PRIMING,
aumentan la tendencia a ver las palabras vinculadas.
- poderoso efecto del estado de ánimo donde poniendo a los
participantes de buen humor antes del test a base de pensar
en cosas alegres, el grado de acierto se incrementaba en más
del doble. Y los individuos desgraciados eran completamente
incapaces de realizar con algún acierto la tarea intuitiva. Por
ende el estado de ánimo afecta de modo evidente las
operaciones del sistema 1.


Capítulo 6: Normas, Sorpresas, Causas

 Nuestra cabeza: computadora capaz de registrar vínculos

asociativos

 Función S1: mantener actualizado modelo del “mundo normal”.

Lo que “es normal”

 Patrón de ideas: {circunstancias, acontecimientos, acciones,

consecuencias}
 5

 Capacidad de sorpresa:
o Activa: Esperamos algo
o Pasiva: Esperamos pasivamente, pero si ocurre no nos
sorprende
 Percibimos como “normales” ciertas cosas. Ejemplo Jan, ejemplo
autoincendiado. Se “planta” en la memoria
 Coherencia asociativa: los padres de Fred llegaron tarde. El
servicio de comidas a domicilio estaba a punto de llegar.
Fred estaba enfadado” -> creemos que estará enfadado
por el hecho de que los padres hayan llegado tarde más
allá de que quizás no sea por eso. Hay reglas de la
coherencia asociativa que nos dicen lo que sucedió

 Parecen “normales” pues evocan episodio original y lo traen a

memoria. Se va afirmando la idea. Buen ejemplo: “Ilusión de
Moisés” (p 102)

 Somos capaces de comunicarnos x conoc del mundo y uso de

palabras compartidas:”rata grande subió por trompa de pequeño
elefante”

 Pensamiento causal:

o Leemos frases u observamos eventos y construimos

historias
o Buscamos causas plausibles. “Historia causal”
o Bloom creencias religiosas
 6

 Pensamiento causal “historias” reemplazan razonamiento

estadístico: saca {casos partic}  {categorías y conjuntos}. S1 no
tiene capac para esta forma de razonamiento, “psicol de la
causalidad”

Capítulo 7: Máquina para Saltar a Conclusiones

 S1 salta a conclusiones
o Eficientes: gralmente correctas, costos de error peq
o Arriesgadas: mas en juego, tiempo p conseguir mas info

 Fig 6: una “B” o un “13” depende del contexto en el q vemos

caracteres

 Cuando no está seguro: S1 apuesta una respuesta. Duda

consciente no figura en S1

 Inclinación a la creencia y confirmación

o Comprensión de una frase: 1ero debemos suponerla cierta,

que significaría si fuera verdadera
o Incredulidad: fruto de S2
o Cuando S2 esta comprometido a otra operación: “creemos
cualq cosa”
 Si: crédulo
 S2: duda. Pero”: ¿si está ocupado?
 7

 Intento deliberado de confirmar. Estrategia de contrastación

positiva

o Ciencia: contrastar hip con datos p intentar refutar

o Gente: busca datos q sean compatibles con creencias
o Sesgo confirmatorio:aceptación acrítica de sugerencias,
exagerar probable eventos

 Efecto “Halo” (coherencia emocional exagerada)

o Tendencia a extrapolar x solo algunas características.

Primeras impresiones.
o Experimento Asch: secuencia de adjetivos  distintas
secuencias distintas opiniones
o Corrección examen x alumno o x pregunta
o Adivinar cuantas monedas en frasco: sesgos se anulan
cuando promedio opiniones
o Excelente recomendación organización reuniones (pag 116):
ir con postura sobre 1 tema escrita

 WYSIWTI: salto a conclusiones en base a info limitada

o Juicio simulado: escuchar a ambas partes vs solo a una (pag

119)
o Experimento Asch: secuencia de adjetivos
Capítulo 8: Cómo se forman los juicios

 No hay límite al número de preguntas q podemos responder

o S2: recibe o genera preguntas, busca en memoria

 8

o S1: observa lo q sucede, hace eval c/poca o ninguna

info

 Eval básicas

o Eval continua de ppales problemas q enfrentamos

o Tiene q sobrevivir. Peligros/oportunidades
o Sit eval como buenas/malas
o Distingue entre amigo/enemigo

 Experimento Todorov

o Correlac caract faciales c/perf elecciones

o Cara de competencia/amabilidad (mandíbula fuerte,
sonrisa)

 Heurística del juicio

o Eval simple/automat
o Votantes menos formados son + influenciados

 Conjuntos y prototipos

o Mas fácil sacar promedio q long de líneas

o Exon Valdes: ¿cuánto disp. a pagar p salvar 2000,
20.000 o 200.000 aves? WTP no cambia casi nada.
Contexto emocional, completo descuido de cant

 Equivalencia de cantidades o intensidades

 9

o Preguntas cuya dimens es intens o cantidad:

popularidad, felicidad, castigo
o Por ej. : Como relac intens de crimen con sever de
pena? Estan correlac? Cómo trad de 1 escala a otra?
Exceso de conf en corresp

 Formato de “escopeta mental” S1 hace mas q lo q S2 le

encarga

o Experimento: presionar timbre cuando palabras riman

Capítulo 9: Responder a una pregunta mas fácil

 Estado normal: tenemos respuesta/opinión sobre “casi todo”.

 Respuesta a preguntas q no acabamos de entender. En base a
“supuesta evidencia”
 Sustituyendo preguntas
o Si no se encuentra resp satisf a pregunta: se contesta una
mas fácil
o Pregunta heurística: mas sencilla, c resp adecuada aunq
imperf
o Idea de sustitución
o Gente simplifica – como lo hace?
o Tabla pag 134: preg mas difícil, preg mas fácil

 “Escopeta mental”: capac de generar resp sin exigir a S2


 10

 La escopeta mental: hace que resulte fácil generar

respuestas prontas a preguntas difíciles sin exigir
demasiado al Sistema 2.  Sin embargo, las respuestas
necesitan ajustarse a las preguntas originales. Ese
problema se resuelve con otra capacidad del Sistema 1
que es encontrar equivalencias de intensidad.

 E.g.: cuanto WTP para salvar delfines  cuanto me indigna 

cuanto disp. a pagar

 S2: posib de aceptar/rechazar. Pero perezoso, puede aprobar

heurist equivoc

 Heuristica 3D: contesta en 3D pero problema es en 2D. Se

produce una ilusión, NO es un malentendido. 3D irrelevante para
tarea propuesta.

 Heurística del estado de ánimo:

o Experimento: Como de feliz me siento/he recib una

invitación; He recib una invitac/como de feliz me siento.

o “Ser feliz”: preg difícil

o Cuantas invitac: preg mas fácil

o Las emociones corresponden a s2

 11

 Slovic: heurist del afecto. Pref polit determ

argumentos/evidencias
 Frase p 140:
o Creencias cambian (poco)
o Cambio de percepc de costos/riesgos pueden hacer aceptar
propuesta, luego creenc de benef aumenta aunq no se haya
hecho ref a estos. Busqueda de info y argumentos
compatibles.

Capítulo 10: Ley de Pequeños Números

 Ejemplo cancer renal: zonas rurales vs urbanas

 Difícil relación entre mente y estadística

o S1: en forma hábil encuentra relaciones causales
o S1: inútil cuando enfrenta hechos estadisticos

 Muestra de 4 bolas:
o Probabilidad 4 r
o Probabilidad 2r y 2b

 Hechos demanda causa

o Explicac estadística no es causal
o “Artefacto”: observación fruto de metodología de
investigación

 Muestras grandes: + confianza

o Pero: somos insensibles (intuitivamente) a tamaño muestra
 12

o Aún investigadores perspicaces

o “Ley de peq números”: somos buenos “estadísticos
intuitivos”: no. Si no prestamos atención a tamaño muestra:
resultados inconcluyentes

 Confianza frente a la duda

o Insensib a tamaño muestra
o S1 no se inclina a la duda
o S2 capaz de dudar

 Además: somos proclives a exagerar consistencia y coherencia de

lo que vemos

 Causa y causalidad
o Maq asociativa busca causas
o S1: “como se produjo el suceso”
o S2 (o explicación estadística): que podría haber sucedido en
lugar de lo que sucedió, “nada” hizo que se produjera

 Predilección x pensamiento causal: serios errores

o Somos buscadores de patrones
o Creyentes en un mundo coherente, regularidades
o Mala comprensión de aleatoridad. Vemos patrones donde
no existen

Cap 11 Anclas

 Rueda de la fortuna y países africanos miembros ONU:

o # 10: 25
 13

o # 65: 45

 “Efecto ancla”. Partir de un valor particular. E.g. WTP en

negociación
 Dos procesos:
o Uno opera a través de S1: intenta hacer realidad frases
o El otro S2: construye mundo donde ancla es el num
verdadero. “Coherencia asociativa”

 Ancla como ajuste: dibujar 2 flechas de 2 ½ pulgadas

 Nos detenemos cuando ya no estamos cómodos. Anclaje como

“priming”

 Ajuste: intento deliberado de apartarse del ancla

 Negar con cabeza, asentir con cabeza

 Temperatura media Alemania

o 20 grados: reconoce más fácilmente frases con “calor”

o 5 grados: reconoce más fácilmente frases con “frío”

 Índice de anclaje

o No solo en experimentos
o Altura Sequoia:
 > 1200 pies: 844
 > 180 pies: 282
 14

 Efecto Ancla: (844-282)/(1200-180) = 562/1020 = 55 %.

Esto es típico de estudios de este tipo.

Cap 13: Disponibilidad, emoción y riesgo

 Kunreuther: sesgo de disponibilidad ayuda a explicar toma de

seguros. Dinámica de la memoria explica ciclos recurrentes

 Acciones preventivas diseño par plan de desastres

 Disponibilidad y afecto:
o Slovic/Lichtenstein/Fischoff: precepción pública de riesgos
o Estimaciones = f(cobertura mediática)
o Medios: modelan opinión
o Son modelados
o Mundo que imaginamos no son una réplica exacta de la
realidad.
o Estimaciones dependen de activación de ideas

 Slovic: heurística del afecto

o Juicios y decisiones: consulta emoción
 15

 Damario: personas que no manifiestan emociones: mejores

decisiones

 Slovic: Demostración de heurística del afecto

o Cuanto le gusta cierta tecnología
o Tecnología: Beneficios y Riesgos
o Inicialmente no me gusta. Cambio de idea x nuevo info
Beneficios. Luego estimo de forma distinta riesgos, de lo cual
no me han dicho nada.
 Heurística del afecto crea un mundo mas bonito q la realidad
o Técnicas buenas carecen de riesgos
o Técnicas malas carecen de beneficios

 El público y los expertos

o Slovic: juicio humano sobre riesgos
o Ciudadanos guiados mas x emociones q x razón. Influencia
de detalles insignificantes
o Expertos: muestran en forma atenuada los mismos sesgos
o Diferencias entre expertos y público
 Diferencias en sesgos
 Diferencias en valores
o E.g.
 Experto: mide años de vida, número de vidas.
 Público: mas cualitativo, mas sutil
o Despojar a expertos de control exclusivo
o Reacción exagerada a evento menor
o Grado de preocupac no es demasiado sensible a probab de
daño
o Cascada de disponibilidad: enorme exageración a amenazas
menores
 16

o Terroristas: gran impacto (S1 analiza)

 Sunstein: confía en expertos imparciales
 Slovic: mucho menos confianza en expertos: aislar a expertos de
opinión pública genera políticas que el público rechazará
 Slovic: resistencia de sociedad a decis tomadas x expertos

Capítulo 14: La especialidad de Tom W

 Tom W: que probab de que sea estudiante de varias carreras. No

demasiado difícil: “tasa base”
 Pero: nos dan personalidad de Tom W. Nos piden q ordenemos de
mas a menos probable. “Estereotipo profesional”
 Insinuación sobre el perfil de Tom activan asociación con
estereotipo: S2
 Cuando se ordena campos de especilizac de acuedo a P de q Tom
pertenezca
o Centran atención en representatividad
o Ignoran tasa base y verac de descripcion
o Error lo comenten estadísticos experimentados
o Alumnos c conoc de estadist: ordenan P(pertenecer) x
similitud con estereotipo ignorando tasa base
o P(Tom) estudia informática? No hay respuesta sencilla,
grado subjetivo de creencia (p199)
 17

o Definiciones de probable: lógicos y estadísticos. Probab:

noción vaga
 Pecados de la representatividad
o Juzgar probabilidad por representatividad: ventajas.
Impresiones intuitivas en general razonablemente exactas
o En muchos casos cierto grado de verdad en estereotipos.
Pero a veces son falsos
o Un pecado: disposic excesiva a predecir acontec
improbables (baja tasa base). Ej persona leyendo NYT en
subte: PhD o no?
o Tasa base se usa + cuando no hay info sobre caso individual?
o Harvard: fruncir el ceño activa S2
o Juicio intuitivo incorrecto: hay q acusar tanto al S1 como al
S2. S1 sugiere intuición, S2 la aprueba. Falla del S2: x
ignorancia o pereza
o Otro pecado de la representatividad: insensibil a calidad de
evidencia WYSIATI
o Pag 204: Cuando hay dudas sobre calidad de evidencia:
hacer q juicios de probab sean los de tasa base

 Como disciplinar la intuición

o Creencias deben someterse a lógica de probabil
o Estadística bayesiana provee marco lógico
o Como creencias previas (tasa base) son combinadas con
evidencia
o Dos ideas de razonamiento bayesiano:
 Tasa base importa
 Impres intuit sobre diagnosticidad a menudo
exageradas p205
 18

Capítulo 15: Linda – menos es mas

 P(cajera y feminista)>P(cajera)  incoherencia

 Conj interesecc + probable ¿? Diagr Venn
 Conflicto entre intuic de represent y leyes probab
 Fallo del S2. Se infringe lógica de probabilidad
 Falacia: infringimos regla lógica. Falacia de la conjunción.
 Cuando están seguidos en renglón: menos errores. Se activa S2
o Juicios de representatividad (similitud a estereotipos)
o Sustitución de probabilidad por plausibilidad  efector
perniciosos
o Una “mejor historia” confunde
 Menos es mas
o Valuación de lotes de vajilla: uno al lado del otro se valúan
correctamente, valuados en forma indep no.

 Problema de Linda y el de la vajilla tienen la misma estructura

Capítulo 16: Las causas triunfan sobre la estadística

 Taxi causa accidente en ciudad. 85 % de taxis verdes y 15 %

azules. Identifica como azul. P(v/v) = 0.80, P(v/a) = 0.20
 Indentifica como azul. P(azul) = ¿?
 Problema inferencia bayesiana
 Si ambas compañías igualmente grandes: tasa base poco in
formativa. Como combinar dos fuentes de info?
 Respuesta correcta: 41 %
 Estereotipos causales
 19

o Idem anterior pero P(accidente) difiere según compañía

o Matematicamente idéntico al anterior, psicológicamente
distinto
o Aca estimación corresponde mas a Bayes. X qué?
o 1era versión no hay “historia” a partir de la cual elaborar, en
la 2da si. Estereotipo de verde imprudente.
o Estereotipo de ajusta a historia causal
o Dos tipos de tasa base:
 Tasa base estadística: se les da menos importancia
 Tasa base causal: fácilmente combinadas con otra info
o Estereotipo: palabra mal vista. Acá se usa en sentido neutral
o Representa categorías como normas y ejemplos prototípicos
o Ironía pag 223
o Normas sociales contra estereotipos: beneficiosa para
sociedad mas justa e igualitaria
o Pero: rechazo de estereotipos válidos produce juicios
subóptimos
o Resistencia a estereotipo” posición moral loable, pero q
tiene sin embargo sus costos – relac C/B: ver quote pag 224
 Situaciones causales:
o Otros experimentos tasa base causal (Ajzen)
o Muestra viñeta de estudiantes y pregunta P(aprobó examen)
o Info q da a un grupo sobre tasa base: 75 % aprobó, otro 25 %
aprobó
o Sujetos muy sensibles a tasa base (historia causal: examen
más difícil)
o Manipula “historia” transformando tasa base en algo
estadístico  se le da ahora mucho menos importanica a
tasa base. S1 puede tratar historias causalmente
relacionadas, pero es débil con razonamiento estadístico
 20

o Bajo el pto de vista “bayesiano” historias son equivalentes.

Pero la concl es q tasa base causal es utilizada, pero la
estadística mucho menos.
 ¿Puede enseñarse esta psicología?
o Gente no siempre hace inferencia q entra en conflicto con
otras creencias. Tasa base sub-utilizada? (pag 226)
o Experimento de Nisbett: pedido de auxilio. Se sienten
exonerados de ayudar cuando saben q otros han oído
petición
o Resultado: incluso personas normales y decentes no se
apuran en ayudar cuando otros pueden hacerlo
o Presencia de otras personas reduce mi sentido de
responsabil (no me queda del todo claro)
o Cambiar nuestras ideas sobre naturaleza humana es difícil,
mas aún si es para peor.
o Experimento: solo 27 % de personas presta ayuda
o Descripción anodina. Pese a conocer tasa base, su
preduccion era alta predisp a ayuda
o Implicancia desalentadora. Experimento les enseña algo que
no sabían, su forma de pensar no cambia.
o Poder del entorno social: experimento electroshock
o Quote pag 230
 No aprenden razonando de lo general a lo particular
 Si extrapolan de lo particular a lo general
o Hechos estadísticos no cambian la concepción del mundo
o Profunda brecha entre pensamiento estadístico y
pensamiento de casis individuales.
o Resultados estadísticos con info causa >> impacto q sin esta
o Estadística causal no modificará creencias largamente
sustentadas enraizadas en exper personal
 21

o Casos concretos: fuerte impacto

Capítulo 17: Regresión a la media

 Entrenamiento FA israelí: premios + eficaces q castigos. Invest

respaldada en experimentos c animales
 Objeción: luego de recompensa performance baja
 Observac es correcta pero inferencia no lo es
 Felicitacion si perf > media, luego “regresión a la media”
o Arrojar 2 monedas a un blanco en el piso
o A una buena seguí una mala y viceversa
 Ojo: feedback puede ser perverso
 Estadísticamente castigados x ser amables
 Talento y suerte
o Exito = talento + suerte
o Es de esperar q resultados “converjan” a la media. Result
extremos – probables.
o Regresion se da de “día 1” a “día 2” y viceversa. Por lo tanto
NO es causal
o A veces historia causal se usa para explicar fenómeno no
causal de regresión
o Suerte desempeña un papel
 Para entender la regresión
o Fenómeno de regresión es extraño para mente humana
o Siglo XIX Francis Galton. Regularidad estadística muy común
pero ignorada
o Coef de correlac (0≤cc≤1) infl relat de factores q comparten
o Poca variación: menor cc
 22

 Corr SAT – GPA mas lata q GPA y éxito (menos variab

acá)
o Siempre que correlac entre dos variables sea imperfecta
habrá regresión a la media
 Dificil explicar concepto (estadístico): mente busca explicac
causales. No se lleva bien con mera estadística
 Memoria asociativa busca “causa” almacenada en memoria
 Personas que brindan explica causales: son remuner x ello.
 Insistentes demandas de explicac causales del S1
 Unica forma de “comprobar” si bebida es efecto contra
depresión: experimento: grupo control, grupo tratamiento
 Ejemplo Max Bazerman venta de tiendas
 23

Capítulo 18: Domesticando las predicciones intuitivas

 En forma permanente hacemos predicciones

 A veces en base a “daros”. Otras x S1. S1 ya sea x (a) exper
repetida o (b) operac heurística donde se sust preg + fácil x una +
difícil
 Intuiciones no regresivas
o Rechazamos info irrelevante
o Pero podemos pasar x alto débil de info  constr mejor
historia posible (memoria asociativa)
o Evidencia es eval en relación a una norma – sustit y
equivalencia de intensidad
o Extrapolamos percentil de precocidad en lectura con
percentil de GPA
o Equivalencia de intensidad genera predicciones extremas
o Lo anterior: característica del S1
 Experimento con Amos:
o Descripción verbal de alumno – e.g. resultados de entrevista
o Percentil de calificación
o Predicciones son en gral sesgadas, olvidan regres a la media
 Selección de cadetes
o Sistema habitual de calificaciones
o Evaluación subjetiva de perf futura. Dos escalas coincidían
casi exactamente. Predicciones no consideraban incertid
 Corrección para predicc intuit
o Predicc no sesgada:
 24

 Empezar con GPA promedio (línea de base)

 Determinar el GPA según evidencia (predicc intuit)
 Estimar correlac entre evidencia y GPA (traslada intuic)
 Si correlac es 0.30 movernos el 30 % de distancia desde
el promedio al equivalente (toma en cuenta intuic pero
de forma mas moderada)
o Predicc intuit necesitan ser correg
 Una defensa de predicc. extremas
o Eval no sesgadas y razonables:
 Linea de base – predicc intuit – predicc intermedia. Si
no tenemos info nos quedamos en línea de base.
o Predicc intuitivas tienden a ser extremas
o S2 corrije pred intuit. Esfuerzo, solo justif si costo de error es
grande
o Prefer x predicc no sesgadas: cuando errores en una direcc
son = costosos q en otra. E.g. inversion modesta pero
riesgosa q puede desembocar en un Google.
o Estimac distors pueden evitar parálisis
 Entrevista a 2 candidatos p puesto: uno + convincente pero c
menos antecedentes. Menos info “atractiva” contra mas info
 P 257 selecc de 2 inversiones


Capitulo 19: Exceso de Confianza

 Falacia narrativa: historias dudosas del pasado q confirman

opiniones. Intento de dar sentido al mundo. Concreta, no
abstractas. + import al talento, estupidez etc q al azar
 Explicaciones p dar sentido al mundo. Explicac “coherente”.
Efecto halo influye.
 25

 Relato crea sensac de inevitabildad. E.g. éxito de Google.

Podemos predecir éxito a partir de decisiones?
o Exageramos import de aptitudes y subest el de la suete
o Piraguista vs Google. Cuanto mas importante es la suerte
menos hay q aprender.
o Constr mejor historia posible, si es buena la creemos.

Cap 20: Ilusión de Validez

 S1: hecho p saltar a concl con evid escasa, no p medir dist

 WYSIWTI: evidencia escasa
 Coherencia de historia: confianza
 Para muchas de nuestras creencias: no tenemos evid
 Ilusión de validez
o Eval candidatos p oficiales
o Pasar al otro lado de obstáculo
o Miraban el comport de cada candidato. Puntuac. Hist
coherente de c/u. Predicc definitiva c/u
o No sentían neces de moderar concl
o Luego comparaban c lo q post ocurria: capac de predicc
insignif
o Pero seguían haciendo lo mismo: “ilusión de validez”.
Sustitución y heurística de representatividad
o Claro ejemplo de WYSIWTI. No regresivas.
o Conoc de regla general (capac predict muy baja/nula) no
afectaba confianza en predicc
o Tasa base ingorada
o Confianza: refleja coherencia y fácil cognit
 26

 Ilusión de aptitud inversora

o Visita a inversor. X q vende?
o Ilusión de sagacidad
o Compr y vend piensn q precio esta equiv. c/u cree q sabe
mas
o Anal de rentab de decis de compra/venta: no ganan
o Invers mas activos: peores result
o Invers generales + afect x noticias q los profes
o Inver profes > desempe q no profes, pero poca persist del
éxito. Result aleatorios
o Invers inmóvil: idem, en gral rinden similar a mercado
o Recompensan suerte como si fuera aptitud. Ilusión de
aptitud arraigada en cultura industrial
o Este mensaje no es internalizado x destinatarios. “Historias”
son creidas + q hecho estadist
 ¿Q sustenta ilusión de aptitud y de validez?
o Ilus cognitiva puede ser mas tenaz q ilusión visual
o ¿Por q nos obstinamos? MG: ¿conflicto de interés?
o Yo estudio mercado p predecir—trabajo serio y difícil – pero
esta esto ya incorp?
o Confianza ciega de inversores no es un juicio sino un
sentimiento. Fruto de fácil cognit y coherencia asociat,
asentado firmemente en S1
o Sust tb en cultura profes – “comunidad de creyentes”.
 Ilusiones de los entendidos
o Creer q futuro es predecible alentada x constr de historias
o Ex post todo cobra sentido. Creemos q podemos expl
pasado
o Ilusión de predicc valida: TV, radio, perdiodico
 27

o Tetlock: expert polit judgement:

 80.000 predicc
 Result demoledores: acierto < q si hubiera sido al azar
 Los q saben mas ligeramente mejores, pero son menos
de fiar pero ojo exceso de confianza “efecto dunning-
krueger”
 “Expertos” no mucho mejor q lectores inteligentes
 “Expertos” se niegan a reconocer q están equivoc
o Isaiah Berlin: erizos y zorros
 No es un fallo del experto: el mundo es difícil

Cap 21: Intuic vs Fórmulas