A partir de esta clase comenzaremos a trabajar con los razonamientos no deductivos.

Como vimos,
en estos razonamientos no se pretende que la conclusión se siga necesariamente, sino con algún
grado de probabilidad.
Así como hemos visto que la lógica formal nos ayuda a construir buenos razonamientos deductivos
y nos da herramientas para evaluarlos, la estadística nos ayuda construir buenos razonamientos no
deductivos y nos da herramientas para evaluarlos. Como ustedes deberá cursar Estadística,
adquirirán en ella herramientas análogas a las que nosotros les dimos para los razonamientos
deductivos. Por lo tanto, en relación a los razonamientos no deductivos, nosotros nos
concentraremos en destacar sesgos comunes, errores que se suelen cometer al evaluar
probabilidades.

Retomemos la noción de heurística, que habíamos presentado en la clase 2.

Una heurística es “un procedimiento sencillo que nos ayuda a encontrar

respuestas adecuadas, aunque a menudo imperfectas, a preguntas
difíciles”.1

Poseer una heurística es poseer una herramienta para resolver un problema. Un problema puede ser,
por ejemplo, saber lo que alguien está deseando. Como no podemos leer la mente de la persona,
tendremos que recurrir a herramientas que nos permitan dar una respuesta, aunque esas
herramientas no sean infalibles. Así, puedo suponer que un niño desea una cosa, en virtud de que le
dedica mucho tiempo a mirar esa cosa. Prestar atención a su mirada es una heurística para
determinar qué es lo que está deseando. Podemos aplicar la misma heurística cuando hacemos
deporte. Si quien tiene la pelota está mirando en una dirección, concluiremos que lo más probable
es que busque pasar la pelota en esa dirección. ¿Puede fallar la heurística? Claro que sí. Un jugador
experimentado explotará el uso de esta heurística, y cuando desee pasar la pelota hacia un lado,
mirará en otra dirección, para engañar a quien lo marca. La heurística es una buena herramienta,
pero en ciertos contextos no funcionará.

Bien, ahora nos concentraremos en las heurísticas que tenemos para evaluar probabilidades, y en los
errores que podemos cometer al utilizarlas.
En la clase 2 habíamos dicho que el mayor inconveniente (para el tema que nos ocupa en este curso)
lo tendremos cuando el problema sea difícil, el Sistema 1 cuente con una heurística, y el contexto
sea aquél en el que seguir la heurística nos lleva a cometer errores. En estos contextos, aplicar la
heurística nos llevará a errores sistemáticos o sesgos.

Habíamos dicho que un sesgo es un error sistemático que se produce en

circunstancias específicas.

La evaluación de probabilidades es difícil (¿cuán probable es, por ejemplo, que en julio
aumenten/bajen/se mantengan los contagios de coronavirus?), el sistema 1 cuenta con heurísticas
para realizar una evaluación (veremos dos: la heurística de disponibilidad y la heurística de
representatividad). Aunque estas heurísticas sean muy útiles (nos dirijan, en muchos contextos,
hacia respuestas correctas al problema), en determinados contextos, nos llevarán a un error

1 Kahneman, D., Pensar rápido, pensar despacio, Buenos Aires, Debate, 2012, p. 133.
sistemático o sesgo.

La heurística de la disponibilidad

¿En qué consiste esta heurística?

La heurística de la disponibilidad consiste en evaluar la probabilidad de

algo en función de la impresión que tengamos de cuán rápido nos vendrán
a la mente ejemplos de ese algo.

Dicho de otro modo, evaluaremos la probabilidad de algo a partir de evaluar con cuánta facilidad
dispondremos de ejemplos en nuestra mente.

Por ejemplo, si nos preguntan: ¿qué es más frecuente en Argentina: que un apellido comience con G
o con Y?, seguramente responderemos que hay más apellidos que empiecen con G, aun sin pasar a
buscar ejemplos. Y si pensamos un poco, vendrán a nuestra mente González, Gutiérrez, Gómez …,
mientras que será más difícil encontrar ejemplos de apellidos que comiencen con Y. Cuando
pensamos en la G como inicial de un apellido, tenemos la impresión de que encontraremos
rápidamente varios ejemplos, lo cual no ocurre cuando pensamos en la Y.

La heurística tiene sentido, y aplicarla en el ejemplo citado nos ofrecerá una respuesta correcta. Lo
mismo si nos preguntan: “¿qué es más probable: que un brasilero se destaque en el fútbol o un
sudafricano”?. Seguramente ninguno de nosotros cuente con datos fidedignos para determinarlo,
pero es muy probable que asociemos el fútbol a Brasil, y no a Sudáfrica. Ni siquiera es necesario
recordar un ejemplo en concreto. Y si respondemos que es más probable que un brasilero se
destaque en el fútbol, habremos acertado. Nuestra estrategia asociativa habrá dado frutos.

¿En qué contextos da lugar a sesgos?

En el ejemplo de los apellidos, la fluidez con que nos llegan ejemplos a la mente deriva del hecho
de que efectivamente hay muchas personas cuyo apellido comienza con G. La alta frecuencia de
esos apellidos determina la facilidad con que los recordamos. En este caso, probabilidad y
disponibilidad de ejemplos van de la mano y por eso la heurística da buenos resultados.

El problema lo tendremos cuando haya factores que influyan sobre la

rapidez con que nos vienen ejemplos a la mente, pero que no tengan nada
que ver con las probabilidades. En tales casos, la heurística dará lugar a un
sesgo (a un error sistemático en circunstancias específicas).
En este caso, en circunstancias donde jueguen un papel los factores que influyen en la facilidad,
pero que no están relacionados con la probabilidad, tendremos una tendencia a sobreestimar la
probabilidad: estaremos frente a un error sistemático (sobreestimar) en circunstancias específicas.2

Kahneman destaca tres factores que influyen sobre la facilidad con que
recordamos ejemplos, pero que no tienen que ver con la probabilidad de
que ocurra un evento (y que por tanto dan lugar a sesgos por aplicación de
la heurística de disponibilidad):
(a) sucesos notables
(b) sucesos dramáticos
(c) sucesos personales

Veamos cada uno por turnos:

a) Sucesos notables

Los acontecimientos que han sido cubiertos por muchos medios de comunicación, o de los que se
ha hablado mucho en las redes sociales, o que involucran a personas muy famosas, son más fáciles
de recordar que otros acontecimientos.

Supongamos que se descubre que un actor famoso evadió impuestos. Luego, si nos encontramos
discutiendo sobre la evasión de impuestos, podemos tener un juicio sesgado en relación a cuán
probable es que la gente evada impuestos, ya que rápidamente recordaremos este caso notable de
evasión. Como el ejemplo del actor vendrá rápidamente a nuestra mente, podemos llegar a creer que
la evasión es más común de lo que en realidad es.
Si, en cambio, hubiésemos escuchado al pasar que una persona desconocida evadía impuestos,
probablemente no nos hubiese llamado la atención, y lo habríamos olvidado rápidamente; luego, ese
suceso no habría jugado ningún papel en nuestra evaluación posterior sobre cuán frecuente es el
fenómeno de la evasión de impuestos en nuestro país.

El suceso notable no tiene por qué involucrar a personas famosas. También pueden tratarse
simplemente de un acontecimiento muy llamativo. Por ejemplo, supongamos que se plantea el
siguiente problema: ¿cuán probable es que muchas especies de animales estén en peligro de
extinción? Si tiempo atrás leímos un listado de 15 especies en peligro de extinción, entre las cuales
no había ninguna muy conocida, posiblemente más adelante no recordemos a ninguna, por lo que
no afectarán nuestro juicio en relación a las probabilidades. Pero si entre esas 15 especies está el oso
pardo, el koala o el puma, entonces seguramente jugarán un papel en nuestra posterior evaluación
de probabilidades.
Las siguientes son preguntas que pueden verse afectadas por el sesgo de disponibilidad:

- ¿Cuán probable es que un jugador de fútbol gane mucho dinero?

- ¿Cuán probable es que en todo un país se corte la luz?
- ¿Cuán probable es que una mujer de más de 70 años conduzca un programa de televisión?

Es probable que vengan rápidamente a nuestra mente jugadores de fútbol famosos, que ganan
mucho dinero, el corte de luz que afectó a todo el país en 2019 para el día del padre, y las

2 A su vez, todo factor que influya en la dificultad para encontrar ejemplos nos llevará a subestimar probabilidades.
conductoras Mirtha Legrand y Susana Giménez. La fácil disponibilidad de estos datos notables hará
que pensemos que ese tipo de hechos son más probables que lo que son en realidad. Resumiendo,
los sucesos notables impactan sobre la facilidad con que los recordaremos, pero no tienen relación
con la probabilidad del hecho representado. De aquí que den lugar al sesgo a sobreestimar las
probabilidades.

b) Sucesos dramáticos

Los acontecimientos dramáticos también suelen estar fácilmente disponibles en nuestras mentes
como para ser rápidamente recordados. Por ejemplo, es fácil recordar lo sucedido con el submarino
ARA San Juan, la inundación de La Plata en 2013, el incendio de Cromañón, etc.

Por lo tanto, si se nos pregunta por la probabilidad de que ocurra una tragedia en un concierto, o en
un viaje submarino, o por la probabilidad de que se inunde La Plata, fácilmente vendrán a la mente
los anteriores ejemplos. Sin embargo, esa facilidad no se deberá a que se trate de hechos muy
frecuentes, sino a que su dramatismo contribuye a grabar su recuerdo en nuestra mente y a tenerlo,
luego, fácilmente disponible. De aquí que la fácil disponibilidad de estos sucesos tienda a llevarnos
al sesgo de sobreestimar su probabilidad.

Las siguientes son preguntas que pueden verse afectadas por el sesgo de disponibilidad:

- ¿Cuán probable es que un avión se estrelle contra un edificio?

- ¿Cuán probable es que haya una pandemia dentro de 20 años? (¿Hubiesen respondido lo mismo si
se les hubiese hecho la pregunta hace un año?)
- ¿Cuán probable es quedarse atrapado en una mina?

c) Sucesos personales

Por último, es claro que las experiencias personales serán más fáciles de recordar que experiencias
análogas que ocurrieron a otros. Obviamente, el hecho de que algo me haya pasado a mí no es
evidencia de que se trate de un suceso frecuente. Pero, como el recuerdo de un suceso personal
vendrá rápidamente a mi memoria, tenderé a pensar que se trata de un hecho frecuente.

Así, por ejemplo, si nos roban, luego, si presenciamos un debate sobre si ha aumentado o no la
frecuencia de robos, seguramente nos pondremos del lado de quien dice que ha aumentado. Sin
embargo, lo que nos ocurre a nosotros no tiene por qué ser lo que frecuentemente ocurre.

Del mismo modo, cuando se da una fuerte tormenta de granizo, la gente tiende, luego, a asegurar el
auto contra granizo. ¿Por qué no se aseguró antes? La probabilidad de que se dé una tormenta de
granizo no cambia porque se haya dado una recientemente. Antes no se aseguraron porque pensaron
que era poco probable que se viesen afectados por una tormenta tal. Ahora que granizó, tienen el
caso bien disponible en la mente, por lo que tienden a creer que la probabilidad de que se vuelva a
dar otra tormenta de granizo es mayor de lo que creían antes.

Tomemos el caso de la actual pandemia. Antes de que ocurriera, mucha gente no se preocupaba por
el hecho de que el presupuesto que se volcaba a salud fuese disminuyendo. Puede que, como no
tenían disponibles ejemplos de problemas públicos de salud de gran envergadura, considerasen que
no era probable que se diese un problema de ese tipo. Esa gente no evaluaba probabilidades, sino
que su conclusión derivaba de una impresión de que no sería fácil encontrar muchos ejemplos de
pandemias que requieran un fuerte sistema de salud. Hoy, que contamos con un claro ejemplo de
problema de salud público, seguramente muchos aceptarían destinar año a año una mayor partida
presupuestaria para los hospitales públicos.

Heurística de la no disponibilidad inexplicable y su sesgo

Como nos guiamos por la facilidad, si nos vienen fácilmente ejemplos a la mente, pensaremos que
la categoría es extensa o que el suceso es frecuente.
Sin embargo, en ocasiones puede ser fácil recordar tres o cuatro ejemplos, pero ¿qué pasará si nos
piden que recordemos doce? Obviamente, esperaremos que sea un poco más difícil, pero si resulta
más difícil de lo esperado, entonces se dará una paradoja. El rápido recuerdo de tres casos nos lleva
a concluir que el suceso es frecuente, pero si logramos recordar doce (con mayor dificultad de la
prevista), pensaremos que no es tan frecuente. No nos impacta tanto la cantidad de ejemplos, como
la rapidez; y si lo que tenemos que recordar es un número grande de ejemplos, esa rapidez se pierde.

Si nos preguntan, por ejemplo, ¿cuán probable es que x cumpla con sus compromisos?, podemos
responder que es muy poco probable, porque recordamos fácilmente tres ocasiones en que no los
cumplió. Supongamos, ahora, que nos piden que recordemos 10 ocasiones en que no cumplió sus
compromisos. Como tenemos la impresión de que será relativamente fácil recordar esas 10
ocasiones (aunque sabemos, obviamente, que será más difícil que recordar 3), si ocurre que la tarea
resultó más difícil de lo esperado, tenderemos a concluir que, en realidad, no era tan poco probable
que x cumpliese con sus compromisos.
De nuevo, 3 ejemplos de incumplimientos nos bastaban para decir que es una persona poco
confiable, pero 10 ejemplos de incumplimientos (esto es, recordar 7 ocasiones más en las que no
cumplió) nos dan la idea de que no es tan poco confiable. Evidentemente, no es la cantidad de
ejemplos lo que determina nuestra estimación de las probabilidades, sino la facilidad o dificultad
con la que vienen ejemplos a la cabeza.

¿En qué consiste esta heurística?

A esta otra cara de la disponibilidad se le llamó “heurística de la no

disponibilidad inexplicable”: si suponemos que vamos a tener disponible,
de una manera relativamente fácil, un número de ejemplos, pero luego no
es así, esta falta inexplicable de disponibilidad nos lleva a concluir que la
frecuencia del suceso es menor que la que habríamos calculado, si nos
hubiésemos limitado a buscar pocos ejemplos.

Los ejemplos que suponíamos que íbamos a tener fácilmente disponibles en nuestra memoria, no
estuvieron tan fácilmente disponibles. Y de eso concluimos que el hecho no era tan frecuente como
creímos inicialmente.

¿Por qué inexplicable?

 Porque si contamos con una explicación de la carencia de fluidez, ya no
usaremos esta heurística.

Por ejemplo, si nos dicen que vamos a tener problemas para recordar ejemplos porque una
medicación que estamos tomando tiene un efecto negativo sobre la memoria, entonces, cuando nos
cueste recordar ejemplos, no pensaremos que es porque en realidad no se trata de una persona poco
confiable, sino porque el medicamento nos está afectando.

La heurística de la representatividad

¿En qué consiste esta heurística?

La heurística de representatividad consiste en evaluar la probabilidad de

que un individuo x sea miembro de una clase Y en función de la evaluación
de cuán representativo es x de Y, esto es, cuán parecido es x a la imagen
que tenemos del miembro típico o característico de Y.

Por ejemplo, si nos encontramos con un bolso que contiene dos pañales, toallitas húmedas, una
muda de ropa para bebé y una billetera (x), seguramente concluiremos que es muy probable que sea
el bolso de una madre (Y), puesto que contiene lo que es típico que contenga el bolso de una madre.

Cuando Y es una categoría social, evaluamos cuán parecido es x al estereotipo de Y. Así, cuando
vemos a alguien con traje, corbata y portafolios caminando por la vereda de un juzgado (x),
concluiremos que es muy probable que se trate de un miembro de la clase de los abogados (Y),
puesto que x coincide con el estereotipo del abogado (coincide con la imagen que tenemos del
abogado típico).

Al igual que la heurística de la disponibilidad, la heurística de la representatividad es muy útil. Sin

embargo, no debemos perder de vista que evaluar probabilidades y evaluar parecidos son cosas
distintas, por lo que reemplazar a la primera por la segunda puede conducirnos a errores.
Veamos una evaluación de probabilidades y una de parecidos.

a) Evaluación de probabilidades

Supongamos que se cargan en un archivo los nombres de todos los habitantes del mundo (o sea,
alrededor de 7500 millones de nombres), y utilizamos un programa para que seleccione uno solo de
todos ellos. Sin saber nada del nombre seleccionado, ¿si tuviésemos que decir a qué país es más
probable que pertenezca, qué tendríamos en cuenta? Evidentemente, la población de cada país. Por
ejemplo, sería muy poco probable que pertenezca a Uruguay, dado que sólo 3,5 millones de
nombres de la lista son de ese país. Es mucho más probable que pertenezca a China, puesto que
1400 millones de nombres de la lista son chinos.
En este caso, para evaluar la probabilidad de que un elemento específico pertenezca a una clase
utilizamos las tasas base, esto es, las probabilidades conocidas independientes de todo dato del caso
específico. En este caso, como no sabemos si el nombre es Amank'ay, Anne o Mei Ling (es decir,
como no sabemos nada del nombre, que nos pueda orientar hacia un país más que otro), lo único
que podemos usar en nuestra respuesta es el dato de cuántos habitantes tiene cada país: cualquiera
sea el nombre que haya salido, es más probable que pertenezca a un país con más habitantes que a
un país menos poblado.

b) Evaluación de parecidos

Para evaluar parecidos, en cambio, no es relevante tener datos probabilísticos, puesto que nos
vamos a concentrar en los datos específicos del caso. Si nos dicen que una persona suele caminar
con un termo en una mano y un mate en la otra, lo asociaremos con un uruguayo, antes que con un
chino. La descripción de la persona coincide con el estereotipo de un uruguayo, y está muy alejado
del estereotipo de un chino.

¿Cuáles son las diferencias entre representatividad

y probabilidad que dan lugar a sesgos?

1° DIFERENCIA: La similitud de la muestra con el estereotipo no se ve afectada por el

tamaño del grupo representado por el estereotipo, pero la probabilidad sí.

Una categoría social no tiene por qué ser amplia para contar con un estereotipo. Nos podemos hacer
un estereotipo del genio matemático, del músico de jazz, del habitante de China, del lector del
diario Clarín, etc. Habrá, entonces, estereotipos de categorías sociales que abarcan a una inmensa
cantidad de personas y estereotipos de categorías sociales que incluyen a pocas personas.

Este hecho hará que la heurística de la representatividad conduzca a un

sesgo: cuando sea poco probable que x sea Y (debido a la tasa base), pero
se dé un fuerte parecido entre x y el estereotipo de Y, consideraremos
erróneamente que es muy probable que x sea Y.

Veamos un ejemplo.
Supongamos que una Universidad tiene 100.000 estudiantes. Entre las carreras que se dictan, está la
de Filosofía, que cuenta con 100 estudiantes.
Contamos, ahora, con una descripción de uno de los estudiantes de la Universidad: le gusta leer al
filósofo Nietzsche, no le importa demasiado ganar mucho dinero y no le apasionan los deportes.
¿Qué es más probable: que estudie Filosofía o que estudie otra carrera?
Si evaluamos parecidos, diremos que se corresponde más con el estereotipo del estudiante de
Filosofía, que con cualquiera de los estereotipos de los estudiantes de otras carreras. Ahora bien,
¿eso implica que sea más probable que estudie Filosofía, que que estudie otra carrera? No.
Supongamos que son pocos los estudiantes de la Universidad obsesionados con el dinero, que la
mitad no está apasionado por los deportes y que, como Nietzsche es un filósofo bastante popular,
son alrededor de 2500 los estudiantes que lo leen con agrado. Siendo esto así, aun cuando todos los
estudiantes de Filosofía tuviesen las características del estudiante descripto, sólo serían 100. Sin
meternos en análisis estadísticos, podemos suponer que más de 100 estudiantes que no son de
Filosofía también tendrán esas características. De ser así, sería más probable que el estudiante no
estudie Filosofía, que que estudie Filosofía.3

Habíamos dicho que el sesgo es el siguiente: cuando sea poco probable que x sea Y, pero se dé un
parecido entre x e Y, consideraremos que es muy probable que x sea Y. En nuestro caso, es poco
probable que la persona descripta sea estudiante de Filosofía; por otro lado, la persona descripta es
muy parecida al estudiante típico de Filosofía. Por lo tanto, se concluye (erróneamente) que es muy
probable que la persona descripta sea estudiante de Filosofía.

Recuerden que para evaluar probabilidades de un caso específico, teníamos que tener en cuenta las
tasas base, esto es, las probabilidades conocidas previas a trabajar con el caso específico. La tasa
base, en nuestro caso, es la probabilidad de que un estudiante de esa Universidad estudie Filosofía.
La tasa base es muy baja: sólo 1 de cada 1000 estudiantes estudia Filosofía, lo que equivale a un
0,1%.

Sin embargo, si el Sistema 1 cuenta con datos específicos (en nuestro caso, la descripción del
estudiante), tiende a olvidarse de las tasas base, y pasa a juzgar la probabilidad únicamente por el
parecido de la descripción con el estereotipo.

Esto no quiere decir que los datos específicos no sean importantes, sino que no podemos dejar de
tener en cuenta las tasas base. En nuestro caso, la probabilidad de que un estudiante estudie
Filosofía es muy baja: 0,1%; luego, conociendo los datos específicos, la probabilidad de que ese
estudiante sea un estudiante de Filosofía será mayor al 0,1%, pero no tanto como para decir que es
más probable que estudie Filosofía, que que estudie otra carrera (lo que equivaldría a decir que de
0,1%, la probabilidad pasó a ser de más del 50%).

2° DIFERENCIA: Que la información sea falsa no afecta a la evaluación de similitud,

pero sí a la de probabilidad.

Acabamos de destacar que es correcto ajustar la probabilidad de que x sea Y, que nos venía dada por
la tasa base, en función de los datos específicos del caso. Pero para ello, tenemos que estar seguros
de que los datos específicos del caso son fidedignos.
Sin embargo, para evaluar la similitud de una descripción con el estereotipo, no es relevante saber si
la descripción es verdadera.
Así, si alguien nos dice que Eleonora padece cambios extremos de ánimo, yendo de la depresión a
una activa muestra de buen ánimo, podemos concluir que es muy probable que sea bipolar. Como el
Sistema 1 se concentra en los datos específicos, y ya hemos destacado que tiende a creer en lo que
se le dice (la desconfianza es una tarea del Sistema 2), no se detiene a considerar quién le está
dando esa información ni sobre qué base (esto es, cuánto la conoce, cuánto tiempo pasa con ella,
desde cuándo la conoce, etc.). Dado que la descripción se corresponde con el estereotipo de persona
bipolar, concluirá que es muy probable que lo sea, sin considerar ni las tasas base ni la fiabilidad de
la información que nos han suministrado sobre el caso.

3 Si 2500 leen a Nietzsche, de los cuales 100 son de Filosofía, tenemos 2400 estudiantes que no son de Filosofía y
leen a Nietzsche; de esos 2400 tenemos que pensar que la mitad no está apasionada por los deportes, ya que se dijo
que la mitad de los estudiantes de la Universidad no están apasionados por los deportes: nos quedan 1200 que leen a
Nietsche y que no les apasiona el deporte. Por último, como nos dijeron que muy pocos estudiantes están
obsesionados por el dinero, supongamos que de los 1200, 50 están obsesionados con el dinero. Esto nos da que
alrededor de 1150 estudiantes coinciden con la descripción y no son estudiantes de Filosofía, mientras que 100
estudiantes coinciden con la descripción y son estudiantes de Filosofía. Por lo tanto, es más probable que el
estudiante descripto no estudie Filosofía, que que sí estudie Filosofía.
 Nuestra tendencia a estimar la probabilidad de que x sea miembro de Y,
basándonos en la semejanza entre la información que se nos suministró
sobre x y el estereotipo de Y, sin detenernos a verificar si esa información
es fidedigna, da lugar a otro sesgo en la aplicación de la heurística de
representatividad.

Para evitar este error, cuando uno albergue dudas sobre la evidencia, deberá evaluar las
probabilidades en función de las tasas base y, en todo caso, ajustar levemente las probabilidades a
partir del relato sobre el caso específico.

Falacia de la conjunción

Veamos ahora un error muy interesante que se comete cuando se utiliza la heurística de la
representatividad: la falacia de la conjunción.

¿En qué consiste este otro sesgo por aplicación

de la heurística de representatividad ?

Cometemos la falacia de la conjunción cuando juzgamos que una

conjunción de dos eventos es más probable que uno solo de esos eventos
(debido a que la conjunción vuelve a x más parecido al estereotipo de Y,
vuelve más coherente a la información sobre el caso con nuestros
estereotipos).

Comencemos con algunos ejemplos en los que no tenderemos a cometer la falacia.

¿Qué es más probable: que ganemos la lotería en 2020, o que ganemos la lotería en 2020 y en 2021?
¿Qué es más probable: que haya un corte de luz, o que haya un corte de luz y de gas?
¿Qué es más probable: que Camila tenga una abuela de más de 90 años, o que Camila tenga una
abuela de más de 90 años y un primo húngaro?

En todos estos casos podemos estar seguros de que la segunda opción no puede ser más probable
que la primera, puesto que, para que ocurra la segunda, tiene que ocurrir también la primera. Toda
vez que sea cierto que hubo un corte de luz y de gas, será cierto que hubo un corte de luz. La
resolución es tan obvia que parece no tener sentido explicarlo. Toda vez que agreguemos más datos
a una afirmación, será imposible que la hagamos más probable. Puedo preguntarme, por ejemplo,
¿qué probabilidad hay de que ponga una película y me encuentre con que la protagonista viste una
remera roja? Más allá de cuál sea la probabilidad, lo siguiente no puede ser más probable: que la
protagonista vista una remera roja y un pantalón verde. Y obviamente, el seguir agregando datos
hará que la probabilidad disminuya; por ejemplo: que vista una remera roja, un pantalón verde, un
sombrero y que tenga 52 años.
En una casa de apuestas no nos pagarán lo mismo si apostamos que el equipo A le ganará al equipo
B, que si apostamos que el equipo A le ganará por una diferencia de 2 goles y que uno de los goles
se dará en el primer tiempo y el otro en el segundo tiempo. Como al agregar más datos, mi apuesta
es menos probable, la apuesta se pagará más.

¿En qué circunstancias tendemos a cometer este error?

Cuando los datos agregados le dan mayor coherencia al caso analizado (aunque nunca le darán
mayor probabilidad, por lo que acabamos de decir). En los ejemplos recientes la información más
detallada no agregaba coherencia, por lo que no se cometía la falacia. Pero veamos el ejemplo que
ofrece Kahneman, que se volvió muy famoso entre los psicólogos del razonamiento:

Linda tiene treinta y un años, es soltera, franca y muy brillante. Se especializó en filosofía. De
estudiante le preocupaban mucho los asuntos de discriminación y justicia social, y también
participó en manifestaciones antinucleares.

Con estos datos específicos sobre Linda, ¿cuál de las siguientes alternativas es más probable?:
 Linda es cajera de un banco.
 Linda es cajera de un banco y activista del movimiento feminista.

En este caso, la información que tenemos de Linda resulta bastante incompatible con el estereotipo
de una cajera de banco. Por lo tanto, vamos a considerar que es muy poco probable que sea cajera
de banco. Sin embargo, al agregar un dato que sí resulta compatible con el perfil de Linda, esto es
que es activista feminista, pensamos que la afirmación se vuelve más probable. Pero en realidad,
haber hecho a la alternativa más coherente con lo que sabemos de Linda, no implica haberla hecho
más probable, sino menos probable.

Veamos otro ejemplo.

Supongamos que las siguientes proposiciones se refieren a una persona que se preocupa mucho por
el bienestar de las personas vulnerables y que es muy respetuosa de las normas:

a) robó productos de un supermercado porque había una familia afuera que los necesitaba y no
podía pagarlos;
b) robó productos de un supermercado porque había hecho una apuesta;
c) robó productos de un supermercado;
d) donó productos a un supermercado porque éste estaba llevando adelante una colecta para los
más necesitados.

¿Cómo podemos ordenarlas según su probabilidad?

Con los pocos datos que tenemos, podemos considerar que la más probable es d) donó productos a
un supermercado porque éste estaba llevando adelante una colecta para los más necesitados.
El problema lo podemos tener con la segunda opción, porque el Sistema 1 puede sugerirnos que la
siguiente más probable es a) robó productos de un supermercado porque había una familia afuera
que los necesitaba y no podía pagarlos. Sin embargo, a) no puede ser más probable que c) robó
productos de un supermercado. Y esto, por lo mismo que veíamos en el caso de Linda: agregar ese
dato puede volver más coherente la acción de esta persona, pero no la puede hacer más probable.
La opción c) no descarta ninguna razón por la que pudo haber robado; la opción a) descarta todas,
menos una: que lo haya hecho para ayudar a la familia necesitada. Por lo tanto, la opción a) no
puede ser más probable que la opción c).

El orden correcto, entonces, sería el siguiente: d), c), a), b).

¿Por qué Kahneman titula el capítulo “ Linda: menos es más” ?

La expresión “menos es más” la toma de un experimento realizado por Christopher Hsee. En el

experimento se pedía asignar un valor en dólares a dos lotes de vajilla. Los lotes eran los siguientes:

Lote A: 40 unidades Lote B: 24 unidades

Platos 8, todos en buen estado 8, todos en buen estado
Cuencos para sopa 8, todos en buen estado 8, todos en buen estado
Platos de postre 8, todos en buen estado 8, todos en buen estado
Tazas 8, 2 rotas
Platos pequeños 8, 7 rotos

Si miramos los dos lotes, vemos que el lote A tiene todo lo que tiene el lote B, y además (si sólo nos
concentramos en lo que está sano) 6 tazas y un plato pequeño. Como el lote A tiene todo lo que
tiene el lote B, y algunas cosas más, el lote A no puede ser más barato que el lote B. Sin embargo, si
las personas sólo conocen uno de los lotes, tienden a asignarle más valor al lote B que al lote A.
Esto quiere decir que al lote con menos unidades se le asigna más valor: menos es más. ¿Por qué se
da esto?
El valor de un lote debería surgir de la suma de los valores de cada unidad. La suma de los precios
de las unidades del lote A dará un resultado más alto que la suma de los precios de las unidades del
lote B, puesto que en el lote A tengo lo mismo que en el lote B, y unas unidades adicionales.
Sin embargo, lo que nosotros hacemos al evaluar, es sacar el valor promedio de cada unidad, y
como lo agregado reduce el valor promedio (ya que incluye tanto cosas en buen estado como otras
de poco o ningún valor, porque están rotas), consideramos que el lote ha perdido valor luego del
agregado.
Si nos regalan una muy linda remera para nuestro cumpleaños, será un regalo muy valioso. Si nos
regalan una muy linda remera y agregan una remera usada que nuestra amiga ya no quiere más, no
estarán agregando valor al regalo anterior, sino restándole valor. El agregado no sumó valor, sino
que llevó a que hiciésemos un promedio del valor de las dos remeras, con lo que la remera inicial
perdió el valor que tenía por separado, y ello nos llevó a considerar que el valor total del regalo fue
menor que si nos hubiesen regalado sólo la remera nueva.

¿Qué relación tiene esto con el problema de Linda?

La primera alternativa nos dice que Linda es cajera del banco. No sabemos si es feminista o no.
Supongamos que hay un 90% de probabilidades de que sea feminista y un 10% de probabilidades
de que no lo sea. Esta alternativa contempla las dos posibilidades, no excluye a ninguna.
La segunda alternativa excluye una de las posibilidades: que no sea feminista. Por lo tanto, es más
restringida, ya que descarta una posibilidad que tiene un 10% de probabilidades de ser cierta. Sin
embargo, nosotros tendemos a creer que la segunda alternativa es más probable, lo cual es
incorrecto.

Estamos haciendo con las probabilidades lo que hacíamos con los valores monetarios. En vez de
sumar, promediamos. En la primer alternativa (“Linda es cajera y es feminista o no lo es”), como no
se descartan posibilidades, la suma de todas (“Es feminista” y “No es feminista”) equivale al 100%.
En la segunda alternativa (“Linda es cajera y es feminista”), al eliminar la posibilidad menos
probable (“Linda no es feminista”), que era la que le quitaba “valor promedio” a la más probable,
consideramos que hemos dado con una alternativa más probable. Nuevamente, consideramos
erróneamente que menos es más: Linda es cajera de banco y feminista se considera más probable
que Linda es cajera de banco y puede ser feminista o no ser feminista.

De todos modos, esta confusión se da, como ya dijimos antes, cuando el agregado de información
agrega coherencia. Nadie pensaría que es más probable que Linda sea cajera de banco y pelirroja, a
que sea cajera de banco.

En la próxima clase continuaremos con la evaluación de otros errores, producto de la utilización de

la heurística de la representatividad.