Hola, buenos días. Vamos a empezar la sesión del tema 6 de psicología
del pensamiento. Vamos por la cuarta parte del tema 6 y nos quedamos en el
punto de una antepenúltima clase. Nos quedamos con el punto A2,
insensibilidad a la capacidad predictiva del dato. Bueno, voy a compartir
el pdf y desde aquí podemos ver más o menos, un momentito, ahora vengo,
estaba llegando. Vamos a ver un poco cómo tenemos todo este tema, ¿de
acuerdo? Bueno, a ver, en la última clase vimos, adelantamos un poco a
petición de unos alumnos del... del centro asociado de la SEDUGEL de
aquí, de la provincia de Lleida. Adelantamos un poco en la clase anterior
lo que era la teoría del apoyo. Sí, pero en la penúltima clase nos
quedamos con el punto este dentro del enfoque de los heurísticos del punto
3 del libro. Nos quedamos en el A2, que es lo que veis ahora en pantalla.
Muy interesante. Voy a intentar poner esta pantalla en una vista más
completa como va a poder ser y voy a hacerlo de otra manera. Muy bien,
perfecto. Al final sí he podido, con paciencia, al igual que esta
asignatura. Vamos a ir a la página exacta del punto que nos quedamos. Y
como bien habéis visto, el tema se las trae, hay que ir volviendo, hay que
ir repasando un poco porque... Es bastante espeso, ¿eh? ¿Vale? Bueno, nos
quedamos aquí en la última. Muy bien. Insensibilidad y capacidad
predictiva del dato. ¿Qué quiere decir esto? Vamos a ver que nosotros
tenemos una tendencia a hacer que cuando algo no nos cuadra, no nos encaja,
evaluamos... O sea, no tenemos en cuenta si estamos evaluando o estamos
prediciendo un hecho. ¿De acuerdo? Entonces tiene mucho que ver... Tiene
mucho que ver con el prejuicio que tienen en cuenta la valoración de los
demás. O sea, en función de cómo lo valoran los demás, nos dejamos como
llevar un poco por esta valoración, ¿vale? Por eso dice que hay una
insensibilidad de la capacidad predictiva del dato. Lo que opina la
mayoría, pues ahí me tiro yo, ¿vale? ¿Sí? Y dice lo siguiente. Ponen
un ejemplo que dice que supongamos que un estudiante recién llegado,
¿vale? En el instituto. Ha sido descrito por el orientador de este
instituto como inteligente, buen trabajador, con muy buena base. Bueno, eso
nos pasa mucho en el trabajo, ¿eh? Muchas veces, ¿eh? ¿Sí? Y
consideramos dos tipos de preguntas que podríamos plantearnos, ¿no? En
función de la relación con la descripción que se nos da de este
estudiante. Una podría ser la evaluación, que tiene que ver con qué
impresión te produce esa descripción. ¿Vale? En función de la relación
con la habilidad académica de ese estudiante. O la predicción. ¿Cómo
estimas que sería la calificación media de ese estudiante obtenida cuando
éste termine el curso? ¿Sí? Entonces, existe una diferencia importante
entre estas dos preguntas. ¿Por qué? Porque una evalúa el dato, ¿sí? Y
el otro, la segunda, predice el resultado. Al final, ¿sí? ¿De acuerdo?
Bueno. Una vez dicho esto, tenemos que tener muchísimo cuidado. Ojo, la
hipótesis de representatividad, sin embargo, sostiene que la predicción y
la evaluación deberían coincidir. ¿Vale? O sea, al final de un
resultado, la predicción que tú tengas cuando es representativo de un
suceso, debería coincidir con la evaluación. ¿Sí? Con lo que hemos
evaluado, ¿eh? ¿Vale? O sea, debería coincidir qué impresión te
produce esta descripción de este individuo a nivel académico de este
estudiante y cómo estimas, ¿vale? Si tú has predicho que el estudiante
es una máquina porque tiene un nivel académico súper bueno, tu
predicción final tiene que ser que saque una matrícula de honor. ¿Vale?
Cuando esto no se da, ¿vale? La hipótesis de la representatividad no
sería representada. ¿Vale? Esa sería la premisa. Entonces, como siempre,
Kahn y Manitresky pusieron a prueba esta hipótesis, ¿vale? Y a partir de
la evaluación y predicción de esta hipótesis. El grupo de evaluación
valoraría, o sea, el grupo de evaluación valoraba la calidad de
descripción de la 5ª población y el grupo de predicción predecía el
rendimiento futuro de esa. ¿Vale? Eh... El grupo de evaluación valorará
la calidad de la descripción en relación con la población y el grupo de
predicción precediría el rendimiento futuro. Me he repetido, es lo mismo,
¿eh? Entonces, la descripción consistía en enseñar 5 adjetivos
referidos a la calidad intelectual del estudiante y rasgos de su
personalidad. ¿Vale? Por ejemplo, rasgo de personalidad podía ser que era
una persona muy constante, muy perseverante, eh... Una persona muy obsesiva
con sus estudios, por ejemplo. También podría ser un rasgo de
personalidad, eh... Muy ansiosa, ¿eh? Porque se sabe que las personas con
rasgos de personalidad ansiosas son personas muy, muy... Muy obsesivas
también, ¿sí? Entonces, el grupo de evaluación debía ordenar la
capacidad académica de todos los estudiantes a partir de las descripciones
proporcionadas, ¿vale? Les daban unas descripciones de estos estudiantes.
A partir de los alumnos, ¿vale? De este alumno, perdón. Utilizan las
mismas descripciones el grupo de predicción que debía ordenar también
las calificaciones medias que los estudiantes obtendrían a final de curso.
Y aquí os aparece un cuadro... Un momento, que me voy a poner yo aquí,
¿vale? Con los resultados, eh... Predicción del perceptil de la
calificación media en función del perceptil de la evaluación basada en
adjetivos que se les enseñaba, ¿vale? Entonces, ¿qué dicen estos
resultados? Pues, a ver, que no tenemos en cuenta en que si estamos
evaluando o estamos prediciendo, ¿vale? ¿Por qué? Porque nos dejamos
llevar mucho casi siempre por lo que dicen los demás, ¿eh? En este caso.
Y dice, los grupos de predicción y evaluación produjeron juicios muy
similares. En el primer caso, el criterio era una variable objetiva y
próxima. Mientras que en el segundo, se trataba de una variable remota
basada en la impresión que producía la descripción. Es normal, porque en
el primer caso, el criterio era una variable objetiva. O sea, tú sabías
que esa persona, en función de la evaluación, era una persona que era muy
estudiosa y era muy... Se le había dado una puntuación muy alta en
evaluación, ¿vale? Pero luego, la predicción, lo que sería la
predicción, ¿cómo estimas tú que eso va a ser así? Sí, era una
variable remota, basada en la impresión que a ti te producía la
descripción, ¿vale? Realmente era subjetiva total, ¿eh? La evaluación y
la predicción la daban por lo mismo, cuando es totalmente independiente,
teniendo en cuenta que, según la teoría de la estadística de la
predicción, solo se justifica la equivalencia observada cuando es
perfecta, ¿eh? Cuando es perfecta. Cosa que está lejos de los datos del
ejemplo y sus datos. Porque, por mucho que veamos, venga una persona, que
tú tengas un alumno, o que venga al grupo un estudiante que diga que es
muy brillante, a ver, no puedes decir a cien por cien que esa persona va a
sacar una matrícula de honor. A lo mejor en ese momento, en esos meses,
esa persona ha podido tener un problema, ¿vale? Y ha bajado su calidad de
estudio, ¿vale? Entonces, los datos no eran fidedignos. Entonces, dicen
que mezclamos la evaluación y la predicción. En este caso sería...
Mezclamos la evaluación del dato, ¿sí? Con la predicción del resultado,
¿vale? Entonces, esto dice que obviamos que son dos conceptos distintos y
que no es lo mismo la competencia con la actuación, ¿vale? Entonces,
aquí vieron que no, que en realidad, pues... El sergo, que será, es que
no tenemos en cuenta si estimamos, estamos evaluando o si estamos
prediciendo. Directamente ya se da el prejuicio que tiene en cuenta la
evaluación de los demás, ¿sí? Claro, la evaluación de que esta persona
nos la han enviado y nos habrán hablado también de ella, que nosotros nos
hemos hecho ahí una película de que sería un estudiante súper, súper
bueno cuando en realidad no tiene por qué ser así. Muy bien. Esto sería
la insensibilidad a la capacidad predictiva del dato, ¿eh? ¿Vale? ¿Sí?
O sea, somos insensibles a... La capacidad de predicción del dato. ¿El
dato qué sería? El estudiante. Lo que pasa es el resultado final. No lo
sabemos, ¿eh? ¿Vale? Esto es como los prejuicios, ¿no? Que te dicen, uy,
toda la gente del norte es súper seria, estudiosa, personas muy... Que
tienen una vida muy ordenada, vienen de una sociedad muy individualista y
la gente del sur es viva la pepa, todo el mundo está haciendo la siesta,
nadie trabaja, eso... Realmente también se podría comparar, hacer un
ejemplo con esta insensibilidad de la capacidad predictiva del dato. O sea,
no por mucho que luego me digan a mí que un andaluz no le gusta trabajar y
que un catalán es más tacaño que... ¿Vale? Que lo que... ¿Eh? Primero,
tendré que conocer al andaluz como es. A lo mejor es un tío súper
currante que no se mueve de casa. A lo mejor el catalán es un viva la...
Viva... Viva la vida y se pasa todo el día en el bar, pasándoselo bien,
¿eh? O sea, este es lo de insensibilidad de la capacidad, a la capacidad
predictiva del dato. Muchas veces nosotros evaluamos, o sea, mezclamos
tanto esa representatividad entre la predicción y la evaluación y
realmente no es así. Nunca... Casi nunca se da. O sea, pocas veces podemos
ir a tan fino, ¿eh? ¿Vale? ¿Eh? Ejemplos de estos podéis poner en el
examen, ¿eh? Es bueno marear un poco la perdida. Muy bien. Vamos a ver las
concepciones estadísticas inexactas que también aparecen en este libro y
son muy predictivas y estas dicen que tenemos una tendencia a la regresión
a la media. ¿Qué significa? Que siempre tenemos una tendencia de regresar
a la media. Vamos a ver en qué consiste esto. Y dice así. La concepción
errónea de la regresión constituye otro ejemplo de la descripción de
Kahneman y Tuesky. De sesgo en el juicio predictivo basado en el
heurístico de representatividad. Claro, es un sesgo. Es un sesgo
predictivo cuando juzgamos de que eso va... es representativo de algo.
¿Vale? El término regresión todos conocemos en psicología lo que es la
regresión cuando hacemos análisis de datos sobre todo en este grado de la
UNED y fue introductorio con el... el señor Galton que hacía... que fue
el pionero matemático que inventó o fomentó lo que fue la regresión. La
regresión de la media a valorar en función de la media ¿vale? A poder
tipificar lo que eran los datos. La regresión se utiliza para predecir una
medida basándonos en el conocimiento de otra. ¿Vale? Normalmente cuando
queremos saber la media de niños con una nota 5 ¿vale? de una clase pues
podemos hacer una media ¿no? ¿Vale? Para saber más o menos dónde nos
movemos. La regresión estadística o regresiva a la media es la tendencia
de una medición extrema a situarse más próxima a la media cuando se
realiza una segunda medición. ¿Vale? ¿De acuerdo? O sea, la regresión
estadística o regresión de la media es la tendencia de una medición
extrema. Imaginaros, en ese 5 una medición extrema un 10 o un 0 ¿vale? A
medirse más próxima a la media cuando se realiza una segunda medición.
Cuando tú realizas una medición puede tener nos puede estar dando un dato
pero una segunda medición puede tener otro. Puede variar variar esa esa
esa media o esa ese dato. Entonces el sesgo que se da es que las personas
no desarrollan intuiciones correctas en relación a este fenómeno en la
medida en que es incompatible con la creencia de que el resultado predicho
debería ser representativo al máximo de la evidencia disponible y por
tanto tan extremo como esta. ¿Qué pasa? Que nosotros tenemos concepciones
estadísticas inexactas porque nosotros podemos coger un dato ahora pero a
lo mejor de aquí un año o en otro sitio cambia ese dato o no. Entonces
tenemos esas concepciones estadísticas y vamos a poner un ejemplo bueno
ponen ellos un ejemplo que supongamos que en un grupo grande de niños se
realizaban dos versiones equivalentes de una prueba de actitud un examen y
se seleccionan cuatro grupos de niños los diez con mejores resultados toma
ya de los ocho imaginaré un examen que pueda acercar hasta un diez unos
los diez con mejores resultados y los diez con los peores resultados y los
diez en una de estas dos versiones observamos que los diez mejores en cada
versión mostraron un rendimiento promedio a una media inferior en la
versión alternativa y que las diez peores en cada versión rindieron un
promedio mejor en la versión alternativa ¿qué significa? que nosotros
cogimos una media ¿vale? y nos pensábamos que ese niño iba a seguir con
su media de ocho o diez y luego en la versión alternativa que volvemos a
medir la media no tuvo una tendencia a la media sino que se desvió de la
media ¿por qué? porque ya lo pone aquí mostraron un rendimiento promedio
a la media inferior en la versión alternativa o sea se le hace otro examen
y saca menos nota el que había sacado más y el que había sacado el que
había sacado menos nota en el promedio de la versión alternativa de la
prueba otro examen sacó mejor nota en la vida cotidiana encontramos muchos
ejemplos de este ¿sí o no? cuando comparamos la altura o la inteligencia
de padres e hijos hay una tendencia a pensar de que los padres altos tienen
hijos más altos y que por eso cada vez los niños son más altos esto es
un ser como una casa como una catedral si hay una concepción estadística
inexacta porque hay padres muy altos con hijos muy bajos y hay padres muy
bajos con hijos muy altos y esto no significa que a padres altos hijos
altos a padres bajos hijos bajitos o sea esto no tiene nada que ver con
esta con esto entonces sería una concepción estadística inexacta ¿eh?
porque no tenemos una tendencia a regresar a la media ¿eh? si no tenemos
una tendencia a irnos de la media ¿eh? en próximas mediciones ¿eh? ¿de
acuerdo? entonces se trata de esto ¿eh? luego otro ejemplo que os ponen es
el resultado de la aplicación del heurístico de representatividad se
observa cuando se observa se evalúa perdón se evalúa la probabilidad de
obtener un resultado determinado en una muestra extraída de una población
específica por ejemplo aquí os hablan de el siguiente experimento ilustra
muy bien este sesgo denominado insensibilidad al tamaño de la muestra los
participantes recibieron la siguiente información ¿vale? en una ciudad
hay dos hospitales uno grande y uno pequeño en el grande nacen una media
de 15 bebés al día y en el pequeño nacen una media de 15 bebés ¿vale?
yo ya te haces ahí en el grande ya te haces una imagen en el hospital
grande nacen más niños por media ¿eh? sabemos que aproximadamente el 50%
de los bebés son niños no son niñas son niños sin embargo el porcentaje
exacto varía cada día ¿veis como a lo mejor no tiende a la media?
entonces sin embargo el porcentaje exacto varía cada día en ocasiones
pueden ser superior a 50% y en ocasiones pueden ser inferior durante el
periodo de un año cada hospital registró el número de días en el cual
60% de los nacimientos fueron varones ¿eh? aquí varía aquí ¿vale? dice
durante el periodo durante un año cada hospital registró un número de
días en los cuales el 60% que nacieron fueron niños varones ¿qué
hospital registró un número superior de estos días? y les enseñan estos
datos el hospital grande 21 el hospital pequeño 21 y tú dices bueno a mí
me daría así a simple modo digo pues será el hospital grande ¿no? que
tuviera más niños ¿no? más varones no sé aproximadamente el mismo esto
es menos de un 5% de diferencia entre ambos o sea que más o menos nacían
los mismos ¿no? no por mucho que fuera el hospital más grande sino como
si fuera el hospital más pequeño entonces los valores entre paréntesis
corresponden al número de participantes que eligieron cada respuesta vale
21 personas eligieron el hospital grande 21 personas eligieron el hospital
pequeño ¿sí? la mayor parte de los participantes juzgó que la
probabilidad era la misma en ambos hospitales ¿sí? presumiblemente porque
se describe con el mismo estadístico que se considera igualmente
representativo de la población general en contraste la teoría de muestreo
sostiene que el número debería ser superior en el hospital pequeño
porque en una muestra de gran tamaño es más difícil superar el 50%
¿vale? o sea que daros ojo al dato casi todo el mundo pensó que sería lo
mismo ¿vale? que nacería lo mismo tanto en un hospital como en otro pero
la teoría de muestreo sostiene que el número debería ser superior en el
hospital pequeño porque en una muestra tan pequeña ¿vale? que no supera
100 es más difícil superar el 50% ¿vale? para que veáis que las
concepciones estadísticas inexactas aparecen en todos los sitios esta
concepción inexacta tiene mucho que ver con la inestabilidad del tamaño
de la muestra explicada también en los juegos de azar en la medida de que
esperamos que las muestras pequeñas de procesos aleatorios representantes
representen el proceso con un elevado número de ensayos como por ejemplo
aquí hay un ejemplo que dice que es la falacia del jugador cuando van a la
ruleta ¿vale? tiene una expectativa basada en la intuición de
representatividad local que explica este fenómeno falacia del jugador
después de observar una secuencia de números rojos en la ruleta todo el
rato está viendo números rojos tú estás pensando ahora saldrá el negro
¿por qué han salido tantos rojos? ¿sí o no? la mayor parte de la gente
esperaría de forma errónea que ha llegado el turno del número negro
presumiblemente porque la ocurrencia de negro resultaría en una secuencia
más representativa que la ocurrencia de rojo adicional pero en realidad
esto no se sabe esto es azar o sea esto no sabemos si va a salir rojo o si
va a salir negro no podemos hacer esta predicción no hay ningún error
disculpad tengo a mi gato que quiere venir a la tutoría en fin entonces
Tuesky y Kahneman en el 71 estudiaron las intuiciones estadísticas de
psicólogos expertos y demostraron que también tenían ese error del azar
¿vale? igual que las personas ingenuas que somos todos los demás ¿eh? la
creencia en la ley de los números pequeños revela que la expectativa de
una hipoteca de una hipótesis válida en relación con una población
puede basarse en la significación estadística al tamaño de esta como
consecuencia los investigadores corren el riesgo de atribuir excesiva
fiabilidad a resultados obtenidos en muestras pequeñas sobreestimar la
replicabilidad de esos resultados ¿qué significa esto? pues que lo que es
la creencia de la ley de los números pequeños significa que nosotros no
podemos sacar conclusiones cuando tenemos números muy pequeños del grupo
de una muestra nosotros sabemos que en probabilidad y en todo lo que es
matemática a partir de N100 de 100 individuos podemos extrapolar a la
población pero con muestras pequeñas no puedes extrapolar a la población
o sea por un número reducido de sucesos que estén pasando no lo puedes
extrapolar a lo mismo ¿no? y estos psicólogos experimentados bueno
también tienen el sesgo este de a veces dar concepción o dar una validez
pues a lo mejor a personas que en un trastorno por ejemplo cuando tú
tienes que estar midiendo en tu consulta una muestra pequeña de individuos
pues no la puedes extrapolar a la población en general ¿no? en cambio
cuando hay una muestra grande y cogemos estos datos y podemos extrapolarlas
una patología en consulta sí podríamos extrapolarla entonces sigamos la
falacia de conjunción vamos a ver falacia de conjunción tenemos aquí el
ejemplo de la representatividad a ver tenemos que tener en cuenta que la
representatividad no es extensional cuando tú te representas un suceso o
una persona no ves toda la extensión de los casos posibles de esta o de un
suceso ¿sí? por ejemplo si yo digo hoy llueve no voy a salir a caminar
¿por qué hoy llueve? ¿vale? pero también puedo decir hoy no voy a salir
a caminar también puede ser que no salga a caminar porque no me apetezca
porque me duelen las piernas o no voy a salir a caminar porque me apetece
estar todo el día en mi casa estirada en el sofá o no voy a salir a
caminar porque no me apetece salir a la calle o sea no conocemos toda la
representatividad extensional de un suceso ¿vale? entonces ni siquiera
sabemos la determinada frecuencia de ese suceso entonces el modelo
normativo de la teoría de la probabilidad dice que en la ley más simple y
fundamental desde un punto de vista cualitativo es el principio de
extensión ¿qué dice? que si la extensión de A el conjunto de
posibilidades asociadas a A incluye la extensión B entonces la
probabilidad de A es mayor o igual que la probabilidad de B quedaros con
esto porque estos lo pueden preguntar en el examen y dice la probabilidad
de A siempre tiene que ser mayor a la probabilidad de B ¿vale? y esto es
lo que dice el modelo normativo de la teoría de la probabilidad ¿vale?
atención una conjunción no puede ser nunca más probable que uno de sus
constituyentes y esto tomemos el hilo que tiene que ver con lo que
expliqué en la última tutoriala de la teoría que no se ha entendido muy
bien pero que dimos una teoría específica de lo que es un segundito la
teoría del apoyo cuando hablamos de la teoría del apoyo habla del
principio de extensión y el modelo normativo de la teoría de la
probabilidad en el principio de extensión que esto os aparece luego en el
punto 3.1 de la teoría del apoyo dice eso y vuelvo a repetir el modelo
normativo de la teoría de la probabilidad dice que la ley más simple y
fundamental desde un punto de vista cualitativo es el principio de
extensión si la extensión de A es el conjunto de posibilidades asociadas
a incluye la extensión de B ¿vale? entonces la probabilidad de A es mayor
o igual que la probabilidad de B imaginaos esto como un conjunto una A en
grande y la B está dentro atención una conjunción no puede ser nunca
más probable que cada uno de sus constituyentes y nosotros solemos juzgar
que dos atributos dos atributos y elegirlos como sucesos siempre juntos
¿vale? bueno dejo aquí esta clase porque os tengo que dejar y luego
seguiremos con otro otra pequeña teoría donde explicaremos la falacia de
la conjunción y algo más ¿vale? porque esto se hace un poquito denso y
me reclaman venga muchísimas gracias y dejamos aquí por terminado la
cuarta parte del tema seis feliz tarde y nos vemos en la próxima tutoría
gracias por seguir y no perdáis no perdáis la batalla todavía queda para
el examen todavía tenéis tiempo para repasar bien los temas y que nos
pillen en los exámenes venga que vaya muy bien hasta luego