How does Update beliefs by degrees, not wholesale work?

When people update beliefs in response to new information, they tend to either ignore it (conservatism bias) or overcorrect to near-certainty (representativeness). Bayesian updating — the mathematically correct approach — requires multiplying the prior probability by the likelihood ratio of the new evidence. Even an informal version of this (how much more likely would this evidence be if my hypothesis is true, versus false?) produces more calibrated beliefs.

What is the most common mistake with Update beliefs by degrees, not wholesale?

Treating a single confirming data point as near-proof — which is the representativeness heuristic exactly: a story that matches your hypothesis feels like it proves the hypothesis.

Actualiza las creencias por grados, no de golpe

Trata la nueva información como evidencia que desplaza probabilidades, no como una prueba que lo cambia todo.

Why it works

Cuando las personas actualizan sus creencias en respuesta a nueva información, tienden o bien a ignorarla (sesgo de conservadurismo) o bien a sobrecorregir hacia la casi certeza (representatividad). La actualización bayesiana —el enfoque matemáticamente correcto— requiere multiplicar la probabilidad previa por el cociente de verosimilitud de la nueva evidencia. Incluso una versión informal de esto (¿cuánto más probable sería esta evidencia si mi hipótesis fuera verdadera, frente a falsa?) produce creencias mejor calibradas.

How to do it

Declara tu estimación de probabilidad actual antes de mirar la nueva evidencia.
Pregúntate: «¿Cuánto más (o menos) probable es esta evidencia si mi hipótesis es correcta frente a incorrecta?»
Desplaza tu probabilidad en proporción a ese cociente, no al 0 % ni al 100 % a menos que la evidencia sea verdaderamente definitiva.

Evidencia

El razonamiento bayesiano es el estándar normativo en la teoría de la probabilidad. Las personas se desvían sistemáticamente de él en ambas direcciones (actualizando de más y de menos) según si la evidencia es vívida o abstracta. El entrenamiento en razonamiento bayesiano mejora la calibración. (observational)

El cálculo bayesiano formal no es práctico para las decisiones cotidianas; el objetivo es el hábito de la actualización proporcional, no el cálculo preciso.

Sources

Kahneman (2011), Thinking, Fast and Slow — review of representativeness and Bayesian deviation research

Common mistake

Tratar un único dato confirmatorio como casi una prueba, que es exactamente la heurística de representatividad: una historia que encaja con tu hipótesis se siente como si la demostrara.

Practica esto con IX Coach

Start with IX Coach

7 days free, then $40/month (~$1.30/day).