Espera que los resultados extremos regresen hacia el promedio
Un desempeño inusualmente bueno o malo predice un desempeño más promedio la próxima vez — considera esto antes de elogiar o culpar.
Why it works
La regresión a la media es una inevitabilidad matemática siempre que el desempeño involucre tanto habilidad como azar. La heurística de representatividad hace que la gente la ignore: explican los resultados extremos como si reflejaran completamente la realidad subyacente ("dio un giro" / "esta persona no tiene remedio"), en lugar de reflejar parcialmente la fluctuación por azar. Esto produce la famosa ilusión de intervención: la retroalimentación dura después de un mal desempeño "funciona" y el elogio después de uno bueno "perjudica" — simplemente porque los resultados extremos regresan, sin importar la intervención.
How to do it
- Después de observar un resultado inusualmente alto o bajo, pregunta: "¿cuánto de esto podría deberse a la fluctuación por azar alrededor del promedio real?"
- Predice que el siguiente resultado probablemente estará más cerca del promedio a largo plazo de la persona o proceso, no tan extremo.
- Antes de atribuir un cambio a una intervención, verifícalo con más de una o dos observaciones de seguimiento.
- Separa la retroalimentación sobre lo que puedes observar de las conclusiones sobre el talento o estado subyacente.
Evidencia
La regresión a la media es una propiedad matemática de las variables correlacionadas (Francis Galton la identificó en 1886). El ejemplo de la ilusión de intervención de Kahneman (instructores de vuelo elogiando frente a criticando) ilustra cómo ignorar la regresión causa atribuciones causales falsas; este es un ejemplo didáctico, no un estudio formal. (mechanistic)
Cuánto regresa cualquier resultado depende de cuán fuertemente lo determinen la habilidad frente a la suerte; la regresión importa más en dominios de alta varianza influenciados por la suerte que en los determinados en gran medida por la habilidad.
Fuentes
- Galton (1886), Regression towards mediocrity in hereditary stature, Journal of the Anthropological Institute of Great Britain and Ireland
Error común
Tratar la regresión como una razón para ignorar la retroalimentación — las mejoras reales de habilidad ocurren, pero deben confirmarse en múltiples observaciones, no inferirse de un solo resultado extremo.
Practica esto con IX Coach
More practices for La Heurística de Representatividad — Juzgar por Semejanza
- Busca las tasas base antes de formar un juicio de semejanza
Antes de decidir "esto se parece a X", pregunta cuán común es realmente X en la población relevante.
- Identifica qué rasgos son realmente diagnósticos
Separa los rasgos que genuinamente diferencian categorías de los que solo completan la imagen.
- Reconoce que las secuencias aleatorias no "deben" equilibrarse
Los procesos aleatorios no tienen memoria — una racha de caras no hace que las cruces sean más probables.
- Trata las muestras pequeñas con escepticismo explícito
Una secuencia corta puede parecer representativa sin ser estadísticamente fiable — ajusta la confianza según el tamaño de la muestra.
- Audita los juicios sobre personas por sustitución de prototipo
Verifica si un juicio sobre una persona se basa en su comportamiento real o en la semejanza con un tipo.
- Nombra el prototipo con el que estás comparando antes de decidir
Haz explícito el prototipo que usas como referencia — las plantillas ocultas sesgan las decisiones sin escrutinio.
Conceptos relacionados
- La Falacia de la Conjunción — Cuando "Más Detalles" Parece Más Probable
How narrative coherence tricks probability judgment — and how to think past it
- La falacia de planificación: por qué tus estimaciones siempre están mal
The cognitive bias behind missed deadlines — and six evidence-grounded corrections