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.
Why it works
La heurística de representatividad es insensible al tamaño de la muestra: la gente juzga la probabilidad de una secuencia de resultados con 4 observaciones igual que juzga una con 40. Pero cuanto más pequeña es la muestra, mayor es la varianza — los resultados extremos o con patrones son mucho más probables por azar. Reconocer que las muestras pequeñas no son fiables corrige la tendencia a leer significado en resultados tempranos y hacer generalizaciones prematuras.
How to do it
- Al sacar una conclusión de datos, escribe explícitamente el tamaño de la muestra.
- Pregunta: "si la verdad subyacente fuera aleatoria, ¿con qué frecuencia vería un resultado tan extremo por azar en una muestra tan pequeña?"
- Retén conclusiones confiadas hasta tener una muestra que haga implausibles las explicaciones por azar.
- Si no puedes obtener una muestra más grande, amplía tu intervalo de confianza en lugar de estrechar tu conclusión.
Evidencia
La "ley de los números pequeños" (Tversky & Kahneman, 1971) describe la creencia errónea de que las muestras pequeñas son tan representativas como las grandes. Esto está bien replicado tanto en poblaciones legas como expertas, incluyendo psicólogos razonando sobre poder estadístico. (observational)
El escepticismo por tamaño de muestra pequeño puede sobrecorregirse — no todo resultado temprano debe descartarse; la actualización bayesiana usando un prior razonable está mejor calibrada que el escepticismo generalizado.
Fuentes
- Tversky & Kahneman (1971), Belief in the law of small numbers, Psychological Bulletin
Error común
Ampliar los intervalos de confianza numéricamente pero seguir actuando sobre la estimación puntual — el ajuste debe cambiar la decisión, no solo el reconocimiento verbal de la incertidumbre.
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.
- 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.
- 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.
- 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