PENSAMENT I RESOLUCIÓ DE PROBLEMES BLOC 2: INFERÈNCIES INDUCTIVES

Tema 3: Els judicis de probabilitat

CONCEPTE DE PROBABILITAT
Concepte de probabilitat: grau d’incertesa sobre un futur esdeveniment que es representa en
base a una escala del 0 al 1 (o del 0-100). Distinció entre probabilitat subjectiva i objectiva.

 Probabilitat subjectiva o bayesiana:

o Grau de seguretat o certesa d’una hipòtesi o creença d’esdeveniments únic.
Exemple: aprovar un examen (el mateix examen únicament el realitzes una vegada,
després d’aquest primer intent canvien les preguntes o l’assignatura...).
o També es diu inside view perquè es tracta d’una probabilitat basada en
coneixement més o menys sòlid sobre mecanismes causals (confiança que
donem a allò que creiem o se’ns diu). Exemple: serien el cas dels germans Chico que
es basa en la confiança que ofereix el nom del cavall i el Groucho en la informació que
li dona el mosso de l’esquadra.
 Probabilitat objectiva o freqüentista:
o Basada en dades com l’espai de possibilitats (casos favorables/casos possibles)
o informació estadística més o menys acurada (outside view). Exemple: jocs
d’atzar, daus o moneda de cara o creu.
o La probabilitat és igual a les possibilitats de l’esdeveniment, tenint en compte la
resta de possibilitats.

Axiomes de probabilitat i propietats derivades

1. Normalment la probabilitat d’un esdeveniment segur és 1.
2. La probabilitat d’un esdeveniment completament impossible és 0. I tots els graus
d’incertesa estan entre el 0 i l’1.
3. El tercer axioma és que la disjunció de probabilitats (d’esdeveniments mútuament
excloents) és igual a la seva suma. Exemple: P(obtenir 5 o 6 a un dau amb 6 cares) = 1/6+1/6
= 2/6.

Si els esdeveniments estan relacionats hem de restar-hi la intersecció (probabilitat

conjunta). Exemple: prob de que surti un 6 o un nombre parell. La probabilitat conjunta ha de
tenir en compte que 6 en un nombre parell i, per tant, s’haura de restar (4-1= 3/6).

4. La probabilitat condicionada (la probabilitat d’A, sabent B) pot considerar-se un altre

axioma i pot calcular-se a partir de l’expressió: 𝑃(𝐴|𝐵) = 𝑃(𝐴 𝑖 𝐵)/𝑃(𝐵). Exemple: algú
tira un dau (prob. 6 = 1/6) i ens diuen que ha sortit un nombre parell. Per tant, la probabilitat de
que sigui 6 en aquest cas augmenta perquè sols poden haver sortit 2, 4 i 6 (prob. 6 = 1/3).
Aquesta formulació canvia si es mesuren esdeveniments relacionats o independents, en
cas de ser independent la probabilitat és sempre la mateixa. Exemple: tirem dos daus
(prob. 6 si abans ha sortit un 6) serà la mateixa perquè els daus no tenen memòria, per tant,
P(6l6) = P(6) = 1/6.
a. 𝑃(𝐴|𝐵) pot ser igual, més gran o més petit que 𝑃(𝐴)
b. 𝑃(𝐴 𝑖 𝐵) NO pot ser més gran que 𝑃(𝐴)
c. 𝑃(𝐴|𝐵) i 𝑃(𝐴 𝑖 𝐵) son probabilitat diferents (no son complementaries).

1
PENSAMENT I RESOLUCIÓ DE PROBLEMES BLOC 2: INFERÈNCIES INDUCTIVES

5. De l’anterior condició es deriva la probabilitat conjunta:

a. Si A i B estan relacionats  𝑃(𝐴 𝑖 𝐵) = 𝑃(𝐴) × 𝑃(𝐴|𝐵). Exemple: volem calcular
la prob. que surti 6 i parell. P(6 i parell) = 1/6 x 1.
b. Si A i B son independents  𝑃(𝐴 𝑖 𝐵) = 𝑃(𝐵) × 𝑃(𝐵). La forma queda
simplificada perquè els dos esdeveniments no s’afecten un a l’altre. Exemple:
volem calcular la prob. que surti 6 després d’haver sortit 6. P(6 i 6) = 1/6 x 1/6

Regla de la conjunció: la probabilitat conjunta sempre serà més petita o igual que la
probabilitat dels esdeveniments per separats. S’ha de complir en qualsevol cas:

𝑃(𝐴 𝑖 𝐵) ≤ 𝑃(𝐴) 𝑃(𝐴 𝑖 𝐵) ≤ 𝑃(𝐵)

Probabilitat prèvia, condicionada i a posteriori

En general, des de la perspectiva de la probabilitat bayesiana la idea es que totes les nostres
creences o hipòtesis tenen associades un grau de certesa, el qual pot ser més alt o baix segons
determinades funcions.

 Probabilitat prèvia: es la probabilitat que extraiem a partir de la primera hipòtesi o

creença.
 Probabilitat posterior: és la probabilitat de la hipòtesis després de veure certa
evidència.

TEOREMA DE BAYES: PROBABILITAT BAYESIANA

Teorema de Bayes: procediment que seguim o caldria seguir al modificar la probabilitat d’una
hipòtesi a mesura que observem noves evidències. Per tant, correspon a la probabilitat posterior
de la hipòtesi (després d’haver observat les dades).

P(H): probabilitat prèvia de la hipòtesi

𝑃(𝐻 𝑖 𝐷) 𝑃(𝐻) × 𝑃(𝐷|𝐻) P(D): probabilitat de la dada o evidència.
𝑃(𝐻|𝐷) = =
𝑃(𝐷) 𝑃(𝐷)
P(HlD): probabilitat a després d’observar la dada.

P(DlH): probabilitat de la dada si la hipòtesi és certa

Per tant, aquest teorema combina la prèvia amb les dades de la informació i es refereix a la
probabilitat de la dada condicionada a la hipòtesis.

HEURÍSTICS I BIAIXOS EN ELS JUDICIS DE PROBABILITAT

Son procediments informals (ens saltem passos – propi dels sistema 1) que permeten fer judicis
de probabilitat, freqüència... en base a una informació que a vegades pot estar esbiaixada.
Aquests autors sovint comparen els errors que produeixen els heurístics amb les il·lusions
cognitives com les visuals o els records il·lusoris.

2
PENSAMENT I RESOLUCIÓ DE PROBLEMES BLOC 2: INFERÈNCIES INDUCTIVES

Heurístic de representativitat
HEURÍSTIC DE REPRESENTATIVITAT: procediment que permet fer judicis de probabilitat o
freqüència a partir del grau de similitud o representativitat i prendre decisions en base a aquests
(similitud al prototip o estereotip).

Exemples clàssics utilitzats per estudiar aquest heurístic: imagineu que assistiu a
una reunió de 100 persones en què 90 son advocats i 10 enginyers. Coneixeu algú
que us comenta que juga escacs i que li agrada resoldre enigmes lògics i matemàtics.
La majoria de persones establia un judici de probabilitat molt semblant,
independentment de la probabilitat prèvia. En aquest cas, es decantaven perquè la
persona amb qui es parlava era enginyer perquè li agrada jugar a escacs i resoldre
enigmes lògics i matemàtics, no tenint en compte que sols un 10% dels assistents
seran enginyers.

 Probabilitat prèvia d’enginyer: P(E)=0’1

 Suposem per estereotips que la probabilitat de ser enginyer i li agradi jugar
a escacs és alta: P(escacsIE)= 0’8
 Probabilitat prèvia advocat: P(A)=0’9
 Probabilitat agradar escacs i ser advocat per suposicions es baixa:
P(escacslA)=0’3
 Probabilitat real de jugar a escacs i ser enginyer (formula teorema de
Bayes):
P(Elescacs)= (0’1·0’8) / ((0’1·0’8) + (0’9·0’3)) = 0’2

Si tenim una dada posterior que no discrimina, la probabilitat serà la mateixa que la prèvia. És
a dir, en general si la 𝑝(𝐷|𝐻) = 𝑃(𝐷|𝑛𝑜𝐻) → 𝑃(𝐻|𝐷) = 𝑃(𝐻). Exemple: si la probabilitat de ser
enginyer i jugar a escacs es la mateixa que ser advocat i jugar a escacs, llavors la probabilitat final serà la
mateixa que la prèvia: p(E l escacs)=0’1.

NEGLIGÈNCIA DE LES PROBABILITATS PRÈVIES: el heurístic avalua ràpidament el grau de

similitud entre la dada i la hipòtesi sense tenir en compte la probabilitat prèvia de la hipòtesi
(relació entre jugar escacs i ser enginyer).

Exemple 2: imagineu que algú a de tirar 6 vegades una moneda. Quina seqüència és més
probable sent C-cara i X-creu? Seqüència 1. CCCXXX; Seqüència 2. CCCCCC; Seqüència 3.
CXCCXX. Totes 3 son opcions son igual de probables, però en base a la aleatorietat
pensem que serà més probable que ocorri la tercera. Si considerem això, estaríem
influïts pel que els autors anomenen FAL·LÀCIA DEL JUGADOR.
P(sec1) = P(sec2) = P(sec3) = 1/64

Altres exemples relacionats amb l’heurístic de representativitat: segons alguns estudis

en USA, les millors escoles acostumen a ser petites, però també les pitjors. Les escoles
petites però, no son necessàriament millora o pitjors sinó que mostren major variabilitat.
// Un hospital petit on neixen 2 infants diaris i un altre amb milers. A quin hi ha més

3
PENSAMENT I RESOLUCIÓ DE PROBLEMES BLOC 2: INFERÈNCIES INDUCTIVES

probabilitat que els infants siguin tots nens? Si diem que al més petit, estem presentant
una insensibilitat a la mida de la mostra. No tenim en compte la grandària de la mostra,
ja que realment quan més gran es la mostra més t’apropes al paràmetre de la població.
Per tant, el sistema intuïtiu de seguida intenta buscar explicacions o inferències causals
confonen entre patró local i global.

Exemples d’heurístic de representativitat: Linda té 35 anys. Va estudiar filosofia i mentre

era estudiant va participar en diverses manifestacions en contra de les centrals nuclears.
¿Quina de les següents alternatives consideres més probable? Opció 1. Linda és caixera;
Opció 2. Linda és militant d’un partit ecologista i caixera a un banc. Es més probable que
diguem la 2, però en realitat es tracta d’una conjunció. I la regla de la probabilitat
conjunta mai pot ser més gran que els esdeveniments per separat, sempre serà més
petita o igual. Per tant, seguint la regla de la conjunció defensa que és més probable que
sigui únicament caixera. Aquest biaix a causa del heurístic de representativitat
s’anomena FAL·LÀCIA DE LA CONJUNCIÓ.

Exemple d’heurístic de representativitat: les boles vermelles de les imatges tenen premi.
Quina loteria prefereixes? Opció 1. 1 vermella i 9 negres. Opció 2. 10 vermelles i 92
negres. Subjectivament la gent escull la de la dreta perquè en té més boles vermelles
que l’altre. Aquest error s’anomena BIAIX DE PROPORCIÓ, ja que estem tenint en
compte el numerador (10>1) que es el número de boles vermelles. El que no s’està
tenint en compte el denominador (nombre total de boles) que es el que ens indica la
probabilitat de guanyar real. Aquest únicament es dona si no s’està massa entrenat en
la proporció numèrica, ja que si s’està entrenat aquest processament es dona
intuïtivament.

EN RESUM: l’heuristic de representativitat està a la base de les sobregeneralitzacions i genera

llavors els biaixos que hem vist: insensibilitat o negligència a les probabilitats, fal·làcia del
jugador, fal3làcia de la conjunció, biaix de proporció i biaix de creences (a vegades els judicis
de probabilitat estan més influïts per creences prèvies que per l’evidència estadística).

Evidentment tot això es pot corregir. Es important saber que existeixen aquests biaixos i com
solucionar-los. Normalment si parlem d’informació numèrica, tot el que sigui habilitats
numèriques serà de gran ajuda. I com es presenta la informació també influeix molt (el
raonament millora si es presenta en format de freqüències natural o icones en lloc de
percentatges o probabilitats).

Heurístic d’accessibilitat o disponibilitat

HEURÍSTIC D’ACCESSIBILITAT: segueix sent un procediment informal (resposta ràpida) que
permet emetre judicis de probabilitat o freqüència i prendre decisions a partir d’una estimació
intuïtiva del grau de facilitat amb què podem recuperar en memòria esdeveniments
relacionats.

Exemple: quin grup de paraules és més nombrós: les que comencen per la lletra R o les que tenen
la lletra R en tercera posició? Realment és més probable que estigui en tercera posició, però la
resposta intuïtiva és dir la primera posició perquè son més fàcils de recuperar i, per tant,
considerem que es més probable que si ens costa.

4
PENSAMENT I RESOLUCIÓ DE PROBLEMES BLOC 2: INFERÈNCIES INDUCTIVES

Els heurístics d’accessibilitat es basen en la informació que tenim disponible, per això també
s’anomenen heurístic de disponibilitat. També està relacionat o influenciat per les primeres
impressions (ex: prejudicis) i per les últimes notícies (exemple: la prob objectiva d’accident d’avió és
estadística i no es modifica per un accident d’avió. No obstant, la subjectiva si, per això si de camí a
l’aeroport veiem un accident d’avió creurem que es més probable que morir picat per un mosquit).

 Heurístic d’ancoratge i ajustament: és una variant del d’accessibilitat. Quan fem

estimacions de quantitats o judicis de comparació ens basem en alguna àncora i a partir
d’ella ajustem la nostra estimació. S’observen diferents estimacions segons l’àncora.
Exemple arbre més gran del món: a un grup li pregunten si l’arbre més gran del món té
una alçada menor o major de 40m; i a l’altre grup si és major o menor de 200m. En
aquest cas, el 40 i 200 son les àncores perquè arrosseguen les decisions posteriors
d’estimar l’alçada de l’arbre. El primer grup estima que estarà al voltant de 75m i el
segon al voltant de 150m. I justament la resposta es real es mostra entre mig (116m).
Per tant, l’estimació final que es fa depèn o esta influïda per l’àncora. És a dir, si tenim
dos grups grans que son igual d’ignorants sobre un tema, normalment la mitjana és la
mateixa i es pot encertar bastant.

Heurístic de simulació
HEURÍSTIC DE SIMULACIÓ: tendim a creure que els esdeveniments més fàcils d’imaginar o
simular tenen major probabilitat. Es pot considerar una variant de l’heurístic d’accessibilitat.

Exemples:

 Quan de probable és que el cavall “Sure Thing” guanyi la cursa?

 Quan de probable és que hi hagi vida a Mart, sabent que va contenir aigua?, ... (efecte
de recència, o “saliència” à informació que sobresurt pot generar una il·lusió)
 Raonament contrafàctic (raonament sobre que hagués pogut passar si...

Processos heurístics i analítics en els judicis de probabilitat

Els processos analítics estan basats en l’anàlisi exhaustiu de possibilitats (p.e. teoria dels models
mentals) o en l’aplicació de procediments matemàtics (p.e. llei de la conjunció, teorema de
Bayes).

RAONAMENT PROBABILÍSTIC EXTENSIONAL

Es diu que un judici probabilístic s’ha dut a terme mitjançant un raonament extensional quan
estimem la probabilitat d’un esdeveniment tenint en compte les diferents formes en les quals
l’esmentat esdeveniment pot ocórrer.

El raonament extensional té les característiques de que:

a) Es pot descompondre un esdeveniment en altres esdeveniments elementals.

b) És freqüentista.
c) És algorítmic.

5
PENSAMENT I RESOLUCIÓ DE PROBLEMES BLOC 2: INFERÈNCIES INDUCTIVES

No obstant, quan hem de jutjar la probabilitat d’alguns esdeveniments incerts, no disposem de

procediments extensionals que ens permetin calcular les probabilitats d’aquests
esdeveniments.

Teoria dels models mentals

Segons aquesta teoria un model mental consisteix en una representació mental d’una
possibilitat. D’aquesta manera, segons la teoria, el procés que segueix el raonament probabilístic
extensional és un procés de simulació de possibilitats. Els principis d’aquesta teoria són els
següents:

1. Principi de veritat. Les persones ens representem situacions construint conjunts de

models mentals en els que cada model representa el que és veritat en una possibilitat.
2. Principi d’equiprobabilitat. Cada model mental representa una alternativa
equiprobable, a no ser que les persones tinguin informació o creences del contrari.
3. Principi de proporcionalitat. Assumida l’equiprobabilitat, la probabilitat d’un
esdeveniment A depèn de la proporció de models en els que s’observi aquests
esdeveniment A.

Segons aquesta teoria, el nombre de models mentals (possibilitats) d’un esdeveniment a tenir
en compte determinarà la dificultat del raonament.
Així, els errors en el raonament probabilístic seran més freqüents en les situacions on és difícil
representar totes les possibilitats (exemple: problemes del sexe dels fills o de les 3 targetes).
La representació numèrica de les possibilitats facilitarà el procés de raonament, doncs hi ha un
evidència de l’efecte del format numèric en el raonament, encara que existeixen diferències
segons el nivell de matemàtiques de l’individu.

COM PODEM SUPERAR ELS BIAIXOS DEL SISTEMA 1?

 Generalment, si és possible, considerant l’espai de possibilitats (hipòtesis o models
alternatius).
 També, aplicant bones estratègies de comprovació d’hipòtesis (evitant el biaix
confirmatori; avaluant la validesa de les conclusions i la solidesa dels supòsits; motivant-
nos per a perseverar...).