Vieses nos Julgamentos Revelam Algumas Heurísticas de Pensamento sob Incerteza

Amos Tversky e Daniel Kahneman
Judgment under Uncertainty: Heuristics and Biases
Science 185 (4157), 1124-1131.
DOI: 10.1126/science.185.4157.1124

Muitas decisões são baseadas em crenças sobre a probabilidade de eventos incertos, como o resultado de uma eleição, a culpa de um réu ou o valor futuro do dólar. Essas crenças são geralmente expressas em afirmações como “Eu acho que …”, “as chances são …”, “é improvável que …” e assim por diante. Ocasionalmente, as crenças relativas a eventos incertos são expressas na forma numérica como possibilidades ou probabilidades subjetivas. O que determina essas crenças? Como as pessoas avaliam a probabilidade de um evento incerto ou o valor de uma quantidade incerta? Este artigo mostra que as pessoas confiam em um número limitado de princípios heurísticos que reduzem tarefas complexas como avaliar probabilidades ou prever valores a operações simplistas de julgamento. Em geral, essas heurísticas são bastante úteis, mas às vezes levam a erros graves e sistemáticos.

A avaliação subjetiva da probabilidade se assemelha à avaliação subjetiva de grandezas físicas, como distância ou tamanho. Esses julgamentos são todos baseados em dados de validade limitada, que são processados ​​de acordo com regras heurísticas. Por exemplo, a distância aparente de um objeto é determinada em parte por sua clareza. Quanto mais nitidamente se vê o objeto, mais próximo ele parece estar. Essa regra tem alguma validade, porque em qualquer cenário, os objetos mais distantes são vistos com menos nitidez do que os objetos mais próximos. No entanto, a confiança nesta regra leva a erros sistemáticos na estimativa da distância. Especificamente, as distâncias são frequentemente superestimadas quando a visibilidade é ruim porque os contornos dos objetos estão borrados. Por outro lado, as distâncias são frequentemente subestimadas quando a visibilidade é boa porque os objetos são vistos nitidamente. Assim, a confiança na clareza como uma indicação de distância leva a vieses comuns. Esses vieses também são encontrados no julgamento intuitivo de probabilidade. Este artigo descreve três heurísticas que são empregadas para avaliar probabilidades e prever valores. Vieses aos quais essas heurísticas levam serão enumerados e as implicações aplicadas e teóricas dessas observações serão discutidas.

  1. Representatividade
      1. Insensibilidade à probabilidade anterior do resultado
      2. Insensibilidade ao tamanho da amostra
      3. Compreensão equivocada sobre o acaso
      4. Insensibilidade à previsibilidade
      5. A ilusão de validade
      6. Equívocos de regressão
  2. Disponibilidade
    1. Vieses devido à capacidade de recuperação de instâncias
    2. Vieses devido à eficácia de um conjunto de pesquisa
    3. Vieses de imaginabilidade
    4. Correlação ilusória
  3. Ajuste e Ancoragem
    1. Ajuste insuficiente
    2. Vieses na avaliação de eventos conjuntivos e disjuntivos
    3. Ancoragem na avaliação de distribuições de probabilidade subjetiva
  4. Discussão
  5. Resumo

Representatividade

Muitas das questões probabilísticas que as pessoas se preocupam pertencem a um dos seguintes tipos: Qual é a probabilidade de que o objeto A pertença à classe B? Qual é a probabilidade de que o evento A se origine do processo B? Qual é a probabilidade de que o processo B gere o evento A? Ao responder a tais perguntas, as pessoas normalmente contam com a heurística de representatividade, na qual as probabilidades são avaliadas pelo grau em que A é representativo de B, ou seja, pelo grau em que A se assemelha a B. Por exemplo, quando A é altamente representativo de B, a probabilidade de que A se origine de B é considerada alta. Por outro lado, se A não for semelhante a B, a probabilidade de A originar-se de B é considerada baixa.

Para exemplificar um julgamento do tipo representatividade, considere um indivíduo que foi descrito por um antigo vizinho do seguinte modo: “Steve é ​​muito tímido e retraído, sempre prestativo, mas com pouco interesse nas pessoas ou no mundo real. Uma alma mansa e íntegra, ele necessita de ordem e estrutura e possui uma paixão por detalhes”. Como as pessoas avaliariam a probabilidade de Steve ter uma determinada profissão, dentro de uma lista de possibilidades (por exemplo, fazendeiro, vendedor, piloto de avião, bibliotecário ou médico)? Como as pessoas ordenariam essas profissões começando da mais provável para a menos provável? Nessa heurística de representatividade, a probabilidade de Steve ser um bibliotecário, por exemplo, é avaliada pelo grau em que ele é representativo ou semelhante ao estereótipo de um bibliotecário. De fato, pesquisas com problemas desse tipo mostraram que as pessoas ordenam as profissões por probabilidade e por semelhança exatamente da mesma maneira (1). Essa abordagem no julgamento de probabilidade leva a erros graves, porque a similaridade, ou representatividade, não é influenciada por vários fatores que deveriam afetar os julgamentos de probabilidade.

Insensibilidade à probabilidade anterior do resultado

Um dos fatores que não têm efeito na representatividade, mas deve ter um efeito importante na probabilidade, é a probabilidade anterior dos resultados. No caso de Steve, por exemplo, o fato de haver muito mais fazendeiros do que bibliotecários na população deve incluir qualquer estimativa razoável da probabilidade de Steve ser um bibliotecário em vez de um fazendeiro. Considerações sobre a frequência da taxa básica, entretanto, não afetam a semelhança de Steve com os estereótipos de bibliotecários e fazendeiros. Se as pessoas avaliam a probabilidade pela representatividade, portanto, as probabilidades anteriores serão desprezadas. Esta hipótese foi testada em um experimento onde probabilidades anteriores foram manipuladas (1). Foram mostradas aos participantes do experimento breves descrições de personalidade de vários indivíduos, supostamente retirados ao acaso de um grupo de 100 profissionais — engenheiros e advogados. Os participantes foram solicitados a avaliar, para cada descrição, a probabilidade de pertencer à categoria dos engenheiros e não a dos advogados. Em uma condição experimental, os participantes foram informados de que o grupo do qual as descrições foram extraídas consistia de 70 engenheiros e 30 advogados. Em outra condição, os participantes foram informados de que o grupo era composto por 30 engenheiros e 70 advogados. A probabilidade de que qualquer descrição particular pertença a um engenheiro e não a um advogado deve ser maior na primeira condição, onde há uma maioria de engenheiros, do que na segunda condição, onde há uma maioria de advogados. Especificamente, pode-se demonstrar aplicando a regra de Bayes que a razão dessas probabilidades deve ser \(\Big({\frac{0,7}{0,3}\Big)}^2\), ou 5,44, para cada descrição. Em uma violação severa da regra de Bayes, os participantes nas duas condições produziram essencialmente os mesmos julgamentos de probabilidade. Aparentemente, os participantes avaliaram a probabilidade de uma descrição particular pertencer a um engenheiro em vez de a um advogado pelo grau em que essa descrição era representativa dos dois estereótipos, com pouca ou nenhuma consideração pelas probabilidades anteriores das categorias.

Os participantes usaram probabilidades anteriores corretamente quando não tinham outras informações. Na ausência de um esboço de personalidade, eles avaliaram a probabilidade de um indivíduo desconhecido ser engenheiro ter 0,7 e 0,3, respectivamente, nas duas condições básicas. No entanto, as probabilidades anteriores foram efetivamente ignoradas quando uma descrição foi introduzida, mesmo quando esta descrição era não informativa. As respostas à seguinte descrição ilustram esse fenômeno:

Dick é um homem de 30 anos. Ele é casado e não tem filhos. Homem de grande habilidade e grande motivação, ele promete ser muito bem-sucedido em sua área. Ele é muito querido por seus colegas.

Esta descrição não pretendia transmitir nenhuma informação relevante para a questão de saber se Dick é um engenheiro ou advogado. Consequentemente, a probabilidade de Dick ser um engenheiro deve ser igual à proporção de engenheiros no grupo, como se nenhuma descrição tivesse sido fornecida. Os sujeitos, no entanto, avaliaram a probabilidade de Dick ser um engenheiro em 0,5, independentemente de a proporção declarada de engenheiros no grupo ser 0,7 ou 0,3. Evidentemente, as pessoas reagem de maneira diferente quando não recebem nenhuma evidência e quando recebem evidências inúteis. Quando nenhuma evidência específica é fornecida, as probabilidades anteriores são devidamente utilizadas; quando evidências inúteis são fornecidas, as probabilidades anteriores são ignoradas (1).

Insensibilidade ao tamanho da amostra

Para avaliar a probabilidade de obter um determinado resultado numa amostra retirada de uma população especificada, as pessoas normalmente aplicam a heurística de representatividade. Ou seja, avaliam a probabilidade de um resultado amostral, por exemplo, que a altura média em uma amostra aleatória de dez homens seja de 180 centímetros (1,80m), pela semelhança desse resultado com o parâmetro correspondente (ou seja, para a altura média na população de homens). A semelhança de uma estatística de amostra com um parâmetro de população não depende do tamanho da amostra. Consequentemente, se as probabilidades são avaliadas pela representatividade, então a probabilidade julgada de uma estatística de amostra será essencialmente independente do tamanho da amostra. Na verdade, quando os participantes avaliaram as distribuições de altura média para amostras de vários tamanhos, eles produziram distribuições idênticas. Por exemplo, o mesmo valor foi atribuído à probabilidade de obter uma altura média superior a 1,80m para amostras de 1000, 100 e 10 homens (2). Além disso, os participantes não conseguiram avaliar o papel do tamanho da amostra, mesmo quando ele foi enfatizado na formulação do problema. Considere a seguinte questão:

Uma certa cidade é atendida por dois hospitais. No hospital maior, cerca de 45 bebês nascem a cada dia, e no hospital menor, cerca de 15 bebês nascem a cada dia. Como você sabe, cerca de 50 por cento de todos os bebês são meninos. No entanto, a porcentagem exata varia de dia para dia. Às vezes, pode ser superior a 50%, às vezes inferior.

Por um período de 1 ano, cada hospital registrou os dias em que mais de 60 por cento dos bebês nascidos eram meninos. Qual hospital você acha que registrou mais dias assim?

– O hospital maior (21)
– O hospital menor (21)
– Quase o mesmo (ou seja, dentro de 5 por cento um do outro) (53)

Os valores entre parênteses são o número de alunos de graduação que escolheram cada resposta.

A maioria dos sujeitos julgou a probabilidade de obter mais de 60 por cento dos meninos igual no hospital pequeno e no grande, presumivelmente porque esses eventos são descritos pela mesma estatística e, portanto, são igualmente representativos da população geral. Em contraste, a teoria da amostragem implica que o número esperado de dias em que mais de 60 por cento dos bebês são meninos é muito maior no pequeno hospital do que no grande, porque uma grande amostra tem menos probabilidade de se desviar de 50 por cento. Essa noção fundamental de estatística, evidentemente, não faz parte do repertório de intuições das pessoas.

Uma similar insensibilidade ao tamanho da amostra foi relatada em julgamentos de probabilidade posterior, ou seja, da probabilidade de que uma amostra foi retirada de uma população em vez de outra. Considere o seguinte exemplo:

Imagine uma urna cheia de bolas, das quais 2/3 são de uma cor e 1/3 de outra. Um indivíduo tirou 5 bolas da urna e descobriu que 4 eram vermelhas e 1 era branca (amostra 4:1). Outro indivíduo tirou 20 bolas e descobriu que 12 eram vermelhas e 8 eram brancas (amostra 12:8). Qual dos dois indivíduos deve se sentir mais confiante de que a urna contém 2/3 de bolas vermelhas e 1/3 bolas brancas, ao invés do oposto? Quais chances cada indivíduo deve oferecer?

Neste problema, as probabilidades posteriores corretas são 8 para 1 para a amostra 4:1 e de 16 para 1 para a amostra 12:8, assumindo probabilidades anteriores iguais — ou seja, a probabilidade comparada da segunda amostra é o dobro da primeira. No entanto, a maioria das pessoas sente que a primeira amostra fornece evidências muito mais fortes para a hipótese de que a urna é predominantemente vermelha, porque a proporção de bolas vermelhas é maior na primeira do que na segunda amostra. Aqui, novamente, os julgamentos intuitivos são dominados pela proporção da amostra e essencialmente não são afetados pelo tamanho da amostra, que desempenha um papel crucial na determinação das chances posteriores reais (2). Além disso, estimativas intuitivas de probabilidades posteriores são muito menos extremas do que os valores corretos. A subestimação do impacto das evidências tem sido observada repetidamente em problemas desse tipo (3, 4).

Compreensão equivocada sobre o acaso

As pessoas esperam que uma sequência de eventos gerados por um processo aleatório represente as características essenciais desse processo, mesmo quando a sequência é curta. Ao considerar lançamentos de uma moeda para cara (K) ou coroa (C), por exemplo, as pessoas consideram a sequência KCKCCK mais provável do que a sequência KKKCCC, que não parece aleatória, e também mais provável do que a sequência KKKKCK, que não representam a honestidade da moeda (2). Assim, as pessoas esperam que as características essenciais do processo sejam representadas, não apenas globalmente em toda a sequência, mas também localmente em cada uma de suas partes. Uma sequência localmente representativa, no entanto, desvia-se sistematicamente da expectativa do acaso: contém muitas alternâncias e muito poucas execuções. Outra consequência da crença na representatividade local é a conhecida falácia do apostador. Depois de observar uma longa sequência de vermelho na roleta. por exemplo, a maioria das pessoas acredita erroneamente que o preto agora é devido, presumivelmente porque a ocorrência do preto resultará em uma sequência mais representativa do que a ocorrência de um vermelho adicional. O acaso é comumente visto como um processo de autocorreção, em que um desvio em uma direção induz um desvio na direção oposta para restaurar o equilíbrio. Na verdade, os desvios não são “corrigidos” à medida que um processo fortuito se desdobra, eles são apenas diluídos.

Os equívocos sobre o acaso não se limitam a participantes ingênuos. Um estudo das intuições estatísticas de psicólogos pesquisadores experientes (5) revelou uma crença persistente no que pode ser chamado de “lei dos pequenos números”, segundo a qual mesmo pequenas amostras são altamente representativas das populações das quais são retiradas. As respostas desses investigadores refletiram a expectativa de que uma hipótese válida sobre uma população será representada por um resultado estatisticamente significativo em uma amostra — com pouca consideração do seu tamanho. Como consequência, os pesquisadores colocaram muita fé nos resultados de pequenas amostras e superestimaram grosseiramente a replicabilidade de tais resultados. Na condução real da pesquisa, esse viés leva à seleção de amostras de tamanho inadequado e à superinterpretação dos resultados.

Insensibilidade à previsibilidade

Às vezes, as pessoas são chamadas a fazer previsões numéricas como o valor futuro de uma ação, a demanda por uma mercadoria ou o resultado de um jogo de futebol. Essas previsões costumam ser feitas por representatividade. Por exemplo, suponha que alguém receba a descrição de uma empresa e seja solicitado a prever seu lucro futuro. Se a descrição da empresa for muito favorável, um lucro muito alto parecerá mais representativo dessa descrição; se a descrição for medíocre, um desempenho medíocre parecerá mais representativo. O grau em que a descrição é favorável não é afetado pela confiabilidade dessa descrição ou pelo grau em que ela permite uma previsão precisa. Portanto, se as pessoas prevêem apenas em termos de favorabilidade da descrição, suas previsões serão insensíveis à confiabilidade da evidência e à precisão esperada da previsão.

Esse modo de julgamento viola a teoria estatística normativa, na qual o extremo e o alcance das previsões são controlados por considerações de previsibilidade. Quando a previsibilidade é nula, a mesma previsão deve ser feita em todos os casos. Por exemplo, se as descrições das empresas não fornecem informações relevantes para o lucro, o mesmo valor (como lucro médio) deve ser previsto para todas as empresas. Se a previsibilidade for perfeita, é claro, os valores previstos corresponderão aos valores reais e a faixa de previsões será igual à faixa de resultados. Em geral, quanto maior a previsibilidade, mais ampla será a faixa de valores previstos.

Vários estudos de predição numérica demonstraram que predições intuitivas violam esta regra, e que os participantes mostram pouco ou nenhum respeito por considerações de previsibilidade (1). Em um desses estudos, os assuntos foram apresentados com vários parágrafos, cada um descrevendo o desempenho de um professor aluno durante uma aula prática específica. Alguns participantes foram solicitados a avaliar a qualidade da aula descrita no parágrafo em pontuações percentuais, em relação a uma população especificada. Outros participantes foram solicitados a prever, também em pontuações percentuais, a posição de cada professor aluno 5 anos após a aula prática. Os julgamentos feitos nas duas condições foram idênticos. Ou seja, a previsão de um critério remoto (sucesso de um professor após 5 anos) era idêntica à avaliação da informação na qual a previsão se baseava (a qualidade da aula prática). Os alunos que fizeram essas previsões estavam, sem dúvida, cientes da previsibilidade limitada da competência de ensino com base em uma única aula experimental 5 anos antes; no entanto, suas previsões foram tão extremas quanto suas avaliações.

A ilusão de validade

Como vimos, as pessoas geralmente fazem previsões selecionando o resultado (por exemplo, uma profissão) que é mais representativo da entrada (por exemplo, a descrição de uma pessoa). A confiança que elas têm em sua previsão depende principalmente do grau de representatividade (ou seja, da qualidade da correspondência entre o resultado selecionado e a entrada), com pouca ou nenhuma consideração pelos fatores que limitam a precisão da previsão. Assim, as pessoas expressam grande confiança na previsão de que uma pessoa é uma bibliotecária quando recebem uma descrição de sua personalidade que corresponda ao estereótipo de bibliotecários, mesmo que a descrição seja escassa, não confiável ou desatualizada. A confiança injustificada que é produzida por um bom ajuste entre o resultado previsto e as informações de entrada pode ser chamada de ilusão de validade. Essa ilusão persiste mesmo quando o avaliador está ciente dos fatores que limitam a precisão de suas previsões. É uma observação comum que os psicólogos que conduzem entrevistas de seleção muitas vezes experimentam uma confiança considerável em suas previsões, mesmo quando conhecem a vasta literatura que mostra que as entrevistas de seleção são altamente falíveis. A confiança contínua na entrevista clínica para a seleção, apesar das repetidas demonstrações da sua inadequação, atesta amplamente a força desse efeito.

A consistência interna de um padrão de entradas é o principal determinante da confiança de alguém nas previsões baseadas nessas entradas. Por exemplo, as pessoas expressam mais confiança em prever a média final da nota de um aluno cujo registro do primeiro ano consiste inteiramente em B’s do que em prever a média da nota de um aluno cujo registro do primeiro ano inclui muitos A’s e C’s. Padrões altamente consistentes são mais frequentemente observados quando as variáveis ​​de entrada são altamente redundantes ou correlacionadas. Consequentemente, as pessoas tendem a ter grande confiança nas previsões baseadas em variáveis ​​de entrada redundantes. No entanto, um resultado elementar nas estatísticas de correlação afirma que, dadas as variáveis ​​de entrada de validade declarada, uma previsão baseada em várias dessas entradas pode atingir maior precisão quando são independentes umas das outras em comparação a quando são redundantes ou correlacionadas. Assim, a redundância entre as entradas diminui a precisão ao mesmo tempo que aumenta a confiança, e as pessoas muitas vezes confiam nas previsões que provavelmente estão erradas (1).

Equívocos de regressão

Suponha que um grande grupo de crianças tenha sido examinado em duas versões equivalentes de um teste de aptidão. Se alguém selecionar dez crianças entre as que se saíram melhor em uma das duas versões, geralmente achará o desempenho delas na segunda versão um tanto decepcionante. Inversamente, se selecionarmos dez crianças entre as que tiveram pior desempenho em uma versão, veremos que, em média, elas se saíram um pouco melhor na outra versão. De forma mais geral, considere duas variáveis X e Y que têm a mesma distribuição. Se selecionarmos participantes cuja pontuação média de X se desvia da média de X por k unidades, então a média de suas pontuações Y geralmente se desviará da média de Y por menos de k unidades. Essas observações ilustram um fenômeno geral conhecido como regressão à média, documentado pela primeira vez por Galton há mais de 100 anos.

No curso normal da vida, encontramos muitos casos de regressão à média, na comparação da altura de pais e filhos, da inteligência de maridos e esposas ou do desempenho de participantes em exames consecutivos. No entanto, as pessoas não desenvolvem intuições corretas sobre esse fenômeno. Em primeiro lugar, eles não esperam regressão em muitos contextos onde ela está fadada a ocorrer. Em segundo lugar, quando reconhecem a ocorrência de regressão, muitas vezes inventam explicações causais espúrias para isso (1). Sugerimos que o fenômeno da regressão permanece indescritível porque é incompatível com a crença de que o resultado previsto deve ser maximamente representativo da entrada e, portanto, que o valor da variável de resultado deve ser tão extremo quanto o valor da variável de entrada.

O fracasso em reconhecer a importância da regressão pode ter consequências perniciosas, conforme ilustrado pela seguinte observação (1). Em uma discussão sobre treinamento de vôo, instrutores experientes notaram que elogios por uma aterrissagem excepcionalmente suave normalmente são seguidos por uma aterrissagem mais pobre na próxima tentativa, enquanto críticas severas após uma aterrissagem violenta geralmente são seguidas por uma melhora na próxima tentativa. Os instrutores concluíram que as recompensas verbais são prejudiciais ao aprendizado, enquanto as punições verbais são benéficas, ao contrário da doutrina psicológica aceita. Esta conclusão é injustificada devido à presença de regressão em direção à média. Como em outros casos de exames repetidos, uma melhora geralmente ocorre após um desempenho ruim e uma deterioração geralmente ocorre após um desempenho excelente, mesmo que o instrutor não responda ao desempenho do aluno na primeira tentativa. Como os instrutores elogiaram seus estagiários após boas aterrissagens e os advertiram após erros ruins, eles chegaram à conclusão errônea e potencialmente prejudicial de que a punição é mais eficaz do que a recompensa.

Assim, o fracasso em compreender o efeito da regressão leva a superestimar a eficácia da punição e a subestimar a eficácia da recompensa. Na interação social, assim como no treinamento, as recompensas são normalmente administradas quando o desempenho é bom e as punições são normalmente administradas quando o desempenho é baixo. Portanto, apenas pela regressão, o comportamento tem mais probabilidade de melhorar após a punição e mais probabilidade de se deteriorar após a recompensa. Consequentemente, a condição humana é tal que, apenas por acaso, muitas vezes somos recompensados por punir os outros e, na maioria das vezes, punidos por recompensá-los. As pessoas geralmente não estão cientes dessa contingência. Na verdade, o papel evasivo da regressão na determinação das consequências aparentes de recompensa e punição parece ter escapado à atenção dos estudantes dessa área.

Disponibilidade

Existem situações em que as pessoas avaliam a frequência de uma aula ou a probabilidade de um evento pela facilidade com que exemplos ou ocorrências podem ser trazidos à mente. Por exemplo, pode-se avaliar o risco de ataque cardíaco entre pessoas de meia-idade, lembrando-se de tais ocorrências entre conhecidos. Da mesma forma, pode-se avaliar a probabilidade de um determinado empreendimento fracassar imaginando várias dificuldades que ele possa encontrar. Essa heurística de julgamento é chamada de disponibilidade. A disponibilidade é uma pista útil para avaliar a frequência ou probabilidade, porque as instâncias de classes grandes geralmente são recuperadas melhor e mais rápido do que as instâncias de classes menos frequentes. No entanto, a disponibilidade é afetada por outros fatores além da frequência e da probabilidade. Consequentemente, a confiança na disponibilidade leva a vieses previsíveis, alguns dos quais são ilustrados abaixo.

Vieses devido à capacidade de recuperação de instâncias

Quando o tamanho de uma classe é julgado pela disponibilidade de suas instâncias, uma classe cujas instâncias são facilmente recuperadas parecerá mais numerosa do que uma classe de igual frequência cujas instâncias são menos recuperáveis. Numa demonstração elementar desse efeito, os participantes ouviram uma lista de personalidades conhecidas de ambos os sexos e, subsequentemente, foram solicitados a julgar se a lista continha mais nomes de homens do que de mulheres. Listas diferentes foram apresentadas a diferentes grupos de assuntos. Em algumas das listas, os homens eram relativamente mais famosos do que as mulheres e, em outras, as mulheres eram relativamente mais famosas do que os homens. Em cada uma das listas, os sujeitos julgaram erroneamente que a classe (sexo) que possuía as personalidades mais famosas era a mais numerosa (6).

Além da familiaridade, existem outros fatores, como saliência, que afetam a recuperabilidade das instâncias. Por exemplo, o impacto de ver uma casa pegando fogo na probabilidade subjetiva de tais acidentes é provavelmente maior do que o impacto de ler sobre um incêndio no jornal local. Além disso, as ocorrências recentes provavelmente estão relativamente mais disponíveis do que as ocorrências anteriores. É uma experiência comum que a probabilidade subjetiva de acidentes de trânsito aumenta temporariamente quando se vê um carro capotado à beira da estrada.

Vieses devido à eficácia de um conjunto de pesquisa

Suponha que uma pessoa sorteie uma palavra (de três letras ou mais) aleatoriamente de um texto em inglês. É mais provável que a palavra comece com a letra E ou que E seja a terceira letra? As pessoas abordam esse problema lembrando palavras que começam com R (ex.: road) e palavras que têm R na terceira posição (ex.: car) e avaliam a frequência relativa pela facilidade com que as palavras dos dois tipos vêm à mente. Como é muito mais fácil pesquisar palavras pela primeira letra do que pela terceira, a maioria das pessoas julga que as palavras que começam com uma determinada letra são mais numerosas do que as palavras em que a mesma letra aparece na terceira posição. Eles fazem isso até mesmo para letras como R ou K, que são mais frequentes na terceira posição do que na primeira (6).

Diferentes tarefas geram diferentes conjuntos de pesquisa. Por exemplo, suponha que você seja solicitado a avaliar a frequência com que palavras abstratas (ex.: pensamento, amor) e palavras concretas (ex.: porta, água) aparecem no português escrito. Uma maneira natural de responder a essa pergunta é pesquisar contextos nos quais a palavra possa aparecer. Parece mais fácil pensar em contextos em que um conceito abstrato é mencionado (amor em histórias de amor) do que em contextos em que uma palavra concreta (como porta) é mencionada. Se a frequência das palavras for avaliada pela disponibilidade dos contextos em que aparecem, as palavras abstratas serão julgadas como relativamente mais numerosas do que as palavras concretas. Esse viés foi observado em estudo recente (7) que mostrou que a frequência avaliada de ocorrência de palavras abstratas foi muito maior do que a de palavras concretas, equiparadas em frequência objetiva. Palavras abstratas também foram consideradas como aparecendo numa variedade muito maior de contextos do que palavras concretas.

Vieses de imaginabilidade

Às vezes, é necessário avaliar a frequência de uma classe cujas instâncias não estão armazenadas na memória, mas podem ser geradas de acordo com uma determinada regra. Em tais situações, normalmente se gera várias instâncias e avalia a frequência ou probabilidade pela facilidade com que as instâncias relevantes podem ser construídas. No entanto, a facilidade de construção de instâncias nem sempre reflete sua frequência real, e esse modo de avaliação está sujeito a vieses. Para ilustrar, considere um grupo de 10 pessoas que formam comitês de k membros, 2 <= k <= 8. Quantos comitês diferentes de k membros podem ser formados? A resposta correta para este problema é dada pelo coeficiente binomial (10 k) que atinge um máximo de 252 para k = 5. Claramente, o número de comitês de k membros é igual ao número de comitês de (10 — k) membros, porque qualquer comitê de k membros define um grupo único de (10 — k) não membros.

Uma maneira de responder a essa pergunta sem cálculo é construir mentalmente comitês de k membros e avaliar seu número pela facilidade com que vêm à mente. Comitês de poucos membros, digamos 2, estão mais disponíveis do que comitês de muitos membros, digamos 8. O esquema mais simples para a construção de comitês é uma partição do grupo em conjuntos separados. Vê-se rapidamente que é fácil construir cinco comitês separados de 2 membros, enquanto é impossível gerar até mesmo dois comitês separados de 8 membros. Consequentemente, se a frequência for avaliada pela imaginabilidade ou pela disponibilidade para construção, os pequenos comitês parecerão mais numerosos do que os maiores, em contraste com a função correta em forma de sino (Nota do tradutor: bell-shaped function). De fato, quando participantes ingênuos foram solicitados a estimar o número de comitês distintos de vários tamanhos, suas estimativas foram uma função monotônica decrescente do tamanho do comitê (6). Por exemplo, a estimativa mediana do número de comitês de 2 membros foi 70, enquanto a estimativa para comitês de 8 membros foi 20 (a resposta correta é 45 em ambos os casos).

A imaginabilidade desempenha um papel importante na avaliação das probabilidades em situações da vida real. O risco de uma expedição de aventura, por exemplo, é avaliado imaginando contingências para as quais a expedição não está preparada para lidar. Se muitas dessas dificuldades forem retratadas vividamente, a expedição pode parecer excessivamente perigosa, embora a facilidade com que os desastres são imaginados não reflita sua real probabilidade. Por outro lado, o risco envolvido em um empreendimento pode ser grosseiramente subestimado se alguns perigos possíveis forem difíceis de imaginar ou simplesmente não vierem à mente.

Correlação ilusória

Chapman e Chapman (8) descreveram um viés interessante no julgamento da frequência em que dois eventos co-ocorrem. Eles apresentaram a avaliadores ingênuos informações sobre vários pacientes mentais hipotéticos. Os dados de cada paciente consistiam em um diagnóstico clínico e um desenho de uma pessoa feito pelo próprio paciente. Posteriormente, os avaliadores estimaram a frequência com que cada diagnóstico (como paranóia ou desconfiança) foi acompanhado por várias características do desenho (como olhos peculiares). Os sujeitos superestimaram acentuadamente a frequência de coocorrência de aspectos associados naturalmente, como desconfiança e olhos peculiares. Este efeito foi denominado correlação ilusória. Em seus julgamentos errôneos dos dados aos quais haviam sido expostos, os participantes ingênuos “redescobriram” muito do conhecimento clínico comum, mas infundado, a respeito da interpretação do teste de desenhar uma pessoa. O efeito de correlação ilusória era extremamente resistente a dados contraditórios. Persistia mesmo quando a correlação entre sintoma e diagnóstico era realmente negativa e impedia os avaliadores de detectar relações que estavam de fato presentes.

A disponibilidade fornece uma explicação natural para o efeito de correlação ilusória. O julgamento da frequência com que dois eventos co-ocorrem pode ser baseado na força do vínculo associativo entre eles. Quando a associação é forte, é provável que se conclua que os eventos foram frequentemente pareados. Consequentemente, aspectos associados fortemente serão julgados como se ocorressem juntos com frequência. De acordo com essa visão, a correlação ilusória entre desconfiança e desenho peculiar dos olhos, por exemplo, deve-se ao fato de que a desconfiança está mais prontamente associada aos olhos do que a qualquer outra parte do corpo.

A experiência de toda uma vida nos ensinou que, em geral, as instâncias de classes grandes são lembradas melhor e mais rápido do que as instâncias de classes menos frequentes; que as ocorrências prováveis ​​são mais fáceis de imaginar do que as improváveis; e que as conexões associativas entre eventos são fortalecidas quando os eventos frequentemente co-ocorrem. Como resultado, o homem tem à sua disposição um procedimento (a heurística de disponibilidade) para estimar a numerosidade de uma classe, a probabilidade de um evento, ou a frequência de co-ocorrências, pela facilidade com que as operações mentais relevantes de recuperação, construção ou associação pode ser executada. No entanto, como os exemplos anteriores demonstraram, este valioso procedimento de estimativa resulta em erros sistemáticos.

Ajuste e Ancoragem

Em muitas situações, as pessoas fazem estimativas partindo de um valor inicial que é ajustado para produzir a resposta final. O valor inicial, ou ponto de partida, pode ser sugerido pela formulação do problema ou pode ser o resultado de um cálculo parcial. Em ambos os casos, os ajustes são normalmente insuficientes (4). Ou seja, diferentes pontos de referência geram estimativas diferentes, que são enviesadas em relação aos valores iniciais. Chamamos esse fenômeno de ancoragem.

Ajuste insuficiente

Numa demonstração do efeito de ancoragem, os participantes foram solicitados a estimar várias quantidades, declaradas em porcentagens (por exemplo, a porcentagem de países africanos nas Nações Unidas). Para cada quantidade, um número entre 0 e 100 foi determinado girando uma roda da sorte na presença dos participantes. Os participantes foram instruídos a indicar primeiro se aquele número era maior ou menor do que o valor da quantidade e, em seguida, estimar o valor da quantidade movendo-se para cima ou para baixo a partir do número dado. Grupos diferentes receberam números diferentes para cada quantidade, e esses números arbitrários tiveram um efeito marcante nas estimativas. Por exemplo, as estimativas medianas da porcentagem de países africanos nas Nações Unidas foram 25 e 45 para os grupos que receberam 10 e 65, respectivamente, como pontos de partida. Os ganhos de precisão não reduziram o efeito de ancoragem. A ancoragem ocorre não apenas quando o ponto de partida é dado ao sujeito, mas também quando o sujeito baseia sua estimativa no resultado de algum cálculo incompleto. Um estudo de estimativa numérica intuitiva ilustra esse efeito. Dois grupos de alunos do ensino médio estimaram, em 5 segundos, uma expressão numérica que estava escrita na lousa. Um grupo estimou o produto

8 x 7 x 6 x 5 x 4 x 3 x 2 x 1

enquanto outro grupo estimou o produto

1 x 2 x 3 x 4 x 5 x 6 x 7 x 8

Para responder rapidamente a essas perguntas, as pessoas podem realizar algumas etapas de cálculo e estimar o produto por extrapolação ou ajuste. Como os ajustes são normalmente insuficientes, esse procedimento deve levar à subestimação. Além disso, como o resultado das primeiras etapas de multiplicação (executadas da esquerda para a direita) é maior na sequência descendente do que na ascendente, a primeira expressão deve ser considerada maior do que a última. Ambas as previsões foram confirmadas. A estimativa mediana para a sequência ascendente foi 512, enquanto a estimativa mediana para a sequência descendente foi 2250. A resposta correta é 40320.

Vieses na avaliação de eventos conjuntivos e disjuntivos

Em um estudo recente de Bar-Hillel (9), os participantes tiveram a oportunidade de apostar em uma das duas possibilidades de cada evento. Três tipos de eventos foram usados: (i) eventos simples, como tirar uma bola de gude vermelha de uma bolsa contendo 50% de bolinhas vermelhas e 50% de bolinhas brancas; (ii) eventos conjuntivos, como tirar uma bola de gude vermelha sete vezes consecutivas, com reposição, de um saco contendo 90% de bolinhas vermelhas e 10% de bolinhas brancas; e (iii) eventos disjuntivos, como tirar uma bola de gude vermelha pelo menos uma vez em sete tentativas sucessivas, com reposição, de um saco contendo 10% de bolinhas vermelhas e 90% de bolinhas brancas. Nesse problema, uma maioria significativa de participantes preferiu apostar no evento conjuntivo (cuja probabilidade é de 0,48) em vez de apostar no evento simples (cuja probabilidade é de 0,50, e portanto maior). Os participantes também preferiram apostar no evento simples em vez do evento disjuntivo, que tem uma probabilidade de 0,52. Assim, a maioria dos participantes apostou no evento menos provável, em ambas as comparações. Esse padrão de escolhas ilustra uma descoberta geral. Estudos de escolha entre apostas e de julgamentos de probabilidade indicam que as pessoas tendem a superestimar a probabilidade de eventos conjuntivos (10) e a subestimar a probabilidade de eventos disjuntivos. Esses vieses são facilmente explicados como efeitos da ancoragem. A probabilidade do evento elementar (de ter sucesso em qualquer lançamento) fornece um ponto de partida natural para a estimativa das probabilidades de eventos conjuntivos e disjuntivos. Uma vez que o ajuste do ponto de partida é normalmente insuficiente, as estimativas finais permanecem muito próximas das probabilidades dos eventos elementares em ambos os casos. Observe que a probabilidade geral de um evento conjuntivo é menor do que a probabilidade de cada evento elementar, enquanto a probabilidade geral de um evento disjuntivo é maior do que a probabilidade de cada evento elementar. Como consequência da ancoragem, a probabilidade geral será superestimada em problemas conjuntivos e subestimada em problemas disjuntivos.

Vieses na avaliação de eventos compostos são particularmente significativos num contexto de planejamento. A conclusão bem sucedida de um empreendimento, como o desenvolvimento de um novo produto, normalmente tem um caráter conjuntivo: para que o empreendimento seja bem sucedido, cada uma de uma série de eventos deve ocorrer. Mesmo quando cada um desses eventos é muito provável, a probabilidade geral de sucesso pode ser muito baixa se o número de eventos for grande. A tendência geral de superestimar a probabilidade de eventos conjuntivos leva a um otimismo injustificado na avaliação da probabilidade de que um plano será bem sucedido ou de que um projeto será concluído no prazo. Por outro lado, estruturas disjuntivas são normalmente encontradas na avaliação de riscos. Um sistema complexo, como um reator nuclear ou um corpo humano, funcionará mal se algum de seus componentes essenciais falhar. Mesmo quando a probabilidade de falha em cada componente é pequena, a probabilidade de uma falha geral pode ser alta se nenhum componente estiver envolvido. Por causa da ancoragem, as pessoas tendem a subestimar as probabilidades de falha em sistemas complexos. Assim, a direção do viés de ancoragem às vezes pode ser inferida a partir da estrutura do evento. A estrutura em cadeia das conjunções leva à superestimação, a estrutura em forma de funil das disjunções leva à subestimação.

Ancoragem na avaliação de distribuições de probabilidade subjetiva

Na análise de decisão, os especialistas muitas vezes precisam expressar suas crenças sobre uma quantidade, como o valor do índice Dow-Jones num determinado dia, na forma de uma distribuição de probabilidade. Essa distribuição geralmente é construída pedindo à pessoa que selecione os valores da quantidade que correspondem aos percentis especificados de sua distribuição de probabilidade subjetiva. Por exemplo, o avaliador pode ser solicitado a selecionar um número, X90, de forma que sua probabilidade subjetiva de que esse número seja maior do que o valor do índice do Dow-Jones seja 0,90. Ou seja, ele deve selecionar o valor X90 de forma que esteja disposto a aceitar chances de 9 para 1 de que a média do Dow-Jones não irá excedê-lo. Uma distribuição de probabilidade subjetiva para o valor da média Dow-Jones pode ser construída a partir de vários julgamentos correspondentes a diferentes percentis.

Ao coletar distribuições de probabilidade subjetiva para muitas quantidades diferentes, é possível testar o avaliador quanto à calibração adequada. Um avaliador está devidamente (ou externamente) calibrado em um conjunto de problemas se exatamente t% dos valores reais das grandezas avaliadas cair abaixo de seus valores declarados de Xt. Por exemplo, os valores verdadeiros devem cair abaixo de X1 para 1% das quantidades e acima de X99 para 1% das quantidades. Assim, os valores verdadeiros devem cair no intervalo de confiança entre X1 e X99 em 98% dos problemas.

Vários pesquisadores (11) obtiveram distribuições de probabilidade para muitas quantidades de um grande número de avaliadores. Essas distribuições indicaram desvios grandes e sistemáticos da calibração adequada. Na maioria dos estudos, os valores reais das quantidades avaliadas são menores que X1 ou maiores que X99 para cerca de 30% dos problemas. Ou seja, os participantes declaram intervalos de confiança excessivamente estreitos que refletem mais certeza do que é justificado por seu conhecimento sobre as quantidades avaliadas. Esse viés é comum tanto a avaliadores ingênuos como sofisticados, e não é eliminado pela introdução de regras de cálculo adequadas, que fornecem incentivos para calibração externa. Esse efeito pode ser atribuído, pelo menos em parte, à ancoragem.

Para selecionar X90 como valor do índice Dow-Jones, por exemplo, é natural começar pensando na melhor estimativa do Dow-Jones e ajustar esse valor para cima. Se este ajuste — como a maioria dos outros — for insuficiente, então X90 não será suficientemente extremo. Um efeito de ancoragem semelhante ocorrerá na seleção de X10, que é presumivelmente obtido ajustando-se a melhor estimativa para baixo. Consequentemente, o intervalo de confiança entre X10 e X90 será muito estreito e a distribuição de probabilidade avaliada será muito estreita. Em apoio a essa interpretação, pode-se mostrar que as probabilidades subjetivas são sistematicamente alteradas por um procedimento em que a melhor estimativa de alguém não sirva como âncora.

Distribuições de probabilidade subjetiva para uma determinada quantidade (o índice Dow-Jones) podem ser obtidas de duas maneiras diferentes: (i) pedindo ao participante para selecionar valores do Dow-Jones que correspondem a percentis especificados de sua distribuição de probabilidade e (ii) pedindo ao participante que avalie as probabilidades de que o valor verdadeiro do Dow-Jones exceda alguns valores especificados. Os dois procedimentos são formalmente equivalentes e devem produzir distribuições idênticas. No entanto, eles sugerem diferentes modos de ajuste de âncoras diferentes. No procedimento (i), o ponto de partida natural é a melhor estimativa da quantidade. Já no procedimento (ii), a questão pode ser ancorada no valor declarado na questão. Alternativamente, ele pode estar ancorado em probabilidades pares, ou chances de 50-50, que é um ponto de partida natural na estimativa da probabilidade. Em ambos os casos, o procedimento (ii) deve render chances menos extremas do que o procedimento (i).

Para contrastar os dois procedimentos, um conjunto de 24 grandezas (como a distância aérea de Nova Delhi a Pequim) foi apresentado a um grupo de participantes que avaliaram X10 ou X90 para cada problema. Outro grupo de participantes recebeu o julgamento mediano do primeiro grupo para cada uma das 24 quantidades. Eles foram solicitados a avaliar as chances de que cada um dos valores dados excedesse o valor real da quantidade relevante. Na ausência de qualquer viés, o segundo grupo deve recuperar as probabilidades especificadas para o primeiro grupo, ou seja, 9:1. No entanto, se as probabilidades calibradas ou o valor declarado servirem como âncoras, as probabilidades do segundo grupo devem ser menos extremas , ou seja, mais próximo de 1:1. De fato, as probabilidades médias declaradas por este grupo, em todos os problemas, eram de 3:1. Quando os julgamentos dos dois grupos foram testados para calibração externa, descobriu-se que os participantes do primeiro grupo eram muito extremos, de acordo com estudos anteriores. Os eventos que eles definiram como tendo uma probabilidade de 0,10, na verdade, foram obtidos em 24% dos casos. Em contraste, os participantes do segundo grupo eram muito conservadores. Eventos aos quais eles atribuíram uma probabilidade média de 0,34, na verdade, foram obtidos em 26% dos casos. Esses resultados ilustram a maneira pela qual o grau de calibração depende do procedimento de pedir uma resposta.

Discussão

Este artigo se preocupou com vieses cognitivos que se originam da confiança em heurísticas de julgamento. Esses preconceitos não são atribuíveis a efeitos motivacionais, como ilusões ou distorção de julgamentos por recompensas e penalidades. De fato, vários dos erros graves de julgamento relatados anteriormente ocorreram apesar do fato de que os participantes foram encorajados a serem precisos e foram recompensados ​​pelas respostas corretas (2, 6).

A confiança em heurísticas e a prevalência de vieses não se restringem a leigos. Pesquisadores experientes também estão sujeitos aos mesmos preconceitos — quando pensam intuitivamente. Por exemplo, a tendência de predizer o resultado que melhor representa os dados, sem consideração suficiente para a probabilidade anterior, foi observada nos julgamentos intuitivos de participantes que tiveram amplo treinamento em estatística (1, 5). Embora os estatisticamente sofisticados evitem erros elementares, como a falácia do jogador, seus julgamentos intuitivos estão sujeitos a falácias semelhantes em problemas mais complicados e menos transparentes.

Não é surpreendente que heurísticas úteis, como a representatividade e a disponibilidade, sejam mantidas, embora ocasionalmente levem a erros de previsão ou estimativa. O que talvez seja surpreendente é o fracasso das pessoas em inferir, com base na experiência de toda a vida, regras estatísticas fundamentais como regressão à média ou o efeito do tamanho da amostra na sua variabilidade. Embora todos estejam expostos, no curso normal da vida, a numerosos exemplos dos quais essas regras poderiam ter sido inferidas, muito poucas pessoas descobrem os princípios de amostragem e regressão por conta própria. Os princípios estatísticos não são aprendidos com a experiência cotidiana porque as instâncias relevantes não são codificadas de forma adequada. Por exemplo, as pessoas não descobrem que as linhas sucessivas de um texto diferem mais no comprimento médio das palavras do que com o comprimento médio das palavras em páginas sucessivas, porque elas simplesmente não prestam atenção ao comprimento médio das palavras de linhas ou páginas individuais. Assim, as pessoas não aprendem a relação entre o tamanho da amostra e a variabilidade da amostra, embora os dados para tal aprendizado sejam abundantes.

A falta de um código apropriado também explica por que as pessoas geralmente não detectam os vieses em seus julgamentos de probabilidade. É concebível que uma pessoa descubra se seus julgamentos estejam calibrados externamente, registrando a proporção de eventos que realmente ocorrem entre aqueles aos quais ela atribui a mesma probabilidade. No entanto, não é natural agrupar eventos por sua probabilidade julgada. Na ausência de tal agrupamento, é impossível para um participante descobrir, por exemplo, que apenas 50 por cento das previsões às quais ele atribuiu uma probabilidade de 0,9 ou mais realmente se concretizaram.

A análise empírica dos vieses cognitivos tem implicações para o papel teórico e aplicado das probabilidades julgadas. A moderna teoria da decisão (12, 13) considera a probabilidade subjetiva como a opinião quantificada de uma pessoa idealizada. Especificamente, a probabilidade subjetiva de um determinado evento é definida pelo conjunto de apostas sobre esse evento que tal pessoa está disposta a aceitar. Uma medida de probabilidade subjetiva internamente consistente, ou coerente, pode ser deduzida para um indivíduo se suas escolhas entre as apostas satisfizerem certos princípios, isto é, os axiomas da teoria. A probabilidade deduzida é subjetiva no sentido de que diferentes indivíduos podem ter diferentes probabilidades para o mesmo evento. A principal contribuição dessa abordagem é que ela fornece uma interpretação subjetiva rigorosa da probabilidade que é aplicável a eventos únicos e está embutida em uma teoria geral de decisão racional.

Talvez deva ser observado que, embora as probabilidades subjetivas possam às vezes ser inferidas das preferências entre as apostas, elas normalmente não são formadas dessa maneira. Uma pessoa aposta na equipe A ao invés da equipe B porque acredita que a equipe A tem mais probabilidade de vencer; ele não infere essa crença de suas preferências de aposta. Assim, na realidade, as probabilidades subjetivas determinam as preferências entre as apostas e não são deduzidas delas, como na teoria axiomática da decisão racional (12).

A natureza inerentemente subjetiva da probabilidade levou muitos alunos à crença de que a coerência, ou consistência interna, é o único critério válido pelo qual as probabilidades julgadas devem ser avaliadas. Do ponto de vista da teoria formal da probabilidade subjetiva, qualquer conjunto de julgamentos de probabilidade internamente consistentes é tão bom quanto qualquer outro. Este critério não é inteiramente satisfatório, porque um conjunto internamente consistente de probabilidades subjetivas pode ser incompatível com outras crenças sustentadas pelo indivíduo. Considere uma pessoa cujas probabilidades subjetivas para todos os resultados possíveis de um jogo de cara ou coroa refletem a falácia do jogador. Ou seja, sua estimativa da probabilidade de coroa em um lance específico aumenta com o número de caras consecutivas que precederam esse lance. Os julgamentos de tal pessoa poderiam ser internamente consistentes e, portanto, aceitáveis ​​como probabilidades subjetivas adequadas de acordo com o critério da teoria formal. Essas probabilidades, no entanto, são incompatíveis com a crença geral de que uma moeda não tem memória e, portanto, é incapaz de gerar dependências sequenciais. Para que as probabilidades julgadas sejam consideradas adequadas, ou racionais, a consistência interna não é suficiente. Os julgamentos devem ser compatíveis com toda a rede de crenças do indivíduo. Infelizmente, não pode haver um procedimento formal simples para avaliar a compatibilidade de um conjunto de julgamentos de probabilidade com o sistema total de crenças do avaliador. O avaliador racional, entretanto, se esforçará para obter compatibilidade, embora a consistência interna seja mais facilmente alcançada e avaliada. Em particular, ele tentará tornar seus julgamentos de probabilidade compatíveis com seu conhecimento sobre o assunto, com as leis da probabilidade e com suas próprias heurísticas e vieses de julgamento.

Resumo

Este artigo descreveu três heurísticas que são empregadas ao fazer julgamentos sob incerteza: (i) representatividade, que geralmente é empregada quando as pessoas são solicitadas a julgar a probabilidade de que um objeto ou evento A pertence à classe ou processo B; (ii) disponibilidade de instâncias ou cenários, que muitas vezes é empregada quando se pede às pessoas que avaliem a frequência de uma classe ou a plausibilidade de um determinado processo; e (iii) ajuste de um valor de referência, heurística que geralmente é empregada na previsão numérica quando um valor relevante está disponível. Essas heurísticas são altamente econômicas e em geral eficazes, mas levam a erros sistemáticos e previsíveis. Um melhor entendimento dessas heurísticas e dos vieses a que levam poderia melhorar julgamentos e decisões em situações de incerteza.


Referências e Notas

  1. D. Kahneman and A. Tversky, Psychol. Rev. 80, 237 (1973).
  2. — , Cognitive Psychol. 3, 430 (1972).
  3. W. Edwards, em Formal Representation of Human Judgment, B. Kleinmuntz, Ed. (Wiley, New York, 1968), pp. 17-52.
  4. P. Slovic and S. Lichtenstein, Organ. Behav. Hum. Performance 6, 649 (1971).
  5. A. Tversky and D. Kahneman, Psychol. Bull. 76, 105 (1971).
  6. — , Cognitive Psychol. 5, 207 (1973).
  7. R. C. Galbraith e B. J. Underwood, Mem. Cognition 1, 56 (1973).
  8. L. J. Chapman and J. P. Chapman, J. Abnorm. Psychol. 73, 193 (1967); ibid., 74, 271 (1969).
  9. M. Bar-Hillel, Organ. Behav. Hum. Performance 9, 396 (1973).
  10. J. Cohen, E. I. Chesnick, D. Haran, Br. J. Psychol. 63, 41 (1972).
  11. M. Alpert and H. Raiffa, manuscrito não publicado; C. A. S. von Holstein, Acta Psychol. 35, 478 (1971); R. L. Winkler, J. Am. Stat. Assoc. 62, 776 (1967).
  12. L. J. Savage, The Foundations of Statistics (Wiley, New York, 1954).
  13. B. De Finetti, em International Encyclopedia of the Social Sciences, D. E. Sills, Ed. (Macmillan, New York, 1968), vol. 12, pp. 496-504.
  14. Esta pesquisa foi apoiada pelo Advanced Research Projects Agency do Department of Defense e foi monitorado pelo Office of Naval Research no contrato N00014-73-C-0438 ao Oregon Research Institute, Eugene. Apoio adicional para esta pesquisa foi fornecido pelo Research and Development Authority da Hebrew University, Jerusalém, Israel.