EDWIN ARMANDO MEDELLIN

200818154


PENSAMIENTO PROBABILISTICO Y RAZONAMIENTO HUMANO

El razonamiento es un proceso que permite a las personas llegar a conclusiones a partir de seales
dadas previamente. Dentro de las teoras dadas del razonamiento humano, el razonamiento
probabilstico es considerado un tipo de razonamiento que se apoya en los modelos de la teora de
probabilidades. La probabilidad es un concepto matemtico que tiene que ver con las leyes del
azar: Es la frecuencia esperada o terica cuando entran en funcin las leyes de la casualidad. El
azar est presente en la vida diaria en muchos contextos en los que aparecen elementos de
incertidumbre y probabilidad, por ejemplo el pronstico del tiempo, estudio de la posibilidad de
efectuar una inversin, evaluacin de un estudiante o de tomar algn curso universitario, etc. No
slo los profesionales, sino cualquier persona reaccionan a mensajes en que aparecen estos
elementos, tomar decisiones que le pueden afectar, emitir juicios sobre relacin entre sucesos o
efectuar predicciones.

Dentro de las categoras seleccionadas, encontramos, que antes de actuar de manera objetiva, el
pensamiento probabilstico utiliza reglas mentales para emitir juicios, este tipo de pensamiento
frecuente disea escenarios falsos para formular reflexiones construidos sobre la base de
percepciones incompletas o fantasas cognitivas; El probabilstico es un tipo de pensamiento que
se caracteriza principalmente, por su carga de inferencia. Es decir, por su carcter predictivo:
prevemos lo que podra pasar, basndonos en lo que sabemos que ha pasado. Es un tipo de
pensamiento que utilizamos de forma habitual aunque no siempre somos conscientes de ello, en
la mayora de decisiones que tomamos o de acciones que emprendemos, tanto en el plano
personal como en el profesional.

Sintesis de estudios y respectivos resultados
Dentro del primer estudio y objeto de anlisis, realizado por Geoffrey Goodwin, titulado, Is the
basic conditional probabilistic? Se encuentra que en un estudio realizado en nueve experimentos
se examin si las personas tratan el significado de las afirmaciones condicionales bsicas como
deterministas o probabilsticas. Segn Goodwin (2013), En los Experimentos 1 a 4, los
participantes se mostraron con las relaciones, ya sea probabilsticas o deterministas, que tenan
que describir con una condicional. Estos experimentos mostraron consistentemente que las
personas tienden a utilizar la base, si p entonces q. Esta construccin sirve para describir las
relaciones deterministas entre antecedente y consecuente, mientras que los que utilizan una
construccin probabilsticamente calificada caso en el cual p es entonces q. Probablemente, para
describir las relaciones probabilsticas lo que sugiere que la interpretacin por defecto del
condicional es determinista.
En los experimentos 5 y 6 mostraron que cuando se les pregunta directamente, los individuos
suelen informar de que las afirmaciones condicionales no admiten excepciones, lo que quiere
decir que son vistos como deterministas. Experimentos 7 a 9 se mostraron que los individuos
juzgan la verdad de las afirmaciones condicionales de acuerdo con la interpretacin determinista.
En conclusin, estos resultados plantean un desafo al razonamiento probabilstico sobre el
significado de los condicionales y apoyan a su vez los modelos mentales, as como a las reglas
formales.

En el estudio realizado por Klaus Fiedler, Explaining and simulating judgment biases as an
aggregation phenomenon in probabilistic, multiple-cue environments. Explica como las muchas
tareas de juicio se describen a entidades como riesgo o valor, las cuales no pueden ser percibidas
directamente, sino que deben ser relacionados a partir de pistas probabilsticas. Segn Fiedler
(1996) El modelo de BIAS (Algoritmo de induccin Brunswikian de Cognicin Social) toma una
matriz de estmulo ruidoso, con columnas para los estmulos y las filas para mediar seales. En
donde se agregan sobre estmulos mltiples, columnas de la matriz, los cuales sirven para extraer
informacin sistemtica, para a su vez cancelar la varianza del error. Los factores que conducen a
la agregacin extendida por ejemplo, la discusin o la elaboracin mental facilitan el proceso de
extraccin. El modelo simula diversos sesgos de juicio, incluyendo el efecto de la simple
reflexin, la polarizacin de grupos, correlaciones ilusorias, homogeneidad fuera del grupo, el
efecto gama de frecuencias y las ilusiones de categora de divisin.

En el estudio Bayesian analogy with relational transformations realizado por Hongjing Lu;
plantea una pregunta bastante interesante: Cmo pueden los seres humanos adquirir
representaciones relacionales que permiten la inferencia analgica y otras formas de
razonamiento de alto nivel? La respuesta a este interrogante se da usando las relaciones
comparativas como dominio del modelo, se explora la posibilidad de que los mecanismos de
aprendizaje ascendentes aplicados a objetos codificados como vectores de caractersticas pueden
producir representaciones de las relaciones suficientes para resolver los problemas de analoga.
Se introduce la analoga de Aprendizaje con transformaciones relacionales (BART) y se aplica el
modelo a la tarea de aprender las relaciones de primer orden comparativos: De ms grande a ms
pequeo, esto dado a partir de un conjunto de parejas de animales. Segn Lu (2012), Las entradas
estn codificadas por los vectores de caractersticas continuas valoradas, basadas ya sea en las
calificaciones de magnitud. El modelo es capaz de inducir las relaciones de primer orden
representadas como distribuciones de pesos probabilsticos, incluso cuando se administra slo
ejemplos positivos. Estas representaciones aprendidas permiten la clasificacin de nuevas
instancias de las relaciones y producen un efecto de distancia simblica de la especie obtenidos
con los seres humanos y otros primates. BART luego transforma sus distribuciones de peso
aprendidas por mapeo importancia guiada, que ocasionen a dimensiones distintas en
correspondencia. Estas representaciones transformadas permiten al modelo BART resolver de
forma fiable analogas de corto plazo.
Los resultados de este estudio proporcionan una prueba de concepto de que las analogas
estructuradas pueden ser resueltas con representaciones inducidas de vectores de caractersticas
no estructurados por los mecanismos que operan en una manera en gran medida desde la base. Se
discuten las posibles implicaciones para los modelos algortmicos y neuronales de pensamiento
relacional, as como para la evolucin del pensamiento abstracto.

Ilustrado por Jonathan Evans en su estudio Logic and human reasoning: An assessment of the
deduction paradigm, trabajo en el cual cmo justificante de este estudio es el razonamiento
deductivo, el cual ha sido un paradigma importante en la psicologa durante los ltimos 40 aos.
Segn Evans (2002), Las investigaciones han demostrado que las personas cometen muchos
errores lgicos en estas tareas y estn fuertemente influenciadas por el contenido del problema y
de su contexto. Se argumenta que este paradigma se desarroll en un contexto de pensamiento
lgico. Pocos investigadores del razonamiento todava creen que la lgica es un sistema
normativo adecuado para la mayora de la razn humana, y mucho menos un modelo para
describir el proceso de razonamiento humano, y muchos utilizan el paradigma principalmente
para estudiar los procesos pragmticos y probabilsticos. Se sugiere dentro del estudio que los
mtodos utilizados para el estudio de razonamiento sean crticos, especialmente el contexto de
instruccin, que define necesariamente influencias pragmticas.

De la misma manera como lo ilustra Jhonson-Laird en su artculo Naive probability: A mental
model theory of extensional reasoning. En donde describe una teora de la probabilidad, donde en
esta teora, las personas que no estn familiarizados con el clculo de probabilidades se pueden a
s mismas inferir las probabilidades de los eventos de una manera extensional: Construyen
modelos mentales de lo que es verdad en las diversas posibilidades. Segn Jhonson-Laird (1999),
Cada modelo representa una alternativa probable en donde los individuos tienen creencias en
sentido contrario, en cuyo caso algunos modelos tendrn mayores probabilidades que otros. La
probabilidad de un evento depende de la cantidad de los modelos en los que se produce. La teora
predice varios fenmenos de razonamiento acerca de las probabilidades absolutas. Se predice
correctamente ciertas ilusiones cognitivas en las inferencias sobre probabilidades relativas.
Explica cmo razonadores ingenuos pueden inferir probabilidades posteriores sin depender del
teorema de Bayes.




Referencias:

Goodwin, G.P. (2013). Is the Basic Conditional Probabilistic? Journal Of Experimental
Psychology: General. (1214 1241).
Fiedler, K. (1996). Explaining and Simulating Judgment Biases as an Aggregation Phenomenon in
Probabilistic, Multiple-Cue Environments. Psychological Review. (193 214).
Lu, H. Chen, D. & Holyoak, K. (2012). Bayesian Analogy With Relational Transformations.
Psychological Review. (617 648).
Evans, J. (2002). Logic and human reasoning: An assessment of the deduction paradigm.
Psychological Bulletin. (978 996).
Jhonson-Laird, P. (1999). Naive probability: A mental model theory of extensional reasoning.
Psychological Review. (62 88).