Generalización apresurada: ejemplos y cómo saber si una muestra es suficiente

Ximena lleva una pequeña cafetería en San Antonio con su socia, Anouk. Hace dos semanas añadieron a la carta un café con leche de avena y cardamomo. El sábado, tres clientes se quejaron: demasiado dulce, demasiado fuerte, «sabe a jabón». Al cerrar, Ximena ya lo tiene decidido. «No le gusta a nadie. El lunes lo quitamos de la carta».

Anouk está haciendo caja. «¿Cuántos hemos vendido esta semana?».

Ximena consulta el registro: ciento cuarenta. Tres quejas y ciento treinta y siete personas que se lo tomaron sin decir nada, entre ellas algunas que repitieron.

Ximena no se inventó las quejas. Simplemente dejó que tres opiniones llamativas hablaran por ciento cuarenta clientes. Eso es una generalización apresurada, y resulta tan habitual porque ni siquiera parece un razonamiento. Parece que uno se limita a observar lo que ocurre. En esta guía veremos qué es, por qué las muestras pequeñas engañan incluso a investigadores experimentados, cómo saber si tienes pruebas suficientes y qué decir cuando alguien construye una gran afirmación a partir de una sola historia.

¿Qué es una generalización apresurada?

Una generalización apresurada es una conclusión amplia basada en demasiado pocos casos o en casos que no representan al grupo del que se habla. «Conocí a dos personas maleducadas en París, así que los parisinos son maleducados» sigue el patrón clásico: muestra pequeña, afirmación enorme.

También recibe otros nombres, como generalización indebida, muestra insuficiente o conclusión precipitada, además del antiguo término latino secundum quid. Cuando todo el argumento se apoya en un único caso, a veces se habla de prueba mediante un ejemplo.

El patrón tiene tres partes:

1. Unos pocos casos: una mala comida, dos contrataciones fallidas, tres quejas.
2. Un grupo grande: todos los restaurantes de la ciudad, todo el alumnado de un centro, toda tu clientela.
3. Un salto: se da por hecho que lo observado en unos pocos se cumple en todos los demás.

Es la falacia número 18 de nuestra guía de falacias lógicas. Aquí vamos un paso más allá, porque lo difícil no es entender la definición. Lo difícil es saber cuándo una muestra es demasiado pequeña, ya que toda generalización parte de alguna muestra.

Ejemplos de generalización apresurada

Seguro que te suenan casi todos. La tabla muestra dónde está el salto en cada caso.

Las pruebas de cada fila son reales. Una generalización apresurada casi nunca empieza con un dato falso. Empieza con un dato verdadero al que se le exige demostrar mucho más de lo que puede.

Por qué las muestras pequeñas engañan a casi todo el mundo

No es un error de principiantes. En 1971, Amos Tversky y Daniel Kahneman publicaron en Psychological Bulletin un breve artículo con un título irónico: «Creencia en la ley de los números pequeños». La auténtica ley de los grandes números dice que las muestras grandes tienden a parecerse a la población de la que proceden. Tversky y Kahneman sostuvieron que actuamos como si las muestras pequeñas también lo hicieran. Sus cuestionarios mostraron que incluso los psicólogos profesionales confiaban demasiado en los resultados obtenidos con muestras pequeñas.

Unos años después, en su artículo de 1974 para Science, «Juicio bajo incertidumbre», describieron lo que acabaría conociéndose como el problema de los hospitales. Plantea lo siguiente:

En una ciudad hay dos hospitales. En el más grande nacen unos 45 bebés al día y en el más pequeño, unos 15. Aproximadamente la mitad de todos los bebés son niños, pero esa proporción cambia de un día a otro. Durante un año, cada hospital anotó los días en los que más del 60 % de los bebés nacidos eran niños. ¿Qué hospital registró más días así?

La mayoría de los participantes respondió que ambos hospitales registrarían aproximadamente el mismo número de días. Los demás se repartieron de forma más o menos equitativa entre las otras dos respuestas. La respuesta correcta es el hospital pequeño. Con 15 nacimientos, es relativamente frecuente que un día haya diez niños o más. Con 45, los nacimientos adicionales hacen que la proporción diaria tienda a acercarse a la mitad.

Esa es la idea clave de esta falacia: las muestras pequeñas fluctúan más, así que las cifras más llamativas suelen proceder de los grupos más pequeños.

Los mejores y los peores resultados pueden venir de grupos pequeños

En Pensar rápido, pensar despacio, Kahneman describe un estudio sobre las tasas de cáncer de riñón en los condados estadounidenses. Los condados con las tasas más bajas eran, en su mayoría, rurales y poco poblados. Podría parecer una historia sobre el aire limpio y la comida sana, hasta que descubres que los condados con las tasas más altas también eran, en su mayoría, rurales y poco poblados. En las poblaciones pequeñas, las cifras fluctúan más en ambos sentidos.

El estadístico Howard Wainer contó algo parecido sobre los centros escolares en un artículo de 2007 publicado en American Scientist y titulado «La ecuación más peligrosa». Los centros pequeños aparecían entre los mejores con más frecuencia de la esperada. Esto contribuyó a impulsar, con el respaldo de entidades financiadoras como la Fundación Gates, una iniciativa para dividir los centros grandes en otros más pequeños. Sin embargo, cuando Wainer y su colega Harris Zwerling examinaron los centros de Pensilvania, vieron que los pequeños también estaban sobrerrepresentados entre los peores. Un centro no era mejor por ser pequeño: su promedio era más variable.

Generalización apresurada, pruebas anecdóticas y otros conceptos parecidos

Estos términos se solapan, pero conviene distinguirlos para saber responder bien a cada argumento.

Quien hace una generalización apresurada suele contar solo con esos pocos casos. Quien selecciona los datos de forma interesada tiene todos delante y escoge los que le convienen. Ximena aún no había consultado el registro de ventas. La inducción perezosa, por su parte, nos recuerda que la solución no consiste en «no generalizar nunca». Negarse a aprender de un patrón claro también es un error.

Cuándo bastan unos pocos ejemplos

No todas las conclusiones basadas en pocos casos son precipitadas. Una muestra pequeña puede ser útil en estas situaciones.

• Un solo contraejemplo basta para refutar una afirmación universal. Si alguien dice «todos los cisnes son blancos», basta encontrar un cisne negro. La generalización apresurada pasa de unos pocos casos a todos. Pasar de uno a «no todos» es perfectamente lógico.
• Los casos son muy parecidos entre sí. Unas pocas muestras de un lote bien mezclado pueden revelar mucho sobre el conjunto. Los clientes habituales de tu cafetería no forman un lote bien mezclado.
• El coste de equivocarse es muy desigual. Si una seta de un grupo te ha sentado mal, no necesitas probar otras cien. Tomar precauciones con pocas pruebas es razonable. El error es afirmar que esas pruebas dan una certeza absoluta.
• Planteas una pregunta, no una conclusión. «Dos personas contratadas de ese programa se marcharon pronto. ¿Estará pasando algo?» es una buena forma de utilizar una muestra pequeña.

La distinción útil es la que hay entre una hipótesis y un veredicto. Una muestra pequeña es un buen motivo para empezar a investigar, pero uno muy malo para dejar de hacerlo.

Cuatro preguntas para poner a prueba cualquier generalización

Antes de aceptar una afirmación general, sea tuya o de otra persona, hazte estas cuatro preguntas.

1. ¿Cuántos casos hay y de cuántos posibles?

Necesitas ambas cifras. «Tres quejas» suena mal. «Tres quejas de ciento cuarenta cafés vendidos» suena a una semana normal.

2. ¿Cómo se seleccionaron los casos?

Pregúntate si hay algún factor que determine qué casos llegan a tus oídos. Quienes presentan una queja no son una muestra aleatoria de toda la clientela. Tampoco lo son quienes escriben reseñas ni quienes protagonizan historias virales. Si las personas que opinan son distintas de las que guardan silencio, incluso una muestra grande puede engañarte.

3. ¿Cuánto varía el grupo?

Cuanto más variado sea, más casos necesitarás. Unas cucharadas te dicen a qué sabe una olla de sopa. Unas pocas personas te dicen muy poco sobre una ciudad con millones de habitantes.

4. ¿Qué contraejemplo refutaría la afirmación? ¿Lo has buscado?

Piensa en un caso que demostraría que te equivocas y ve a buscarlo. Si el café con leche no gusta, cabría esperar pocos pedidos repetidos y muchas tazas a medio terminar. ¿Ha ocurrido eso? Esta pregunta también te protege del sesgo de confirmación, que te empuja a buscar únicamente casos que te dan la razón.

Una orientación aproximada sobre el tamaño de la muestra

No necesitas conocimientos de estadística para hacerte las cuatro preguntas, pero hay una regla orientativa que ayuda. En una pregunta de sí o no planteada a una muestra aleatoria, el margen de error, con el nivel de confianza habitual del 95 %, equivale aproximadamente a uno dividido entre la raíz cuadrada del tamaño de la muestra.

Así, si a 6 de cada 10 personas de una muestra aleatoria les gusta algo, la proporción real podría estar aproximadamente entre el 30 % y el 90 %. Con 100 personas, el intervalo se estrecha hasta situarse más o menos entre el 50 % y el 70 %. Esto solo sirve para muestras aleatorias, y las quejas y las reseñas no lo son.

Ejemplo práctico: el café con leche de Ximena

Así quedaron las notas de Ximena el domingo, después de la pregunta de Anouk.

Después volvió a examinar las tres quejas. Dos eran por el dulzor y ambas correspondían al mismo turno de tarde. Una persona que acababa de empezar como barista había estado usando la dosis completa de sirope en lugar de media dosis.

Ximena mantuvo el café con leche, corrigió la ficha de la receta y añadió la opción «menos dulce». Las quejas no demostraban que a la gente no le gustara la bebida. Indicaban que algo había salido mal en un turno concreto, un dato mucho más útil.

Cómo responder a una generalización apresurada

Si respondes «¡eso es una generalización apresurada!», la otra persona puede sentir que estás invalidando su experiencia. Y la conversación acaba girando en torno a eso. Prueba otra cosa: reconoce lo que pasó, pregunta por las cifras y amplía la perspectiva.

1. Reconoce lo que pasó. «Suena fatal y no dudo que ocurriera».
2. Pregunta por las cifras. «¿Es un caso aislado o lo has visto muchas veces?».
3. Amplía la perspectiva o pregunta qué datos permitirían hacerlo. «¿Qué observaríamos si fuera cierto para la mayoría?».

Así podría sonar en algunas situaciones habituales.

Aquí las preguntas funcionan mejor que las etiquetas, por el mismo motivo que en el método socrático: permiten que la otra persona detecte por sí misma el salto. Si vas a escribir una respuesta en un debate o un ensayo, nuestra guía para redactar una refutación explica cómo responder a un ejemplo impactante sin descartarlo.

Cuando la anécdota trata sobre algo doloroso

Si la historia habla de un daño, como una reacción adversa a un medicamento, responder «eso es solo una anécdota» suena insensible. Además, la persona podría estar señalando un problema real que los promedios ocultan. Puedes reconocer que su caso importa y merece investigarse sin aceptar que demuestre una regla general.

Cómo evitar tus propias generalizaciones apresuradas

Todos caemos en ellas, sobre todo cuando estamos cansados, irritados o tenemos prisa. Estos hábitos ayudan:

• Di la cifra en voz alta. «Se han quejado tres personas» es más difícil de exagerar que «no le gusta a nadie».
• Rebaja la rotundidad del verbo. «Puede que los titulados de ese centro no sean de fiar» es una hipótesis que puedes comprobar. «No son de fiar» es un veredicto.
• Fíjate en palabras como «siempre», «nunca», «todo el mundo» y «todos». Suelen señalar el punto exacto en el que se ha producido el salto.
• Detecta las conclusiones que te vienen demasiado bien. Si confirman lo que ya querías creer, busca más casos, no menos. Nuestra guía sobre sesgos cognitivos explica por qué esta tendencia es tan poderosa.

Cómo practicarlo con inteligencia artificial

Detectar una generalización apresurada en tus propios razonamientos cuesta mucho más que verla en los de otra persona. Un debate ayuda porque hay alguien encargado de buscar los puntos débiles. En Debatly, varios modelos de IA y personajes defienden distintas posturas sobre tu pregunta a lo largo de varias rondas. Puedes intervenir en cualquier momento y un juez emite un veredicto razonado.

• Somete tu conclusión a debate. Escribe en la sala de debate lo que has deducido, por ejemplo: «¿Deberíamos dejar de contratar a personas de este curso después de dos malas experiencias?». Una parte defenderá que conviene actuar según lo observado; la otra, que todavía es pronto.
• Pide al escéptico que pregunte por el total. Haz que Viktor, el escéptico, pregunte «¿de cuántos casos en total?» cada vez que alguien use un ejemplo. Verás cuántas historias convincentes pierden fuerza cuando falta esa cifra.
• Enumera qué te haría cambiar de opinión. Pide a cada parte que indique qué pruebas refutarían su postura. Es la cuarta pregunta de la prueba y te dará una lista breve de cosas que puedes comprobar.
• Lee los motivos del juez, no solo el veredicto. El juez Alex explica qué argumentos resultaron decisivos. Si uno se impuso sobre todo gracias a una historia impactante, hazle las cuatro preguntas.
• Si tienes que tomar una decisión de sí o no, la herramienta de pros y contras con IA presenta primero ambas posturas. Así podrás ver cuáles se apoyan en un patrón y cuáles, en un único caso.

Cuando Ximena planteó su duda sobre el café con leche, el escéptico preguntó cuántos pedidos repetidos había habido antes de que nadie mencionara las quejas. Ella no lo había comprobado. Esa fue la cifra que la hizo cambiar de opinión.

Una limitación importante

Los modelos de IA pueden advertirte de que tu muestra es pequeña, pero no pueden contar a tus clientes por ti. También pueden cometer el mismo error: presentar con seguridad una conclusión general basada en pruebas escasas. Y muchos tienden a seguirte la corriente (consulta por qué la IA te da la razón). Usa el debate para encontrar las preguntas adecuadas y respóndelas después con tus propios datos.

Cuenta los casos antes de sacar conclusiones

Una generalización apresurada se siente como experiencia propia, y por eso convence tanto. La solución es sencilla: antes de convertir unos pocos casos en una regla, pregunta cuántos hay, de cuántos posibles y a quién no has escuchado.

Esta semana, elige una opinión firme que tengas sobre un grupo, un producto o un lugar y apunta en cuántos casos se basa realmente. Si quieres otra perspectiva sobre una conclusión importante, llévala a debate en Debatly y deja que un escéptico pregunte por las cifras. Pruébalo. Puedes consultar los planes en la página de precios.