Economía del Comportamiento: ¿Por qué actuamos raro en Argentina? | ORBITECH

ORBITECH AI Academy

Sesgos cognitivos clave

Sesgos que distorsionan la percepción de ganancias, pérdidas y probabilidades en contextos económicos cotidianos.

Sesgo de status quo approximation

V_{s t a t u s q u o} = V_{0} + λ \cdot (V_{n u e v o} - V_{0})

Formes alternatives

$P_{c a m b i o} = \frac{1}{1 + e^{λ \cdot (V_{n u e v o} - V_{0})}}$ — Probabilidad de cambiar de opción (modelo logístico)

Symbole	Signification	Unité
`V_{status quo}`	valor percibido en el estado actual $V_{0}$ es el valor inicial, $V_{n u e v o}$ es la alternativa considerada, λ es el parámetro de aversión al cambio (típicamente 0.5 a 2)
`V_0`	valor inicial del statu quo Ejemplo: valor de mantener tu trabajo actual
`V_{nuevo}`	valor percibido de la alternativa Ejemplo: valor de cambiar de trabajo
`\lambda`	parámetro de aversión al cambio Valores típicos: 0.5 (poco averso) a 2 (muy averso)

Exemple : Si valoras tu trabajo actual en $100000 A R S / m e s y t e o f r e c e n$ 120 000 ARS/mes en otro lugar, pero λ=1.5, el valor percibido del cambio es $100000 + 1.5 \times ($ 20 000) = $130 000 ARS

Aversión a la pérdida law

Pérdida percibida = 2.25 \times Ganancia equivalente

Symbole	Signification	Unité
`\text{Pérdida percibida}`	valor negativo asignado a una pérdida Factor típico: 2 a 2.5 según Kahneman y Tversky
`\text{Ganancia equivalente}`	valor positivo de una ganancia del mismo monto Ejemplo: perder $1000 A R S d u e l e e l d o b l e q u e g a n a r$ 1000 ARS

Exemple : Si ganas $5000 A R S e n u n s o r t e o, l o v a l o r a s e n$ 5000 ARS; pero si pierdes $5000 A R S e n l a r u l e t a, l o s i e n t e s c o m o p e r d e r$ 11 250 ARS (2.25×$5000)

Efecto de dotación approximation

V_{d o t a c i \overset{´}{o} n} = V_{0} + 0.8 \cdot (V_{m e r c a d o} - V_{0})

Symbole	Signification	Unité
`V_{dotación}`	valor percibido de un bien que posees $V_{0}$ es el valor inicial, $V_{m e r c a d o}$ es el precio de mercado
`V_0`	valor inicial de adquisición Ejemplo: compraste un libro en $8000 ARS el año pasado
`V_{mercado}`	precio actual de mercado Ejemplo: el mismo libro ahora cuesta $12 000 ARS en MercadoLibre

Exemple : Compraste un celular en $80000 A R S h a c e 6 m e s e s . H o y v a l e$ 60 000 ARS en MercadoLibre, pero lo valoras en $80000 + 0.8 \times ($ 60 000 - $80000) =$ 64 000 ARS

Teoría de Prospectos

Modelo de Kahneman y Tversky que describe cómo las personas evalúan ganancias y pérdidas de manera asimétrica.

Función de valor prospectiva law

v (x) = {\begin{matrix} x^{α} & si x \geq 0 \\ - λ \cdot {(- x)}^{β} & si x < 0 \end{matrix}

Formes alternatives

$v (x) = x^{0.88} para x \geq 0$ — Versión simplificada para ganancias
$v (x) = - 2.25 \cdot {(- x)}^{0.88} para x < 0$ — Versión simplificada para pérdidas

Symbole	Signification	Unité
`v(x)`	valor subjetivo de un resultado x x es la ganancia o pérdida en términos monetarios
`x`	resultado monetario (ganancia positiva, pérdida negativa) Ejemplo: x = +2000 ARS (ganancia) o x = -1500 ARS (pérdida)	ARS
`\alpha`	parámetro de sensibilidad a ganancias Valor típico: 0.88 (Kahneman & Tversky, 1992)
`\beta`	parámetro de sensibilidad a pérdidas Valor típico: 0.88 (igual que α en la versión original)
`\lambda`	coeficiente de aversión a la pérdida Valor típico: 2.25

Exemple : Evaluar una apuesta: 50% de ganar $10000 A R S o 50$ 5000 ARS. v(+10000) = 10000^0.88 ≈ 3162, v(-5000) = -2.25×(5000^0.88) ≈ -2.25×1581 ≈ -3557. Valor total: 0.5×3162 + 0.5×(-3557) ≈ -197.5

Función de ponderación de probabilidades law

π (p) = \frac{p^{γ}}{{(p^{γ} + {(1 - p)}^{γ})}^{1 / γ}}

Formes alternatives

$π (0.01) \approx 0.04$ — Probabilidad del 1% se siente como 4%
$π (0.99) \approx 0.96$ — Probabilidad del 99% se siente como 96%

Symbole	Signification	Unité
`\pi(p)`	peso de decisión asignado a probabilidad p No es igual a p; sobrepesa probabilidades pequeñas y subpesa probabilidades grandes
`p`	probabilidad objetiva de un evento Ejemplo: p = 0.01 (1% de chance)
`\gamma`	parámetro de sensibilidad a probabilidades Valor típico: 0.61 (Kahneman & Tversky, 1992)

Exemple : Evaluar un seguro: probabilidad de robo en tu barrio es 0.005 (0.5%). El peso de decisión es π(0.005) ≈ 0.02 (2%), haciendo que el seguro parezca más atractivo de lo que realmente es

Valor total prospectivo law

V = \sum_{i = 1}^{n} π (p_{i}) \cdot v (x_{i})

Symbole	Signification	Unité
`V`	valor total prospectivo de una opción Mayor V indica preferencia por esa opción
`p_i`	probabilidad del resultado i
`x_i`	resultado monetario del escenario i Ejemplo: $x_{1}$ = +5000 ARS, $x_{2}$ = -2000 ARS	ARS
`\pi(p_i)`	peso de decisión para probabilidad $p_{i}$ Calculado con la función de ponderación
`v(x_i)`	valor subjetivo del resultado $x_{i}$ Calculado con la función de valor

Exemple : Comparar dos inversiones: Inversión A (50% de ganar $20000 A R S, 50$ 10 000 ARS) vs Inversión B (segura de $4000 ARS). V_A = π(0.5)×v(20000) + π(0.5)×v(-10000) ≈ 0.5×6310 + 0.5×(-2.25×4467) ≈ 3155 - 5025 ≈ -1870. V_B = v(4000) ≈ 3544. Prefieres B por mayor V

Descuento intertemporal

Modelos que explican cómo las personas valoran recompensas futuras frente a inmediatas.

Descuento exponencial law

V (t) = \frac{A}{{(1 + r)}^{t}}

Formes alternatives

$V (t) = A \cdot e^{- r t}$ — Versión continua equivalente

Symbole	Signification	Unité
`V(t)`	valor presente de una recompensa futura A es el monto futuro, t es el tiempo en años	ARS
`A`	monto futuro a recibir Ejemplo: $10 000 ARS dentro de 2 años	ARS
`r`	tasa de descuento anual Valor típico: 0.05 (5% anual) para decisiones financieras
`t`	tiempo hasta la recompensa (en años) Ejemplo: t = 2 para 2 años	año

Dimensions : $[A]$

Exemple : Si te ofrecen $15000 A R S e n 3 a \tilde{n} o s y t u t a s a d e d e s c u e n t o e s 6$ 12 612 ARS. Prefieres recibir $12 000 ARS hoy

Descuento hiperbólico law

V (t) = \frac{A}{1 + k \cdot t}

Formes alternatives

$V (t) = A \cdot δ^{t}$ — Versión con factor de descuento δ (equivalente para t pequeño)

Symbole	Signification	Unité
`V(t)`	valor presente de una recompensa futura A es el monto futuro, t es el tiempo en días o semanas	ARS
`A`	monto futuro a recibir Ejemplo: $10 000 ARS dentro de 30 días	ARS
`k`	parámetro de descuento presente Valor típico: 0.1 a 0.4 por día
`t`	tiempo hasta la recompensa (en días) Ejemplo: t = 30 para 30 días	día

Dimensions : $[A]$

Exemple : Si te ofrecen $8000 A R S h o y o$ 10 000 ARS en 30 días, con k=0.2: V(30) = 10000/(1+0.2×30) ≈ $2500 A R S . P r e f i e r e s l o s$ 8000 ARS hoy aunque sea menos dinero

Brecha de descuento (sesgo presente) definition

Brecha = \frac{V_{c e r c a n o}}{V_{l e j a n o}} - 1

Symbole	Signification	Unité
`\text{Brecha}`	magnitud del sesgo de descuento presente Valores > 0 indican preferencia por recompensas inmediatas
`V_{cercano}`	valor presente de recompensa cercana (ej: hoy) Ejemplo: $5000 ARS hoy	ARS
`V_{lejano}`	valor presente de recompensa lejana (ej: en 1 año) Ejemplo: $6000 ARS en 1 año con descuento exponencial al 5%	ARS

Exemple : Prefieres $5000 A R S h o y s o b r e$ 6000 ARS en 1 año. Con descuento exponencial (r=5%): V_{lejano} = 6000/1.05 ≈ $5714 ARS. Brecha = 5000/5714 - 1 ≈ -0.125 (-12.5%). La brecha negativa muestra que no hay sesgo presente en este caso

Racionalidad limitada y heurísticos

Modelos que explican cómo la capacidad cognitiva limitada lleva a atajos mentales en la toma de decisiones.

Modelo de satisfacción (Simon) definition

S = \max_{a \in A} {U (a) | U (a) \geq U_{u m b r a l}}

Formes alternatives

$N_{c o n s i d e r a d a s} = 5 \pm 2$ — Número típico de alternativas que las personas consideran (ley de Miller)

Symbole	Signification	Unité
`S`	solución satisfactoria encontrada No necesariamente óptima
`A`	conjunto de alternativas consideradas Subconjunto del espacio completo de opciones
`U(a)`	utilidad de la alternativa a Función de utilidad subjetiva
`U_{umbral}`	nivel mínimo de utilidad aceptable Depende del decisor y contexto

Exemple : Elegir universidad: consideras 5 opciones (UBA, UNC, UNR, UNSAM, ITBA) que cumplen con tu umbral de costo y calidad. Eliges la primera que supera tu umbral de satisfacción, aunque no sea la mejor posible

Heurístico de disponibilidad approximation

P_{e v e n t o} \approx \frac{N_{c a s o s r e c o r d a d o s}}{N_{t o t a l r e c o r d a d o}}

Symbole	Signification	Unité
`P_{evento}`	probabilidad percibida de un evento No es la probabilidad real
`N_{casos recordados}`	número de casos similares recordados Ejemplo: casos de robos en tu barrio
`N_{total recordado}`	número total de casos recordados Ejemplo: todos los delitos que recuerdas

Exemple : Si en los últimos 3 meses escuchaste 5 noticias sobre robos en Palermo y 2 en Recoleta, percibirás que Palermo es 2.5 veces más peligroso, aunque las estadísticas digan lo contrario

Sesgo de anclaje y ajuste approximation

V_{f i n a l} = V_{a n c l a} + δ \cdot (V_{i n f o r m a c i \overset{´}{o} n} - V_{a n c l a})

Symbole	Signification	Unité
`V_{final}`	valor final estimado Ejemplo: precio de un departamento
`V_{ancla}`	valor inicial usado como referencia (ancla) Ejemplo: precio publicado en un aviso
`V_{información}`	información adicional disponible Ejemplo: precios de departamentos similares
`\delta`	parámetro de ajuste Valor típico: 0.2 a 0.8 (ajuste insuficiente)

Exemple : Ves un departamento publicado en $40000000 A R S, p e r o l u e g o e n c u e n t r a s q u e d e p a r t a m e n t o s s i m i l a r e s v a l e n$ 35 000 000 ARS. Con δ=0.5, tu valor final estimado es 40M + 0.5×(35M-40M) = $37.5M ARS

Aplicaciones en políticas públicas

Modelos que explican cómo los sesgos afectan las decisiones de políticas y cómo diseñarlas para guiar mejores elecciones.

Efectividad de un 'empujón' (nudge) definition

E = \frac{N_{c a m b i o}}{N_{t o t a l}} \times 100 %

Formes alternatives

$E = β_{0} + β_{1} \cdot X_{1} + β_{2} \cdot X_{2}$ — Modelo de regresión que predice la efectividad según características del empujón ( $X_{1}$ , $X_{2}$ )

Symbole	Signification	Unité
`E`	porcentaje de personas que cambian su comportamiento Mide la efectividad de una intervención	%
`N_{cambio}`	número de personas que modifican su conducta Ejemplo: personas que empiezan a ahorrar
`N_{total}`	número total de personas expuestas al empujón Ejemplo: todos los contribuyentes

Dimensions : $[1]$

Exemple : Un programa de ahorro automático para monotributistas: de 10 000 personas expuestas, 1200 cambiaron su comportamiento. E = (1200/10000)×100% = 12%

Costo por cambio de comportamiento definition

C = \frac{C_{i n t e r v e n c i \overset{´}{o} n}}{N_{c a m b i o}}

Symbole	Signification	Unité
`C`	costo por persona que cambia su comportamiento Mide la eficiencia de la intervención	ARS
`C_{intervención}`	costo total de implementar el empujón Ejemplo: costo de enviar SMS masivos	ARS
`N_{cambio}`	número de personas que modifican su conducta Mismo que en efectividad

Dimensions : $[A R S]$

Exemple : Si enviar 10 000 SMS cuesta $500000 A R S y 800 p e r s o n a s e m p i e z a n a u s a r l a b i l l e t e r a d i g i t a l, C = 500000 / 800 \approx$ 625 ARS por persona

Impacto en la recaudación fiscal law

Δ R = E \cdot N_{p o b l a c i \overset{´}{o} n} \cdot (V_{n u e v o} - V_{v i e j o})

Symbole	Signification	Unité
`\Delta R`	cambio en la recaudación fiscal Puede ser positivo o negativo	ARS
`E`	efectividad del empujón (como porcentaje) Ejemplo: 12%	%
`N_{población}`	tamaño de la población objetivo Ejemplo: 100 000 contribuyentes
`V_{nuevo}`	valor promedio después del empujón Ejemplo: monto promedio declarado	ARS
`V_{viejo}`	valor promedio antes del empujón Ejemplo: monto promedio declarado	ARS

Dimensions : $[A R S]$

Exemple : Un empujón para declarar gastos médicos aumenta la declaración promedio de $12000 A R S a$ 15 000 ARS en una población de 50 000 personas con E=8%. ΔR = 0.08×50000×(15000-12000) = $12 000 000 ARS adicionales

Sesgos cognitivos clave

Teoría de Prospectos

Descuento intertemporal

Racionalidad limitada y heurísticos

Aplicaciones en políticas públicas

Fuentes