O que é excesso de confiança?
Excesso de confiança é uma tendência sistemática de superestimar o quão precisos são seus julgamentos, previsões ou habilidades. No contexto de tomada de decisão, isso frequentemente aparece como confiança exagerada nos resultados (por exemplo, acreditar que um resultado futuro é “provável” quando as taxas-base e a incerteza não são tão favoráveis).
Um ponto-chave é que excesso de confiança não é a mesma coisa que ser “excessivamente otimista”. É, especificamente, uma incompatibilidade entre o quão confiante você se sente (ou como você define probabilidades) e como os resultados realmente se comportam.
Como funciona um exemplo trabalhado de excesso de confiança?
Um exemplo trabalhado deve separar duas partes:
- Mecânicas estáveis: a matemática das probabilidades, valores esperados e como a confiança se traduz em limiares de decisão.
- Condições variáveis: volatilidade do mercado, qualidade da execução, custos e outros fatores do mundo real que mudam os resultados.
Como o enunciado pede um exemplo transparente, o objetivo é tornar cada suposição explícita e, então, mostrar como um pequeno erro na estimativa de probabilidade pode alterar de forma material as decisões.
Evidência ou exemplo: um cenário numérico transparente
Suponha que você esteja considerando uma decisão de resultado binário (Resultado A ou Resultado B) com probabilidades incertas. Você precisa escolher se vai “aceitar a aposta” (Prosseguir) ou não (Evitar).
Suposições (declaradas logo no início)
- Você escolhe um resultado-alvo: Resultado A acontece com alguma probabilidade verdadeira (p).
- Você estima pessoalmente (\hat{p}) com base na sua confiança.
- Se você prosseguir e A acontecer, você ganha +10 unidades.
- Se você prosseguir e B acontecer, você perde -10 unidades.
- Evitar tem payoff 0.
- Não há outros custos neste modelo de brinquedo (esta é uma limitação).
Mecânicas estáveis: valor esperado
Se você prosseguir, seu payoff esperado com base na sua estimativa (\hat{p}) é: [ EV_{\text{sua estimativa}} = \hat{p}(+10) + (1-\hat{p})(-10) = 20\hat{p} - 10. ] Você escolheria prosseguir se (EV_{\text{sua estimativa}} > 0), o que implica: [ 20\hat{p} - 10 > 0 \Rightarrow \hat{p} > 0.5. ]
Dois mundos de probabilidade (onde o excesso de confiança importa)
- Probabilidade verdadeira (realidade): (p = 0.45). O Resultado A é, na prática, menos provável do que um “cara ou coroa com um pouco a mais”.
- Sua estimativa com excesso de confiança: (\hat{p} = 0.65). Você acredita que seu julgamento é fortemente favorável.
Decisão que você toma (com base em (\hat{p})): [ EV_{\text{sua estimativa}} = 20(0.65) - 10 = 3. ] Então você prossegue.
Mas o valor esperado realizado (com base no (p) verdadeiro) é: [ EV_{\text{verdadeiro}} = 20(0.45) - 10 = -1. ] Então, em expectativa, prosseguir é prejudicial.
Este é um exemplo trabalhado de excesso de confiança: você usou uma probabilidade alta demais, o que inverteu sua regra de decisão de “evitar” para “prosseguir”.
Limitações e riscos (modos de falha relevantes)
-
A incerteza é ignorada ou minimizada: O excesso de confiança frequentemente comprime uma ampla faixa de resultados possíveis em uma crença estreita sobre “como provavelmente vai dar”. Em termos de probabilidade, você substitui (\hat{p}) por (p) sem justificativa.
-
Custos e efeitos de execução são excluídos: Decisões reais normalmente incluem spreads, taxas, slippage e diferenças de timing. Isso altera os números de payoff (no exemplo de brinquedo, ±10) e pode transformar uma lógica marginalmente favorável em uma desfavorável.
-
As condições mudam: Mesmo que você tenha sido preciso no passado, a “taxa-base” (p) pode mudar. Relações históricas não garantem probabilidades futuras.
-
Falha na verificação: Uma pessoa com excesso de confiança pode não testar a calibração (por exemplo, se os eventos que você atribui 65% realmente acontecem em cerca de 65% das vezes).
Verificação e o que fazer a seguir (sem prometer resultados)
Para verificar de forma independente a lógica do exemplo trabalhado, os leitores podem:
- Recalcular a fórmula do valor esperado (EV = 20p - 10) a partir dos payoffs declarados.
- Checar o limiar de decisão: prosseguir exige (p > 0.5) sob essas suposições.
- Fazer testes de estresse nas suposições alterando (p), (\hat{p}) ou as magnitudes do payoff e observar quando a decisão muda.
Uma pergunta útil a seguir é: “Que evidência atualizaria (\hat{p}) em direção a uma estimativa calibrada de (p)?” Isso foca em medição em vez de previsão.
Se você quiser, pode aplicar a mesma estrutura a um modelo de brinquedo diferente (por exemplo, payoffs assimétricos ou adicionar um custo fixo), mantendo cada suposição explícita.
DOCUMENT END