Professional Documents
Culture Documents
INTRODUCCIN
sensibilidad determinstico.
El objetivo de la fase probabilstico es obtener distribuciones de probabilidades a priori, que sean por las personas con el mejor conocimiento de cada variable aleatoria.
como se vio en el capitulo 3, la fase del anlisis probabilstico consta de una serie de pasos de modelaje y anlisis, como se exhibe en la figura .
Inicio
Estructuracin
Anlisis deterministico
Anlisis probabilstico
100 0.5
Apreciacin
0.5
0.25
0.25
2. Asignar probabilidades
0.50 0.25
El primero es dibujar el rbol de decisiones esquemtico con las variables aleatorias criticas, luego asignar probabilstico a estas variables aleatorias
Seguidamente se construye un modelo probabilstico que relaciona para cada alternativa, la incertidumbre en la equivalencia presente con las variables aleatorias
Este modelo permite calcular los valores esperados y la distribucin de probabilidades resultante para la (EP) de cada alternativa.
El nivel de detalle requiere en el proceso de evaluacin depende de la importancia relativa de la variable que tambin fue determinado en el anlisis de sensibilidad antes de la entrevista.
El problema debe estar claramente estructurado. Si el experto entrevistado considera que los valores de la variable en cuestin dependen de los valores de otras variable entonces deben ser consideradas explcitamente en el diagrama de influencias.
entrevistado porque existe los sesgos que no lo permiten usar o expresar este conocimiento correctamente.
conocimiento La inteligencia
capacitacin y experiencia
El anlisis de decisiones no pretende ofrecer una solucin a este problema, salvo a asegurar que el decisor considere a la persona escogida como experto .
Seguridad
SESGOS MOTIVACIONALES
Son ajustes consistentes o inconsistentes que el entrevistado introduce en sus respuestas motivado por su percepcin de un sistema de recompensa o castigo para sus diferentes respuestas. Ejemplo: Se pide al jefe de ventas estimaran volumen que alcanzaran la ventas de la empresa en el prximo ao. El personal de ventas a menudo esta condicionado para responder con cifras artificialmente bajas posiblemente para obtener el derecho a vender el producto o bajas quizs porque piensa quedar mejor si las ventas realizadas exceden sus predicciones. Este tipo e sesgo se da porque siendo un experto piensa que el entrevistado espera de el que sepa con toda seguridad lo que pasara en su rea de especialidad .
SESGOS COGNITIVOS
Aun cuando el experto entrevistado sea honesto en el sentido de no tener sesgos motivacionales aun podra tener sesgos cognitivos. Estos son ajustes consistentes o inconsistentes que el entrevistado produce sistemticamente en sus respuestas debido a la manera como procesa intelectualmente sus percepciones. Ejemplo: La distancia aparente de un objeto se determina en parte por su claridad. Entre mas claro se vea, mas cercano parece. Esta regla heurstica tiene alguna valides porque en una escena dad los objetos mas distantes parecen menos claro. sin embargo la confianza ciega en esta regla puede producir sesgos frecuentes y conducir a errores sistemticos en la estimacin de distancia.
Consiste en recordar las ocurrencias de eventos similares. Un evento se juzgara mas probable cuando mas fcil sea pensar en el. En otras DISPONIBIL palabra la asignacin de probabilidades se basara en la informacin relevante que el sujeto entrevistado recuerda o visualiza con facilidad. IDAD
Es observar algo evidente y luego asignar una alta probabilidad al REPRESENT evento que lo haga mas verosmil. ATIVIDAD
Otra regla heurstica es comenzar con algn estimado inicial y ajustarlo FIJACIONES hasta lograr un valor que parezca razonable. Y AJUSTES
Consiste en asignar probabilidades a un evento sobre la base de la facilidad para crearlo un escenario verosmil. El evento se considera DEPENDEN poco probable si no encuentra un escenario razonable y probable. CIAS IMPLCITAS
Ejemplo:
Si el analista solicita al entrevistado que establezca la probabilidad de que ocurra una huelga en la empresa en el prximo mes, la asignacin de probabilidades se har recordando las huelgas pasadas.
Ejemplo:
Al observar una fuerte cada en las ventas de una compaa, podra existe la tendencia a dar una probabilidad relativamente alta al evento de que la compaa esta perdiendo su participacin en el mercado. Sin embargo una reflexin cuidadosa podra revelar que el tipo de demanda enfrentada por la empresa presenta variaciones drsticas de un ao al otro y que le ultimo cambio tiene poca significacin.
Ejemplo:
El plan anual de las empresas es empleado, con frecuencia como el punto de partida disponible.
El problema en aplicar esta regla para asignar probabilidades es que desgraciadamente se hace muy difcil realizar los ajustes de manera apropiado y el estimado fina tiene a quedar fijado cerca del estimado inicial.
Utilizar este mtodo puede generar un sesgo porque podra olvidarse de examinar las probabilidades de los eventos que ocasiona el escenario. Es decir para el experto la credibilidad de un escenario parece depender mas de la coherencia con la que el autor lo ha creado y no tanto de la probabilidad lgica e intrnseca de ocurrencia.
MOTIVACION En esta fase se establece la relacin necesaria con el experto y se examina si existes una posibilidad sera de sesgos motivacionales. Se explica el experto en que consiste la tarea de evolucin de incertidumbres, su importancia y el propsito de asignar probabilidades en el anlisis de decisiones.
El analista debe explicar el problema de decisin, describir el diagrama de influencias y el modelo construido en la fase de anlisis determinstico y mostrarle como todos los factores inciertos sern considerados en el anlisis. Tambin se discutir la diferencia entre la prediccin determinstica mediante un solo valor y la probabilstica, que se expresa en una distribucin de probabilidades. Todo ello garantiza que el experto pueda concentrarse claramente en la tarea de evaluacin.
El analista tambin debe explicar la importancia de valorar correctamente la incertidumbre en la variable y enfatizar que evaluacin intenta medir el conocimiento del experto y su mejor opinin o criterio, y no tratara de hacer una prediccin o promesa. Esta distincin es clave sobre todo cuando en analista detecta la posibilidad de que el experto tenga algn sesgo motivacional. Adems, ambos deben discutir abiertamente sobre la participacin personal del experto en la decisin con la variable a ser evaluada, para identificar cualquier asimetra en la estructura de recompensas que pudiera incentivarlo a sesgar sus estimados hacia arriba o abajo. Si mostrara una tendencia a ser motivacionalmente sesgado, debe ser descalificado.
ESTRUCTURACIN
Los propsitos de esta fase son definir y estructurar claramente la variable e investigar lo que el experto piensa de ella. Dado que esta variable es importante para la decisin, se debe definir con precisin usando, la prueba del clarividente; esto es, que pueda predecir el valor que tomara, sin pedir aclaraciones adicionales. Como se mencion anteriormente, un clarividente (persona ficticia) puede responder cualquier pregunta no ambigua acerca de lo que ocurrira en el futuro. Si se le pregunta Cul sera el precio del petrleo el prximo ao? Probablemente su respuesta ser: yo no le puedo contestar. Qu tipo de petrleo? Dnde? Exactamente cundo en el ao? El precio de quin?.... Es decir el precio del petrleo del prximo ao no la prueba del clarividente
Luego, se explorara la posibilidad de desagregarla en sus componentes elementales; si esto fuera necesario, se evaluara cada componente de manera individual. As, el experto podr responder de una manera directa las preguntas del analista. Si no se hiciera esta desagregacin, el experto tendra que considerar el comportamiento y las interacciones de sus componentes antes de contestar a cada una de las preguntas.
El evaluador debe escoger la escala de medida apropiada; aquella que es familiar para el experto. Finalmente, se debe explicar y hacer una lista de los supuestos que el experto est empleando al considerar la variable. Se le debe solicitar pensar cuidadosamente en el problema antes de comenzar la sesin de evaluacin, para que discrimine la informacin relevante y evite usar solo la disponible al comienzo, pues luego puede sugerir informacin que invalide todas las respuestas iniciales; asimismo, debe evitar sesgos por asignar probabilidades sobre la base de informacin ms disponible.
CONDICIONAMIENTO Su objetivo es averiguar el conocimiento relevante del experto con respecto a la variable aleatoria de inters, lo cual permite evitar sesgos durante la evaluacin. Esta fase debe dirigirse a encontrar como es que el experto asignara las probabilidades, revelar cual informacin parece ser la ms disponible, las fijaciones o estimaciones iniciales, los supuestos implcitos, etc.
A menudo, en la conversacin inicial con el experto se podr verificar que sus opciones y criterios se basan tanto en informacin especfica como general. Sin embargo, dado el problema de los sesgos resultantes de la regla de representatividad, puede ser apropiado evaluar las probabilidades sobre la base de la informacin previa y luego actualizarla con la especifica. En cualquier caso, es til que el experto tome conciencia de los sesgos que se producen al asignar probabilidades con el mtodo heurstico de la representatividad.
En esta fase tambin se deben contrarrestar los sesgos de fijacin y disponibilidad, al lograr que el experto especifique valores extremos de la variable y describa escenarios que los expliquen. Esto tambin har que los supuestos implcitos sean descubiertos. El analista debe pedir al experto especificar las bases de informacin ms importantes que est empleando, ya que tales valores podran actuar como fijaciones y producir sesgos centrales. Por ejemplo, los valores estacionados en el plan actual de la empresa o los resultados de periodos anteriores tienden a actuar como fijadores y hacer que la distribucin de probabilidades este muy cerca de ellos
Finalmente, el importante pedir al experto especificar todos los supuestos condicionantes que le sirvan de base para evaluar la distribucin de probabilidades, as como los factores que est considerando implcitamente en sus opciones y juicios. La estructura del problema podra cambiarse si se han logrado explicar algunos supuestos condicionales. Entonces la evaluacin deber hacerse condicionada al conjunto de supuestos condicionantes. Entonces la evaluacin deber hacerse condicionada al conjunto de supuestos y probabilidades de que estos se cumplan, deberan evaluarse separadamente, trabajando con el mismo experto u otro.
EVALUACION O ASIGNACION DE PROBABILIDADES Su objetivo es cualificar la incertidumbre luego de haber definido la variable con la mayor precisin posible; haberla estructurado y establecido claramente la informacin til. Cuantificar las incertidumbres es posible utilizando procesos de referencia que facilitan la tarea. El ms efectivo es la rueda de probabilidades
Rueda de probabilidades
Como se explica, la rueda de posibilidades es un disco con dos sectores, uno naranja y el otro azul, cuyas arias relativas pueden ser variadas, y tienen un puntero fijo en el centro, tras girar la rueda, finalmente parara con el puntero en el sector naranja o azul. Por medio de un simple ajuste se pueden cambiar los tamaos relativos de ambos sectores y, con ello, la probabilidad de que el puntero termine en uno de los sectores cuando la rueda deje de girar.
El primer paso es pedir al experto que defina los valores extremos que pueda tomar la variable aleatoria. El siguiente paso es emplear la rueda de probabilidades. El analista elige un valor arbitrario para la variable, el que no se encuentra muy al extremo del rango definido en el paso anterior, pero tampoco sea el ms probable ni el central.
VERIFICASION En la ltima fase del proceso de evaluacin, la opiniones y criterios del experto, obtenidos durante la asignacin de probabilidades, son sometidos a prueba para contestar si el realmente cree en ellas. Se le presentan sus respuestas graficadas como puntos en una distribucin de probabilidades acumulada y se explica su significado con el fin de escuchar sus comentarios y sugerencias, los que se utilizaran como retroalimentacin. Si es necesario, se hacen nuevas iteraciones de las fases previas.
La distribucin de probabilidades acumulada estimada corresponde a una variable continua. A su vez, esta distribucin se discretiza en una distribucin de escalera para facilitar la interpretacin de las probabilidades asignadas, visualizar el significado de las respuestas del experto y motivar cometarios adicionales. Para verificar si el experto considerara que la distribucin de probabilidades refleja adecuadamente su conocimiento, el analista puede preguntarle si estara dispuesto a apostar su dinero segn estos valores y establecer intervalos con igualdades probabilsticas de ocurrencia, basndose en la distribucin acumulada, para observar si el experto tiene dificultad en escoger a cual intervalo apostar.
Antes de terminar con la entrevista, el analista debe haber planteado entre tres y cinco preguntas para verificar las respuestas de indiferencia del experto, los cual ofrecer la seguridad necesaria de que la distribucin realmente representa su conocimiento respecto a la variable.
CONCLUCIONES En el anlisis de decisiones es de vital importancia la alta calidad en las distribuciones de probabilidades para las variables aleatorias cruciales identificadas en el anlisis de sensibilidad. A pesar de que los sesgos motivacionales y cognitivos tienden a reducir esta calidad, atender cuidadosamente los cinco pasos del proceso de evaluacin puede mejorarla significativamente.
El tiempo que toma el proceso depende de la importancia de la variable, de la disposicin y el deseo de colaborar del experto entrevistado y de la experiencia del analista. Normalmente, debe tomar de una a tres horas. Si los recursos permiten tener un segundo analista para que registre los datos y observe las reacciones del experto, se reducir el tiempo de la entrevista y mejorara la revisin de los resultados.
El usar la rueda de probabilidades como mecanismo de evaluacin es muy efectivo, y los expertos tienden a aceptarla y adaptarse a ella con rapidez, pues produce resultados que expertos y analistas valoran favorablemente. Como en todo anlisis cuantitativo, el verdadero valor de la evaluacin de probabilidades est dado no tanto por si produce o no el resultado esperado sino porque brinda al decisor mayor comprensin, entendimiento y transparencia del problema. Independientemente de si estos mtodos cuantitativos son exactos o no, los decisores deben seguir tomando decisiones a partir de un conocimiento incompleto de su entorno (incertidumbre)