1.

INTRODUCCIN
Este informe trata de la incertidumbre y la planificacin integrada de
recursos (PIR). IRP es una planificacin y el proceso de toma de decisiones
empleado por las empresas elctricas y comisiones de servicios pblicos
(PUC) para garantizar que los servicios pblicos proporcionan servicios de
energa eficaz y ecolgicamente racional de costos para sus clientes. Las
funciones clave de PIR son los siguientes: (1) las previsiones de demanda de
electricidad; (2) identificar una amplia gama de recursos energticos
potencialmente adquiribles por la utilidad; (3) evaluar y orden de
importancia cada de recursos de acuerdo con los criterios predeterminados
(por ejemplo, los costes y beneficios); y (4) elegir el mejor conjunto de los
recursos para satisfacer la demanda de energa de previsin y otros
criterios. Teniendo en cuenta este marco flexible, IRP.
Se destaca por su capacidad de tener en cuenta no slo las opciones
tradicionales de suministro de electricidad, sino tambin demanda de
gestin (DSM) opciones.
La incertidumbre impregna la planificacin de recursos de utilidad. Por
ejemplo, los planes integrados de recursos son basados en pronsticos de
precios de la energa y la demanda de electricidad. Estas previsiones
suponen significativa incertidumbres. Las incertidumbres surgen tambin en
la estimacin de costes para: la construccin de nuevas plantas de energa
que se adhieren a las regulaciones ambientales; y el poder adquisitivo de
los productores independientes de energa (PIE).
Los planes integrados de recursos deben representar de forma explcita y
hacer frente a la incertidumbre (Hirst, 1992).
Este informe est escrito por el amplio espectro de personas que estn
involucrados en IRP, incluyendo:
PUC comisarios y personal; ejecutivos y gestores de servicios pblicos;
analistas IRP utilidad; y expertos en reas particulares, tales como la
previsin del precio del petrleo, la proteccin del medio ambiente, las
energas renovables, de la demanda la gestin y la construccin de
centrales elctricas. El propsito del informe es ayudar a crear un
compartido comprensin del concepto de la incertidumbre. Este es un
objetivo importante porque todos los partidos involucrados en el proceso de
acuerdo con la incertidumbre IRP de una forma u otra.
Por ejemplo, los analistas expertos IRP tpicamente entrevista para adquirir
sus juicios sobre los valores de las variables clave (por ejemplo, futuros
precios del combustible). Los expertos necesitan comunicarse con toda
claridad las causas de incertidumbre en sus estimaciones cuantitativas de la
magnitud de la incertidumbre. el IRP

Los analistas deben entender los aspectos cualitativos de la incertidumbre,

ya que puede ser posible y deseable intentar reducir la incertidumbre en
una variable clave. Los analistas necesitan cuantitativa medidas de
incertidumbre como insumos en el proceso de seleccin de recursos. La
falta de comunicacin sobre la incertidumbre entre los expertos y analistas
reducir en gran medida la calidad de los recursos integrados planes.
En varios puntos del proceso de PIR, los analistas IRP deben comunicar los
resultados de la anlisis, incluidos los niveles de incertidumbre asociada a
los resultados, a los ejecutivos de servicios pblicos y la PUC comisarios y
personal. Los dos ltimos grupos pueden no tener una gran cantidad de
conocimientos acerca mtodos de incertidumbre y tambin pueden estar
predispuestos a esperar que los analistas para presentar ambigedades
resultados que harn que su toma de decisin fcil. De hecho, debido PUC
suelen utilizar los resultados como IRP insumos en los procedimientos de
tasas, hay una fuerte tendencia a ignorar las incertidumbres en cuantitativa
estimados. Dado que no es responsabilidad de los analistas para tomar
decisiones y porque sera tico 'chiflado' 'los resultados simplemente para
hacer la toma de decisiones y la velocidad de endurecimiento ms fcil para
estos dos
1 grupos, que se beneficiaran en gran medida los dos ltimos grupos que
tienen ms de una comprensin intuitiva de incertidumbre. La comprensin
de las razones cualitativas de la incertidumbre y lo que puede y no puede
ser hecho para reducir la incertidumbre en las variables clave del PIR sera
una gran ayuda en la toma de decisiones informadas. Tambin, tener la
capacidad de comprender las estimaciones cuantitativas de la
incertidumbre sera de gran ayuda ya que este
Es el lenguaje de los mtodos que utilizan los analistas para ayudar al
proceso de toma de decisiones.
Es nuestra creencia de que una buena comprensin de la incertidumbre es
un requisito importante para buena toma de decisiones en condiciones de
incertidumbre (la otra es una slida comprensin de los mtodos de toma).
Tambin es nuestra creencia de que existen importantes beneficios a la
comunidad en la investigacin del IRP concepto de incertidumbre con cierta
profundidad en un informe como ste, no slo para volver a empaquetar las
ideas existentes
En el tema de nuevas maneras, sino tambin para comunicar nuevas ideas
acerca de la incertidumbre que se adaptan explcita para los analistas y
tomadores de decisiones, en lugar de para los estadsticos y los filsofos.
Por lo tanto, este informe se centra nicamente en el concepto de la
incertidumbre, dejando a muchos otros temas importantes para el futuro
consideracin (por ejemplo, haciendo decisiones bajo incertidumbre, la

incertidumbre de la obtencin, la comunicacin de riesgos y la percepcin, y

la gestin de riesgos).
La seccin 2 contiene un anlisis cualitativo de las razones por la
incertidumbre en IRP clave variables. En esta seccin se ofrece el lenguaje
bsico para las personas a utilizar cuando se habla de la incertidumbre.
El marco cualitativo presentado permitir a todos los implicados en IRP para
considerar lo que, si nada, puede y debe hacerse para reducir la
incertidumbre en las variables clave.
Entender los motivos para la incertidumbre proporciona un marco
conceptual slido para la Seccin 3, que se ocupa de la forma de
representar la incertidumbre cuantitativamente. Se presentan dos
representaciones, probabilidad exacta (es decir, la probabilidad clsica) y la
probabilidad imprecisa (es decir, inferior y superior probabilidades). El tema
de cmo representar la probabilidad cuantitativa ha sido muy controvertido
durante muchos aos. Desde nuestro punto de vista, una de las razones de
la controversia es que muchos practicantes han encontrado clsico de
probabilidad de ser limitante en el mejor y en el peor inutilizable.
Nosotros creer que la probabilidad imprecisa, que es una generalizacin de
la probabilidad exacta, ofrece flexibilidad para el profesional que necesita el
rigor matemtico y se ocupa de las amplias variaciones de incertidumbre en
variables clave. Esta seccin contiene tambin las discusiones sobre la
forma de calcular los valores esperados y realizar anlisis de sensibilidad
usando la probabilidad imprecisa.
Un tema a menudo descuidado se refiere a cmo se puede manipular
representaciones cuantitativas de incertidumbre. La seccin 4 presenta una
discusin cualitativa de los tres mtodos que los analistas pueden IRP
utilizar en sus esfuerzos y que otras personas involucradas con el IRP deben
saber acerca de: el consenso, combinacin, y condicionalizacin.
Bsicamente, son mtodos que se pueden usar para fusionar opiniones de
varios expertos, sintetizar piezas de evidencia que arrojan luz sobre el valor
de una variable, y revisar las estimaciones a la luz de nueva informacin,
respectivamente.
Este documento contiene cinco ejemplos formales que ilustran los
conceptos y mtodos discutidos en esta. Todos los ejemplos giran en torno a
un problema central reportado en Portland General Electric de
Plan de Recursos Integrados de 1992 (de la PGE). El problema que enfrenta
esta utilidad era si se apague su planta nuclear de Troya inmediatamente
(en 1993), en 1996, o mantener las operaciones hasta 201 1.
El plan integrado de recursos reconoce que la incertidumbre era un factor
importante en el proceso de toma de decisiones. En cada uno de los
ejemplos, se contrastan los mtodos que se describen en el plan de

recursos integrada para enfrentar la incertidumbre con los mtodos

propuestos en este documento. Este plan integrado de recursos fue elegido
debido a su excelente calidad y el uso de mtodos de incertidumbre. Los
comentarios sobre el plan de recursos integrada en el presente informe se
hacen para ilustrar nuestros mtodos, que son nuevos en el campo IRP, y no
se hacen en modo alguno a criticar el anlisis fino del PGE. Adems, debido
a que no tenamos a nuestra disposicin modelos y datos de PGE, nuestra
presentacin e interpretacin de la obra de PGE no deben ser consideradas
con autoridad. 1RP es un proceso continuo y mucho trabajo se hace que no
aparece en los informes disponibles al pblico. Por lo tanto, nuestra
presentacin de los problemas analticos abordado por PGE debe ser visto
como ilustraciones para facilitar las discusiones de este informe.
En su mayor parte, este documento trata a sus sujetos cualitativamente. A
excepcin de las partes de la seccin 3, la matemtica ha sido reducido al
mnimo a pesar de que las matemticas sofisticadas subyace en las
discusiones cualitativas de las Secciones 3 y 4. Adems, el informe no
aborda muchas cuestiones y problemas importantes pero bsicamente
acadmicos sobre el tema. Sin embargo, para hacer frente a varias
preguntas tcnicas sobre nuestras ideas y mtodos que fueron
proporcionados por los colaboradores, hemos incluido un breve apndice.
Adems, una pieza de acompaamiento est disponible. Se insta al lector
interesado en ver Tonn y Wagner (1 995) de profundidad, en las
representaciones matemticas sobre estos temas.
2. Comprensin de la incertidumbre
Esta seccin se refiere a tres categoras de razones incertidumbre en las
estimaciones utilizadas en IRP subyacentes.

2.1 La incertidumbre irreducible

Existen lmites fundamentales para nuestro conocimiento del mundo. Esto
no es una idea nueva. Famoso Principio de Incertidumbre de Heisenberg
establece que es imposible conocer tanto la velocidad y la posicin de una
partcula subatmica en un punto determinado en el tiempo. Ms
recientemente, la evolucin de la teora del caos han demostrado que es
prcticamente imposible predecir los estados futuros de sistemas altamente
complejos, no lineales, debido a la extrema sensibilidad de los modelos de
estos sistemas a las condiciones iniciales.
Por lo tanto, la incertidumbre est destinada a ser siempre un factor en la
ciencia.
Por desgracia, la incertidumbre es tambin un hecho inevitable de la vida
para los que trabajan en IRP.

Numerosas piezas de informacin central para IRP estn destinadas a estar

siempre incierta, ya que son inherentemente inciertas. Por mucho que
podemos desear lo contrario, la incertidumbre irreductible no puede ser
superada a travs de ms trabajo, tiempo y dinero. El mejor enfoque para el
manejo de la incertidumbre irreductible es el reconocimiento de los propios
conocimientos limitados en el anlisis de decisiones. La peor enfoque est
deseando distancia incertidumbre y la toma de decisiones, como si uno
posee cierta informacin.
En la evaluacin de la incertidumbre irreductible en una estimacin, tres
cuestiones importantes se les debe pedir (Tonn y Schaffiauser 1992):
(1) Qu representa la estimacin? (Por ejemplo, un pronstico de largo
alcance, el estado del mundo actual, un aspecto de la pasado, una
prediccin lgico);

necesidad de datos de 1000 hogares historias de facturacin de 100

hogares);
(3) Son los datos de alta calidad? (Por ejemplo, las historias de facturacin
tenan numerosas meses que faltan en comparacin con las historias de
facturacin sin espacios); y
(4) Cmo razonable son los mtodos utilizados para obtener la estimacin?
(Por ejemplo, las historias de facturacin no fueron ajustados El tiempo pero
necesitan ser frente a las historias de facturacin correctamente se ajustan
El tiempo con el fin de estimar el ahorro de energa debido a la reconversin
residencial). A menudo es posible recoger ms y mejores datos, utilizar
mejores mtodos, y desarrollar tericamente ms los enfoques adecuados
para la resolucin de problemas. La cuestin importante es si los beneficios
de la bsqueda de cualquiera de estas actividades es la pena el costo.

(2) Qu tipo de sistema es la estimacin de una parte de? (Por ejemplo, un

gran escala / sistema de alteracin del orden pblico, un sistema catico, un
sistema a pequea escala / ordenado, un sistema lgico); y

Esta pregunta se vuelve a visitar en la Seccin 2.4.

(3) Qu se sabe acerca de los valores que la estimacin puede tener? (Por
ejemplo, es el rango de valores poco conocidos o bien entendidos).

Cmo y con qu fines se utilizan estimaciones tambin puede causar

incertidumbre. Por ejemplo, usando las estimaciones de energa debido a
instalaciones residenciales en el invierno en la costa noroeste del Pacfico,
que se caracterizan por bajos niveles de incertidumbre irreductible y
operativa, para estimar el ahorro para un programa similar en Wisconsin no
es del todo apropiado debido a diferencias de potencial en el clima, la
construccin de viviendas, los estilos de vida de los ocupantes, y social de
las tecnologas de uso final, entre otros factores. Si stas eran las nicas
estimaciones disponibles, entonces uno tendra que reflexionar
cuidadosamente sobre la cantidad de incertidumbre es causada en las
estimaciones debido a su uso en otro contexto.

Las estimaciones que representan predicciones a largo plazo de gran escala,

sistemas desordenados o caticos conllevan un alto grado de incertidumbre
irreductible. Previsiones de los precios del petrleo caen en esta categora.
Las estimaciones que representan un aspecto del pasado son mucho menos
problemtico, todo lo dems es igual. Las estimaciones de ahorro de energa
atribuibles a los programas de DSM son un buen ejemplo de este caso.
Deducciones lgicas de los sistemas axiomticos de sonido conllevan
ninguna incertidumbre irreductible, pero, por desgracia, las estimaciones del
PIR no suelen ser derivable por deduccin lgica.
2.2 La incertidumbre operativa
A diferencia de la incertidumbre irreductible, la incertidumbre operativa se
puede superar con ms trabajo, tiempo y dinero. la incertidumbre operativa
es causada por numerosos factores que entran en la categora "La
estimacin habra sido mejor si slo habamos hecho .. ..I 'En la evaluacin
de la incertidumbre operativa acerca de una estimacin, se les debe pedir
cuatro preguntas importantes (Fwntowitz y Ravitz 1990):
(1) Qu tan firme es la teora que subyace en la estimacin? (Por ejemplo,
el razonamiento ad hoc, en comparacin con principios de ingeniera de
sonido);
(2) Cuntos datos fueron recogidos y utilizados frente a la cantidad
requerida fueron? (Por ejemplo, se recogieron y se utilizan contra la

La incertidumbre 2.3 Aplicacin

Este tipo de incertidumbre est etiquetado incertidumbre aplicacin. En la

evaluacin de la aplicacin la incertidumbre en la estimacin, se le debe
pedir cuatro preguntas importantes:
(1) Es la estimacin informativa para su contexto? (Por ejemplo, la
estimacin es demasiado amplio para ser de gran valor para el anlisis en
comparacin con la estimacin es estrecho y centrado);
(2) Will capacidad informativa de la estimacin de su contexto de declive en
el tiempo? (Por ejemplo, la estimacin de los ahorros atribuibles a un
programa DSM desde el ao pasado puede no ser una vlida estimar el
ahorro de energa dentro de cinco aos);
(3) Se ha generalizado la estimacin de un estudio ms estrecha?

(4) La medida estimacin de lo que se necesita para su contexto? (Por

ejemplo, la estimacin es un pobre sustituto para la variable que realmente
se requiere en comparacin con la estimacin es exactamente lo que se
necesita). En general, las estimaciones que son informativos, el tiempo
insensible, no generalizados, y miden lo que se requiere ser ms valioso
para, y causan menos incertidumbre en, IRP que las estimaciones que son
no informativo, sensible al tiempo, de forma excesivamente generalizada, y
los proxies pobres para las medidas que se requieren. De manera similar a
la incertidumbre operativa, la incertidumbre aplicacin puede ser superado
por el gasto de tiempo y dinero para producir estimaciones ms
informativos pertinentes, oportunos, y de contexto.
2.4 La incertidumbre general en estimaciones
Como se representa en la figura 2.1, los tres tipos de incertidumbre se
combinan para causar un nivel general de incertidumbre en la estimacin.
IRP analistas desean conocimiento perfecto de todos los valores de todas las
variables en sus anlisis. Como se discuti anteriormente, el verdadero
conocimiento es raro. A lo sumo, se puede esperar para superar todas las
fuentes de incertidumbre en funcionamiento y aplicacin, que todava
pueden dejar los analistas con los lmites en sus variables debido a la
incertidumbre irreductible. En la mayora de los casos, la incertidumbre
operativa y la aplicacin tambin estar presente, que actan para ampliar
los lmites de estimaciones an ms.

Mediante la evaluacin cualitativa de los niveles generales y las razones de

incertidumbre de las variables clave del PIR, uno puede empezar a apreciar
la mejor manera de gastar los escasos recursos para reducir la
incertidumbre general en el PRT. El reto para los analistas del PIR y
tomadores de decisiones es evaluar las ventajas y desventajas asociadas a
tener ms informacin para algunos costos, como se muestra en la Figura
2.2.
En algn momento, el aumento de los costes para superar la incertidumbre
operativa y la aplicacin va a abrumar a cualquier valor incremental de la
informacin adicional a la utilidad.
Adems, la incertidumbre irreductible pone un lmite a lo que puede
conocerse en cualquier caso. Anlisis de los recursos sern bien invertidos
en actividades que pueden reducir la incertidumbre ms operativa y la
aplicacin de las estimaciones que son ms importantes para las decisiones
del PIR.

punto 2.1, cada estimacin prevista implica un cierto

incertidumbre irreductible acorde con hasta qu punto en

grado

de

el futuro de prediccin se realiza. Por lo tanto, todas estas estimaciones

implican un cierto grado de incertidumbre irreductible.

Con respecto a las adiciones anuales promedio de capital, plan de recursos

integrado del PGE establece que "los futuros requisitos regulatorios son el
principal motor de futuras adiciones de capital. Los cambios I 'en los
requisitos reglamentarios son difciles de predecir debido principalmente al
problema de la identificacin de las relaciones entre muchas influencias
polticas posibles y sus resultados normativos. por lo tanto, la incertidumbre
irreductible emana del gran escala, alteracin del orden pblico (desde una
perspectiva de anlisis de sistemas) sistema de influencias polticas en las
regulaciones. el nico factor que reduce al mnimo el impacto de la
incertidumbre irreductible en esta estimacin de la decisin del PGE es que
la gama de valores posibles para anual adiciones de capital es bastante
conocido en base a la experiencia pasada con Troya y otras plantas como
los requisitos reglamentarios han variado.
2.5 Ejemplo 1. La incertidumbre irreducible, operacional, y en la solicitud de
IRP de PGE

El plan integrado de recursos PGE 1992 abarca variables que exhiben

diferentes
magnitudes de irreductible, y la incertidumbre aplicacin operativa.

Como se ha mencionado brevemente en la Seccin 1, la principal cuestin

considerada en el PIR fue PGE
si se debe cerrar la planta nuclear de Troya en 1993, en 1996 o haga
funcionar la planta hasta 201 1.

Apagar requerira PGE para adquirir recursos de reposicin. La planta de

Troya es un reactor de agua ligera a presin, que tena 16 aos en el
momento del plan de recursos integrado. Para abordar esta cuestin, se
requieren estimaciones de numerosas variables clave hacia el ao 201 1
(por ejemplo, el promedio anual de inversiones de capital, factor de
capacidad para el reemplazo del generador de vapor). Como se explica en el

incertidumbre Operational caracteriza la estimacin reportada de los costos

de energa de sustitucin en caso de que Trojan se apaga inmediatamente.
PGE plan integrado de recursos indica que los primeros PGE podra adquirir
la propiedad o los derechos contractuales a los nuevos recursos es de 1996.
Por lo tanto, PGE supone una mezcla igual de los siguientes tres recursos
que se pueden comprar para reemplazar la salida de Troya: (1) energa
adquirida de Bonneville Power Administration (BPA); (2) bloquear potencia
firme de los recursos existentes otras empresas de servicios pblicos; y (3)
el mercado de energa secundaria a corto plazo (nonfirm) compras o
funcionamiento de una unidad de pico, el que sea ms barato. plan
integrado de recursos de PGE establece que "Creemos que la energa
secundaria es probable que sea un bien escaso antes de nuevos recursos de
recambio entren en funcionamiento en 1996. Los precios de la energa
secundarias asumidas por las compras para reemplazar troyano de 1993 a
1996 incluyen una prima de 5 mills / kWh. "Analistas estima que los costos
de energa de reemplazo despus de la desconexin inmediata sera un
promedio de $ 41 / MWh.
Esta estimacin no es totalmente exacta, ya que no incluye un anlisis en
profundidad del coste y la disponibilidad de energa secundaria, lo que
resulta en la incertidumbre operativa. trabajo y tiempo adicionales podran
haber sido gastados en el anlisis del costo y la disponibilidad de este tercer
recurso para reducir la incertidumbre operativa de toda la estimacin. Pues
resulta que, en una actualizacin de plan integrado de recursos del PGE, un

anlisis adicional de energa secundaria se realiza de hecho y result en una

mejor estimacin
de un rango de costos de energa de sustitucin de entre $ 32 y $ 39 / MWh,
con $ 42 / MWh que se utiliza para "... probar los resultados en condiciones
extremas. PGE cree que este caso tiene una baja probabilidad". La
estimacin ms baja en la actualizacin se debe probablemente a la
reduccin de la incertidumbre en el momento de la actualizacin de Troya
porque haba sido cerrado y el efecto que esto tuvo en el mercado de la
energa podra ser observado. Desde nuestro punto de vista, sin embargo,
PGE pudo haber intentado colocar un lmite en el clculo original $ 41 /
MWh, teniendo en cuenta la incertidumbre de funcionamiento debido a la
falta de anlisis de secundaria compras de energa. Parece que tal lmite
debera haber capturado al menos parte de la gama utilizada en la
actualizacin '.
PGE analistas hicieron de hecho lugar un salto en la estimacin de $ 41 /
MWh utilizando un anlisis de probabilidad. Esta gama incluye de $ 3 1- a $
39 / MWh rango utilizado en la actualizacin.
Sin embargo, no se inform el rango de anlisis de probabilidad en el
anlisis documentado en el plan integrado de recursos. I 9
La estimacin de los costos de operacin de Troya fija anual y
mantenimiento (O & M) es un buen ejemplo de la incertidumbre de la
aplicacin. plan integrado de recursos de PGE establece que "la causa ms
importante para aumentar la O & M en las plantas nucleares ha sido el
cumplimiento de Regulacin Nuclear Comisin (NRC) regulaciones", y que la
principal fuente de incertidumbre en estas estimaciones es "... el hecho de
que el conjunto de datos de todo
Estados Unidos plantas nucleares incluye no comparable plantas en la
segunda mitad de sus vidas de licencia. "Por lo tanto, el plan integrado de
recursos se basa en datos procedentes de otras clases de plantas nucleares
y de la planta de Troya en la mitad fuste de su vida, as como la opinin de
expertos del personal de la planta, DOE, una empresa de consultora, y el
BPA. la incertidumbre aplicacin se debe a que las estimaciones del plan
integrado de recursos:
(1) se generalizan a partir de estudios de tipos de plantas nucleares y para
las acciones reguladoras del pasado que estn sujetos a cambio;
(2) se reducir en ms validez que se adquiera experiencia acerca de la
planta de Troya y
plantas comparables en la segunda mitad de sus vidas de licencia; y
(3) son menos informativos para comparar las opciones funcionar hasta
201 1 y 1996 Eliminacin progresiva que para la comparacin de 1996

Eliminacin progresiva de la parada inmediata debido a que los rangos de

valores de todos los que proyectan O & M cuesta estimaciones de
rendimiento dentro del 30% de los entre s desde 1993 hasta 1996, pero
slo dentro de 60% en 20 10.
La comparacin de las estimaciones de las adiciones anuales de capital de
Troya a los costos de energa de sustitucin proporciona un buen ejemplo de
cmo la incertidumbre conocimiento puede ser de gran valor para
determinar dnde reducir la incertidumbre general en un plan integrado de
recursos. Para adiciones de capital anuales, la mayor parte de la
incertidumbre es irreductible, debido a la naturaleza de las previsiones y las
caractersticas del sistema que genera las regulaciones. PGE recibido y
revisado las estimaciones a partir de tres fuentes externas, adems de las
proyecciones de su propio personal de la planta. Parece que el estudio
adicional de este costo
no habra sido significativamente helpll de PGE debido a la incertidumbre en
la estimacin irreductible. En otras palabras, los estudios de reduccin de la
incertidumbre operativa a un mnimo. En contraste, el adicional estudio de
los costos de energa de sustitucin era til porque la segunda estimacin
fue capaz de superar incertidumbre operacional significativo.
En conclusin, la elaboracin de las causas de incertidumbre de acuerdo con
los conceptos presentados anteriormente pueden haber llevado ejecutivos
PGE, funcionarios de la PUC, y las partes interesadas para requerir un
estudio adicional de los costos de energa de sustitucin, y tal vez menos
estudio para proyectar los costos posteriores a 1996 de Troya. Esto se debe
a que se habran dado cuenta de que los costes posteriores a 1996 estn
plagados con un alto grado de incertidumbre irreductible que ninguna
cantidad de estudio puede reducir. Si algunos de los recursos gastados para
los costos en el perodo posterior a 1996 proyectar lugar haba sido utilizado
para analizar el costo de energa de sustitucin para el pre-1996 periodo, la
informacin ms til puede ser el resultado.
2.6 Resumen
En esta seccin se presenta un marco cualitativo para entender razones de
incertidumbre en las estimaciones cuantitativas utilizadas en el PIR. IRP
analistas pueden usar el marco para interrogar a los expertos acerca de la
incertidumbre en sus estimaciones subjetivas y modelo derivados, y los
expertos deben estar preparados para responder a estas preguntas.
comisarios de la PUC y el personal, y los ejecutivos de servicios pblicos y
los administradores tambin pueden utilizar el marco para interrogar a los
analistas IRP para obtener una comprensin acerca de la cantidad de
incertidumbre en la informacin que utilizarn para tomar decisiones. Con
este entendimiento, las decisiones se pueden hacer para postergar
decisiones hasta que se sepa ms, si incertidumbres operativos y de

aplicaciones pueden ser superados, y las decisiones se pueden analizar de

una manera que represente adecuadamente a la incertidumbre.
3. REPRESENTACIN DE INCERTIDUMBRE
3.1 Una breve historia
La gente ha estado luchando con el concepto de incertidumbre para cientos,
si no miles, de aos. Con el tiempo, cmo la gente ha pensado en el tema
ha cambiado y vuelto ms sofisticados. El primer pensamiento abarcaba los
conceptos de azar y probabilidad, que fueron considerados como sin duda
distinta; el primero se asocia con los juegos mientras que la ltima se asoci
con cuestiones de opinin (hacking 1975). Por ejemplo, una autoridad
religiosa estimada podra argumentar que una proposicin que es "probable
es imposible", lo que significa que la proposicin tiene una opinin
favorecida, pero no puede ser verdad.
Durante la dcada de 1600, la probabilidad comenz a adquirir su
connotacin actual. La primera referencia es de la naturaleza humana de
Hobbes, publicado en 1650, donde dice que ".Si los signos golpeado 20
veces para un desaparecido, un hombre puede poner una apuesta de veinte
aos a uno de los eventos, pero no puede concluir que para una verdad." El
libro Lgica de Port Royal (1662) contiene el primer uso de la palabra
"probabilidad" en un sentido cuantitativo. Jacob Bernoulli, en su manuscrito
Ars Conjectandi (1 7 13), sent las bases de la probabilidad y la estadstica
moderna (Shafer, 1978). En este siglo, el concepto de la incertidumbre ha
llegado a ser completamente para muchos sinnimo de probabilidad clsica.
Es decir, se argumenta que cuando uno tiene que discutir y representar la
incertidumbre, uno debe basar tales discusiones y representaciones sobre la
base axiomtica de la probabilidad clsica (ver 3.2). Tambin se argumenta
por muchos que la probabilidad debe ser tratada mediante el frequentistic
punto de vista, como se ejemplifica en la cita anterior de Hobbes. Estas
afirmaciones son por lo general no controversiales entre los estadsticos y
cientficos fsicos.
Sin embargo, la segunda afirmacin ha sido atacada por las personas que
deseen hacer uso clsico de probabilidad para tomar decisiones. IRP no es
inusual en una toma de decisiones en el sentido de que muchas de las
decisiones de recursos no puede hacerse sobre la base de la informacin
estadstica. De hecho, muchas decisiones son de una sola especie OFA y no
son susceptibles de anlisis estadstico (Hirst y Schweitzer 1990). Un debate
se ha desatado entre los objetivistas, que abogan por una aplicacin
completamente frequentistic de probabilidad, y subjetivistas, que sostienen
que las probabilidades tambin se pueden desarrollar a travs racional
introspection.2 El punto de vista subjetivo es claramente dominante en las
ciencias de la decisin, y es ms inclusiva para su aplicacin a IRP, ya que
puede abarcar tanto la probabilidad objetiva y subjetiva. En las ltimas
dcadas, muchos profesionales, especialmente en el campo de la

inteligencia artificial, han llegado tambin a cuestionar la primera

afirmacin. En concreto, los axiomas de la probabilidad clsica, si se ve
desde un punto de vista objetivo o subjetivo, se argumenta, son demasiado
limitante. Por ejemplo, los Xamsey (1 93 l), DeFinneti (1 964), y Savage (1
964) marcos actuales para tales ejercicios de pensamiento racional. Es
nuestra observacin de que este marco es difEdt para las personas que no
son tericos de la decisin de utilizar estos marcos. En la prctica, las
probabilidades subjetivas son usualmente provocados directamente de los
expertos sin la ayuda de estos ejercicios. Ver Wallsten y Budescu (1983).
sistemas expertos en desarrollo encontrado que es difcil representar y
sintetizar piezas de diagnstico
pruebas usando la probabilidad clsica, incluso interpretada subjetivamente.
Por lo tanto, la investigacin se ha centrado en la generalizacin de la
probabilidad y en el desarrollo de mtodos completamente nuevos para la
representacin de la incertidumbre.
Estos nuevos enfoques incluyen: conjuntos hzzy (Zadeh, 1978); factores de
certidumbre (Buchanan y Shortliffe 1984); Dempster-Shafer y Teora (Shafer,
1976).
El desarrollo de nuevos enfoques a la incertidumbre de relieve dos puntos
muy importantes que los profesionales necesitan para entender IFW. En
primer lugar, la incertidumbre es un concepto que es ms amplio que el
lenguaje y los mtodos de probabilidad. Como ya se ha ilustrado en la
Seccin 2, se puede participar en la medida en que van las discusiones
acerca de la incertidumbre en las estimaciones sin tener que sof de la
terminologa propia dentro del paradigma de la probabilidad. Tampoco se
necesita ser un experto en la matemtica de la probabilidad para hablar de
incertidumbre en las estimaciones que son clave para la toma de decisiones
del PIR. En segundo lugar, tambin es importante tener en cuenta que los
mtodos para representar la incertidumbre siguen evolucionando y que la
evolucin est siendo impulsado no por las preocupaciones tericas de los
estadsticos y cientficos fsicos, sino por las preocupaciones prcticas de los
tomadores de decisiones y los que construyen apoyo a las decisiones y
artificial sistemas de inteligencia. Por lo tanto, si como un fabricante
profesional o de la decisin que haya tenido dudas persistentes acerca de la
aplicabilidad de la teora de la probabilidad clsica en su contexto, que no
estn solos. Creemos que la estimacin de probabilidades imprecisas (vase
3.2), que es una generalizacin de la probabilidad clsica y tiene sus races
en Dempster-Shafer Teora de los aos 1960 y 1970 y en el trabajo original
de Bernoulli hace ms de 250 aos, ofrece a los profesionales del PIR un
marco significativamente mejor dentro de que para manejar la
incertidumbre.
3.2 Probabilidad preciso e impreciso cuentas axiomtico de la teora de la
probabilidad clsica o precisa siempre del estado, para la probabilidad del

evento A, P (A), que 0 <P (A) i 1.0, para todos los eventos A, con P (P) = IO,
donde 62 es la conjunto de todos los eventos posibles. Adems, la aditividad
se postula siempre y aditividad contable a menudo se postula (siempre,
entre matemtico ^). ^ / Como consecuencia de estos postulados, uno
siempre tiene P (A) + P (Z) = 1 .O, donde un medio en a o el complemento
de a @ .e., la probabilidad de que el evento que se convertir en verdad no
es el evento A).
Se puede calcular una probabilidad precisa objetivo a partir de datos o
subjetivamente desarrollar una probabilidad precisa. Por ejemplo, si uno
sabe que uno tiene una moneda, se puede calcular la probabilidad de lanzar
cabezas como 0.50. Para estimar subjetivamente la probabilidad de un
evento, como la repeticin de una crisis del petrleo, se podra construir
cognitivamente una estimacin directa o asistida por herramientas (por
ejemplo, ruedas de probabilidad) y los marcos de apuestas. Para las
variables continuas, las funciones de densidad de probabilidad (por ejemplo,
las curvas normales) y funciones de distribucin acumulativa (CDF) se
utilizan para representar la incertidumbre en las estimaciones.

en lugar de una y para las variables continuas, dos CDF, una inferior y una
superior, se utilizan en lugar de uno.
Figura 3.1 compara la expresividad de la probabilidad exacta e imprecisa en
cuatro casos. Cada icono dentro de la figura representa un dispositivo
medidor o de medicin, donde cada calibre va de 0 a 1,0, es decir, vaca
para sombreada por completo, respectivamente. Un indicador de vaco
expresa una probabilidad de cero, una medida completamente lleno expresa
una probabilidad de uno.
Para contribuir a este debate,

3Additivity se expresa como P (A n B) = e -, P (A u B) = P (A) + P @).

aditividad numerable se expresa como P (A, A2 IJ IJ, ..)
= P (A,) + P (A,) + ...., para cada secuencia infinita A ,, A ,, .... de sucesos
disjuntos por pares.
Es nuestra creencia de que la probabilidad exacta no es lo suficientemente
expresiva para capturar grandes incertidumbres asociadas con IRP.
Bsicamente, los practicantes estn limitadas a una estimacin de la
probabilidad de un evento discreto y funcin de distribucin
functiodcumulative una densidad de expresar la incertidumbre sobre una
variable clave IRP. Metafricamente, uno se limita a una unidad de medida,
a un ancho a expresar incertidumbre. Imaginar los mdicos se limitan a una
prueba para diagnosticar una enfermedad, pintores se limitan a un solo
color para expresar emociones o los consumidores se dan slo una
caracterstica (por ejemplo, precios) con el que juzgar un producto. Por
mucho que nos solidarizamos con aquellos que desean mantener el mundo
como parsimoniosa como sea posible, hay casos en los resultados sobre
simplificacin en una prdida de informacin y con respecto a la
incertidumbre en el PIR, se trata de un caso as.
Una manera natural de relajar la demanda de un nico nmero que expresa
la probabilidad de un suceso A es para permitir la evaluacin de la
incertidumbre por un intervalo [Y (A), f (a)], en la que 0 g e g g 1 M .O. Los
dos nmeros y (A) y P (A), llamado respectivamente, las probabilidades
inferior y superior de A, se elige de manera que uno es, dada la evidencia
actual, razonablemente seguros de que la probabilidad de A es ni menos de
E (A) ni mayor de P (A). As, por eventos discretos se utilizan dos nmeros

imaginar un envase de 100 bolas, que podran ser de color rojo o azul. La
tarea es estimar la probabilidad de seleccionar una bola roja del recipiente,
P (r). En el primer caso, el analista IRP ha examinado todas las bolas en el
recipiente y sabe de la certeza de que todos ellos son de color rojo. En este
caso, el analista tiene conocimiento "seguro" de que se seleccionar una
bola roja. Como era de esperar, el indicador de la probabilidad exacta, P,
est completamente sombreado (Le., P (r) = 1 .O).
Los dos medidores de probabilidades imprecisas tambin estn
completamente sombreados, lo que indica que cuando E (r) = P (r) = 1 .O,
se logra la certeza. La certeza tambin se logra cuando todos los
indicadores estn vacos. En el segundo caso, el analista ha examinado
todas las bolas en el recipiente y sabe con certeza que 50 bolas son de color
rojo y 50 bolas son de color azul. La interpretacin frequentistic sencillo es
que P (r) = 0,5. Tambin es apropiado asignar z (r) = P (r) = 0,5. Por lo
tanto, los medidores estn en semisombra en los tres casos. Cabe sealar
que en esta etapa, no hay diferencia entre la probabilidad precisa e
imprecisa. Ciertos conocimientos y fuertes conocimientos estadsticos estn
representados esencialmente por los dos enfoques de la misma manera, lo

que demuestra que los dos enfoques son consistentes cuando uno tiene una
fuerte evidencia.
En el tercer caso, el analista no tiene conocimiento acerca de las bolas en el
recipiente, aparte de que hay 100 de ellos. No podra ser de 100 bolas rojas
y azules ninguna bola o viceversa. Podra ser cualquier otra combinacin de
bolas rojas y azules que se suman a 100. En estos casos de total ignorancia,
partidarios del paradigma clsico de probabilidad aplicar el principio de
razn insuficiente, lo que bsicamente establece que la masa de
probabilidad se extendi a cabo de manera uniforme entre los eventos de la
competencia. En nuestro ejemplo, la probabilidad uniforme sera elegido,
que en este caso significa P (r) = 0,5. Por lo tanto, cuando se limita a un solo
nmero, un alto grado de conocimiento estadstico se representa la misma
forma que la total ignorancia!
Aqu es donde la expresividad de probabilidades imprecisas no entra en
juego, cuando hay una falta de conocimiento. El uso de probabilidades
imprecisas, el indicador de probabilidad ms baja est vaca y el indicador
de probabilidad superior est llena. En otras palabras, la ignorancia se
representa como E (r) = 0,0 y P (r) = 1,0. En el cuarto caso, el analista es
capaz de ver 80 de las 100 bolas a travs de las partes transparentes del
recipiente, que ahora quedan al descubierto, y ahora sabe que el nmero de
bolas rojas es de al menos 40 y el nmero de bolas azules es de al menos
40, lo que significa que el nmero de bolas rojas es entre 40 y 60. En este
caso, E (r) = 0,4 y P (r) = 0,6. A partir de la figura, se puede ver fcilmente
cmo el conocimiento se exhibe una mayor straighgorwardly en un
estrechamiento de la banda entre los indicadores de probabilidad inferior y
superior. Por desgracia, este no es el caso con probabilidad clsica. En lugar
del principio de razn insuficiente, una heurstica mxima entropa sera
aplicada para estimar las probabilidades precisas que optimicen la famosa
frmula de la entropa propuesto por Shann ~ n. ~ La aplicacin de tales
4Vase Shannon (1 948) para la presentacin original de la frmula de la
entropa y Japes (1 957) para la discusin fundamental sobre la
maximizacin de la entropa. Desde nuestra perspectiva, la aplicacin de
cualquiera de los Principio de InMicient Razonamiento y maximizar la
entropa, tambin conocida como WNT, aade informacin al problema que
no se basa en ninguna prueba. Estas heursticas son incompatibles con la
buena toma de decisiones y con toda la nocin de probabilidad imprecisa.
una heurstica volvera a producir P (r) = 0,5.
Por lo tanto, la probabilidad exacta no permite expresar la cantidad de
conocimiento est siendo ejercida sobre una decisin o cmo el
conocimiento puede cambiar con el tiempo con la adicin de nueva
informacin. Esta es una observacin muy importante porque indica que la
probabilidad clsica no es muy adecuado para emplear los conceptos
cualitativos discutidos en la Seccin 2.0. El uso impreciso

probabilidad, se puede evaluar cmo los esfuerzos para superar la

incertidumbre operativo y las aplicaciones podran reducir el rango entre las
probabilidades inferiores y superiores, y por lo tanto cmo las decisiones
podran cambiar. Con slo un indicador, es mucho ms difcil imaginar cmo
se podra capturar los beneficios de tales actividades si uno donde limitan a
pr ~ precisa babilidad.
La figura 3.2 presenta una historia similar para las variables continuas. En el
centro de la figura es una funcin de distribucin acumulativa clsica,
(CCDF). Flanqueando el CCDF son una funcin de distribucin acumulativa
superior (cdf,) y una funcin de distribucin acumulativa inferior (LCDF,).
Un experto proporcionar estas dos funciones se comunica que existe alguna
falta de conocimiento sobre la verdadera CDF para esta variable. Un gran
grado de ignorancia es capturado por UCDFl y
LCDF Si uno est trabajando con variables discretas o continuas, la cantidad
de incertidumbre expresada cuantitativamente debe ser coherente con el
grado de incertidumbre puesto de manifiesto a travs del marco cualitativa
presentada en 2.0. Por ejemplo, se podra esperar que, debido a las grandes
incertidumbres irreducibles, los expertos en lugar proporcionaran CDF
inferior y superior para los precios futuros del petrleo en lugar de una CDF.
Por otro lado, los costos de la electricidad suministrada por una planta
existente pueden estar tan bien estudiados que una FDA precisa puede ser
suficiente y defendible (siempre y cuando la planta se suministra por un
contrato de combustible a largo plazo, o que fueron alimentados por una
fuente renovable predecible) .
3.3 Ejemplo 2. Utilizando las probabilidades precisas e impreciso para
representar la incertidumbre en las variables de IRP
Considere una vez ms el ejemplo decisin de Troya. Para hacer frente a la
incertidumbre en muchos clculos numricos, tales como los relacionados
con las operaciones y los costes de mantenimiento, se puso en prctica un
enfoque de simulacin. Para cada variable en el modelo de simulacin, se
eligi una forma funcional de distribucin de probabilidad exacta, tal como
una curva normal. Para especificar cada funcin, la probabilidad mprecise
IRP analista 51 ha sido criticado porque las probabilidades inferiores y
superiores no son aditivos y que la prdida de aditividad significa que las
personas no pueden tomar decisiones racionales, tal como se define en el
contexto de los axiomas de Savage. Tenemos tres respuestas. En primer
lugar, creemos que el estricto aditividad es innecesariamente restrictivo.
Como WaUey (1991), muestra estadsticas significativas (es decir,
frequentistic basado en probabilidades inferiores y superiores) se puede
calcular con un axioma de aditividad relajado.
En segundo lugar, la probabilidad imprecisa todava conserva axiomas
relacionados con la aditividad. Por ejemplo, se puede imponer
superaditividad y subaditividad (ver Wagner 1994). Por lo tanto,

mathematicalrigor se conserva. En tercer lugar, Schmeidler (1986) ha

generalizado Savage axiomas de probabilidades inferiores y superiores.
Fishbum (1988) expone ms en este punto. Por lo tanto, la probabilidad
imprecisa es completamente consistente con los objetivos de subjetivistas y
analistas de decisin.

Le recomendaramos en este caso, el siguiente proceso de seis pasos.

(1) Cada una de las preguntas presentadas en la Seccin 2 se les debe
solicitar para cada una de la llave variables en el anlisis.
(2) Se debe desarrollar una comprensin cualitativa general de la
incertidumbre de cada variable clave.
(3) Sobre la base de esta comprensin cualitativa, LCDFs y UCDFs se debe
especificar para cada variable clave. Sin tener datos para apoyar este paso,
la especificacin de estas funciones es la verdad subjetiva. Tener respuestas
a las preguntas de la Seccin 2 debe mejorar este paso y los analistas y
expertos todava estn libres de utilizar ayudantes de decisin para ayudar
a elicitacin. Con referencia a la figura 3.2, se esperara que LCDFs y UCDFs
para pronsticos a corto plazo se pareceran LCDF, y cdf ,, mientras que
los de las predicciones a largo plazo seran ms se asemejan
LCDFl y UCDF1.
(4) Los LCDFs y UCDFs se pueden introducir en las simulaciones para
calcular inferior y superior lmites en las salidas. Matemticamente, no son
diferentes de los FDC, por lo simulacin cdigos no tendran que ser
alterado.
(5) En este punto, los valores esperados pueden ser calculados, que es el
objeto de la siguiente seccin,

construye un intervalo de valores posibles de la variable y luego los jueces

con qu probabilidad precisa el verdadero valor estar en la gama. Los
ejemplos de cdigo de simulacin de las distribuciones para obtener valores
a la entrada en los diversos clculos de costes. muestreo Rcpeated y clculo
para crear una distribucin de los productos de costes se conoce
comnmente como el anlisis de Monte Carlo.
Como se ha indicado en el Ejemplo 1, los tres tipos de incertidumbre plagan
las estimaciones. Irreducible la incertidumbre es un factor, ya que muchas
de las estimaciones son predicciones a largo plazo.
la incertidumbre operativa es un factor, ya que los datos no estn
disponibles para apoyar las decisiones de forma funcional distribucin y las
desviaciones estndar para muchas de las variables. la incertidumbre de
aplicacin es un factor, ya operaciones y estimaciones de costos de
mantenimiento de la planta de Troya actual pueden no ser vlidos los
descriptores de la futura planta de Troya. La acumulacin de estos factores
nos lleva a pensar que la probabilidad imprecisa podra tener la
incertidumbre mejor representados en el ejercicio de simulacin.

3.4. (6) Por ltimo, el anlisis de sensibilidad se puede realizar, que es el

objeto de 3.6 y el Ejemplo 4 en 3,7.
3.4 Clculo de valores esperados utilizacin de las probabilidades precisas e
imprecisas
En muchos planes integrados de recursos, existe un requisito para calcular
los valores esperados para las variables de decisin clave. Por ejemplo, a
menudo es til para calcular los valores esperados para los flujos de costos
y beneficios asociados con la adquisicin de un recurso. En esta seccin se
muestra cmo calcular los valores esperados utilizando la probabilidad
precisa e imprecisa. Para empezar, para calcular los valores esperados para
las variables discretas utilizando la probabilidad precisa, se utiliza esta
frmula

donde E (A) es el valor esperado de la variable A,

P (A = aj es la probabilidad precisa que la variable A asumir el valor de AI.

Es uno de los n valores que la variable A puede asumir, y calcular los
valores esperados inferiores y superiores, se sigue un proceso de dos
etapas. En primer lugar, los valores posibles que a puede asumir estn
dispuestas en orden ascendente y etiquetados como sigue: a, <a,
<. .. <A,,. En segundo lugar, se aplican las siguientes ecuaciones

valores calculados utilizando injustificadamente especficos probabilidades

precisas. Si el lmites no se presentan, entonces no se hace distincin entre
los casos en que se conoce mucho y casos en los que es menos conocido.
Haciendo caso omiso de esta distincin supone que se sepa ms de lo que
realmente es. Esta falsa precisin tergiversa la situacin de decisiones y
sentencias basadas en una mala representacin son defectuoso. (Apndice
A, proporciona un anlisis ms a fondo de este tema.) El siguiente ejemplo
ilustra cmo se puede hacer juicios cuando se presentan rangos de valores
esperados.
3.5 Ejemplo 3. ranking los recursos que utilizan los valores ms bajos y
superiores previstos

donde, E (A) y E (A) son los valores esperados inferior y superior de la

variable A, respectivamente; (4 - sl) es slo la diferencia de valores entre
dos valores potenciales de A y E (AL UJ y F (d L u ~ son las probabilidades
inferiores y superiores que A es igual o superior al valor 4. Tcnicamente, las
frmulas (2 ) y
(3) el clculo de lo que se llama Choquet espera que los valores para las
probabilidades inferiores y superiores y E
F. No son extensiones de (l), (2), y (3) para las variables continuas. Adems,
un mtodo para el uso de optimizacin no lineal para calcular los valores
esperados inferior y superior de un conjunto en cascada de variables, tales
como los encontrados en modelos de demanda de suministro de energa y,
se ha desarrollado (Wagner 1994). Una rpida inspeccin de (2) y (3) revela
que los valores esperados inferiores y superiores ser igual al valor
esperado calculado por

(1) cuando E = F para todos los valores de A. As, con referencia a la Figura
3.1, suponiendo que la eleccin de bolas rojas y azules dieron lugar a
diferentes premios monetarios (por ejemplo, $ 5 por una bola azul y $ 10
por una bola roja), el valor esperado calculado para elegir una bola roja ser
la misma utilizando probabilidades precisas e imprecisas en los dos
primeros casos (Le., $ 10 en el primer caso y $ 7,50 en el segundo caso).
Como era de esperar, sin embargo, los clculos del valor esperados son
diferentes en los dos ltimos casos. Con respecto a las probabilidades
precisas, el valor esperado se mantiene en $ 7,50 independientemente de
cmo mucho idormation est a la mano. Con respecto a las probabilidades
imprecisas, el rango de valores esperados es de $ 5 a $ 10 en el tercer caso,
y un estrecho $ 7 a $ 8 en el cuarto caso. Se argumenta que los
responsables deben ser presentados los lmites de los valores esperados de
las variables clave, no importa cun grande son los lmites, en lugar de los

El objetivo de este ejemplo es ilustrar cmo los valores superior e inferior

esperada puede ser utilizado para clasificar las opciones de suministro de
recursos de orden. La Tabla 3.1 presenta una lista de opciones de recursos
de la oferta PGE considera admisible en su plan de recursos integrado.
(Adems de estos llamados opciones relacionadas con la oferta
"discrecionales", PGE selecciona aproximadamente 570 Mwa {Le., La
produccin promedio megavatios} de los recursos en base a las
comparaciones de costos evitados. Estos recursos denominados "base"
incluyen DSM, contratos especiales con los clientes industriales, compras
PURPA anticipados, y mejoras en la eficiencia del sistema y actualizaciones.)
Esta lista incluye todos los recursos necesarios para reemplazar Troya en
1996.
La tabla incluye, de izquierda a costes, menores expectativas correctas
(coste real nivelado por ao), pper costos esperados, menor rendimiento
esperado (MW medios), y el rendimiento esperado superior. (Tenga en
cuenta que los costes inferiores y superiores esperados incluyen inferior y
superior valor esperado de los costes externos, 6 Esta opcin implica la
adicin de nuevos TC y HRSG y el uso de la turbina de vapor existente y
otras instalaciones de la planta. La
TC existente / HRSG seran retenidos para satisfacer las demandas pico y
para apoyar la operacin de ciclo combinado si uno de los nuevos CT / HRSG
no estaban disponibles. 'PGE proyect fuera de este recurso, ya que "se
encuentra todava en la fase de investigacin y desarrollo, y todava no
disponible en el mercado." Sin embargo, dada su tiempo de espera
relativamente corto, estimado en tres aos, podra ser desplegado con
bastante rapidez si se hizo disponible en el mercado. Por lo tanto, creemos
que es un recurso relevante considerar debido al perodo de planificacin de
quince aos asumido para este ejemplo. por ejemplo, factores ambientales
externos). Estos valores esperados se puede suponer que se han construido
utilizando las ecuaciones (2) y (3) discuten en 3.4.8 Hay numerosas
maneras de elegir opciones de suministro de recursos de los nueve
presentados en la Tabla

3.1. Vamos a suponer que la necesidad de recursos ms baja esperada es

de 600 MWa y que la necesidad de recursos prevista es superior 1200MWa.
Adems, supongamos que esta necesidad de recursos refleja la demanda
proyectada de ms de quince aos. El enfoque ms conservador sera: (1)
utilizar el costo ms aversin al riesgo y el rendimiento, que se calcula
dividiendo el costo esperado E superior (C), por el menor rendimiento
esperado E (MWA) bajos tiempos hourdyr 8760; (2) orden de rango de las
opciones mediante este costo superior por MWh; y (3) la eleccin de
opciones de tal manera que la suma de la MWa inferior suministra solo
excede necesidad recurso esperado superior. Si se utiliza este enfoque, los
recursos de menor costo que deben adquirirse, con el fin de costo
ascendente, sera la siguiente-6,1,2,4,9,7, y 5.

Aunque la opcin 7 sustituye a la opcin 5 en ambas posiciones

conservadoras y optimistas, las pilas de combustible no estaran disponibles
comercialmente en los cerca de opciones e% y los datos estn basados en
anlisis conceptual reales contenidas en el plan de recursos integrado de
PGE 1992. Hacemos hincapi, sin embargo, que los valores de la Tabla 1 son
puramente hipottico. Este ejemplo es similar al ORNL / CON-388, 3.6.4

Para equilibrar este enfoque conservador, el enfoque ms optimista tambin

podra explorarse, que utilizara el costo esperado E inferior (C) ,, junto con
el rendimiento esperado superior E (MWA), y elegir opciones slo para
exceden la necesidad de recursos inferior. Si se utiliza este enfoque, las
opciones 1 y 6 se indican como los recursos de menor costo para satisfacer
la demanda. El suministro esperada superior sera de 700 MWa.

3.6 Anlisis de sensibilidad y probabilidad precisa e imprecisa

Este ejemplo presenta algunas observaciones interesantes. Tanto el

conservador y el enfoques optimistas indican las opciones 1 y 6 como los
recursos de menor costo. Por otra parte, las opciones 1 y 6 se reuniran
recurso esperado menor necesita, incluso si tenan un menor rendimiento
esperado.
Su produccin combinada esperada inferior es 660 MWa. Por lo tanto, la
utilidad podra primera adquisicin de opciones 6 y 1 con el fin de satisfacer
la demanda durante la primera parte del perodo de planificacin y aadir
recursos adicionales de sus respectivos plazos de entrega, mientras que la
obtencin de informacin adicional acerca de la demanda, los costos y el
rendimiento a medida que pasa el tiempo. Suponiendo que los recursos para
satisfacer la demanda mayor de 660 a 700 MWa debe ser adquirido antes,
la utilidad puede seleccionar las opciones 2 y 4, que se ocupa el siguiente
en la lnea por el enfoque conservador. El enfoque optimista coloca la opcin
9 por delante de las opciones 2 y 4, pero las opciones 2 y 4 tienen la ventaja
de aadir una cierta diversidad a una nueva cartera de recursos que es
todas las tecnologas de gas natural en este punto. La adicin de las
opciones 2 y 4 elevara la oferta ms baja esperada de 755 MWa y
suministro esperada superior a 805 MWa. Si los plazos de entrega del
proyecto y el calendario de la demanda proyectada dictaron la adquisicin a
corto plazo de la mayor oferta, a continuacin, la opcin 9 sera
seleccionado. Es el siguiente recurso en el ranking conservador y que ocupa
el tercer lugar en el ranking optimista. opcin de adicin de 9 proporciona
997 MWa por el enfoque conservador y 1063 por el optimista. Por ltimo, si
fuera necesario la adquisicin a corto plazo de una mayor oferta, la opcin 5
(1 MWa 60 a 170 Ma) sera una buena opcin.

Ejemplo 4, excepto que aqu usamos E (C) bajo / E (MW) para el punto de
vista optimista, y E (C) arriba / E (MW) de bajo punto de vista conservador.
plazo (vase la nota 8). Adems, aunque la opcin 3 supercedes opcin 5
por el ranking optimista, es mucho ms grande de lo necesario (485 MWa a
5 15 MWa).

Muchos profesionales que emplean probabilidad precisa en sus anlisis

llevan a cabo anlisis de sensibilidad para superar las deficiencias
percibidas en la validez y confiabilidad de las probabilidades precisas. Por
ejemplo, en referencia a la figura 3.1 una vez ms, se podra realizar un
anlisis de sensibilidad para examinar un rango de valores esperados
asociados con la seleccin de una bola roja en los casos tercero y cuarto.
Para ello, el analista puede suponer que la probabilidad de elegir una bola
roja en el tercer caso podra ser 0,6 o 0,35, o .L, o cualquier otro valor
potencial. Utilizando estos valores, una gama de valores esperados tambin
podra construirse usando probabilidades precisas. El anlisis de sensibilidad
se realiz para investigar en qu momento un cambio en las probabilidades
precisas podra conducir a un cambio en la decisin. Este tipo de anlisis de
sensibilidad es innecesario cuando se utiliza probabilidad imprecisa. Las
probabilidades inferiores y superiores proporcionan lmites firmes sobre las
probabilidades y de los valores esperados. No debe haber ninguna duda
acerca de estos lmites, dada la evidencia disponible y el conocimiento
actual de la situacin de cada uno. Se podra examinar si las decisiones
podran cambiar a la luz de nuevos conocimientos, si tal conocimiento
podra ser adquirida, segn lo dispuesto por ideas guiadas por las preguntas
en 2,0 (Le., Si la incertidumbre operativa y la aplicacin puede ser superado
hasta cierto punto).
Este tipo de anlisis de sensibilidad es muy diferente que el tipo descrito
anteriormente.
Se argumenta que para IRP, el segundo tipo de anlisis de sensibilidad
basado en imprecisa probabilidades es superior a la primera tipo basado en
probabilidades precisas. Ofrecemos los siguientes cinco motivos. Uno de
ellos, el anlisis de sensibilidad tradicional proporciona slo una visin
disperso de toda la gama de posibles valores esperados. Figura 3.3 presenta
una analoga visual de este problema. Vamos a suponer que hay tres
variables en el anlisis. El uso de probabilidades imprecisas y conocimiento
acerca de cmo las variables interactan entre s, se determina que los

lmites que las variables podran asumir estn representados por la parte
sombreada de la interseccin de las tres variables. El uso de probabilidades
inferior y superior, los valores esperados superiores se pueden calcular para
cada una de las variables que en efecto describen los lmites de la zona
sombreada inferior y. Utilizacin de las probabilidades exactas, slo unos
pocos puntos dentro de la zona sombreada son examinados y los
verdaderos lmites de los valores esperados no se describen por completo.
probabilidades imprecisas no ofrece una visin completa de los valores
esperados. Dos, dentro del enfoque de anlisis de sensibilidad tradicional,
es difcil de justificar por qu ciertos probabilidades precisas son escogidos
sobre otras probabilidades igualmente justificables (es decir, otras
probabilidades de que no sean incompatibles con lo que se conoce). Con
referencia de nuevo a la figura
3.3, lo que seala que uno elige en ese espacio para investigar influir
notablemente en el anlisis de cada uno. Dado que uno nunca puede estar
completamente seguro de que uno ha elegido los mejores puntos o
anlisis de sensibilidad, se argumenta por qu ceder ante el proceso de
eleccin en el primer lugar.
Probabilidades imprecisas no slo elimina la necesidad de que estas
decisiones arbitrarias. (Vase el Apndice A, para ms discusin sobre este
tema.)
Tres, para muchos contextos, se convierte en un problema combinatorio
para llevar a cabo tradicional
anlisis de sensibilidad. Por ejemplo, digamos que el analista decide probar
slo cuatro diferentes probabilidades precisas por slo cuatro variables
diferentes. Esto se traduce en 256 diferentes resultados de los anlisis de
sensibilidad! Nos gustara estar en una prdida para decidir qu hacer con
tantos resultados. Con una probabilidad imprecisa, uno slo tiene que lidiar
con un conjunto de resultados. Cuatro, anlisis de sensibilidad tradicional
puede dar lugar a valores intratables espera que se superponen. Si uno
realmente tenan 256 resultados diferentes, sera probable que ninguna
alternativa una decisin dominar a los dems, @e., Donde el valor mnimo
que se espera de una alternativa de decisin sera mayor que los valores
mximos esperados de todas las otras posibles alternativas de decisin).
Qu hacer en este caso?
Llevar a cabo un anlisis de sensibilidad adicional y producir an ms el
conflicto?
Es cierto que la probabilidad imprecisa tambin dar lugar a la
superposicin de los valores esperados. La diferencia es que la probabilidad
imprecisa produce slo un conjunto de resultados, y las decisiones se
pueden hacer usando el sonido, bien definido, y reglas de decisin
especificado previamente (por ejemplo, maxi-min, mini-max), mientras que

con respecto al anlisis de sensibilidad con probabilidades precisas, el

conjunto de decisiones se define arbitrariamente, y crece a medida que se
cambian ms valores. Si la decisin no se va a dejar ambigua, reglas de
decisin slo puede ser
aplicado de manera ad hoc para cerrar finalmente a cabo el anlisis. (Una
vez ms, consulte el Apndice A, para ms discusin.)
Cinco, que se oponen a la realizacin de anlisis de sensibilidad slo con
respecto a su valor relativo de lo que podra afectar una decisin en un
momento dado en el tiempo. En nuestra opinin, los estados de
incertidumbre acerca de una variable representan declaraciones de
conocimiento fundamental de uno acerca de la variable. Muchas otras
decisiones podran basarse en esta misma variable y decisiones similares
podran hacerse en el tiempo sobre la base de la misma variable. Por lo
tanto, desde la perspectiva de una utilidad, es mucho ms preferible
examinar los costos y beneficios para todas las decisiones de la utilidad de
aumentar el conocimiento sobre una variable (por ejemplo, mediante
reduccin de la gama de las probabilidades inferior y superior). El marco
que se presenta en la Seccin 2 es una excelente gua para esos tipos de
anlisis.

3.7 Ejemplo 4. Anlisis de sensibilidad en una decisin del cierre de la planta

de energa
Este ejemplo contrasta anlisis de sensibilidad basado en la probabilidad
precisa en comparacin con la probabilidad imprecisa. Una vez ms, este
ejemplo se refiere a las decisiones relativas a la operacin de la planta
nuclear de Troya. El PGE tres opciones consideradas se enumeran a
continuacin.
Continuacin de la operacin: Reemplazar los generadores de vapor y
continuar la operacin hasta que la licencia de la planta vence en 2010.
Para continuar operando de Troya pasado 1996, el vapor de los generadores
tienen que ser reemplazado. 1996 remplazo requiere de generadores de
vapor pueden pedir en un futuro muy prximo.
1996 Eliminacin progresiva: Operar de Troya hasta 1996, mientras que la
adquisicin de recursos de sustitucin en el nterin. PGE establece que esta
opcin refleja el "ms breve plazo de tiempo razonable en el que podemos
adquirir recursos suficientes para reemplazar la salida de Troya". Los
recursos para reemplazar Troya sera tanto nuevos recursos PGE (similares a
los recursos incluidos en el Ejemplo 3 para ilustrar los valores esperados
inferiores y superiores), o los recursos que se espera que est disponible en
toda la regin del noroeste de energa Consejo de Planificacin (CNPP).

Apagado inmediato: Cierre inmediatamente la planta de Troya, pero

mantenerlo en estado de espera de dos aos. Si PGE inmediatamente cerr
la planta de Troya (a principios de 1993, dado el perodo de tiempo que el
plan integrado de recursos fue preparado) que tendran que adquirir 230
MWa de energa y capacidad de 745 MW en 1993. Los recursos del
reemplazo de 1993 a 1995 sera el poder y la capacidad de comprar en el
mercado secundario (similar a las compras de recursos descritos en el
Ejemplo 1 para ilustrar la incertidumbre operacional). recursos reemplazo
despus de 1995 seran los mismos que para 1996

condiciones de funcionamiento ms pesimistas. Los valores esperados

reflejan incluso mejora con respecto costos histricos y los factores de
capacidad, lo cual es consistente con algunas de las ltimas tendencias en
la industria de la estabilizacin de los niveles de actividad de regulacin
nuclear. Por otro lado, se diflkult a la fiebre aftosa evidencia slida que
apoye entradas ms optimistas. . .than los valores esperados. b.4A.221
Tales discusiones sobre el optimismo o el pesimismo de los valores
esperados son un artefacto del mtodo de probabilidad exacta. Cmo se
puede "representar... [La] frecuencia estimada de ocurrencia"

Eliminacin progresiva.

Cp.4A.41 de los valores de una variable como la escalada en los costos de

operacin y mantenimiento 1996-2010? La construccin de una probabilidad
exacta de una variable tan incierto debe implicar que expresa un pesimismo
u optimismo acerca de su valor. (Por supuesto, con el juicio de probabilidad
imprecisa todava es llevado a soportar. Sin embargo, uno puede
representar todos los juicios razonables, [Le., Todos los juicios basados en la
evidencia disponible], de una funcin de probabilidad imprecisa.)

La conveniencia de las opciones depende de (1) los costes de

funcionamiento de Troya y (2) los costos de los recursos que reemplazaran
Troya.
Para representar la incertidumbre sobre los costos de operacin de Troya,
PGE desarroll precisa distribuciones de probabilidad para las siguientes
variables con el mtodo de simulacin describen en
Ejemplo 2:
* Los gastos anuales de operacin y mantenimiento de Troya y su escalada
en el tiempo,
* Necesidades de capital anuales de Troya y su escalada a travs del
tiempo, y
* Factor de capacidad de Troya.
El resultado del anlisis con estas distribuciones de probabilidad precisas es
un valor esperado y una distribucin de probabilidad para el coste (en valor
presente) de Trojan operativo.
Para representar la incertidumbre sobre los costos de los recursos que
reemplazaran de Troya, se utiliz un modelo de costos de energa de
sustitucin regional. (El CNPP hizo esto modelado en nombre de PGE.) Sin
embargo, el modelo slo se aplica a los recursos de reemplazo a partir de
1996. El resultado es un valor esperado y una distribucin de probabilidad
para el costo de los recursos de recambio de 1996 a 2010. Por ahora, vamos
a limitar el debate a comparar el funcionamiento continuado a 1996
eliminacin progresiva. Los costos esperados PGE son haban subido
juntamente con $ 3.2 mil millones para la operacin continua y $ 2,86 mil
millones para 1996 eliminacin progresiva. Por lo tanto, 1996 eliminacin
progresiva tiene menor costo esperado. Sin embargo, estos costos
esperados han capturado con precisin lo que se conoce y no sabe acerca
de cada variable? La siguiente declaracin de PGE responde a esta
pregunta. Los valores esperados para las entradas de Troya no son
demasiado pesimista. Ciertamente existan pruebas que apoy las

Como se discuti anteriormente, el anlisis de sensibilidad se realiza a

menudo para probar la sensibilidad de los valores esperados (y, a su vez, la
eleccin de decisin) son de diferentes probabilidades de entrada. De esta
manera, se puede inyectar ms o menos pesimismo u optimismo y ver
cmo les va las opciones. Sin embargo, como se mencion anteriormente,
cmo se puede justificar el uso de ciertas probabilidades precisas en lugar
de otros? Tal vez para evitar este problema, as como los problemas
combinatorios de la asignacin de diferentes distribuciones de probabilidad
exacta a las variables, PGE realiz un anlisis de escenarios. Este anlisis
tiene diferentes conjuntos de suposiciones acerca de las condiciones y
costes (escenarios) y calcula el valor actual neto (VAN) de funcionamiento
continuo y 1996 eliminacin progresiva. El anlisis de sensibilidad se realiz
asumiendo diferentes valores para las variables de Troya y volver a calcular
los costos.
PGE tom un caso de referencia escenario '' "que tena valores para las
variables de Troya muy similares a los valores esperados calculados a partir
del anlisis probabilstico y se prueba la cantidad de los costos de las
opciones cambiadas si los valores de estas variables cambian. Los
resultados de este anlisis fueron expresada para cada variable como se
ejemplifica a continuacin.
Fijo O & MEscalation Calificacin: Un aumento del 1% en la tasa de escalada
de fvred O & M aumentara el beneficio VAN de eliminacin de $ 261
millones. Una disminucin del 1% podra cambiar el resultado de favorecer
el funcionamiento continuado, pero slo por $ 3 1 milln. Un aumento de 1%
o disminucin de la tasa de escalada generalmente aumenta o disminuye el
beneficio VAN de eliminacin gradual de entre $ 100 y $ 200 millones en
todo los casos [es decir, todos los escenarios considerados]. PGE seala los
inconvenientes de este tipo de enfoque. Si bien es interesante, estas

sensibilidades proporcionan poca orientacin, ya que no transmiten ninguna

informacin sobre qu tan probable sera un cambio del caso de referencia.
Adems, cada uno asume la celebracin de todo lo dems igual. Lo que
hacen Dow es la estimacin de los efectos de cambiar una o ms de las
entradas [siempre que no afecta a las interrelaciones entre ellos] si, por
diversas razones [que no sabramos de este anlisis], uno cree que el caso
de referencia assusnptiom de operaciones de Troya ya sea demasiado
pesimista o demasiado optimista. [P.4A.I8]
El uso de probabilidades imprecisas evita estos problemas porque permite
representar una falta de conocimiento acerca de la probabilidad de obtener
los valores, sin dejar de llevar a soportar todas las pruebas uno tiene sobre
la probabilidad de obtener un valor. Si este anlisis se realiza con
probabilidades imprecisas, el resultado sera un valor superior e inferior
esperado para las dos opciones. Los valores superiores e inferiores previstos
permitiran capturar todo el rango de lo que se "espera", dado el estado de
los conocimientos. Por lo tanto, uno no tiene que preguntarse si estas
expectativas son demasiado optimista o demasiado pesimista. Con
probabilidades imprecisas, anlisis de sensibilidad es automtica. Por otra
parte, los valores superior e inferior esperados evitaran tener que asumir
todo lo dems es igual; es decir, las interrelaciones entre las variables no
son asumidos de distancia. Supongamos PGE haba analizado la decisin de
acuerdo con probabilidades superiores e inferiores. Podra haber llegado con
costes inferiores y superiores esperados para el funcionamiento continuo de
$ 3 mil millones para $ 4 mil millones, y para 1996 eliminacin progresiva
de los $ 1.5 mil millones para $ 4 mil millones. A continuacin, se preferira
1.996 eliminacin gradual, ya que tiene un costo ms bajo y se espera el
mismo costo esperado superior. Por supuesto, este tipo de anlisis no
siempre resultar en un resultado tan sencillo. Sin embargo, como la PGE
afirma: "La eleccin de un futuro e identificar resultados que son
inaceptables por razones no en el anlisis cuantitativo requiere la ejercicio
de su juicio. "Se argumenta que dicha sentencia podra ser ejercida con
respeto a la incertidumbre de si el anlisis cuantitativo representa toda la
evidencia disponible en la prctica, as como los lmites de lo que es y
puede ser conocido, utilizando la probabilidad imprecisa y el marco
cualitativo para la comprensin incertidumbre.
Evitar el segundo adivinanzas de valores esperados es probablemente una
razn suficiente para justificar el enfoque de estimacin de probabilidades
imprecisas. Sin embargo, no elimina la necesidad de un anlisis de
sensibilidad; cambia su foco. El nico foco de anlisis de sensibilidad en el
enfoque de estimacin de probabilidades imprecisas, y lo que creemos es su
justificacin ms fuerte, es identificar el valor de la recopilacin de
informacin adicional antes de tomar una decisin.
Volviendo de nuevo a la decisin de Troya, supongamos que se utilizaron
probabilidades imprecisas y que los valores esperados inferior y superior
son como anteriormente, $ 3 mil millones a $ 4 mil millones para el

funcionamiento y $ 1.5 mil millones a $ 4 mil millones para la eliminacin

de. Por lo tanto, la utilidad decide no pedir nuevos generadores de vapor.
Sin embargo, uno est todava queda la decisin de si debe o no cerrar
Troya antes de 1996. Supongamos adems que el valor esperado para el
apagado inmediato es $ 1.5 mil millones para $ 4.5 mil millones. Una vez
ms, la utilidad sera probablemente desee elegir eliminacin gradual, ya
que tiene una mxima esperada menor costo ($ 4 en comparacin con $ 4.5
mil millones) y el costo misma mnimo esperado. Sin embargo, la eleccin
es diferente que la eleccin entre la eliminacin progresiva y la operacin
porque la opcin de operar pasado 1996 fue cerrado despus de los nuevos
generadores de vapor no fueron ordenados en el tiempo para conseguir que
se instalan de 1996.9 En la comparacin de eliminacin gradual de
operacin continua, la utilidad todava podra decidir cerrar la planta en
cualquier momento antes de 1996. La presente decisin, (es decir, para
adquirir recursos para reemplazar Trojan por 1996) es la misma para
cualquiera de estas dos opciones. Por lo tanto, la utilidad tiene la
oportunidad de reunir ms informacin acerca de las variables que influyen
en los costos de operacin en comparacin con el troyano apagarlo.
Para este ejemplo, supongamos que la utilidad haba construido una
probabilidad imprecisa
distribucin a travs de las variables "costes medios de la energa adquirida
(PP) en sustitucin de Troya". (Como se ha indicado en el Ejemplo 1, un valor
de $ 5 / MWh fue asumido por los vendedores Premium costo extrajera, que
fue incluido en el PP de $ 41 / MWh.) Supongamos que el valor esperado
oscila entre $ 30 a $ 45, y los analistas en cuenta la gran cantidad de
incertidumbre operativos derivados de tener poca experiencia con tener que
comprar grandes bloques de poder nonfm durante un gran periodo de
tiempo. El anlisis de sensibilidad se podra hacer para ver cmo la
reduccin de la incertidumbre podra afectar la decisin. (Recordemos que
la incertidumbre operativa se puede reducir con ms tiempo y dinero.)
Supongamos que la incertidumbre operativa podra reducirse en un
"comercial" por el poder. Supongamos, adems, que se hizo un anlisis
mostr que esta nueva informacin podra precisar el valor PP espera que $
30 a $ 40 si la parte superior de la distribucin se demuestre lo contrario.
(Estos anlisis son el tema del captulo siguiente.) (Ntese que no volvera a
considerar el efecto de la parte inferior de la distribucin a equivocarse,
porque esto no mejorara la conveniencia de la parada, y como las cosas
? En fac4 la opcin no ha sido completamente cerrada. La fecha de 1996 fue
elegido para simplificar el problema. estados PGE "en lugar de intentar
modelar las incertidumbres que existen con la operacin de la planta
despus de 1996 sin tener que reemplazar los generadores de vapor,

PGE decidi centrar la comparacin econmica de la operacin co9tinued y

eliminar gradualmente en 1996. Esta decisin tambin establece una fecha
de terminacin prevista y evita los costos, confusin e incertidumbre que
surgira de tratar de utilizar tanto
operacin y sustitucin continuado recursos para una cierta cantidad de
tiempo. "Ip.4A.3, nota 21 stand, ya se prefiere eliminacin progresiva.)
Supongamos adems que el costo de la compra de energa es relativamente
baja, y que la informacin obtenida seran tiles para otras decisiones de
servicios pblicos.
Los resultados del anlisis de sensibilidad muestran que el rango esperado
PP $ 30 a $ 40 reduce el coste superior esperada de 1.996 eliminacin
progresiva por alrededor de $ 100 millones. Por lo tanto, este anlisis por s
mismo no cambia la opcin preferida. A lo sumo, el costo esperado superior
a la parada sera de $ 4.4 mil millones, y podra ser mayor. Sin embargo, si
puede reducir la incertidumbre y la incertidumbre aplicacin operativa se
examina en otras variables, el efecto combinado podra justificar un estudio
ms, siempre que las reducciones en la incertidumbre eran rentables. En el
siguiente captulo, se presenta un ejemplo en el que la reduccin en la
aplicacin y la incertidumbre irreductible con el tiempo cambia gama valor
esperado de una variable. Por ahora, hay que darse cuenta de que uno
puede ganar mucho mediante el uso de probabilidades imprecisas para
calcular los valores superior e inferior esperados. Una vez que se
comprende la incertidumbre, la incertidumbre puede ser plenamente
representado con dos "medidores", obviando la necesidad de segunda
adivinar los anlisis de sensibilidad, y, por ltimo, uno puede determinar
que, en todo caso, se puede hacer sobre la incertidumbre y si vale la pena
para hacerlo.
3.8 Resumen
La expresividad aadida de probabilidades imprecisas no es necesario en el
mundo del IRP. Esto se debe a que muchos, si no la mayora de las variables
clave en el IRP se ven afectadas por los altos niveles de incertidumbre
irreductible y operativa, muchos se ven afectadas por la incertidumbre de
aplicaciones, y muchos, si no la mayora de estas variables claves no son
susceptibles de investigacin estadstica. Uno no puede representar
honestamente la falta de conocimiento acerca de las variables clave
utilizando la probabilidad precisa. El medidor adicional ofrecido por
probabilidades imprecisas no es completamente necesario. analistas IRP
deben explorar el uso de probabilidades imprecisas no slo por las razones
expuestas anteriormente. Es nuestra creencia de que los expertos les
resulta ms fcil expresarse mediante dos indicadores en lugar de uno. Y,
por supuesto, de probabilidades imprecisas no se derrumba a la
probabilidad exacta cuando el conocimiento es alto.

Existen mtodos sencillos para calcular los valores esperados inferior y

superior. Adems, mediante el uso de probabilidades imprecisas, se evita la
cinaga potencial del anlisis de sensibilidad con probabilidades precisas.
En nuestro modelo del proceso de PIR, los analistas IRP deben ser
conscientes de todos estos puntos. El experto tiene que ser capaz de
expresar la incertidumbre utilizando probabilidades inferiores y superiores.
Creemos que los expertos tendrn ms facilidades para proporcionar
rangos, especialmente en los casos en que se presenten tambin
informacin motivos de altos niveles de incertidumbre irreductible y
operativa. El personal de servicios pblicos y los ejecutivos de la PUC deben
entender que los analistas IRP se les presentarn con los lmites de los
valores esperados de las variables de decisin clave. Los analistas IRP
tienen que ser capaces de recomendar a los tomadores de decisiones qu
actividades podran adoptarse para reducir la incertidumbre en las variables
clave para reducir los mrgenes y es de esperar que sus decisiones ms
fcil. Por lo tanto, los analistas necesitan para llevar a cabo el segundo tipo
de anlisis de sensibilidad para investigar cunta incertidumbre operativa y
la aplicacin potencialmente se puede superar, cunto podra costar, y
cmo estas actividades podran mejorar el proceso de toma de decisiones.
INCERTIDUMBRE 4. GESTIN
En el desarrollo de planes integrados de recursos y la investigacin de las
decisiones difciles y complejas, como por ejemplo si o no a cerrar una
planta de energa, es aconsejable el uso de cada pieza de informacin que
posiblemente podra ayudar a mejorar las decisiones de adquisicin de
recursos. Esto podra ser una tarea desalentadora para el analista IRP quien
sera el encargado de poner las piezas juntas de alguna manera y que
puede tener en el pasado ha sido forzado a descartar difciles de cuantificar
la informacin. Esta seccin revisa brevemente varios mtodos que se
pueden utilizar para ayudar a disear los analistas o construir soluciones a
los problemas que implican incertidumbre y numerosas piezas,
aparentemente dispares de informacin.
4.1 Mtodos de consenso
Qu debe hacer el analista IRP cuando se enfrentan a ms de una opinin
experta sobre una estimacin de una variable de decisin clave y / o salidas
de ms de un modelo que contiene las estimaciones de la variable clave? El
analista podra elegir una opinin de expertos o de una salida del modelo y
tirar el resto. Esto sera una prdida de informacin si de hecho los expertos
y otros modelos poseen legitimidad. El analista podra tratar de convencer a
los expertos y los modeladores de llegar a algn
acuerdo entre s en una estimacin. Muchas personas pueden ver esto como
un enfoque preferible pero es poco probable que suceda en muchas
contexts.A tercera opcin en la vida real para el analista sera el uso de
mtodos de consenso. Estos mtodos proporcionan

un medio para sintetizar rigurosos juicios sobre el mismo conjunto de

eventos prestados por diferentes personas o en diferentes modelos. Para
utilizar mtodos de consenso, los judgmmts deben ser declaraciones
completas sobre el conjunto de eventos y deben ser prestados por
diferentes fuentes de conocimiento (es decir, por diferentes expertos, por
los modelos informticos que son diferentes de alguna manera significativa,
por los diferentes modelos tericos que pretenden explicar los mismos
aspectos de la realidad). Las matemticas de consenso son bien entendidos
y se han ampliado para abarcar probabilidades imprecisas (Wagner, 1989).
Por ejemplo, vamos a suponer que el analista IRP est interesado en estimar
la vida til restante de una de las centrales de carbn de la utilidad. La
utilidad emplea a tres personas que pueden ser considerados expertos en el
mantenimiento y operacin de las plantas de carbn y cada uno tiene un
conocimiento ntimo de la planta en cuestin. Tambin se sabe que los
expertos no estn de acuerdo sobre cunto tiempo ms puede durar la
planta. Para implementar un diseo de consenso, el analista IRP podra
obtener de los expertos ms bajas y probabilidades superiores para un
conjunto de 4 a 5 tiempos de vida de la planta. Una frmula de consenso a
continuacin se puede aplicar a estos datos para calcular consenso inferior
y probabilidades superiores para tiempos de vida de la planta, que luego
pueden ser usados en los clculos del valor esperados, etc.
4.2 Mtodos de combinacin
Un problema comn que enfrentan los analistas IRP es cmo sintetizar
piezas dispares de pruebas fragmentarias sobre algn estado pasado,
presente o futuro del mundo. Por ejemplo, supongamos que el analista se
enfrenta a la prediccin de una decisin que debe tomarse por uno de los
grandes clientes industriales de la utilidad sobre si comprar energa de una
utilidad competidor, construir su propia unidad de cogeneracin, seguir
comprar energa a la utilidad del analista o apagar por la planta en conjunto.
Al igual que un detective o abogado, el analista debe seguir para recoger
piezas de informacin acerca de la empresa que podra arrojar luz sobre lo
que ser la decisin. reglas de combinacin se pueden utilizar para
sintetizar estos elementos de prueba.

Para ilustrar esto, vamos a suponer que el analista es capaz de recoger la

siguiente informacin: (1) el presidente de la firma ha declarado
pblicamente que una de sus cuatro plantas norteamericanas tendrn que
ser cerrado este ao; (2) la utilidad competidor tiene poco de exceso de
capacidad; (3) el sitio de la industrial
la planta es propicio para la cogeneracin; y (4) la utilidad nunca ha
interrumpe la alimentacin a la empresa en los ltimos 20 aos.

Para aplicar una regla de combinacin, el analista primero asigna

probabilidades inferior y superior a cada uno de los cuatro resultados de las
decisiones de cada una de las pruebas. A continuacin, una regla de
combinacin, como por ejemplo Regla de Dempster de Combinacin
(Shafer, 1976) u otro propuesto por Tonn (1 994), podra ser utilizado para
construir las evaluaciones de probabilidad agregadas inferior y superior
sobre el conjunto de decisiones. El analista simplemente podra asignar un
conjunto de probabilidades inferiores y superiores en base a todas las
pruebas, pero esto parecera ser una tarea desalentadora cognitivamente.
Haciendo evaluaciones separadas y el uso de una combinacin regla es ms
fcil cognitiva y tambin es ms flexible si se obtiene nueva informacin
relacionada con cualquier pieza de evidencia.
4.3 Mtodos acondicionado
Condicionalizacin (o acondicionado) es un trmino que abarca una
variedad de mtodos que incorporar probabilidades condicionales (por
ejemplo, la probabilidad de A, dado B es verdadero).
Condicionalizacin es til para (1) la actualizacin de las medidas de
incertidumbre cuando se reciba nueva informacin, (2) perfeccionar
medidas de incertidumbre con pruebas auxiliares, y (3) la sntesis de la
evidencia representado como probabilidades marginales y condicionales.
Vamos a revisar el caso en que el analista IRP est construyendo una
probabilidad imprecisa para expresar lo que se conoce acerca de la decisin
de compra de electricidad de un gran industrial en el futuro. La primera fila
en la Figura 4.1 resume, de una manera ilustrativa, los resultados de aplicar
una regla de combinacin a los cuatro elementos de prueba mencionados
en 4.3. La inspeccin visual de los indicadores de probabilidad inferior y
superior indica que la evidencia actual no apoya la compra de la decisin
competidor, pero un tanto de manera uniforme es compatible con las otras
tres decisiones posibles. Ahora vamos a suponer una nueva pieza de
informacin que llegue. El presidente de la gran industria anuncia que la
planta en el rea de servicio de la utilidad no se cerrar. En otras palabras,
una de las decisiones posibles ha sido eliminado con certeza a partir del
conjunto de las decisiones posibles.
Exclusin acondicionado methoh sera utilizado para reasignar las
probabilidades inferior y superior entre las decisiones restantes. La
aplicacin de un mtodo de este tipo se ilustra en la segunda fila de
Figura 4.1, lo que indica estrictos lmites de probabilidad inferior y superior
para las decisiones restantes.Los mtodos de acondicionamiento de este
tipo estn disponibles tanto para probabilidad precisa e imprecisa (Sundberg
y Wagner 1992).
A continuacin, vamos a suponer que el analista IRP viene a travs de un
informe que se ocupa de las decisiones de compra de electricidad de las

grandes empresas industriales. Ms de 50 casos fueron evaluados y los

resultados estadsticos fueron presentados que indican la proporcin de los
industriales que optaron por la compra de una utilidad competidor,
cogeneracin, y la compra de su utilidad originales. Los analistas IRP cree
que este estudio es de alta
la calidad (por ejemplo, se caracteriza por baja incertidumbre operativa) y
es de valor para este contexto (por ejemplo, se caracteriza por baja
incertidumbre de la aplicacin). El uso de un mtodo conocido como
condicionalizacin de diagnstico (Wagner y Tonn 1990), las estadsticas se
pueden utilizar para afilar las probabilidades imprecisas actuales que se
basan en un ejemplo real de un contexto de decisin. condicionalizacin de
diagnstico precisos produce probabilidades de probabilidades imprecisas,
como se ilustra en la tercera fila de la Figura 4.1.

El tercer y ltimo mtodo, condicionalizacin se discute aqu es conocida

como Frmula de Bayes. Es un mtodo para sintetizar informacin
probabilstica en relacin con varios eventos. Una formulacin de Bayes
frmula es la siguiente:

donde P (A1B) es la probabilidad de que se produzca ninguna dado que se

ha producido B (que se conoce como la probabilidad posterior de A), P (BIA)
es la probabilidad de B que se producen debido a que se ha producido A, y P
(A) y P (B) son las probabilidades previas de A y B que se produzcan.
Bayes Frmula, junto con otras formulaciones conocidas como Bayes Regla
y el Teorema de Bayes, es la base para una escuela de pensamiento
conocida como bayesianismo. Los partidarios de esta escuela de
pensamiento creen que la ecuacin 4 es una excelente manera de enmarcar
los problemas que implican incertidumbre. Bayesianos son subjetivistas en
que ellos creen que las probabilidades son introspectivos o personal. Por
otra parte, es probable que sea una observacin justo que bayesianos an
no han apoyado el uso de la probabilidad imprecisa. Como consecuencia, la
ecuacin 4 an no se ha generalizado para probabilidades imprecisas.
Para ilustrar una aplicacin de Bayes frmula, vamos a suponer que el
analista IRP est interesada en el clculo de la probabilidad de un escenario
en el que se una recesin econmica regional impulsada por una crisis del
petrleo. En otras palabras, el objetivo es calcular la probabilidad
condicional de la recesin dada crisis del petrleo. Para utilizar Bayes
Frmula, el analista tendra que recoger datos o solicitar a los expertos (es
decir, los economistas con conocimientos en esta rea) para estimar las

probabilidades siguientes: probabilidad de recesin en un ao dado, la

probabilidad de crisis del petrleo dan una recesin, la probabilidad de que
hay no siendo una recesin, y la probabilidad de una crisis del petrleo dado
ninguna recesin.
4.5 Notas sobre la construccin de diseos para la resolucin de problemas
en condiciones de incertidumbre
La belleza de los tres tipos de mtodos presentados anteriormente es que
proporcionan el analista IRP con un potente conjunto de herramientas para
la construccin de diseos para la solucin de bajo incertidumbre problema.
Los mtodos se pueden utilizar de una en una o en varias combinaciones. La
salida de la aplicacin de una regla de consenso se puede utilizar como un
elemento de prueba en la aplicacin de una regla de combinacin. La salida
de una regla de combinacin puede ser condicionado con nuevas pruebas o
las estadsticas del pasado, como se seal anteriormente. Una probabilidad
precisa conditionalized se puede introducir en la regla de Bayes. El desafo
para el analista IRP es organizar las piezas del rompecabezas de la manera
ms lgica ".
El siguiente ejemplo presenta slo un diseo de este tipo en relacin con la
central nuclear decisin de apagado. " 'Hay que sealar que la literatura
sobre el tema de los diseos parece que entrar en boxes bayesianismo en
contra del enfoque de Dempster-Shafer de razonamiento bajo incertidumbre
(por ejemplo, Shafer y Tversky 1985, Hobbes 1994). Nosotros no ven los
enfoques como competidores, sino como dos enfoques diferentes para el
conjunto de herramientas de los analistas JRP '. el enfoque ms adecuado
para la prqblem que nos ocupa debera ser elegidos, y como se ha indicado,
tanto se pueden sintetizar en un solo diseo.
4.6 Diseo de decisin del cierre de la planta de energa
Una de las variables clave que afectan a la conveniencia de operar la planta
nuclear de Troya es el rendimiento de la planta, expresado como su factor
de capacidad (CF). Este ejemplo demuestra que un diseo de una utilidad
podra usar para: (1) desarrollar una funcin de probabilidad imprecisa sobre
pronosticada de Troya 1993-1995 CF usando mtodos de combinacin, (2) la
produccin de esta estimacin con otros juicios de expertos sobre la funcin
de probabilidad sobre 1993-1995 CF utilizando mtodos de consenso de
Troya, y
(3) actualizar el fhction probabilidad basada en la nueva informacin usando
mtodos de acondicionamiento. (I) Supongamos que un analista de utilidad
recoge las siguientes pruebas acerca de factor de capacidad prevista de
Troya de 1993 -95.
El: bajo coste variable de Troya asegura generalmente que el traslado
siempre que est disponible, sin embargo, hubo varios perodos en la
dcada de 1980, cuando la produccin de la planta se desplaz con la

energa hidroelctrica de bajo costo. E2: datos histricos troyano muestra

un CF promedio de 55% durante los ltimos 16 aos.
E3: La degradacin de los tubos del generador de vapor de Troya son la
causa para ellos deban ser cambiadas en 1996. Un fallo prematuro de los
tubos causara una interrupcin imprevista. Incluso si los tubos no fallan, la
degradacin all de las especificaciones de la NRC podra causar una
interrupcin forzada para su reparacin (enchufando o colocar protectores a
los tubos).
E4: Debido a la degradacin del tubo generador de vapor, la NRC concede
permiso para operar de Troya bajo criterios de reparacin provisional de un
ao. Independientemente del cambio en el tiempo en la condicin de los
tubos, un cambio en los requisitos de la NRC podra causar una interrupcin
forzada. En trminos ms generales, sin embargo, las tendencias recientes
de estabilizacin de los niveles de actividad reguladora en la industria
nuclear sugieren mejora con respecto
Las FC histricos.
El analista decide que la gama de posibles valores de CF es 0% a 88%. A
continuacin, especifica un LCDF y un cdf dado a cada una de las pruebas.
Ms especficamente, para una muestra de valores CFo, CF ,,. . ., CF, en el
rango posible, el analista especifique una menor probabilidad de que el
valor real es al menos CF, dada El, P (CF, \ El), y una probabilidad superior
que el valor real es al menos CF ,, T (CF, \ El). Esto se hara para los dems
elementos de prueba, E2 a E4. A continuacin, una regla de combinacin se
aplica para generar una LCDF agregada y cdf sobre la gama de posibles
valores (vase la Figura 4.2).
(2) Adems de los de sus propios analistas, PGE obtiene estimaciones de CF
de Troya de una empresa de consultora y BPA. Debido a que la apreciacin
de la prueba requiere de juicio, sera helpfbl tener en cuenta las
resoluciones de esos otros expertos. Un analista podra provocar fallos estos
otros expertos en la forma de CDF inferior y superior asignados a una serie
de factores de conversin estos otros expertos consideran posible.
A continuacin, el analista de utilidad podra usar una frmula de consenso
para combinar los tres conjuntos de dibenzofuranos policlorados superior e
inferior en un consenso ms bajo y los dibenzofuranos policlorados superior.
Estos CDF consenso imprecisos podran ser utilizados en el anlisis de la
decisin de Troya para calcular los valores superior e inferior esperados para
los costos de Troya.
(3) Tambin puede haber una necesidad de generar nuevos CDF imprecisas
sobre la base de nueva informacin usando mtodos de acondicionamiento.
Un caso en el que la PGE podra haber utilizado mtodos de
acondicionamiento es revisar su estimacin de de Troya CF basado en los
acontecimientos del 9 de noviembre de 1991. En ese momento, Troya cierre

inmediatamente despus de una pequea fuga se produjo en un tubo de

uno de sus cuatro generadores de vapor . reevaluar la decisin de cierre de
Troya, PGE pudo haber condicionado las CDF imprecisas de consenso sobre
la base de esta ocurrencia. Esto podra hacerse mediante la reasignacin de
los dibenzofuranos policlorados superior e inferior a travs de una gama
ms estrecha de posibles SFC. Ms especficamente, los analistas podran
haber reducido la gama de posibles FCs al 0% a 60% basado en el hecho de
que llegar a un CF de ms de 6Oy0 ya no es posible debido al tiempo hacia
abajo mientras se reparan los generadores de vapor. Una frmula exclusin
acondicionado podra ser utilizado para reasignar los dibenzofuranos
policlorados superior e inferior de la nueva, ms estrecho, serie de posibles
factores de conversin.
Otro caso en el que se podran utilizar mtodos de acondicionamiento es
evaluar el beneficio de adquirir ms informacin. En el ejemplo 4, se
demostr cmo la nueva informacin podra reducir el rango de valores
esperados para el reemplazo de los costos de compra de energa.
Supongamos que existe potencial de informacin que estrechar el rango de
lo que los valores son posibles piel de una variable, pero no de otra manera
da luces sobre cul de los valores restantes obtendrn (es decir, no
proporciona informacin que hace que cualquiera de las posibilidades
restantes ms o menos probable con respecto al otro). En casos como este,
la exclusin acondicionado podra ser utilizado para generar los FDC
reasignados inferior y superior por encima del rango estrecho de valores
posibles. Esto se hara igual que lo fue para la nueva informacin que ya ha
salido a la luz, pero las probabilidades superiores e inferiores reasignadas
representara la
Informacin potencial. Entonces, los valores superior e inferior esperados
podran ser recalculados con los dibenzofuranos policlorados superior e
inferior reasignados para determinar el beneficio que la adquisicin de la
informacin adicional tendra.
4.7 Resumen
Esta seccin es de inters primordial para los analistas del PIR, que
necesitan para compilar, organizar y sintetizar tanta informacin como sea
posible en la preparacin de los planes de recursos integrados. Los analistas
deben ser conscientes de las herramientas que estn disponibles, la forma
en que se aplican, y cmo pueden ser utilizados para crear diseos. Como
se ilustra en los ejemplos, el uso de probabilidades imprecisas y los mtodos
introducidos anteriormente, los analistas no tienen necesidad de descartar
cualquier tipo de informacin potencialmente valiosa de su anlisis.
Los expertos tambin deberan estar interesados en estos mtodos. Por una
razn, dentro de su rea de especializacin, que pueden encontrarse con
preguntas acerca de cmo sintetizar fragmentos de informacin. Adems,
necesitan apreciar cmo sus contribuciones se pueden utilizar como

entradas para un diseo sofisticado. comisarios de la PUC y los responsables

de personal y de toma de utilidad necesita tener un conocimiento general
de los mtodos, especialmente los mtodos de consenso porque cmo se
utilizan las opiniones de expertos es a menudo una tema controvertido.
Analistas IRP necesitarn preparar ayudas visuales informativos que
explican cmo se utilizan los mtodos sin complicadas matemticas y
simbolismo. Por ejemplo, ayudas visuales tales como la Figura 4.2 se
pueden crear a "contar una historia" de cmo se sintetizaron los fragmentos
de informacin que se puede seguir fcilmente por un pblico no tcnico.
5. CONCLUSIONES
La incertidumbre es un concepto difcil. Como ilustra este informe, se puede
abordar el tema en muchos niveles, tanto cualitativa como
cuantitativamente. IRP tiene un largo camino por recorrer para manejar la
incertidumbre sustancialmente. planes de recursos integrados deben haber
mejorado las discusiones de motivos de incertidumbre en las estimaciones,
siguiendo las sugerencias de 2.0. Recomendamos que los planes integrados
de recursos representan cuantitativamente la incertidumbre y ser usado esa
probabilidad imprecisa. se necesita mucho trabajo para ilustrar cmo los
mtodos presentados en 4.0 se pueden sintetizar en los diseos sofisticados
para apoyar IRP.
Muchas otras actividades en el rea de incertidumbre y PIR tambin puede
ser perseguido. Para el practicante IRP, software necesita ser desarrollado
en torno a los mtodos presentados en
4.0. Software podra tambin- ser desarrollado para ayudar a los analistas
IRP provocan estimaciones y probabilidades imprecisas de los expertos. Los
mtodos, ya que precisa el refinamiento adicional, especialmente los
mtodos de combinacin y una generalizacin de Bayes Frmula tambin
seran valiosos. Los mtodos para ayudar a todos los jugadores del PIR se
comunican entre s por la incertidumbre tambin necesita ser mejorada. Los
mtodos visuales deben recibir especial atencin en este sentido.
Cuando la incertidumbre es importante en la industria de la energa
elctrica ms all de IRP. La industria est experimentando una
reestructuracin importante, que algunos sostienen, puede llegar a ser la
desaparicin del IRP. Tal vez tal vez no. El punto importante es que todas las
entidades en el negocio de la electricidad todava tendr que hacer una
planificacin estratgica, y la PUC y otras agencias del gobierno todava
tendr que proteger el inters pblico. Estos jugadores todava se basar en
informadas, los anlisis cuantitativos, que todava va a estar plagado de
incertidumbre. Todos los conceptos de incertidumbre descritas en este
documento se aplican a estos contextos, tambin.
6. AGRADECIMIENTOS

Agradecemos a las muchas personas que contribuyeron ideas y

perspectivas para el presente informe. Agradecemos a Eric Hirst y Carl
Wagner por sus opiniones y comentarios sobre este proyecto de informe.
Este informe tambin se benefici de los comentarios en un informe tcnico
previo, mucho ms en el PIR y la incertidumbre.
Comentarios de las siguientes personas ayudaron a dar forma a este
informe Tony Artman, John Lowell, Karl Wieland, Doug Logan, Nancy Esteb,
Joe Eto, Richard Sonnenblick, James Valverde, Jim Hammitt, Stan Hadley,
Lynn Maxwell, Steve Elliott, y Eric Hirst. Artman, Logan, Eto, Sonnenblick,
Valverde, Hadley y Hirst tambin aportaron valiosos comentarios sobre este
informe.
Apndice A: Comentarios y respuestas
Varios de los revisores plantean importantes preguntas acerca de tcnicas,
pero algunas de las ideas presentadas en este informe. Nos sentimos que no
podamos hacer frente a cada problema tcnico planteado sin hacer el
informe demasiado difcil de leer para el pblico objetivo. El propsito de
este apndice es abordar algunas de estas cuestiones. Las personas
interesadas en una presentacin matemtica de los mtodos presentados
en 3.0 y 4.0 se insta para ver Tonn y Wagner (1995).
(1) Por qu es importante que la probabilidad precisa representa la
ignorancia completa de la misma manera tan fuerte conocimiento
estadstico? En 3.0, se argumenta que una de las razones ms importantes
para el uso de probabilidades imprecisas es que probabilidades precisas
pueden ser vistos como la representacin de la misma manera tanto la
ignorancia completa y fuerte conocimiento estadstico. Un pequeo nmero
de los colaboradores en duda si este punto es lo suficientemente importante
como para incitar a la gente a utilizar probabilidades imprecisas sobre las
probabilidades precisas. Un revisor se limit a indicar que hicimos notprove
que esta situacin es un problema con probabilidad precisa.
No suponemos que poseen la capacidad de demostrar, en un sentido
formal, nuestro argumento. Slo podemos ofrecer una explicacin extendida
para nuestros puntos de vista, que para nosotros son fuertemente e
intuitivamente razonable. Para empezar nuestra explicacin ampliada,
tenemos que comenzar con la caracterizacin cualitativa de incertidumbre
se presenta en 2.0. Nuestra posicin es que en muchas situaciones de toma
de decisiones, especialmente los encargados del IRP, problemas ver
afectado por altos niveles de irreductible, operacional y la incertidumbre de
la aplicacin. Dentro de un plan de recursos integrados, bien puede haber
casos en que uno literalmente no tiene conocimiento acerca de las variables
clave, una situacin de completa ignorancia, y bien puede haber casos en
los que uno tiene bases de datos excepcionales a partir del cual se puede
derivar el conocimiento de base estadstica slida sobre las variables clave .

As, la informacin, en un sentido tcnico, acerca de las variables puede

variar de cero a algunos nivel mximo alcanzable (si hay incertidumbre
irreductible) y posiblemente informacin perfecta para un conjunto muy
limitado de variables. Trabajamos bajo el supuesto de que los mtodos de
probabilidad proporcionan un mtodo para la medicin de la cantidad de
informacin se tiene sobre una variable. Un requisito absoluto para un buen
dispositivo de medicin es que sus lecturas de medicin tienen que ser
claros. Es decir, cada lectura de la medicin debe tener una correlacin uno
a uno lo que el dispositivo ha sido diseado para medir. Por lo tanto, un
termmetro proporciona una correspondencia uno a uno entre el nivel de
mercurio en el termmetro y la temperatura real del aire (Estamos
ignorando la fiabilidad de las mediciones en este punto, pero frente a este
problema en el comentario 4 a continuacin). Un termmetro hara ser
bastante intil si, por ejemplo una medicin de 60 DE en el termmetro
podra estar relacionada con un -30 y DE 60 DE temperaturas del aire reales
probabilidad exacta es deficiente como un "dispositivo" para medir la
informacin que uno tiene a disposicin de uno sobre una variable porque
no hay ambigedad en sus mediciones. Como se muestra claramente (ver
Fig. 3. l), y no discutidos por los probabilistas clsicos, no hay ambigedad
en las probabilidades uniformes. Representan fuerte conocimiento
estadstico o ningn conocimiento en absoluto? Debido a que el principio de
razn insuficiente instruye probabilistas clsicos para asignar la funcin
uniforme de una distribucin de probabilidad cuando uno no tiene
conocimiento, matemticamente no se puede decir la diferencia cuando uno
tiene una fuerte evidencia estadstica para apoyar la hnction uniforme (por
ejemplo, de lanzar una feria morir miles de veces).
No podemos imaginar un problema ms grave con un mtodo matemtico
que pretenda ser valioso para los tomadores de decisiones, que son
empujados a aplicar la heurstica de toma de decisiones que utilizan
ciegamente probabilidades como entradas independientemente de qu
cantidad de informacin que efectivamente sirven de base para su clculo.
Creemos que las decisiones sobre alternativas de accin y para ms
informacin recogida - debe ser diferente cuando uno no tiene conocimiento
frente a los casos en que uno tiene un fuerte conocimiento estadstico. El
uso de probabilidades precisas, las decisiones puede ser el mismo en ambos
casos debido a las entradas a los mtodos de toma sera la misma en
ambos casos. Si las probabilidades son las mismas en ambos casos,
entonces por qu alguien se esfuerza por obtener conocimiento
estadstico? Por qu no simplemente tomar decisiones sin la obtencin de
informacin. Tenga en cuenta que incluso la obtencin de los conocimientos
estadsticos ms fuerte no hace un determinado resultado indeterminado.
Todava hay un intervalo (o un conjunto) de los resultados a considerar.
Obtener conocimiento estadstico, sin embargo, algunos datos sobre los
resultados. Es evidente que hay un beneficio para la obtencin de esta
informacin en la que las probabilidades de base. Si esta informacin es
valiosa para tener, a continuacin, que carece esta informacin debe ser
indeseable.
En
cualquier
caso,
cuando
existe
un
importante

desconocimiento sobre una probabilidad, una probabilidad exacta no

representar esta ignorancia.
Este punto es la justificacin ms importante y bsico para utilizar la
probabilidad imprecisa. La razn por la cual es necesario probabilidades
imprecisas no slo se debe a que casi siempre es irreductible, operativa, y la
aplicacin incertidumbre sobre los valores de las variables clave en
contextos de poltica y de la probabilidad exacta es inadecuado para
representar cualquier cantidad significativa de incertidumbre. Si se est de
acuerdo que el tener ms informacin es superior a la que tiene menos
informacin, entonces tambin hay que convenir en que una situacin en la
que las probabilidades se basan en ms informacin debe distinguirse de
una situacin en la que las probabilidades se basan en menos informacin.
Nos damos cuenta de que la gente puede preguntarse por qu, despus de
probabilidad exacta ha servido bien la humanidad de todos estos aos, que
sostienen que tiene un grave defecto. Nuestra corta historia de la
incertidumbre se presenta en 3 .O trata de explicar cmo esto podra ser. En
pocas palabras, las ideas originales presentadas por eminentes pensadores
sobre formulaciones matemticas de la probabilidad tenan mucho en
comn con probabilidad imprecisa y menos en comn con probabilidad
precisa. De hecho, estos pensadores estaban interesados en el
razonamiento probatorio tal como se presenta en 4.0. pensadores
posteriores estaban ms interesados en las estadsticas relacionadas con los
seguros anualidades y la deduccin matemtica, y por ltimo, en el anlisis
de los datos cientficos. clsico de probabilidad evolucion a partir de estas
preocupaciones, no de preocupaciones firmemente centrados en el
razonamiento probatorio y la toma de decisiones, como practicantes del PIR,
investigadores de inteligencia artificial, y analistas de polticas y decisiones
a entender a finales del siglo 20.
Cualquier estudiante de la historia de la ciencia y las ideas le dir que las
ideas ganan inercia y el cambio lleva tiempo. Se argumenta que la
probabilidad clsica ha ganado una enorme cantidad de inercia pero-que
ahora es el momento de volver a evaluar y re-evaluar su utilidad para la
toma de decisiones contextos aplicados. estimacin de probabilidades
imprecisas no es la ltima palabra sobre el tema de la representacin de
incertidumbre para la toma de decisiones aplicada, pero tiene mejores
cualidades que la probabilidad precisa (e incluso se disuelve en la precisin
probabilidad dada conocimiento fuerte) y la inercia no es una razn vlida
para apoyar acrticamente precisa probabilidad.
(2) Algunos argumentan que el anlisis de sensibilidad no es ad hoc, y las
opciones de los cuales probabilidades a variar en un anlisis de sensibilidad
no tiene que ser arbitraria.
Varios crticos han tenido experiencia con el anlisis de sensibilidad. Ellos no
ven el proceso como ad hoc, ni tampoco ver las opciones de los diferentes

probabilidades de ser arbitraria. El objetivo tpico para el anlisis de

sensibilidad es explorar los umbrales de los cambios en los valores de
variables que requeriran un cambio en las decisiones. As, el proceso es
desarrollar primero un caso base, que consiste en los valores de las
variables ms probables y luego explorar en qu condiciones decisiones
cambiaran de la decisin del caso base, Bajo esta descripcin del anlisis
de sensibilidad, la incertidumbre acerca de las probabilidades precisas es
slo una razn, tal vez incluso un motivo secundario, para explorar
diferentes valores de las variables.

Por ltimo, como se discuti en 3 .O, la realizacin de anlisis de

sensibilidad si uno no est seguro acerca de las probabilidades precisos no
es necesario cuando uno utiliza probabilidades imprecisas. Las
probabilidades superior e inferior son firmes lmites que representan de un
conocimiento a la mano. Eso es. Si uno siente la necesidad de cambiar las
probabilidades superiores e inferiores debido a la incertidumbre acerca de
estos lmites, entonces el lmites no se han especificado correctamente. No
hay necesidad para este tipo de anlisis de sensibilidad dentro de la teora
de la probabilidad imprecisa.

Dada esta descripcin, el anlisis de sensibilidad usando la probabilidad

exacta todava no parece ser una tarea fructfera. Qu se hace si uno FMDS
que los cambios plausibles en los valores de las variables no cambian las
decisiones de uno a otro? Una reaccin sera recoger ms informacin para
reducir el rango de valores de variables plausibles. Sin embargo, como se
mencion anteriormente, la probabilidad precisa no es muy bueno en lo que
representa la cantidad de informacin que se ejercen contra un problema.
Dado que las probabilidades precisas admitir ninguna imprecisin o la
ignorancia, el valor de la reduccin de la ignorancia no puede ser abordado
plenamente. El valor de la informacin en el paradigma de probabilidad
exacta se limita a considerar cmo la nueva informacin podra cambiar los
valores de una distribucin de probabilidad. No puede considerar el efecto
de la reduccin de la ignorancia. Por lo tanto, mientras que la motivacin
subyacente este aspecto de anlisis de sensibilidad es fuerte, la
probabilidad exacta no ofrece una respuesta fuerte. Al menos con
probabilidades imprecisas, ms trabajo podra reducir el intervalo entre las
probabilidades superior e inferior, dado que existe un cierto nivel de
incertidumbre operativo y aplicacin.

(3) Algunos argumentan que el uso de probabilidades superior e inferior

causar una combinatoria explosin de los valores esperados para los
modelos complejos en los que numerosas variables interactan entre s.

Otra reaccin sera la de trabajar en la puesta decisin. En este informe se

ha negado a discutir la toma de decisiones, ya que es un gran tema.
Adems, creemos que muchos heursticas de decisin se pueden utilizar sin
rodeos con probabilidades imprecisas. Sin embargo, tambin creemos que
el uso de probabilidades imprecisas ir de la mano con los cambios de
formacin en la manera en que pensamos acerca de la toma de decisiones.
Es bastante predecible, en nuestra opinin, que muchos usando imprecisa
probabilidades encontrarn, cuando todo est dicho y hecho, que no saben
tanto de una situacin que pensaban que podran ni nunca van a saber
tanto sobre una situacin como les gustara. Nos disculpamos por presentar
la realidad en un enfoque ms duro si esto es lo que se necesita para
mejorar
Toma de decisiones. Conjuntos de alternativas de decisin estructurados
para ms ciertas situaciones no pueden contener ninguna alternativa
"buenas" para situaciones con grandes magnitudes de incertidumbre. El
cambio de los conjuntos decisin de ser ms contingente, ms reversible,
ms gradual ser maneras de encontrar alternativas de decisin que le ir
mejor en un futuro incierto.

En otras palabras, varios crticos no entienden cmo superior e inferior

esperada valores de las variables se puede utilizar de una manera sencilla
para calcular los valores esperados de destino (por ejemplo, superior y los
costos de mantenimiento de la planta de potencia inferior esperados). Por
ejemplo, las variables A, B, y C pueden ser utilizados para determinar el
valor de la variable Z y los cuatro podran tener los valores superior e
inferior esperados.
No necesitara uno manualmente para utilizar diferentes combinaciones de
A, B, y C para calcular muchos valores esperados para Z?
La respuesta es no. En el captulo 5.0 de Tonn y Wagner (1995), Carl Wagner
ha establecido un enfoque straightfomard utilizar las operaciones tcnicas
de investigacin para encontrar el valor mnimo esperado para Z y el valor
mximo esperado para Z. No hay explosin combinatoria. Este reporte
contiene un ejemplo del mtodo de Wagner que se ha aplicado a un
problema real utilizando datos reales. mtodo de Wagner no depende de
mtodos de Monte Carlo, optimizacin no lineal simplemente algoritmos.
mtodo Wagnerls se puede implementar utilizando cdigos informticos
disponibles. De hecho, todos los mtodos presentados en este informe
pueden ser computarizados, y muchos han sido. Un paquete disponible en
el mercado coherente para los analistas an no se ha desarrollado. (4) Son
probabilidades imprecisas ms difcil de usar que las probabilidades
precisas, desde la perspectiva del experto?
Este punto no fue hecha directamente por cualquiera de los usuarios, pero
se insina en varios lugares. Creemos que hay cierta confusin acerca de
elicitacin incertidumbre. Se ha escrito mucho acerca de elicitacin
incertidumbre, sobre todo por los psiclogos. Las conclusiones principales
son que la gente no es necesariamente buena en proveer probabilidades
precisas y que las ayudas de elicitacin como las ruedas de probabilidad a
menudo ayudan. Nuestra argumento es que la gente debe ser mejor en
proporcionar probabilidades imprecisas, debido a que tienen ms espacio

para representar a su incertidumbre sobre el contexto. ruedas de

probabilidades imprecisas y otros
SIDA tambin se puede utilizar para ayudar a las personas en la elicitacin
de probabilidades imprecisas. No hay mucha investigacin se ha hecho por
los psiclogos para apoyar o rechazar nuestro argumento, aunque nuestras
discusiones con psiclogos cognitivos nos lleva a creer que no debera haber
ningn problema en el uso de mtodos desarrollados para obtener
probabilidades precisas para obtener probabilidades imprecisas.
Si se disean adecuadamente, un protocolo de obtencin permitir a los
sujetos ya sea para proporcionar de forma fiable probabilidades precisas, si
tienen un alto nivel de conocimiento, o de probabilidades imprecisas si no lo
hacen. Los sujetos pueden proporcionar un nico CDF si tienen un alto nivel
de conocimiento o una LCDF y un cdf si no lo hacen. Hay una continuidad
en el trabajo aqu, no un bien o una situacin, donde se debe utilizar ya sea
probabilidades precisas o imprecisas. Todo lo que es proporcionada por el
experto se utiliza en el anlisis como es. reglas de combinacin no se
utilizan para fusionar LCDFs y UCDFs para obtener los FDC. uno usos lo que
se obtiene de los expertos, periodo, sin alteraciones artificiales. (5) Es
bayesianismo distinta de probabilidad imprecisa? Hay muchas personas que
se refieren a s mismos como bayesianos. Es de nuestro conocimiento que
ellos creen que todas las probabilidades son de carcter subjetivo y creen
que la regla de Bayes y sus variantes debe ser utilizado como la estructura
para evaluar los problemas que conllevan incertidumbre. Como grupo, han
sido hostil a una aproximacin terica a la gestin de la incertidumbre, lo
que se conoce como Teora DempsterShafer (DST). Muy brevemente, el
horario de verano se basa en la estimulacin y la combinacin de funotions
de creencias, que son versiones especiales de funciones de probabilidad
imprecisos. En lugar de provocar probabilidades, el horario de verano exige
la obtencin de la masa bsica de probabilidad (hay transformaciones
matemticas para pasar de probabilidades bsicas a las probabilidades
superiores e inferiores y viceversa, Shafer 1976). Bayesianos objetan el
horario de verano, ya que se oponen a la obtencin de la masa bsica de
probabilidad sobre las probabilidades y el uso de reglas de combinacin
sobre Bayes Reglas y sus variantes. Eso
Parece que nos bayesianos tambin se oponen a la probabilidad imprecisa,
ya que es visto como una extensin directa del horario de verano.Creemos
que los bayesianos no entiende por completo nuestro enfoque. Nuestra
formulacin presentada en este informe no es una extensin directa del
horario de verano. En primer lugar, abogamos por la provocacin de
superior e inferior probabilidades, no masa bsica de probabilidad. No
entendemos cmo la gente incluso ir sobre pensando en masa bsica de
probabilidad. No hay ninguna indicacin en la literatura psicolgica que la
gente piensa en estos trminos de masa de probabilidad bsica y no hay
investigacin psicolgica en el tema. En segundo lugar, dado que los
bayesianos creen que todas las probabilidades son subjetivos, que tambin

creemos, no vemos cmo ser un bayesiano per se lleva a objetar el uso de

probabilidades superiores e inferiores. De hecho, la probabilidad imprecisa
permite una gama ms amplia de la subjetividad para entrar en el anlisis.
En tercer lugar, hay que sealar una vez ms que la regla de Bayes y sus
variantes se pueden generalizar para manejar las probabilidades superiores
e inferiores, aunque no hemos llevado a cabo esta investigacin. Por lo
tanto, la regla de Bayes y sus variantes an sera disponible.En cuarto lugar,
no somos partidarios de que la decisin entre los mtodos probabilsticos se
encuentra entre la regla de Bayes excluye por una parte o combinados por
otra. Como hemos tratado de mostrar en 4.0, cada uno tiene su lugar y
contexto de aplicacin adecuada. Uno no puede ser sustituido por otro. Sus
contextos de aplicacin adecuadas no son comparables. Creemos que los
bayesianos han tratado de adaptarse a muchos problemas en una
formulacin de la regla de Bayes que podra mejor se han estructurado
utilizando reglas de combinacin y de consenso. Por el contrario, las reglas
de combinacin no son apropiados en contextos que requieren de la regla
de Bayes. La literatura ha hecho un trabajo terrible en incluso reconociendo
que los mtodos no son competidores, sino que son herramientas
complementarias que se pueden utilizar juntos para construir soluciones a
los problemas de incertidumbre. Si bayesianos de acuerdo en que una regla
de Bayes generalizada se puede utilizar con otros mtodos (por ejemplo,
combinacin y de consenso) para la resolucin de problemas, junto con el
uso de las probabilidades superiores e inferiores, y bsicamente los mismos
mtodos de obtencin que se utilizan para, entonces hay realmente no hay
diferencia entre bayesianismo y la teora de la probabilidad imprecisa y los
mtodos presentados en este documento.
(6) Qu se entiende por informacin?
El concepto de informacin tiene una definicin muy tcnica dentro de
probabilidad clsica. La cantidad de informacin en una funcin de
probabilidad se define para ser su entropa. La famosa frmula de la
entropa se proporcion informacin perfecta, la ecuacin se obtiene un
valor de 0,0, lo que significa una ausencia de entropa. entropa mxima es
cuando se proporciona la ecuacin de una distribucin de probabilidad
uniforme. Por lo tanto, la ignorancia se expresa como la entropa mxima, y,
como se argument anteriormente, fuerte conocimiento estadstico tambin
puede producir la mxima entropa. Cabe sealar que esta frmula se ha
desarrollado para su uso en la industria de las comunicaciones para realizar
el seguimiento del flujo de bits de informacin a travs del telfono lneas,
no para uso directo aplican contextos de toma de decisiones.
Una informacin mejor medida sera aquel en la ecuacin 0.0 produce
cuando uno no tiene conocimiento, un valor diferente para un fuerte
conocimiento estadstico, y un valor mximo, normalizado a 1,0, cuando se
tiene un conocimiento perfecto. Con respecto a la probabilidad imprecisa, la
ecuacin sera di 0,0 cuando la probabilidad inferior es 0,0 y la
probabilidad superior es 1 .O para cada evento potencial, es decir, el caso

de ningn conocimiento. La ecuacin dara una normalizado 1.0 cuando la

probabilidad ms baja y la probabilidad superior es igual a 1 .O para un
evento. La distribucin de probabilidad uniforme, donde las probabilidades
inferior y superior son iguales para todos los eventos posibles, tendra un
valor en el medio, preferiblemente hacia 1 .O porque la distribucin de
probabilidad uniforme en realidad contiene una cantidad relativamente
grande de informacin.

Por lo tanto, es importante sealar que, en nuestra opinin, la probabilidad

imprecisa ofrece un enfoque ms extendido no slo a concebir el concepto
de informacin, pero desde un punto de vista tcnico, la probabilidad
precisa, en conjuncin con la frmula anterior, restringe la representacin
de la informacin. El trabajo en una medida de informacin de
probabilidades imprecisas ha sido lento. La ecuacin anterior no es capaz de
cumplir con estos criterios de probabilidades imprecisas. Hemos
desarrollado una ecuacin inicial para las funciones de creencias. Esta es un
rea importante para la investigacin futura.