Chapter 2 Spanish

Dana Fradon, The New Yorker 17 Mayo, 1976
(Permiso pendiente pero todavía NO otorgado para usar esta figura)

2 Capítulo 2Capítulo 2:
Capítulo 2: Métodos Cuantitativos y Cualitativos para

Soportar la Evaluación del Ciclo de Vida
En este capítulo introducimos habilidades básicas cuantitativas
necesarias para realizar un trabajo exitoso en LCA. El material
pretende la construcción de buenos hábitos en el pensamiento crítico,
en la evaluación y en la documentación de su trabajo en el campo del
LCA (o para cualquier tipo de problemas de análisis de sistemas).
Primero describimos los buenos hábitos respecto a la adquisición de
datos y a la documentación. Después describimos las habilidades en la
construcción y estimación de modelos simples. Estas habilidades no
están restringidas para usarse solamente en el LCA y deberían usarse
ampliamente para modelar tareas de negocios, de ingeniería y de
política. Como este libro trata de ser utilizado a través de una amplia
gama de disciplinas y niveles educativos, escribimos como si fuera
para nivel de estudiantes de licenciatura que pudieran no estar
familiarizados con muchos de estos conceptos. Este capítulo puede
ser una revisión superficial para muchos estudiantes. Sin embargo, el
mejorar las habilidades básicas hará que su trabajo en LCA sea aún
más efectivo.
Objetivos de Aprendizaje para el Capítulo

Al final de este capítulo, Ud. debería de poder:
1. Aplicar habilidades apropiadas para el análisis cualitativo y

cuantitativo.
2. Documentar los valores y las fuentes de datos como respaldo de

los métodos de investigación.
3. Mejorar su habilidad para ejecutar métodos de estimación

prácticos y sobre la marcha.
4. Tratar una pregunta cuantitativa, describiendo el método,

dando la respuesta y describiendo lo que sea relevante o
interesante sobre la respuesta.
Habilidades Básicas Cualitativas y Cuantitativas

Para ser competente en cualquier tipo de análisis de sistemas, Ud.
necesita tener habilidades analíticas agudas asociadas con su
habilidad para hacer investigación, y mucho de este capítulo es
similar a lo que uno pudiera aprender en un curso de métodos de
investigación. Mientras que las habilidades presentadas aquí son
generalmente útiles (y esperando que les sirvan bien fuera del
dominio del LCA) nosotros usamos ejemplos relevantes al LCA para
enfatizar y motivar su propósito.
Mucho del LCA implica el hacer “buena investigación” y el comunicar

claramente los resultados. Esta es la razón por la que mucha gente
con posgrado puede aprender LCA rápidamente – porque ellos ya
tienen la base de habilidades necesarias para trabajar exitosamente, y
sólo necesitan aprender el nuevo dominio de conocimiento. Entre las
habilidades más importantes están aquellas asociadas con sus
habilidades cuantitativas y cualitativas.
Las habilidades cuantitativas son aquellas asociadas con su

habilidad para generar manipulaciones numéricas y resultados, es
decir, utilizando y aplicando matemáticas y estadística. Las
habilidades cualitativas son aquellas asociadas con su habilidad
para pensar y escribir acerca de su trabajo más allá de los números, y
para describir la relevancia de sus resultados. Mientras este libro de
texto está más inclinado a mejorar sus habilidades cuantitativas, hay
muchos ejemplos y espacios de énfasis a lo largo del texto, que
pretenden desarrollar sus habilidades cualitativas. Usted necesitará
ser capaz en los dos tipos de habilidades para apreciar y ejecutar
exitosamente el trabajo en LCA.
La identificación de sus propias debilidades en estas dos áreas en este

momento puede ayudarle a mejorar a la vez que Ud. estará
aprendiendo material nuevo relevante del dominio. Sus habilidades
cuantitativas son relativamente fáciles de medir – por ejemplo, si
Usted puede responder correctamente una pregunta técnica o
numérica por medio de una ecuación o con la construcción de un
modelo, esto puede “pasar el examen” para esa habilidad cuantitativa.
Las habilidades cualitativas no son tan fáciles de evaluar por lo que
deben ser evaluadas en formas diferentes, por ejemplo, su habilidad
para sintetizar o resumir resultados o para ver el panorama completo,
podrían ser evaluadas usando algún procedimiento que capture el

grado en el cual Ud. contextualiza sus hallazgos.
En el resto de este capítulo, revisaremos primero algunos de los

principales tipos cuantitativos de habilidades que son importantes (y
que están en el centro de los estudios de ciclo de vida) para después
discutir cómo mezclar habilidades cualitativas y cuantitativas para
producir trabajos de calidad de LCA. Una de las habilidades más
importantes es la identificación de datos apropiados para soportar los
análisis.
Trabajando con Fuentes de Datos

La mayor parte de los datos son cuantitativos, es decir, se le da a Ud.
una hoja de cálculo con valores numéricos para algún proceso o
actividad y Ud. maneja los datos en alguna manera cuantitativa (por
ejemplo, calculando un promedio, clasificándolo, etc.). Pero los datos
pueden ser también cualitativos – Ud. podría tener una descripción de
un proceso que discuta el cómo una máquina ensambla partes, o Ud.
podría saber que una máquina es relativamente vieja (sin saber la
fecha exacta de su manufactura). Es útil el poder trabajar con estos
dos tipos de datos al ejecutar el LCA.
Ya que buscamos construir un marco de referencia para la

construcción de nuestros modelos cuantitativos, uno de los retos
inevitables será el de encontrar datos (y en el LCA, encontrar datos
apropiados será un reto recurrente). Pero más generalmente
necesitamos construir habilidades para la adquisición y
documentación de los datos encontrados. En esta tarea es importante
el entender la diferencia entre fuentes primarias y secundarias.
Una fuente primaria de datos proviene directamente de la entidad
colectora de datos y/o analizadora para encontrar un resultado. Es,
por lo tanto, generalmente una fuente definitiva de información, y por
eso es por lo que Ud. quiere encontrarla. Una fuente secundaria es
una que cita o que reusa la información de la fuente primaria. Estas
fuentes pueden usar la información en diferentes formas
inconsistentes con las metas e intenciones explícitas de las fuentes
primarias, sesgando la información. De esta manera, una buena
práctica es buscar la fuente primaria de la información y no solamente
la fuente que refiere a la primaria. Encontrar (y leer de ser necesario)
la fuente primaria le permitirá también apreciar el contexto entero en

el reporte del resultado. Este contexto puede incluir al patrocinador
del estudio, restricciones de fechas o datos, y quizá advertencias de
cuándo o cómo usar los resultados.
En el mundo de hoy de las búsquedas habilitadas en Internet, las

fuentes secundarias son bastante más prominentes. Los buscadores
son optimizados para encontrar fuentes frecuentemente repetidas y
con vínculos, pero no necesariamente fuentes primarias. Por ejemplo,
las emisiones totales anuales de gases de invernadero en los EE.UU.
son preparadas en un estudio y reportadas cada año por la Agencia
Norteamericana de Protección al Ambiente (EPA por sus siglas en
Inglés). La EPA utiliza una buena cantidad de tiempo – con la
asistencia de contratistas gubernamentales - cada año refinando los
métodos y estimaciones de emisiones para los reportes. Dada su
capacidad oficial y al trabajo hecho, el reporte de esta estimación
anual (es decir, “el número”) es una fuente primaria. Este número,
que siempre se refiere a un período anterior y que tiene por unos
pocos años de antigüedad, es visto y reportado por cientos de
periodistas y de medios de comunicación, creándose miles de vínculos
y de páginas web. Una búsqueda en la Web por “emisiones anuales de
gases de invernadero en EE.UU. (annual US GHG emissions)” nos
dará millones de resultados. Los pocos que aparecen primero pueden
ser vínculos al último reporte o al sitio web que vincula con el reporte.
La búsqueda web puede también apuntar a los reportes archivados de
la EPA sobre emisiones históricas publicadas en años previos. Pero
solamente habrá una sola fuente primaria para cada estimación
annual de emisiones – el estudio original de la EPA.
La vasta mayoría de los resultados de las búsquedas en la web llevan

a estudios que “re-reportan” el valor original publicado por la EPA. Es
posible que la fuente primaria no esté dentro de los 10 primeros
resultados ordenados dados por la búsqueda en la web. Este
fenómeno es importante porque cuando se están buscando fuentes de
datos, es fácil encontrar fuentes secundarias pero es frecuentemente
más difícil rastrear la fuente primaria para encontrar su cita. Uno
debería usar la fuente primaria en cualquier construcción de modelo y
en cualquier esfuerzo de documentación (aún si se le encontró
primero por medio de una fuente secundaria). Una fuente primaria de
datos viene típicamente de una fuente creíble, y citar “US EPA” en vez
de “USA Today” ciertamente mejora la credibilidad de su trabajo. La
búsqueda retrospectiva para encontrar estas fuentes primarias puede

resultar difícil porque frecuentemente los artículos del periódico
simplemente escriben “EPA today reportó que las emisiones de gases
de invernadero en el 2011 en los Estados Unidos fueron 7 billones de
toneladas métricas” sin ofrecer referencias completas en el artículo.
Por otro lado los blogs tienden a ser ligeramente más académicos en
su naturaleza y pueden citar fuentes o vínculos a sitios web (y por
supuesto, también podrían vincular con una fuente secundaria. Si sus
fuentes secundarias no lo vinculan directamente con el reporte de la
EPA, Ud. necesita hacer una búsqueda adicional para tratar de
encontrar la fuente primaria. Le ayudará el hecho de que Ud. conoce
el valor numérico a buscar en la fuente primaria (por supuesto que
Ud. deberá de confirmar que la fuente secundaria utilizó un valor
correcto y actualizado). Con alguna práctica Ud. se convertirá en un
experto en encontrar fuentes primarias rápidamente.
La información contextual relevante que puede aparecer en la fuente

oficial de la EPA incluye cosas como cómo se hizo la estimación, a qué
año corresponde, cuál ha sido el cambio año tras año, y cuáles
actividades se incluyeron. Toda esta información contextual es
importante. Una estimación más frecuentemente reportada de las
emisiones de gases de invernadero en los EE.UU. (US GHG por sus
siglas en Inglés), con antigüedad de sólo unos meses al ser reportada,
proviene del Departamento de Energía de los EE.UU., pero sólo
incluye actividades de combustión de combustibles fósiles, las cuales
son muy fáciles de rastrear porque las plantas eléctricas reportan
anualmente su uso de combustible al Departamento. Si Ud. estaba
buscando un inventario total de emisiones de US GHG, la fuente de
EPA es la fuente definitiva.
Después de encontrar los datos adecuados, es esencial referir la

fuente adecuadamente. Se supone que Ud. está familiarizado con las
bases para crear referencias de pie de página o de fin de nota o
bibliográficas en un reporte. Ud. puede ver algunas breves listas de
referencias bibliográficas al final de los capítulos de este libro de
texto. Las fuentes primarias de datos deben ser referenciadas
completamente, justo como si Ud. estuviera extrayendo algo de un
libro. Eso significa que Ud. necesita dar la referencia bibliográfica
completa a la vez que señalar el lugar dentro de la fuente en donde se
encontraron los datos. Eso podría ser el número de página si es que
Ud. lo tomó de en medio de un reporte, o una Tabla o Figura
específica dentro de un reporte gubernamental. Por ejemplo, si Ud.

necesitara datos acerca del consumo de electricidad por pie cuadrado
para un edificio comercial, la Encuesta de Consumo de Energía en
Edificios Comerciales (CBECS por sus siglas en Inglés) de la
Administración de Información Energética 2003 del Departamento de
Energía, sugiere que la respuesta es 14.1 kWh/pie cuadrado
(excluyendo edificios de centros comerciales). Los reportes resumidos
de esta encuesta tienen cientos de páginas. El valor específico de 14.1
kWh/pie cuadrado se encuentra en la Tabla C14 (página 1). Al
referenciar esta fuente específicamente, Ud. le permite a otros
reproducir su estudio rápidamente. Además, Ud. le estará
permitiendo a otros (quienes podrían encontrar el trabajo de Ud. al
estar buscando otra cosa) usar su trabajo como una fuente
secundaria. La referencia completa de la fuente primaria para los
datos de CBECS se podría ver así:
US Dept. of Energy, 2003 Commercial Buildings Energy Consumption

Survey (CBECS), Tabla C14. "Electricity Consumption and Expenditure
Intensities for Non-Mall Buildings, 2003", 2006,
http://www.eia.gov/consumption/commercial/data/2003/pdf/c14.pdf, último
acceso Julio 5, 2013.
Algo que es desafortunadamente común es el ver las referencias a los

datos de las fuentes muy pobremente elaboradas o abreviadas, tal
como “DOE CBECS”. Esta referencia casual es problemática por
varias razones. El Departamento de Energía (DOE por sus siglas en
Inglés) ha realizado por lo menos cuatro encuestas CBECS, más o
menos cada cuatro años desde 1992, poniendo los resultados
disponibles en línea. Si uno encuentra un simple dato en el sitio web
de la Administración de Información Energética y lo utiliza en un
estudio, ese dato podría provenir de cualquiera de estas cuatro
encuestas, las cuales abarcan 20 años, de cualquiera de las miles de
páginas de los resúmenes de datos. Con la sola referencia a “CBECS”,
uno no tendría modo de saber cuán reciente, relevante o útil es el
dato.
Más allá de los ejemplos anteriores, uno podría estar interesado en la

población de un país, el salario promedio de los trabajadores, u otros
datos fundamentales. Ud. probablemente (y deseablemente)
encontrará y reportará múltiples fuentes primarias. Estas fuentes
múltiples podrían provenir de agencias independientes o de grupos
que buscaban encontrar respuestas a las mismas o a preguntas muy

similares. Una regla de oro consiste en buscar y reportar resultados
por lo menos de tres de estas fuentes si fuera posible. En el mejor de
los casos, las fuentes primarias darán los mismos (o casi iguales)
datos. En realidad, ellos probablemente diferirán poco o mucho.
Puede haber explicaciones muy fáciles del porqué difieren, como por
el uso de suposiciones o métodos diferentes. Al anotar y representar
que Ud. ha encontrado múltiples datos, y al resumir las razones de las
diferencias, Ud. adquiere la habilidad para juzgar si le conviene usar
una suposición basada en las tres fuentes, o si necesita usar un rango
o promedio. La práctica de buscar múltiples fuentes algunas veces
descubrirá errores en los estudios originales o en los reportes de
datos, o por lo menos le hará darse cuenta que una fuente primaria
encontrada no es apropiada para ser usada en su propio trabajo,
dadas las diferencias en cómo se logró el resultado.
"Cuando buscamos un número en más de un lugar, podemos

conseguir varias respuestas diferentes, y entonces tenemos que
tener cuidado. La lección no es que varias respuestas son peor que
una, sino que cualquier respuesta que encontremos en una fuente
puede ser diferente si la encontramos en otra fuente. Así,
deberíamos considerar tanto la definición del número como la de
su falta de confiabilidad.” – Mosteller (1977)
Si Ud. encuentra varios valores, podría ser útil resumirlos en una

tabla. Si Ud. había estado tratando de encontrar el total de emisiones
de gases de invernadero de los EE.UU. como lo hicimos
anteriormente, el resumen sería como el de la Figura 2-1. Se le
podrían adicionar más renglones para otras fuentes primarias o
secundarias. Un beneficio de organizar estas tablas en resúmenes es
el que esto permite a la audiencia entender mejor las fuentes de datos
tanto como los problemas potenciales al aplicarlas.
Valor Fuente Tipo de Comentarios

(millones de Fuente
tons métricas
CO2)
US EPA, Inventory Of U.S.
El valor es para
6,702 Greenhouse Gas Emissions And Primaria
2011.
Sinks: 1990-2011
El valor es para
2011. Sólo
US DOE, U.S. Energy-Related
5,471 Primaria contabiliza emisiones
Carbon Dioxide Emissions, 2011
relacionadas con la
energía.
Environmental News Network, Se refiere
Secunda
6,702.3 US Greenhouse Gas Emissions específicamente a la
ria
are Down, April 21, 2013. EPA.
Figura 2-1: Resumen de Fuentes de Emisiones de Gases de Invernadero en
los EE.UU.
Una nota final acerca de la búsqueda de fuentes de datos se refiere al

uso de los resúmenes estadísticos. Estas referencias existen para
muchos países, estados y organizaciones como las universidades.
Estos resúmenes son valiosos materiales de referencia cargados con
muchos tipos de datos resumidos. Estos están típicamente
organizados por secciones o capítulos de datos relacionados. Por
ejemplo, el Statistical Abstract of the United States (2011) tiene
secciones sobre agricultura, manufactura, energía y transportación
(todos los cuales son potencialmente relevantes para los estudios de
LCA). Cada una de las secciones contiene una serie de tablas de
datos. La sección de Agricultura tiene, entre otros hechos
interesantes, datos sobre el número de granjas y de la tierra de
cosecha sembrada para muchos tipos de cosechas. La Tabla (Número
823) de granjas y de tierra de cosecha sembrada tiene un pie de nota
mostrando la fuente primaria de los datos, en este caso el Censo de
Agricultura del 2007. Estos resúmenes pueden tener también otras
notas al pie que necesitan ser consideradas cuando se les utilice como
una fuente, a la vez que se anoten las unidades de presentación (por
ejemplo, valores de dólares en millones), o los límites considerados.
Este ejemplo intenta reforzar dos hechos importantes al utilizar los

resúmenes estadísticos. Primero, que es importante darse cuenta que
mientras los resúmenes estadísticos pueden ser una conveniente
fuente referencial de “ve y consúltala”, éstos no son una fuente
primaria. La mejor práctica es la de usar los resúmenes estadísticos
como vínculos a las fuentes primarias – para ir después a la lectura de
la fuente primaria. La re-publicación de datos conduce a errores
algunas veces, o las omisiones de importantes notas al pie como las

unidades o suposiciones hechas. Segundo, a pesar del “2012” en el
título del resumen, generalmente no es cierto que todos los datos
contenidos en él, sean del año 2012. Sin embargo, cualquiera de sus
datos está actualizado. Los resúmenes de los estados y de otras
organizaciones están organizados en formas semejantes con similares
referencias de fuentes. Finalmente, es importante hacer notar que en
la era de Google, los resúmenes estadísticos no son más las valiosas
referencias claves que fueron en algún tiempo. Sin embargo, siguen
siendo una gran primera opción (con muchos datos) para buscar
información, especialmente si se está haciendo investigación en una
biblioteca con un libro real.
Exactitud vs. Precisión

Buscamos fuentes primarias (y múltiples fuentes primarias) porque
queremos conseguir valores creíbles para usarlos. Dependiendo de la
clase de modelo que estemos construyendo, podemos requerir
solamente de una estimación razonable, o podemos necesitar un valor
tan exacto como sea posible. Esto trae a cuento el punto de que si lo
que estamos buscando es la exactitud o la precisión en nuestra
búsqueda de fuentes y/o en nuestros esfuerzos por construir el
modelo. Mientras que las palabras exactitud y precisión son quizá
sinónimos para audiencias legas, el diálogo “exactitud versus
precisión” ha estado vigente por largo tiempo en la ciencia.
Frecuentemente se nos pide aclarar nuestras metas más claramente
en términos de lo que estamos buscando –exactitud o precisión (o
ambas)—en nuestro sistema de medición.
La exactitud de un sistema de medición es el grado con que las

mediciones hechas se acercan al valor real (medidas correctamente
con un sistema o entidad, por supuesto). La precisión de un sistema
de medición es el grado con que las mediciones repetidas dan los
mismos resultados. La precisión es así también entendida como la
repetibilidad o reproducibilidad.
Además de los sistemas físicos de medición, estos conceptos son

relevantes para los métodos computacionales de datos, como las
transformaciones estadísticas, modelos de Microsoft ® Excel ® 1, etc.

La Figura 2-2 resume los conceptos de exactitud y precisión en el
contexto del tiro al blanco, pero podría ser usada análogamente para
considerar nuestra medición de un valor.
Exactitud Inexactitud
Precisión
Imprecisió
n
Figure 2-2: Comparación de exactitud y precisión. Fuente: NOAA 2012
Entonces, los sistemas pueden ser exactos pero no precisos, precisos

pero no exactos, o ninguno de los dos o ambos. Los sistemas se
consideran válidos cuando son a la vez exactos y precisos. Con
respecto a nuestro ejemplo anterior de CBECS, la encuesta utilizada
podría ofrecer un resultado inexacto (pero preciso) si los edificios de
centros comerciales tanto como los que no pertenecen a centros
1
Microsoft y Excel son marcas registradas de la Corporación Microsoft. En el resto del libro sólo se usará
"Microsoft Excel".
comerciales son incluidos en una estimación de efectos de edificios de

venta al por menor. Se podría producir un resultado impreciso (pero
exacto) si las muestras de diferentes regiones geoespaciales no se
alinean con la mezcla geoespacial real de edificios. El realizar
operaciones matemáticas o estadísticas (por ejemplo, promedios)
sobre valores imprecisos puede llevar a valores no creíbles para usar
en su trabajo.
Cuando un sistema de medición es popular y necesita ser reconocido

como exacto y preciso, típicamente se establece un estándar para que
todas las partes se pongan de acuerdo en cómo probar y formalizar
las características del sistema (por ejemplo, cómo realizar la prueba
muchas veces y cómo juzgar los resultados).
Incertidumbre y Variabilidad
Cuando buscamos encontrar múltiples fuentes para nuestras
necesidades de datos, nos toparemos inevitablemente con situaciones
en donde los datos no ajustan al grado que esperaríamos. Esto nos
llevará a situaciones en donde tendremos que considerar
incertidumbre y variabilidad en nuestros datos. Mientras que la
manera en que trabajamos y modelamos la incertidumbre y los datos
variables es similar, primero definimos cada condición por separado.
Estas definiciones simples serán usadas aquí, dando mayores detalles
en capítulos posteriores según se necesite. La variabilidad existe
debido a la heterogeneidad o diversidad de un sistema. Puede ser, por
ejemplo, que la energía usada para manufacturar un artículo difiera
según el turno matutino o vespertino en una fábrica. La incertidumbre
existe porque no podemos medir precisamente un valor o porque nos
falta la información completa, o porque somos ignorantes de alguna
condición. Es posible que si hiciéramos investigación adicional o
mejoráramos nuestros métodos de medición, pudiéramos reducir la
incertidumbre, redundando en un mejor valor o resultado. Por otro
lado, la variabilidad no es fácilmente reductible –se puede deber
totalmente a factores naturales u a otros fuera de nuestro control
Manejo de Cifras Significativas

Además de pensar que hemos creado una forma exacta y precisa de
medir una cantidad, queremos también asegurarnos de representar
apropiadamente el resultado de nuestra medición. Muchos de
nosotros aprendimos la importancia de manejar el uso de cifras
significativas (o dígitos) en la secundaria. Dos lecciones
importantes que ameritan ser mencionadas en este contexto se
refieren a los ceros a la izquierda y a la derecha y al reporte de
resultados de operaciones matemáticas. Recuerde que los ceros a la
derecha de un dígito representativo son siempre significativos e
indican el nivel de precisión de la medición. Sin embargo, los ceros a
la izquierda (después de un punto decimal) no son significativos. Esto
significa que un valor como 0.00037 tiene sólo dos dígitos
significativos ya que la notación científica la referirá como 3.7E-04 y
el primer componente de la notación (3.7) representa todos los dígitos
significativos. Además asegúrese de no introducir dígitos extra en el
proceso de adicionar, substraer, multiplicar o dividir cifras
significativas. Esto significa, por ejemplo, no perpetuar un resultado
de una calculadora u hoja electrónica que multiplique dos números de
2 dígitos y reporte 4 dígitos. El manejo de dígitos significativos
significa reportar sólo 2 dígitos de este resultado, aún si se tiene que
redondear para obtener el segundo dígito.
Recordemos que la base de tales directivas es que nuestros

dispositivos de medición están calibrados a un número fijo de dígitos.
Un cilindro graduado utilizado para medir líquidos en un laboratorio
muestra normalmente valores en incrementos de 1 ml (por ejemplo,
10, 11, o 12 ml). En este escenario tratamos de estimar el nivel del
líquido al décimo más cercano de un incremento. Como un ejemplo,
cuando medimos un líquido reportaríamos valores como 10.2 ml –con
tres cifras significativas – lo que expresa nuestra visión subjetiva de
que la altura del líquido es aproximadamente 2 décimos entre las
líneas de 10 y 11 ml. Dada nuestra fe en el sistema de medición,
estamos bastante seguros de los primeros 2 dígitos a la izquierda del
punto decimal (por ejemplo, 10), y menos seguros del dígito a la
derecha del punto decimal ya que lo estamos estimando dada la
incertidumbre del aparto de medición, por lo que se trata de la cifra
menos significante.
Cuando cuente cifras significativas, piense en la notación

científica.
 Todos los dígitos diferentes de cero son significativos
 Los ceros entre dígitos diferentes de cero son
significativos
 Los ceros a la derecha que estén también a la derecha
de un punto decimal en un número, son significativos
Los dígitos no se incrementan con los cálculos.

 Al sumar y restar, el resultado se redondea para tener el
mismo número de posiciones decimales que la medición
con el menor número de posiciones decimales.
 Al multiplicar y dividir, el resultado se redondea para
tener el mismo número de cifras significativas que el
componente con el menor número de cifras
significativas.
Figura 2-3: Resumen de Reglas de Oro para el Manejo de Cifras
Significativas
Inevitablemente, nuestras mediciones iniciales serán usadas en

cálculos adicionales. Por ejemplo nuestra observación del volumen del
cilindro graduado puede ser usada para encontrar masa, molaridad,
etc. Si estos cálculos subsecuentes se presentaran con cinco cifras
significativas (ya que esto es lo que se lee en la calculadora), estos
resultados exagerarían la corrección de los cálculos basados en los
datos originales, reduciendo implícitamente su incertidumbre. La
Figura 2-3 resume las reglas para manejar las cifras significativas.
Regresaremos en un próximo capítulo a la discusión de la adquisición
de datos en el contexto de la evaluación del ciclo de vida.
Regresando a nuestro ejemplo CBECS, el promedio de uso de

electricidad de 14.1 kWh/pie cuadrado es una razón con tres cifras
significativas. Ese valor representa un promedio de muchos edificios
incluidos en la encuesta. Los edificios darían un amplio rango de
valores del consumo de electricidad en el numerador. Sin embargo,
las tres cifras significativas reportadas se deben probablemente a que
algunos edificios relativamente pequeños arrojaron un valor con sólo

tres cifras significativas. Si no le importara manejar cifras
significativas, el DOE podría haber reportado un valor de 14.1234
kWh/pie cuadrado. Este resultado hubiera conducido a errores
despreciables de modelaje, pero hubiera adicionado dígitos extraños
sin ninguna razón.
Una de las motivaciones principales para manejar el número de

dígitos significativos es la considerar cómo presentar los resultados
de un modelo de un LCA. Ya que muchos LCAs se hacen para soportar
una comparación de dos alternativas, se hace inevitable la
comparación de los resultados cuantitativos de las mismas. Para que
esta comparación sea válida, es importante no reportar más cifras
significativas en el resultado que las que estaban presentes en la
medición inicial de los valores. Un resultado común de un LCA, dada
la necesidad de mantener las suposiciones entre la modelación de
varias alternativas, es que las alternativas tendrían efectos muy
similares por lo menos de una métrica. Considere un resultado
hipotético en donde el uso de energía de la Alternativa A sea de 7.56
kWh y para la Alternativa B sea de 7.57 kWh ¿Esperaríamos
realmente que un tomador de decisiones priorizara una alternativa
sobre la otra debido a la reducción de 0.01 kWh en la energía usada, o
sea un 0.1% de diferencia, o un ahorro menor de 0.1 centavos a
precios actuales de electricidad en los EE.UU.? Aparte del hecho de
que se trata de una cantidad trivial, está probablemente fuera del
rango disponible de medición.
En el LCA, no tenemos los mismos problemas de ‘aparato de

medición’ que los que se tienen para motivar una introducción a los
dígitos significativos en la escuela secundaria. En vez de esto, el reto
estriba en entender la incertidumbre del ‘proceso de medición’ o del
‘método’ usado para generar los valores numéricos necesarios para
un estudio. Entonces no nos preocupa el número de dígitos de un
cilindro graduado, pero si necesitamos considerar que los métodos
sean inciertos o no lo sean.
En ausencia de más lineamientos ¿Qué recomendaríamos?

Regresando a nuestra discusión sobre un practicante de LCA que
debería buscar el minimizar el uso de dígitos significativos.
Generalmente recomendamos reportar no más de 2 o 3 dígitos (si no
por otras razones que por la consideración de la incertidumbre). En el
ejemplo del párrafo previo eso significaría comparar dos alternativas

con idéntico uso de energía – es decir, 7.6 kWh. La comparación
tendría entonces el resultado apropiado – que las alternativas son
equivalentes.
Rangos
Si Ud. puede encontrar múltiples fuentes primarias, es típicamente
más útil representar completamente toda la información que Ud.
tenga, en vez de simplemente escoger un sólo punto representativo.
Si Ud. usa un sólo valor, Ud. está haciendo una declaración consciente
de que un valor particular es el más correcto y que los otros son
irrelevantes. En realidad, Ud. puede tener más de un valor
potencialmente correcto o útil, por ejemplo, basado en que Ud.
encontró múltiples y creíbles fuentes primarias. Al usar rangos, Ud.
puede representar múltiples datos puntuales, o un pequeño conjunto o
subconjunto de datos. Mientras que los datos puntuales individuales
son representados por un solo número (por ejemplo, 5), un rango se
crea encapsulando sus múltiples datos puntuales, y puede ser
representado con paréntesis, tal como (0,5) o (0-5). Un rango
representado de esta forma podría significar “un número entre 0 y 5”.
Los valores usados como los límites de un rango pueden crearse con
varios métodos. Los valores mínimo y máximo de un conjunto de datos
son parámetros que se usan frecuentemente. En un dominio de
tecnología energética, Ud. podría querer representar un rango de
valores de eficiencia de una tecnología para generar electricidad, tal
como (30%, 50%).
Si Ud. tiene un gran cantidad de datos, entonces podría ser más

adecuado usar los valores de los percentiles 5th y 95th como su rango
establecido. Mientras esto puede sonar como una forma solapada de
ignorar los datos, puede ser apropiado representar los datos
fundamentales si Ud. considera que algunos de los valores no son
representativos o son demasiado extremos. Usando el mismo ejemplo
de eficiencia tecnológica, Ud. podría encontrar datos sobre las
eficiencias de todas las plantas eléctricas de carbón o de gas en los
EE.UU., y decidir que los valores de eficiencia más bajos (en las
decenas más bajas de porcentaje) están muy lejos de la práctica usual
porque ellos representan las eficiencias de plantas que son usadas
poco frecuentemente o que están usando tecnología extremadamente

desactualizada. Podría haber valores similarmente problemáticos en
el extremo más grande del rango completo de los datos si la eficiencia
para una planta nueva ha sido estimada por el fabricante, pero la
planta no ha estado en servicio el tiempo suficiente para medir la
eficiencia verdadera. Usando estos límites percentiles en los rangos
puede ayudar a limitar ligeramente los valores potenciales en los
datos.
Los rangos pueden usarse para representar límites superiores e

inferiores. El análisis de límites es útil cuando Ud. no tiene datos en
ese momento pero tiene una firme creencia (quizá aún cualitativa) de
que es muy improbable que un valor vaya más allá de cierta cantidad.
Un análisis de límites de tecnología energética podría llevarle a
concluir que dadas otras tecnologías, es improbable que un valor de
eficiencia pudiera ser menor que 20% o mayor que 90%. Usando un
rango en esta forma, restringe sus datos a valores que Ud. siente que
son los más realistas o representativos.
Por último, los rangos pueden usarse para representar los mejores o
peores escenarios de caso. Los valores límite escogidos para los
rangos establecidos son escogidos subjetivamente aunque quizás
tomando como referencia otros límites de rangos derivados de
algunos otros métodos conocidos. Por ejemplo, Ud. podría decidir que
un “mejor valor de caso” para la eficiencia sea 100% y un “peor valor
de caso” sea 0% (a pesar de no ser potencialmente realista). Los
límites de los mejores y peores casos son típicamente más útiles
cuando se modelan parámetros económicos, por ejemplo, representar
el salario más alto que Ud. podría necesitar para pagar un trabajador
o la tasa más baja de interés que se podría conseguir en un préstamo
bancario. Los mejores y peores casos, por su propia naturaleza, son
improbables. No es muy probable que todos sus peores parámetros
ocurrirán, así como e improbable que todos los mejores parámetros
ocurran tampoco. O sea que Ud. podría considerar los rangos
mejores-peores como un tipo de análisis de límites.
Otra forma de implementar un rango es usando información

estadística de los datos, tales como la varianza, el error estándar, o la
desviación estándar. Ud. puede recordar de cursos de estadística
pasados que la varianza es el promedio del cuadrado de las
diferencias con la media, y la desviación estándar (lo que se espera
que uno de los datos puntuales sea diferente de la media) es la raíz

cuadrada de la varianza. El error estándar (la “precisión del
promedio”, o cuánto se podría esperar que la media de una
submuestra sea diferente de la media de la muestra entera) es la
desviación estándar dividida por la raíz cuadrada del número de
muestras de los datos. Teniendo cualquiera de estos valores se
pueden usar para construir intervalos de confianza para dar una idea
del rango de los datos subyacentes. Una métrica estadística
relacionada es el error estándar relativo (RSE por sus siglas en
Inglés), el cual se define como el error estándar dividido por la media
y multiplicado por 100, lo cual da una variable de rango tipo
porcentual. Otra forma de pensar en el RSE es como una métrica que
represente el error estándar relativo a la estimación de la media en
una escala de cero a 100. Cuando el RSE crece, tenderíamos a creer
que nuestra estimación de la media será menos precisa cuando nos
refiramos al valor verdadero en la población de estudio. Por supuesto
que cuando esto pase, el rango será simétrico alrededor de la media.
Un rango de confianza del 95-porciento se calcula para una

estimación de encuesta (media) a partir del RSE vía un proceso de
tres pasos. Primero, divida el RSE por 100 y multiplique por la media
presentada por la encuesta para obtener el error estándar. Segundo,
multiplique el error estándar por 1.96 para generar el error de
confianza (recordemos de la estadística que el valor 1.96 viene de la
forma y estructura de una distribución normal arbitrariamente
supuesta y su cuantil 0.975). Finalmente, adicione y sustraiga el error
de confianza a la estimación de la encuesta del segundo paso para
Ejemplo 2-1:
Pregunta: Desarrolle un intervalo de confianza del 95% a la estimación del CBECS

2003 sobre el consumo de electricidad de edificios comerciales por pie cuadrado (14.1
kWh/sf) dado el RSE definido (3.2).
Respuesta: Dado el RSE definido anteriormente, el error estándar será de

(3.2/100)*14.1=0.45 kWh/pie cuadrado, y el error de confianza será 0.88 kWh/pie
cuadrado. Así, el intervalo de confianza del 95% sería 14.1 +- 0.88 kWh/pie cuadrado.
Note que este rango parece contradecir el rango percentil 25 th-75th de 3.6-17-1 obtenido
directamente de la encuesta (se trata de una distribución muy ajustada alrededor de la
media de 14.1). Sin embargo el intervalo de confianza está representando algo diferente
–qué tan confiados estaríamos de que el uso promedio de electricidad de todos los
edificios encuestados (como si rehiciéramos la encuesta muchas veces) fuera
aproximadamente 14.1 ¡sin tratar de representar el rango subyacente del uso real de
electricidad en los edificios! Si Ud. está elaborando un modelo que necesita representar
el rango del uso de electricidad, los valores dados de los percentiles 25th-75th son
probablemente mucho más útiles.
Fuente: US Dept. of Energy, 2003 Commercial Buildings Energy Consumption Survey

(CBECS), RSE Tables for Consumption and Expenditures for Non-Mall Buildings,
crear el rango de confianza de 95%. Note que un rango de confianza

no es lo mismo que un rango percentil 5th-95th. Un rango de confianza
de 95% representa el 95% intermedio de una distribución normal, o
un rango percentil de 2.5th-97.5th, dejando sólo 2.5% de la distribución
hasta arriba y hasta abajo. Un rango percentil de 5th-95th deja 5%
hasta arriba y hasta abajo.
Un beneficio principal de usar rangos en vez de estimaciones

puntuales es el que los límites del rango pueden usarse a todo lo largo
de un modelo. Por ejemplo uno puede propagar los valores mínimos
de rangos en todos los cálculos para asegurar un resultado potencial
mínimo, o los valores máximos para conseguir un resultado potencial
máximo. Una advertencia para cuando use los rangos como se acaba
de sugerir es el de mantener el sentido cualitativo de los límites del
rango. Si Ud. está visualizando un tipo de modelo mejor-peor,
entonces el valor “mínimo” escogido en el límite de su rango debería
representar consistentemente el peor caso posible. Esto es importante
porque Ud. puede tener un parámetro en su modelo que sea muy
grande pero que represente un caso pésimo, por ejemplo, un factor de
pérdida de un proceso de producción. En un tipo de modelo mejor-
peor rango, Ud. quiere tener todos sus mejores y peores valores
ordenados en esta manera de modo que el resultado final del rango
represente los resultados del peor y del mejor caso dados todos los
peores valores posibles de la variable, y todos los mejores valores
posibles.
Unidades y Conversión de Unidades

En un análisis cuantitativo, resulta crítico el estar consciente de la
unidad de análisis. Eso podría significar el anotar gramos o
kilogramos, toneladas cortas o métricas (también conocidas como
tonnes). Aunque las conversiones puedan ser simples, tal como
multiplicar o dividir por 1000 en el sistema internacional de unidades
(SI), se trata de un área en donde ocurren muchos errores,
especialmente cuando se trabaja manualmente. Es fácil cometer
errores cuando no pensamos en los impactos y accidentalmente
multiplicamos en vez de dividir, o viceversa. Así las cosas, una buena
práctica es el preguntarse si el resultado de la conversión tiene
sentido. Esto se conoce como la aplicación de un examen de sensatez,
o como un chequeo de juicio. Algunos se refieren a esto como una
“prueba de olfato”, sugiriendo que Ud. podría checar si el número

huele correctamente. Para convertir de kilogramos a gramos,
multiplicamos por 1000 – el resultado debería ser mayor porque
deberíamos tener muchos más gramos que kilogramos. Si
accidentalmente dividimos por 1000 (un error que los mismos autores
han cometido muchas veces en la prisa por obtener una respuesta
rápida) el número será más pequeño y la prueba de olfato nos diría
que se debe tratar de un error.
En el contexto de encontrar fuentes para datos, los cambios simples

de escalas de unidades, tales como gramos a kilogramos, no requieren
mayor referencia. Cuando realizamos conversiones simples de
unidades como ésta, es típico que en vez de buscar fuentes externas
de datos Ud. simplemente documentaría los pasos seguidos (por
ejemplo, Ud. diría que “convirtió a kilogramos”).
Sin embargo, hay conversiones de unidades más complejas que

cambian las bases enteras de comparación (no sólo de kg a g). Si Ud.
está cambiando algo más que la escala, como cambiar de Unidades
Térmicas Británicas (BTU) a mega julios (MJ), esto se conoce como el
realizar conversiones de unidades físicas o de energía. Un factor
unitario de conversión es simplemente una relación matemática entre
el mismo fenómeno subyacente pero con diferentes escalas de
medida, como las unidades Inglesas y las SI (métricas). Por ejemplo,
Ud. puede encontrar una fuente de datos que exprese las emisiones
en libras pero que necesitan ser reportadas en kilogramos (o en
toneladas métricas). Este tipo de conversión no requiere tampoco de
mucha documentación, por ejemplo, Ud. podría escribir que “se
manejaron 2.2 libras por kilogramo”. Estas conversiones tienen que
hacerse y manejarse correctamente. En 1999, se hizo famosa la
noticia de que la NASA perdió el Orbitador Climático de Marte
después de una misión de nueve meses cuando los ingenieros de
navegación dieron órdenes en unidades métricas a la astronave, cuyos
ingenieros de software la habían programado para operar con
unidades Inglesas, causando que el vehículo se disparara lejos del
planeta.
Si Ud. no conoce los factores de conversión necesarios, entonces Ud.

tendrá que buscar fuentes para sus factores de conversión usando los
mismos métodos discutidos anteriormente. Si Ud. tuviera que hacer
una búsqueda de unidades de conversión con los múltiples manuales y
herramientas disponibles, Ud. seguramente encontrará valores

ligeramente diferentes en varias fuentes, aunque la mayoría de estas
diferencias serán debidas simplemente al redondeo o a la reducción
de dígitos. Una fuente puede decir 2.2 libras por kg, otra 2.20462, e
incluso otra 2.205. Hablando prácticamente cualquiera de estas
unidades de conversión nos llevará al mismo resultado (la diferencia
sería de un máximo de 0.2%) y además del aspecto cuantitativo, en el
escenario completo, todos estos resultados serían el mismo número,
es decir, 2.2. La existencia de múltiples factores de conversión es la
razón por la cual se debe precisar la que Ud. utilizó. Si no se
especifica el factor de conversión utilizado, alguien más podría no
reproducir los resultados de su estudio (o podría suponer un factor de
conversión alternativo y no entender porqué fueron diferentes sus
resultados). Dada la base científica e ingenieril de los factores de
conversión de unidades, generalmente Ud. no necesita citar ‘fuentes’
específicas para ellos, sólo los números usados.
Cuando vaya construyendo sus modelos, sus cálculos se harán cada

vez más complejos. En este sentido, Ud. puede checar repetidamente
sus cálculos revisando sus unidades. Como un simple ejemplo,
suponga que Ud. tiene datos del tiempo de tránsito de un remolcador
para un tramo de río entre dos muelles. Ud. sabe el tiempo de tránsito
en minutos (140), y la distancia entre los muelles en millas (6.1). La
ecuación 2-1 muestra como calcular la velocidad del remolcador en
kilómetros/hora, lo cual podría ayudarle posteriormente a calcular
potencias y tasas de emisiones. Si Ud. obtiene las unidades de
velocidad incorrectamente, pese a tratarse de una conversión trivial,
tendrá efectos desastrosos en sus resultados de todo el modelo. El
rastreo de las unidades confirma que Ud. ha utilizado todos los
factores de conversión necesarios, y que los ha utilizado
apropiadamente y en el orden correcto.
km 6.1 millas entre muelles 1kil ó metro 60 minutos

x = × × =4.2km/ h r (2-1)
h ora 140 minutos tiempo de tr á nsito 0.621 millas 1 h ora
Terminamos esta sección discutiendo brevemente la necesidad de

manejar unidades en los cálculos. Note que cuando resuelva el
ecuación 2-1, su calculadora le sugerirá que la velocidad es de 4.2098
km/hr, un nivel de exactitud que sería imposible de conseguir (y tonto
de presentar). La razón de documentar las unidades es la de que
cuando las estamos usando en los cálculos, hagamos las operaciones
matemáticas correctamente, es decir, sumando kg a kg, y no kg a g.

La caricatura hecha en 1976 por The New Yorker (presentada al inicio
de este capítulo) es una clara ilustración de este punto.
Consideraciones para Conversiones de Unidades de Energía

Algunas veces el cambiar de unidades implica más que la aplicación
de simple factor de conversión. Ud. puede recordar de un curso de
física que la energía es una medida de la cantidad de trabajo
realizado o generado (donde las unidades típicas son los julios, las
BTU, o los kilowatt-hora). Por otro lado, la potencia es la velocidad
con que la energía es usada o transformada (las unidades típicas son
los watts o julios/segundo). La conversiones de unidades en el dominio
de la energía, por ejemplo, entre BTU y kWh, pueden ser más
complicadas de lo que parecen. A diferencia de las unidades físicas de
conversión que solamente son diferentes formas de medir o de
sopesar, pueden haber diferentes interpretaciones o contextos acerca
del uso de las fuentes sobre energía.
La cantidad de energía usada localmente para una tarea específica se

refiere típicamente como un energía en el sitio, como la energía que
usamos para recargar una laptop o un celular. Sin embargo, los usos
de energía en el sitio nos llevan típicamente a un uso mayor de
energía en otra parte, como en una planta de generación eléctrica. El
desempeño de conversión de energía de una planta alimentada con
carbón y las pérdidas desde la red de distribución significan que por
cada 3 unidades de energía en el carbón quemado en una planta,
podremos usar solamente cerca de 1 unidad de energía en nuestros
aparatos eléctricos. Esa cantidad de energía inicial requerida, como
en el caso de una planta de energía, es llamada fuente de energía o
energía primaria. Una conversión entre unidades Inglesas y
métricas (por ejemplo, BTU y MJ) para energía primaria es directa ya
que tanto las BTU como los MJ representan un contenido de energía
(por ejemplo, la cantidad de BTUs en un galón de gasolina). Sin
embargo, nuestra evaluación del uso de energía debería ciertamente
de incluir la consideración de las ineficiencias en los procesos de
conversión de nuestros métodos, como se discutió anteriormente.
Un concepto relacionado que es más específico para la modelación del

uso de combustible corresponde al valor calorífico del combustible,
lo cual se refiere a la energía liberada al quemar el combustible, con
unidades como kJ/kg o BTU/lb. Resulta de particular importancia cuál
valor calorífico –el más bajo o el más alto—se usará. La diferencia

entre el valor calorífico bajo (LHV) y el valor alto (HHV) se refiere a si
la energía utilizada para vaporizar el agua líquida en el proceso de
combustión se incluye o no se incluye. Mientras que la diferencia
entre el HHV y el LHV es típicamente de sólo un 10%, Ud. puede
argüir que el HHV es una métrica mas incluyente, consistente con el
sistema y las perspectivas del ciclo de vida relevantes para el LCA.
Sin embargo, éste es otro ejemplo del porqué se necesitan explicitar
todas las suposiciones relevantes en un análisis energético.
Podríamos también necesitar de hacer suposiciones sobre el proceso

de conversión. Una dificultad al convertir de BTU a kWh puede
depender de si un proceso termodinámico intermedio está incluido o
no. Por ejemplo, muchos manuales de referencia ingenieriles sugieren
el factor de conversión "1 kWh es igual a 3,413 BTU". Pero esto
supone una conversión perfecta sin pérdidas, una pura equivalencia
de energía. El contexto más probable detrás de tal conversión es un
proceso energético en donde la entrada de combustible es usada para
generar una cantidad de electricidad, conocida como velocidad de
calentamiento. Sin embargo, al describir la conversión de energía
fósil de un combustible en una planta eléctrica, la velocidad de
calentamiento para una planta típica alimentada por carbón puede ser
de 10,000 BTU (de insumo de carbón) para generar 1 kWh (salida de
electricidad). La razón de que la velocidad de calentamiento de la
planta eléctrica sea más grande que el factor de la pura conversión
energética es que el convertir carbón a electricidad requiere quemar
el carbón para usar el calor producido para convertir el agua en
vapor, y así usar el vapor presurizado para hacer girar una turbina, la
cual está conectada a un generador. Hay pérdidas a lo largo de todos
estos pasos, por lo que más de 3,413 BTU se necesitan para generar 1
kWh. La diferencia entre 3,413 BTU y las 10,000 BTU se expresa
como una razón que representa la eficiencia de la planta eléctrica,
que es de 3,413 BTU por kWh / 10,000 BTU por kWh, o 34%. En tanto
esto puede sonar como un ejemplo conveniente son cifras
redondeadas, es muy común para plantas eléctricas tradicionales
alimentadas con carbón el tener esta eficiencia aproximada. Las
plantas de gas natural pueden tener eficiencias de cerca del 50%. Las
celdas solares, que no necesitan quemar combustibles, tienen
eficiencias de cerca del 10% ¡Puede sorprenderle el saber que en el
siglo 21o nosotros dependemos de estos métodos tan ineficientes para
producir nuestra electricidad! El punto importante de este ejemplo es
que en estos contextos, Ud. no puede usar ni suponer el factor básico

de conversión de BTU a kWh. Ud. necesita conocer también ya sea la
velocidad de calentamiento o la eficiencia. Al trabajar con
combustibles se necesita generalmente un manejo cuidadoso de
unidades y del proceso de conversión. Los combustibles pueden ser
entradas para una variedad de procesos, no sólo para generar
electricidad. Por ejemplo cuando se les utiliza para generar calor en
un edificio, el gas natural con un contenido energético de 40 MJ/m 3
puede ser usado en un horno que tenga una eficiencia del 72% para
producir 29 MJ de calor/m3.
En general, mientras las mismas guías de documentación aplican, en

estos casos es aún más importante el documentar todos los factores
de conversión y las suposiciones hechas, ya que otros autores podrían
escoger diferentes conversiones o eficiencias como resultado de su
dominio específico personal de conocimiento. Muchas referencias
externas detallan las diferentes conversiones disponibles y necesarias
para trabajar en el dominio de la energía.
Como nota final, “convertir” entre energía y potencia no es apropiado

para los análisis de LCA, pero frecuentemente se hace para dar
ejemplos o puntos de referencias para audiencias no especializadas.
Por ejemplo, se puede decir que 300 kWh de electricidad es la
cantidad que un foco de 30 -Watts utiliza durante 10,000 horas (un
poco más que un año completo).
Uso de Emisiones o Factores de Uso de Recursos

Muchos procesos de producción tienen emisiones al ambiente, tales
como diferentes tipos de contaminantes mencionados en el Capítulo 1.
En muchos análisis se necesita un factor de emisiones para
representar las unidades de emisiones liberadas como una función de
algún nivel de actividad. En capítulos posteriores discutiremos sobre
fuentes específicas de datos para factores de emisiones, pero la
mayoría de factores de emisión se pueden encontrar usando el mismo
tipo de métodos necesarios para encontrar fuentes primarias de datos
o conversión de unidades. Los factores de emisiones pueden hallarse
en reportes o bases de datos gubernamentales (por ejemplo, la base
de datos US EPA's AP-42) o en las especificaciones técnicas de una
pieza de equipo y de esta manera deberían ser citadas explícitamente
si se llegaran a usar. Dado el potencial de discrepancia en los factores

de emisiones, Ud. debería de buscar múltiples fuentes de factores de
emisiones para representarlas con un rango de valores.
Más allá de que se encuentren fuentes, el conocimiento de cantidades

físicas existentes y de procesos químicos puede ser usado para
encontrar factores de emisiones. La ecuación 2-2 puede usarse para
generar un factor de emisiones de CO2 para un combustible quemado
basándose en su contenido de carbono (encontrado según
experimentos de laboratorio) y suponiendo una tasa de oxidación del
carbono (el porcentaje de carbono CO2 que es convertido durante la
combustión):
Emisiones de CO2 debidas al quemar el combustible (kg / MMBTU) =
Coeficiente de Contenido de Carbono (kg C / MMBTU) * Fracción

Oxidada * (44/12) (2-2)
Donde el parámetro 44/12 en la Ecuación 2-2 es la razón del peso

molecular del CO2 y el peso molecular del carbono, donde MMBTU
significa millones de BTU.
Si estuviéramos haciendo un análisis preliminar y solamente

necesitáramos un factor de emisiones aproximado, podríamos suponer
que la fracción oxidada es 1 (100% u oxidación completa). En
realidad, la fracción oxidada podría ser cercana a 0.9 más que a 1
para algunos combustibles. Para un ejemplo de carbón con un
contenido de carbono de 25 kg C por MMBTU, y suponiendo una
oxidación perfecta, el factor de emisiones sería de 92 kg CO 2 /
MMBTU.
Varios factores de emisiones pueden desarrollarse a través de

métodos similares, conociendo el contenido de los elementos (como en
el SO2), sin embargo, otros factores de emisiones están en función de
la elección de las tecnologías de combustión y de control de emisiones
utilizadas (como para el óxido de nitrógeno o para las emisiones de
materia particulada).
En LCA, descubriremos además los factores del uso de recursos, tal

como factores de entrada de materiales, los cuales son usados y
desarrollados en formas similares a los factores de emisión. La
principal diferencia es que los factores de uso de recursos están

hechos como una función de entrada más que de salida.
Estimaciones vs. Cálculos

"La señal de una mente instruida es cuando descansa satisfecha
con el grado de precisión que la naturaleza del tema permite y no
sigue buscando una exactitud en donde solamente una
aproximación a la verdad es posible." - Aristóteles
"Dios creó el mundo en el 4004 a. C., el día 23 de Octubre." –

Arzobispo James Ussher de Irlanda, Los Anales del Antiguo
Testamento, en 1650 d. C.
".. a las nueve de la mañana." –John Lightfoot de Cambridge, en

1644 d. C.
La mayoría de los cursos y de los libros de texto le enseñan como

aplicar ecuaciones y métodos conocidos para derivar respuestas que
sean exactas y consistentes (y egoístamente, fáciles de calificar). En
general, se trata de actividades orientadas a enseñar métodos de
cálculo. Similarmente, métodos como los descritos anteriormente
pueden ayudar para encontrar y documentar los datos necesarios
para soportar los cálculos. Un ejemplo simple de un método de cálculo
es el de aplicar un factor de conversión (por ejemplo, libras a
kilogramos). Métodos de cálculo más complejos pueden incluir la
solución de la distancia recorrida dada una ecuación que relacione la
distancia con la velocidad y con el tiempo. Suponiendo que Ud. ha
tenido suficiente exposición a la ejecución de cálculos, el resolver
problemas de LCA raramente le requerirá aprender un método de
cálculo completamente nuevo.
Pero ¿que pasaría si todo lo demás falla y Ud. no puede encontrar una
fuente primaria o una unidad necesaria de conversión? ¿Que pasaría
si no podemos encontrar un método apropiado de cálculo? Se debe
encontrar un método alternativo que nos ayude a encontrar una
respuesta cuantitativa, preservando el método científico, con
flexibilidad suficiente para usarse sin todos los datos o ecuaciones
necesarios. Esta alternativa podría requerir el hacer una encuesta de
expertos o de no-expertos, o de suponer la respuesta. Es esta idea de
"suponer" la respuesta lo que es el tópico de esta sección. Aquí

asumimos que hay un aspecto crítico temporal en la situación, y que
Ud. requiere una suposición relativa en vez de invertir más cantidad
de tiempo buscando una fuente, realizando una encuesta completa,
etc.
Los métodos de estimación utilizan una mezcla de aproximaciones

cualitativas y cuantitativas para conseguir un "tanteo aproximado", o
"suposición informada", o el orden de magnitud de la evaluación en
una respuesta. Estos métodos no deben confundirse con los tipos de
estimación hechos en análisis estadísticos puramente cuantitativos en
su naturaleza (por ejemplo, la estimación de los parámetros de una
ecuación de regresión). Con los métodos de estimación buscamos una
respuesta aproximadamente correcta que sea adecuada para nuestro
propósito – de ahí el concepto de que sólo estamos buscando el orden
de magnitud de un resultado, o un resultado que podamos calcular en
el espacio limitado de un sobre. Los textos entrecomillados al inicio de
esta sección representan el espectro de los métodos aproximados vs.
exactos en contraste.
Los métodos de estimación son reconocidos algunas veces como

conjeturas educadas o solución oportunista de problemas. Como Ud.
verá, la idea es la de crear conjeturas educadas que no suenen como
adivinanzas. Si Ud. encuentra este tópico interesante se le
recomienda leer las referencias al final de este capítulo de Koomey,
Harte (los dos enfocados en tópicos ambientalistas) , Weinstein y
Adam, y Mahajan con sus populares recursos bibliográficos.
Los métodos de estimación son exitosos al usar una aproximación

estructurada en la creación y documentación de suposiciones
relevantes a la pregunta, en vez de simplemente meter valores
conocidos en una ecuación. En este contexto, Ud. necesita ajustar sus
expectativas (y las de su audiencia) para reflejar el hecho de que Ud.
no está buscando un valor calculado. Ud. puede estar simplemente
tratando de representar correctamente el signo y/o el orden de
magnitud del resultado. "Tener el signo correcto" es relativamente
rápido pero frecuentemente difícil. Aproximar el orden de magnitud
significa generar un valor en donde se necesita solamente una cifra
significativa y la "potencia de 10" atrás de ella, dará una idea de qué
tan grande o pequeña es (es decir ¿estará el valor en los millones o en
los miles de millones?).
Si Ud. proviene de una disciplina de "ciencia dura" como la química o

la física, la idea de generar una respuesta sin una ecuación puede
sonar a blasfemia. Pero recuerde la premisa de los métodos de
estimación –que Ud. no tiene acceso a , que no se puede adquirir, o
que no se está familiarizado con los datos y ecuaciones necesarios
para calcular un resultado. No estamos sugiriendo que Ud. necesite
usar estimaciones para encontrar la fuerza de gravedad, el número de
moléculas por mole, etc. Muchos estudiantes pueden haber
encontrado estos métodos en forma de ejercicios de clase conocidos
como "Problemas de Fermi". Más aún, tales retos de estimación son
utilizados cada vez más frecuentemente como preguntas en el
momento de entrevistas para trabajo para aquellos interesados en los
campos técnicos.
Mientras que las importantes referencias mencionadas anteriormente

dan muchos ejemplos de la aplicación de métodos de estimación, otras
referencias son útiles para aprender los métodos fundamentales.
Mosteller (1977) lista varios métodos constructivos tipo block que
pueden ser usados y combinados para ayudar en la realización de la
estimación. Ud. está probablemente familiarizado con muchos o con
todos ellos, pero puede que no haya considerado su valor para
mejorar sus habilidades de estimación:
 Reglas de oro – Incluso un principiante tiene varios números y

conocimiento a la mano que pueda ayudarle a estimar otros
valores. Por ejemplo, si se está realizando un análisis financiero
es útil saber la "regla del 72" que define cuando una suma
invertida doblará su valor. Igualmente, Ud. puede conocer
varios multiplicadores usados en un dominio para contabilizar
desperdicios, excesos, u otros considerandos (por ejemplo,
contingencia o factores de indecisión). Ejemplo de esto es la
popular Ley de Moore para el incremento de la densidad de un
circuito integrado a lo largo del tiempo. Cualquiera de estas
reglas pueden ser herramientas útiles para una buena
estimación. Note además que la regla de oro de una persona
puede ser el factor de conversión de otra.
 Proxies o semejanza – Los valores proxy en una estimación

son valores que conocemos en lugar de los que no conocemos.
Por supuesto que el antecedente necesario es que se espera que
los dos valores sean similares. Si estamos tratando de estimar
las BTU totales de energía contenida en un barril de diesel, pero

sólo tenemos memorizado el dato para la gasolina, podríamos
usar los BTU del galón de gasolina como un proxy para el
combustible diesel (en realidad los valores son muy cercanos,
como se podría haber esperado ya que los dos son productos de
la refinación del petróleo). Además de usar sustituciones
directas de valores vía proxy, podemos usar métodos de
semejanza para reutilizar conjuntos de datos destinados a otros
propósitos para ayudarnos. Por ejemplo, si quisiéramos conocer
estimaciones de las tasas de fugas de las tuberías de gas natural
en los EE.UU., podríamos usar datos de Canadá, ya que tiene
tecnologías y políticas de protección al medioambiente
similares.
 Modelos pequeños lineales – Aún si no tenemos una ecuación

conocida para aplicar en una estimación, podemos crear
modelos pequeños lineales para ayudarnos. Si buscamos las
emisiones totales de una instalación a lo largo de un año,
podríamos usar un pequeño modelo lineal (por ejemplo, de la
forma y = mx + b) que estime tal valor (y) multiplicando las
emisiones de cada día de trabajo (m) por el número de días de
trabajo (x). De esta manera estaremos creando ecuaciones atajo
para nuestras necesidades.
Por supuesto, estos pequeños modelos lineales podrían ser aún

más complicados, por ejemplo usando el resultado de una
ecuación para usarlo en otra. En el ejemplo anterior, podríamos
haber tenido un modelo lineal separado para estimar
primeramente las emisiones por día (quizás multiplicando el uso
del combustible por algún factor). Otra manera de usar estos
modelos es el de incorporar tasas de crecimiento, por ejemplo,
haciendo que b tenga un valor propuesto en un año previo, y
que mx tenga el valor del producto de una tasa estimada de
crecimiento y el número de años correspondiente.
 Factorización – La factorización es similar a los pequeños

modelos lineales mencionados anteriormente, nada más que en
términos puramente multiplicativos. La factorización busca
simular una cadena de conversiones con sus unidades (por
ejemplo, al escribir detalladamente todas las unidades de los
numeradores y denominadores para convertir de días en un año
a segundos en un año, lo que se parece a la Ecuación 2-1). Igual

que antes, la meta aquí es la de estimar los términos
individuales y multiplicarlos entre sí para obtener el valor
correcto con las unidades correctas. Los factores en la ecuación
usada pueden contener constantes, probabilidades o valores
modelados por separado.
 Límites – Los límites superiores e inferiores se discutieron en el

contexto de la creación de rangos para propósitos de análisis,
pero pueden usarse también en estimaciones. Podemos usar
límites aquí para ayudar a definir el orden apropiado de
magnitud para una parte del análisis y entonces aplicar una
suerte de factor de escala o de ajuste para generar una
respuesta razonable. Por ejemplo, si estuviéramos tratando de
estimar cuánta electricidad podríamos generar vía paneles
solares fotovoltaicos, utilizar toda la superficie del mundo nos
daría un límite máximo de producción. Entonces podríamos
reducir ese número por medio de una suposición de la fracción
de superficie que está altamente urbanizada o que no es apta
para la instalación fotovoltaica.
 Segmentación o descomposición – En este tipo de análisis,

dividimos una parte sencilla en múltiples pero distintas
subpartes, y por separado estimamos un valor para cada
subparte, integrando para encontrar el total. Si estuviéramos
tratando de estimar las emisiones fósiles de carbono de los
EE.UU., podríamos estimar las emisiones de dióxido de carbono
por separado de las plantas eléctricas alimentadas por fósiles,
del sector transportes y de otras industrias. Cada una de estas
subpartes puede requerir su propio y único método de
estimación (por ejemplo, una conjetura sobre los kg of CO 2 por
kWh, por milla recorrida por vehículo, etc.) para sumar todas las
subpartes y obtener el total --desconocido originalmente, de
emisiones de CO2.
 Triangulación – Usar la triangulación significa que

experimentemos en paralelo con múltiples métodos para estimar
el mismo valor, y entonces juzgar si se usa alguno de los valores
resultantes o si se genera un promedio u otra combinación de
ellos. La triangulación es especialmente útil cuando Ud. está
muy inseguro de lo que se está estimando, o cuando los métodos
que Ud. ha escogido contienen muchas suposiciones. En este

contexto, Ud. puede controlar ya sea el estar satisfecho con uno
de sus resultados, o el de usar un rango de ellos. Por supuesto
que si sus varias estimaciones paralelas son muy similares Ud.
podría elegir un valor consensuado.
Aunque Mosteller resumió estos bloques de construcción específicos,

Ud. no debería sentirse limitado por ellos. Se pueden hacer valer
varias otras clases de funciones matemáticas, convoluciones, y
principios para ayudarle en sus esfuerzos para hacer estimaciones.
Más allá de estos bloques constructivos, Ud. debería de crear rangos
(ya que está estimando cantidades desconocidas) suponiendo rangos
de constantes en sus métodos o utilizando rangos creados por
triangulación. Nunca suponga que no puede "averiguar" un valor
necesario dentro del ámbito de su estimación. Puede haber algún
factor importante que podría ayudarle mucho a encontrar el valor
desconocido que Ud. busca, como podría ser la población de una
región, la cantidad total de energía usada, etc. Usted puede utilizar
esto para ayudarle a encontrar el valor buscado, pero asegúrese de
citar las debidas fuentes. Podría ser útil evitar usar estos valores de
fuentes referenciales cuando Ud. apenas está aprendiendo cómo
hacer estimaciones, de modo que cuando ya tenga más experiencia,
pueda incorporar este método a su práctica.
Consecuentemente con varias de las descripciones de los bloques de

construcción, una parte crítica de las buenas estimaciones es la de
usar el método de "dividir y conquistar". Esto significa que Ud.
descomponga recursivamente un valor desconocido de alto nivel en
una expresión de múltiples valores desconocidos y que estime cada
uno de ellos por separado. Una recomendación final es la de que Ud.
debería ser creativo y además considerar intentos "fuera de la caja"
que potencien su conocimiento o experiencia personales. Esto puede
significar el uso de reglas de oro especiales o valores que Ud. ya
Ejemplo 2-2: Estimación del consumo de petróleo por día para el transporte en
los EE.UU.
Pregunta: A partir de que el total de millas manejadas por todos los vehículos en los
EE.UU. es de cerca de 3 billones de millas por año ¿Cuántos galones de petróleo se usan por día
en los EE.UU. para el transporte?
Respuesta: Si suponemos un promedio económico del combustible de aproximadamente 20

millas por galón, podemos estimar que se consumen 150 miles de millones de galones (3
billones de millas / 20 millas por galón) de combustible por año. Esto es cerca de 400 millones
de galones por día.
conoce, o el intentar con métodos con los que Ud. ya tenga buena
experiencia. Ahora que hemos revisado los bloques de construcción, el
Ejemplo 2-2 nos muestra cómo aplicarlos para crear una estimación
simple.
Ud. podría desarrollar además estimaciones que sirvan al propósito

específico de explicar un resultado para presentarlo a una audiencia
en general. En estos casos Ud. podría querer encontrar una imagen
útil o una referencia mental que tenga la audiencia para colorar un
resultado en ese contexto. El Ejemplo 2-3 muestra como se podría
explicar una concentración de 1 ppm (1 parte por millardo).
Ejemplo 2-3: Visualizando una concentración de una parte por millardo
Pregunta: ¿Cuántas pelotas de golf se necesitarían para rodear la Tierra?
Respuesta: Supongamos que el diámetro de una pelota de golf es aproximadamente

de 1.5 pulgadas, y que la circunferencia de la Tierra es de cerca de 25,000 millas (en
números gruesos 10x la distancia para viajar de costa a costa en los EE.UU.). Podemos
convertir 25,000 millas a 1.6 x 10 9 pulgadas. Así las cosas, habrán 1.6 x 10 9 pulgadas /
1.5 pulgadas, o ~1 millardo de pelotas de golf rodeando la Tierra.
Entonces, si tratamos de explicar la magnitud de la concentración de 1 parte por

millardo (ppm) ¡pensemos en una pelota roja de golf a lo largo de 1 millardo de pelotas
blancas a lo largo del Ecuador rodeando la Tierra!
Atributos de las Buenas Suposiciones

Uno de los principales beneficios de ser capaz para la estimación es
que mejorarán sus habilidades para documentar las suposiciones de
sus métodos. Ya que la aplicación de los métodos de estimación
requieren que Ud. haga suposiciones explícitas sobre el proceso
utilizado para obtener su respuesta, vale la pena discutir los atributos
de las buenas suposiciones. Puede que Ud. tenga la impresión de que
hacer suposiciones sea algo malo. Sin embargo, la mayoría de la
investigación tiene en su centro un conjunto estructurado de
suposiciones que sirven para refinar y dirigir el método subyacente.
Sus suposiciones se pueden referir específicamente a la respuesta que
está tratando de encontrar, tanto como a las tecnologías de medición
usadas, al método o al análisis. Ud. podría pensar de sus suposiciones
como en el establecimiento de las "reglas del juego" o como en el
listado de la información relevante que se considera cierta. Ud.

debería hacer y escribir suposiciones con los atributos siguientes.
1. Aclarar y Simplificar – Primero, dese cuenta que la intención

de hacer una suposición es la de ayudar a clarificar el análisis (o
por lo menos para excluir casos especiales o complicaciones).
Las suposiciones también sirven idealmente para refinar y
simplificar su análisis. No es útil hacer una suposición que haga
las cosas más difíciles para su análisis o para la audiencia que
sigue su proceso. Por ejemplo, si Ud. estuviera tratando de
estimar la cantidad de plantas eléctricas en los EE.UU., podría
suponer primeramente que se están considerando sólo plantas
eléctricas de más de 50 MW de capacidad. O Ud. podría suponer
que solamente se están considerando instalaciones que generan
y venden electricidad (lo cual ignoraría las plantas eléctricas
utilizadas por las compañías para generar su propia
electricidad). Al hacer estas suposiciones, Ud. estaría
excluyendo un número potencialmente significativo de
instalaciones (que llevaría a un total menor al existente), pero
Ud. ya lo había considerado explícitamente al inicio, en
contraposición de hacerlo sin haberlo mencionarlo.
Es posible que una suposición pueda requerirse para poder

hacer una estimación. Por ejemplo, Ud. podría necesitar el
suponer que está estimando solamente las plantas eléctricas
basadas en fósiles, porque no tiene idea de las capacidades,
escalas o procesos usados para generar electricidad renovable.
2. Correcto, creíble y factible – Si no se trata de algo que sea

obviamente cierto (es decir, que Ud. no está enunciando algo
que sea un hecho bien conocido), su audiencia debería leer una
suposición y sentir que es válida – aunque sea difícil de creer o
de aceptar. Por ejemplo, Ud. no debería suponer un factor de
conversión inconsistente con la realidad, como el decir que hay
solamente cuatro días en la semana o 20 horas en un día.
3. No un atajo – En tanto que las suposiciones ayudan a reducir y

refinar el espacio en el que Ud. está buscando una respuesta, no
deberían servir para simplemente labrar un paso simplista hacia
una solución trivial. Su audiencia no debería quedarse con la
impresión de que a Ud. se le acabó el tiempo o el interés por
encontrar la respuesta y de que sustituyó un buen análisis por

otro conveniente. Por ejemplo, Ud. podría suponer que estaba
solamente contando las plantas eléctricas privadas. Esto
significa reducir los límites del problema, y no suena a que se
trataba de trivializarlo a propósito.
4. Imparcialidad – Sus suposiciones no deberían de incorporar

algún grado de conexión con un factor que no esté relacionado.
Por ejemplo, al estimar la cantidad de plantas eléctricas a Ud.
no le interesa basarse en una representación geoespacial
asociada con el número de instalaciones que producen etanol,
las cuales están altamente concentradas en áreas donde crecen
cosechas como el maíz.
Aparte de listarlas, una buena práctica es la de escribir una

justificación explícita de sus suposiciones. En el ejemplo anterior de la
planta eléctrica, la justificación del porqué Ud. contó solamente las
instalaciones relativamente grandes (>50 MW) podría ser "porque Ud.
considera que el número de plantas con capacidades menores es
mínimo dada la demanda de la red energética". Ya que en la
estimación Ud. está buscando un orden de magnitud, despreciar parte
del espacio de solución no debería tener efectos prácticos. En el caso
de suponer solamente instalaciones privadas, la justificación podría
simplemente especificar que no se están estimando todas las plantas,
sino sólo aquéllas que son privadas. En el Ejemplo 2-2,
las supuestas 20 millas por galón de combustible son apropiadas para
vehículos de pasajeros, pero no tanto para camiones o autobuses en
caso de que éstos sean muchos. En ese ejemplo, sería útil establecer y
justificar una suposición explícita, como "Suponiendo que la mayoría
de las millas recorridas son en vehículos para pasajeros, con un
consumo de combustible de 20 millas por galón, …"
Escribir el proceso de pensamiento detrás de sus suposiciones le

ayuda a desarrollar su estilo de escritura profesional, y ayuda también
a su audiencia para seguir y apreciar más confortablemente su
análisis. Aún más, al hacerse capaz de escribir las suposiciones y los
procesos utilizados para basar sus cálculos rápidos aproximados, Ud.
adquiere generalmente la aptitud de documentar sus métodos.
Probablemente Ud. se beneficiará de estas habilidades de escritura en
otras tareas.
En el caso de que Ud. no establezca todas sus suposiciones, los

lectores tendrán que buscarlas por sí mismos, o tendrán que crear sus
propias suposiciones basados en su documentación incompleta.
Huelga decir que cualquiera de estas dos opciones abre la posibilidad
de que ellos hagan malas suposiciones sobre su trabajo.
Validando sus Estimaciones

Cuando Ud. tiene que estimar una cantidad, es importante que Ud.
intente asegurarse de que el valor que ha estimado tenga sentido (ver
la discusión al inicio de este capítulo acerca de pruebas de sensatez).
Aunque Ud. haya estimado una cantidad para la cual no pudo
encontrar una buena cita desde el inicio, ésta podría ser validada al
compararla con otros valores similares.
Como una experiencia de aprendizaje, Ud. podría tratar de estimar un

valor con un número conocido que sepa que se puede encontrar, pero
del cual Ud. todavía no sabe la respuesta (por ejemplo, el número de
plantas eléctricas en los EE.UU., o un valor que Ud. podría buscar en
un resumen estadístico). Esto le ayudará a afilar sus habilidades con
un bajo riesgo, de modo que Ud. puede tratar varios métodos y
observar directamente cuáles suposiciones le ayudan a llegar valores
más cercanos a la "respuesta real" y a rastrear el porcentaje de error
en cada intento antes de ver la respuesta real. Las metas de este
ejercicio son las de aprender al hacer muchas estimaciones de varias
cantidades (no sólo 5 intentos para el mismo valor desconocido) y la
de entender progresivamente el porqué sus estimaciones difieren de
Ejemplo 2-4: Validando el Resultado encontrado en el Ejemplo 2-2
En el Ejemplo 2-2, estimamos rápidamente que el sector de transportación consume 400

millones de galones de petróleo por día.
La Administración de Información de Energía de los EE.UU. reporta que cerca de 7 mil

millones de barriles de crudo y otros productos del petróleo fueron consumidos en el 2011.
Cerca del equivalente de mil millones de barriles fueron de líquidos de gas natural que
generalmente no se usan en la transportación. Eso significa que cerca de 17 millones de barriles
por día (alrededor de 850 millones de galones por día con 50 galones por barril). Eso es casi el
doble de nuestra estimación en el Ejemplo 2-2, pero esto está todavía en el mismo orden de
magnitud.
Pensemos más sobre las razones por las que nos desviamos en un factor de dos. Primero,
intentamos una estimación en un párrafo con dos suposiciones. La parte de vehículos de
pasajeros en el total de millas manejadas no es el 100%, y los camiones pesados representan el
10% de las millas recorridas y cerca de un cuarto del combustible consumido (porque sus
consumos de combustible son aproximadamente de 5 mpg y no de 20). Considerando estas
desviaciones, nuestra estimación original, aunque simplista, resultó útil.
Fuentes: US DOE, EIA, Annual Petroleum and Other Liquids Consumption Data
http://www.eia.gov/dnav/pet/pet_cons_psup_dc_nus_mbbl_a.htm
las respuestas reales. Puede ser que Ud. no esté haciendo buenas
suposiciones, o puede que Ud. esté sistemáticamente proponiendo
valores muy altos o muy bajos. No es difícil capacitarse después de
haber tratado de estimar 5-10 valores diferentes por Ud. mismo. Al
hacerlo, trate de aplicar todos los métodos de bloques de construcción
propuestos por Mosteller.
Además de validar sus propias estimaciones, Ud. podría querer hacer

una prueba de sensatez para el valor dado por alguien más. Así, Ud.
encontrará frecuentemente cantidades presentadas en los periódicos
o revistas tanto como en journals académicos, de las cuales tenga
curiosidad o que reprueben una prueba de olfateo rápido. Aquí, Ud.
puede usar los mismos métodos de estimación para validar esas
cantidades. El sólo hecho de que algo esté publicado no significa
necesariamente que ha sido checado exhaustivamente contra errores.
Los errores suceden todo el tiempo y no siempre se les publica en las
erratas. El Ejemplo 2-5 muestra una validación de valores publicada
Ejemplo 2-5: Validando
en los principales mediosuna métrica comparativa
de comunicación en aluna
relativos discusión
estándar parasobre
políticas
el smog propuesto en el 2010 por la EPA.
Pregunta: Validar el número de pelotas de tenis en el siguiente extracto de las Noticias de
CBS (2010) referentes a los detalles del estándar para el smog propuesto por la EPA del 2010.
"La propuesta de la EPA presenta un rango para la concentración permisible de ozono al nivel
de terreno, el principal ingrediente en el smog, desde 60 partes por millardo hasta 70 partes
por millardo. Esto es equivalente a 60 a 70 pelotas de tenis en una alberca de tamaño
Olímpico llena de un millardo de pelotas de tenis."
Respuesta: Suponga que la nota falla en su prueba de olfato porque Ud. se da cuenta que un
millardo de pelotas de tenis es un número muy grande de pelotas para esta alberca. Una
estimación rápida aproximada sugiere que el tamaño aproximado de una alberca Olímpica es
de 50m x 25m * 2m = 2500 metros cúbicos. Similarmente, suponga que una pelota de tenis
ocupa un cubo de diámetro de 2.5 pulgadas (70 mm o 0.07m), lo que implica un volumen de
0.00034 m3. Esta alberca contiene sólo cerca de 7 millones de pelotas de tenis, casi tres órdenes
de magnitud menos que el millardo sugerido en el extracto. Por supuesto que podríamos
refinar aún más nuestras suposiciones como el de que la alberca pudiera estar uniformemente
más profunda, o el que la pelota de tenis ocupara completamente su cubo (para considerar que
las pelotas de tenis adyacentes pudieran llenar algunos de los huecos de las pelotas
amontonadas) pero ninguna suposición podría explicar la diferencia en los varios órdenes de
magnitud.
Ud. no puede poner un millardo de pelotas de golf en una alberca Olímpica, así que el punto de
referencia sugerido para la audiencia lega es erróneo. Se trata probablemente de una referencia
informal de la Página de Hechos de la EPA en el artículo noticioso (por ejemplo, "60-70 pelotas
en una alberca llena de pelotas").
Gracias a Costa Samaras de la Universidad de Carnegie Mellon por este ejemplo.

Ahora que hemos construido cimientos generales importantes para

trabajar y manipular datos, dirigimos nuestra atención a varios
conceptos más específicos del LCA.
Construcción de Modelos Cuantitativos

Dados todos los principios anteriores, Ud. debería estar preparado
ahora para construir los tipos de modelos necesarios para un
pensamiento robusto del ciclo de vida. Estos modelos tienen entradas
y salidas. Las entradas son los varios parámetros, variables,
suposiciones, etc., y la salida es el resultado de la ecuación o
manipulación ejecutada en las entradas. En un modelo típico, tenemos
un conjunto simple de valores de entrada y un valor simple de salida.
Si tenemos rangos, podríamos tener varios conjuntos de entradas y
múltiples valores de salida. Aparte de estos modelo típicos hay otros
tipos de modelos que podríamos elegir construir que son menos
directos.
En un análisis de equilibrio, Ud. resuelve para el valor de entrada

que tiene un efecto prescrito sobre su modelo. Un ejemplo clásico, y
de donde viene el nombre de "equilibrio" es cuando Ud. está
construyendo un modelo de ganancias o pérdidas, en donde su modelo
por default puede sugerir que se espera que las ganancias sean
positivas (es decir, que el resultado sea mayor que $0). Un análisis de
equilibrio relevante puede evaluar el valor de entrada (por ejemplo, el
precio de la electricidad o la cantidad de unidades vendidas)
necesario para obtener un resultado sin ganancia, es decir, un valor
$0 (o negativo). Esto será la referencia que Ud. necesita para "hacer
tablas" o para tener ganancias. Se trata simplemente de regresar por
el cálculo para encontrar la entrada necesaria para satisfacer las
condiciones especificadas en el resultado. No todos los análisis de
equilibrio tienen que ser acerca de valores monetarios, ni necesitan
calibrarse con el valor cero. Usando el ejemplo de la Ecuación 2-1,
Ud. podría regresar por el cálculo para el tiempo del viaje de un
remolcador que se mueve con una rapidez de 5 km/hr. Las

matemáticas para estos análisis son generalmente fáciles, y existen
programas de cómputo comunes como el de Microsoft Excel que
tienen herramientas incluidas (Buscador de Metas) para
automatizarlos. El Buscador de Metas es bastante potente ya que
puede resolver para un valor de equilibrio a través de una hoja
electrónica de valores bastante complicada.
La última habilidad cuantitativa en este capítulo es la de identificar

qué tan robustos son sus resultados con respecto a los cambios en los
parámetros o entradas de su modelo. En un análisis de sensitividad,
Ud. considera varias entradas individualmente para el modelo, y
evalúa el grado en el que –cambiando el valor de esas entradas,
resulta un cambio significativo en los resultados (se le llama análisis
de sensitividad porque Ud. está viendo qué tan "sensitiva" es la salida
a los cambios en las entradas). En referencia a lo de significativo, se
da por ejemplo cuando Ud. está evaluando si el signo de un resultado
cambia de positivo a negativo, o si hay un cambio significativo, por
ejemplo, de un orden de magnitud, etc. Si pequeños cambios en los
valores de entrada tienen un gran efecto en la salida, Ud. diría que su
salida es sensitiva. Si incluso grandes cambios en las entradas tienen
efectos modestos en la salida, entonces ésta no es sensitiva. Si alguno
de estos resultados ocurre en el rango de entradas usadas en el
análisis de sensitividad, entonces su análisis cualitativo debería
soportar esos hallazgos documentando esas salidas. Note que un
análisis de sensitividad cambia cada una de sus entradas
independientemente (es decir, cambiando una mientras que todas las
demás permanecen constantes. Ud. realiza un análisis de sensitividad
en todas las entradas por separado, reportando cuando identifique
que la salida es sensitiva a una entrada dada. Refiriéndonos de nuevo
al ejemplo del remolcador de botes (Ecuación 2-1) podríamos modelar
cómo varía la rapidez cuando el tiempo de tránsito varía en un rango
de 20 minutos a 4 horas. La Figura 2-4 muestra el resultado de
ingresar valores para el tiempo de tránsito en incrementos de 20
minutos en la Ecuación 2-1. Esto sugiere que la rapidez no es muy
sensitiva a largos tiempos de tránsito, pero cambia significativamente
para cortos tiempos de tránsito. Mostraremos más ejemplos de
análisis de equilibrio y de sensitividad en el Capítulo 3.
Figura 1-4: Sensitividad de la Rapidez del Remolcador de Botes al

Tiempo de Tránsito
Un método de Tres-pasos para la Evaluación Cuantitativa y

Cualitativa
Concluimos el capítulo con algunas sugerencias de cómo responder
preguntas cuantitativa y cualitativamente. El LCA trata de la
evaluación del ciclo de vida. Aunque aún no hemos demostrado el
método, es importante desarrollar habilidades de evaluación. Si Ud.
está haciendo trabajo cuantitativo (como Ud. necesitará hacer para
completar exitosamente un LCA), una guía general es la de que Ud.
debería pensar en cada tarea como si estas tuvieran tres partes:
(1)Una descripción del método usado para completar la tarea,
(2)El resultado o salida (cuantitativa o cualitativa) de la tarea, y
(3)Una evaluación crítica, una validación, o una interpretación

sobre el resultado.
La cantidad de tiempo y/o texto que Ud. desarrolle para documentar

cada uno de estos 3 pasos varía según las expectativas y complejidad
de la tarea (y quizás también dentro de los límites de tamaño de un
estudio).
En el paso uno, Ud. debería describir cualesquiera supuestos, fuentes

de datos encontradas, ecuaciones necesarias, u otra información
requerida para responder la pregunta. En el paso dos, Ud. establece
el resultado, incluyendo sus unidades si fuera necesario. En el paso
tres, Ud. comenta de alguna manera, valida, o reflexiona sobre la
respuesta que encontró. Este es un paso importante porque le permite
checar su trabajo (vea el ejemplo anterior sobre conversión de
unidades) y convencer al lector de que Ud. no sólo ha hecho un buen
trabajo sino que también ha dedicado tiempo razonando sobre las
implicaciones del resultado. Por ejemplo, una simple conversión de
unidades puede documentarse con el método de tres-pasos como
sigue:
"Las entradas de plásticos fueron convertidas de kg a libras (2.2

lbs. por 1 kg) resultando 100 kg de entradas. Este valor
representa el 20% de los flujos de masa dentro del sistema."
Cada uno de los tres pasos esperados se documenta en esas 2

oraciones: el método (una conversión básica de unidades), el
resultado (100 kg), y la evaluación (20% del total de flujos). Si esto
fuera parte de una tarea, se podría visualizar al instructor decidiendo
en cómo dar crédito a cada parte de la pregunta, por ejemplo, 3
puntos por el método, 2 puntos por el resultado, y 2 puntos por la
evaluación. Tal procedimiento enfatizaría la necesidad de hacer cada
parte, y podría además formalizar las expectativas de trabajar de esta
manera y de formar hábitos robustos en la construcción de modelos.
Para muchos tipos de resolución de problemas—especialmente
aquéllos relacionados con el LCA, en donde muchas respuestas son
posibles dependiendo de cómo modele Ud. el problema—el énfasis
puede estar en las partes 1 y 3, des enfatizando relativamente el
resultado encontrado en la parte 2. En otros dominios, como en un
curso de matemáticas, el resultado (parte 2) puede ser la única parte
significativa en términos del cómo Ud. será evaluado.
Independientemente de esto, Ud. probablemente utilizó un método (y
puede haberlo mostrado brevemente escribiendo una ecuación y
aplicándola), y trató de checar rápidamente su resultado para
asegurarse de que pasara un examen de sensatez, aún si Ud. no
escribió en detalle acerca de estos pasos.
Una manera de recordar la importancia de este proceso de tres-pasos

es el que su respuesta nunca debiera ser simplemente una gráfica o
un número. Siempre es necesario discutir el método que Ud. utilizó

para crearlo, tanto como una reflexión sobre el valor.
Independientemente de las implicaciones de calificación y de las
distribuciones, esperemos que Ud. pueda ver el cómo este proceso de
tres-pasos existe siempre – se trata sólo de traducir la pregunta o
tarea presentada para determinar cuánto esfuerzo hay que hacer en
cada parte, y cuánta documentación para dar una respuesta. Ud.
encontrará que realizar un LCA constituye el ensamble de muchos
cálculos de pequeños bloques constructivos y de mini-modelos dentro
de un modelo general. Si Ud. ha ignorado en su mayor parte el cómo
llegó a estos resultados de bloques constructivos, será difícil el seguir
su trabajo en general, y el seguir el cómo se logró el resultado final.
Resumen del Capítulo

En un LCA, cualquier estudio será compuesto de un conjunto de
muchas de las técnicas anteriores. Ud. estará conectando juntos
factores de emisiones y pequeñas estimaciones basadas en
suposiciones, generando nuevas estimaciones, y resumiendo sus
resultados.
La gente que ingresa a un campo de la ciencia o de la ingeniería

frecuentemente considera que está más confortable con los números o
ecuaciones que lo que está con la 'redacción' como una de las razones
para la elección de su carrera. Quizá desafortunadamente, el
comunicar su método, proceso y resultados vía redacción sea una
habilidad especialmente importante al conducir una evaluación de
ciclo de vida. Sin embargo, el marco teórico del LCA puede dar una
fuerte base a los practicantes técnicos para organizar su redacción y
practicar sus habilidades de comunicación.
Referencias para este Capítulo

CBS News, "Reversing Bush, EPA Toughens Smog Rules", vía
Internet, http://www.cbsnews.com/news/reversing-bush-epa-toughens-
smog-rules/, último acceso Julio 20, 2014.
Harte, John , Consider a Spherical Cow: Un Curso en Resolución de

Problemas Ambientales, University Science Books, 1988.
Koomey, Jonathan, Turning Numbers into Knowledge, Analytics Press,

2008.
Mahajan, Sanjoy, Street-Fighting Mathematics: The Art of Educated

Guessing and Opportunistic Problem Solving, MIT Press, 2010.
Mosteller, Frederick, "Assessing Unknown Numbers: Order of

Magnitude Estimation", en Statistics and Public Policy, William
Fairley y Frederick Mosteller, editores, Addison-Wesley, 1977.
NOAA 2012, Surveying: Accuracy vs. Precision, vía Internet,

http://celebrating200years.noaa.gov/magazine/tct/tct_side1.html
U.S. Census Bureau, Statistical Abstract of the United States: 2012

(Edición 131) Washington, DC, 2011; disponible en
http://www.census.gov/compendia/statab/
Weinstein, Lawrence, y Adams, John A., Guesstimation: Solving the

World's Problems on the Back of a Cocktail Napkin, Princeton
University Press, 2008.
Preguntas de Fin de Capítulo
Objetivo 1: Aplicación de las habilidades apropiadas para

los análisis cualitativos y cuantitativos.
1. Encuentre la fracción de la población que vive en ciudades versus

áreas rurales en los EE.UU., o en el estado en el que vive. Valide
sus respuestas tanto como le sea posible.
Objetivo 2: Documentación de valores y fuentes de datos

que respalden sus métodos de investigación.
2. Encuentre y referencie tres fuentes primarias para la cantidad de

energía usada en las residencias en los EE.UU. Valide sus
respuestas en lo posible.
Objetivo 3: Mejora de su habilidad para llevar a cabo métodos

estimativos rápidos y aproximados.
3. Estime el número de cabellos en su cabeza.
4. Estime el número de alberca en Los Ángeles.
5. Estime el peso total de la población en el estado donde vive.
Objetivo 4: Abordaje de cualquier pregunta cuantitativa

por medio de la descripción del método, dando la respuesta, y
describiendo lo que es relevante o interesante acerca de la
respuesta.
6. En términos del área ¿Cuánta pizza come la gente en su país en un

día? De la respuesta en términos de los campos de fútbol que se
podrían cubrir.
7. ¿Cuántos galones de cerveza se consumen cada día en su país? De

la respuesta en términos de que tan alto se llenaría un estadio
profesional de fútbol.
8. ¿Cuántos refrigeradores compran los habitantes de su país por día?

Si se acomodaran juntos en una hilera ¿Cuál sería la longitud que
se tendría que caminar para rodearlos?

Chapter 2 Spanish

Cargado por

Información del documento

Derechos de autor

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Chapter 2 Spanish

Cargado por

Copyright:

Dana Fradon, The New Yorker 17 Mayo, 1976

(Permiso pendiente pero todavía NO otorgado para usar esta figura)

Capítulo 2: Métodos Cuantitativos y Cualitativos para

Objetivos de Aprendizaje para el Capítulo

1. Aplicar habilidades apropiadas para el análisis cualitativo y

2. Documentar los valores y las fuentes de datos como respaldo de

3. Mejorar su habilidad para ejecutar métodos de estimación

4. Tratar una pregunta cuantitativa, describiendo el método,

Habilidades Básicas Cualitativas y Cuantitativas

Mucho del LCA implica el hacer “buena investigación” y el comunicar

Las habilidades cuantitativas son aquellas asociadas con su

La identificación de sus propias debilidades en estas dos áreas en este

podrían ser evaluadas usando algún procedimiento que capture el

En el resto de este capítulo, revisaremos primero algunos de los

Trabajando con Fuentes de Datos

Ya que buscamos construir un marco de referencia para la

la fuente primaria le permitirá también apreciar el contexto entero en

En el mundo de hoy de las búsquedas habilitadas en Internet, las

La vasta mayoría de los resultados de las búsquedas en la web llevan

búsqueda retrospectiva para encontrar estas fuentes primarias puede

La información contextual relevante que puede aparecer en la fuente

Después de encontrar los datos adecuados, es esencial referir la

específica dentro de un reporte gubernamental. Por ejemplo, si Ud.

US Dept. of Energy, 2003 Commercial Buildings Energy Consumption

Algo que es desafortunadamente común es el ver las referencias a los

Más allá de los ejemplos anteriores, uno podría estar interesado en la

que buscaban encontrar respuestas a las mismas o a preguntas muy

"Cuando buscamos un número en más de un lugar, podemos

Si Ud. encuentra varios valores, podría ser útil resumirlos en una

Valor Fuente Tipo de Comentarios

Una nota final acerca de la búsqueda de fuentes de datos se refiere al

Este ejemplo intenta reforzar dos hechos importantes al utilizar los

algunas veces, o las omisiones de importantes notas al pie como las

Exactitud vs. Precisión

La exactitud de un sistema de medición es el grado con que las

Además de los sistemas físicos de medición, estos conceptos son

transformaciones estadísticas, modelos de Microsoft ® Excel ® 1, etc.

Figure 2-2: Comparación de exactitud y precisión. Fuente: NOAA 2012

Entonces, los sistemas pueden ser exactos pero no precisos, precisos

comerciales son incluidos en una estimación de efectos de edificios de

Cuando un sistema de medición es popular y necesita ser reconocido

Manejo de Cifras Significativas

Recordemos que la base de tales directivas es que nuestros

Cuando cuente cifras significativas, piense en la notación

Los dígitos no se incrementan con los cálculos.

Inevitablemente, nuestras mediciones iniciales serán usadas en

Regresando a nuestro ejemplo CBECS, el promedio de uso de

algunos edificios relativamente pequeños arrojaron un valor con sólo

Una de las motivaciones principales para manejar el número de

En el LCA, no tenemos los mismos problemas de ‘aparato de

En ausencia de más lineamientos ¿Qué recomendaríamos?

ejemplo del párrafo previo eso significaría comparar dos alternativas

Si Ud. tiene un gran cantidad de datos, entonces podría ser más

poco frecuentemente o que están usando tecnología extremadamente

Los rangos pueden usarse para representar límites superiores e

Otra forma de implementar un rango es usando información

que uno de los datos puntuales sea diferente de la media) es la raíz

Un rango de confianza del 95-porciento se calcula para una

Pregunta: Desarrolle un intervalo de confianza del 95% a la estimación del CBECS

Respuesta: Dado el RSE definido anteriormente, el error estándar será de

Fuente: US Dept. of Energy, 2003 Commercial Buildings Energy Consumption Survey

crear el rango de confianza de 95%. Note que un rango de confianza

Un beneficio principal de usar rangos en vez de estimaciones

Unidades y Conversión de Unidades

“prueba de olfato”, sugiriendo que Ud. podría checar si el número

En el contexto de encontrar fuentes para datos, los cambios simples

Sin embargo, hay conversiones de unidades más complejas que