Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Para uso exclusivo en el Programa Executive MBA Intensivo 2019 - 2021 en INALDE * 27 de noviembre - 14 de diciembre de 2019
Imaginémonos a un señor que un día caminando ve botado un brillante anillo de oro pero que
resuelve no agacharse a recogerlo pues el hecho de que brille no le garantiza que sea oro, o a otro
que decide comprar a alto precio unas baratijas brillantes, convencido de que está comprando oro.
Lo que estos ejemplos nos recuerdan es que no es suficiente con conocer el dicho, sino que además
hay qu� saber cuando aplicarlo. Muchas veces en nuestra vida diaria confundimos el brillo con el
oro; los exámenes de admisión y las entrevistas pronosticaban que este nuevo empleado se
adaptaría pronto a la cultura de la compañía, pero en la realidad después de unos meses de
continuos tropiezos, se retiró de ella. Y otras tantas no reconocemos el oro por su falta de brillo;
aquel candidato timorato que no presentó una entrevista adecuada y que por lo mismo fue
rechazado, era en realidad la persona que se estaba buscando.
Esta nota pretende sentar las bases para el análisis sistemático de este tipo de problemas.
Tabla o matriz de 2 x 2
Para analizar este tipo de situaciones, se puede recurrir a la Tabla o matriz de 2 x 2, que en nuestro
caso seria así:
Es en realidad Oro
Si No
B .11
1 Si
ª 1 No
a
n e d
en la que la casilla
Esta tabla nos permite elaborar una serie de cálculos útiles a la hora de tomar decisiones; lo
primero es sumar las filas y las columnas, así:
Es en realidad Oro
Si No Total
Si a b a+b
Brilla
No e d c+d
Total a+c b+d a+b+c+d
a+c representa todas las cosas que son oro, brillen o no,
b+d representa todas las cosas que no son oro, brillen o no,
a+b representa todas las cosas que brillan, sean oro o no,
c+d representa todas las cosas que no brillan, sean oro o no, y
a+b+c+d representa todas las cosas.
Podríamos considerar al brillo como una prueba o test para determinar si las cosas son o no oro, de
la misma manera en que realizamos exámenes de admisión en nuestras empresas para determinar
si los candidatos son o no adecuados para el cargo. En este caso, se acostumbra a dar ciertos
nombres a las casillas; en primer lugar, a la casilla "Si brilla" se la llama "Positivo para la prueba"
o simplemente "Positivo", y a la casilla "No brilla", "Negativo para la prueba" o simplemente
"Negativo". De la misma manera, la casilla "Es oro" la remplazamos por "Es" y la "No es oro" por
"No es", así:
De esta tabla podemos deducir algunas medidas que nos permiten evaluar las pruebas.
Podemos ver que las casíllas a y d, verdaderos positivos y verdaderos negativos, son las casíllas en
las cuales la prueba acierta, por lo que sí dividimos a+d en el total a+b+c+d, obtenemos la
exactitud de la prueba.
Si dividimos la casilla a, verdaderos positivos, en el total que son, a+c, obtenemos la sensibilidad
de la prueba. Una prueba será más sensible mientras más detecte "los que son"; una prueba 100%
sensible siempre marcará positivo en presencia de un "es".
Obsérvese que una prueba puede ser muy específica y poco sensible, o poco específica y muy
sensible.
Tipos de errores
Los problemas se presentan cuando las pruebas marcan negativo en casos que si son, casílla c o de
falsos negativos, o cuando marcan positivo en casos que no son, casílla b o de falsos positivos. En
este caso podemos rechazar como baratija algo que realmente es oro, o aceptar como oro algo que
simplemente brilla.
Los matemáticos, más bien simplones para esto de dar nombres, llaman a estas equivocaciones,
Errores Tipo I y Errores Tipo II. El Error Tipo I es rechazar una hipótesis verdadera y el Tipo II es
aceptar una hipótesis falsa. La verdad es que como dice un autor, el error más frecuente es el que
el llama jocosamente Tipo III, que consiste en confundir un Error Tipo I con un Error Tipo II.
Lo importante no es pues tanto el nombre, sí es Tipo I o Tipo II, sino que sepamos que estos
errores son como abismos a lado y lado del camino, que nos obligan a caminar muy derechos.
4 ADN-I-018
Para uso exclusivo en el Programa Executive MBA Intensivo 2019 - 2021 en INALDE * 27 de noviembre - 14 de diciembre de 2019
Ahora bien, sabiendo que "errar es humano", algunas personas optan por preferir cometer un tipo
de error al otro; por ejemplo, una compañía farmacéutica prefiere desechar como mala una
medicina que es buena, a llevar al mercado una medicina mala para evitar desechar algunas
buenas, o en otras palabras prefiere utilizar test más sensibles a "medicinas malas", que test más
específicos.
John Allen Paulos, un matemático autor de varios libros muy agradables, en Más allá de los
números, trae el siguiente ejemplo:
Póngase usted en el papel de un juez al que le tocó fallar este caso: una persona fue atropellada por
un taxi que huyó. En el pueblo sólo existían dos compañías de taxis, la compañía Verde, con el
85% del mercado, y la compañía Azul, con el 15% del mercado, y por disposición de la Ley,
alguna de las dos compañías, y sólo una, debía responder por los daños causados. Un testigo
imparcial afirmaba que el color del taxi era Azul; bajo iguales condiciones a las del accidente, el
testigo fue sometido a pruebas de identificación, acertando en el 80% de los casos. Con estos
datos, ¿a qué compañía sancionaría usted, si fuera necesario elegir a una de las dos?
Parece evidente que lo más probable es que el taxi sea Azul: testigo imparcial, 80% de acierto.
Veamos si es así:
Estos son los datos que tenemos; ahora llenemos completamente la tabla:
2
Paulos, John Allen. Más allá de los números. Meditaciones de un matemático. Metatemas 31. pag. 7 6.
5 ADN-1-018
Para uso exclusivo en el Programa Executive MBA Intensivo 2019 - 2021 en INALDE * 27 de noviembre - 14 de diciembre de 2019
Y ahora veamos la probabilidad de que el taxi haya sido Azul, dado que el testigo dice que era
Azul, (o el valor predictivo positivo del testigo): 12% / 29% = 41%.
De igual manera, la probabilidad de que el taxi haya sido Verde, dado que el testigo dijo que era
Azul, es: 17% / 29% = 59%.
En conclusión, existe una mayor posibilidad de que el taxi haya sido Verde, a que haya sido Azul.
Otro ejemplo; suponga que un amigo le cuenta que en un test que tiene una fiabilidad del 98% le
detectaron un tipo de cáncer; naturalmente la situación es delicada, pero quizá usted pueda darle
algo de alivio si realiza los siguientes números: primero hay que averiguar que cantidad de
personas en la población sufren ese tipo de cáncer; suponga que en nuestro ejemplo, es de 50 en
cada diez mil, con lo que:
De aquí podemos concluir que el hecho de que el test haya sido positivo, en este caso concreto,
significa que la probabilidad real de padecer la enfermedad es de "sólo" un 20% (49/248). Y por
cierto que una persona de cada 9.752 cuyo test es negativo, realmente tiene este cáncer y pasará
desapercibido.
6 ADN-I-018
Para uso exclusivo en el Programa Executive MBA Intensivo 2019 - 2021 en INALDE * 27 de noviembre - 14 de diciembre de 2019
Y terminemos esta Nota, volviendo a nuestro ejemplo de las pruebas de selección de personal.
¿Conocemos los criterios de valides de estas pruebas? Sí bien es cierto que cada tanto encontramos
un falso positivo (la prueba dijo que servía aunque en realidad no fue así), lo cierto es que
desconocemos el número de falsos negativos, aquellos que hubieran sido buenos miembros del
grupo, pero que no lograron pasar la prueba. Algún autor ha llegado a sugerir que de cuando en
vez, se admita a uno de esos que no pasaron las pruebas, como una forma de calificar la calidad de
nuestra selección de personal.
En conclusión podríamos decir que si bien para todo el mundo es claro que no todo lo que brilla es
oro, a muchos se nos olvida, y no debiera ser así, que también es cierto que el oro a veces no
brilla.