Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Profesor: Autor(a):
Lcda. Lilian Hernández Mariangel Briceño
V- 26.948.786
Este enfoque exige del individuo decisor un conocimiento claro acerca de:
El decisor, contempla el universo desde dos perspectivas distintas, una visión a priori
y una a posteriori. En la visión a priori, se analiza el universo existente en ese momento
y/o en cualquier momento posterior (futuro). En la perspectiva a posteriori, se cuestiona
el universo existente en ese momento y/o en cualquier momento anterior (pasado).
Todos los elementos anteriores, requieren la construcción de un modelo simplificador
de la realidad o en palabras de Pedro Pavesi, un modelo de la situación. Este modelo
cuenta entre sus elementos principales los que a continuación se relacionan:
1) el sistema-objeto
2) el sistema-sujeto
4) los cursos de acción o las alternativas, esto es, un mapeo de las alternativas de
comportamiento.
5) los estados de los universos inciertos que condicionan los resultados y su grado de
eventualidad
El estado del universo debe definirse con respecto a dos dimensiones temporales:
2) el aquí y ahora.
Este modelo, es muy criticado desde diversas ópticas (por caracterizar a los seres
humanos con una racionalidad ilimitada). El argumento fundamental esgrimido por los
críticos, es que este modelo sólo se cumpliría sí todos los individuos tuviesen una visión
homogénea del mundo. Y esto sólo sería plausible si todos los individuos compartieran
los mismos códigos de valores. El crítico que ubica en el centro del debate al modelo
racional es Herbert Simón quien enfatiza sus observaciones en torno al concepto clásico
de la racionalidad que exige severas demandas al tomador de decisiones. Simón opina al
respecto, este organismo decisor debe ser capaz de asignar a cada posible resultado un
pago y también comprenderlos de manera suficiente para no dejar ningún espacio al
surgimiento de consecuencias no-anticipadas. A pesar de todas estas críticas se puede
decir que éste modelo es la base y sostén de todos los modelos posteriores. También es
necesario destacar que algunos autores racionalistas, han recuperado estas críticas
flexibilizando sus modelos y admitiendo las limitaciones a las cuales se enfrentan en
una realidad ambigua y cambiante.
El modelo racional.: Prescribe una serie de pasos (proceso) que deben seguir los
individuos o equipos para incrementar la probabilidad de que sus decisiones sean
lógicas y estén bien fundamentadas. Una decisión racional permite el logro máximo de
metas dentro de las limitaciones de la situación. Esta definición se refiere a la
racionalidad de los medios (cómo alcanzar mejor una meta), no de los fines (es decir,
las metas). Tomando en consideración más la eficiencia que la eficacia. Los modelos
racionales para tomar decisiones requieren un proceso cognitivo dónde cada paso sigue
al siguiente en un orden lógico. Por cognitivo, nos referimos a que está basado en el
pensamiento y sopesa las alternativas para alcanzar el mejor resultado potencial.
Proceso del modelo racional de toma de decisiones, se hace evidente que debe
poseer unos pasos a seguir; entre los que encontramos siete pasos a saber:
Dado que las fuerzas del entorno que influyen en las decisiones cambian
constantemente, el seguimiento y control puede indicar la necesidad de redefinir el
problema o de revisar la meta original. La retroalimentación derivada de este paso
podría apuntar incluso a la necesidad de comenzar de nuevo y repetir en su totalidad el
proceso de toma de decisiones.
Estructurado (en círculo): Tiene las mismas metas que la lluvia de ideas no
estructurada. La diferencia consiste en que cada miembro del equipo presenta sus ideas
en un formato ordenado (ej: de izquierda a derecha). No hay problema si un miembro
del equipo cede su turno si no tiene una idea en ese instante.
La Técnica de Grupo Nominal fue introducida por Delbecq y Van de Ven (Delbecq y
Van de Ven, 1971) y desarrollada posteriormente por los mismos autores . Es una
técnica creativa empleada para facilitar la generación de ideas y el análisis de
problemas. Este análisis se lleva a cabo de un modo altamente estructurado, permitiendo
que al final de la reunión se alcancen un buen número de conclusiones sobre las
cuestiones planteadas. La Técnica de Grupo Nominal hace posible alcanzar un consenso
rápido con relación a cuestiones, problemas, soluciones o proyectos, haciendo posible
generar y priorizar un amplio número de elementos, evitando los términos de
“perdedores” y “ganadores” entre los miembros del grupo.
Los grupos que participan en una técnica de grupo nominal son especialmente
eficaces en la generación de ideas, ya que cada participante tiene la obligación de
reflexionar individualmente sobre el problema y registrar sus pensamientos de forma
independiente.
Desarrollo de la Técnica de Grupo Nominal, La aplicación de la Técnica de Grupo
Nominal se lleva a cabo en las fases siguientes:
1. Definir la tarea: En forma de pregunta, por escrito de manera visible para el grupo,
asegurando que la cuestión sea comprendida por todos.
2. Generar ideas: Trabajando en silencio, los miembros del equipo escriben sus ideas en
tarjetas, a razón de 1 idea por tarjeta, durante un tiempo limitado (para conocer
dinámicas que generan ideas hace clic aquí).
3. Registrar ideas: Una vez finalizada la fase anterior, el facilitador de la técnica recoge
las tarjetas y lee cada una de las ideas aportadas. Cada idea se escribe en una pizarra u
otro dispositivo
TÉCNICA DELPHI
Ventajas:
Segunda vuelta, distribuyes y obtienes las respuestas. Me vale aclarar que en esta
segunda vuelta, puedes elegir elaborar y aplicar un nuevo cuestionario más específico
basado en las respuestas de la primera vuelta o enfrentar directamente las respuestas
hechas entre los expertos. Las alternativas son varias y depende de lo que tú como
moderador según tus objetivos desees lograr. De acuerdo a la complejidad del
cuestionario, puede ser necesario el uso de técnicas y métodos para valorar el consenso
de los expertos.
Tercera fase. ¿Es necesario? Normalmente el método Delphi consta de 2 a 3 vueltas.
La necesidad de hacer o no más vueltas la detectas con base en el grado de acuerdo
entre los participantes. ¿Cuánto tiempo es necesario? Depende del número de
participantes y de la rapidez con que respondan.
¿Cuántos participantes son necesarios? Depende de los objetivos del estudio. Puede
estar desde 5 a 30 participantes para un asunto de empresa como estimación de la
demanda, de 20 a 50 para una investigación de mercado de una empresa a nivel nacional
o elevarse a 100 o más para un asunto de estado. Claro está que entre más participantes,
mayor será el tiempo de aplicación y el costo.
TEORÍA BAYESIANA
La estadística bayesiana es, básicamente, una respuesta a las tres grandes críticas que
se han realizado a la inferencia estadística clásica o frecuentista. Las pruebas de
significación dependen del tamaño de la muestra: una muestra reducida probablemente
no será estadísticamente significativa; en cambio, una muestra de gran tamaño no tendrá
muchos problemas en representar estadísticamente el universo al cual pertenece. De esto
se deduce que los resultados obtenidos dependen, más que del propio objeto de estudio,
de los recursos económicos disponibles para llevar a cabo el proyecto. La estadística
bayesiana, sin embargo, no depende del tamaño muestral, aunque una muestra más
grande nos permitirá valorar mejor la adecuación de las conclusiones a la realidad.
En segundo lugar, también se ha criticado que las pruebas de hipótesis sirven sólo
para tomar decisiones dicotómicas (o se refuta la hipótesis nula o la alternativa), en
lugar de poner el acento en la credibilidad de la adecuación de la hipótesis
provisionalmente aceptada a la realidad empírica. De otro lado, la estadística bayesana
tiene un enfoque más rico, no fundamentado en el tener que escoger entre dos hipótesis
sino que lo que busca es valorar la credibilidad de éstas.
La tercera de las críticas que ha recibido la estadística clásica reside en el hecho que
no contempla el cuerpo de información disponible previo a la adquisición de los datos
sobre los que se fundamenta un estudio. Lo único en lo que se centra la estadística
clásica es la refutación ya sea de la hipótesis nula o de la hipótesis alternativa basándose
en los datos presentes; de este modo, se desprecia toda la infomación, ya sea a nivel
teórico o a nivel empírico, que se ha originado en el pasado. La estadística bayesiana, en
cambio, no actúa en el vacío: el conocimiento previo se tiene en cuenta formal y
explícitamente. Este último punto es la base sobre la que se sientan los fundamentos de
la estadística bayesiana, y el que explica la gran diferencia que enfrenta la estadística
clásica con la bayesiana. Ésta última incorpora las probabilidades subjetivas, es decir,
las que emergen de la propia intuición del investigador, de que el resultado de un
determinado experimento presente los resultados esperados. Estas probabilidades
subjetivas no tienen por qué estar ancladas en razones puramente intuitivas, sino que los
resultados obtenidos en experimentos en estudio previos se puede tomar como punto de
partida para acercarse al objeto de estudio.
Uno de los ámbitos en los que mejor puede funcionar la estadística bayesiana es en
la reducción del tamaño de la muestra necesaria para llevar a cabo un estudio
poblacional. Desde una perspectiva estadística clásica, se da por descontado que el
tamaño de la muestra se tiene que escoger en base a la regla de la máxima
indeterminación (esto es, que hay un total desconocimiento sobre cuáles van a ser las
distribuciones de una variable concreta), con lo que la probabilidad que se produzca P o
Q va a ser del 50%. No obstante esto, si aplicamos principios bayesianos, veríamos que
no sería necesario partir del supuesto P=Q=0,5 (siempre en el caso de tener
conocimientos previos sobre una materia), ya que dispondríamos del valor al que se
acerca P. Si sabemos que aproximadamente, en una población determinada, hay un 30%
de cabezones… ¿por qué partir del supuesto P=Q=0,5, si sabemos que P se acercará a
0,3? La aplicación de esta filosofía permite, pues, reducir el tamaño de la muestra. Esta
diferencia entre los dos paradigmas estadísticos no es puramente matemática, sino que
se acerca más a diferentes filosofías de comprensión del mundo. Según una perspectiva
clásica, las hipótesis se contrastan de una manera deductiva: a partir de una teoría previa
se elaboran hipótesis acerca de cómo se comportarán los datos si dicha teoría es cierta
(proceso up-bottom). De esta manera, el no cumplimiento de una hipótesis es una razón
suficiente como para poder admitir que la teoría de la que se parte no es cierta, aunque
lo que se obtenga sean conclusiones, en un principio, contraintuitivas. Es decir, se
deducen los resultados empíricos que se debería esperar en caso que la teoría de la que
se parte fuera cierta. De otro lado, la estadística bayesiana opera de un modo mucho
más inductivo y cercano a la manera de razonar de los humanos. A partir de los datos de
un determinado estudio se elabora una teoría (proceso bottom-up), que es la base para
posteriores desarrollos del mismo campo de estudio. Los descubrimientos aislados que
pudieran refutar las hipótesis, y que resultan ser contraintuitivos, no tienen por qué
llevar necesariamente a la refutación de todo el cuerpo teórico, sino que sirven para
actualizar el conocimiento que ya se tenía de una materia. La base de la estadística
bayesiana se encuentra en el hecho que el investigador incorpora sus expectativas acerca
de cómo se comporta la realidad a su análisis estadístico.