[MUSIC] Modelando la incertidumbre. Hola, soy Tomás Reyes, profesor asociado de la Pontificia Universidad Católica de Chile. De formación, soy Ingeniero Civil en Industrias y Magister en Ciencias de la Ingeniería de la misma universidad. Tengo un doctorado y un magister en Ciencias en Administración de Negocios con concentración en Finanzas. De la Universidad de California, en Berkeley, Estados Unidos. También soy director y consultor de empresas. En este módulo analizaremos la relevancia y el uso de la analítica predictiva. Comprenderemos el valor que tiene este tipo de analítica en horizonte de tiempo futuro donde hay incertidumbres sobre lo que ocurrirá. Se revisará cómo identificar patrones en los datos y realizarán predicciones sobre qué ocurrirá a futuro. Lo que permitirá a las empresas generar mejores planificaciones y estar preparadas ante distintos escenarios. Para realizar estas predicciones, revisaremos y evaluaremos una serie de modelos y sus resultados. En esta clase, revisaremos los siguientes temas. Uno, la falacia de la planificación. Segundo, ¿qué es la incertidumbre? Y tercero, ¿cómo modelar la incertidumbre? ¿Alguna vez has escuchado hablar de la falacia de la planificación? El concepto proviene del Premio Nobel de Daniel Kahneman y Amos Tversky. Y consiste en hacer un plan o estimación considerando solamente el mejor de los escenarios. Lo anterior genera como resultado planes que subestiman la cantidad de tiempo o recursos que tomará una tarea. Todos somos susceptibles de cometer este error. Por ejemplo, según un informe del Project Manager Institute, el 25% de los proyectos falla debido a estimaciones de tiempo inexactas. En la siguiente figura, podemos observar una ilustración sobre el plan versus la realidad. Hay algunas recomendaciones para tratar de evitar la falacia de la planificación. Dentro de las cuales se encuentran, el usar datos históricos de planificaciones anteriores. Que dos personas distintas realicen la misma estimación para luego comparar sus predicciones. Y, generar una mejor estimación utilizando métodos analíticos, entre otras. La analítica predictiva dentro de otras funciones nos ayudará a generar mejores predicciones. Y así evitar problemas como las que produce la falacia de la planificación. Antes de profundizar en la analítica predictiva, comenzaremos repasando algunos conceptos básicos acerca de la incertidumbre. Y su modelamiento mediante el uso de probabilidades. Formalmente, la incertidumbre se define como la falta certidumbre. Es decir, como la incapacidad de definir con certeza una determinada situación. Un ejemplo de esto sería, decidir si salir con paraguas o no en un día en que se pronostica un 80% de probabilidad de lluvia. ¿Puede uno estar seguro de que lloverá? La respuesta es no. Y perfectamente uno podría terminar llevando el paraguas y no necesitándolo. Nos vemos enfrentados a la incertidumbre todos los días, tanto en nuestras vidas personales como profesionales,. Y el saber lidiar con ella, es una habilidad muy importante. Para lograr lo anterior, es crítico saber modelar la incertidumbre. Y conocer herramientas que generen buenas predicciones como los modelos de la analítica predictiva. Las probabilidades y la incertidumbre son dos tópicos íntimamente relacionados. Cuando se presentan distintos escenarios futuros en base a probabilidades, se genera incerteza por no saber cuál de ellos terminará sucediendo. Es decir, el uso de probabilidades permite modelar la incertidumbre. Las probabilidades corresponden a medidas numéricas sobre las posibilidades de ocurrencia de distintos eventos. Y nos permiten evaluar escenarios futuros. Para entender las probabilidades, es necesario conocer los siguientes conceptos. Experimento aleatorio. Es un proceso que genera resultados bien definidos, es decir, resultados que son fácilmente distinguibles entre sí. Y que no garantiza los mismos resultados al repetirlo, aún cuando partamos con iguales condiciones. A diferencia de los experimentos deterministas, que sí nos garantizan los mismos resultados bajo las mismas condiciones iniciales. Espacio muestral, son todos los posibles resultados de un experimento aleatorio. Evento, es una colección de posibles resultados. Probabilidad de un evento, es la suma de las probabilidades de los posibles resultados de un evento. Ejemplifiquemos lo anterior con el lanzamiento de un dado. Este lanzamiento corresponde a un experimento aleatorio, you que genera seis posibles resultados aleatorios fácilmente distinguibles entre ellos. Luego, el espacio muestral corresponde a todos los posibles resultados. Es decir, al número que podría mostrar la cara superior del dado, uno, dos, tres, cuatro, cinco o seis. Que el número obtenido sea par corresponde a un evento, you que representa una colección de posibles resultados. Dos, cuatro, y seis. La probabilidad de obtener cualquiera de los seis números es la misma, y corresponde a un sexto. Luego, la probabilidad del evento que el número obtenido sea par correspondería a tres sextos. Otros ejemplos de experimentos aleatorios y sus espacios muestrales serían, tirar una moneda con un espacio muestral de cara o sello. O comprar una acción financiera y mantenerla durante un año con espacio muestral. Por ejemplo que el precio suba, baje o se mantenga. A continuación, te invitamos a responder la siguiente pregunta. En el ámbito de las probabilidades, una variable aleatoria corresponde a una función que asigna un valor numérico. Al resultado que puede tener un experimento aleatorio. El valor no se puede conocer con certeza you que los experimentos aleatorios tienen un cierto valor de incertidumbre. Dependiendo de los valores que puede tomar una variable aleatoria, se clasifican en los siguientes tipos. Variables aleatorias discretas. Son aquellas variables que pueden tomar solamente ciertos valores definidos. El ejemplo de lanzar un dado es una variable aleatoria discreta, you que los posibles valores solo pueden ser los que aparecen en las caras del dado. Variables aleatorias continuas. Son aquellas variables que pueden tomar cualquier valor dentro de un intervalo o conjunto de intervalos. Un ejemplo de variable aleatoria continua, es la temperatura ambiental el día de mañana. you que este valor puede estar en un rango e incluir decimales. A continuación, te invitamos a responder la siguiente pregunta. En esta clase, revisamos algunos conceptos básicos acerca de la incertidumbre. Y su modelamiento mediante el uso de probabilidades y variables aleatorias. Esta es la base para comprender el valor que tiene la analítica predictiva. Ayudando a tomar decisiones en el futuro donde hay incertidumbres sobre lo que ocurrirá. [MUSIC]
