🔒 Registro cerrado · Apertura oficial próximamente · Acceso exclusivo para alumnos activos
Iniciar SesiónEstimar con rangos y calibrar al experto
5 tareas · 36 min · Principiante
Casi nadie en Textiles Río Alto sabe cuántas veces al año le cifrarán la planta, y nadie finge saberlo con un solo número. FAIR pide estimar cada pieza con un rango y una confianza, y pide algo más incómodo: comprobar si el experto que estima sabe qué tan seguro puede estar. Aquí lees las estimaciones de un taller, detectas las que no sirven para alimentar un modelo, miras una prueba de calibración y contrastas una frecuencia con el historial de la empresa.
Objetivo de la sala
Casi nadie en Textiles Río Alto sabe cuántas veces al año le cifrarán la planta, y nadie finge saberlo con un solo número. FAIR pide estimar cada pieza con un rango y una confianza, y pide algo más incómodo: comprobar si el experto que estima sabe qué tan seguro puede estar. Aquí lees las estimaciones de un taller, detectas las que no sirven para alimentar un modelo, miras una prueba de calibración y contrastas una frecuencia con el historial de la empresa.Un número solo parece preciso y no lo es: oculta lo que no se sabe. Una estimación de FAIR se da como mínimo, valor más probable y máximo, con la confianza de que el valor real caiga dentro de ese intervalo (lo habitual es 90 %). Con eso el modelo puede después sortear valores y mostrar cuánto varía el resultado. Un rango ancho no es un fracaso: es una declaración honesta de ignorancia, y se reduce cuando llegan datos.
Responde para continuar
¿Por qué se estima cada parámetro con un rango y una confianza y no con un solo número?
Ver pista de ayuda
Piensa en lo que hace la simulación con los tres valores.
Un rango útil cumple una regla elemental: el mínimo no supera al más probable y este no supera al máximo. Cuando el orden se rompe, casi siempre hubo una confusión de unidades, de periodo (mensual contra anual) o un error de digitación, y la simulación no tiene cómo adivinarlo.
Abre SELECT * FROM estimaciones_del_taller y revisa las seis estimaciones. Una de ellas viola esa regla.
Responde para continuar
Escribe el identificador de la estimación cuyo valor más probable queda fuera de su rango.
Ver pista de ayuda
Compara la columna del mínimo con la del valor más probable, fila por fila.
El extremo opuesto también engaña: un experto que da el mismo valor en las tres columnas no estimó un rango, dio un número y le puso tres etiquetas. Una pérdida que «seguro» costará una cifra exacta pide una de dos explicaciones: o es un valor pactado, como una tarifa de contrato, o es sobreconfianza. Se pregunta en cuál de las dos estamos antes de dejarlo entrar al modelo.
Vuelve a la tabla de estimaciones.
Responde para continuar
Escribe el identificador de la estimación que no tiene ninguna incertidumbre declarada.
Ver pista de ayuda
Busca la fila en la que el mínimo, el más probable y el máximo son el mismo valor.
Los humanos tendemos a dar intervalos demasiado estrechos. La calibración lo mide: se le hacen al experto preguntas con respuesta conocida y se le pide un intervalo al 90 % para cada una. Si está bien calibrado, aproximadamente 9 de cada 10 intervalos contienen la respuesta. Si le acierta a bastante menos, sus intervalos son demasiado angostos: sabe menos de lo que cree, y sus estimaciones del taller se deben ensanchar o revisar con datos.
Abre SELECT * FROM prueba_de_calibracion.
Responde para continuar
Escribe el nombre del experto con la peor calibración de la prueba.
Ver pista de ayuda
Compara cuántos intervalos de cada experto contenían la respuesta con lo que se espera al 90 %.
Una estimación no se defiende sola: se contrasta con lo que la empresa ya vivió. Si el historial dice que algo ocurre cuatro veces al año y el experto dio un máximo de uno, o el historial está incompleto o el experto está equivocado, y hay que averiguarlo. Con pocos años de datos el historial no sustituye al rango: lo ancla.
Abre SELECT * FROM historial_interno. El fraude con cuentas de proveedores es el evento con más datos.
Responde para continuar
Escribe cuántos eventos de pérdida por año se observaron de media en el fraude con cuentas de proveedores.
Ver pista de ayuda
Divide los eventos con pérdida entre los años observados.
Whoami-Labs Pro
Whoami-Labs Pro utiliza cookies
Utilizamos cookies y almacenamiento local para el funcionamiento del sitio, seguridad de sesión y, si lo autorizas, analítica y marketing. Puedes aceptar, rechazar o personalizar. Política de Privacidad
Preferencias
Configuraciones de cookies
Elige qué categorías permitir. Las esenciales siempre están activas. Consulta la Política de Privacidad.
Esenciales
Siempre activas · sesión, CSRF, tema y esta preferencia
Necesarias para iniciar sesión, proteger formularios (CSRF) y recordar tu elección de cookies y tema. Sin ellas la plataforma no funciona de forma segura.
Analíticos
Hoy no activos en la plataforma; listos para cuando se conecten
Nos ayudan a entender uso de cursos y páginas. Si los activas, se usarán cuando conectemos analítica; hasta entonces no se carga ningún tracker.
Marketing
Hoy no activos; campañas futuras solo con tu permiso
Comunicaciones o campañas. No activos hoy en la plataforma; quedarán listos si los conectamos y solo si los permites.