You are on page 1of 3

FORMATO PARA INFORMES DE LECTURA

Ronal Hernando Puerto Galindo. Maestra en Ingeniera Ingeniera de la Gestin.

The optimizer's curse: skepticism and postdecision surprise in decision analysis


James E. Smith and Robert L. Winkler
1. Contextualizacin del artculo.
a. Quin es el autor:
Los autores de este artculo son James E. Smith y Robert L. Winkler.
b. Marco locativo y/o institucional:
es un estudio realizado por la Universidad Duke, Durham, norte de california
c. Marco temporal:
Este archivo fue publicado en la revista Management Science. 52.3 (Mar. 2006): p311

2. Tema que aborda el artculo y definicin de los conceptos principales.

este articulo toma en consideracin y pone a prueba los anlisis de tomas de


decisiones y como estas dan resultado a la maldicin del optimizador, ya que en el
los anlisis de decisiones se tiene tomar la decisin del mayor valor esperado y este
se basa en valores con incertidumbre y por esta razn, muchas veces este valor
neto esperado no es el mismo al valor esperado real. Por esta razn muchos
analistas y administrativos puede que tomen decisiones basados en el valor terico,
pero tienen cierto escepticismo al tomar esta decisin.

3. Problema, pregunta o discusin que trata de resolver el trabajo.

El problema que trata de resolver es disminuir o eliminar el sesgo del valor


esperado y el valor real en los anlisis de decisiones, para de esta manera
aumentar las posibilidades de tomar la mejor decisin a un problema dado y
disminuir la incertidumbre de los valores dados.

4. Objetivos que proponen los autores para el trabajo.

El objetivo principal de los autores es dar a conocer a los tomadores de decisiones y


comunidades que aplican la toma de decisiones, sobre la importancia de entender
los efectos que tiene la maldicin del optimizador en los resultados de cualquier tipo
de anlisis y como desde una perspectiva probabilstica se puede tomar disminuir
los valores de incertidumbre y el sesgo en entre el valor esperado y el valor real .
FORMATO PARA INFORMES DE LECTURA

Tambin establecen que este fenmeno es resultado de tomar cualquier tipo de


seleccin, ya que los valores que se dan en los anlisis de decisiones
principalmente son bajo un modelo bajo incertidumbre.

5. Mtodo desarrollado para lograr los objetivos y actividades llevadas a cabo

El mtodo que desarrollaron los autores de este artculo, fueron mtodos a travs
de una modelacin la incertidumbre de los valores de anlisis de decisin y por
mtodos bayesianos poder interpretar las estimaciones de los valores. De esta
manera se les asignaba una distribucin normal a cada uno de los valores
verdaderos y se describe la exactitud de estas estimacin con una distribucin
condicional para de esta manera, clasificar las alternativas dadas y realizar distintas
iteraciones para dar un promedio ponderado de la estimacin del valor y dar de esta
manera el valor esperado menos sesgado al real y tener un menor grado de
decepcin de los analistas.

En el artculo nombran 4 posibles soluciones para poder realizar los modelos


bayesianos, los cuales son:

1. Un modelo normal multivariado en que las distribuciones de los rasgos del


problema se dan como valores verdaderos y sus estimaciones son
multivariantes normales, por esta razn se da que las distribuciones posteriores
son imparciales y su valor esperado es el valor real.
2. Casos normales independiente, en el cual los valores posteriores dependen de
las medidas anteriormente dadas de los valores estimados.
3. Estructuras de covarianza idnticas, en el cual se estima que los valores de las
diferentes alternativas a tomar estn relacionados entre si y comparte
elementos comunes y por ende sus valores verdaderos tambin se encuentran
relacionados.
4. El modelo jerrquico, en el cual el tomador de decisiones usa valores
observados para estimar la medida de los valores y los toma como inciertos y
actualiza los valores previos de distribucin como un valor verdadero medio.

6. Conclusiones y recomendaciones centrales

Como conclusiones los autores creen que la maldicin de la optimizacin es un


aspecto a tener en cuanta, en los anlisis de decisin y las ciencias de la gestin,
pero no es tomado en cuenta por los tericos para tomar decisiones y muchas
veces las personas ms experimentadas sientes el sesgo y dudan sobre si la
decisin tomada es la acertada. Al concluir con este articulo recomiendan realizar
ms investigaciones alrededor de este tema dado, aunque se encuentran algunos
FORMATO PARA INFORMES DE LECTURA

textos sobre la maldicin de optimizacin estos no dan una solucin de como poder
abordar y superar este problema, y realiza algunas comparaciones con otros temas
de sesgos y procesos de optimizacin, en el que los valores tericos y los valores
reales difieren uno del otro significativamente.

7. Anlisis del estudiante: Fortalezas y debilidades del artculo y aplicacin


de las conclusiones y recomendaciones en un contexto particular

A pesar de que el articulo nombre un tema muy importante como lo es, la diferencia
de los valores esperados y reales para la toma de decisiones no es muy clara en
explicar los valores obtenidos en los ejemplos que tratan de explicar, por lo cual
resulta muy difcil a los lectores comprender los temas tratados y como poder
aplicarlos a diferentes temas o anlisis de decisiones de otra ndole.

Los modelos explicados para desarrollar el modelo bayesianos se ven muy


relacionados entre si, ya que tienen semejanzas entre cada uno de ellos y en tratan
de recalcar que cada uno de estos tienen similitudes y se pueden abordar de la
misma manera, pero con el seguimiento de uno en especfico deben realizarse ms
o menos clculos estadsticos.

Tambin cabe desatacar que la aplicacin de estos modelos para un anlisis de


toma de decisiones tiene una gran complejidad para los autores debido a que no
todas las empresas documentan los datos de campo y si estos estuviesen sera
muy complicado determinar los valores reales para las decisiones individuales de un
proyecto y aislar los efectos que producen confusin.

Es recomendable poder obtener informacin sobre este tema, con pruebas reales
en entornos controlados para dar bases slidas de los conceptos aplicados por los
autores y de esta manera dar otro tipo de solucin a este problema, ya que como
bien expresan en el artculo seria idea realizar prueba con datos reales para
establecer valores para alternativas complejas y as elegir sobre alguna de las
alternativas.