martes, 22 de noviembre de 2016

¿Cómo determinar la validez y fiabilidad del instrumento de investigación?


Validez y fiabilidad del instrumento de investigación

Los instrumentos de investigación son herramientas que permiten atrapar las variables que se requieren estudiar en la investigación sean cualitativas o cuantitativas dependiendo del enfoque de diseño de la investigación misma. Nos referimos por ejemplo a tablas de observación, test de evaluación, cuestionarios, encuestas, entrevistas, etc.

En ese contexto: ¿Cómo saber si el instrumento de investigación seleccionado es realmente bueno? Para ello se recurre a 2 conceptos aceptados para determinar la calidad de los instrumentos de investigación. El primero es la validez del instrumento y el segundo su fiabilidad o confiabilidad.

La validez del instrumento procura saber si el instrumento seleccionado realmente atrapa la variable que se requiere estudiar y no otra distinta. Para ello los expertos han definido hasta tres tipos de validez: validez de contenido, validez de criterio y validez de constructo. La validez de contenido refleja el grado en el cual el instrumento representa el dominio medible de la variable de estudio, la validez de criterio refleja ese mismo grado por comparación con instrumentos similares y la validez de constructo nos muestra el grado del reflejo contextual como construcción teórica con relación a la variable que está siendo medida. 

Parece algo complejo, pero en realidad es simple y para desarrollarlo bastará con implementar actas de validación que reflejen si la variable que querremos medir es realmente la que el instrumento atrapa.  

Como se recuerda en nuestro post verificación vs validación (http://max-schwarz.blogspot.pe/2013/05/verificacion-vs-validacion.html) explicamos que la validación  requiere hacerse fuera del proceso y con la participación del usuario o el cliente. En este caso es igual se requiere que el experto en el alcance de la investigación pueda validar si el instrumento realmente va o no a atrapar la variable que se requiere estudiar.


La confiabilidad o fiabilidad del instrumento de investigación pretende confirmar si el instrumento es seguro y no contiene errores al momento de determinar lo que mide y para ello se usan diversos indicadores como el Alfa de Cronbach, el indice de Kuder-Richardson o la dispersion media que procuran medir las desviaciones en las respuestas a la misma pregunta para verificar que para preguntas similares la variabilidad de las respuestas sea   la mínima. El más utilizado es el Alfa de Cronbach sobre todo si el Alfa supera el 75% (>75%), es decir, un instrumento será más confiable y con un mayor valor de Alfa de Cronbach si su variabilidad en las respuestas a preguntas muy similares es más pequeña. El cálculo de la confiabilidad con el Alfa de Cronbach es súper sencillo y se muestra de la siguiente manera:



Revisión y clasificación de la literatura científica


Revisión y Clasificación de la literatura

La taxonomía y clasificación de la literatura para el Estado del Arte puede lograrse a partir de la técnica que permite desarrollar un árbol de investigaciones relacionadas en la literatura a partir de un conjunto inicial de artículos científicos relacionados retrocediendo hasta encontrar la investigación más antigua y avanzando hasta encontrar las investigaciones más recientes que se ha desarrollado en torno al problema de investigación y que constituyen la frontera del conocimiento y/o estado del arte de dicho tema. 
  
Para construir el árbol de investigaciones relacionadas se requieren desarrollar los siguientes pasos:
Paso 1.- Ubicar un artículo científico con menos de 3 años de antigüedad en alguna de la bases de datos científicas de la especialidad profesional. (Ver http://max-schwarz.blogspot.pe/2014/03/bases-de-datos-cientificas-para.html)
Paso 2.- Asegurarse que el artículo identificado está directamente vinculado con su problema de investigación. De no estarlo, descartar el articulo y seguir nuevamente con el Paso 1.
Paso 3.- Identificar las referencias del articulo encontrado (se encuentran siempre al final del artículo) y revisar en las referencias para verificar en que artículos se ha basado el autor(es) para escribir el artículo encontrado. (se trata de ir a ver sus fuentes e identificar cual o cuales están directamente relacionados con el problema que pueden sernos de utilidad en nuestra propia investigación.
Paso 4.- Ubicar esas fuentes detectadas con referencia del primer artículo encontrado. Usar nuevamente las bases de datos científicas habilitadas por la universidad para ello.
Paso 5.- Seguir la técnica de despliegue hacia atrás para los artículos que vamos encontrando hasta desenredar las investigaciones hasta llegar a la más antigua que probablemente luego de identificar artículos de años anteriores sea tal vez sea un libro que es el primero en tratar el problema de investigación.
Paso 6.- Una vez hecho el recorrido hacia atrás y luego de ubicada la investigación más antigua, ahora tomar los últimos artículos identificados en la literatura y rastrear quienes citan a esos autores. Por medio del buscador (esta vez por autor) y bajo la búsqueda por años recientes (últimos 3 años) entonces identificaremos rápidamente nuevos artículos actualizados de investigaciones que ya están citando a los autores encontrados originalmente.
Paso 7.- Seguir la técnica de despliegue hacia adelante hasta que ya no se pueda ubicar artículos más recientes y entonces detener la búsqueda para configurar el Estado del Arte con las últimas investigaciones relacionadas y graficarlas en forma de árbol.
Paso 8.- Colocar su investigación en el extremo derecho y proyectar las últimas investigaciones relacionadas hacia su investigación pero en forma proyectada dando a entender de esta manera que su investigación se encuentra por encima de la frontera del conocimiento alcanzado en el estado del arte de su problema de investigación.
Paso 9.- Ordenar el árbol identificando tendencias y clasificando la literatura encontrada (puede usar colores) para diferenciar las tendencias encontradas (enfoques matemáticos, enfoques tecnológicos, enfoques sociales, etc.) de manera tal que el árbol no solo sea para registrar la literatura encontrada sino también para hacer una breve y formal taxonomía de la  misma.



Feature Engineering - Ingeniería de Caracteristicas

Feature Engineering o ingeniería de las características es como se denomina actualmente al proceso especial de asignar características para el reconocimiento de patrones usando técnicas de inteligencia y aprendizaje artificial. No basta con los datos, los datos configuran características que responde a cierto tipo de patrones recurrentes, organizados, estructurados o no, pero consistentes y rastreables para las técnicas y algoritmos de inteligencia artificial  


El proceso de gestión de las características para los investigadores de inteligencia artificial pasa la identificación de las mismas por medio del reconocimiento de un atributo, cualidad, modelo de organización, forma, propiedad, rasgo, singularidad o especificación inherente a partir de la experiencia o el conocimiento de los expertos, luego secuencia la conceptualización de la característica (el proceso para convertirla en un concepto) para posteriormente modelarla (el proceso para especificarla como un modelo), customizarla (el proceso para adecuarla a la realidad de la investigación) y mejorarla (el proceso de mejora) para lograr un adecuado reconocimiento del patrón que se desea especificar en línea con los particulares objetivos de la investigación que se propone.     
El proceso requiere Identificación-Conceptualización-Modelación-Customización-Prueba-Mejora. Ahora bien, si se logra extrapolar a la configuración de estructuras más complejas como las combinaciones de características que configuran una estructura distinta a la característica misma en su comportamiento integrado, pero más cercano a la realidad de la impresión que explota su papel integrado a partir de los patrones que nacen de su conceptualización individual. La ingeniería de características aún está desarrollándose y tiene un enorme potencial en machine learning para el manejo de big data y la aplicación de algoritmos de inteligencia artificial que puedan ser usados para la resolución de problemas prácticos. ¡Muy interesante!!!

Tablero de Incidentes – Alerta preventiva

Los incidentes constituyen la materia prima para prevenir la ocurrencia de accidentes. Cuando sucede un accidente, este accidente debe haber estado registrado en los incidentes de los días anteriores y haber generado las luces suficientes para mostrar un nivel de riesgo extremo que es la condición perfecta para la accidentabilidad.

Los accidentes nunca son producto de la mala suerte. Tenemos que haber hecho muchas cosas mal para que los accidentes ocurran y no debemos permitirlo. La gestión de la seguridad responsable se encarga de la estrategia para manejar un nivel de riesgo razonable que pueda ser tolerado por la organización y las personas que la componen.


El problema del tradicional análisis de incidentes es que se analiza desde una perspectiva lineal horizontal de manera tal que los incidentes del día son analizados por los departamentos de seguridad al final de la jornada, se les detecta las causas y se toma acciones preventivas y correctivas, sin embargo, el análisis diario y su gestión no permite una visión global de la accidentabilidad. Para ello se requiere una visión transversal vertical que logre registrar la ocurrencia de acumulaciones de incidentes del mismo tipo en zonas definidas que generen en sí mismas una condición de riesgo para alertar a la organización de que la probabilidad de generar un accidente se ha concretado y así activar las alarmas necesarias para tomar acción preventiva y correctiva donde sea necesario. 

El tablero de incidentes es la herramienta clave para detectar esto y su uso es muy simple. Los tipos pueden ser mecánicos, eléctricos, de manipuleo de productos químicos, desviaciones de comportamiento, etc. La idea principal es que se requiere registrar los incidentes de cada tipo según su ocurrencia y establecer un criterio de alarma con la acumulación de incidentes del mismo tipo en la misma zona de manera que según sea la acumulación el color vaya cambiando de verde hasta rojo para generar una alarma que permita alertar que en las próximas horas va a registrarse un accidente identificando zona y tipo de manera que puedan tomarse las precauciones para que esto no ocurra.

Ahora bien, si se logra que el tablero registre los tipos de causas de incidentes y no solo los incidentes entonces se podría pasar aun tablero predictivo de seguridad y no solamente preventivo para generar alertas tempranas de la ocurrencia de accidentes. Es simple y facil de implementar. Lo recomiendo ampliamente!!

Max Schwarz   mschwarz@bygsac.com

miércoles, 16 de noviembre de 2016

Exportaciones competitivas: ¿Cómo calcular el Índice de ventaja comparativa revelada (IVCR)?


La competitividad de las exportaciones es fuertemente sensible a la estructura de costos de la cadena de suministro exportadora que la sustenta y en particular al costo logístico que debe soportar por la naturaleza de su proceso y por las condiciones de infraestructura y servicios que pueda utilizar en su camino hacia el cliente final. En este contexto se puede establecer mecanismos de medición que permitan reflejar la ventaja comparativa sobre la base de condiciones diferenciadas en relación al movimiento de los mercados de productos en el proceso de exportaciones. Esta herramienta puede ser de gran utilidad para comprender la naturaleza de las diferencias, establecer las restricciones legales, ambientales, sociales, operacionales y financieras para levantar los obstáculos que puedan presentarse con la finalidad de mejorar la competitividad de nuestros productos.


En ese contexto el índice de ventaja comparativa revelada (IVCR), un indicador desarrollado por Balassa (1965) puede ser de gran utilidad práctica ya que normalmente se utiliza para calcular la ventaja exportadora de un producto de una cadena de suministro a partir del flujo de mercancías del producto (o incluso ahora de un servicio) que la cadena ofrece al mercado. El cálculo para el caso de un producto X que se produce en el Perú puede expresarse de la siguiente manera:


El cálculo del IVCR y la gestión con metas para desarrollar competitividad a partir de las mediciones puede ser de utilidad no solo para desarrollar células de exportaciones sino también para desarrollar nuevas políticas públicas enfocadas hacia los clusters exportadores y muy en particular para las para las cadenas de Pymes con potencial exportador como cadenas de suministro ampliadas que pueden operar a partir de ventajas comparativas naturales que nos ofrece la naturaleza de nuestro país y lograr poner en valor circuitos de productos y servicios que puedan ser exportados con mayor valor agregado, menor intermediación improductiva, mayores márgenes y por lo tanto mayor rentabilidad social y económica para todas las partes interesadas. Es algo que debemos explorar con mayor detenimiento.

Max Schwarz - mschwarz@bygsac.com

martes, 8 de noviembre de 2016

Accidentabilidad y Siniestralidad


La accidentabilidad es combinación de índices de frecuencia y severidad que refleja el nivel de riesgo de una organización. En ese contexto los índices de frecuencia clásicos se calculan de la siguiente manera:



Nota: normalmente la industria usa 200 000 horas como referencia, pero industrias de flujo continuo que trabajan 3 turnos por día y tienen cientos de trabajadores como la minería o el petróleo pueden usar 1 000 000 de horas como referencia de cálculo.
Si a esto añadimos la gravedad o severidad que puede tener un evento no deseado como un accidente entonces a la vez podemos calcular el índice de gravedad o severidad de los eventos:

Nota: La legislación indica un número fijo de días perdidos que deben ser asignados en el caso de un accidente fatal. En el Perú son 6000 días, aunque ya sabemos que con la ocurrencia de un accidente fatal el número de días perdidos se vuelve infinito pues la muerte es siempre irreparable por lo que ese número es solo para fines de cálculo en los indicadores de seguridad.

El Índice de Accidentabilidad se calcula de la siguiente manera:

IA = IF x IS

Ahora bien, desde el punto de vista del asegurador o compañía de seguros, la siniestralidad clásica solo contempla aspectos económicos que no necesariamente reflejan el nivel de riesgo en el cual está expuesta la persona o compañía propietario de la póliza y se calcula de la siguiente manera:   


Donde:
S: Siniestralidad
P: Prestaciones
R: Reserva
A: Aportes Netos

Estos son los índices más usados en la industria sin embargo no reflejan la verdadera tasa de accidentabilidad y de siniestralidad que requiere ser reducida en las organizaciones. En un avance por mejorar esta comprensión ahora puede usarse el concepto de confiabilidad de la seguridad y utilizar la ecuación de Weibull considerando como falla a los accidentes con lo cual el MTBF puede aproximarse en este caso a un tiempo promedio entre accidentes. Ver http://max-schwarz.blogspot.pe/2016/08/semantica-de-la-confiabilidad-y.html  .Esta forma es interesante pero no es la única. Investigadores han desarrollado también el uso de ecuaciones de estado donde la seguridad futura es una condición que depende de la seguridad actual afectada por factores como el grado de complejidad y el grado de control que puedan tenerse como compañía para reducir o mantener bajo estándares controlados los niveles de riesgo a los cuales se expone a la organización. Es un tema aún en permanente investigación en la literatura.


jueves, 3 de noviembre de 2016

Introducción a la Ingeniería Industrial


Libro de Introducción a la Ingeniería Industrial
Costo: $19.99  (Versión digital en formato PDF)
Derechos  Reservados - Dr. Ing. Max Schwarz (2016)
ISBN: 978-612-46591-1-9
Consultas a: mschwarz@bygsac.com