Investigación cuali cuantitativa definicion
“Incertidumbre” es un término genérico para describir algo que no es conocido, porque ocurre en el futuro o tiene un impacto que es desconocido (Ku,1995). El término “incertidumbre” ha sido usado para referirse a algo desconocido que no se puede resolver determinísticamente o algo desconocido que solo se puede resolver a través del tiempo.
Schweppe et al. (1989) definen la incertidumbre como cantidades o eventos que están más allá del conocimiento previo o del control del decisor.
Paraskevopoulos et al. (1991) atribuyen los orígenes de la incertidumbre a errores en la especificación, estimación estadística de relaciones y suposición de variables exógenas.
La incertidumbre surge debido a la información incompleta como puede ser contradicciones en fuentes de información, imprecisiones lingüísticas, ambigüedad o simplemente falta de información. Tal información incompleta también puede provenir de simplificaciones y aproximaciones que es necesario hacer para hacer los modelos manejables. La incertidumbre algunas veces se refiere a la aleatoriedad en la naturaleza o variabilidad en los datos.
En la literatura, los términos “incertidumbre” y “riesgo” son frecuentemente usados indiferentemente. Knight (1921) fue el primero en diferenciar entre el riesgo como “cuantificable” y la incertidumbre como “no cuantificable”.
Strangert (1977, p. 35) interpreta a Knight como sigue: la incertidumbre se refiere a una percepción no estructurada de lo incierto, mientras que el riesgo se refiere a la situación en la cual a cada alternativa se le ha asignado un resultado y a cada posible resultado una probabilidad.
El concepto de Strangert de incertidumbre pura, fue introducido alrededor de 1950 donde los posibles resultados son dados sin asignarles ninguna probabilidad de ocurrencia.
Según las definiciones de Knight, Barbier y Pearce (1990) notan que el riesgo denota probabilidades ampliamente cuantificables, mientras que la incertidumbre se refiere a contextos en los que las probabilidades no son conocidas.
Este mismo concepto se plantea en Smith y otros (2000) que hablan de riesgo cuando el modelo probabilístico o estocástico a ser utilizado para representar el comportamiento de la variable incierta es conocido, y hablan de incertidumbre cuando ese modelo no es conocido.
Hertz y Thomas (1984) asocian el riesgo con la carencia de previsibilidad acerca de la estructura del problema, resultados o consecuencias en la decisión o planeación mientras que la incertidumbre implica la carencia de previsibilidad acerca de todos los elementos de la estructura del problema.
Chapman y Cooper (1983) consideran que el riesgo es la implicación indeseable debida a la incertidumbre. El riesgo también puede entenderse como el enfoque hacia los malos resultados, por ejemplo, cuando algo puede salir mal.
Choobineh y Behrens (1992) consideran la incertidumbre como la manifestación de las consecuencias desconocidas producto de un cambio y el riesgo como las consecuencias de tomar una acción en la presencia de incertidumbre.
Desde una perspectiva ingenieril, Merill y Wood (1991) observan la relación causal entre riesgo e incertidumbre: la incertidumbre se refiere a factores fuera de control y no conocidos con certidumbre, mientras que el riesgo es un peligro que se corre como producto de la incertidumbre.
Las incertidumbres reflejan nuestra carencia de perfecto entendimiento de los fenómenos y procesos (Yen, 2002). En análisis de recursos hidráulicos, diseño y administración, las incertidumbres pueden emerger de las siguientes fuentes (Yen, 2002):
Incertidumbres naturales asociadas con la aleatoriedad inherente a los procesos naturales.
Incertidumbre del modelo que refleja la inhabilidad del modelo de simulación o la técnica de diseño para representar el comportamiento físico real del sistema.
Incertidumbres en los parámetros del modelo resultantes de la inhabilidad para cuantificar con precisión los parámetros de entrada.
Incertidumbres en los datos incluyendo (a) errores de medida, (b) inconsistencia y no homogeneidad en los datos, (c) errores de manejo y trascripción de los datos y (d) representatividad inadecuada de la muestra debido a limitaciones espaciales y temporales.
Incertidumbres operacionales incluidas aquellas asociadas con la construcción, manufactura, mantenimiento y otros factores humanos que no se tienen en cuenta durante la modelación o el proceso de diseño.
MANEJO DE LA INCERTIDUMBRE EN TOMA DE DECISIONES
En los casos específicos de múltiples objetivos, la consideración de los aspectos de incertidumbre en los procesos de toma de decisiones se ha manejado de maneras muy clásicas.
Tradicionalmente cuando se habla de incertidumbre en los procesos de toma de decisiones se refiere a variables y procesos asociados únicamente con la toma de decisiones, tales como condiciones de financiamiento, estructuras de preferencias, riesgo en la decisión, etc.
Desde la llamada “ciencia de la decisión” se han desarrollado propuestas sobre el manejo de la incertidumbre en problemas de decisión. Sin embargo, en los métodos hasta ahora desarrollados, no es claro como realizar el tratamiento de la incertidumbre inherente a casi todos los procesos de toma de decisión.
Generalmente se hace considerando posibles escenarios de ocurrencia de ciertas variables del problema o realizando análisis de sensibilidad sobre ciertas variables críticas. Además, considerando que el criterio de elección es único, como por ejemplo elegir la alternativa de menor costo. Algunas opciones de manejo de incertidumbre son:
Métodos Multi objetivo Estocásticos Explícitos. Métodos Probabilísticos.
Uso de Indicadores de riesgo e incertidumbre
Métodos Multi objetivo Estocásticos Implícitos. Simulación de Monte Carlo.
Análisis de sensibilidad
Escenarios – Análisis de riesgos
Tal vez uno de los trabajos más relevantes en la propuesta de criterios adecuados para soportar procesos de toma de decisiones en ambientes de riesgo e incertidumbre lo hizo Ku (1995), aunque ella se quedo corta en llegar a propuestas de cómo se pueden calcular o estimar muchos de los criterios propuestos por ella.
Los criterios mas sobresalientes propuestos por Ku (1995) para caracterizar una alternativa ante una situación de incertidumbre son:
Flexibilidad: Se refiere a la capacidad del proyecto de responder a cambios que no pueden predecirse.
Robustez: Es la capacidad del proyecto de soportar satisfactoriamente todos los posibles estados de la naturaleza previstos.
Vulnerabilidad: Es la capacidad del proyecto de soportar satisfactoriamente cambios que pueden predecirse.
Adaptabilidad: Se refiere a la capacidad del proyecto de responder a cambios que pueden predecirse.
Elasticidad: Es la capacidad del proyecto de retornar a su situación normal ante cambios en las condiciones del entorno.
Liquidez: Es la facilidad de transición desde una situación dada en un periodo de tiempo a una situación deseada a en el próximo periodo de tiempo.
Plasticidad: Se refiere a la capacidad del proyecto de permanecer en una misma situación sin permitir transformaciones.
Uno de los problemas típicos en la estimación o calculo de estos criterios es que se disponga de la información que se requiere. Esto normalmente no es el caso y representa una gran limitante para su uso.
IMPRECISIÓN
Los modelos ’difusos’ evalúan la subjetividad del comportamiento humano y modelan la imprecisión del fenómeno mental que no es de carácter estocástico.
Por ejemplo, ¿Qué escala de valoración usar para evaluar algunos indicadores ambientales o sociales? ¿Cómo expresar matemáticamente valoraciones lingüísticas como ‘bueno’, ‘pobre’ etc.? Los conjuntos difusos permiten representar matemáticamente este tipo de valoración.
El problema en cuestión revela alta complejidad pues puede presentar conflicto de intereses en las diferentes objetivos, conflicto de intereses entre los decisores (la empresa, las autoridades o la comunidad afectada), e información incompleta e imprecisa (difusa).
Una alternativa a la problemática mencionada, se hace posible mediante el empleo de un método cuantitativo de toma de decisiones con base en lógica difusa denominado Análisis Multiobjetivo Difuso, que permite manejar información de carácter impreciso y encontrar soluciones satisfactorias que optimicen diferentes criterios en conflicto.
La lógica difusa fue desarrollada por L. A. Zadeh, profesor de la Universidad de California en Berkeley, a mediados de los 60’s, cuando publicó el artículo “Fuzzy Sets“. En el, propuso una “nueva” lógica multi-valuada, retomando los conceptos expuestos de tiempo atrás por lógicos como Lukasiewicz, Russell y Max Black.
El Desarrolló un álgebra completa para conjuntos Difusos, que resulta ser una extensión de la tradicional lógica bi-valuada (crisp) tradicional. Según Bellman y Zadeh (1970), la incertidumbre hace referencia a los fenómenos aleatorios que se manejan con la teoría de la probabilidad, mientras que la imprecisión puede tratarse adecuadamente con la teoría de conjuntos difusos.
Muchos son los libros sobre Lógica Difusa que se encuentran en la literatura, entre los que se destacan los textos de Bellman y Zadeh (1970), Duckstein (1991), Chen y Hwang (1992), Sakawa (2002) y Carlsson y Fullér (2002).
En general, los métodos de análisis multiobjetivo difuso, otorgan inicialmente a cada alternativa una calificación difusa “fuzzy rating” que corresponde a la agregación de los puntajes de desempeño de la alternativa con respecto a todos los objetivos. Posteriormente, se realiza una fase de ordenamiento difuso “fuzzy ranking” en la cual se comparan el puntaje agregado de las alternativas mediante un método de ordenamiento difuso.
Los resultados de ambas fases se denominan calificación final “final rating” y posición de ordenamiento “ranking order”, respectivamente. El puntaje o calificación de desempeño de una alternativa con respecto a todos los atributos se representa por medio de un conjunto difuso, por lo que la calificación final se expresará también como un conjunto difuso.
Los problemas del mundo real tienen una mezcla de datos clásicos “crisp” y datos imprecisos “fuzzy”, los cuales pueden tener una gran cantidad de alternativas y alcanzar cientos de atributos.
Metodo cualitativo y cuantitativo
La investigación cualitativa:
es un método de investigación usado principalmente en las ciencias sociales que se basa en cortes metodológicos basados en principios teóricos tales como la fenomenología, hermenéutica, la interacción social empleando métodos de recolección de datos que son no cuantitativos, con el propósito de explorar las relaciones sociales y describir la realidad tal como la experimentan los correspondientes.
La investigación cualitativa requiere un profundo entendimiento del comportamiento humano y las razones que lo gobiernan
Existen tres tipos de investigación cualitativa:
Investigación participativa: Es una forma de actividad que combina, la forma de interrelacionadamente, la investigación y las acciones en un determinado campo seleccionado por el investigador, con la participación de los sujetos investigados. El fin último de este tipo de investigación es la búsqueda de cambios en la comunidad o población para mejorar las condiciones de vida
Investigación- acción: Tiene semejanza con la participativa, de allí que actualmente se hable con bastante frecuencia de investigación-acción participativa. Es uno de los intentos de resumir la relación de identidad necesaria para construir una teoría que sea efectiva como guía para la acción y producción científica, que esté estrechamente ligada a la ciencia para la transformación y la liberación social. tiene un estilo mas llamativo a la investigación ligada a la educación llamada criterios de evaluación diagnostica.
Investigación etnográfica: Estudia los hechos tal como ocurren en el contexto, los procesos históricos y educativos, los cambios socioculturales, las funciones y papeles de los miembros de una comunidad. Se caracteriza por el uso de la observación, sea ésta participante o no.
Investigación Cuantitativa:
es un método de investigación basado en los principios metodológicos de positivismo y neopositivismo y que adhiere al desarrollo de estándares de diseño estrictos antes de iniciar la investigación. El objetivo de este tipo de investigación es el estudiar las propiedades y fenómenos cuantitativos y sus relaciones para proporcionar la manera de establecer, formular, fortalecer y revisar la teoría existente. La investigación cuantitativa desarrolla y emplea modelos matemáticos, teorías e hipótesis que competen a los fenómenos naturales.
La investigación cuantitativa es ampliamente usada en las ciencias naturales y sociales, desde la física y la biología hasta la sociología y el periodismo.
Existen tres tipos de investigación cuantitativa:
Investigación descriptiva: Se refiere a la etapa preparatoria del trabajo científico que permita ordenar el resultado de las observaciones de las conductas, las características, los factores, los procedimientos y otras variables de fenómenos y hechos. Este tipo de investigación no tiene hipótesis explicada.
Investigación analítica: Es un procedimiento más complejo con respecto a la investigación descriptiva, que consiste fundamentalmente en establecer la comparación de variables entre grupos de estudio y de control sin aplicar o manipular las variables, estudiando éstas según se dan naturalmente en los grupos. Además, se refiere a la proposición de hipótesis que el investigador trata de probar o negar.
Investigación experimental: Es un procedimiento metodológico en el cual un grupo de individuos o conglomerado, son divididos en forma aleatoria en grupos de estudio y control y son analizados con respecto a un factor o medida que el investigador introduce para estudiar y evaluar.
Tabla 1. Diferencias entre investigación cualitativa y cuantitativa5-6 | |
Investigación cualitativa | Investigación cuantitativa |
Centrada en la fenomenología y comprensión | Basada en la inducción probabilística del positivismo lógico |
Observación naturista sin control | Medición penetrante y controlada |
Subjetiva | Objetiva |
Inferencias de sus datos | Inferencias más allá de los datos |
Exploratoria, inductiva y descriptiva | Confirmatoria, inferencial, deductiva |
Orientada al proceso | Orientada al resultado |
Datos “ricos y profundos” | Datos “sólidos y repetibles” |
No generalizable | Generalizable |
Holista | Particularista |
Realidad dinámica | Realidad estática |
Tabla 2. Ventajas e inconvenientes de los métodos cualitativos – cuantitativos | |
Métodos cualitativos | Métodos cuantitativos |
Propensión a “comunicarse con” los sujetos del estudio | Propensión a “servirse de” los sujetos del estudio |
Se limita a preguntar | Se limita a responder |
Comunicación más horizontal… entre el investigador y los investigados… mayor naturalidad y habilidad de estudiar los factores sociales en un escenario natural | |
Son fuertes en términos de validez interna, pero son débiles en validez externa, lo que encuentran no es generalizable a la población | Son débiles en términos de validez interna -casi nunca sabemos si miden lo que quieren medir-, pero son fuertes en validez externa, lo que encuentran es generalizable a la población |
Preguntan a los cuantitativos: ¿Cuan particularizables son los hallazgos? | Preguntan a los cualitativos: ¿Son generalizables tus hallazgos? |