Académique Documents
Professionnel Documents
Culture Documents
Razonamiento Bayesiano
Establecer una fecha de entrega esperada o planificar recursos para cualquier proyecto implica una
predicción, y la mejor manera de mejorar las predicciones es aplicar el razonamiento bayesiano. Este
tipo de razonamiento se basa en las matemáticas de siglos de antigüedad y fue históricamente una
forma controvertida de pensar sobre la naturaleza de la probabilidad. Se ha convertido en una mejor
práctica aceptada, central para todo tipo de predicciones. En The Signal and the Noise, por ejemplo,
Nate Silver explica cómo el razonamiento bayesiano es fundamental para predecir los resultados de
las elecciones, los pronósticos económicos, la propagación de enfermedades, el clima, el póker y otros
intereses sociales. Los métodos bayesianos también se han aplicado para administrar la duración de
los proyectos en otros dominios de ingeniería. El razonamiento bayesiano requiere un cambio de
mentalidad de la forma en que la mayoría de nosotros abordamos la estimación de proyectos.
Debemos abandonar la idea de que un proyecto tiene una duración fija o un costo fijo. La mentalidad
bayesiana razona sobre las predicciones como un rango de posibles valores llamados resultados.
Algunos resultados son más probables que otros, por lo que a cada uno se le asigna un valor de
probabilidad. El desafío para el lider del proyecto es identificar una distribución inicial como el
tiempo para terminar y luego actualizar continuamente la distribución a medida que avanza el
proyecto. La forma cambiante de la distribución proporciona información sobre si la probabilidad de
cumplir con el objetivo del cronograma está mejorando. La distribución inicial se llama distribución
anterior y la distribución actualizada la posterior. En la figura 1, la estimación inicial en la parte
superior sería la anterior, y el resultado después de buscar la opción 3 en la parte inferior de la figura
sería la posterior. El proceso es bastante simple:
• Haga una conjetura inicial, pero informada, de una distribución previa.
• Reunir evidencias.
• Use el teorema de Bayes para actualizar una distribución posterior.
• Continúe actualizando la distribución posterior a medida que haya más evidencia disponible.
Una de las características importantes de este enfoque es que converge en el mismo posterior, sin
importar el anterior que se utilizó para sembrar el proceso. Esto es importante: la especificación
perfecta y el plan perfecto no son necesarios para mejorar la previsibilidad. Es mucho mejor hacer una
estimación razonable y luego refinar esa estimación. Este es el espíritu de desarrollo iterativo y ágil
que lo diferencia del pensamiento convencional en cascada.