Tesis C

1VI
VI
Índice de Contenido
Resumen .................................................................................................................................... 5
Abstract ..................................................................................................................................... 7
Introducción .............................................................................................................................. 8
Capítulo I. Planteamiento del problema.................................................................................. 13
1.1 Problema de investigación ....................................................................................... 13
1.2 Formulación del problema ....................................................................................... 15
1.3 Objetivos .................................................................................................................. 15
1.3.1 General. ............................................................................................................. 15
1.3.2 Específicos .............................................................................................................. 15
1.4 Justificación .............................................................................................................. 16
Capítulo II. Marco Referencial ............................................................................................... 19
2.1. Antecedentes ............................................................................................................ 19
2.2. Bases legales ............................................................................................................ 28
2.3. Bases conceptuales ................................................................................................... 29
Capítulo III. Marco Metodológico .......................................................................................... 39
3.1. Enfoque de investigación ......................................................................................... 39
3.2. Alcance de la investigación ...................................................................................... 40
3.3. Diseño de investigación ........................................................................................... 41

2
VII
3.4. Población y muestra ................................................................................................. 42
3.5. Instrumentos de recolección de datos....................................................................... 45
Capítulo IV. Presentación y Análisis de Resultados ............................................................... 47
4.1. Resultados y Discusión ............................................................................................ 47
4.1.1 Normalidad de los datos. ........................................................................................ 48
4.1.2 Parámetros predictivos ........................................................................................... 49
4.1.3 Comparativa detección de emergencias. ................................................................ 51
4.1.4 Diferencia mínima significativa. ............................................................................ 53
4.1.5 Intervalos de confianza. .......................................................................................... 56
4.1.6 Contraste Emergencias Versus Pilotos. .................................................................. 57
4.1.7 Comparativa puntajes de detección de emergencias versus emergencias. ............. 58
4.1.8 Tiempo de detección de emergencias versus grupos de pilotos. ............................ 60
4.1.9 Modelo predictivo: regresión lineal de primer orden ............................................. 62
4.2. Pilotaje...................................................................................................................... 65
4.3. Entregables ............................................................................................................... 71
4.4. Respuesta a la pregunta problema ............................................................................ 71
Conclusiones ........................................................................................................................... 73
Recomendaciones ................................................................................................................... 80
Glosario ................................................................................................................................... 86
Referencias Bibliográficas ...................................................................................................... 90

3
VIII
Anexos .................................................................................................................................... 96
4
IX
Índice de Figuras
Figura 1. Calculo del tamaño de la muestra. ........................................................................... 44
Figura 2. Parámetros de Calificación. ..................................................................................... 48
Figura 3. Análisis normalidad. ................................................................................................ 49
Figura 4. Comparativa detección de emergencias vs. Horas de vuelo. ................................... 52
Figura 5. Grupos de información. ........................................................................................... 53
Figura 6. Medias individuales. ................................................................................................ 54
Figura 7. Desviación estándar individual................................................................................ 55
Figura 8. Desviación estándar por grupos de horas de vuelo. ................................................ 56
Figura 9. Emergencias Vs. Piloto ........................................................................................... 57
Figura 10. Comparativa puntajes de detección de emergencias versus emergencias. ............ 58
Figura 11. Detección de emergencias versus emergencias. .................................................... 59
Figura 12. Tiempo de detección de emergencias versus grupos de pilotos. ........................... 60
Figura 13. Datos detección de emergencias versus grupos de pilotos. ................................... 61
Figura 14. Modelo predictivo por emergencia y tiempo de vuelo. ......................................... 64
Figura 15. Guía de observación. ............................................................................................. 69
Figura 16. Datos modelo de regresión lineal. ......................................................................... 81
Figura 17. Licencia Minitab 18. .............................................................................................. 96
Figura 18. Promesa de Reserva Colectiva. ............................................................................. 98
Figura 19. Validación Instrumento. ........................................................................................ 99

X
5
Resumen
La presente tesis realiza el modelamiento del error humano en los Pilotos de A-29B
del Comando Aéreo de Combate No.2 basado en el modelo HEMA en situaciones de
emergencia haciendo énfasis en la necesidad de verificar la relación entre variables
dependientes que permitieran una medición del desempeño en momentos de alta demanda de
habilidad, criterio y capacidad.
El estudio responde a la necesidad de corroborar la posibilidad de moldear el
comportamiento humano, apoyándose en el modelo HEMA, que permite corroborar si las
variables pueden ser interconectadas, inferidas y graficadas. Para lo cual se hace uso de los
pilotos disponibles en el CACOM-2 mediante la practica simulada en el equipo diseñado
para tal fin.
De esta manera pudo determinarse que las variables dependientes e independientes
estaban relacionadas y de esta manera se determinó la posibilidad matemática de modelar los
conceptos mecanicistas el error humano de los pilotos, esto se logró a través del rechazo de la
hipótesis nula y la demostración estadística de la hipótesis alternativa.
Concluyendo en este estudio que el ser humano, específicamente los pilotos de
combate de A-29B poseen un patrón de conducta predecible, lo que otorga la capacidad de
generar planes proactivos que propendan por la mitigación y reducción del error al nivel
aceptable, y de esta manera lograr enfocar el entrenamiento hacia las necesidades reales del
mismo, fortaleciendo y mejorando sus capacidades como pilotos a bordo de un avión de
guerra.
6
XII
Palabras clave: error humano, piloto de combate, modelo HEMA.

XIII7
Abstract
This document, made an adaptation of the modeling of human error in the Pilots of A-
29B of the Combat Air Command No.2 based on the HEMA model in emergency situations
emphasizing the need to verify the relationship between dependent variables that would
allow a performance measurement in moments of high demand for skill, criteria and
capacity.
The study responds to the need to corroborate the possibility of molding human
behavior, relying on the HEMA model, which allows to corroborate if the variables can be
interconnected, inferred and graphed. For which use is made of the available pilots in the
CACOM-2 through the simulated practice in the equipment designed for that purpose.
In this way it was possible to determine that the dependent and independent variables
were related and in this way the mathematical possibility of modeling the mechanistic
concepts of the human error of the pilots was determined, this was achieved through the
rejection of the null hypothesis and the statistical demonstration of the alternative hypothesis.
Concluding in this study that the human being, specifically the fighter pilots of A-29B
have a predictable behavior pattern, which gives the ability to generate proactive plans that
favor the mitigation and reduction of the error to the acceptable level, and of this way to
focus the training towards the real needs of the same, strengthening and improving their
capabilities as pilots on board a warplane.
Keywords: human error, combat pilot, HEMA model.

8
Introducción
El presente trabajo de grado se refiere al modelamiento del error humano, que se
puede utilizar para predecir con alguna exactitud, los comportamientos y tendencias de los
pilotos bajo ciertas condiciones de emergencia en vuelo que por su naturaleza exigen de
condiciones especiales del piloto para salir adelante con cada una de ellas.
La característica principal de este modelamiento es proporcionar información
relevante sobre las consecuencias del error humano, que permitiría a los Escuadrones de
Combate elegir qué factores o procesos deben ser fortalecidos en relación con los eventos de
seguridad que involucren el factor humano como su causante. Desde este ángulo, se puede
considerar al ser humano y en especial a los pilotos de A-29B como objetos de estudio donde
se podría aplicar la adaptación de la Arquitectura de Modelado de Errores Humanos (HEMA,
por sus siglas en inglés) para poner a prueba los datos recolectados para un sistema que
simula errores posiblemente guiados y experimentados por los Pilotos de Combate en
situaciones de emergencia.
Para analizar esta problemática conviene precisar que el error humano se cita
continuamente como la causa principal de los accidentes aéreos, paralelamente el
entrenamiento puede ayudar a las personas a ver más allá de sus propios límites y a aceptar
sus limitaciones. Esto requiere que las personas miren objetivamente su propia cultura, que
identifiquen sus fortalezas y debilidades y que vean las fortalezas y debilidades de otras
culturas. (ICAO, 2011).

9
La Organización de Aviación Civil Internacional (OACI) (por sus siglas en inglés:
International Civil Aviation Organization - ICAO) recomienda que todo el personal de
cualquier organización de aviación debe tener, al menos, conocimiento general de los
Factores Humanos para que estén más conscientes del desempeño, las capacidades y las
limitaciones de los seres humanos. (ICAO, 2011). Este nivel de conocimiento también ayuda
al personal operativo a comprender cualquier boletín sobre problemas de factores humanos
distribuido y socializado desde la inspección general o emitido por el mismo escuadrón.
Para generar la inferencia, se consideran las causas que interfieren directamente en
que un piloto de combate logre en vuelo “filtrar, procesar y tomar decisiones a una velocidad
que no permite una consideración cuidadosa de toda la información que está llegando a su
cabina en tiempo real” (Fotta, Byrne y Luther, 2005, p.1, traducción propia, 2017). Cabe
señalar que el error humano puede generar graves e incluso mortales consecuencias, como
los incidentes de "fratricidio" u otros eventos de suma gravedad para quienes por misión
institucional hacen uso de la fuerza y poder de fuego.
La investigación parte del interés de encontrar un modelo numérico que pudiera
adaptarse para moldear la tendencia al error del piloto de A-29B, así como identificar
patrones comunes discriminándolos por categorías de experiencia basados en la cantidad de
horas de vuelo, tomando datos a través del simulador de vuelo y estableciendo una relación
entre variables discretas.
Por otra parte, disponer de datos modelados, permite una mejor toma de decisiones
por parte de los comandantes de escuadrón y de escuelas avanzadas en beneficio de la
formación de sus pilotos, basados en los datos observados y tabulados mediante el proceso de
una observación estructurada por parte de del investigador y posterior inferencia estadística
10
de los mismos. El interés académico que supone este trabajo radica en la posibilidad de
modelar el error de manera sistemática, adaptar un modelo existente a la realidad de la
Fuerza Aérea Colombiana.
El modelo HEMA no ha sido implementado en estudios con los escuadrones de vuelo,
no obstante, el modelo predecesor llamado Modelo Genérico del Error Humano GEMS
(FAA, 2018) fue aplicado a un escuadrón de pilotos de la Fuerza Aérea del Ejército Popular
de Liberación China con resultados satisfactorios como precedente al modelo HEMA,
sentando un antecedente de la capacidad de modelar de manera matemática el error en
condiciones simuladas en pilotos reales de combate.
La estrategia para la recolección de datos se basó en la guía de observación
estructurada, aplicando los conceptos de emergencias tipo “boldface”, o procedimientos que
por su gravedad requieren una acción inmediata, con medición de parámetros como
habilidad, administración del tiempo y la efectividad vs eficacia en los procedimientos
realizados por cada uno de los pilotos. Dicho esto, se establecieron controles para evitar el
sesgo en la información recolectada, llevando a los pilotos a efectuar un perfil de vuelo con
objetivo de ataque a un punto y posterior regreso a la unidad aérea de despegue, una vez
entrados en situación y con intención de vuelo, se empiezan a simular una a una las
emergencias sin perder de vista la intención de la misión principal.
La literatura actual no dispone de mucha información respecto al modelamiento
matemático del error humano, sin embargo, se presentan conceptos de inferencia estadística y
regresiones lineales que apoyan de manera numérica los índices de confianza y márgenes de
error de los datos tomados, lo que permitió establecer la validez de los mismos.
11
Los datos obtenidos mediante la guía de observación estructurada, permitió modelar
el comportamiento y tendencia del piloto a través del tiempo, logrando a través de procesos
estadísticos establecer las fortalezas y debilidades en el entrenamiento de los pilotos y su
tendencia eficaz en la solución de problemas como los eventos que por falla técnica en vuelo
desencadenan procedimientos en ocasiones de acción inmediata.
Observar y medir los tiempos de respuesta, subdividir la muestra objeto de estudio, y
diligenciar la guía de observación permitió conocer las capacidades y habilidades que se
fortalecen a través del tiempo y las horas de vuelo, estas dos variables se miden por primera
vez en un estudio formal donde se establece de manera experimental dicha relación.
En el primer capítulo se describe el planteamiento del problema, en el cual se aborda
una serie de dudas académicas sobre la posibilidad y la necesidad de modelar de manera
mecanicista el error humano, plasmándolo en los objetivos del trabajo de grado como un
componente aun no evaluado y estudiado en la Fuerza Aérea Colombiana.
El segundo capítulo se refiere al marco referencial, abarcando los conceptos y temas
requeridos para el abordaje del modelamiento, citando antecedentes requeridos para el
correcto enfoque de la investigación, así mismo, las bases legales requeridas para estudios
con humanos.
El tercer capítulo abarca marco metodológico, dentro del diseño, alcance, población y
muestra, enfoque e instrumentos de recolección, como la etapa de trabajo de campo con los
pilotos de A-29B del Comando Aéreo de Combate No. 2 y el cuarto y último capítulo
presenta los resultados y discusión en el cual se hacen las inferencias estadísticas, mediante
la tabulación y representación gráfica de los datos, postulando recomendaciones y

12
conclusiones que aportan nuevo conocimiento en el objetivo de modelar mediante una
herramienta internacional el error humano en ámbitos operacionales.
Por último, se presentan los resultados y se efectúa una discusión con bases
inferenciales y matemáticas sobre el modelamiento del error humano, generando una discusión
acerca de las ventajas, dificultades y el proceso para llegar a unos datos con un nivel de
confianza aceptables y un margen de error reducido, así mismo, el trabajo efectuado con el
rechazo de la hipótesis nula y la demostración de la alternativa bajo condiciones simuladas con
los pilotos en una única sesión para cada uno.

13
Capítulo I. Planteamiento del problema
1.1 Problema de investigación
Con la adaptación de la Arquitectura de Modelado del Error Humano (HEMA) se
pretende describir una posible relación entre la experiencia como piloto, horas de vuelo y
tipo de emergencia ante las falencias en el entrenamiento, procedimientos en cabina erróneos
producto de la baja experiencia como pilotos en el Escuadrón de Combate No. 211, el pobre
criterio en la solución creativa de problemas, la poca continuidad o disminución de la
intensidad de los entrenamientos continuados, donde se desea además verificar si uno de los
factores principales en este detrimento es la reducción de horas de vuelo en la Fuerza Aérea
Colombiana (FAC).
La Arquitectura de Modelado de Errores Humanos (HEMA) es una herramienta que
permite asimilar un modelo dinámico el cual estudia los procesos cognitivos del rendimiento
humano, para la investigación da valor en términos de evaluación de la confiabilidad
humana, pronóstico y optimización, así mismo, ofrece predicción del rendimiento humano
bajo ciertas condiciones de funcionamiento.
El problema radica en identificar las falencias que poseen los pilotos “solos” en
cabina de avión de combate que incide en su capacidad para reconocer, interpretar y ejecutar
el procedimiento “boldface” (procedimiento que exige acción inmediata, siendo un evento de
gravedad significativa para la tripulación. El piloto debe conocer de memoria la secuencia de
pasos para sortear dicha situación.) en una situación de emergencia, aunque se posee un
14
simulador certificado de A-29B en el CACOM-2, se posee como antecedentes los accidentes
en años anteriores por pérdida de conciencia situacional, pérdida de control o el no reconocer
la gravedad de una situación de manera temprana, sumado a los errores de criterio, juicio y
conocimiento como los que arrojaron los accidentes del ECN-235 (2016), A-29B (2012),
Súper King Air 350 (2010) , Bronco OV-10 (2000) y Bronco OV-10 (1997), entre otros.
Mencionados accidentes tienen características en común, lo que permite encontrar factores
que pueden ser trazables y moldeables.
En este proyecto se buscó establecer si existe una relación significativa entre la
emergencia en vuelo, sus consecuencias, la solución y procedimientos efectuados por los
pilotos con poca, media y alta experiencia y la establece como la hipótesis alternativa o Ha
partiendo de que las medias son iguales, los datos normales e independencia entre los
mismos. Para esto se presentarán los datos simulados, que permitan anticipar de manera
oportuna situaciones de riesgo potencial a través de la regresión lineal o inferencia estadística
que permita determinar una tendencia al error por medio de datos normalizados obtenidos en
una guía de observación estructurada. Este tipo de modelos no se ha llevado a cabo en la
FAC o Fuerza Militar Colombiana, lo que permite también multiplicar el estudio y el
procedimiento para adaptarlo a los diferentes equipos de vuelo.
Las dos hipótesis que fueron objeto de trabajo son:
• Ho: (hipótesis nula) No hay una relación directa entre la cantidad de horas
vuelo en A-29B y la solución de emergencias boldface.
• Ha: (Hipótesis alternativa) Se establece una relación directa entre la cantidad
de horas vuelo en A-29B y la solución de emergencias boldface.

15
1.2 Formulación del problema
¿Cuáles son las ventajas de modelar el error humano en situaciones de emergencia de
los pilotos de A-29B del Comando Aéreo de Combate No.2 en el lapso 2017-2018 de
acuerdo la Arquitectura de Modelado de Errores Humanos (HEMA)?
1.3 Objetivos
1.3.1 General.
Modelar el error humano en los Pilotos de A-29B del Comando Aéreo de Combate
No.2 basado en la Arquitectura de Modelado de Errores Humanos (HEMA) en situaciones de
emergencia, para inferir debilidades y fortalezas del entrenamiento de vuelo.
1.3.2 Específicos
Identificar un patrón de variables conductuales en respuesta a errores conocidos en
vuelo, para alimentar el modelo de tendencia.
Aplicar inferencia estadística que permita predecir con algún grado de exactitud la
tendencia del error humano para ser aplicado en los pilotos de A-29B.
Representar los datos obtenidos en el modelamiento del error humano en situación de
emergencia mediante inferencia estadística para ilustrar las debilidades y fortalezas del
entrenamiento.
16
1.4 Justificación
La Fuerza Aérea Colombiana como explotadora aeronáutica, busca mejorar sus
Programas de Prevención de Accidentes (PREVAC) establecidos en el QRH o Libro de
Referencia Rápida (2014), encaminados a reducir, atrapar y mitigar el error en la
organización mediante estrategias que optimizan los procedimientos, también, reglamentar
los vacíos doctrinales y establecer controles internos periódicos con el fin de preservar la
vida, las aeronaves y la infraestructura, logrando generar empoderamiento y responsabilidad
en todo el personal como parte de la cultura de seguridad. Aun así, muchas actividades que se
desprenden del PREVAC son de tipo reactivas, y solo aportan a la solución de situaciones y
eventos una vez sucedidos. (FAC, 2010)
Los esfuerzos para modelar el error humano que puedan proporcionar poder
predictivo son escasos. Sin embargo, se presentan esfuerzos taxonómicos y descriptivos para
explicar el comportamiento de error humano. Algunos de los más conocidos son el enfoque
del Sistema de Modelado de Errores Genérico (GEMS) (Reason, 1990), el Modelo de Etapas
de Acción (Norman, 1986) y el Método de Análisis de Confiabilidad y Error Cognitivo
(CREAM) (Hollnagel, 1998). Sin embargo, no son mecanicistas, lo que limita su poder
explicativo o predictivo. Sin poder predictivo, estos enfoques no pueden usarse para
determinar o comparar entre dos diseños cual generaría errores en mayor o menor gravedad.
Con esta investigación se aporta una herramienta para entender el error mediante la
clasificación por habilidades, reglas y el conocimiento basado en la información adquirida
por medio de guía de observación, controles académicos y simulación de situaciones de
emergencia en A-29B del Comando Aéreo de Combate No.2 en el lapso 2017-2018,

17
correlacionando datos del error en situaciones donde el error se haga presente y desenlace el
accidente o situaciones de interés en la seguridad aérea, la recopilación de Eventos de
Seguridad Operacional, Accidentes e Incidentes que se hayan reportado o presentado y las
entrevistas. En ese sentido, esta investigación va permitir comprender bajo cuales
circunstancias se presenta la degradación del desempeño en vuelo hasta el punto en que el
error se haga presente y pueda ocasionar un evento de seguridad, de esta manera al conocer
las variables que afectan el equilibrio del vuelo seguro se pueden generar soluciones
puntuales para minimizar el error en situaciones adversas conocidas, reconociendo la
naturaleza del problema y dando la oportunidad a la institución de fortalecer las debilidades y
mejorar esos aspectos en el entrenamiento.
Desde la perspectiva metodológica, se estarían adaptando conocimientos, modelos y
estudios internacionales que permitan elaborar directrices para orientar el desarrollo de una
nueva aérea dentro del programa de prevención de accidentes en los equipos de la FAC,
utilizando los mismos instrumentos de recolección de datos en simulador de vuelo, vuelos
reales y/o entrevistas para posterior análisis de resultados, para documentarlos y luego
generar doctrina que sirva para alimentar un posterior análisis de datos.
Encaminando esta investigación a un nivel práctico, se crea una oportunidad
importante para la institución, así como para quienes son objeto de estudio, porque desde un
conocimiento general se trabajará hasta lo particular para abordar con precisión cuáles son
los problemas que actualmente se presentan en la toma de decisiones de pilotos de combate,
directamente enfocado en el equipo A-29B, pero con la fortaleza de un estudio con capacidad
de ser replicado en todos los equipos de la FAC, también la investigación logra enmarcar el
18
error con un grado de precisión que ayuda a atacar directamente los puntos débiles del
entrenamiento.
El segundo aporte es la posibilidad de cerrar o mitigar uno de los agujeros del queso
suizo del modelo de accidentalidad de Reason (Reason, 1997), buscando modelar y anticipar
los causales del error y atacarlos de manera directa, fortaleciendo los procesos de la cultura
de seguridad operacional y buscando enfocar de mejor manera el entrenamiento para los
pilotos de acuerdo a la necesidad que se evidencie posterior al modelamiento del error
evidenciado.
Finalmente, el trabajo es de importancia para el propio autor, ya que le permite traer
conocimientos que sean materia de estudio internacional y que por primera vez puedan
utilizarse y adaptarse en Colombia y directamente en la FAC como líder visionario en el
campo de la seguridad operacional.

19
Capítulo II. Marco Referencial
2.1. Antecedentes
Dentro de la consecución de antecedentes se relaciona el trabajo presentado por
Torres (2011) quien realizó la “Comparación de tres métodos de regresión lineal usando
procedimientos de simulación” publicada en la Revista Colombiana de Estadística, Volumen
24, número 1, en este trabajo se desarrolla la posibilidad de ajustar los datos a un modelo
lineal dentro de un conjunto de datos.
El autor describe que el método de regresión usualmente más empleado es el de
mínimos cuadrados, pero este método es óptimo si la distribución de los residuos es
gaussiana. Con el anterior postulado se deduce que existen casos en donde el supuesto de
normalidad en los residuales no se cumple y se hace necesario el uso de métodos alternativos
de regresión, como la regresión vía mínimas desviaciones absolutas (LAD, por sus siglas en
inglés) o la regresión no paramétrica basada en rangos, los cuales no requieren de supuestos
distribucionales sobre los residuos y permiten obtener una mejor estimación de los
parámetros del modelo de regresión.
Para el cálculo de las estimaciones del ajuste con errores aleatorios provenientes de la
familia de distribuciones “h” de Tukey, Torres efectuó 1000 simulaciones de modelos
lineales con una y dos variables independientes, con tamaños de muestra entre 20 a 50, y
usando cada uno de los tres métodos de regresión. También, utilizó el mismo procedimiento
para errores provenientes de una distribución normal contaminada con un porcentaje de
“outliers” dado. Todas las simulaciones fueron llevadas a cabo con el paquete estadístico
SAS por parte del investigador.

20
Concluye entonces, que ninguno de los tres métodos de regresión en estudio fue
uniformemente mejor para la estimación de los parámetros. Si la distribución de los errores
aleatorios es simétrica de colas muy pesadas, es mejor estimar los parámetros con la
regresión LAD, mientras que en el caso de que los errores tengan distribución normal con
altos porcentajes de “outliers” es preferible estimar los parámetros usando la regresión no
paramétrica basada en rangos.
Para la investigación actual, aporta conocimiento relevante respecto a la ecuación que
puede ser tomada en cuenta para la estimación de los parámetros y la elección de la fórmula
más adecuada para modelar los datos ya observados en el simulador de vuelo, permitiendo
minimizar el error intrínseco en la adaptación de un modelo internacional para determinar de
error humano con mayor certeza de manera matemática.
Un segundo trabajo, la tesis de maestría realizado por Díaz y Correa (Díaz y Correa,
2013), titulado “Comparación entre árboles de regresión CART y regresión Lineal”,
presentado en la Universidad Nacional de Colombia, Medellín. El autor concluye que la
Regresión lineal es “el método más usado en estadística para predecir valores de variables
continúas debido a su fácil interpretación, pero en muchas situaciones los supuestos para
aplicar el modelo no se cumplen y algunos usuarios tienden a forzarlos llevando a
conclusiones erróneas” (p. 8). Este tipo de situación puede generar un sesgo en la
información recolectada y que se desea ingresar al modelo, derivando en datos que se alejan
de la realidad y no alcanzarían su fin predictivo matemático.
Esta investigación permite ampliar el panorama de elementos disponibles para
seleccionar una mejor herramienta que sirva como referencia en el intento de obtener el
mejor nivel predictivo, basados también en las experiencias reportadas en el trabajo de Torres
21
(2011), se efectúa una comparación entre los múltiples sistemas que se pueden aplicar para
una misma situación, que, de acuerdo a sus resultados, mejoran la toma de decisiones
apoyado en la línea de tendencia que presenta la regresión lineal donde se debe determinar la
relación que existe entre una variable dependiente y una o más variables independientes
Un tercer trabajo, realizado por Barinas Olaya (Barinas, 2016) “Estimación y
expresión de las incertidumbres en medidas experimentales”, en este documento “se
describen los factores involucrados en una medición y se presentan los criterios para expresar
los resultados. Se espera que el investigador pueda centrar su atención en todas aquellas
contribuciones mayores, evalúe y exprese la incertidumbre de las medidas realizadas” (p. 3).
Esta bibliografía permite darle valor a los elementos que se encuentran en la investigación en
un trabajo de campo, dando una guía procedimental en la forma de medir, tomar datos y
expresarlos de acuerdo a la unidad de medida, aceptar las variables como factores que pueden
cambiar la dirección del resultado o aumentar los valores de incertidumbre.
El autor concluye que el documento planteado permite que “las personas que inician
su investigación en cualquier campo de las ciencias experimentales un acercamiento a los
conceptos relacionados al proceso de medición” (p. 13), siendo un aporte valioso en la
orientación matemática donde se discrimina de forma precisa como calcular los errores en la
toma de datos, así como la manera de expresar la información hallada en forma de
incertidumbre que le da mayor soporte numérico a la investigación.
En la investigación realizada por Builes et al. (2015) “Posible relación entre la
inteligencia emocional y el comportamiento prosocial” se afirman que los fundamentos
teóricos de la prosocialidad y sus componentes emocionales y cognitivos, “están enmarcados
en el concepto de empatía. Además, se presentan las características principales de la

22
inteligencia emocional, estableciendo como principal habilidad la regulación de las
emociones” (p. 1), aquí se describen los conceptos de empatía y generan referencias idóneas
para efectuar un posible chequeo entre empatía y efectividad en cabina para los pilotos de
combate que vuelan solos en los equipos de combate.
Los autores concluyen que existe una relación positiva entre inteligencia emocional y
empatía, lo cual se manifiesta en los comportamientos prosociales. Estos comportamientos
hacen parte de la calidad en la respuesta ante situaciones adversas, como el piloto puede
concebir un entorno que amenaza su integridad y a la vez que exige de su mayor capacidad,
serenidad y dominio de la situación para salir avante de la emergencia. Identificar y constatar
los patrones de comportamiento arrojan datos valiosos para conducir probablemente
tendencias entre temperamento, comportamiento versus solución de situaciones de
emergencia en vuelo.
En un quinto trabajo, presentado por Moreno (2012) “Propuesta didáctica para la
enseñanza de la estadística en los modelos de regresión lineal simple bajo un enfoque
constructivista”. Se plantea la oportunidad de entender con una metodología sencilla y
posterior aplicar de manera acertada las regresiones lineales en estudiantes que tienen solo el
conocimiento básico matemático-estadístico.
La autora sostiene que el trabajo tiene una teoría de aprendizaje del tipo
constructivista, para que “a partir de una situación problemática real planteada, permite la
búsqueda de la construcción del aprendizaje se adquiera el concepto de regresión lineal
simple, identificar los elementos matemáticos y estadísticos que lo componen y pueda
generar predicciones a partir de éste” (2012, p. 4). La regresión lineal como se expone
anteriormente permite establecer la relación entre dos variables y puede ser graficada
23
mediante una recta que evidencia una tendencia o confirmar una hipótesis, en este caso hacia
el error del piloto de combate en la resolución de situaciones de emergencia “boldface”.
Por último, concluye que “La construcción de los modelos de regresión lineal se
puede generar a partir de preguntas, teniendo presente los conceptos previos de la estadística
descriptiva” (2012, p. 47). Esta afirmación permite inducir que el correcto uso de la guía de
observación con sus datos debidamente normalizados, arrojará resultados similares e
inequívocos que ayuden a alimentar y dar valor a las múltiples variables producto del
comportamiento humano.
Las “Plantillas reutilizables en modelado de rendimiento humano” (Matessa, Vera,
John, Remington y Freed, 2002, p.2, traducción propia, 2018), expuesta durante las
Memorias de la Reunión Anual de la Sociedad Cognitiva de Ciencia son de valor como sexto
antecedente por su aporte metodológico en el cual recalca que las plantillas pueden ser
creadas, adaptadas, normalizadas y reutilizadas.
Los autores sostienen que el modelado computacional actual del desempeño humano
puede beneficiarse de los componentes reutilizables del comportamiento humano (Matessa et
al, 2002) lo que indica que los comportamientos con tendencia hacia el error son cíclicos y
pueden en cierta manera ser modelados y predichos con cierta exactitud, otorgando una
visión proactiva que permite generar planes de acción para prevenir accidentes o fortalecer
debilidades latentes que puedan desencadenar incidentes.
En este estudio los autores brindan herramientas que sirven de apoyo para tener una
guía que sirva de referente al modelar con éxito el comportamiento humano, así mismo,
aclara que es necesario poder descomponer una tarea compleja en un conjunto de operaciones
24
primitivas a las que se pueden asignar parámetros de rendimiento. Estas tareas primitivas
representan los bloques de construcción o piedras angulares de los cuales se construirá el
modelo de comportamiento, de modo que el rendimiento pueda predecirse para las
secuencias en una cadena de tareas completas.
Por lo tanto, la elección de esos parámetros primitivos y el método de combinarlos
para construir mayores secuencias de comportamiento son críticos y su elección correcta
permitirá que las estimaciones de rendimiento sean precisas. En este artículo, se describe un
método para combinar operaciones cognitivas, perceptivas y motoras básicas en unidades
conductuales más grandes.
Como séptimo antecedente se consultó la Revista Internacional de Psicología De
Aviación, la cual publicó una investigación llamada “La evaluación del efecto de un
programa de capacitación breve en la toma de decisiones aeronáuticas para pilotos militares”
(Li & Harris, 2008, traducción propia, 2018).
Para dicha investigación participaron en el estudio una muestra de cuarenta y un
participantes masculinos de alas de entrenamiento táctico de la Fuerza Aérea de la República
de China. La experiencia de vuelo de los participantes fue de 220 a 354 h con un promedio
de 292 horas. Se utilizaron dos grupos en el estudio con 21 pilotos en el grupo experimental
(entrenado) y 20 pilotos en el grupo de control (no entrenados).
Dentro de las conclusiones que dan aporte académico al presente trabajo, los
investigadores afirman haber observado un efecto principal significativo en el escenario
creativo de toma de decisiones para la resolución de problemas entre los grupos que habían
recibido o no entrenamiento de ADM.

25
Sin embargo, como en el escenario de toma de decisiones de procedimiento no
diagnóstico, en general se obtuvo un efecto principal significativo dentro del grupo para el
contraste de entrenamiento antes y después. El efecto de interacción también fue
significativo. “No se observaron diferencias significativas en el rendimiento en la evaluación
de la situación, la gestión del riesgo o el tiempo de respuesta y tampoco hubo términos de
interacción de dos o tres vías significativas que involucraran estas variables” (Li & Harris,
2008, p. 146., traducción propia, 2018).
Como octavo antecedente se presenta la investigación “La máquina de la culpa: ¿por
qué el error humano causa accidentes?” de Butterworth-Heinemann, publicada en el 2004
sostiene que “combinando probabilidades de error humano usando compuertas lógicas es
posible expresar los conceptos de error en forma de diagrama usando símbolos lógicos o
'compuertas' para representar OR y AND” (Butterworth-Heinemann, 2004, p. 71, traducción
propia, 2018). Estas representaciones simbólicas se pueden usar en árboles lógicos como
árboles de fallas o árboles de eventos para modelar combinaciones de errores humanos.
Esta investigación plantea que existe una ventaja en la representación del error
humano utilizando métodos de modelado lógico y las formas en que los errores humanos
ocurren e interactúan entre sí pueden ser extremadamente complejas, y modelar estas
interacciones en forma de diagrama permite obtener una comprensión más clara. En el nivel
básico, los errores humanos se pueden modelar a través de las puertas OR y AND.
Por tanto, el aporte académico influye en el hecho que la recuperación de errores
(haciendo una referencia somera de la pirámide del error que plantea J. Reason en 1990) en
vuelo y en la comprensión del error humano no puede sobreestimarse. Si no fuera por la
recuperación de errores, muchos aspectos de nuestro estilo de vida moderno que damos por
26
sentados se volverían caóticos, imposibles o extremadamente peligrosos, citando como
ejemplo la ejecución incorrecta de un procedimiento o llevar a mal termino una boldface en
caso de emergencia con intención de vuelo en el equipo A-29B.
En una novena investigación referenciamos la presentada como “Los límites de la
experiencia, enfoque del error piloto y las causas de los accidentes aéreos" (Dismukes,
Berman & Loukopoulos, 2007, traducción propia, 2018), afirma que el error de tripulación
juega un papel central en muchos accidentes aéreos y descubrir las causas este error es uno
de los mayores desafíos de los investigadores porque el desempeño humano, incluido el de
los pilotos expertos, y todos los casos se basan en la influencia de muchos factores, que no
son observables después de un accidente.
En concordancia con el autor, aunque a menudo es imposible determinar con certeza
por qué los tripulantes de los accidentes hicieron lo que hicieron, “es posible comprender los
tipos de error a los que los pilotos son vulnerables e identificar los factores cognitivos, de
tareas y de organización que configuran esa vulnerabilidad.” (Dismukes et al., 2007, p. 16,
traducción propia, 2018). Por lo que, de acuerdo a él, es posible identificar temas recurrentes
de vulnerabilidad en un gran conjunto de accidentes
Desafortunadamente, en muchos casos esto no es posible, por ejemplo, como cita el
autor si se considera el caso de una tripulación que se prepara para el despegue y que
inadvertidamente deja de colocar los flaps en la posición de despegue. (Establecer los flaps
es un paso de procedimiento altamente practicado que la tripulación habría realizado miles de
veces antes sin fallas.) Aunque la Dirección de Seguridad Operacional (DISOP) podría ser
capaz de determinar con confianza que la tripulación no pudo establecer los flaps, por lo
general no es posible determinar con certeza por qué la tripulación pasó por alto un paso y,
27
de hecho, si la tripulación sobrevive y es entrevistada, ellos mismos generalmente no pueden
explicar los motivos por los cuales fueron omitidos dichos pasos que están plasmados en las
listas de chequeo.
De esta investigación se tomarán los conceptos para determinar desde que punto una
omisión se convierte en error o en violación en el caso de que una cabina no cuente con
sistemas de grabación a bordo, tanto de audio como de datos. Así mismo, otorga a la FAC
una oportunidad única de replicar dicha investigación en la mayoría de sus equipos de vuelo
y enfocar de mejor manera los recientes programas de FOQA y LOSA.
Como décimo y último antecedente, se hace referencia a la “Guía para la aplicación
de métodos de factores humanos: Error humano y gestión de accidentes en sistemas de
seguridad crítica", postulado por el PhD Pietro Carlo Cacciabue en el año 2004, sostiene que
las teorías de factores humanos y los modelos de interacción hombre-máquina que sustentan
el análisis prospectivo deben ser el mismo que los aplicados para el análisis retrospectivo.
De acuerdo al autor las mismas condiciones aplican con respecto a los paradigmas y
la especificidad de los modelos seleccionados y para la aplicación deben transformarse en
simulaciones que puedan implementarse de manera práctica en programas (informáticos) y
adaptarse a contextos específicos para realizar previsiones y estimaciones de las posibles
consecuencias de accidentes o predisposición a situaciones especiales que se desarrollan a
partir de determinadas condiciones iniciales (SMS – pro actividad en el sistema de seguridad
aérea.).
De acuerdo al autor “los datos y parámetros que sustentan dichos modelos y
simulaciones, así como sus validez y aplicabilidad, son el resultado de estudios retrospectivos
28
y dependen estrictamente de la precisión de los análisis (retrospectivos) que los producen”
(PhD Cacciabu, 2004, p. 45, traducción propia, 2018). De lo anterior se puede inducir que la
regresión lineal es la metodología matemática óptima para modelar el error humano, que
basado en datos normalizados puede dar unos resultados con una exactitud que puede ser
válida para programas PREVAC.
2.2. Bases legales
La Resolución No. 008430 de 1993 (4 de octubre de 1993) en el Artículo No. 5
establece: “en toda investigación en la que el ser humano sea sujeto de estudio, deberá
prevalecer el criterio del respeto a su dignidad y la protección de sus derechos y su bienestar”
(Ministerio de Salud, 1993, p. 2). Por tal motivo el presente estudio no representa ningún tipo
de riesgo de acuerdo al Artículo No. 11 de dicha resolución, donde no se genera ninguna
afectación al personal estudiado, desde su parte física, moral, ética y laboral.
Apoyados en mencionada resolución, de acuerdo al Artículo No. 15 se establece el
procedimiento de generar, difundir y hacer de conocimiento del personal objeto de estudio un
consentimiento informado, donde se plasma el título, objetivo del estudio, y la posibilidad de
abandonar las pruebas en cualquier momento sin riesgo o perjuicio por parte del investigador
o la institución.
Así mismo, el artículo No. 2 ordena a la Escuela de Postgrados de la Fuerza Aérea
Colombiana a conformar un Comité de Ética, el cual tiene la responsabilidad de evaluar y
clasificar los niveles de riesgo en los cuales pueden incurrir las investigaciones de sus
29
estudiantes, también, asesorar y apoyar al alumno mientras efectúa su interacción con la
población objetivo de estudio.
2.3.Bases conceptuales
Las bases conceptuales se conforman de varios capítulos, con la intención de generar
un marco de conocimientos iniciales y necesarios para el entendimiento de este estudio, de
tal manera que se describen como la información requerida de manera previa para
comprender el rigor de la investigación.
Cerca del 80% de todos los eventos en seguridad operacional son atribuidos al error
humano y en algunas industrias este número podría acercarse al 90 por ciento, el otro 20 por
ciento se debe en su mayoría a falla de equipos. (Weigmann & Shapell, 1997). Al desglosar
el porcentaje del 80 por ciento de las causas probables del error humano buscando, se revela
que la mayoría están asociados con los eventos que directamente provienen de las
debilidades organizativas latentes, perpetradas por los integrantes de la organización y que
desde el pasado permanecen latentes en el sistema hasta el presente, por otra parte alrededor
del 20 por ciento son causados por el individuo, concluyendo, que concentrando esfuerzos en
reducir el error humano se reducirá la probabilidad de eventos.
Es una mala interpretación de que las fallas de en el desempeño humano se debe
enfocar directamente en el trabajador, ya que esto es un catalizador que impulsa la noción del
error solo propiciado por el trabajador y se desestima la importancia de reconocer que esto es
30
básicamente debilidades en los procesos organizacionales extendidos de manera vertical y
lateral, así como una evidente cultura de seguridad pobre.
Los accidentes son producto de una suma de variables y factores, esta suma es viciada
o propiciada por situaciones fuera del control que administra el empleado o trabajador, por
eso, que se debe replantear un mapa de riesgos que involucre la dirección, el personal, la
supervisión y los empleados para alinear los procesos y los valores en la cultura de seguridad.
La mayoría de las personas no puede administrar correctamente el error, simplemente
porque no lo entienden (desde el punto de vista administración), así que este conocimiento
previo es quizá la mejor manera de iniciar para resolver por que fallan los esfuerzos en
mejorar resultados vs. Mejorar comportamientos mediante la fórmula “Desempeño =
Comportamientos + Resultados” (Weigmann & Shapell, 1997, p. 269, traducción propia,
2018).
Para entender esta fórmula el autor afirma que el comportamiento es “lo que la
persona hace y dice, un medio para un fin” (Weigmann & Shapell, 1997, p. 291, traducción
propia, 2018). Por lo tanto, el comportamiento es un acto observable que puede ser visto y
oído, y también puede ser medido y debamos partir de la premisa de que el comportamiento
consistente es necesario para obtener resultados consistentes e implementar el refuerzo
positivo. A veces la gente comete errores a pesar de sus mejores esfuerzos y es ahí cuando
señalan los autores que el comportamiento y sus causas son “extremadamente valiosos como
la señal para los esfuerzos de mejora para anticipar, prevenir, capturar o recuperarse de los
errores”. (1997, p. 291, traducción propia, 2018).

31
Para obtener buenos resultados sostenidos a largo plazo, debe observarse de cerca lo
que influye en el comportamiento, lo que lo motiva, lo que lo provoca, lo que lo modela, lo
que lo inhibe y lo que lo dirige, especialmente al manejar el equipo de la instalación.
El rendimiento libre de eventos es el resultado deseado, pero depende de la reducción
del error que involucre a todos los actores que influyen directamente con la seguridad
operacional (procedimientos, instrucciones, dibujos, especificaciones, etc.). El rendimiento
libre de eventos también depende de garantizar la integridad de los controles, entrenamientos,
barreras y salvaguardias frente a los errores residuales que todavía se producen.
Una actitud es un estado mental, o sentimiento, hacia un objeto o sujeto. Las actitudes
son influenciadas por muchos factores y son creados por las experiencias o de otros, a través
de creencias adquiridas y similares. Las actitudes pueden desarrollarse como resultado de
experiencias educativas y, en tales casos, se puede decir que las actitudes pueden ser
elegidas, así como las actitudes también pueden ser debido a factores culturales, formulados
por las experiencias e influencias de las creencias y comportamientos dentro del grupo en el
cual convive. (SMS, 2018).
Las actitudes inseguras se derivan de las creencias y suposiciones sobre los peligros
en el lugar de trabajo, en este caso el equipo A-29B tomando como peligros las amenazas de
daño a la integridad propia o a la aeronave o inclusive el simple error humano, generando
actitudes inseguras que ciegan a los precursores de daño (exposición al peligro). Observando
que los peligros no se limitan a la instalación industrial y de manera en general en la FAC sus
integrantes son jueces pobres de riesgo y comúnmente lo subestiman.

32
La importancia del modelo GEMS ilustra cómo los seres humanos hacen uso del
procesamiento de la información para una tarea en particular y cómo se mueven de un nivel
de rendimiento a otro a medida que completan una tarea. Esto puede implicar la recopilación
de información de varias fuentes, como marcadores, graficadores y estadísticas, que luego se
utilizan como entrada a una regla de diagnóstico de la siguiente forma: <SI> los síntomas son
“X” <ENTONCES> la causa del problema es “Y”.
Habiendo establecido una causa plausible del problema sobre la base del patrón de
indicadores, se puede invocar una regla de acción de la siguiente forma: <SI> la causa del
problema es “Y” <ENTONCES> hacer “Z”. Si, como resultado de la aplicación de la regla
de acción, el problema se resuelve, entonces el piloto de A-29B que cometa el error volverá a
la secuencia original basada en habilidades. Si el problema no se resuelve, entonces se puede
recopilar más información para tratar de identificar un patrón de síntomas que corresponde a
una causa conocida.
Si la causa del problema no puede establecerse aplicando ninguna regla disponible, el
piloto de A29B puede tener que volver al nivel de conocimiento como también ser necesario
utilizar conocimientos específicos adicionales como aerodinámicos, meteorología, etc. Y
garantizar que la incertidumbre disminuye a medida que se mejora el conocimiento sobre una
situación (aprendizaje y práctica). Por consiguiente, la familiaridad (conocimiento, habilidad
y experiencia) con una tarea establecerá el nivel de atención o las funciones mentales que el
individuo elige para realizar una actividad.
Siempre a medida que aumenta la incertidumbre, se puede demostrar a través de este
modelo que los pilotos de A-29B tienden a concentrar su atención en detectar mejor la
información crítica necesaria para la situación ya que esto requiere de aumentar su

33
comprensión de una situación para poder responder correctamente o en caso contrario,
agravar aún más la situación.
El modo de error para el rendimiento basado en habilidades es básicamente debido a
la falta de atención. (OACI, 2018). Los errores basados en destrezas son principalmente
errores de ejecución, que incluyen descuidos en las acciones y lapsos de atención o
concentración. Los errores implican deslices inadvertidos y omisiones involuntarias
provocadas por la simple variabilidad humana o por no reconocer cambios en los requisitos
de una tarea, la respuesta del sistema o las condiciones de la acción relacionadas con esta.
Las personas cambian al nivel de rendimiento basado en reglas cuando notan la
necesidad de modificar su comportamiento en gran parte pre programado porque consideran
que es importante en todo momento tener en cuenta algún cambio en la situación. Si la
situación en vuelo ha cambiado de tal manera que la actividad anterior (habilidad) ya no se
aplica, es probable que este sea uno de los tantos que hayan encontrado antes o para el que
han sido entrenados (en simulador o aeronave). Se le llama nivel basado en reglas porque la
gente aplica reglas memorizadas o escritas y estas reglas pueden haber sido aprendidas como
resultado de la interacción con la emergencia o situación anormal a través de entrenamiento
formal, o volando con pilotos experimentados.
Dado que las actividades basadas en reglas requieren interpretación usando una lógica
“SI” y “ENTONCES” (causa consecuencia). (Barinas, 2016). El modo de error prevalente es
una interpretación errónea de juicio y criterio ya que es posible que los pilotos no
comprendan o detecten completamente las condiciones del equipo (entendiendo por las
condiciones todos aquellos sistemas que componen la aeronave o un sistema en particular de
la misma) o de la situación y que requieren una respuesta en particular. Los errores implican
34
apartarse de un procedimiento aprobado, aplicar la respuesta incorrecta a una situación de
trabajo o aplicar el procedimiento correcto a la situación errónea.
No todos los peligros, amenazas y posibles escenarios pueden ser anticipados para
desarrollar procedimientos apropiados. Incluso el entrenamiento es incapaz de anticipar todas
las situaciones posibles que se pueden encontrar. Hay algunas situaciones en las que no
existe guía de procedimiento y no se aplica la habilidad. En otras palabras, el nivel de
rendimiento basado en el conocimiento involucra que se generen unos estresores que nos
ubican fuera de las zonas de confort en vuelo. Por lo tanto, el comportamiento basado en el
conocimiento es una respuesta a una situación totalmente desconocida (ninguna habilidad o
regla es reconocible por el individuo).
El piloto debe confiar en su conocimiento previo, sus percepciones de las
circunstancias presentes, similitudes de la situación actual y similitudes a las circunstancias
antes encontradas (o vividas) y a los principios científicos y la teoría fundamental
relacionados con la situación percibida. Los pilotos entran en una situación “basada en el
conocimiento” cuando se dan cuenta de que son inciertas las opciones acerca de qué hacer y
debido a que la incertidumbre es alta, las tareas basadas en el conocimiento suelen ser
situaciones de estrés.
En 1992, Rouse, Cannon-Bowers y Salas establecen que una persona maneja una
situación compleja “simplificando el sistema real en una imagen mental que él o ella puede
recordar por ejemplo, el dibujo simple de una línea”, (p. 1296). Un modelo mental es la
comprensión estructurada del conocimiento (hechos o suposiciones) que una persona tiene en
su mente acerca de cómo algo funciona y de acuerdo a esto los modelos mentales se usan en
todos los modos de funcionamiento ya que dan a los humanos la habilidad de detectar
35
deslices y lapsos basados en habilidades. Dicha competencia ayuda a detectar desviaciones
entre los estados del sistema deseados y no deseados, como controlar manualmente el nivel
de combustible del tanque en un avión.
Un modelo mental organiza el conocimiento sobre las siguientes cuestiones durante
un evento de emergencia o anormal en vuelo: ¿qué contiene un sistema?, ¿cómo funcionan
los componentes como parte de un sistema?, ¿por qué funciona de esa manera?, ¿estado
actual del sistema?
El modelo mental de un individuo puede reflejar el verdadero estado del sistema, un
estado percibido del sistema, o el estado esperado del sistema que se desarrolla a través del
entrenamiento y la experiencia con el sistema y las interacciones recientes con el sistema, por
tal motivo debemos tener en cuenta que todos los modelos mentales son inexactos en cierta
medida debido a las limitaciones de la naturaleza humana.
Es importante recordar que el desempeño basado en el conocimiento que implica la
resolución de problemas, y los modelos mentales deben ser considerados explícitamente
cuando un equipo trabaja en un problema y los miembros del equipo deben estar de acuerdo
con el modelo que pretenden utilizar para diagnosticar y resolver un problema.
Las suposiciones también ocurren como una consecuencia de actitudes inseguras y
modelos mentales inexactos. Declaraciones como "creo...", "siempre hemos...", o "pienso
que..." son indicios de que una suposición ha sido o está siendo hecha. Estas frases son
conocidas como "palabras peligrosas" de los modelos mentales inexactos, que, a su vez,
pueden promover suposiciones erróneas que pueden conducir a errores. A menudo, los
36
supuestos son tratados como hechos y desafiar los supuestos es importante para mejorar los
modelos mentales, resolver problemas y optimizar el rendimiento del equipo.
El modelo HEMA por su definición en inglés como la Arquitectura de Modelado del
Error Humano Genérico, postula que el error puede ser modelado y en cierta manera
predicho mediante tendencia que refleja la dependencia entre variables por medio de la
inferencia estadística. El error humano es el resultado de la toma de decisiones con bajo o
poco nivel de acierto (Reason, 1990), por tanto, las arquitecturas de comportamiento deben
basarse en ciertas vertientes donde se desea lograr evidenciar las fortalezas o debilidades en
la toma de decisiones de los pilotos (para el caso de este trabajo de grado). Para lograr dichos
esquemas el modelo HEMA considera importante comprender y profundizar en:
• Comprender el problema.
• Establecer intenciones.
• Planear formulario. (Guía de observación)
• Ejecutar planes.
Esto conlleva a una derivación de una taxonomía de errores HEMA, que en la
actualidad tiene cuatro categorías principales: percepción, desarrollo de planes, control de
planes y memoria. Cada categoría principal tiene subcategorías de tipos de error y, en algunos
casos, incluso una subcategoría secundaria. El modelo absorbe los postulados del GEMS, por
tal motivo dicha literatura debe ser tenida en cuenta en la estructuración del modelo de error
en pilotos de A-29B como lo describe el objeto del presente estudio.

37
Con frecuencia, el propósito de la investigación va más allá de describir las
distribuciones de las variables: se pretende probar hipótesis y generalizar los resultados
obtenidos en la muestra a la población o universo, la base de estimar parámetros permite
tomar una estadística de los datos de muestra (por ejemplo, la media de la muestra y usarla
para decir algo sobre un parámetro de población como la media de la población.
Actualmente, “se tienen tres tipos de inferencias: las propiamente cuantitativas, las
cualitativas y las mixtas, a estas últimas se les denomina metainferencias. El reporte puede
presentar primero las de cada método y luego las conjuntas; o bien presentar por áreas de
resultados las tres clases de inferencias”, afirma Hernández Sampieri, Roberto; et al., 2014. p.
577)
A las estadísticas de la población se les conoce como parámetros y de acuerdo con
Hernández et al., 2014) estos no son calculados, porque no se recolectan datos de toda la
población, pero pueden ser inferidos de los estadígrafos, de ahí el nombre de estadística
inferencial. Básicamente para este trabajo de grado estos conceptos son válidos para probar
hipótesis poblacionales y estimar parámetros, los datos son medibles y con cierto nivel de
confianza pueden brindar una proyección o una dependencia entre variables.
Para la concepción del modelamiento del error humano, se deben contemplar otras
herramientas matemáticas que apoyen dicho proceso, de acuerdo con Tamayo (2018) de la
Universidad de Granada se parte de la premisa que “el ANOVA es un método muy flexible
que permite construir modelos estadísticos para el análisis de los datos experimentales cuyo
valor ha sido constatado en muy diversas circunstancias” (p. 25).

38
Básicamente el ANOVA es un procedimiento que le permite a este estudio dividir la
varianza de la variable dependiente en dos o más componentes, cada uno de los cuales puede
ser atribuido a una fuente identificable previamente como lo sugiere el autor. Para tal fin es
útil la aplicación de software con capacidad matemática y estadística como un medio para
efectuar de manera eficiente los cálculos de más de 200 variables.

39
Capítulo III. Marco Metodológico
3.1.Enfoque de investigación
El enfoque de la investigación será de tipo cuantitativo a través de datos tomados de
situaciones operacionales simuladas, analizando datos matemáticos normalizados que
permiten pasar de los hechos a la inferencia, o viceversa, este enfoque permite confirmar las
hipótesis como una conclusión apoyada sobre los hechos observados y medidos
estadísticamente.
Desde el punto de vista de Carnap (1992) la evaluación de una hipótesis es cuestión
de grado; de precisar su probabilidad estadística, porque en toda la fase de validación de la
información, es de interés en esta investigación de tipo cuantitativa no es saber si el
enunciado es verdadero, sino, si se es capaz de identificar las operaciones por las cuales el
enunciado se puede verificar al menos parcialmente mediante ciertos procedimientos
empíricos y el método experimental que incluye la observación, la medición y el análisis de
datos según las reglas estadísticas.
Como afirma Ramírez, Arcila, Buriticá y Castrillón (2004), “el ideal supremo será el
logro de la objetividad máxima, hallar un lugar fundamental de observación universal,
absoluto e histórico que no se contamine de factores subjetivos ni contextuales que vayan a
afectar la transparencia cognitiva de las ciencias” (p. 94). Esto quiere decir que el sesgo como
elemento siempre presente debe ser reducido a una mínima expresión ya que podría
40
presentarse una distorsión de los datos, de la interpretación o de los resultados al final del
trabajo, convirtiéndolos en información carente de veracidad científica.
Las bondades de las características de la investigación cuantitativa permiten adaptarla
a este estudio para explicar, predecir y controlar los fenómenos dentro de un ambiente
simulado, controlado y guiado hacia un objetivo claro y medible, así también, su orientación
se dirige a la comprobación y contrastación de teorías. Por tal motivo este tipo de método
consolida cuál ha de ser el conocimiento “verdadero” y establece los filtros para garantizar
confiabilidad y validez en una investigación, el deseo es mantener la objetividad, ajustarse a
la realidad de la operación por medio de la hipótesis y deducción , porque “parte de la teoría
constituida para verificar las hipótesis, establecer leyes universales y llegar a
generalizaciones a partir de muestras estadísticas representativas” (Muñoz Giraldo, Quintero
Corzo, & Munévar Molina, 2005, p. 63) de la muestra poblacional del equipo A-29B.
3.2.Alcance de la investigación
Este estudio tiene como finalidad conocer la relación o grado de asociación que existe
entre la cantidad de horas de vuelo totales, tiempo en el equipo, horas voladas en el equipo y
su relación con las emergencias de tipo boldface. La inferencia estadística de los datos
tomados mediante la observación y posterior cuantificación permiten establecer este trabajo
dentro del marco correlacional, siendo una oportunidad de graficar e interpretar la correlación
entre variables y proyectar tendencias que de manera clara permitan conocer si se presentan
41
patrones sistemáticos entre los pilotos de A-29B del CACOM-2 en el lapso 2017-2018 y su
tendencia al error en un cruce de horas de vuelo versus emergencias boldface.
3.3.Diseño de investigación
El presente trabajo de grado se efectuó bajo el diseño experimental que de acuerdo a
Hernández, Fernández y Baptista (2014, p. 130), “los diseños experimentales se utilizan
cuando el investigador pretende establecer el posible efecto de una causa que se manipula”.
Para establecer las influencias se deben cubrir varios requisitos como lograr la disminución o
eliminación del sesgo, y de esta manera llegar al objetivo de trabajar con las variables
dependientes las cuales no deben ser manipulables, en otras palabras, son aquellas en las que
no es posible efectuar cambios por parte del investigador y corresponden a datos puntuales,
por ejemplo, la cantidad de horas de vuelo en el equipo, tiempo en el equipo o las horas de
vuelo.
De tal manera, en parte en el presente estudio se miden las variables para ver la
dependencia entre ellas, también se presentan variables independientes las cuales pueden
llegar a generar cambios en los resultados o en el logro de los mismos, no obstante, se espera
que este tipo de estudio permita un análisis multivariado sin error de tipo I.
Las técnicas para el procesamiento y recolección de la información que se usaron en
la investigación fueron:
42
 Determinar y definir las variables que van a observarse, se cuenta con el apoyo del
asesor técnico y metodológico, así como también con dos pilotos instructores del
equipo.
 Estimular el tiempo necesario de observación, verificando con los programas de
instrucción y entrenamiento y manuales de tareas del equipo cuales son los perfiles
comunes de vuelo, pesos de operación y tipos de misión que sean más acorde para
una simulación de emergencias.
 Obtener la autorización del Comando de la Unidad y del Grupo de Combate No. 21
para llevar a cabo la observación.
 Explicar a los pilotos de A-29B que van a ser observados, lo que se va a hacer y las
razones para ello. También se apoya la ética en la investigación mediante un comité
ético que permita un mejor desenvolvimiento de los pilotos en las misiones de este
estudio.
3.4.Población y muestra
Las fuentes primarias serán todos los datos que arrojen la muestra de la población por
medio de la observación directa en el simulador de vuelo que permitan tomar los datos de la
muestra sin necesidad de cuestionarios o entrevistadores, este procedimiento ahorra tiempo y
recursos.
Por otra parte, las fuentes secundarias serán aquellas que durante el transcurso de esta
investigación se hayan desarrollado en otros lugares o instituciones y que aporten

43
significativamente al logro del problema planteado como las carpetas de vuelo y la
información verbal que pueda aportar a la toma de datos.
Los valores establecidos en esta investigación de acuerdo al tamaño de la población,
se definen las condiciones para la muestra que es requerida considerando un nivel de
confianza deseado de 99%, siendo este nivel la probabilidad de que las estimaciones
efectuadas se ajusten a la realidad con un margen de error estándar máximo aceptable del +/-
5%, porcentaje estimado de la muestra del 50%.
Los datos fueron analizados e introducidos en el software libre creado por la empresa
Decision Analyst, llamado STATS™ 2.0 que sirve para calcular el tamaño de la muestra
estadística, este programa es sugerido por Hernández et al. (2014), de manera que “la
precisión de dichos estimados depende del error en el muestreo, que es posible calcular” (p.
178).
44
Figura 1. Calculo del tamaño de la muestra. Fuente: el autor.
En concordancia con lo mencionado, para efecto de los cálculos de muestra respecto a
la población de pilotos operativos en el Comando Aéreo de Combate No. 2 entre el lapso
2017 y 2018 (población), se obtienen los siguientes datos:
 Nivel de confianza deseado: 95%
 Porcentaje estimado de la muestra: 50%.
 Error estándar máximo aceptable: +/- 5%
 Población: 21 pilotos
 Muestra: 20 pilotos.
45
3.5.Instrumentos de recolección de datos
La técnica de recolección será por medio de la “Observación Estructurada” donde se
observan los hechos estableciendo de antemano qué aspectos se han de estudiar, de manera
individual en cada piloto, con el mismo perfil de vuelo y verificado por medio de un único
investigador, apoyado por los instructores del equipo y asesorado en lo que observa. También
se efectúa una práctica de laboratorio ya que al tener cierto carácter experimental comprende
la observación minuciosa y detallada de un fenómeno en el simulador de vuelo de A-29B
siendo este un sitio especialmente previsto para hacer la observación.
Los datos obtenidos mediante la observación estructurada, durante la práctica en el
simulador, permite anticipar la forma de familiarizar al piloto con la cabina, sistemas y
controles del avión buscando el desarrollo de la proeficiencia operativa en su adaptación al
vuelo real. Asimismo, entrenar al piloto en la ejecución de procedimientos de emergencia de
situaciones que no pueden practicarse en la aeronave ayuda a generar confianza,
conocimiento y habilidad para sortear dichas situaciones cuando se presentan en cualquier
fase del vuelo.
La guía de observación estructurada fue aprobada por el Comité de Ética de la
Escuela de Postgrados de la Fuerza Aérea Colombiana (EPFAC) y validada por dos expertos
en la materia con nivel académico de maestría (ver anexo 3). Dichas aprobaciones dan fe de
la idoneidad y aplicabilidad de la guía en los pilotos objeto de estudio, destacando que el
instrumento contiene instrucciones claras y precisas para responder el cuestionario, los ítems
permiten el logro del objetivo de la investigación, distribuidos en forma lógica y secuencial

46
siendo estos la cantidad suficiente para recoger la información para lograr posterior la
inferencia estadística.
De igual manera, la guía de observación fue validada como instrumento idóneo para
adquisición y tabulación de datos y contó con la aprobación previa de dos investigadores con
formación académica del nivel de maestría, lo que respalda y sustenta la capacidad
metodológica y la reducción del sesgo en dicha guía. Tales aprobaciones se encuentran
adjuntas en el capítulo de anexos para consulta y verificación.

47
Capítulo IV. Presentación y Análisis de Resultados
4.1.Resultados y Discusión
Para efectos de inferencia estadística, se establecieron dos hipótesis las cuales fueron
sometidas a comprobación durante el desarrollo del presente estudio, contemplando de manera
inicial un 50% de posibilidades de presentarse un resultado de mayor relevancia en cualquiera
de los dos casos que eventualmente podrían llegar a presentarse mientras la investigación
agregaba peso científico a alguna de las dos.
Dichas hipótesis fueron:
 Ho: (hipótesis nula) No hay una relación directa entre la cantidad de horas vuelo
en A-29B y la solución de emergencias boldface.
 Ha: (Hipótesis alternativa) Se establece una relación directa entre la cantidad de
horas vuelo en A-29B y la solución de emergencias boldface.
Los parámetros de calificación corresponden a la observación efectuada durante cada
una de las misiones voladas con los pilotos en el simulador de vuelo, en los cuales se establece
una calificación en una escala de 1 a 5 puntos, discriminar también si la falla o emergencia fue
detectada, tiempos de detección, desempeño y comportamientos estandarizados.
Para la asignación de valores, tiempos y criterios, fue necesario el consenso de un
grupo interdisciplinario donde los instructores y pilotos operativos de mayor experiencia
brindaron parámetros que fueran medibles y alcanzables, verificando que dichos valores
entraban en márgenes de seguridad claramente identificables, y desde este punto establecer

48
como en el tiempo se podría degradar o agravar una situación de emergencia siendo un
elemento clave discriminar si la falla ocurría en tierra, en vuelo y si los procedimientos por
parte del piloto eran adecuados o no, adicional si efectuaba los procedimientos de emergencia
de acuerdo al manual y por ultimo medir si dicho procedimiento resolvía o agravaba la
situación presentada.
Parametros de Calificación
Detección de la Tiempo en detectar falla (s) Desempeño en Procedimiento Agravación
Calificación
falla Tierra Vuelo falla usado emergencia
5 Si ≤10 ≤60 Adecuado Boldface No
4 Si >10 >60 Adecuado Boldface/Otro No
3 Si ≤10 ≤60 No adecuado Boldface/Otro Si
2 Si >10 >60 No adecuado Otro Si
1 No --- --- --- --- Si
Figura 2. Parámetros de Calificación. Fuente: el autor.
4.1.1 Normalidad de los datos. Basado en lo expuesto por Wilber (2008), es
requerido siempre demostrar normalidad de la información, pero en este caso no es necesario
comprobar que los datos se distribuyan como una distribución gaussiana o un valor “P”
mayor a 0,05 (P-Value) > 0,05) dado que los datos que son objeto de inferencia son
“discretos” y por ende su representación es aglomerada. Por tal motivo y en aras de verificar
el anterior planteamiento, se efectuó un gráfico de análisis de normalidad, con N=200
(número de datos analizados) donde los datos están acumulados en la columna de
calificación del 1 al 5.
49
Figura 3. Análisis normalidad. Fuente: el autor.
En la figura anterior, se presenta el “output” numérico del programa y a partir del
gráfico que proporciona los intervalos de confianza (a un nivel del 95%) para la media, parece
obvio que, al menos, las medias procedentes de los grupos son diferentes. Lo que corrobora la
posibilidad de trabajar los datos como normales de acuerdo con Box, Hunter y Hunter (2008).
Dicha grafica arrojo un resultado de P-Value < 0,05 y el intervalo de confianza corroboró la
validación de la Hipótesis Alternativa Ha.
4.1.2 Parámetros predictivos. Los parámetros predictivos para modelar el error
humano en los Pilotos de A-29B del Comando Aéreo de Combate No.2 basado en el modelo
HEMA en situaciones de emergencia se establecieron luego de la discusión de la normalidad
de los datos. Según análisis de Variación ANOVA (Analisis of Variance ANOVA) en
Software Minitab®, con el propósito de lograr probar la hipótesis y a su vez demostrar que
50
las medias de dos o más poblaciones son iguales. Por el contrario, si no se llega a rechazar la
hipótesis nula, tampoco se rechazaría la hipótesis inicial. Para este propósito se cuenta con
las facilidades de capacidad de cálculo computacional a través de mencionado software y así
evitar un mayor número de contrastes que pudieran aumentar el error de tipo I como lo
afirma Terrádez y Ángel (2018) “la probabilidad de rechazar la hipótesis nula siendo ésta
cierta” (p. 1).
Los ítems evaluados se establecieron de acuerdo a los parámetros y emergencias
utilizados por el Escuadrón de Combate No. 211 al cual pertenece la planta de pilotos de Súper
Tucano A-29B del CACOM-2 fueron, no obstante, fue necesario establecer valores en tiempo
para efectuar mediciones posteriores respecto al tiempo de atención y reacción en las
emergencias.
Es por eso, que se establecieron los siguientes puntos a evaluar y observar:
 Detección de la falla (Si - No).
 Tiempo en detectar falla (en tierra y en vuelo).
 Desempeño en falla.
 Procedimiento usado.
 Agravamiento de la emergencia.
En concordancia, se establecieron además que los factores de análisis son:
 Piloto
 Horas de vuelo
 Tipo de emergencia
51
Estos factores fueron establecidos de manera que fuera posible su cuantificación,
arrojando un total de 200 datos que debían ser trabajados, inferidos y tratados. El aporte
permite una vez más, determinar una tendencia con un 95% de precisión sobre la conducta,
tipo de respuesta y posible resultado, así también, el contraste de hipótesis y la demostración
de cómo todas y cada una de las variables son independientes, lo que permite inducir que las
medidas tomadas y tabuladas por lapsos de tiempo, están dentro de un proceso de
observaciones consecutivas y no se hallan correlacionadas.
4.1.3 Comparativa detección de emergencias. El presente estudio agrupó y
discriminó la muestra en tres grandes grupos de acuerdo a los niveles de desempeño basados
en las horas de vuelo en el equipo A-29B, estos grupos se establecen basados en la doctrina
del equipo, la cual señala que los pilotos de 0 a 200 horas de vuelo son considerados como
nuevos, con baja experiencia y algunas de sus misiones operacionales deben contar con un
piloto supervisor a bordo. Luego se tienen los pilotos de 200 a 500 horas, los cuales tienen
más tiempo y horas en el equipo que los del primer grupo, donde están ubicados la mayoría
de los pilotos actualmente, y por último los pilotos con más de 500 horas de vuelo, entre los
cuales se encuentran los instructores de vuelo.
Para efectos de generar una comparativa, los datos tabulados de la guía de
observación arrojan valores cuantitativos, graficados en un diagrama de cajas y bigotes y de
esta manera realizar un análisis más detallado y conciso respecto a la distribución de los
datos en la muestra.
52
Figura 4. Comparativa detección de emergencias vs. Horas de vuelo. Fuente: el autor.
En la figura 4. “Comparativa detección de emergencias vs. Horas de vuelo”, se
evidencia una manifiesta tendencia lineal, permitiendo demostrar que a mayor tiempo de
vuelo (entendido y tratado en este estudio como un sinónimo de experiencia), mayor puntaje,
o, en otras palabras, es la representación matemática y científica de la relación entre horas de
vuelo y el desempeño, siendo este un resultado positivo para la investigación, proveyendo de
un sustento académico la relación entre ambas variables demostradas a través de la inferencia
estadística.
El diseño de ANOVA de una vía cumple con las pautas para el tamaño de la muestra,
los resultados no se ven sustancialmente afectados por las desviaciones de la normalidad. En
la figura 5 se evidencia una distribución normal estándar donde los residuos siguen una línea
recta debido a que este diseño cumple con las pautas de tamaño de muestra para que los
resultados de la prueba sean confiables.

53
4.1.4 Diferencia mínima significativa. La intención de agrupar mediante el método
de Fisher LSD obedece a calcular la diferencia significativa más pequeña, la cual permite
comparar la media entre varios grupos y de esta manera determinar por qué se rechazó la
Hipótesis Nula Ho en un análisis de varianzas.
Grupos de información usando el método LSD Fisher LSD con
un 95% de Confianza
Tiempo de Vuelo (horas) N Media Grupo
500-1000 50 4,540 A
200-500 60 3,883 B
0-200 90 3,400 C
Figura 5. Grupos de información. Fuente: el autor.
De esta manera podemos corroborar en la Figura 5. “Grupos de información”, que es
claro como las medias que no comparten una letra, son significativamente diferentes usando la
tabla información de agrupamiento para determinar rápidamente si la diferencia de medias
entre cualquier par de grupos es estadísticamente significativa. La columna Grupo contiene
letras que agrupan los niveles de los factores. Los grupos que no comparten una letra tienen
una diferencia de significancia que es estadísticamente significativa, pero en este caso no se
evidenciaron este tipo de datos.
Para tal fin se graficó (ver Figura 6. Medias individuales.) nuevamente los datos de
acuerdo al método LSD de Fisher con un 95% de confianza obtenidos mediante la guía de
observación estructurada a cada piloto, evidenciando sus medias y grupo al que pertenecen, de
54
forma que se pueda identificar como cada piloto está enmarcado en un grupo respectivo,
habiendo algunos que pueden pertenecer a varios grupos de manera simultánea.
Piloto N Media Grupo
20 10 4,700 A
17 10 4,700 A
19 10 4,500 A B
18 10 4,500 A B
16 10 4,300 A B C
15 10 4,100 A B C D
13 10 4,000 A B C D E
14 10 3,900 A B C D E F
10 10 3,900 A B C D E F
6 10 3,900 A B C D E F
11 10 3,800 B C D E F G
7 10 3,800 B C D E F G
5 10 3,800 B C D E F G
12 10 3,600 C D E F G
8 10 3,300 D E F G
4 10 3,300 D E F G
9 10 3,200 E F G
1 10 3,200 E F G
3 10 3,100 F G
2 10 3,000 G
Figura 6. Medias individuales. Fuente: el autor.

55
En términos de la desviación estándar individual en los 20 pilotos objetos de
estudio, el nivel de confianza individual es el porcentaje de veces que un único
intervalo de confianza incluye la verdadera diferencia entre un par de medias
grupales, en dado caso de que se repita el estudio. Los intervalos de confianza
individuales están disponibles solo para el método de Fisher como se establece en la
siguiente figura:
Piloto N Media Dev. Est 95% CI
1 10 3,200 1,033 (2,618; 3,782)
2 10 3,000 1,155 (2,418; 3,582)
3 10 3,100 0,876 (2,518; 3,682)
4 10 3,300 1,160 (2,718; 3,882)
5 10 3,800 1,033 (3,218; 4,382)
6 10 3,900 1,101 (3,318; 4,482)
7 10 3,800 1,033 (3,218; 4,382)
8 10 3,300 0,823 (2,718; 3,882)
9 10 3,200 1,317 (2,618; 3,782)
10 10 3,900 0,994 (3,318; 4,482)
11 10 3,800 0,919 (3,218; 4,382)
12 10 3,600 0,966 (3,018; 4,182)
13 10 4,000 0,816 (3,418; 4,582)
14 10 3,900 0,994 (3,318; 4,482)
15 10 4,100 0,994 (3,518; 4,682)
16 10 4,300 0,675 (3,718; 4,882)
17 10 4,700 0,483 (4,118; 5,282)
18 10 4,500 0,707 (3,918; 5,082)
19 10 4,500 0,527 (3,918; 5,082)
20 10 4,700 0,483 (4,118; 5,282)
Figura 7. Desviación estándar individual Fuente: el autor.

56
4.1.5 Intervalos de confianza. Dado que en figura anterior evidenciamos diferencias
que son estadísticamente significativas (figura 7), se usaron los intervalos de confianza de las
diferencias para determinar si estas son significativas.
Tiempo de vuelo N Media Desv. Estandar 95% CI
0-200 90 3,400 1,068 (3,208; 3,592)
200-500 60 3,883 0,922 (3,648; 4,119)
500-1000 50 4,540 0,579 (4,2823; 4,7977)
Figura 8. Desviación estándar por grupos de horas de vuelo. Fuente: el autor.
Adicional, el grupo de tiempo de vuelo entre 500 y 1000 horas de vuelo tiene una menor
desviación estándar que los otros dos grupos, así mismo este último posee un promedio
superior a 4,5, lo que significa que este grupo tiene conocimiento óptimo ante cada situación
de emergencia presentada con un 95% CI, de acuerdo a Freund (1962, p. 227) “el intervalo de
confianza a un par o varios pares de números entre los cuales se estima que estará cierto valor
desconocido con una determinada probabilidad de acierto”.
La afirmación anterior, nos sirve para establecer que en el 95% de las situaciones, los
resultados estarían sujetos a estos rangos de valores dependiendo del grupo en el que se
encuentre clasificado el piloto, este valor es apoyado también por el tamaño de la muestra que
en términos generales podría alcanzar el tamaño de la población objetivo si no se contempla al
piloto que estuvo fuera del estudio ya que su desempeño malograría los resultados
significativamente.
57
4.1.6 Contraste Emergencias Versus Pilotos. Se realiza análisis detallado a la
figura 9. Emergencias Vs. Piloto, donde se puede afirmar lo siguiente:
• El 80% de los pilotos con autonomía inferior a las 200 horas, obtuvo un puntaje de 3
en promedio para todas las emergencias presentadas.
• Sólo un 17% de los pilotos con autonomía entre (200-500) horas, tiene un puntaje
menor al resto del grupo, de 3,6 en promedio para todas las emergencias presentadas.
• El 80% de los pilotos del grupo de (500-1000) horas de vuelo obtuvo un puntaje mayor
a 4,5 y el 20% restante un 4,3 en promedio. Siendo consistente la habilidad demostrada para
sobrellevar las situaciones de emergencia presentadas.
• Además, se puede decir que el piloto 2 obtuvo el puntaje más bajo con un promedio
de 3.0 y el puntaje más alto lo comparten los pilotos 17 y 20 con un promedio de 4,7 para todas
las emergencias presentadas.
Figura 9. Emergencias Vs. Piloto. Fuente: el autor.

58
4.1.7 Comparativa puntajes de detección de emergencias versus emergencias.
Una vez realizada la comparación gráfica entre el tiempo de detección de cada emergencia
contra la emergencia en sí misma (ver figura 10. “Comparativa puntajes de detección de
emergencias versus emergencias”), se evidenció que, en 2 de las 10 emergencias simuladas
“erect spins” en vuelo y “abort take off” en tierra, los 3 grupos de pilotos estudiados, tuvieron
óptima detección y manejo de estas con promedios que oscilaban entre 4,7 y 4,6
respectivamente precedidas de una baja variación de puntajes entre pilotos. Mientras que la
emergencia “in flight engine flameout” en vuelo, presentó menor puntaje 2,9 y alta variación
(desviación estándar), por lo que es una situación a considerar dentro del entrenamiento el
sostenimiento de competencias de los pilotos.
Figura 10. Comparativa puntajes de detección de emergencias versus emergencias. Fuente: el autor.
59
Los datos graficados en la figura 11, corresponden directamente a los parámetros obtenidos
mediante el software de Minitab®, basados siempre en el modelo LSD de Fisher con el 95%
de confianza. Tales datos se anexan como soporte y evidencia de lo expuesto en esta
inferencia estadística, de esta forma, la figura 12 indica que algunas emergencias como el
“engine airstart”, “engine limits exceded” e “in flight engine flameout” poseen medias por
debajo del estándar de seguridad mínimo que para este trabajo es 3.0, contemplando un nivel
aceptable dentro de la capacidad de acción y ejecución de procedimientos.
Emergencia N Media Des. Est 95% CI Grupo
FLIGHT_ENGINE AIRSTART 20 3,300 0,801 (2,922; 3,678) A
FLIGHT_ENGINE FIRE IN FLIGHT 20 3,400 1,188 (3,022; 3,778) A B
FLIGHT_ENGINE LIMITS EXCEEDED 20 3,150 1,089 (2,772; 3,528) A B C
FLIGHT_ERECT SPINS 20 4,700 0,470 (4,322; 5,078) B C
FLIGHT_FLIGHT IDLE ON THE GROUND DURING LANDING 20 4,000 0,649 (3,622; 4,378) C
FLIGHT_IN FLIGHT ENGINE FLAMEOUT 20 2,850 1,137 (2,472; 3,228) C
GROUND_ABORT TAKE OFF 20 4,600 0,598 (4,222; 4,978) D
GROUND_ENGINE FAILURE DURING TAKE OFF 20 4,200 0,696 (3,822; 4,578) D E
GROUND_ENGINE FIRE DURING START 20 3,950 0,826 (3,572; 4,328) D E
GROUND_ENGINE FIRE DURING TAKE OFF 20 4,150 0,813 (3,772; 4,528) E
Figura 11. Detección de emergencias versus emergencias. Fuente: el autor.
Las medias y sus respectivas desviaciones estándar, con valores inferiores a 3.0 dan una clara
indicación que los eventos en vuelo son más complejos de afrontar, así como el proceso de
toma de decisiones crea en ocasiones estresores adicionales para los pilotos a los cuales se
evidenció una alta carga de trabajo en cabina.

60
4.1.8 Tiempo de detección de emergencias versus grupos de pilotos. La figura 12.
“tiempo de detección de emergencias versus grupos de pilotos”, evalúa y contrasta de manera
explícita mediante un diagrama de cajas información tratada en la gráfica 11 “detección de
emergencias versus emergencias”, en donde se puede destacar lo siguiente: los colores azul,
amarillo y verde corresponden a los grupos de pilotos con una experiencia de vuelo en el
equipo A-29B de (0-200) horas, (200-500) horas y (500-1000) horas respectivamente. Cada
emergencia se grafica de manera que se pueda evidenciar la tendencia por colores, es decir,
cada tres colores hay una nueva emergencia.
Figura 12. Tiempo de detección de emergencias versus grupos de pilotos. Fuente: el autor
61
EMERGENCY_FLIGHT TIME N Media Desv E. 95% CI
FLIGHT_ENGINE AIRSTART_1_200 9 3,000 0,500 (2,541; 3,459)
FLIGHT_ENGINE FIRE IN FLIGHT_1_200 9 2,444 0,882 (1,985; 2,904)
FLIGHT_ENGINE LIMITS EXCEEDED_1_200 9 2,444 0,726 (1,985; 2,904)
FLIGHT_ERECT SPINS_1_200 9 4,556 0,527 (4,096; 5,015)
FLIGHT_FLIGHT IDLE ON THE GROUND DURING LANDING_1_200 9 3,667 0,500 (3,207; 4,126)
FLIGHT_IN FLIGHT ENGINE FLAMEOUT_1_200 9 2,111 1,054 (1,652; 2,570)
GROUND_ABORT TAKE OFF_1_200 9 4,333 0,707 (3,874; 4,793)
GROUND_ENGINE FAILURE DURING TAKE OFF_1_200 9 4,222 0,667 (3,763; 4,682)
GROUND_ENGINE FIRE DURING START_1_200 9 3,556 0,726 (3,096; 4,015)
GROUND_ENGINE FIRE DURING TAKE OFF_1_200 9 3,667 0,707 (3,207; 4,126)
Figura 13. Datos detección de emergencias versus grupos de pilotos. Fuente: el autor.
62
La inferencia de los datos tabulados en la figura 13. “Datos detección de emergencias versus
grupos de pilotos”, permite deducir ciertos parámetros y tendencias de los pilotos a la vez de
comparar el rendimiento en cada una de las emergencias, de este modo identificar que
fortalezas representa cada grupo, y si la hipótesis alternativa continúa siendo válida para este
caso. De la figura mencionada se halló que:
 Para las emergencias en estudio, es evidente la tendencia positiva de resultados a
medida que se aumenta el número de horas voladas. No obstante, en la emergencia
“engine failure during take off” en tierra el grupo 1 (0-200) horas de vuelo obtuvo mejor
puntaje que el grupo 2 (200-500) horas de vuelo con resultados de 4,2 y 4,0
respectivamente. Es de aclarar que no es un resultado de alarmar dado que al ser un
puntaje igual o superior a 4,0 se toma como satisfactorio.
 Sólo el 30% de las emergencias evaluadas en el grupo 1 (0-200) horas de vuelo, fueron
iguales o superiores a 4,0.
 El 60% de las emergencias evaluadas en el grupo 2 (200-500) horas de vuelo, fueron
iguales o superiores a 4,0.
 En el 100% de las pruebas el grupo 3 (500-1000) horas de vuelo, obtuvo puntaje igual
o superior a 4,0, lo que demuestra la aptitud e idoneidad para ser instructores de vuelo.
4.1.9 Modelo predictivo: regresión lineal de primer orden. El análisis multivariado
puede reducir la probabilidad de errores tipo I, así mismo, se puede predecir de manera
gráfica el puntaje que obtendrá un piloto de acuerdo a la autonomía de vuelo en cada
emergencia evaluada.
63
Las ventajas de efectuar un análisis de la varianza ANOVA de acuerdo con López y
Fachelli de la Universitat Autònoma de Barcelona, indican que “este análisis representa
mayor facilidad para identificar las interacciones entre las variables independientes y
establecer su grado de asociación con las variables dependientes” (2015, p. 6), esto quiere
decir que los procedimientos de análisis multivariado son procedimientos de análisis
estadístico utilizados en la investigación cuantitativa para analizar más de dos variables y
como pueden generarse eventos causales entre sí.
Dicho lo anterior, se presenta un modelo predictivo por emergencia y tiempo de vuelo
de acuerdo a la figura 14. “modelo predictivo por emergencia y tiempo de vuelo”, se
recopilan todos los ítems analizados y se establece una relación de variables tanto
dependientes como independientes. Este modelo bajo el concepto de HEMA nos permite dar
una anticipada respuesta a la pregunta problema del estudio, contemplando actualmente
como se encuentra el Escuadrón de Combate No. 211 en cuanto a la capacidad de afrontar
una emergencia en tierra o en vuelo por parte de la planta en general, así mismo, se brindó la
posibilidad de discriminar cada resultado para ser evaluado.

64
Figura 14. Modelo predictivo por emergencia y tiempo de vuelo. Fuente: el autor.
De tal manera que, el presente modelo descartó que se presentaran errores del tipo I, y
generó unos resultados que, ante la evidencia, tienen una confianza de un 95% y un margen
de error del 5% de acuerdo al tamaño de muestra, por ende, de acuerdo a la figura 14, se
contempla que se pudieron establecer los resultados de acuerdo a la observación estructurada
desarrollada durante el lapso descrito para este estudio, brindando resultados satisfactorios
en términos de inferencia estadística, matemáticos de tipo lineal y de modelamiento del error
humano.
65
4.2.Pilotaje
El pilotaje se llevó a cabo bajo dos etapas principales, las cuales se denominaron la
conducción de la observación y posterior la secuela de la observación, dichas fases fueron
asesoradas por el Ingeniero de Instrumentación y Control Edison Campo Pérez, con el
propósito de lograr que las variables a modelar fueran dependientes, que en mayor proporción
estos datos permitieran generar una inferencia estadística y calcular la diferencia significativa
más pequeña.
De esta forma, se logró establecer una serie de tareas que en sus dos fases se
establecieron así:
a) Conducción de la observación:
 Familiarizarse con los componentes físicos y términos del área inmediata de observación.
(simulador de vuelo).
 Definir y establecer las hipótesis. (La negación de la hipótesis nula y la demostración de
la hipótesis alternativa).
 Crear la guía de observación.
 Mientras se observa, medir el tiempo en forma periódica para contrastar los tiempos de
respuesta y agilidad en los procedimientos.
 Anotar lo que se observa lo más específicamente posible, evitando las generalidades y las
descripciones vagas.
 Generar archivo fílmico que soporte y de veracidad a la investigación, tomando video de
la sesión completa de simulador en condiciones descritas.

66
 Observar las reglas de cortesía y seguridad y no emitir juicios personales que puedan
desviar la parcialidad de la investigación o presionar a los pilotos a generar respuestas
direccionadas.
 Contar con la aprobación del Comité de Ética de la EPFAC.
 Obtener copia de los datos grabados de cada sesión de simulador en caso de ser necesaria
una segunda revisión posterior a la toma de datos efectuada por el investigador.
b) Secuela de la observación:
 Documentar y organizar formalmente las notas, los videos y las guías de observación
diligenciadas, por fechas de elaboración.
 Seleccionar el software estadístico que permita generar un modelamiento de datos de
acuerdo a HEMA.
 Revisar los resultados y conclusiones junto con el asesor técnico, el técnico del simulador
y/o instructor del simulador.
Ahora bien, la guía de observación elaborada se adjunta en la figura 15. Guía de
observación, que contempla los datos requeridos y necesarios para el modelamiento adecuado
de variables, así como la generación de más de 200 datos en total que pueden ser medidos y
estudiados.
La guía se compone del título del proyecto “Modelamiento del Error Humano en los
Pilotos de A-29B del Comando Aéreo de Combate No.2 Basado en el Modelo HEMA en
Situaciones de Emergencia”, como texto de referencia del estudio que se va a desarrollar con
dicha ficha. Seguido se encuentra el objetivo del proyecto, y las instrucciones de

67
diligenciamiento de cada casilla, estableciendo un sistema de puntos de acuerdo a los
comportamientos, tiempos o evidencias obtenidas durante las sesiones.
Una vez se tienen claras las reglas de calificación, se le asigna un número a cada sujeto
de investigación, en este caso es un numero para identificar a cada piloto y de esta manera
cuidar y respetar el anonimato de acuerdo al comité de ética para estudios con personas. El
perfil se describe como una sesión de emergencias, dicho perfil no es de conocimiento del
piloto, ya que el briefing que poseen establece una navegación táctica a un punto determinado
con la intención de efectuar una misión de apoyo aéreo terrestre.
Luego se generan tres casillas requiriendo información de horas de vuelo que son
importantes para clasificar a los pilotos en tres grupos de acuerdo a su nivel de experiencia. Se
establece que el simulador tiene una sesión de intensidad de una hora, la cual se diseña en
iguales condiciones para todos los pilotos.
El tiempo meteorológico de la misión contempla condiciones visuales o VMC, no
obstante se agrega un estresor que es la lluvia, esta no afecta el perfil aerodinámico de la
aeronave, sin embargo, se deseaba recrear una misión operativa en condiciones normales de
operación en las cuales podrían encontrarse algunas precipitaciones durante el vuelo, es
importante para el estudio haber establecido la configuración del avión, la cual contempló
llevar tres bombas de tipo MK81 y dos tanques subalares, esta configuración es típica para las
misiones de aplicación de la fuerza.
El itinerario fue establecido en consenso con el Comandante de la Escuela de A-29B,
fijando una navegación táctica a 5000 pies de altura sobre el nivel medio del mar (MSL),
partiendo del aeródromo “Luis F. Gómez Niño” o SKAP por su denominación de códigos de
68
aeropuertos establecido por la Organización de Aviación Civil Internacional (OACI), el
crucero se componía de un vuelo a nivel y el cruce de 4 puntos hasta llegar un objetivo el cual
debía ser abatido con el armamento presente, este evento se dejaba a libertad del piloto, el cual
podría establecer si optaba por una entrega de armas tipo CCRP (computer calculated release
point) o CCIP (continuous computed impact point), ambas son entrenadas y utilizadas por los
pilotos y su técnica está claramente definida en los manuales de tácticas, técnicas y
procedimientos, luego del ataque, el piloto debe regresar a SKAP la cual es fijada como base
de lanzamiento y retorno.
Las emergencias fueron seleccionadas de la siguiente forma; cuatro en tierra y seis en
vuelo, presentándose un descarte de la emergencia de fuego y humo en la cabina por razones
que no podían ser simuladas y podrían presentarse para confusiones o sesgos. A cada
emergencia seleccionada se le estableció unos parámetros o calificaciones antes descritas y por
último se deja un pie de página que aclara que el formato tiene una base de diseño respecto a
los formatos de calificación que ya posee el equipo en sus manuales de instrucción y
entrenamiento en la versión 2016 (es la más actualizada a la fecha del estudio).

69
GUIA DE OBSERVACIÓN - TRABAJO DE GRADO MAESO II

Titulo del proyecto: Modelamiento del error humano en los Pilotos de A-29B del Comando Aéreo de Combate No.2 basado en el modelo HEMA en
situaciones de emergencia.
Objetivo: Modelar el error humano en los Pilotos de A-29B del Comando Aéreo de Combate No.2 basado en la Arquitectura de Modelado de Errores Humanos
(HEMA) en situaciones de emergencia, para determinar debilidades y fortalezas del entrenamiento de vuelo.
Instrucciones:
Las maniobras calificadas de acuerdo a observación directa corresponden a la puntuación de 1 a 5 cuando dicha emergencia se gestione o no bajo las siguientes condiciones:
1. Se califica con 5 la emergencia que sea detectada dentro de los primeros 10 segundos en tierra y 60 segundos en vuelo, que el desempeño del piloto permita sobrellevar o corregir la
falla en vuelo sea mediante procedimiento boldface o procedimientos por experiencia del piloto que no agrave la situación.
2. Se califica con 4 la emergencia que sea detectada dentro de los primeros 10 segundos en tierra y 60 segundos en vuelo, pero que no sea resuelta bajo los procedimientos boldface y
su resultado sea diferente al esperado sin generar mayor afectación o daños a la aeronave ajenos al tipo de emergencia y asegura una llegada a tierra o aerodromo mas cercano sin
agravar la emergencia.
3. Se califica con 3 la emergencia que sea detectada dentro de los primeros 10 segundos en tierra y 60 segundos en vuelo y que el procedimiento aunque no sea el estipulado como
boldface, se denote reconocimiento de la gravedad de la misma por parte del piloto y tome un curso de accion correctiva desde el mismo momento que se presenta, apoyandose de las
listas de chequeo de ser requerido.
4. Se califica con 2 la emergencia que sea detectada dentro de los primeros 15 segundos en tierra y 120 segundos en vuelo, y que su gestión pueda agravar la situación efectuando
procedimientos diferentes a los estipulados como boldface.
5. Se califica con 1 la emergencia que no sea detectada en ninguna fase del vuelo o procedimiento en tierra. Que no sea gestionada u omitida a proposito por el piloto.
# Sujeto de Investigación:
Horas Totales
Perfil: Emergencias Boldface
de vuelo: Horas totales en el equipo: Tiempo misión:
Tiempo en el equipo: (meses o años)
Condiciones Meteorologicas Simuladas -METAR: SKAP Configuración Itinerario Condiciones
28002KT 8000 VCSH BKN080 24/24 A3002 = Underwing 3XMK81 SKAP-AREA-SKAP VISUAL - VFR
ITEM / ESCALA 1 2 3 4 5 OBSERVACIONES
FASE 1: EN TIERRA
1 ABORT TAKE OFF
2 ENGINE FIRE DURING START
3 ENGINE FAILURE DURING TAKE OFF
4 ENGINE FIRE DURING TAKE OFF
FASE 2: EN VUELO
1 ENGINE FIRE IN FLIGHT
2 ENGINE LIMITS EXCEEDED
3 IN FLIGHT ENGINE FLAMEOUT
4 ENGINE AIRSTART
FLIGHT IDLE ON THE GROUND DURING
5 LANDING
6 ERECT SPINS
Formato adaptado de acuerdo a manual PROGRAMA DE INSTRUCCIÓN Y ENTRENAMIENTO A-29B (PIE) PIE FAC-6.2.1-A-29B-T RESTRINGIDO, 2016. p 198.
Figura 15. Guía de observación. Fuente: el autor.
Las condiciones que se trazaron para lograr una homogeneidad en los datos y en
cierta manera evitar el sesgo fueron los siguientes:
 Se efectuó un briefing individual con cada piloto, entregándole una copia del comité
de ética y solicitando la firma del consentimiento escrito y la promesa de reserva FAC
para evitar que la información y los datos fueran filtrados a otros pilotos.
 Para la selección de los pilotos, se estableció elegir a los dos que estaban disponibles
de vuelo en la semana, de esta manera se garantizaba una aleatoriedad en la elección.

70
Luego se hacía una corta presentación y se procedía con uno de los pilotos al
simulador para efectuar un briefing de la misión.
 Durante el briefing se le expone al piloto que el objeto del estudio es modelar el error
humano, mas, sin embargo, no se le expone que será solamente verificando su
capacidad ante las situaciones de emergencia tipo “boldface”.
 Todos los vuelos se efectuaron a las 08:00 a.m. y siempre con los pilotos disponibles
de rojo o amarillo de esa semana en cuestión, de esa forma se establecía un parámetro
de toma de datos homogéneo, que permitiera tomar los datos en las mismas
condiciones para todos.
 Durante el inicio de la sesión de simulador, se le entregaba al piloto por primera vez
las coordenadas a volar y el punto de ataque, brindándole 15 minutos para adaptar su
cabina y los elementos requeridos para dicha misión.
 Durante la sesión se empezaron a presentar una a una las emergencias, lo que generó
en los pilotos una situación de estrés al contrastar la realidad del estudio, aun así, se
les indico que podrían abandonar el estudio en cualquier momento, pero fue por
voluntad propia que cada sujeto de estudio decidió continuar.
 Los datos quedaron grabados en el simulador para luego ser tomados e interpretados,
así mismo los que se plasmaron en la guía de observación fueron objeto de revisión y
aprobación por parte del Comandante de la Escuela de A-29B y del investigador,
logrando así una imparcialidad en los hechos observados.
 Los datos obtenidos fueron contrastados con las carpetas de vuelo de cada piloto, y
luego tabulados para su posterior análisis inferencial estadístico.

71
4.3.Entregables
La presente investigación otorga a la Escuela de Combate Avanzado de A-29B un
documento formal con el compendio de las recomendaciones de este estudio, con las cifras
estadísticas explicadas de tal manera que permitan una toma de decisiones acertada sobre los
aspectos a mejorar en el entrenamiento de vuelo, así también, para evidenciar las fortalezas y
capacidades que poseen los pilotos del Escuadrón actualmente y el buen nivel general en el
que se encuentran.
El compendio de recomendaciones que se entrega permitirá también establecer un plan
de acción al Comando del Grupo de Combate respecto a las capacidades que deben mantenerse
para el cumplimiento misional de la defensa nacional, de tal manera que estará logrando un
impacto no solo en un escuadrón sino directamente en la seguridad de una nación.
4.4.Respuesta a la pregunta problema
¿Cuáles son las ventajas de modelar el error humano en situaciones de emergencia de
los pilotos de A-29B del Comando Aéreo de Combate No.2 en el lapso 2017-2018 de
acuerdo la Arquitectura de Modelado de Errores Humanos (HEMA)?
Los resultados del ANOVA entre grupos de tipo unifactorial y univariado
demostraron que existen diferencias estadísticamente significativas entre los tres grupos de
pilotos versus las puntuaciones medias en la subescala comprendida por la cantidad de horas
de vuelo en el equipo A-29B.

72
Así mismo, se pudo establecer para esta investigación que la ventaja principal del
estudio fue lograr demostrar que el modelado computacional actual del desempeño puede
beneficiarse de los componentes reutilizables del mismo comportamiento humano (Matessa
et al, 2002) lo que indica que los comportamientos con tendencia hacia el error son cíclicos y
pueden en cierta manera ser modelados y predichos con algún grado de exactitud, otorgando
una visión proactiva que permite generar planes de acción para prevenir accidentes o
fortalecer debilidades latentes en la formación de los pilotos de combate de la Fuerza Aérea
Colombiana.
73
Conclusiones
Al finalizar la presente investigación, consistente en modelar el error humano en los
Pilotos de A-29B del Comando Aéreo de Combate No.2 basado en la Arquitectura de
Modelado de Errores Humanos (HEMA) en situaciones de emergencia, para inferir
debilidades y fortalezas del entrenamiento de vuelo, contemplando la oportunidad de réplica
del mismo en otros equipos basado en la arquitectura diseñada en este estudio.
Así mismo, el modelado de errores permitió comprender los procesos de toma de
decisiones desde un punto de vista más cercano, desde la seguridad de un ambiente simulado
y controlado, observando y tabulando por primera vez todo comportamiento, tiempos de
reacción y tipo de respuesta de los pilotos en las situaciones más estresantes para un
comandante que es por su puesto una emergencia en vuelo. El modelo HEMA es replicable
para otros equipos de la FAC, la presente arquitectura de este estudio permite la fácil
adaptación para la toma de datos, tabulación e inferencia de cada evento o emergencia en
particular.
Se pudo establecer una relación entre variables dependientes e independientes,
demostrando que es posible matemáticamente modelar dentro de los conceptos mecanicistas
el error humano de los pilotos, esto se logró a través del rechazo de la hipótesis nula y la
demostración estadística de la hipótesis alternativa, generando datos de acuerdo a una
población y muestra datos de una alta confianza (95%) que pueden ser considerados por el
Escuadrón de Combate No. 211 para el análisis de la situación actual de sus pilotos.
74
Si bien es cierto que las emergencias en vuelo constituyen una situación compleja,
grave y con alto índice de comprometer la seguridad de la aeronave y la tripulación, se
observó durante las 20 horas de vuelo simulado que la eyección fue retardada o no
contemplada como un recurso viable inicialmente dentro de la emergencia, en algunos casos
el procedimiento de “boldface” finalizaba ciertas emergencias en vuelo con esta maniobra
que constituía la expulsión de la aeronave mediante la acción de los cartuchos y cohetes de la
silla de eyección Martin Baker MK10 a bordo de cada una de las aeronaves A-29B.
Aunque la eyección no era un dato contemplado para la medición y estudio, causó
curiosidad al investigador ver la tendencia del piloto por salvar la aeronave, siendo esto un
acto meritorio de lealtad y valores como el heroísmo. En ningún caso se observó violación de
los parámetros para la eyección, tanto en alturas como velocidades, más, sin embargo, los
pilotos en su mayoría optaron por repetir los pasos de la emergencia buscando nuevamente
solucionar la situación antes de tener que abandonar la aeronave.
Por otra parte, no se evidencia una apropiación o aplicación completa por una
mayoría representativa de pilotos respecto a la fraseología estándar para las emergencias en
vuelo contempladas en el anexo 10 de la OACI “procedimientos radiotelefónicos”, la cual
incluye llamados con el término “MAYDAY”, y cambio de código transponder a 7700
denotando peligro grave o inminente a las estaciones de monitoreo radar, aeronaves o
controladores aéreos que estén en la frecuencia activa, esto pudo haberse presentado
posiblemente por no sentirlo o percibirlo necesario por parte del piloto al estar efectuando los
procedimientos desde el simulador y no en una situación real en la que ellos pudieran haber
considerado el uso de la misma.

75
La guía de observación es una herramienta idónea para este tipo de estudio, la
aplicación de la misma permitió la minimización del sesgo a la que hubiera podido inclinarse
la investigación bajo otros métodos de recolección de la información. La ventaja de tener
parametrizados los datos y la claridad en lo que se iba a observar generó una toma de datos
limpia, fácil e intuitiva, con unas tendencias claramente observables desde el punto de vista
matemático.
El Comité Ético de la EPFAC y las promesas de reserva de la información FAC
constituyeron una ventaja para la investigación, esto se debió a la preocupación manifiesta
por parte del Grupo de Combate No. 21, el Escuadrón de Combate No. 211, los pilotos e
instructores de A-29B generada desde la concepción de que dicha observación y los mismos
datos podrían tener alguna repercusión en su prestigio, estatus o carrera como pilotos y
comandantes, donde en cualquier momento podrían tomarse repercusiones hacia alguno de
los actores del estudio. La facilidad otorgada por la institución es una clara muestra de los
avances en la cultura de la seguridad operacional y hasta el término de la investigación, se
trabajaron los datos con profesionalismo y rectitud de acuerdo a los parámetros éticos y de
ley.
Aunque el modelo HEMA busca modelar el error humano, este continuará teniendo
un grado alto de variación e incertidumbre, no obstante, se logró adaptar un modelo que tiene
como fin encontrar patrones y asociarlos a variables, generar tendencias y gráficos para
emitir juicios de valor, considerar planes de mejora e incentivar a la seguridad operacional a
incursionar en nuevos campos del conocimiento que propendan por mitigar el riesgo hasta
los niveles aceptables como fin último en la Fuerza Aérea Colombiana.

76
Dentro del nivel de letalidad se evidencio una certeza de batimiento de objetivo de un
100%, el dato no fue objeto de estudio, pero si era parte de la misión simulada, lo que
permite deducir que, ante situaciones de alto estrés, los pilotos de combate de A-29B del
CACOM-2 están en capacidad de lograr un ataque efectivo a un objetivo con los sistemas y
capacidades disponibles, también demostraron tener la capacidad de no perder el foco acerca
de la razón de su misión y esto les permitió sobrellevar la complejidad de cada una de las
emergencias y hacer un uso de la fuerza de manera correcta.
Se hace salvedad que, para casos reales, los pilotos y sus aeronaves no efectuarían un
ataque en condiciones anormales, esto quiere decir que si presentara un evento que obligara
un procedimiento boldface se cancela la misión, ya que la posibilidad de pérdida de la
aeronave y lesiones a la tripulación podría incrementarse durante la continuación del vuelo si
esta condición llegara a agravarse, por tal motivo es altamente probable que la aeronave
regresara a su base de lanzamiento para que se le realicen las reparaciones correspondientes.
La capacidad de recolectar datos, sea mediante guía de observación estructurada o a
través de la descarga de estos en medios digitales que permitan ser tabulados, modelados y
posteriormente inferidos con técnicas estadísticas, permite a la Fuerza Aérea Colombiana
ampliar su capacidad de establecer métodos que en cierta medida anticipen los errores más
comunes en su población de pilotos. Este estudio al obedecer a una arquitectura, puede
incluso ser adaptada para observar y modelar en ambientes de mantenimiento aeronáutico y
de abastecimientos.
A través de este estudio se descubrió que la FAC puede obtener beneficios
significativos al implementar un almacén de datos. En general, se evidenció que el
almacenamiento de datos proporciona un excelente enfoque para transformar las vastas

77
cantidades de datos que existen en los escuadrones de vuelo en información útil y confiable,
para obtener respuestas a las preguntas sobre el desempeño de los pilotos y para respaldar el
proceso de toma de decisiones.
Un almacén de datos proporciona la base para las potentes técnicas de análisis de
datos disponibles en la actualidad, como la minería de datos y el análisis multidimensional,
así como la consulta y los informes más tradicionales. El uso de estas técnicas junto con el
almacenamiento de datos puede facilitar el acceso a la información que necesita para una
toma de decisiones más informada, tal como se constató en el presente estudio. No obstante,
el almacenamiento de datos es el diseño e implementación de procesos, herramientas e
instalaciones para administrar y entregar información completa, oportuna, precisa y
comprensible para la toma de decisiones.
El análisis multidimensional se podría aplicar también a este tipo de estudios como
una forma de ampliar las capacidades de consulta y generación de informes y es una de las
conclusiones que a su vez se genera como recomendación. Es decir, este tipo de análisis es
totalmente compactible con HEMA, y en lugar de enviar múltiples consultas, los datos están
estructurados para permitir un acceso rápido y fácil a las respuestas a las preguntas que
generalmente se hacen. Por ejemplo, los datos se estructurarían para incluir respuestas a la
pregunta, "¿Cuántas emergencias presentan deficiencias de procedimiento por parte de los
pilotos, en una condición atmosférica establecida, a una hora en especial?" donde a cada
parte separada de esa consulta se le podría llamar “una dimensión”.
Al recalcular las respuestas a cada subconsulta dentro del contexto más amplio,
muchas respuestas pueden estar fácilmente disponibles porque los resultados no se vuelven a
calcular con cada consulta; simplemente se accede y se muestra, esto se logra al tener los
78
resultados de la consulta anterior, obteniendo automáticamente la respuesta a cualquiera de
las subconsultas. Es decir, ya se podría saber la respuesta a la subconsulta.
El análisis de datos estadísticos detecta patrones inusuales en los datos y aplica
técnicas de modelado estadístico y matemático para explicar los patrones ya que los modelos
se utilizan para predecir y predecir, es por eso que en este caso se usaron solo uno de los
tipos de técnicas de análisis de datos estadísticos como los análisis lineales y no lineales,
análisis de regresión, análisis multivariante y análisis de series de tiempo. El descubrimiento
de nuevo conocimiento extrae información implícita, previamente desconocida de los datos.
El ánimo de este estudio y del investigador fue demostrar el punto de encuentro entre
las matemáticas y el poco predecible comportamiento humano, especialmente enfocado hacia
el error. Para el investigador generó todo un proceso de aprendizaje y un reto académico
consolidar este estudio y lograr los resultados aquí plasmados. Por ser un trabajo de maestría
sus resultados realmente impactan directamente en la seguridad operacional, y se da por
sentado que este modelo sería muy útil y rentable en términos económicos para las
compañías aéreas que propenden por estandarizar hasta el más pequeño procedimiento en
cabina en aras de lograr una mitigación del riesgo y administración del error que abarque la
humanidad en cabina como un punto de vital importancia.
Así mismo, es grato entregar un estudio que pone de nuevo a la FAC a la vanguardia
en Colombia a través de la investigación en las líneas del factor humano en seguridad
operacional, un campo en el cual la aviación de estado se ha visto rezagada, y por el contrario
se han tenido que adoptar, copiar o asimilar medidas y procedimientos del mercado aéreo
civil para ser incorporado en la aviación militar, ante la agresiva expansión de las aerolíneas
79
y la poca doctrina y documentos emitidos por las Fuerzas Armadas que sean de interés para
el mercado comercial.
80
Recomendaciones
Dentro de los resultados de la presente investigación, se evidenciaron ciertas
dificultades las cuales son objeto de recomendaciones, así como oportunidades de mejora
para futuros estudios o réplicas de HEMA en otras plantas o equipos de vuelo de la FAC.
En un principio, se evidenció que el entrenamiento de pilotos del equipo A-29B
dispone de planes de entrenamiento en SRM (por sus siglas en inglés, “single pilot resouce
management”) o administración de los recursos de cabina para pilotos solos aunque
comparado con las versiones civiles, aun es incipiente y propenso a ser mejorado, no solo
para este equipo, sino también para todos los equipos que disponen de únicamente un piloto
en cabina.
Este entrenamiento fortalece la toma de decisiones y la capacidad de administrar
todos los recursos que estén a su disposición para gestionar de manera más efectiva el riesgo.
También, este tipo de capacitación sirve para elevar la alerta y conciencia situacional del
piloto durante su misión de vuelo, ayudándolo a enfocarse en tareas importantes y
manteniendo un orden de priorización adecuado durante situaciones de alto estrés.
Se realizó un análisis de regresión lineal de primer orden para calcular el puntaje
aproximado que obtendrá un piloto ante una situación de emergencia dada su autonomía de
vuelo puntual, es decir, las horas de vuelo exactas como se evidencia en la figura 16. “Datos
modelo de regresión lineal”, cada valor obtenido sea gráficamente o mediante ecuación, debe
ser redondeado.
81
EMERGENCIA
FLIGHT_ENGINE AIRSTART SCORE = 2,601 + 0,001427 FLIGHT TIME
FLIGHT_ENGINE FIRE IN FLIGHT SCORE = 2,701 + 0,001427 FLIGHT TIME
FLIGHT_ENGINE LIMITS EXCEEDED SCORE = 2,451 + 0,001427 FLIGHT TIME
FLIGHT_ERECT SPINS SCORE = 4,001 + 0,001427 FLIGHT TIME
FLIGHT_FLIGHT IDLE ON THE GROUND DURING LANDING SCORE = 3,301 + 0,001427 FLIGHT TIME
FLIGHT_IN FLIGHT ENGINE FLAMEOUT SCORE = 2,151 + 0,001427 FLIGHT TIME
GROUND_ABORT TAKE OFF SCORE = 3,901 + 0,001427 FLIGHT TIME
GROUND_ENGINE FAILURE DURING TAKE OFF SCORE = 3,501 + 0,001427 FLIGHT TIME
GROUND_ENGINE FIRE DURING START SCORE = 3,251 + 0,001427 FLIGHT TIME
GROUND_ENGINE FIRE DURING TAKE OFF SCORE = 3,451 + 0,001427 FLIGHT TIME
R-sq(adj): 50,96%
Figura 16. Datos modelo de regresión lineal. Fuente: el autor.
Este modelo matemático graficado de los datos de la figura 16, arrojó un 𝑅 2 = 50,96%,
es decir, el 51% de los datos siguen el modelo de regresión. Esto plantea que para considerar
un modelo que alcance al menos un 80% y se logre un modelo altamente confiable se deben
considerar más variables como, tipo de aviones volados previamente, edad, profesión, años de
servicio en la vida militar, en inclusive llegar a cuantificar los eventos de seguridad operacional
en los que se halla visto envuelto dándoles un valor numérico como un elemento que podría
influenciar en la personalidad y capacidad de decisión de cada piloto en particular.
En la evaluación del entrenamiento se pudo evidenciar que la emergencia “in flight
engine flameout”, presentó menor puntaje (2,9 sobre 5,0) y alta variación (desviación
82
estándar), por lo que es una situación a considerar dentro del entrenamiento continuado para
el sostenimiento de competencias de los pilotos.
La necesidad de multiplicar el presente estudio en equipos que tengan la posibilidad
de disponer de un simulador de vuelo, permite recrear las emergencias de tipo boldface,
utilizando una adaptación del presente estudio con la estructura HEMA como referencia, lo
que permitirá analizar las fortalezas y deficiencias en los pilotos que la presenten. Para lo
cual se requiere otorgar el grado de confidencialidad a los datos que al final de estos estudios
sean obtenidos y trabajados, tanto en el anonimato de los pilotos como en la reserva que se
debe mantener con estos estudios, que dada su sensibilidad no deben ser conocidos más allá
de los meramente interesados en él, con el único propósito de mejorar y fortalecer el
entrenamiento, con una clara premisa de evitar represalias en aquellos tripulantes que
obtengan resultados inferiores, viéndolos desde la perspectiva de un estudio con proyección
de mejora en los respuesta en caso de una emergencia en vuelo.
Una vez obtenidos los datos del estudio, es necesario efectuar como mínimo una vez
al año una nueva toma de datos, para generar la trazabilidad en el tiempo que sirva para
determinar el impacto de las medidas de mitigación que se gesten al interior de los
escuadrones en el mejoramiento del desempeño de los pilotos, así como plasmar los planes
de mejora dentro los manuales de instrucción y entrenamiento de los equipos, con lo cual se
logrará un impacto focalizado en la conducción de la capacidad y habilidad de los mismos,
haciendo un proceso de mejoramiento constante de la doctrina y la instrucción.
Se evidenciaron altos aportes académicos de las metodologías de modelado de datos
conocido como el análisis multidimensional, ya que esta permite a los usuarios (Escuadrones
de vuelo, Grupos de Combate, Comando de Unidad o de Jefatura) observar una gran cantidad
83
de factores interdependientes involucrados en un problema de vuelo y ver los datos en
relaciones complejas a través de los diferentes niveles para finalmente alcanzar una
operación que salga del rango tolerable a uno de mejor capacidad en términos de seguridad
operacional.
También se puede utilizar el pivote en los datos ya que con los datos recopilados en
este estudio se puede generar una operación de análisis de datos mediante la cual el usuario
adopta un punto de vista diferente al que es típico en los resultados del análisis, cambiando la
forma en que las dimensiones se organizan en el resultado. Al igual que la consulta y la
generación de informes, el análisis multidimensional continúa hasta que no se realiza más
desglose o balanceo.
Por otro lado, se hizo uso de la minería de datos como técnica de análisis de datos
relativamente nueva para la FAC, ya que durante las primeras aproximaciones con la
administración del Sistema de Información Operacional SIIO se evidencio que es un sistema
que aunque maneja grandes volúmenes de datos, es solo usada mayormente para la consulta
y generación de informes, pero, sin evidencias del análisis multidimensional, que utiliza lo
que se denomina una técnica de descubrimiento. Es decir, no hace una pregunta particular de
los datos, sino que utiliza algoritmos específicos que analizan los datos e informan lo que han
descubierto.
A diferencia de las consultas y los informes, en este caso se tuvo presente el análisis
multidimensional, donde el usuario tiene que crear y ejecutar consultas basadas en hipótesis,
la minería de datos busca respuestas a preguntas que pueden no haberse realizado
anteriormente. Y de aquí aunque en la teoría se encontró un contraste con el presente estudio,
es mucho más fácil de explicar en sí, debido a que el trabajo investigativo requería de una
84
validación de hipótesis para demostrar con un margen de error la idoneidad del modelo
HEMA, sin embargo una vez validado y aprobado, se puede seguir utilizando el método de
minería de datos mediante HEMA, ya que ambas no pueden trabajar por separado y cada una
tiene bondades que permiten la interacción de datos y la oportunidad de obtener información
de manera precisa y con márgenes de sesgo más pequeños.
Este estudio por ser de tipo experimental, sus resultados son tratados como
descubrimientos, por ende, la información obtenida de él podría tomar la forma de encontrar
ignorancia en las relaciones entre ciertos elementos de datos, un agrupamiento de elementos
de datos específicos u otros patrones en el uso de conjuntos específicos de elementos de
datos. Después de encontrar estos patrones, los algoritmos pueden inferir reglas y estas
reglas se pueden usar para generar un modelo que puede predecir un comportamiento
deseado, identificar relaciones entre los datos, descubrir patrones y agrupar grupos de
registros con atributos similares, por eso HEMA sumado a la estadística, tiene un
componente alto direccionado a la minería de datos, que en ultimas se utiliza generalmente
para el análisis de datos estadísticos y el descubrimiento de conocimientos.
Ahondando en el señalamiento de que este estudio es experimental, y a la luz de los
resultados obtenidos, se recomienda a la Fuerza Aérea Colombiana crear la patente de
protección no solo del presente trabajo de grado sino del procedimiento experimental como
tal, teniendo en cuenta que es una interacción entre minería de datos, análisis
multidimensional, análisis multivariado, pivote de datos, con inferencia estadística y
utilización del modelo HEMA. Toda esta capacidad resumida y compilada dentro de HEMA
la convierte en una poderosa herramienta predictiva para la FAC, la cual podría
eventualmente ser fortalecida mediante nuevos procedimientos de administración de datos o

85
estadísticos. El presente estudio es único en su clase, no tiene precedentes y es la primera vez
que se trata de demostrar de manera matemática un modelo mecanicista del error humano
aplicado en pilotos de combate.
Entender cómo funciona el proceso de toma de decisiones y de entrenamiento de los
pilotos da una gran ventaja tanto táctica como estratégica, como lo señala Sun Tzu en el año
500 A.C. “Cuando eres capaz de ver lo sutil, es fácil ganar”. De esta forma, si se hace un
trabajo dedicado, se podría lograr modelar y conocer al detalle la capacidad de los pilotos de
combate bajo varias circunstancias y escenarios, inclusive se podría reconocer quienes tienen
mayores rasgos de agresividad combativa y quienes un poco más de pausa al actuar. Y
aunque es claro que estos modelos no son 100% fiables, si puede alcanzarse un margen
superior al 95%, permitiendo tomar decisiones solo con un 5% de error lo cual es aceptable a
la hora de dirigir operaciones aéreas o la guerra misma.
Por alto índice predictivo del presente estudio, se recomienda buscar una relación más
amplia de variables, donde se plantea la realización del estudio en un lapso no mayor a un
año, agregando mayor cantidad de variables que permitan generar mayores cantidades de
variables. Esto se basa en la posibilidad de obtener una relación entre las mismas que genere
una estructura mas amplica
Por último se recomienda a la FAC no hacer de carácter público el presente estudio
por la sensibilidad que representan los datos aquí plasmados, no obstante se recalca la
necesidad de registrar la patente intelectual y utilizar el modelo HEMA perfeccionado este
estudio para adaptarlo y utilizarlo en las demás plantas, no obstante estos estudios pueden de
manera sustancial cambiar el curso de un conflicto si los datos tomados involucran la
capacidad de respuesta, operativa y de conciencia situacional de los pilotos, ya que permitiría

86
la adquisición de datos jamás tomados hasta la fecha y con los cuales se podrían generar
perfiles para los pilotos de combate de acuerdo a nuestra cultura y nivel operativo.}
Glosario
Abort Take Off: describe el procedimiento de emergencia que obliga al piloto a abortar
la carrera de despegue antes de alcanzar la velocidad de referencia V1, esto en su mayoría
debido a fallas técnicas durante esa fase tales como daños en el motor, perdida de presión de
aceite del motor, apagado de alguna de las pantallas de la cabina, una explosión de una rueda,
una incursión en la pista de alguna personal, animal o vehículo, o por una orden de la torre de
control. (OACI, 2017).
Cargas Subalares (Underwing): son los elementos o armamento que se instalan bajo
los planos (alas) de las aeronaves, las cuales constan de bombas Mark 82 (Mk 82) de 500 libras
de peso, Mark 81 (Mk 81) de 250 libras de peso, o tanques de combustible. Estos elementos
pueden ser ubicados en los puntos conocidos como “puntos duros”, para lo cual el A-29B
dispone de cinco en su parte inferior. (FAC, 2017)
Condiciones de vuelo VFR: son las reglas de vuelo que exigen que se opere la
aeronave en condiciones visuales, o por sus siglas en ingles “Reglas de vuelo Visual”, en la
cual el piloto debe evitar en todo momento ingresar en nubes o en cualquier tipo de condición
meteorológica que le impida tener de un contacto visual permanente con el terreno sobre el
cual está volando. (UAEAC, 2018).

87
Emergencia Boldface o procedimiento de emergencia: Procedimiento que se ejecuta
en la cabina de una aeronave por el piloto la cual obliga a tomar un curso de acción de manera
inmediato, estos procedimientos son ejecutados de memoria y sin consulta previa de las listas
de chequeo o manuales debido al corto tiempo que se dispone para solucionar la eventualidad
que se pudo haber presentado. Este tipo de emergencia requiere de atención inmediata ya que
puede desencadenar en perdida de la aeronave y la vida. (FAC, 2017).
Engine Airstart: procedimiento de emergencia que requiere que el piloto efectúe un
reencendido del motor en vuelo con ayuda del aire que circula a través de la hélice, exigiendo
al piloto mantener parámetros de velocidad tanto en vuelo como de rotación de la turbina para
poder efectuarlo. Este tipo de encendido no requiere de asistencia eléctrica del sistema como
sería un encendido en condiciones normales. (FAC, 2017).
Engine Failure During Take Off: procedimiento de emergencia que se debe realizar
ante el fallo o daño en el motor durante la carrera de despegue, evidenciado en perdida de
presión de aceite, sobre temperatura del motor o pérdida parcial o total de potencia. (FAC,
2017).
Engine Fire During Start: procedimiento de emergencia el cual esta descrito como
fuego en el motor durante el encendido del mismo. (FAC, 2017).
Engine Fire During Take Off: procedimiento de emergencia que debe efectuarse
durante la carrera de despegue debido a la presencia de fuego en el motor. (FAC, 2017).
Engine Fire In Flight: procedimiento de emergencia efectuado por la indicación de
fuego en el motor, se verifica de manera visual si existe presencia de fuego o estela de humo
detrás del avión. (FAC, 2017).

88
Engine Limits Exceeded: procedimiento de emergencia que se ejecuta cuando el
piloto excede los límites del motor, estos límites pueden ser la excedencia en el torque máximo
o temperaturas de gas de la turbina en la zona de combustión, también por sobre rotación de la
hélice y sus componentes engranados. (FAC, 2017).
Erect Spins: procedimiento de emergencia debido a una condición de pérdida del flujo
laminar sobre los planos, en otras palabras, es la perdida de sustentación del avión en vuelo
que genera que el mismo quede con una actitud del morro (parte frontal) en posición vertical.
Esta situación es generada en su mayoría por una mala técnica de vuelo que degrada la
capacidad de la aeronave mantenerse en el aire, generando que la misma tenga una pérdida de
altura hasta recuperar la velocidad que permita la sustentación. (FAC, 2017).
Flight Idle on the Ground During Landing: procedimiento de emergencia derivado
de un mal funcionamiento del Sistema de gobernador de la hélice, la cual mediante los sistemas
WOW o llantas en tierra por sus siglas en inglés, obliga al sistema a cambiar el paso de la
hélice para generar mayor resistencia al avance y de esta manera efectuar una carrera de
desaceleración y frenado en una distancia más corta. (FAC, 2017).
Horas de Vuelo: es el record de horas que un piloto ha estado al mando de una
aeronave, o como parte de una tripulación que haya efectuado un vuelo, el tiempo se
comprende desde el momento en que se da inicio al motor hasta que se vuelve a apagar en el
destino asignado. (UAEAC, 2017).
In Flight Engine Flameout: es el procedimiento de emergencia debido a un apagado
del motor en vuelo debido a una pérdida de la combustión, debido a contaminación del
89
combustible con agua, también puede deberse a la ingesta de hielo o agua de manera abundante
durante el vuelo. (FAC, 2017).
Itinerario: el trayecto asignado para el cumplimiento de una misión o vuelo.
Comprende un aeródromo de salida y otro de llegada bajo la codificación OACI, ejemplo:
SKAP – Aeródromo “Luis F. Gómez Niño” (CACOM-2). (FAC, 2017).
METAR: estándar internacional del formato del código utilizado para emitir
periódicamente informes de las observaciones meteorológicas sobre un aeródromo en
particular, con el cual el piloto efectuara sus planeamientos del vuelo y la misión a cumplir.
(OACI, 2017).
Mark 81 (Mk 81): es una bomba sin guía, de propósito general de 235 libras de peso
y 1,78 cm de largo, comúnmente utilizada para aplicación de la fuerza en el abatimiento de
objetivos de alto valor militar por su alta capacidad destructiva. (FAC, 2017).
Programa de Instrucción y Entrenamiento (PIE): es el compendio doctrinario en el
cual se basan los instructores de vuelo para impartir la instrucción a los pilotos que van a operar
una aeronave en especial. Este manual contiene descrito de manera detallada cada una de las
misiones que deben volarse, los márgenes de desviación para cada maniobra, las formas de
calificación y los parámetros de la instrucción. (FAC, 2017).
Súper Tucano A-29B: aeronave de fabricación brasilera bajo la empresa Embraer, es
de tipo monomotor, turbohélice, para el ataque ligero, contrainsurgencia y entrenamiento
avanzado de pilotos. Es utilizado por la Fuerza Aérea Colombiana para el cumplimiento de las
misiones constitucionales de aplicación de la fuerza en la entrega de armas. (EMBRAER,
2003).
90
Referencias Bibliográficas
Barinas, J. (2016). Estimación y expresión de las incertidumbres en medidas experimentales.
Recuperado 12 diciembre, 2017, de http://bdigital.unal.edu.co/56648/7/jaimeorlando
barinasolaya.2016.pdf
Builes, I., Velázquez, C., Araque, L., Ospina, D., Osorio, M., Montoya, D., & Caicedo, E.
(2015). Posible relación entre la inteligencia emocional y el comportamiento
prosocial. Recuperado 1 diciembre, 2017, de http://bibliotecadigital.usb.edu.co:8080/
Posible_Relacion_Inteligencia_Builes_2015.pdf
Butterworth-Heinemann, E. (2004). The Blame Machine: Why Human Error Causes
Accidents. Recuperado 13 diciembre, 2017, de https://books.google.com.co/books
?id=SaSwqPqTkycC&printsec=frontcover&hl=es&source=gbs_ViewAPI&redir_esc
=y#v=onepage&q&f=false
Cacciabu, P. PhD. (2004). Guide to Applying Human Factors Methods - Human Error and
Accident Management in Safety-Critical Systems. doi:10.1007/978-1-4471-3812-9

91
Carnap, R. (1992). Autobiografía Intelectual. Barcelona, España: Paidos.
Díaz, J. y Correa, J. (2013). Comparación entre arboles de regresión CART y regresión
lineal. Recuperado 9 diciembre, 2017, de: http://revistas.usantotomas.edu.co/
index.php/estadistica/article/viewFile/1101/1336
Dismukes, R., Berman, B., & Loukopoulos, L. (2007). The Limits of Expertise: Rethinking
Pilot Error and the Causes of Airline Accidents. Farnham, Reino Unido: Ashgate
Publishing.
Federal Aviation Administration. (2018). Generic Error Modeling System (GEMS).
Recuperado 8 noviembre, 2018, de http://www.hf.faa.gov/workbenchtools/
default.aspx?rPage=Tooldetails&subCatId=41&toolID=82
Fotta, M., Byrne, M., y Luther, M. (2005). Developing a human error modeling architecture
(HEMA). In Proceedings of Human-Computer International. Recuperado 12
diciembre, 2017, de http://chil.rice.edu/research/pdf/FottaByrneL_05.pdf
Freund, J. (1962). Mathematical Statistics. Nueva Jersey, Estados Unidos: Prentice Hall.
92
Fuerza Aérea Colombiana. (2010). Manual de Gestión de la Seguridad Operacional para la
Fuerza Aérea Colombiana. Primera Edición. Recuperado 21 diciembre, 2017, de
https://avafp.blackboard.com
Hernandez, R., Fernandez, C., & Baptista, M. (2014). Metodología de la Investigación. (6ª
ed.). Ciudad de México, México: Mc Graw Hill.
Hollnagel, E. (1998). Cognitive Reliability and Error Analysis Method. Recuperado 7
septiembre, 2017, de https://www.elsevier.com/books/cognitive-reliability-and-error-
analysis-method-cream/hollnagel/978-0-08-042848-2.
ICAO International Civil Aviation Organization (2011). Flight Safety and Human Factors
Programme. Recuperado 7 septiembre, 2017, de http://www.icao.int/anb
/humanfactors/index.html
Li, W., & Harris, D. (2008). The Evaluation of the Effect of a Short Aeronautical Decision-
Making Training Program for Military Pilots. The International Journal of Aviation
Psychology, 18(2), 135-150. doi:10.1080/10508410801926715
López, P., & Fachelli, S. (2015). Preparación de los datos para el análisis. Universitat
Autònoma de Barcelona (Ed.), Metodología de la Investigación Social Cuantitativa.
(p. 6). Barcelona, España: Universitat Autònoma de Barcelona.

93
Matessa, M., Vera, A., John, V., Remington, R., & Freed, M. (2005, 25 octubre). Reusable
Templates in Human Performance Modeling. Recuperado 8 diciembre, 2017, de
https://hsi.arc.nasa.gov/publications/20051025120406_matessa_reusable_templates.p
df
Moreno, R. (2012). Propuesta didáctica para la enseñanza de la estadística en los modelos de
regresión lineal simple bajo un enfoque constructivista. Recuperado 4 noviembre,
2017, de http://www.bdigital.unal.edu.co/5843/1/32561357.2012.pdf
Ministerio de Educación Nacional. (2016). Evaluación. Recuperado 12 noviembre, 2017, de
http://www.mineducacion.gov.co/1759/w3-article-179264.html
Ministerio de Salud. (1993, 4 octubre). Resolución No. 008430 de 1993. Recuperado 8
noviembre, 2017, de https://www.minsalud.gov.co/sites/rid/Lists/Biblioteca
Digital/RIDE/DE/DIJ/RESOLUCION-8430-DE-1993.PDF
Muñoz, J., Quintero, J., & Munévar, R. (2005). Cómo desarrollar competencias
investigativas en educación. (3ª ed.). Bogota, Colombia: Cooperativa Editorial
Magisterios.
Norman, D. (1986). Cognitive Engineering. User Centered System Design:
New Perspectives on Computer Interaction. Recuperado 21 septiembre, 2017, de
https://pdfs.semanticscholar.org/57f1/76992f92ae559d9c110211d7f04c5143cb44.pdf
94
Ramírez, L., Arcila, A., Buriticá, L., & Castrillón, J. (2004). Paradigmas y Modelos de
Investigación Guía didáctica y módulo. Recuperado 9 julio, 2017, de
http://virtual.funlam.edu.co/repositorio/sites/default/files/repositorioarchivos/2011/02/
0008paradigmasymodelos.771.pdf
Reason, J. (1990). Human Error. John Wiley & Sons.Volumen 4, 273-294. doi:
10.1002/acp.2350040405.
Rouse, W., Cannon-Bowers, J., & Salas, E. (1992). The Role of Mental Models in Team
Performance in Complex Systems. IEEE Transactions on Systems, Man, and
Cybernetics., 22(6), 1296-1308. doi:10.1109/21.199457
Shappell, S., & Wiegmann, D. (1997). A human error approach to accident investigation:
The taxonomy of unsafe operations. The International Journal of Aviation
Psychology, 7, 269-291.
Tamayo, I. (2018). Universidad de Granada. ANOVA. Recuperado 29 julio, 2017, de
http://www.ugr.es/~imartin/TEMA5_ANOVA.pdf
Terrádez, M., y Angel, J. (2018). Análisis de la Varianza (ANOVA). Recuperado 20 julio,
2017, de https://www.uoc.edu/in3/emath/docs/ANOVA.pdf
95
Torres C. (2001). Comparación de tres métodos de regresión lineal usando procedimientos de
simulación. Revista Colombiana de Estadística, 24 (1), 33-43.
Wilber, K. (2008). El paradigma holográfico. Una exploración en las fronteras de la ciencia.
(7ª ed.). Barcelona, España: Editorial Kairós.
Box, G., Hunter, J., & Hunter, W. (2008). Statistics for Experimenters-Design, Innovation and
Discovery. (2ª ed.). Nueva Jersey, Estados Unidos: Wiley.
ESPACIO INTENCIONALMENTE EN BLANCO

96
Anexos
Anexo 1. Licencia Minitab 18.
Figura 17. Licencia Minitab 18.

97
Anexo 2. Promesa de Reserva Colectiva.

98
Figura 18. Promesa de Reserva Colectiva.

Anexo 3. Validación Instrumento.
99
Figura 19. Validación Instrumento. Gustavo Ulloa Monzón. Master en Tecnologías para la
Defensa, Universidad Politécnica de Madrid.

Tesis C

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tesis C

Uploaded by

Copyright:

Available Formats

1VI

Capítulo I. Planteamiento del problema.................................................................................. 13

1.1 Problema de investigación ....................................................................................... 13

1.2 Formulación del problema ....................................................................................... 15

1.3 Objetivos .................................................................................................................. 15

1.3.1 General. ............................................................................................................. 15

1.3.2 Específicos .............................................................................................................. 15

1.4 Justificación .............................................................................................................. 16

Capítulo II. Marco Referencial ............................................................................................... 19

2.1. Antecedentes ............................................................................................................ 19

2.2. Bases legales ............................................................................................................ 28

2.3. Bases conceptuales ................................................................................................... 29

Capítulo III. Marco Metodológico .......................................................................................... 39

3.1. Enfoque de investigación ......................................................................................... 39

3.2. Alcance de la investigación ...................................................................................... 40

3.3. Diseño de investigación ........................................................................................... 41

3.4. Población y muestra ................................................................................................. 42

3.5. Instrumentos de recolección de datos....................................................................... 45

Capítulo IV. Presentación y Análisis de Resultados ............................................................... 47

4.1. Resultados y Discusión ............................................................................................ 47

4.1.1 Normalidad de los datos. ........................................................................................ 48

4.1.2 Parámetros predictivos ........................................................................................... 49

4.1.3 Comparativa detección de emergencias. ................................................................ 51

4.1.4 Diferencia mínima significativa. ............................................................................ 53

4.1.5 Intervalos de confianza. .......................................................................................... 56

4.1.6 Contraste Emergencias Versus Pilotos. .................................................................. 57

4.1.7 Comparativa puntajes de detección de emergencias versus emergencias. ............. 58

4.1.8 Tiempo de detección de emergencias versus grupos de pilotos. ............................ 60

4.1.9 Modelo predictivo: regresión lineal de primer orden ............................................. 62

4.3. Entregables ............................................................................................................... 71

4.4. Respuesta a la pregunta problema ............................................................................ 71

Referencias Bibliográficas ...................................................................................................... 90

Figura 1. Calculo del tamaño de la muestra. ........................................................................... 44

Figura 2. Parámetros de Calificación. ..................................................................................... 48

Figura 3. Análisis normalidad. ................................................................................................ 49

Figura 4. Comparativa detección de emergencias vs. Horas de vuelo. ................................... 52

Figura 5. Grupos de información. ........................................................................................... 53

Figura 6. Medias individuales. ................................................................................................ 54

Figura 7. Desviación estándar individual................................................................................ 55

Figura 8. Desviación estándar por grupos de horas de vuelo. ................................................ 56

Figura 9. Emergencias Vs. Piloto ........................................................................................... 57

Figura 10. Comparativa puntajes de detección de emergencias versus emergencias. ............ 58

Figura 11. Detección de emergencias versus emergencias. .................................................... 59

Figura 12. Tiempo de detección de emergencias versus grupos de pilotos. ........................... 60

Figura 13. Datos detección de emergencias versus grupos de pilotos. ................................... 61

Figura 14. Modelo predictivo por emergencia y tiempo de vuelo. ......................................... 64

Figura 15. Guía de observación. ............................................................................................. 69

Figura 16. Datos modelo de regresión lineal. ......................................................................... 81

Figura 17. Licencia Minitab 18. .............................................................................................. 96

Figura 18. Promesa de Reserva Colectiva. ............................................................................. 98

Figura 19. Validación Instrumento. ........................................................................................ 99

del Comando Aéreo de Combate No.2 basado en el modelo HEMA en situaciones de

emergencia haciendo énfasis en la necesidad de verificar la relación entre variables

habilidad, criterio y capacidad.

El estudio responde a la necesidad de corroborar la posibilidad de moldear el

comportamiento humano, apoyándose en el modelo HEMA, que permite corroborar si las

pilotos disponibles en el CACOM-2 mediante la practica simulada en el equipo diseñado

para tal fin.

De esta manera pudo determinarse que las variables dependientes e independientes

estaban relacionadas y de esta manera se determinó la posibilidad matemática de modelar los

hipótesis nula y la demostración estadística de la hipótesis alternativa.

Concluyendo en este estudio que el ser humano, específicamente los pilotos de

combate de A-29B poseen un patrón de conducta predecible, lo que otorga la capacidad de