Este trabajo propone la generación automática de explicaciones a partir de modelos probabilistas. Cuando se analizan las explicaciones de un experto, se observa que las explicaciones se concentran en la variable más relevante , es decir, la variable que en el estado actual del sistema tiene la influencia más alta sobre la acción óptima. Así, para generar la explicación, el primer paso es obtener la variable relevante; y en una segunda fase, construir la explicación. En la primera fase se propone un mecanismo para la selección de una variable relevante en un proceso de decisión de Markov factorizado basado en la evaluación del impacto de la variable en la utilidad y la evaluación del impacto en la acción óptima. En una segunda fase, se propone un mecanismo para generación de explicaciones que combina información del MDP, la variable relevante y una base de conocimiento del dominio. El mecanismo de explicaciones fue evaluado al incorporarlo a un asistente inteligente para entrenamiento de operadores.