TAREA 6

El maestrando investigará y plasmará un resumen con ejemplos de

las siguientes 6 técnicas analíticas que se usan en la gestión de
proyectos.
MAESTRANDO Daniela Bustos Hernández.

NO. DE
MGIRPCM22007.
CONTROL

CUATRIMESTRE 1°

MAESTRÍA Gestión integral de riesgos y protección civil.

FACILITADOR Mtro. Magín Odiseo Gómez Díaz.

MATERIA Planeación estratégica y gestión de proyectos.

Tarea 6 - Técnicas analíticas que se usan en la gestión

TAREA
de proyectos
LUGAR Y
H. Veracruz, Ver. a 06 de octubre del 2022.
FECHA

Página 1 de 28
 TÉCNICAS ANALÍTICAS QUE SE USAN EN LA GESTIÓN DE
PROYECTOS

En la dirección de proyectos las técnicas analíticas se emplean para

pronosticar resultados potenciales sobre la base de posibles variaciones
en las variables del proyecto o ambientales y sus relaciones con otras
variables. A continuación, se citan 6 ejemplos de técnicas analíticas
utilizadas en los proyectos:

1. Análisis de regresión
Una técnica analítica en la que una serie de variables de entrada
se examinan en relación a sus correspondientes resultados de
salida a fin de desarrollar una relación matemática o estadística.

Gracias a los procesos de regresión, es posible entender el modo

en que la variable dependiente es afectada por cambios en los
demás factores.

Aplicaciones del análisis de regresión

Una de las principales aplicaciones del análisis de regresión es la

proyección con diferentes escenarios. Esto, teniendo en cuenta el
grado de influencia (en estadística se conoce a esto como
correlación) sobre la variable dependiente.

Página 2 de 28
Es decir, el objetivo del análisis es construir una función que
permita estimar el valor futuro de la variable de estudio.

Desde otro punto de vista, la regresión permite calcular una

esperanza (promedio) condicional. Para ese fin, se toman como
dados los valores de las variables independientes.

Cabe precisar que cuando se tiene en cuenta solo una variable

independiente hablamos de regresión lineal simple. En cambio, si
se incluyen más factores, se trataría de una regresión lineal
múltiple.

El análisis de regresión tiene aplicaciones para la vida cotidiana.

Esto, desde el estudio de accidentes de tráfico en una determinada
zona geográfica hasta comprobar si un plan de estudios es
recomendable según la tasa de abandono escolar, por ejemplo.

Crítica al análisis de regresión

Una crítica común a este tipo de modelo de predicción matemática

es que no es óptimo, pues suele confundir correlación con
causalidad.

Lo anterior quiere decir que se puede establecer, por ejemplo, una

relación matemática entre el crecimiento económico y la
frecuencia de lluvias en un país. Sin embargo, si no hay un
fundamento teórico que vincule esas variables, el estudio carece
de relevancia porque se trata de una relación espuria.

Página 3 de 28
Un punto esencial para trabajar con un análisis de regresión: las
variables.

Para aplicar un análisis de este tipo, usaremos obligatoriamente

dos tipos de variables.

• Variables dependientes: son aquellas que buscamos

estudiar mediante la regresión estadística para
comprender cómo se adapta al modificar las variables
independientes.
• Variables independientes: son los factores que
consideramos que influyen y que afectan
directamente a las variables dependientes que están
bajo estudio.

¿Qué tipos de análisis de regresión existen?

Podemos realizar 3 modelos de análisis distintos en función del

número de variables y la forma de interactuar entre ellas:

• Modelo de regresión lineal simple

• Modelo de regresión lineal múltiple
• Modelo de regresión no lineal

Dependerá del número de variables que necesitemos incluir

elegir entre un modelo u otro.

Modelo de regresión lineal simple

El análisis de regresión lineal simple es el más utilizado y el más

sencillo de todos. Se trata de estudiar el efecto de una variable

Página 4 de 28
independiente sobre una única variable dependiente de la
primera —o que al menos a nivel teórico hemos considerado que
es dependiente—. Empleando esta ecuación de regresión lineal
simple se puede realizar una estimación basándose en los datos
obtenidos.

Fórmula de la regresión lineal simple

y = B0 + B1 x + ε

Donde B0 es el valor de la variable independiente, B1 es la

variable dependiente y ε representa el residuo o error. La función
de ε es explicar la posible variabilidad de los datos que no pueden
explicarse a través de la relación lineal de la fórmula.

Modelo de regresión lineal múltiple

En el caso de la regresión lineal múltiple nos encontramos con un

modelo que sencillamente cuenta con más de una variable
independiente. Este modelo lo aplicaremos cuando tengamos
razones para creer que hay más de un factor que afecta a la
variable de estudio.

Fórmula de la regresión lineal múltiple

Y = 0 + B1*X1 + B2*X2 + … + Bn*Xn + ε

Página 5 de 28
Nuevamente, Y representa la variable dependiente que se está
estudiando y B1, B2, Bn son todas las variables independientes
que pueden afectar al valor de la variable dependiente Y. De igual
modo ε sigue representando el posible error existente.

Modelo de regresión no lineal

Hay ocasiones en las que la relación que puede darse entre
variables independientes y la variable dependiente no tenga un
desarrollo lineal, sino que tengan, por ejemplo, un crecimiento
exponencial. En esos casos, el modelo de regresión no lineal entra
en juego y permite que obtengamos una aproximación de los
valores de la variable dependiente en un entorno no lineal.
Tengamos presente que el proceso de una regresión no lineal es
más complejo, ya que puede no coincidir el número de parámetros
con el de las variables independientes.

3 fórmulas de regresión no lineales

En muchos casos es posible modificar un modelo no lineal para
convertirlo en un modelo lineal. Por ejemplo, aplicando logaritmos
a su fórmula inicial.

Regresión exponencial

y = a.bx
Esta fórmula puede transformarse en una lineal mediante el uso
de logaritmos. Quedando de la siguiente manera la fórmula.

Página 6 de 28
 log y = log(a.bx) = log a + x log b.

Regresión potencial
y = a. xb
Si volvemos a aplicar logaritmos, transformamos en un modelo
lineal la fórmula inicial.

log y = log a + b log x

Regresión parabólica
y* = a0+a1x+a2 x2
Para resolver esta ecuación es necesario buscar los valores a0, a1,
a2 que minimicen la fórmula: ψ(a0,a1,a2)=Σ(Yi- (a0+a1x+a2 x2))2
El siguiente paso a realizar es igualar las derivadas parciales a
cero, para así obtener ecuaciones lineales que puedan ser
resueltas. El resultado final será:

Ejemplo 1 de análisis de regresión

Un ejemplo muy simple del análisis de regresión. Supongamos

que una empresa quiere calcular la demanda por una
determinada mercancía.

Página 7 de 28
Como variable independiente, tomaremos el precio del producto.
Entonces, la compañía, en base a sus datos históricos, construye
una ecuación como la siguiente:

Así, el análisis de regresión tiene como objetivo hallar los valores

de a (coeficiente de correlación lineal) y b.

Ejemplo 2 de análisis de regresión

El dueño de una empresa que vende carros desea determinar si

hay relación lineal entre los años de experiencia de sus
vendedores y la cantidad de carros que venden. Los siguientes
datos representan los años de experiencia (X) y las unidades de
carros vendidas al año (Y), de 10 vendedores de la empresa.

Primero hacemos un plot considerando los años de experiencia en

el eje horizontal y las ventas en el eje vertical.

Página 8 de 28
2. Métodos de agrupación

Cuando se dispone de un grupo de objetos y se está interesado en

analizar la similitud existente entre ellos, existen dos acercamientos
al problema. Uno de ellos consiste en considerar cada objeto como un
grupo aislado con identidad propia e ir incrementando su tamaño
hasta obtener un único grupo formado por el total de todos los
objetos. Este procedimiento es el denominado aglomerativo. El
grupo aumenta de tamaño y, simultáneamente, decrece la similitud
entre los objetos. Existe otro acercamiento al problema y es
justamente el inverso, considerar que inicialmente todos los objetos
forman un grupo. Este grupo inicial se va dividiendo a medida que
se exige mayor similitud entre los objetos para que constituyan
subgrupos. Este procedimiento se denomina divisivo.

Página 9 de 28
La clasificación más habitual entre los métodos de análisis de
agrupaciones consiste en hablar de métodos jerárquicos y métodos
no jerárquicos.

✓ métodos jerárquicos
En estos métodos se unen los objetos o grupos de
objetos que están más próximos en el espacio m-
dimensional hasta formar un solo grupo. Son muchos
los algoritmos jerárquicos [Kaufman 1990, Bratchell
1989, Ward 1963] que permiten alcanzar este
objetivo, y se diferencian en el criterio utilizado para
decidir cuáles deben ser las uniones y la magnitud
considerada para evaluar la similitud.

✓ métodos no jerárquicos.
En los que el número de grupos se determina de
antemano y las observaciones se van asignando a los
grupos en función de su cercanía. Existen los métodos
de k-mean y k-medoid.

Página 10 de 28
Ejemplo de método de agrupación.

Ejemplos reales de uso de algoritmos de agrupación

El algoritmo de agrupación ha sido revolucionario en el mundo de

la ciencia de los datos. Numerosos campos lo están utilizando y
obteniendo excelentes resultados. Los siguientes son algunos
ejemplos del mundo real que muestran la utilidad de este
algoritmo.

Reconociendo las noticias falsas

Las noticias falsas no son nada nuevo pero son más frecuentes
comparadas con las de hace una década. Las innovaciones

Página 11 de 28
 tecnológicas son las principales responsables de la creación y
distribución de historias inauténticas en varias plataformas en
línea. Dos estudiantes de la Universidad de California usaron
algoritmos de agrupación para reconocer las noticias falsas.

El algoritmo obtuvo el contenido de varios artículos de noticias y

examinó sus palabras. Los clusters ayudan al algoritmo a
identificar las piezas genuinas y no genuinas. Los estudiantes de
informática aprendieron que los artículos con “clics” utilizaban un
vocabulario sensacionalista. Indicaba que la mayoría de los
artículos que usaban sensacionalismo no eran auténticos.

3. Modelos de ecuación múltiples

Un Modelo de Ecuaciones Simultáneas (M.E.S.) es un conjunto de

ecuaciones de regresión donde existe influencia simultánea entre
variables y ecuaciones.

TIPO DE VARIABLES

✓ Endógenas: influyen en el modelo y se ven influenciadas por

él. El total de variables endógenas coincide con el total de
✓ ecuaciones.
✓ Exógenas: influyen en el modelo, pero no se ven
influenciadas por él.
✓ Ruido blanco: variables de error

Página 12 de 28
Ejemplo de modelos de ecuación múltiple

El esquema de un modelo con N ecuaciones, N variables

endógenas y K variables exógenas en forma matricial es:

Página 13 de 28
Página 14 de 28
Página 15 de 28
4. Modelo de fallos y análisis de efectos.

Un procedimiento analítico mediante el cual se analiza cada modo

de fallo potencial en cada uno de los componentes de un producto,
para determinar sus efectos sobre la fiabilidad de dicho
componente y por sí mismo o en combinación con otros modos de
fallo posible, sobre la confiabilidad del producto o sistema y sobre
la función requerida del componente; o el examen de un producto
(al nivel del sistema o en niveles inferiores) para detectar todas
las formas en que se puede producir un fallo. Para cada fallo
potencial, se realiza una estimación de sus efectos sobre el
sistema en su totalidad y de su impacto. Adicionalmente, se
realiza una revisión de las acciones planificadas para minimizar
la probabilidad de los fallos y para minimizar sus efectos.

Página 16 de 28
Principales tipos de FMEA

Existen diversos tipos de FMEA, pero todos tienen el mismo

objetivo y sólo se diferencian en la forma de clasificar los riesgos
y los nombres de los elementos. Los tipos más comunes de FMEA
son:

FMEA de Diseño (DFMEA – Design failure mode and effect analysis)

También conocido como FMEA de Producto, el DFMEA se centra

específicamente en el diseño de productos. Aborda la prevención
de problemas relacionados con el diseño del producto antes de
lanzarlo a la producción, como la posibilidad de que el producto
presente mal funcionamiento, reducción de la vida útil, seguridad
y cuestiones normativas.

FMEA de Proceso (PFMEA – Process of Failure Mode and Effects Analysis)

El PFMEA tiene como objetivo identificar posibles fallas en las

etapas de planificación, ejecución o cambios de procesos. Puede
tratarse de fabricación, montaje, transacciones o servicios.

En un PFMEA, el equipo se centrará en los modos de falla y en

las causas que puedan derivarse de la producción o del servicio en
sí, no del diseño del producto.

Página 17 de 28
Además de los dos tipos mencionados, también existen los FMEA
de Sistema, Servicio y Software.

Cómo implementar el FMEA

Ahora que sabe un poco más sobre lo que es el FMEA y sus

principales tipos, vea a continuación los primeros pasos antes de
comenzar su implementación:

• Entienda las necesidades de su cliente

• Defina el alcance del FMEA (diseño, proceso u otro)
• Defina un equipo de trabajo multidisciplinar e indique las
áreas relacionadas
• Defina el formato de su formulario de FMEA

Una vez completados los pasos mencionados anteriormente,

podemos pasar a los pasos que le ayudarán a implementar el
método. Identifique:

1. Modo de falla

Página 18 de 28
Reúna al equipo y realice un brainstorming sobre las posibles
fallas que pueden surgir y afectar al proceso, producto, servicio y
probablemente al cliente.

2. Efecto potencial de la falla

El efecto es la consecuencia de la falla en cuestión. Se puede

identificar más de un efecto para cada falla.

3. Severidad (S)

Es el grado de severidad del efecto de la falla. Por lo general, se

considera una escala de 1 a 10, en la que 10 sería la consecuencia
de la falla extremadamente grave/alta y 1 sería
insignificante/baja.

4. Causas de la falla

Determine todas las posibles causas de cada modo de falla.

5. Probabilidad de ocurrencia (O)

Se trata de la probabilidad de que se produzca un efecto

determinado y se produzca una falla. La ocurrencia puede ser
evaluada en una escala de 1 a 10, donde 1 es la probabilidad
extremadamente baja y 10 es muy alta.

Página 19 de 28
6. Controles de proceso

Se trata de los controles actuales empleados con la característica

de prevención y los empleados para la detección de fallas. Pueden
ser pruebas, procedimientos o mecanismos para evitar que las
fallas lleguen al cliente. Estos controles pueden evitar que se
produzca la causa o reducir su probabilidad. También pueden
detectar fallas cuando ya se ha producido la causa, pero antes de
que el cliente se vea afectado.

7. Detección (D)

Se trata de una estimación de la probabilidad de detectar la falla

con los controles actuales del proceso. Se puede calificar con una
escala de 1 a 10, donde 1 es extremadamente probable que el
control detecte la falla y 10 es improbable/imposible que se detecte
la falla (por ejemplo, si no existe ningún control).

8. Número de Prioridad de Riesgo (NPR)

La prioridad del riesgo se calcula multiplicando la severidad, la

ocurrencia y la detección (S x O x D).

Este valor ayuda a clasificar y priorizar las fallas detectadas, es

decir, en qué orden deben resolverse y si requieren una acción
inmediata.

Página 20 de 28
 Ejemplo de FMEA

A continuación se detalla paso a paso cómo realizar un FMEA, se

trata de un ejemplo sencillo y didáctico para facilitar la
comprensión.

1. Consideremos el proceso de prueba de un coche terminado en un

fabricante de automóviles.
2. En este ejemplo de FMEA, definimos dos modos de falla:

• El coche no frena
• El coche no arranca

Página 21 de 28
3. Entonces nos preguntamos: “Si se produce esta falla, ¿qué podría
suceder?” Tenemos como efecto de las fallas:

• Accidente
• El consumidor no podría llegar a su destino

4. Como el accidente es el peor de los casos, clasificamos el valor de

la severidad como 10 y para el segundo efecto, no tan grave, lo
clasificamos como 7.
5. “¿Qué puede causar estas fallas?”. Citamos dos causas probables
para cada modo de falla:

• El sistema de frenos no funciona o las ruedas patinan en la

prueba.
• Problema de batería o falta de combustible.

6. Al tratarse de un coche nuevo, recién salido del fabricante,

consideramos:

• Probabilidad de ocurrencia 2 (baja) de que el problema esté en las

ruedas y 7 (alta) para la probabilidad de que el problema esté en
el sistema de frenos.
• Probabilidad de ocurrencia 5 (moderada) de que el problema esté
en las ruedas y 8 (alta) para la falta de combustible.

7. Como se ha mencionado anteriormente, los controles de los

procesos pueden prevenir la causa o detectarla después de que se
haya producido. En este caso, las indicaciones que tenemos para
los problemas son:

Página 22 de 28
• En el sistema de frenos serían los ruidos. Las pastillas de freno
emiten varios tipos de ruido y cada uno de ellos representa una
falla diferente. Entre ellos tenemos: squeal de alta y baja
frecuencia, judder, groan, moan, rattle, clack, chirp y creak. En
otras palabras, lo ideal es que un sistema de frenos que funcione
a pleno rendimiento no presente ruidos.
• Otro control sería el indicador de desgaste de la banda de
rodadura – TWI (Tread Wear Indicator), en el que se mide el
grosor y la profundidad de los surcos del neumático.

• El panel del coche funciona como un control para detectar tanto

el problema de la batería como la falta de combustible.

8. Cuanto más bajo sea el valor de detección, mayor será la

probabilidad de detección. Así que lo calificamos:

• El ruido de los frenos como 2 porque es muy probable que se

escuche y 3 por el indicador de desgaste de las ruedas.
• El problema de la batería como 5 y la falta de combustible como
3.

9. Por último, calculamos el NPR. Cuanto mayor sea el valor del

NPR, mayor será la prioridad de ese punto en el plan de acciones
preventivas. En este ejemplo, la cifra más alta correspondió al
primer modo de falla (el coche no frena), lo que significa que
comprobarlo debería ser la prioridad de mejora del fabricante de
automóviles.

Página 23 de 28
Tras finalizar el FMEA, ¿qué hacer con los resultados?

Este último paso es el más importante, si no se realiza

correctamente, todos los pasos anteriores serán irrelevantes para
su producto o proceso.

Una vez finalizado el método, utilizamos los resultados para:

• mitigar las fallas de alto riesgo

• reducir la gravedad de las consecuencias y la probabilidad
de que se produzcan
• insertar controles para aumentar la detección de fallas
• crear planes de acción con fechas y responsables por
implementar cada mejora
• volver a evaluar para asegurarse de que se han cumplido
los objetivos

Los resultados del FMEA aumentan la confianza en el servicio

prestado y garantizan una mayor satisfacción a los clientes,
usuarios y consumidores finales.

Página 24 de 28
5. Análisis de reserva

Una técnica analítica para determinar las características y

relaciones esenciales de los componentes del plan de gestión para
establecer una reserva para la duración del cronograma,
presupuesto, costo estimado o fondos para un proyect.

Esta técnica analítica se usa para evaluar la cantidad de riesgo

del proyecto y la cantidad de reserva de cronograma y de
presupuesto para determinar si la reserva es suficiente para el
riesgo restante. La reserva contribuye a reducir el riesgo a un
nivel aceptable.

Método utilizado para evaluar la cantidad de riesgo del proyecto

y la cantidad de reserva de cronograma y de presupuesto para
determinar si la reserva es suficiente para el riesgo restante.

Ejemplo de análisis de reserva.

Para una actividad del proyecto se determinan 10 horas de

trabajo de un programador junior, a un coste de 20 € la hora, se
traducirá en el presupuesto en 200 €. Pero al hacer la estimación,
el analista prevé hasta 2 horas más por error de estimación,
porque hay una parte en la actividad que no la acaba de tener
clara del todo. Esto sumaría 40 € a las reservas de contingencia.
Hay que tener claro que en este caso lo ideal sería revisar los
requisitos para ver qué es lo que no se tiene claro, pero no siempre
estamos en el mundo ideal.

Página 25 de 28
6. Análisis de tendencias.

El análisis de tendencia es una técnica estadística que permite

estudiar una o más variables en un período de tiempo aportando
información para la toma de decisiones en la empresa.

Es muy demandado para observar la evolución de variables

empresariales como las ventas o los costes. Así, las empresas
necesitan conocer esta información para sobrevivir en mercados
globales. En definitiva, su objetivo es ayudarnos a saber hacia
dónde vamos.

Consideraciones para hacer un análisis de tendencia

A la hora de llevarlo a cabo hay que tener en cuenta una serie de

factores. Pero, sobre todo, debemos conocer bien la empresa y el
mercado de interés.

1. En primer lugar, si vamos a estudiar al consumidor, hay que

saber todo lo posible sobre él. Necesitamos entender sus
preferencias y sus prioridades. De esta forma, una manera de
llegar a esta información son las encuestas periódicas o los
paneles e internet puede ser de gran ayuda.

Página 26 de 28
 2. Por otro lado, debemos conocer el mercado. Los competidores,
las tendencias en precios o en otros factores que afectan al
producto. En definitiva, es relevante saber dónde nos
movemos. Una vez más, internet es una gran ayuda para
buscar información y datos.

3. Quizá uno de los análisis de tendencia más importantes sea el

de costos. Por tanto, hay que tener claro cómo evolucionan los
costos variables y cómo podrán afectar a nuestro precio. Eso sí,
esta información es menos relevante si escogemos
una estrategia de diferenciación.

Razones para realizar un análisis de tendencia

• El mercado. Por supuesto, aunque el centro de una empresa es el

cliente, este se mueve y realiza sus compras en un mercado. Por
tanto, conocerlo es primordial.
• Los consumidores y clientes. No solo debemos obtener
información de nuestros propios clientes, sino también del
consumidor en general. Este puede ser un cliente potencial y, por
tanto, uno de nuestros objetivos empresariales.
• Los costos. Como hemos mencionado más arriba, esta es una
variable de interés y supone la diferencia entre sobrevivir o, en
un momento dado, tener que cerrar.
• Las variables macroeconómicas. Las empresas no solo realizan
análisis internos, sino también externos. La razón es que están
inmersas en economías globales que les acaban afectando. Por

Página 27 de 28
 tanto, las tendencias de macromagnitudes como el PIB o
el desempleo son importantes.

Ejemplo de análisis de tendencia

Imaginemos una empresa que analiza la evolución de sus ventas

mensuales. Observemos el gráfico y lo comentamos.

La curva de ventas mensuales tiene picos altos en agosto y

diciembre y ventas algo menores en marzo y octubre. Por otro
lado, el análisis de tendencia muestra una línea creciente.
Además, el coeficiente de determinación (R cuadrado) indica que
la predicción es bastante fiable al ser próximo a uno.

Página 28 de 28