Resumen de Gestión de Calidad y Riesgos

## Introducción Las **técnicas y herramientas** presentadas en este material son métodos prácticos para estimar, analizar y tomar decisiones cuando existe incertidumbre en proyectos o procesos. Se presentan técnicas cuantitativas (estadísticas) y cualitativas (juicio experto) que complementan estimaciones simples y ayudan a gestionar variaciones y riesgos con mayor precisión. > Definición: Las técnicas estadísticas y de consulta son métodos sistemáticos para cuantificar incertidumbre y reunir juicio experto cuando los datos son limitados. ## 1. Técnicas Estadísticas y Cuantitativas Estas técnicas se usan cuando las estimaciones cualitativas (Alto, Medio, Bajo) no alcanzan y se requieren cifras numéricas precisas para decisiones financieras o logísticas. ### Simulación de Montecarlo - Idea principal: en vez de asignar un solo valor a una variable incierta, se define una **distribución de probabilidad** (mínimo, más probable, máximo) y se generan miles de escenarios aleatorios. - Proceso resumido: 1. Definir variables inciertas y sus distribuciones (por ejemplo, tiempo de tarea $T$ con $T_{min}$, $T_{mode}$, $T_{max}$). 2. Construir el modelo determinista que relaciona variables con el resultado (costo, tiempo, beneficio). 3. Ejecutar muchas iteraciones (simulaciones) muestreando aleatoriamente cada variable. 4. Analizar la distribución del resultado (percentiles, media, probabilidad de exceder umbrales). > Definición: Simulación de Montecarlo es una técnica que usa muestreo aleatorio repetido para estimar la distribución de resultados de un modelo bajo incertidumbre. Ejemplo práctico: - Un proyecto de construcción estima costos variables: materiales, mano de obra y equipo. Se modela el costo total $C$ como función de esas variables y se corre Montecarlo 10.000 veces. Resultado: "Hay 85% de probabilidad de que el proyecto termine dentro del presupuesto". Aplicaciones reales: - Evaluación de proyectos de inversión, planificación financiera, calibración de presupuestos y programas con múltiples incertidumbres. ### Análisis de Sensibilidad (Gráficos de Tornado) - Idea principal: cuantificar cuánto cambia el resultado cuando se varía una sola variable a la vez, manteniendo las demás constantes. - Visualización: el gráfico toma forma de tornado porque las variables con mayor impacto aparecen con barras más largas en la parte superior. > Definición: El análisis de sensibilidad mide la influencia individual de cada variable sobre el resultado del modelo al variar una variable por vez. Ejemplo práctico: - Si el beneficio esperado $B$ depende del precio $p$ y del volumen $v$, se evalúa cuánto cambia $B$ al modificar $p$ dentro de su rango y luego cuánto cambia al modificar $v$. La variable que genera la mayor barra en el tornado es la más crítica. Cuándo usarlo: - Para priorizar variables que merecen mejor estimación o control, decidir en qué parámetros invertir tiempo de investigación o mitigación. ## Tabla comparativa: Montecarlo vs Análisis de Sensibilidad | Característica | Simulación de Montecarlo | Análisis de Sensibilidad (Tornado) | |---|---:|---:| | Propósito | Estimar distribución completa de resultados | Identificar variables con mayor impacto individual | | Entrada | Distribuciones para varias variables | Rangos o desviaciones para una variable a la vez | | Salida | Curvas de probabilidad, percentiles | Barras ordenadas según impacto (Tornado) | | Complejidad | Alta (requiere simulaciones y cómputo) | Baja a media (análisis local) | | Mejor cuando | Muchas incertidumbres interrelacionadas | Necesitas priorizar variables para análisis posterior | Did you know que la técnica de Montecarlo fue ampliamente desarrollada durante la Segunda Guerra Mundial para problemas de física y que su nombre proviene de la ciudad de Montecarlo, famosa por sus casinos y el azar? ## 2. Técnicas de Consulta y Juicio de Expertos (Cualitativas) Útiles en etapas tempranas de un proyecto o cuando no existen datos históricos numéri