MODELOS DE REGRESION EN LA

GESTION DE DE PORYECTOS DE
OBRAS CIVILES
En la industria de la construccin, durante la ejecucin de las obras de un proyecto los
Constructores y Gestores de Proyectos abordan situaciones, producen soluciones y
toman decisiones bajo incertidumbre en los que intervienen variables que tienen una
relacin inherente e inseparable.
Las relaciones inseparables que denotan este tipo de variables son estudiadas mediante
la aplicacin de tcnicas denominadas anlisis de regresin. Estas son tcnicas
estadsticas para el modelado y la investigacin de las relaciones entre dos o ms
variables. Por ejemplo: en un proceso constructivo en el que se alista, arma y se
coloca acero de refuerzo grado 40 para la construccin de vigas de cimentacin la
cantidad de metros lineales de vigas construidas est estrechamente vinculado al,
armado del acero, colocado del acero, formaleteado de las vigas, a la produccin de
hormign y a la velocidad de colado o vertido del hormign en las formaletas.
El anlisis de regresin puede emplearse para construir modelos que permitan predecir
por ejemplo el rendimiento de construccin de vigas de cimiento de hormign
armado, o los metros de construccin de la vigas de cimiento de hormign
armado . Un modelo es una relacin matemtica que establece una relacin entre una
variable dependiente y las variables independientes.
Las regresiones se clasifican en lineales y no lineales. Las regresiones lineales a su vez
se clasifican en regresiones lineales simples y mltiples. Las regresiones no lineales se
clasifican en exponenciales, logartmicas y polinmicas.
En estadstica existe una diferencia bien marcada entre la definicin y aplicacin de una
REGRESIN y una CORRELACIN. Una correlacin corresponde a una prueba de
hiptesis. Utilizamos correlacin en los niveles de la investigacin relacional y
explicativos para saber si existe o no existe correlacin. En cambio las regresiones son
tiles para la construccin de modelos predictivos.
Cuando trabajamos en el nivel predictivo de la investigacin se sobreentiende que ya
hemos agotado el anlisis de las variables en estudio, tanto en el nivel relacional como
explicativo. Se sobreentiende que ya hemos demostrado la existencia de la correlacin
entre las dos variables en estudio. Sabemos que, habiendo atravesado por el nivel
explicativo una variables es la causa de la otra. Que una variable influye sobre los
niveles de la otra variable.
En cambio el nivel predictivo, no estamos poniendo a prueba si existe o no la relacin
entre variables. Cuando nos encontramos en el nivel predictivo sabemos que tal relacin

existe, sabemos que existe influencia de una variable sobre la otra. Sabemos esto porque
hemos completados los estudios en los niveles de la investigacin relacional y
explicativos. Por el contrario, en el nivel predictivo no realizamos una prueba de
hiptesis; sino, que creamos un modelo. Un modelo que puede representar regresiones
lineales y no lineales. Estos modelos los podemos emplear tanto en la fase de
planificacin de las obras de un proyecto, como en la fase de ejecucin monitoreo y
seguimiento de las mismas.
Para crear un modelo predictivo que represente un evento particular de nuestro proyecto
de construccin debemos seguir la secuencia de procedimientos siguiente:
especificacin, estimacin, validacin y utilizacin.
1- Especificacin: con el procedimiento especificacin se definen las variables
endgenas (variables a predecir) y las variables explicativas. Tambin deben definirse la
forma funcional entre estas variables, tal como relacin lineal, logartmica, exponencial,
etc. Si trabajamos con ms de una variable independiente debemos elaborar un cuadro
de operacionalizacin de variables que nos permita identificar cual es el modelo que
pretendemos construir.
2- Estimacin: Ya definido el modelo que se construir pasamos a realizar el
procedimiento estimacin. Con la estimacin calculamos los parmetros del modelo
que hemos definido previamente. Si hemos definido una regresin lineal simple estos
parmetros correspondern a la constante y el coeficiente de la variable independiente.
3- Validacin: Una vez completado el proceso de la estimacin pasamos a realizar el
procedimiento validacin. Esta validacin se puede realizar de forma individual y de
manera conjunta. Realizamos una validacin de manera individual cuando validamos
las variables independiente una a una. Y realizamos validacin conjunta cuando
hacemos validacin para todas las variables un su conjunto.
4- Utilizacin: Finalmente a nuestro modelo le aplicamos el procedimiento
utilizacin, corresponde a la prediccin. Es el hecho de aplicar el modelo que hemos
construido para calcular la variable dependiente. Es el nivel en el cual aplicamos el
modelo o la ecuacin construida para predecir la variable dependiente.

Construccin de modelos predictivos

para la GESTIN DE PROYECTOS

Para realizar predicciones

en el mbito de la Gestin de Proyectos de obras civiles, existen dos grandes grupos de
regresiones: aquellas que tienen como variables dependientes a una variable categrica,
y aquellas donde la variable dependiente es numrica. A su vez, las regresiones
logsticas con variables categricas se clasifican en: binarias, ordinales y multinomial. Y
las regresiones logsticas con variables numricas pueden ser lineales y no lineales.
Dentro de los niveles de la investigacin, las regresiones logsticas tienen dos funciones:
puede ser utilizadas tanto en el nivel explicativo como en el nivel predictivo. Por
ejemplo, si contamos con quince variables que explican el retraso en la construccin
y el incremento de costo en una carretera de 18 kilmetro con revestimiento
adoquinado, y estas quince variables son sometidas a un anlisis estadstico y resulta
que solamente diez de estas variables explican este evento o circunstancia. Ser
correcto utilizar, para construir un modelo predictivo, las quince variables iniciales o
solamente las diez que explican el fenmeno?. La respuesta es que debemos utilizar
nicamente las diez variables que explican el fenmeno.
Ser que con estas diez variables que explican el retraso en la construccin y el
incremento de costo en una carretera de 18 kilmetro con revestimiento
adoquinado podemos construir el mejor modelo predictivo?. La respuesta es no, pues
en un primer momento se haba determinado que las quince variables iniciales
explicaban dicho evento, y durante el anlisis explicativo se encontr que solamente
diez explican dicho evento.
El hecho de haber realizado un anlisis en el nivel explicativo no quiere decir que
hayamos hecho una bsqueda exhaustiva de todas las variables que predicen el
fenmeno. Estructurar una regresin logstica predictiva solamente con las diez
variables significativas que explican el evento de retraso en la construccin y el

incremento de costo de la carretera de 18 kilmetro con revestimiento

adoquinado es insuficiente. Adems podra existir un modelo distinto a la regresin
logstica, que hemos formulado con las diez variables significativas, que nos permita
predecir con un intervalo de confianza ms reducido o restringido.
Para estructurar un modelo de regresin logstica no basta que tomemos las variables
que resultan significativas; sino, que debemos buscar otras variables que complementen
nuestro modelo o quizs buscar modelos alternativos que nos permita hacer
predicciones ms exactos. A este procedimiento o tcnica estadstica se le conoce como
modelamiento o CONSTRUCCIN DE MODELOS PREDICTIVOS PARA LA
GESTIN DE PROYECTOS.
Esta tcnica estadstica no consiste en aplicar una prueba estadstica, consiste en buscar
el mejor modelo para predecir una circunstancia. Un modelo con la caracterstica de
contar con variables que estn probadamente relacionadas. En el nivel predictivo no se
determina si las variables influyen o no influyen, ese proceso debi darse en el nivel
explicativo. En el nivel predictivo ya se sabe que existe un conjunto de variables que
influyen sobre el evento en estudio y que van a modificar la probabilidad de ocurrencia
del evento. Son esas variables las que tienen que entrar en el modelo predictivo y
adems elegirse el mejor modelo que nos permita tener la aproximacin ms
exacta para nuestro resultado final.