Método por Tres Valores Mejorado un método estocástico para la estimación temprana de la duración de los proyectos.

##plugins.themes.bootstrap3.article.main##

Pablo Andrés Ortíz
Enviado: Jul 6, 2016
Publicado: Jul 6, 2016

Resumen

la tasa de proyectos no exitosos (esto es, cancelados o modificados) se mantiene en valores significativamente altos, para el Standish Group [1] este valor es del 61% y para IBM [2] del 59%. La estimación de la duración de los proyectos se cita como una de las causas principales de este fenómeno. En la práctica se aplican métodos sencillos, como es el caso de PERT/Método por Tres Valores (MTV), que en general subestiman la duración del proyecto; por otra parte métodos más precisos, aunque más complejos, como el método Monte Carlo (MMC), son raramente usados por los estimadores. Adicionalmente, en las etapas tempranas de estimación, donde nos enfocaremos, la gran mayoría de los métodos no consideran el factor de riesgo o se usan técnicas simples que no evalúan el riesgo en detalle. Este artículo propone una técnica de estimación temprana que considere los factores de riesgo inherentes de esta etapa y logre una buena precisión. Se propone entonces una técnica denominada Método por Tres Valores Mejorado (MTVM). La cuantificación de los riesgos se establece aplicando la Distribución Beta-Rectangular que usa los valores heurísticos del Cono de Incertidumbre de Boehm y el juicio de expertos. Se usará evidencia empírica y teórica para validar este método, comparando los resultados del mismo con los valores de cuatro proyectos reales de tecnología y teóricamente con los valores estimados por el método Monte Carlo.

Palabras clave

Cono de incertidumbre de Boehm, Estimación temprana, Distribución Beta-Rectangular, Método Monte Carlo, Método por Tres Valores.

Descargas

La descarga de datos todavía no está disponible.

##plugins.themes.bootstrap3.article.details##

Cómo citar
Ortíz, P. (2016). Método por Tres Valores Mejorado un método estocástico para la estimación temprana de la duración de los proyectos. I+D Tecnológico, 11(2), 7-17. Recuperado a partir de https://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/142
Biografía del autor/a

Pablo Andrés Ortíz, Universidad Tecnológica de Uruguay

Área de Mecatrónica

Citas

(1) Standish Group International. “The CHAOS Manifesto” [en línea]. 2013.
https://larlet.fr/static/david/stream/ChaosManifesto2013.pdf [Consulta: 06 de mayo de 2014].

(2) IBM Corporation. “Making Change Work” [en línea]. 2008. http://www-935.ibm.com/services/us/gbs/bus/html/gbs-making-change-work.html [Consulta: 12 de octubre de 2015].

(3) Project Management Institute, Guía de los Fundamentos para la Dirección de Proyectos (Guía del PMBOK), 5ta. Edición. Newton Square, Pennsylvania: Project Management Institute Inc., 2013.

(4) Rad, P., Anantatmula, V., Project Planning Techniques, 1st. Edition. Vienna: Management Concepts, 2005.

(5) Jørgensen, M., “Realism in assessment of effort estimation uncertainty: It matters how you ask”. IEEE Transactions Software Engineering. vol. 30, pp. 209–217, 2004.

(6) Jørgensen, M., Sheppard, M., “A systematic review of software development cost estimation studies” [en línea]. January 2007. http://simula.no/research/se/publications/Jorgensen.2007.1 [Consulta: 30 setiembre 2014]

(7) Leung, H., Fanz Z., Software Cost Estimation. Handbook of software engineering and knowledge engineering. World scientific publications company, River Edge: NJ. 2002.

(8) Khatibi, V., JawawiI, D., “Software Cost Estimation Methods: A Review”. Journal of Emerging Trends in Computing and Information Science., vol. 2 no.1, pp. 21-29, 2010-11.

Mostrar
(9) Malcom, D.G., Roseboom, C.E., Clark, C.E. y Fazar, W. “Application of a technique for research and development program evaluation”, Operations Research, no. 7, pp. 646- 649, 1959.

(10) Hadju, M., Mályusz, L., “Modeling spatial and temporal relationships in network techniques”. Procedia Engineering, vol.85, pp. 193-205, 2014.

(11) Van Slyke, R.M., “Monte Carlo methods and the PERT problem”. Operational. Research, vol. 11, pp. 839-860, 1963.

(12) Besner, C., Hobbes, B., “The Reality of Project Management Practice: Phase two of an ongoing study”. University of Quebec at Montreal, 2007 [en línea]. http://www.pmi.org/~/media/PDF/Surveys/Besner%20and%20Hobbs%20Practices%20Survey%20Report%20Phase%202.ashx [Consulta: 19 de mayo 2015].

(13) Whelan, B. “An Analysis of Influences on Estimating Practice in Software Projects” [en línea]. 2010. http://www.pmi.org/~/media/PDF/Surveys/BWhelan%20-%20MSc%20PM%20Thesis%20Excerpt.ashx [Consulta: 19 de mayo de 2015].

(14) Leemis, L., Park, S., Discrete Event-Simulation: A First Course. Prentice-Hall, 2006.

(15) Nakayama, M., “Statistical analysis of simulation output”. Proceedings of the 2008 Winter Simulation Conference. [en línea], http://www.informs-sim.org/wsc08papers/009.pdf [Consulta: 20 de mayo 2015].

(16) Cooper, D.F., MacDonald, D.H. y Chapman, C.B., “Risk analysis of a construction cost estimate”, International Journal of Project Management, Vol. 3, No.3, pp. 141-9, 1985

(17) Saaty, T. The Analytic Hierarchy Process. New York: McGraw-Hill, 1980

(18) Duan C., Laurent, P., Clealand-Huang, J., “Towards automated requirement prioritization and triage”, Requir. Eng. Vol. 14, No. 2, pp. 73-89. 2009

(19) Babar, M., Ramzan, M., Ghayyur, S., “Challenge and future trends in software requirements prioritization”, Computer Networks and Information Technology (ICCNIT), 2011International Conference on, IEEE, pp. 319-324

(20) Karlsson, J., Ryan, K., A cost-value approach for prioritizing requeriments, IEEE Softw, Vol. 14, pp- 67-74, 1997

(21) Boehm, B. Software Engineering Economics. New Jersey: Prentice Hall PTR, 1981.

(22) McConnell, S., Software Estimation: Demystifying the Black Art, 1st.edition. Redmond: Microsoft Press, 2006.

(23) Bossavit, L., The Leprechauns of Software Engineer. Leanpub, 2013.

(24) Little, T., “Schedule Estimation and Uncertainty Surrounding the Cone of Uncertainty”, IEEE Software, 2006

(25) Eveleens, J.L., Verhoef, C.,”Quantifying IT forecasting quality”, Science of Computer Programming, vol. 74, pp. 934-988, 2009.

(26) Goodpasture, J., Quantitative Methods in Project Management. J. Ross Publishing, 2006.

(27) Hulett, D., Practical Schedule Risk Analysis. Gower Publishing Ltd., 2009.

(28) Vose, D. Risk Analysis: A Quantitative Analysis. Hoboken, NJ: John Wiley & Sons. 2000

(29) Hahn, E.D., “Mixture densities for project management activity times: A robust approach to PERT”. European Journal of Operational Research, vol. 188, pp. 450-459, 2008.

(30) Conte, S., Dunshmore, H., Shen V., Software Engineering metrics and models. Menlo Park: Benjamin/Cummings Publishing, 1986.