EM

Metodología de validación

Cómo se operacionaliza y prueba la hipótesis de la tesis dentro del propio sistema.

Correr validación

1. Hipótesis

Una estimación temprana mejora cuando integra esfuerzo técnico, modo de desarrollo, cambios y viabilidad fiscal-laboral antes de comprometer precio, calendario y mantenimiento.

Operacionalización: "mejora" se mide como menor error en horas estimadas vs reales (MAPE). "Integrar las 4 dimensiones" se traduce a 4 grupos de variables independientes.

2. Variable dependiente

MAPE de horas: mean(|estimado − real| / real × 100).

Umbrales estándar IFPUG:

  • ≤ 15% = estimación precisa
  • 15-30% = estimación aceptable
  • > 30% = estimación imprecisa

3. Variables independientes (las 4 dimensiones)

VI 1: esfuerzo técnico integrado

Features: clarity_avg, n_modules, n_integrations, criticality_avg.

VI 2: modo de desarrollo declarado

Feature: dev_mode (one-hot encoding de traditional / ai_assisted / hybrid / bytecoding_prompts / low_code).

VI 3: cambios anticipados

Feature: changes_anticipated_ratio = cantidad de cambios capturados antes / cambios reales.

VI 4: viabilidad fiscal-laboral capturada

Feature: fiscal_detailed (booleano: detailed = se desglosó IMSS/INFONAVIT/ISN; estimated = factor agregado).

4. Regla de decisión (veredicto automático)

VeredictoCondición
cumplidaR² ≥ 0.35 Y al menos 2 predictores con p < 0.05
parcialmente cumplidaR² entre 0.15 y 0.35, O solo 1 predictor significativo
no cumplidaR² < 0.15 Y ningún predictor significativo
datos insuficientesN < 15 proyectos con resultado real capturado

5. Métodos estadísticos aplicados

Estadística descriptiva

Media, mediana, desviación estándar y cuartiles del MAPE. Da una primera lectura sobre la magnitud del error.

Correlación de Pearson (con p-value aproximado)

Identifica qué features individuales se asocian con menor MAPE. Significancia: p < 0.05.

Regresión multivariable lineal (evidencia principal)

Mide qué fracción de la varianza del MAPE se explica conjuntamente por las 4 VI (R²) y qué coeficientes son significativos.

Random Forest (clasificación binaria)

Entrena un bosque aleatorio para predecir si una estimación caerá dentro del umbral del 15%. Reporta feature importance robusto a no-linealidades.

Red neuronal MLP de 1 capa oculta (demostrativa, no es evidencia)

Sirve para mostrar predicción no-lineal. No es evidencia principal del artículo porque con N<100 hay alto riesgo de sobreajuste. Reportarla solo como complemento.

6. Validación externa (Python opcional)

Para reproducir el mismo análisis en Python (scikit-learn) y verificar que los números coinciden:

  1. Descargar el CSV desde /validacion-hipotesis (botón "Descargar CSV").
  2. Instalar dependencias: pip install pandas scikit-learn matplotlib jupyter.
  3. Abrir entregable-investigacion/notebooks/validar_hipotesis.ipynb.
  4. Apuntar al CSV descargado y ejecutar todas las celdas.
  5. R², MAPE y feature importance deben coincidir con los del sistema (±0.01).

7. Herramientas de IA y pericia del equipo (septiembre de 2026)

Las formas de hacerlo con IA no solo tardan menos: cuestan herramientas y rinden según quién las use. El motor cobra, por cada persona técnica del equipo, la canasta típica de la forma de hacerlo (0 USD a mano, 30 con ayuda de IA, 100 híbrido, 250 casi todo con IA, 40 en plataforma de armado, más 20 por usuario final mientras se use el sistema), por (1 + sobreconsumo) y por el tipo de cambio del DOF. Sin IVA porque es acreditable. Ese monto entra al costo, al precio y al flujo con el mismo número.

La ganancia nominal de cada forma de hacerlo (1 − eficiencia en horas; velocidad − 1 en calendario) se acredita según la pericia promedio del equipo con la IA, de 1 a 5: 35 % con nivel 1, 65 % con 2, 85 % con 3, 100 % con 4 y 115 % con 5. La evidencia publicada va de −19 % (METR 2025, desarrolladores experimentados con pocas horas en la herramienta) a +56 % (Peng et al. 2023, tarea aislada), pasando por +21 % (Google 2024); lo que más mueve el resultado es la pericia del usuario, no el modelo. Un equipo con pericia menor a 2 no recibe la recomendación de hacer casi todo con IA.

Fórmulas: eficiencia efectiva = 1 − (1 − eficiencia nominal) × f; velocidad efectiva = 1 + (velocidad nominal − 1) × f; herramientas al mes = asientos × USD × (1 + sobreconsumo) × tipo de cambio. Valores y fuentes en Fuentes (AI_TOOL_COSTS, AI_SKILL_FACTORS, TIPO_CAMBIO_USD_MXN).

8. Referencias

  • IFPUG (2010). Function Point Counting Practices Manual v4.3.
  • Boehm, B. (1981). Software Engineering Economics. Prentice-Hall.
  • Conte, Dunsmore & Shen (1986). Software Engineering Metrics and Models.
  • Jørgensen & Shepperd (2007). A systematic review of software development cost estimation studies. IEEE TSE.
  • PMBOK 7th Edition (2021). Project Management Body of Knowledge.