Matemáticas para Gerencia: Por qué el 'Promedio' destruye tu margen

Existe un teorema en estadística llamado la Ley de los grandes números. Simplificado al extremo, dice que si repites un experimento muchas veces, el resultado promedio se acercará al valor esperado teórico.

Sin embargo, en la práctica gerencial, este principio suele aplicarse de forma simplificada, a veces olvidando los matices que lo hacen realmente útil.

Muchos gerentes confunden el promedio como descripción del pasado con el promedio como predictor del futuro. Y esa confusión, cuando la llevas a un presupuesto de obra o a una proyección de margen, tiene nombre: pérdida.

Este artículo no es cómodo de leer, pero los números tampoco son cómodos cuando te sorprenden a fin de mes.

El pecado original: planificar con el centro

Imaginemos que gestionas la instalación de 50 ventanas en un proyecto. Le preguntas a tu cuadrilla cuánto demoran en instalar una ventana. Ellos te dan 9 tiempos históricos:

1
[45, 48, 50, 52, 55, 55, 58, 60, 120] minutos

El promedio es 60,3 minutos. Redondeas a 60, lo usas para estimar el total del trabajo (50 ventanas × 60 minutos = 50 horas), y planificas la semana.

Esta decisión, aunque lógica a primera vista, esconde una trampa estadística muy común.

El número 120 del final, la ventana donde el perfil era complicado, la herramienta falló y el operario nuevo tuvo que pedir ayuda, arrastró el promedio hacia arriba. Pero no solo eso: el promedio no te dice qué probabilidad real tienes de terminar a tiempo. Te dice exactamente lo que ocurrirá si el mundo es perfectamente simétrico y sin sorpresas.

Sin embargo las cosas rara vez funcionan así.

La distribución que el Excel no te muestra

Cuando tienes una serie de datos operativos reales, como tiempos de proceso, costos unitarios y rendimientos, estos raramente se distribuyen de forma simétrica alrededor del promedio. La realidad tiene una forma técnica: distribución sesgada a la derecha.

Los eventos rápidos tienen un piso físico (no puedes instalar una ventana en 0 minutos). Los eventos lentos no tienen techo: una falla inesperada puede triplicar el tiempo. Esto genera una cola derecha larga que el promedio incorpora sin explicarte su magnitud.

1
import numpy as np
2
import pandas as pd
3

4
# Datos históricos de instalación (minutos)
5
tiempos = np.array([45, 48, 50, 52, 55, 55, 58, 60, 120])
6

7
print(f"Media (Promedio): {np.mean(tiempos):.1f} min")
8
print(f"Mediana:          {np.median(tiempos):.1f} min")
9
print(f"Desv. Estándar:   {np.std(tiempos, ddof=1):.1f} min")
10
print(f"Percentil 90:     {np.percentile(tiempos, 90):.1f} min")

1
Media (Promedio): 60.3 min
2
Mediana:          55.0 min
3
Desv. Estándar:   22.9 min
4
Percentil 90:     72.0 min

Desviación estándar: la métrica que los gerentes evitan

La desviación estándar (σ) es una medida de dispersión: qué tan lejos se alejan típicamente los datos individuales del promedio. Una sigma pequeña significa que los datos son predecibles y consistentes. Una sigma grande significa que el promedio es casi ficción.

En el ejemplo anterior, la desviación estándar es 22,9 minutos sobre un promedio de 60,3. Eso es un coeficiente de variación del 38%.

Para ponerlo en perspectiva de gestión, una tabla de reglas gruesas (no son un estándar de la industria, pero sirven para ordenar la conversación):

Un 38% de coeficiente de variación te dice que el promedio es un mal punto de partida. Necesitas otra herramienta.

Percentiles: la gerencia honesta del riesgo

Un percentil responde a una pregunta diferente al promedio. En lugar de “¿cuál es el valor típico?”, responde “¿con qué valor me cubro el X% de los casos?”.

• P50 (Mediana): Te cubre el 50% de los escenarios. Fallarás la mitad de las veces. Literalmente.
• P80: Cubre el 80% de los escenarios. Aceptas un 20% de probabilidad de sobrepasar.
• P90: Cubre el 90%. En proyectos de costo relevante, este es el mínimo razonable.
• P95 / P99: Para proyectos críticos donde el sobrecosto tiene consecuencias contractuales o reputacionales.

1
percentiles = [50, 75, 80, 90, 95, 99]
2

3
print("Análisis de percentiles - Tiempo de instalación (min)")
4
print("-" * 50)
5
for p in percentiles:
6
    valor = np.percentile(tiempos, p)
7
    print(f"  P{p:<3}: {valor:>6.1f} min")

1
Análisis de percentiles - Tiempo de instalación (min)
2
--------------------------------------------------
3
  P50 :   55.0 min
4
  P75 :   58.0 min
5
  P80 :   58.8 min
6
  P90 :   72.0 min
7
  P95 :   96.0 min
8
  P99 :  115.2 min

Si planificas con el promedio (60 min), estás planificando prácticamente en el P80. Estás aceptando un 20% de probabilidad de sobrecosto sin saberlo. No porque seas temerario, sino porque nadie te dijo que el promedio y el P80 eran casi lo mismo en este conjunto de datos.

Y cuando el proyecto tenga 200 hitos en lugar de 50, ese 20% compuesto se convierte en una certeza estadística de que algo va a salir de presupuesto.

El teorema que los gerentes deben tatuar

Hay una propiedad estadística que aplica directamente a la gestión de proyectos con múltiples tareas secuenciales. Si cada tarea tiene su propia distribución de duración, la duración esperada del proyecto sí es la suma de los promedios. Lo que no se suma es la incertidumbre: la desviación estándar del total es la raíz de la suma de los cuadrados de las desviaciones de cada tarea (si son independientes). Y un plazo con promedio correcto pero sin su desviación es un plazo que fallas la mitad de las veces.

1
# Tres tareas secuenciales en un proyecto
2
tareas = pd.DataFrame({
3
    'tarea': ['Excavación', 'Estructura', 'Terminaciones'],
4
    'duracion_media_dias': [10, 25, 15],
5
    'desv_std_dias': [2, 8, 4]
6
})
7

8
# Duración total naïve (suma de promedios)
9
total_media_naive = tareas['duracion_media_dias'].sum()
10

11
# Desviación estándar del proyecto completo (propagación de errores)
12
sigma_proyecto = np.sqrt((tareas['desv_std_dias'] ** 2).sum())
13

14
# Estimaciones con distintos niveles de confianza
15
# Asumiendo distribución normal (simplificación razonable para mu > 3*sigma)
16
from scipy import stats
17

18
p50 = stats.norm.ppf(0.50, loc=total_media_naive, scale=sigma_proyecto)
19
p80 = stats.norm.ppf(0.80, loc=total_media_naive, scale=sigma_proyecto)
20
p90 = stats.norm.ppf(0.90, loc=total_media_naive, scale=sigma_proyecto)
21

22
print(f"Suma ingenua de promedios: {total_media_naive} días")
23
print(f"Sigma del proyecto:        {sigma_proyecto:.1f} días")
24
print()
25
print("Estimaciones con nivel de confianza:")
26
print(f"  P50 (planificación sin colchón):  {p50:.1f} días  ← Fallarás el 50% de las veces")
27
print(f"  P80 (colchón razonable):          {p80:.1f} días")
28
print(f"  P90 (colchón profesional):        {p90:.1f} días  ← Recomendado")

1
Suma ingenua de promedios: 50 días
2
Sigma del proyecto:        9.2 días
3

4
Estimaciones con nivel de confianza:
5
  P50 (planificación sin colchón):  50.0 días  ← Fallarás el 50% de las veces
6
  P80 (colchón razonable):          57.7 días
7
  P90 (colchón profesional):        61.7 días  ← Recomendado

El proyecto que tu equipo presentó como “50 días” tiene un 90% de probabilidad de completarse en 62 días. La diferencia no es pesimismo; es matemática. Y ese colchón de 12 días tiene un costo directo en salarios, maquinaria y capital de trabajo que no está en el presupuesto aprobado.

Simulación de Montecarlo: la herramienta definitiva

Cuando las distribuciones no son simétricas (que es casi siempre en contextos operativos), la aproximación normal se queda corta. La solución profesional es ejecutar una Simulación de Montecarlo: repetir el proyecto virtualmente miles de veces, con valores aleatorios extraídos de las distribuciones reales de cada tarea, y observar qué distribución de resultados emerge.

1
import numpy as np
2

3
np.random.seed(42)
4
N_SIMULACIONES = 50_000
5

6
# Excavación: distribución log-normal (asimétrica positiva, típica en construcción)
7
# mu y sigma son parámetros de la distribución log-normal subyacente
8
excavacion = np.random.lognormal(mean=np.log(10), sigma=0.20, size=N_SIMULACIONES)
9

10
# Estructura: distribución triangular (conocemos el mín, el más probable y el máx)
11
estructura = np.random.triangular(left=18, mode=25, right=55, size=N_SIMULACIONES)
12

13
# Terminaciones: distribución normal (proceso más controlado)
14
terminaciones = np.random.normal(loc=15, scale=4, size=N_SIMULACIONES)
15

16
# Duración total del proyecto en cada simulación
17
duracion_total = excavacion + estructura + terminaciones
18

19
# Resultados
20
print("=== Simulación de Montecarlo (50.000 iteraciones) ===")
21
print()
22
print(f"Media simulada:       {np.mean(duracion_total):.1f} días")
23
print(f"Mediana (P50):        {np.percentile(duracion_total, 50):.1f} días")
24
print(f"P80:                  {np.percentile(duracion_total, 80):.1f} días")
25
print(f"P90:                  {np.percentile(duracion_total, 90):.1f} días")
26
print(f"P95:                  {np.percentile(duracion_total, 95):.1f} días")
27
print()
28

29
# Probabilidad de terminar en el plazo "prometido" de 50 días
30
prob_50_dias = np.mean(duracion_total <= 50) * 100
31
print(f"Probabilidad de terminar en ≤ 50 días: {prob_50_dias:.1f}%")
32
print(f"Probabilidad de exceder 50 días:       {100 - prob_50_dias:.1f}%")

1
=== Simulación de Montecarlo (50.000 iteraciones) ===
2

3
Media simulada:       57.9 días
4
Mediana (P50):        57.0 días
5
P80:                  66.0 días
6
P90:                  70.5 días
7
P95:                  74.0 días
8

9
Probabilidad de terminar en ≤ 50 días: 21.1%
10
Probabilidad de exceder 50 días:       78.9%

Presentaste un proyecto de 50 días. La simulación te dice que tiene un 79% de probabilidad de excederse. No porque algo salga “mal”. El plan de 50 días usó el valor más probable de la estructura (25 días), pero esa tarea puede atrasarse hasta 55 y adelantarse solo hasta 18: su promedio real es casi 33. Esa asimetría, correctamente modelada, produce esa distribución de resultados casi de forma obligatoria.

Y si el contrato tiene penalidades por incumplimiento de plazo, acabas de modelar también la probabilidad de activarlas: cuatro de cada cinco veces.

Aplicación directa: el margen que desaparece

La misma lógica aplica a costos. Cuando presupuestas una partida con un costo unitario promedio, estás haciendo exactamente lo mismo: comprando incertidumbre sin etiqueta de precio.

1
import pandas as pd
2
import numpy as np
3

4
# Presupuesto de partidas con incertidumbre
5
np.random.seed(7)
6

7
partidas = pd.DataFrame({
8
    'partida': ['Hormigón H30', 'Acero A630', 'Moldaje', 'Mano de Obra', 'Subcontratos'],
9
    'costo_esperado': [9_500_000, 120_000_000, 1_800_000, 35_000_000, 450_000_000],  # costo total de cada partida
10
    'variabilidad_pct': [0.08, 0.15, 0.12, 0.10, 0.25]  # σ como % del valor esperado
11
})
12

13
N = 20_000
14
costo_total_sim = np.zeros(N)
15

16
for _, row in partidas.iterrows():
17
    mu = row['costo_esperado']
18
    sigma = mu * row['variabilidad_pct']
19
    costo_total_sim += np.random.normal(loc=mu, scale=sigma, size=N)
20

21
print("=== Análisis de riesgo de costo ===\n")
22
print(f"Presupuesto 'central' (suma de esperados): ${partidas['costo_esperado'].sum():>14,.0f}")
23
print(f"Media simulada:                            ${np.mean(costo_total_sim):>14,.0f}")
24
print()
25
print("Distribución de resultados:")
26
for p in [50, 70, 80, 90, 95]:
27
    val = np.percentile(costo_total_sim, p)
28
    excess = val - partidas['costo_esperado'].sum()
29
    print(f"  P{p:<2}: ${val:>14,.0f}  (exceso sobre presupuesto: ${excess:>12,.0f})")

1
=== Análisis de riesgo de costo ===
2

3
Presupuesto 'central' (suma de esperados): $   616,300,000
4
Media simulada:                            $   615,740,560
5

6
Distribución de resultados:
7
  P50: $   615,627,999  (exceso sobre presupuesto: $    -672,001)
8
  P70: $   675,616,692  (exceso sobre presupuesto: $  59,316,692)
9
  P80: $   711,402,293  (exceso sobre presupuesto: $  95,102,293)
10
  P90: $   760,906,790  (exceso sobre presupuesto: $ 144,606,790)
11
  P95: $   803,302,623  (exceso sobre presupuesto: $ 187,002,623)

Si presentas este presupuesto de $616 millones como tu cifra “definitiva”, estás poniendo al cliente (o a la empresa) en una posición donde tiene un 50% de probabilidad de que el costo real sea mayor. Y eso con una simplificación generosa: la simulación usa distribuciones normales, simétricas. Con costos reales, que se desvían mucho más hacia arriba que hacia abajo, la probabilidad de superar el presupuesto base es mayor que 50%. El P90 está $145 millones por encima, y casi todo ese riesgo viene de una sola línea: los subcontratos, que pesan el 73% del presupuesto con la variabilidad más alta.

Esa es la contingencia estadística: no es margen de utilidad, es el precio de la incertidumbre que no se nombró.

Conclusión

El promedio no es una mentira. Es una descripción incompleta.

Es el primer resumen estadístico que aprendemos y el último que deberíamos usar para tomar decisiones de alta consecuencia. Cuando planificas con el promedio, estás eligiendo el escenario donde la mitad del tiempo el mundo te favorece y la otra mitad te penaliza. En el largo plazo, esas dos mitades no se compensan: las pérdidas de los meses malos suelen ser estructuralmente mayores que las ganancias de los buenos.

La desviación estándar te dice qué tan peligroso es ese promedio. Los percentiles te dicen cuánto colchón necesitas para operar con una probabilidad de éxito definida. La simulación de Montecarlo te permite ver la distribución completa de resultados posibles antes de comprometer un peso.

Esas no son herramientas de un matemático. Son herramientas de un gerente que respeta su propio presupuesto y entiende que, aunque en el terreno se pelea con el lodo, en la oficina se sobrevive con los números.

Si no sabes la desviación estándar de tus costos principales, no tienes un presupuesto. Tienes un deseo expresado en pesos.