Comprenda cómo aplicar simulación de Monte Carlo en proyectos de ingeniería para analizar riesgos de plazo y costo, interpretar P50/P80, calcular contingencia e identificar drivers de riesgo.
¡Descúbrelo!
La simulación de Monte Carlo es una técnica cuantitativa que ejecuta un gran número de escenarios posibles a partir de distribuciones de incertidumbre y eventos de riesgo. En proyectos de ingeniería, permite superar una única fecha o valor determinista y trabajar con una distribución de resultados, estimando la probabilidad de cumplir un plazo, presupuesto o nivel de contingencia determinado.
En lugar de afirmar que un proyecto “terminará el 30 de junio” o “costará R$ 50 millones”, el análisis puede mostrar, por ejemplo, que la fecha tiene un 35% de probabilidad de cumplirse o que un presupuesto corresponde al percentil P60 de la distribución. Esta información mejora la calidad de la decisión porque hace explícito el nivel de confianza incorporado en el compromiso.
Monte Carlo no es una herramienta para fabricar precisión. El resultado solo es confiable si el cronograma, las distribuciones, los riesgos, las correlaciones y los supuestos representan adecuadamente el proyecto. Un modelo deficiente ejecutado diez mil veces sigue siendo un modelo deficiente.
Qué es la simulación de Monte Carlo
Monte Carlo utiliza muestreo aleatorio repetido para representar incertidumbre. En cada iteración, el modelo selecciona valores posibles para las variables según distribuciones previamente definidas, calcula el resultado y almacena ese escenario.
Después de cientos o miles de iteraciones, se forma una distribución de resultados. En costo, muestra diferentes valores posibles y sus probabilidades acumuladas. En plazo, muestra distintas fechas de terminación y el nivel de confianza asociado a cada una.
El método es particularmente útil cuando varias fuentes de incertidumbre interactúan y una solución analítica simple no representa adecuadamente el sistema.
En proyectos, Monte Carlo puede utilizarse para:
- análisis de riesgo del cronograma;
- análisis de costo y contingencia;
- evaluación conjunta de costo y plazo;
- comparación de alternativas;
- sensibilidad de supuestos;
- identificación de drivers de riesgo;
- evaluación de confianza en hitos contractuales.
Por qué una fecha determinista puede ser engañosa
Los cronogramas tradicionales utilizan una duración para cada actividad. Esa duración puede ser una mejor estimación, un promedio, una meta o un valor negociado. El problema es que ninguna de estas opciones elimina la variabilidad real.
Una actividad con una estimación de 10 días puede terminar después de 8, 10, 14 o 20 días según productividad, aprobaciones, interfaces, disponibilidad de recursos y eventos de riesgo.
Cuando cientos de actividades incorporan incertidumbre, la terminación del proyecto también se vuelve incierta. Sumar duraciones deterministas no revela la distribución de fechas posibles.
La simulación permite observar cómo la variabilidad se propaga por la red lógica del cronograma.
Una fecha determinista puede ocultar un compromiso con baja probabilidad de éxito. Monte Carlo permite transformar la incertidumbre del cronograma en una distribución y visualizar el nivel real de confianza asociado al hito.
Estructure análisis cuantitativos dentro de la gestión de riesgos →
P50, P80 y otros percentiles
Los percentiles son puntos de la distribución acumulada.
Si la fecha P50 es el 30 de septiembre, significa que aproximadamente el 50% de los escenarios simulados terminó hasta esa fecha y el 50% terminó después. Si la fecha P80 es el 20 de octubre, cerca del 80% de los escenarios terminó hasta ese punto.
En costo, el razonamiento es similar. Un P80 de R$ 120 millones representa un valor que fue suficiente en aproximadamente el 80% de los escenarios del modelo.
P80 no significa “80% de contingencia”. Tampoco significa una garantía del 80%. Representa el nivel de confianza producido por el modelo, condicionado a los supuestos y distribuciones utilizados.
La elección del percentil debe reflejar apetito de riesgo, criticidad del compromiso, gobernanza y consecuencia del incumplimiento.
Curva S y distribución acumulada
Los resultados de Monte Carlo se presentan con frecuencia como una curva S, o distribución acumulada.
En el eje horizontal se encuentra el costo o la fecha. En el eje vertical se encuentra la probabilidad acumulada. La curva permite responder preguntas como:
- ¿cuál es la probabilidad de cumplir el presupuesto actual?
- ¿qué valor corresponde a P80?
- ¿cuál es la diferencia entre P50 y P90?
- ¿cuánta contingencia se necesita para alcanzar determinado nivel de confianza?
- ¿qué fecha representa un compromiso más defendible?
La curva también ayuda a comparar alternativas. Dos soluciones pueden tener el mismo valor medio, pero distribuciones muy diferentes.
Monte Carlo en análisis de plazo
En el análisis de riesgo del cronograma, las actividades reciben distribuciones de duración o incertidumbre. Los riesgos discretos pueden modelarse con probabilidad de ocurrencia e impacto sobre actividades específicas.
En cada iteración, la red se recalcula con nuevas duraciones y eventos. El resultado muestra una fecha de terminación. Al repetir el proceso surge la distribución probabilística del cronograma.
Este enfoque es más informativo que simplemente añadir un buffer al final, porque considera la lógica del proyecto y la interacción entre caminos.
Calidad del cronograma antes de la simulación
Monte Carlo no corrige un cronograma técnicamente deficiente.
Antes de simular, es necesario verificar:
- lógica completa de predecesoras y sucesoras;
- ausencia de restricciones artificiales innecesarias;
- tratamiento correcto de calendarios;
- duraciones coherentes;
- camino crítico identificable;
- actividades resumen no utilizadas como lógica;
- hitos definidos;
- actualizaciones realistas;
- progreso correctamente registrado;
- caminos casi críticos y convergentes.
Si la red lógica está rota, la propagación de la incertidumbre también lo estará.
El análisis cuantitativo debe comenzar con una auditoría del cronograma.
Camino crítico determinista vs. criticidad probabilística
El camino crítico mostrado en el cronograma base es resultado de las duraciones deterministas actuales. En la simulación, diferentes caminos pueden volverse críticos en distintas iteraciones.
Por ello, una actividad puede presentar un criticality index elevado aunque no se encuentre en el camino crítico determinista actual.
Este indicador muestra en cuántos escenarios la actividad participó del camino que determinó la terminación. Ayuda a descubrir riesgos ocultos en caminos casi críticos.
Un cronograma con varios caminos convergiendo en un hito puede ser más vulnerable de lo que sugiere una lectura simple del camino crítico.
Distribuciones de duración: ¿triangular, beta, normal u otra?
La elección de la distribución debe representar el fenómeno y la calidad de la información.
Una distribución triangular puede utilizar mínimo, más probable y máximo. Es simple e intuitiva, pero depende fuertemente del juicio especializado.
Las distribuciones beta o PERT pueden producir formas más suaves cuando existe una estimación central dominante. Las distribuciones normales pueden ser inadecuadas cuando los valores negativos son imposibles o cuando la asimetría es relevante.
No existe una distribución universalmente correcta. El analista debe justificar por qué determinado formato representa la variable.
Más importante que elegir una función sofisticada es evitar intervalos arbitrarios aplicados por igual a todas las actividades.
Cómo estimar mínimo, más probable y máximo
Las tres estimaciones deben reflejar condiciones plausibles, no deseos.
Un enfoque puede preguntar:
- mínimo plausible: duración alcanzable bajo condiciones favorables, sin depender de eventos extraordinarios;
- más probable: duración compatible con la productividad y las condiciones esperadas;
- máximo plausible: duración bajo condiciones adversas razonablemente concebibles, excluyendo catástrofes tratadas como riesgos discretos.
Los datos históricos son preferibles cuando son comparables. Cuando no existen, las entrevistas estructuradas con especialistas deben reducir los sesgos de optimismo y anclaje.
Se recomienda documentar el origen de cada intervalo o regla por clase de actividad.
Variabilidad vs. riesgo discreto
No toda incertidumbre debe modelarse de la misma forma.
Variabilidad está presente incluso cuando el proceso ocurre normalmente: productividad, duración de revisión, tiempo de instalación, rendimiento del equipo.
Riesgo discreto es un evento que puede ocurrir o no: falla de proveedor, retraso de licencia, equipo reprobado en FAT, lluvia extrema que interrumpe la obra.
Modelar todo como amplitud de duración puede ocultar causalidad. Modelar toda variabilidad como riesgos discretos puede generar cientos de eventos artificiales.
Un buen análisis separa ambas fuentes.
Cómo modelar riesgos discretos
Un riesgo puede tener probabilidad de ocurrencia y distribución de impacto.
En cada iteración, el modelo determina si el evento ocurre. Si ocurre, el impacto se aplica a la actividad, costo o conjunto de elementos relacionados.
Ejemplo: existe un 30% de probabilidad de retraso en la homologación. Si ocurre, el impacto puede variar entre 10 y 30 días.
Esta estructura preserva la diferencia entre probabilidad de ocurrencia y magnitud de la consecuencia.
El registro de riesgos debe informar qué eventos entran en el modelo y cómo fueron parametrizados.
Monte Carlo en análisis de costos
En costo, los componentes de la estimación pueden recibir distribuciones relacionadas con cantidades, precios, productividad, tasas, tipo de cambio, logística o incertidumbre de ingeniería.
Los riesgos discretos añaden impactos cuando se materializan en una iteración.
El modelo suma los componentes para producir un costo total por escenario. La distribución resultante permite calcular percentiles, media, desviación, rangos y la contingencia necesaria para el nivel de confianza deseado.
La estructura de la WBS es útil para organizar los elementos e identificar dónde se concentra la incertidumbre.
Estimación base y análisis de riesgo
El análisis debe distinguir lo que ya está incorporado en la estimación base y lo que representa incertidumbre adicional.
Si un ítem ya fue estimado con productividad conservadora y recibe otra distribución amplia basada en el mismo riesgo, se produce doble contabilización.
El modelo debe documentar:
- valor base;
- naturaleza de la incertidumbre;
- distribución aplicada;
- riesgos discretos adicionales;
- correlaciones;
- ítems excluidos.
Sin esta arquitectura, el resultado puede parecer sofisticado y aun así ser económicamente incoherente.
Correlación: uno de los puntos más críticos
Las variables de los proyectos pueden moverse conjuntamente.
El aumento del tipo de cambio afecta varios equipos importados. La baja productividad puede afectar múltiples frentes. Un retraso de proyecto puede desplazar varios paquetes de compra.
Si el modelo supone independencia completa, puede subestimar los extremos porque los escenarios adversos simultáneos aparecen con menor frecuencia que en la realidad.
Por otro lado, aplicar correlación alta a todo puede inflar artificialmente la dispersión.
Las correlaciones deben justificarse mediante mecanismo técnico, datos o juicio estructurado.
La dependencia causal no es solo correlación estadística
Dos riesgos pueden estar relacionados porque uno causa al otro.
Una aprobación tardía puede retrasar la fabricación, reducir la ventana de montaje y comprimir el comisionamiento. Esto es una cadena causal, no simplemente dos variables correlacionadas.
Cuando sea posible, el modelo debe representar directamente la lógica causal, en lugar de utilizar un coeficiente de correlación como sustituto.
Esta distinción mejora la interpretación y permite definir respuestas más eficaces.
¿Cuántas iteraciones son necesarias?
El número depende de la complejidad del modelo y de la estabilidad de los resultados. Miles de iteraciones son habituales porque el costo computacional es bajo.
El objetivo no es alcanzar un número mágico, sino verificar convergencia. Los percentiles y estadísticas relevantes deben permanecer estables a medida que aumenta el número de iteraciones.
Los modelos con eventos raros pueden exigir más iteraciones para capturar adecuadamente la cola de la distribución.
Ejecutar más iteraciones no corrige datos deficientes.
Más iteraciones no corrigen supuestos deficientes. La robustez de la simulación depende de la calidad del cronograma, de las distribuciones, de los riesgos discretos y de las dependencias modeladas, no del volumen de sorteos.
Vea cómo relacionar P50/P80 con la reserva de contingencia →
Análisis de sensibilidad
Después de conocer la distribución, la siguiente pregunta es: ¿qué influye más en el resultado?
Los análisis de sensibilidad pueden mostrar qué actividades, variables o riesgos contribuyen más al costo o al plazo.
Los tornado charts, la correlación con el resultado y los índices de criticidad son ejemplos.
Esta información tiene valor gerencial porque orienta los esfuerzos. Si el 70% de la variabilidad del plazo proviene de tres interfaces, puede ser más eficiente tratar esas interfaces que añadir contingencia general.
Monte Carlo debe apoyar la decisión sobre dónde actuar, y no limitarse a producir un P80.
Drivers de plazo
En cronograma, los drivers pueden ser actividades con alta criticidad probabilística, elevada correlación con la fecha final o gran amplitud de duración.
También pueden ser riesgos discretos que afectan hitos importantes.
Identificar drivers permite revisar la secuencia, anticipar aprobaciones, crear alternativas de suministro, aumentar recursos, revisar la estrategia constructiva o proteger ventanas críticas.
El análisis transforma una distribución abstracta en un plan de acción.
Drivers de costo
En costo, los drivers pueden estar relacionados con ítems de gran valor, alta incertidumbre, tipo de cambio, cantidades, productividad o eventos de gran consecuencia.
Un ítem barato con gran variabilidad puede ser menos relevante que un equipo costoso con variación moderada.
La sensibilidad ayuda a priorizar ingeniería de valor, negociación, hedge, revisión de cantidades, contratación o estrategia de contingencia.
Cómo relacionar Monte Carlo con la reserva de contingencia
La distribución permite elegir un nivel de confianza y calcular la diferencia respecto del valor base u otro punto de referencia.
Si el costo base es R$ 100 millones y P80 es R$ 115 millones, la diferencia de R$ 15 millones puede informar la reserva necesaria para alcanzar ese nivel de confianza, siempre que la metodología de baseline y reserva sea coherente.
Lo mismo vale para el plazo: la diferencia entre la fecha determinista y P80 puede orientar el margen de compromiso.
Este enfoque es más transparente que aplicar un porcentaje arbitrario, pero depende de la calidad del modelo.
P50 no es necesariamente la mejor meta
P50 representa equilibrio entre escenarios por encima y por debajo, no una recomendación universal.
Para decisiones internas exploratorias, P50 puede ser adecuado. Para un compromiso contractual crítico, la organización puede elegir P70, P80 u otro nivel.
La elección debe considerar el costo de la protección adicional y la consecuencia del incumplimiento.
Niveles de confianza muy altos pueden volver el proyecto económicamente inviable; niveles muy bajos pueden producir compromisos sistemáticamente optimistas.
La decisión es de gobernanza, no del software.
Schedule Risk Analysis — SRA
La Schedule Risk Analysis aplica técnicas cuantitativas al cronograma para evaluar la probabilidad de alcanzar hitos e identificar drivers temporales.
El proceso normalmente incluye:
- validar la calidad de la red lógica;
- definir incertidumbre de duraciones;
- modelar riesgos discretos;
- establecer correlaciones cuando corresponda;
- ejecutar la simulación;
- analizar la curva de terminación;
- identificar actividades probabilísticamente críticas;
- probar escenarios de mitigación.
El resultado puede revelar que la fecha contractual está muy por debajo de P50, indicando un compromiso agresivo.
¿Costo y plazo deben analizarse conjuntamente?
En muchos proyectos, costo y plazo son interdependientes.
El retraso aumenta movilización, administración local, alquiler de equipos y costos indirectos. La aceleración puede reducir el plazo y aumentar el costo. Las fallas técnicas pueden producir ambos efectos.
Los modelos integrados de costo y plazo buscan representar estas relaciones. Son más complejos, pero pueden ser necesarios en programas de gran escala.
Cuando costo y plazo se modelan por separado, el equipo debe reconocer las limitaciones y evitar interpretar ambas distribuciones como independientes.
Joint Confidence Level
Algunas metodologías evalúan simultáneamente la probabilidad de cumplir costo y plazo. El Joint Confidence Level (JCL) representa esta visión conjunta.
Puede ser útil cuando las decisiones de financiamiento y cronograma deben considerar la dependencia entre ambas dimensiones.
No es necesario en todo proyecto. Su uso exige madurez de datos y un modelo integrado.
Cómo probar escenarios de mitigación
Una de las aplicaciones más útiles de Monte Carlo es comparar el modelo antes y después de una respuesta.
Ejemplo: homologar un proveedor alternativo puede reducir la probabilidad de retraso del 40% al 15%. La simulación muestra cuánto desplaza esta acción el P80 y reduce la contingencia.
Otro ejemplo: anticipar una aprobación puede eliminar un camino casi crítico.
Esta comparación permite cuantificar el beneficio de la mitigación y apoyar decisiones de inversión en respuestas.
Escenarios what-if
El análisis puede probar alternativas como:
- ejecutar paquetes en paralelo;
- contratar un proveedor secundario;
- aumentar turnos de instalación;
- anticipar la compra;
- postergar determinada funcionalidad;
- modificar la secuencia de comisionamiento;
- aumentar contingencia;
- reducir alcance;
- acelerar aprobación.
Cada escenario debe mantener supuestos documentados para permitir una comparación justa.
Sesgo de optimismo
Los especialistas tienden a subestimar duración e impacto, especialmente cuando ya se anunciaron metas comerciales o políticas.
La recopilación de distribuciones debe buscar reducir este sesgo mediante datos históricos, entrevistas independientes, análisis de referencia y comparación con proyectos anteriores.
Si todos los “máximos plausibles” están solo unos pocos puntos por encima del valor base, la distribución puede estar artificialmente estrecha.
El análisis cuantitativo debe desafiar la estimación, no limitarse a formalizarla.
Colas y riesgos extremos
Las medias y los percentiles centrales pueden ocultar eventos severos.
Los riesgos de baja probabilidad y alto impacto pueden producir colas largas. En seguridad, continuidad operativa o grandes pérdidas financieras, la organización puede necesitar analizar escenarios extremos por separado.
Monte Carlo es una herramienta, pero no sustituye el análisis de escenarios de desastre, HAZOP, Bow Tie u otras técnicas especializadas cuando la naturaleza del riesgo así lo exige.
El error de eliminar riesgos “porque son improbables”
Excluir todos los riesgos de baja probabilidad puede reducir artificialmente la cola de la distribución.
El criterio de inclusión debe considerar materialidad, no solo frecuencia.
Al mismo tiempo, añadir decenas de eventos remotos sin fundamento puede inflar el resultado.
La cartera debe depurarse con criterios técnicos y registrar por qué cada riesgo fue incluido o excluido.
Datos históricos y calibración
Los modelos mejoran cuando se comparan con resultados reales.
Después del cierre del proyecto, es posible verificar:
- dónde cayó el costo final dentro de la distribución prevista;
- si el plazo real estuvo dentro del rango simulado;
- qué distribuciones fueron optimistas;
- qué riesgos ocurrieron;
- qué correlaciones fueron inadecuadas;
- si P80 fue sistemáticamente conservador o insuficiente.
Esta retroalimentación permite calibrar modelos futuros.
Monte Carlo en fases iniciales
Incluso con poca definición, la técnica puede ser útil si las incertidumbres se representan con honestidad.
En fase conceptual, distribuciones más amplias y escenarios paramétricos pueden reflejar la falta de definición. El error es producir un resultado estrecho para aparentar precisión.
A medida que el proyecto madura, las distribuciones pueden refinarse con datos de ingeniería, proveedores y campo.
La evolución del modelo debe acompañar la madurez del proyecto.
Monte Carlo en procurement
Los suministros críticos pueden modelarse considerando lead time, aprobación de planos, fabricación, FAT, logística, despacho aduanero e instalación.
Los riesgos de proveedor único, capacidad fabril e importación pueden incorporarse como eventos discretos.
El análisis ayuda a responder si el cronograma necesita anticipar la contratación, exigir alternativas o proteger hitos con contingencia adicional.
Monte Carlo en obras e implantación
Productividad, clima, disponibilidad de frentes, acceso, interferencias y retrabajo generan variabilidad significativa.
Las distribuciones pueden basarse en históricos de productividad, datos de campo o rangos de especialistas.
Es importante respetar las dependencias entre actividades. La productividad de un equipo no puede sortearse de forma independiente en decenas de actividades si todas comparten la misma condición de campo.
Monte Carlo en comisionamiento
El comisionamiento concentra riesgos de integración y readiness.
Falla en FAT, retraso de documentación, indisponibilidad de subsistema y necesidad de retest pueden desplazar la aceptación.
Modelar estos eventos puede mostrar que el plazo entre instalación y operación es insuficiente para el nivel de confianza esperado.
Esta información permite ampliar la ventana de pruebas, anticipar el pre-commissioning o priorizar sistemas críticos.
Cómo documentar un análisis de Monte Carlo
Un informe defendible debe registrar:
- versión de la baseline;
- fecha de corte;
- alcance del modelo;
- actividades o costos incluidos;
- distribuciones utilizadas;
- fuente de las estimaciones;
- riesgos discretos;
- correlaciones;
- número de iteraciones;
- software o método;
- resultados P10/P50/P80/P90 según corresponda;
- drivers de sensibilidad;
- limitaciones;
- escenarios de mitigación;
- decisión adoptada.
Sin documentación, el resultado no es reproducible.
Lo que el software no decide
Las herramientas automatizan sorteos y cálculos, pero no deciden:
- si el cronograma es realista;
- qué riesgo debe entrar;
- qué distribución es defendible;
- qué correlación tiene sentido;
- qué percentil debe adoptar la organización;
- qué respuesta es económicamente adecuada;
- si la baseline está contaminada por márgenes ocultos.
Estas decisiones requieren ingeniería, gestión y gobernanza.
Errores comunes en modelos Monte Carlo
Entre los errores más frecuentes están:
- aplicar la misma distribución a todas las actividades;
- ignorar correlaciones relevantes;
- utilizar un cronograma con lógica defectuosa;
- duplicar riesgos ya incorporados en las duraciones;
- excluir caminos casi críticos;
- usar percentiles sin explicar el nivel de confianza;
- interpretar P80 como garantía;
- confiar excesivamente en la media;
- no documentar las fuentes de los parámetros;
- ejecutar miles de iteraciones sin validar los supuestos;
- presentar gráficos sofisticados sin conexión con la decisión.
Monte Carlo solo agrega valor cuando la distribución cambia una decisión. El objetivo no es producir un gráfico sofisticado, sino decidir contingencia, compromiso, mitigación, priorización o estrategia con base en confianza explícita.
Apoye decisiones críticas con Consultoría Técnica de Ingeniería →
Cuándo Monte Carlo no vale la pena
No todo proyecto necesita análisis probabilístico.
Si la decisión es simple, la exposición es pequeña y un escenario conservador ya proporciona información suficiente, el esfuerzo de modelado puede no justificarse.
La técnica agrega más valor cuando:
- el compromiso de plazo o costo es material;
- existen varias fuentes de incertidumbre;
- la contingencia es relevante;
- es necesario justificar un nivel de confianza;
- las alternativas deben compararse;
- el cronograma posee muchos caminos concurrentes;
- los riesgos correlacionados pueden alterar el resultado.
La sofisticación debe ser proporcional a la decisión.
Relación con la matriz de riesgos
La matriz cualitativa ayuda a priorizar qué riesgos merecen profundización. Monte Carlo cuantifica parte de la incertidumbre en términos de distribución de resultados.
Las dos técnicas no compiten. La matriz puede identificar un riesgo alto de suministro; la simulación puede mostrar cuánto desplaza el P80 del cronograma y cuánto una mitigación reduce la contingencia.
La combinación mejora la transición entre análisis cualitativo y decisión cuantitativa.
Relación con el registro de riesgos
El risk register proporciona probabilidad, impacto, owner, respuesta e historial de los eventos discretos.
El modelado cuantitativo debe mantener vínculo con los identificadores del registro. Así, cuando un riesgo es mitigado o cerrado, el modelo puede actualizarse de forma trazable.
Este vínculo evita que la simulación se convierta en un archivo paralelo desconectado de la gestión del proyecto.
Consideraciones finales
Monte Carlo permite transformar la incertidumbre en una distribución de resultados y asociar compromisos de costo y plazo con niveles explícitos de confianza. En ingeniería, esto es particularmente útil para contingencia, cronogramas críticos, CAPEX, procurement y decisiones en las que una única estimación determinista oculta una exposición relevante.
El valor de la técnica no está en el número de iteraciones. Está en la calidad de la baseline, de las distribuciones, de los riesgos, de las dependencias y de la interpretación.
P50, P80 y las curvas S solo son útiles cuando la organización comprende lo que representan y utiliza la información para decidir: ajustar contingencia, revisar el compromiso, tratar drivers, probar alternativas o aceptar conscientemente determinado nivel de exposición.
Un buen análisis cuantitativo no sustituye la ingeniería. Hace más visible la incertidumbre para que la decisión técnica y gerencial sea más defendible.
Referencias técnicas
[1] U.S. GOVERNMENT ACCOUNTABILITY OFFICE. Schedule Assessment Guide: Best Practices for Project Schedules. Washington, DC: GAO, 2015. Disponible en: https://www.gao.gov/products/gao-16-89g
[2] NATIONAL AERONAUTICS AND SPACE ADMINISTRATION. NASA Cost Estimating Handbook — Appendix G: Cost Risk and Uncertainty Methodologies. Washington, DC: NASA. Disponible en: https://www.nasa.gov/ocfo/ppc-corner/nasa-cost-estimating-handbook-ceh/
[3] PROJECT MANAGEMENT INSTITUTE. Risk Management in Portfolios, Programs, and Projects: A Practice Guide. Newtown Square: PMI, 2024. Disponible en: https://www.pmi.org/standards/risk-management-in-portfolios
[4] U.S. DEPARTMENT OF ENERGY. Curating the Inputs for a Contingency Reserve Calculation. Washington, DC: DOE, 2022. Disponible en: https://www.energy.gov/sites/default/files/2023-03/Curating%20the%20Inputs%20for%20a%20Contingency%20Reserve%20Calculation.pdf
Preguntas frecuentes
Es una técnica probabilística que ejecuta muchos escenarios a partir de distribuciones de incertidumbre y riesgos para generar una distribución de resultados de costo o plazo.
Es el percentil en el que aproximadamente el 50% de los escenarios simulados resulta en un valor o fecha igual o inferior. La mitad de los escenarios queda por encima.
Es el valor o fecha que aproximadamente el 80% de los escenarios simulados no supera, condicionado a los supuestos del modelo.
No. P80 es un nivel de confianza en la distribución acumulada, no un porcentaje de contingencia.
No existe un número universal. Miles son habituales; el criterio importante es la estabilidad de los percentiles y estadísticas relevantes y la captura adecuada de eventos raros.
Sí. La Schedule Risk Analysis varía duraciones y riesgos en la red lógica para estimar probabilidades de alcanzar hitos e identificar drivers de plazo.
No. La matriz prioriza riesgos cualitativamente; Monte Carlo cuantifica efectos sobre distribuciones de costo o plazo. Las técnicas son complementarias.
Cuando la decisión es simple, la exposición es pequeña o los análisis de escenarios ya ofrecen información suficiente. La complejidad de la técnica debe ser proporcional a la decisión.
Materiales técnicos complementarios
Soluciones relacionadas
- Gobernanza de Proyectos, Programas y Portafolios
- Gestión de Contratos, Alcance y Entregables
- Gestión de Requisitos, Evidencias y Criterios de Aceptación
Servicios relacionados
- Gestión de Riesgos de Ingeniería
- Consultoría Técnica de Ingeniería
- Planificación Técnica de Contrataciones de Ingeniería
Contenidos principales sobre el tema
- Análisis de Riesgos en Proyectos de Ingeniería
- Reserva de Contingencia en Proyectos de Ingeniería
- Registro de Riesgos en Proyectos de Ingeniería
- Matriz de Riesgos en Proyectos de Ingeniería
